KR102354172B1 - 학습 모델 기반의 인슐린 투여량을 결정하는 방법, 장치 및 컴퓨터 프로그램 제품 - Google Patents

학습 모델 기반의 인슐린 투여량을 결정하는 방법, 장치 및 컴퓨터 프로그램 제품 Download PDF

Info

Publication number
KR102354172B1
KR102354172B1 KR1020210133107A KR20210133107A KR102354172B1 KR 102354172 B1 KR102354172 B1 KR 102354172B1 KR 1020210133107 A KR1020210133107 A KR 1020210133107A KR 20210133107 A KR20210133107 A KR 20210133107A KR 102354172 B1 KR102354172 B1 KR 102354172B1
Authority
KR
South Korea
Prior art keywords
user
insulin dose
data
category
insulin
Prior art date
Application number
KR1020210133107A
Other languages
English (en)
Inventor
김연준
이재현
Original Assignee
주식회사 바이오커넥트
김연준
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 바이오커넥트, 김연준 filed Critical 주식회사 바이오커넥트
Priority to KR1020210133107A priority Critical patent/KR102354172B1/ko
Application granted granted Critical
Publication of KR102354172B1 publication Critical patent/KR102354172B1/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
    • G16H20/00—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance
    • G16H20/10—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance relating to drugs or medications, e.g. for ensuring correct administration to patients
    • G16H20/17—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance relating to drugs or medications, e.g. for ensuring correct administration to patients delivered via infusion or injection
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/145—Measuring characteristics of blood in vivo, e.g. gas concentration, pH value; Measuring characteristics of body fluids or tissues, e.g. interstitial fluid, cerebral tissue
    • A61B5/14532—Measuring characteristics of blood in vivo, e.g. gas concentration, pH value; Measuring characteristics of body fluids or tissues, e.g. interstitial fluid, cerebral tissue for measuring glucose, e.g. by tissue impedance measurement
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61M—DEVICES FOR INTRODUCING MEDIA INTO, OR ONTO, THE BODY; DEVICES FOR TRANSDUCING BODY MEDIA OR FOR TAKING MEDIA FROM THE BODY; DEVICES FOR PRODUCING OR ENDING SLEEP OR STUPOR
    • A61M5/00—Devices for bringing media into the body in a subcutaneous, intra-vascular or intramuscular way; Accessories therefor, e.g. filling or cleaning devices, arm-rests
    • A61M5/14—Infusion devices, e.g. infusing by gravity; Blood infusion; Accessories therefor
    • A61M5/168—Means for controlling media flow to the body or for metering media to the body, e.g. drip meters, counters ; Monitoring media flow to the body
    • A61M5/172—Means for controlling media flow to the body or for metering media to the body, e.g. drip meters, counters ; Monitoring media flow to the body electrical or electronic
    • 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
    • G06N3/08—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
    • 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
    • G16H50/50—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

Landscapes

  • Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Public Health (AREA)
  • General Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Theoretical Computer Science (AREA)
  • Pathology (AREA)
  • Epidemiology (AREA)
  • Software Systems (AREA)
  • Primary Health Care (AREA)
  • Artificial Intelligence (AREA)
  • Databases & Information Systems (AREA)
  • Mathematical Physics (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Veterinary Medicine (AREA)
  • Computing Systems (AREA)
  • Biophysics (AREA)
  • Animal Behavior & Ethology (AREA)
  • Molecular Biology (AREA)
  • Evolutionary Computation (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Hematology (AREA)
  • Medicinal Chemistry (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Surgery (AREA)
  • Anesthesiology (AREA)
  • Optics & Photonics (AREA)
  • Emergency Medicine (AREA)
  • Chemical & Material Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Vascular Medicine (AREA)
  • Computational Linguistics (AREA)
  • Medical Treatment And Welfare Office Work (AREA)

Abstract

학습 모델 기반의 인슐린 투여량을 결정하는 방법, 장치 및 컴퓨터 프로그램 제품을 제공할 수 있다.
본 발명에서는, 사용자의 일정 기간 동안의 혈당 측정값을 포함하는 제 1 데이터를 수신하고, 제 1 데이터를 뉴럴 네트워크에 입력하여 사용자를 복수의 환자군 카테고리들 중 어느 하나의 제 1 카테고리로 분류하고, 사용자의 식이 정보를 포함하는 제 2 데이터를 수신하고, 제 2 데이터를 머신 러닝 모델에 입력하여 사용자를 제 1 카테고리의 인슐린 용량과 관련된 세부 카테고리들 중 어느 하나의 제 1 세부 카테고리로 분류하고, 제 1 세부 카테고리 및 혈당 측정값에 기초하여 사용자의 인슐린 투여량을 결정할 수 있다.

Description

학습 모델 기반의 인슐린 투여량을 결정하는 방법, 장치 및 컴퓨터 프로그램 제품{METHOD, DEVICE AND COMPUTER PROGRAM PRODUCT FOR DETERMINING THE INSULIN DOSE BASED ON A LEARNING MODEL}
본 개시는 학습 모델 기반의 인슐린 투여량을 결정하는 방법, 장치 및 컴퓨터 프로그램 제품을 제공한다.
당뇨병은 인슐린의 분비량이 부족하거나 정상적인 기능이 이루어지지 않아 혈당이 정상 범위를 벗어나는 징후를 일으키는 대사 장애이다. 당뇨병은 실명, 신부전, 심부전, 신경병증 등의 합병증으로 인해 인체 각 조직에 영향을 미칠 가능성이 있는 복합병이며, 당뇨병 환자 수는 매년 증가하고 있다고 한다.
당뇨병의 경우, 혈당측정기를 이용하여 혈당을 측정하고, 식이요법, 운동 프로그램, 인슐린 주사, 경구 당뇨약 등과 같은 적절한 수단을 통해 혈당을 관리할 필요가 있다.
환자의 적합한 혈당 상태를 유지하기 위해서는 적절한 인슐린 용량을 조절하여 투입하는 것이 중요하다. 환자가 스스로 인슐린 투여량을 조절하고자 할 경우, 진료시간 외에는 의사가 환자의 혈당 상태를 모니터링하여 인슐린 투여량을 조절하는 것이 어려우므로, 환자에게 적절한 인슐린 투여량을 효율적으로 제안하는 기술이 요구된다.
한국 공개 특허 제10-2019-0102711호(2019.09.04. 공개)
한국 공개 특허 제10-2012-0102048호(2012.09.17. 공개)
본 발명은 학습 모델 기반의 인슐린 투여량을 결정하는 방법, 장치 및 컴퓨터 프로그램 제품을 제공하는데 있다. 본 실시예가 이루고자 하는 기술적 과제는 상기된 바와 같은 기술적 과제들로 한정되지 않으며, 이하의 실시예들로부터 또 다른 기술적 과제들이 유추될 수 있다.
상술한 기술적 과제를 달성하기 위한 기술적 수단으로서, 본 개시의 제1 측면은, 인슐린 주입량을 산출하는 방법에 있어서, 인슐린 투여량을 결정하는 방법에 있어서, 사용자의 일정 기간 동안의 혈당 측정값을 포함하는 제 1 데이터를 수신하는 단계; 상기 제 1 데이터를 뉴럴 네트워크에 입력하여 상기 사용자를 복수의 환자군 카테고리들 중 어느 하나의 제 1 카테고리로 분류하는 단계; 사용자의 식이 정보를 포함하는 제 2 데이터를 수신하는 단계; 상기 제 2 데이터를 머신 러닝 모델에 입력하여 상기 사용자를 상기 제 1 카테고리의 인슐린 용량과 관련된 세부 카테고리들 중 어느 하나의 제 1 세부 카테고리로 분류하는 단계; 및 상기 제 1 세부 카테고리 및 상기 혈당 측정값에 기초하여 상기 사용자의 인슐린 투여량을 결정하는 단계;를 포함할 수 있다.
또한, 상기 뉴럴 네트워크는, LSTM(Long Short-term Memory) 모델 및 DNN(Deep Neural Network) 모델을 포함하는 뉴럴 네트워크에 해당하고, 상기 머신 러닝 모델은, 랜덤 포레스트(Random Forest) 모델에 해당할 수 있다.
상기 제 1 데이터는, 상기 사용자의 일정 기간 동안의 혈압 정보 및 상기 사용자의 혈중 아스파테이트아미노전달효소(ASpartate Transaminase) 농도 정보, ALT(alanine aminotransferase) 농도 정보, 당화혈색소(HbA1c) 농도 정보 및 크레아티닌(Creatinine) 농도 정보 중 적어도 하나를 더 포함하는 시계열 데이터에 해당할 수 있다.
또한, 상기 제 2 데이터는, 상기 사용자의 저혈당 발생 빈도와 관련된 정보, 상기 사용자에게 투여되는 인슐린의 종류 및 상기 사용자의 당뇨병과 관련된 합병증 정보 중 적어도 하나를 더 포함할 수 있다.
또한, 상기 제 1 세부 카테고리는 혈당 범위에 따라 기 설정된 인슐린 증감량에 대한 정보를 포함하고, 상기 인슐린 투여량을 결정하는 단계는, 상기 사용자의 일정 기간 동안의 혈당 측정값에 기초하여 혈당 범위를 결정하는 단계; 상기 제 1 세부 카테고리에 기초하여 상기 결정된 혈당 범위에 따른 인슐린 증감량을 결정하는 단계; 및 상기 결정된 인슐린 증감량을 기준 인슐린 투여량에 반영하여 최종 인슐린 투여량을 결정하는 단계;를 포함할 수 있다.
또한, 상기 인슐린 투여량을 결정하는 단계는, 상기 결정된 최종 인슐린 투여량을 의료진 단말에 송신하는 단계; 상기 의료진 단말로부터 상기 결정된 최종 인슐린 투여량에 대한 검증 결과를 수신하는 단계; 및 상기 검증 결과에 기초하여 상기 결정된 최종 인슐린 투여량을 사용자 단말에 송신하는 단계;를 포함할 수 있다.
또한, 상기 검증 결과를 수신하는 단계는, 상기 검증 결과 상기 결정된 최종 인슐린 투여량에 대한 변경이 필요한 경우, 상기 의료진 단말로부터 변경된 인슐린 투여량을 수신하는 단계; 및 상기 변경된 인슐린 투여량을 상기 사용자 단말에 송신하는 단계;를 포함할 수 있다.
본 개시의 제 2 측면은, 인슐린 투여량을 결정하는 장치에 있어서, 적어도 하나의 프로그램이 저장된 메모리; 및 상기 적어도 하나의 프로그램을 실행함으로써 연산을 수행하는 프로세서를 포함하고, 상기 프로세서는, 사용자의 일정 기간 동안의 혈당 측정값을 포함하는 제 1 데이터를 수신하고, 상기 제 1 데이터를 뉴럴 네트워크에 입력하여 상기 사용자를 복수의 환자군 카테고리들 중 어느 하나의 제 1 카테고리로 분류하고, 사용자의 식이 정보를 포함하는 제 2 데이터를 수신하고, 상기 제 2 데이터를 머신 러닝 모델에 입력하여 상기 사용자를 상기 제 1 카테고리의 인슐린 용량과 관련된 세부 카테고리들 중 어느 하나의 제 1 세부 카테고리로 분류하고, 상기 제 1 세부 카테고리 및 상기 혈당 측정값에 기초하여 상기 사용자의 인슐린 투여량을 결정할 수 있다.
본 개시의 제 3 측면은, 사용자의 일정 기간 동안의 혈당 측정값을 포함하는 제 1 데이터를 수신하는 단계; 상기 제 1 데이터를 뉴럴 네트워크에 입력하여 상기 사용자를 복수의 환자군 카테고리들 중 어느 하나의 제 1 카테고리로 분류하는 단계; 사용자의 식이 정보를 포함하는 제 2 데이터를 수신하는 단계; 상기 제 2 데이터를 머신 러닝 모델에 입력하여 상기 사용자를 상기 제 1 카테고리의 인슐린 용량과 관련된 세부 카테고리들 중 어느 하나의 제 1 세부 카테고리로 분류하는 단계; 및 상기 제 1 세부 카테고리 및 상기 혈당 측정값에 기초하여 상기 사용자의 인슐린 투여량을 결정하는 단계;를 수행하도록 하는 프로그램이 저장된 하나 이상의 컴퓨터로 읽을 수 있는 기록매체를 포함하는 컴퓨터 프로그램 제품을 제공할 수 있다.
전술한 본 개시의 과제 해결 수단 중 하나에 의하면, 학습된 뉴럴 네트워크를이용하여 사용자의 측정 혈당값을 포함하는 사용자의 데이터로부터 적절한 인슐린 투여량을 산출하고, 산출한 인슐린 투여량을 사용자 단말에 제공하여 사용자가 스스로 적절한 인슐린을 투여할 수 있게 한다.
또한, 본 개시의 과제 해결 수단 중 하나에 의하면, 학습된 뉴럴 네트워크를이용하여 사용자의 측정 혈당값을 포함하는 사용자의 데이터로부터 적절한 인슐린 투여량을 산출하고, 산출한 인슐린 투여량을 의료진 단말에 송신하여 의료진 단말이 검증할 수 있다. 이에 따라, 진료 외 시간에도 의료진과 사용자 간의 교류가 가능하도록 할 수 있다.
도 1은 혈당 측정 장치, 인슐린 투여량 결정 서버, 의료진 단말 및 사용자 단말을 포함하는 인슐린 관리 시스템의 블록도이다.
도 2는 일 실시예에 따른 인슐린 투여량 결정 서버의 동작을 나타내는 도면이다.
도 3은 일 실시예에 따른 뉴럴 네트워크를 나타내는 도면이다.
도 4는 일 실시예에 따른 머신 러닝 모델을 나타내는 도면이다.
도 5는 일 실시예에 따른 환자군 카테고리 및 세부 카테고리를 나타내는 도면이다.
도 6은 일 실시예에 따른 사용자의 인슐린 투여량을 결정하는 것을 나타내는 도면이다.
도 7은 일 실시예에 따른 인슐린 투여량을 검증하는 방법을 나타내는 흐름도이다.
도 8은 일 실시예에 따른 인슐린 주입량을 산출하는 방법의 흐름도이다.
도 9는 일 실시예에 따른 인슐린 투여량 결정 서버의 블록도이다.
본 발명의 이점 및 특징, 그리고 그것들을 달성하는 방법은 첨부되는 도면과 함께 상세하게 설명되는 실시 예들을 참조하면 명확해질 것이다. 그러나 본 발명은 아래에서 제시되는 실시 예들로 한정되는 것이 아니라, 서로 다른 다양한 형태로 구현될 수 있고, 본 발명의 사상 및 기술 범위에 포함되는 모든 변환, 균등물 내지 대체물을 포함하는 것으로 이해되어야 한다. 아래에 제시되는 실시 예들은 본 발명의 개시가 완전하도록 하며, 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자에게 발명의 범주를 완전하게 알려주기 위해 제공되는 것이다. 본 발명을 설명함에 있어서 관련된 공지 기술에 대한 구체적인 설명이 본 발명의 요지를 흐릴 수 있다고 판단되는 경우 그 상세한 설명을 생략한다.
본 출원에서 사용한 용어는 단지 특정한 실시 예를 설명하기 위해 사용된 것으로, 본 발명을 한정하려는 의도가 아니다. 단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 복수의 표현을 포함한다. 본 출원에서, "포함하다" 또는 "가지다" 등의 용어는 명세서상에 기재된 특징, 숫자, 단계, 동작, 구성요소, 부품 또는 이들을 조합한 것이 존재함을 지정하려는 것이지, 하나 또는 그 이상의 다른 특징들이나 숫자, 단계, 동작, 구성요소, 부품 또는 이들을 조합한 것들의 존재 또는 부가 가능성을 미리 배제하지 않는 것으로 이해되어야 한다.
본 개시의 일부 실시예는 기능적인 블록 구성들 및 다양한 처리 단계들로 나타내어질 수 있다. 이러한 기능 블록들의 일부 또는 전부는, 특정 기능들을 실행하는 다양한 개수의 하드웨어 및/또는 소프트웨어 구성들로 구현될 수 있다. 예를 들어, 본 개시의 기능 블록들은 하나 이상의 마이크로프로세서들에 의해 구현되거나, 소정의 기능을 위한 회로 구성들에 의해 구현될 수 있다. 또한, 예를 들어, 본 개시의 기능 블록들은 다양한 프로그래밍 또는 스크립팅 언어로 구현될 수 있다. 기능 블록들은 하나 이상의 프로세서들에서 실행되는 알고리즘으로 구현될 수 있다. 또한, 본 개시는 전자적인 환경 설정, 신호 처리, 및/또는 데이터 처리 등을 위하여 종래 기술을 채용할 수 있다."매커니즘", "요소", "수단" 및 "구성"등과 같은 용어는 넓게 사용될 수 있으며, 기계적이고 물리적인 구성들로서 한정되는 것은 아니다.
또한, 도면에 도시된 구성 요소들 간의 연결 선 또는 연결 부재들은 기능적인 연결 및/또는 물리적 또는 회로적 연결들을 예시적으로 나타낸 것일 뿐이다. 실제 장치에서는 대체 가능하거나 추가된 다양한 기능적인 연결, 물리적인 연결, 또는 회로 연결들에 의해 구성 요소들 간의 연결이 나타내어질 수 있다.
이하 첨부된 도면을 참고하여 본 개시를 상세히 설명하기로 한다. 이하 첨부된 도면을 참고하여 본 개시를 상세히 설명하기로 한다.
도 1은 혈당 측정 장치, 인슐린 투여량 결정 서버, 의료진 단말 및 사용자 단말을 포함하는 인슐린 관리 시스템의 블록도이다.
일 실시예에 따른 인슐린 관리 시스템(1000)은 혈당 측정 장치(100), 인슐린 투여량 결정 서버(110), 의료진 단말(120) 및 사용자 단말(130)을 포함할 수 있다. 한편, 도 1에 도시된 인슐린 관리 시스템(1000)에는 일 실시예와 관련된 구성요소들만이 도시되어 있다. 따라서, 인슐린 관리 시스템(1000)에는 도 1에 도시된 구성요소들 외에 다른 범용적인 구성요소들이 더 포함될 수 있음은 당해 기술분야의 통상의 기술자에게 자명하다.
혈당 측정 장치(100)는 사용자의 혈당을 측정하고, 혈당 측정값을 인슐린 투여량 결정 서버(110)로 송신할 수 있다. 예를 들어, 혈당 측정 장치(100)는 CGM(Continuous Glucose Monitoring, 연속 혈당 측정) 방식으로 사용자의 혈당을 측정하는 장치에 해당할 수 있다. 연속 혈당 측정 방식은 복부의 피하지방에 센서를 부착하고, 센서를 통해 새포 간질액의 당을 측정하는 방식이다. 또는, 혈당 측정 장치(100)는 BGM(Blood Glucose Monitoring, 자가 혈당 측정) 방식으로 사용자의 혈당을 측정하는 장치에 해당할 수 있다. 자가 혈당 측정 방식은 사용자의 손가락에서 채혈을 하여 혈당을 측정하는 방식이다.
인슐린 투여량 결정 서버(110)는 혈당 측정 장치(100)로부터 수신한 혈당 측정값을 포함하는 사용자 데이터에 기초하여, 사용자에게 적절한 인슐린 투여량을 결정할 수 있다. 예를 들어, 인슐린 투여량 결정 서버(110)는 뉴럴 네트워크를 이용하여 사용자에게 적절한 인슐린 투여량을 결정하는 서버에 해당할 수 있다.
예를 들어, 사용자 데이터는, 사용자의 일정 기간 동안의 혈압 정보 및 상기 사용자의 혈중 아스파테이트아미노전달효소(ASpartate Transaminase) 농도 정보, ALT(alanine aminotransferase) 농도 정보, 당화혈색소(HbA1c) 농도 정보 및 크레아티닌(Creatinine) 농도 정보 중 적어도 하나를 포함하는 시계열 데이터를 더 포함할 수 있다. 또는, 사용자 데이터는, 사용자의 저혈당 발생 빈도와 관련된 정보, 사용자에게 투여되는 인슐린의 종류 및 사용자의 당뇨병과 관련된 합병증 정보 중 적어도 하나를 더 포함할 수 있다.
또한, 인슐린 투여량 결정 서버(110)는 결정된 인슐린 투여량에 관한 정보를 의료진 단말(120)에 송신할 수 있다. 인슐린 투여량 결정 서버(110)는 의료진 단말(120)에 결정된 인슐린 투여량에 대한 검증을 요청할 수 있다.
의료진 단말(120)은 인슐린 투여량 결정 서버(110)에 의해 결정된 인슐린 투여량에 대하여 검증을 수행할 수 있다. 의료진 단말(120)은 검증 결과 인슐린 투여량 결정 서버(110)에 의해 결정된 인슐린 투여량에 대한 변경이 필요하지 않은 경우에는, 상기 결정된 인슐린 투여량을 확정한다는 요청을 인슐린 투여량 결정 서버(110)에 송신할 수 있다. 이러한 경우, 인슐린 투여량 결정 서버(110)는 인슐린 투여량 결정 서버(110)에 의해 결정된 인슐린 투여량을 사용자 단말(130)에 송신할 수 있다.
또는, 의료진 단말(120)은 검증 결과 인슐린 투여량 결정 서버(110)에 의해 결정된 인슐린 투여량에 대한 변경이 필요한 경우에는, 상기 결정된 인슐린 투여량을 조정하여 변경된 인슐린 투여량을 인슐린 투여량 결정 서버(110)에 송신할 수 있다. 이러한 경우, 인슐린 투여량 결정 서버(110)는 변경된 인슐린 투여량을 사용자 단말(130)에 송신할 수 있다.
사용자 단말(130)은 인슐린 투여량 결정 서버(110)로부터 확정된 인슐린 투여량을 수신할 수 있다. 확정된 인슐린 투여량은 상술한 바와 같이, 인슐린 투여량 결정 서버(110)에 의해 결정된 인슐린 투여량 또는 인슐린 투여량 결정 서버(110)에 의해 결정된 인슐린 투여량을 의료진 단말(120)이 조정하여 변경된 인슐린 투여량에 해당할 수 있다.
사용자 단말(1000)은 유무선 통신 환경에서 웹 서비스를 이용할 수 있는 통신 단말을 의미한다. 예를 들어, 사용자 단말(1000)은 스마트폰, 태블릿 PC, PC, 스마트 TV, 휴대폰, PDA(personal digital assistant), 랩톱, 미디어 플레이어, 마이크로 서버, GPS(global positioning system) 장치, 전자책 단말기, 디지털방송용 단말기, 네비게이션, 키오스크, MP3 플레이어, 디지털 카메라, 가전기기, 카메라가 탑재된 디바이스 및 기타 모바일 또는 비모바일 컴퓨팅 장치일 수 있다.
또한, 사용자 단말(1000)은 통신 기능 및 데이터 프로세싱 기능을 구비한 웨어러블 디바이스일 수 있다. 그러나, 상술한 바와 같이 인터넷 통신이 가능한 애플리케이션을 탑재한 단말은 제한 없이 차용될 수 있다.
한편, 혈당 측정 장치(100), 인슐린 투여량 결정 서버(110), 의료진 단말(120) 및 사용자 단말(130)은 네트워크를 이용하여 통신을 수행할 수 있다. 예를 들어, 네트워크는 근거리 통신망(Local Area Network; LAN), 광역 통신망(Wide Area Network; WAN), 부가가치 통신망(Value Added Network; VAN), 이동 통신망(mobile radio communication network), 위성 통신망 및 이들의 상호 조합을 포함하며, 각 네트워크 구성 주체가 서로 원활하게 통신을 할 수 있도록 하는 포괄적인 의미의 데이터 통신망이며, 유선 인터넷, 무선 인터넷 및 모바일 무선 통신망을 포함할 수 있다. 또한, 무선 통신은 예를 들어, 무선 랜(Wi-Fi), 블루투스, 블루투스 저 에너지(Bluetooth low energy), 지그비, WFD(Wi-Fi Direct), UWB(ultra wideband), 적외선 통신(IrDA, infrared Data Association), NFC(Near Field Communication) 등이 있을 수 있으나, 이에 한정되는 것은 아니다.
도 2는 일 실시예에 따른 인슐린 투여량 결정 서버의 동작을 나타내는 도면이다.
일 실시예에서, 인슐린 투여량 결정 서버(110)는 사용자의 일정 기간 동안의 혈당 측정값을 포함하는 제 1 데이터를 수신하고, 제 1 데이터를 뉴럴 네트워크에 입력하여 사용자를 복수의 환자군 카테고리들 중 어느 하나의 제 1 카테고리로 분류할 수 있다. 또한, 사용자의 식이 정보를 포함하는 제 2 데이터를 수신하고, 제 2 데이터를 머신 러닝 모델에 입력하여 사용자를 제 1 카테고리의 인슐린 용량과 관련된 세부 카테고리들 중 어느 하나의 제 1 세부 카테고리로 분류할 수 있다. 최종적으로, 인슐린 투여량 결정 서버(110)는 세부 카테고리 및 혈당 측정값에 기초하여 사용자의 인슐린 투여량을 결정할 수 있다.
도 2를 참고하면, 인슐린 투여량 결정 서버(110)는 사용자의 제 1 데이터(200)를 수신하여 뉴럴 네트워크(220)에 입력할 수 있다. 예를 들어, 사용자의 제 1 데이터(200)는 사용자의 일정 기간 동안의 혈당 측정값을 포함할 수 있다. 혈당 측정값은 일정 기간 동안 특정 측정 시점(아침, 점심, 저녁, 식전 또는 식후)에 측정된 혈당값에 해당할 수 있고, 사용자의 제 1 데이터(200)는 혈당이 측정된 시점 및 측정된 혈당값을 포함하는 시계열 데이터에 해당할 수 있다.
또한, 사용자의 제 1 데이터(200)는 사용자의 일정 기간 동안의 혈압 정보 및 사용자의 혈중 아스파테이트아미노전달효소(ASpartate Transaminase) 농도 정보, ALT(alanine aminotransferase) 농도 정보, 당화혈색소(HbA1c) 농도 정보 및 크레아티닌(Creatinine) 농도 정보 중 적어도 하나를 더 포함하는 시계열 데이터에 해당할 수 있다.
인슐린 투여량 결정 서버(110)는 뉴럴 네트워크(220)를 이용하여 사용자를 복수의 환자군 카테고리들 중 어느 하나의 제 1 카테고리로 분류할 수 있다. 환자군 카테고리는 환자들을 혈당 측정값들에 기초한 혈당 관리 강도, 인슐린의 종류, 인슐린의 투여 시점 등에 따라 분류한 카테고리에 해당할 수 있다. 환자군 카테고리는 사용자의 제 1 데이터에 포함된 혈당 측정값이 속한 혈당 범위에 따른 인슐린 증감량을 설정한 카테고리에 해당할 수 있다.
도 3은 일 실시예에 따른 뉴럴 네트워크를 나타내는 도면이다.
일 실시예에서, 뉴럴 네트워크는, LSTM(Long Short-term Memory) 모델(310) 및 DNN(Deep Neural Network) 모델(320)을 포함하는 뉴럴 네트워크에 해당할 수 있다.
예를 들어, LSTM은 RNN(Recurrent Neural Network)의 한 종류에 해당하는 모델로, 주로 시계열 데이터의 처리에 사용되는 모델이다. RNN은 과거의 이벤트가 미래의 결과에 영향을 줄 수 있는 순환 구조(directed cycle)를 가지고 있는 모델에 해당하며, LSTM은 긴 의존 기간을 필요로 하는 학습을 수행할 능력을 갖는 RNN 모델에 해당할 수 있다.
또한, DNN은 입력층(input layer)과 출력층(output layer) 사이에 여러 개의 은닉층(hidden layer)들로 이루어진 모델이다.
인슐린 투여량 결정 서버(110)는 시계열 데이터에 해당하는 사용자의 제 1 데이터(200)를 LSTM 모델(310)에 입력하고, LSTM 모델(310)로부터 출력된 결과물을 DNN 모델(320)에 입력하여 최종적으로 사용자를 특정 환자군 카테고리에 해당하는 제 1 카테고리로 분류할 수 있다.
다시 도 2로 돌아와서, 인슐린 투여량 결정 서버(110)는 사용자의 제 2 데이터(210)를 수신하여 머신 러닝 모델(230)에 입력할 수 있다. 예를 들어, 사용자의 제 2 데이터(210)는 사용자의 식이 정보를 포함할 수 있다. 사용자의 식이 정보는 사용자가 섭취한 식사 종류, 총 칼로리 또는 탄수화물 함량 등을 포함하는 정보에 해당할 수 있다.
또한, 사용자의 제 2 데이터(210)는 사용자의 저혈당 발생 빈도와 관련된 정보, 사용자에게 투여되는 인슐린의 종류 및 사용자의 당뇨병과 관련된 합병증 정보 중 적어도 하나를 더 포함할 수 있다. 예를 들어, 사용자의 제 2 데이터(210)는 사용자의 제 1 데이터(200)와 달리, 사용자의 데이터 중 시계열 데이터가 아닌 데이터에 해당할 수 있으나, 이에 제한되는 것은 아니다.
인슐린 투여량 결정 서버(110)는 머신 러닝 모델(230)를 이용하여 사용자를 뉴럴 네트워크(220)를 이용하여 분류한 제 1 카테고리의 인슐린 용량과 관련된 세부 카테고리들 중 어느 하나의 제 1 세부 카테고리로 분류할 수 있다. 예를 들어, 세부 카테고리는 사용자의 혈당 측정값이 속한 혈당 범위에 따른 인슐린 증감량을 설정한 임의의 환자군 카테고리에 대하여, 인슐린 저용량 또는 고용량과 관련된 세부 항목을 설정하는 카테고리에 해당할 수 있다.
도 4는 일 실시예에 따른 머신 러닝 모델을 나타내는 도면이다.
일 실시예에서, 머신 러닝 모델(230)는, 랜덤 포레스트(Random Forest) 모델에 해당할 수 있다.
랜덤 포레스트 모델은 복수개의 의사 결정 트리(Decision Tree)들이 모여서 생성된 모델로, 훈련을 통해 구성해 놓은 복수개의 의사 결정 트리들로부터 분류 결과를 취합하여 예측하는 모델에 해당한다.
인슐린 투여량 결정 서버(110)는 사용자의 식이 정보를 포함하는 사용자의 제 2 데이터(210)를 랜덤 포레스트 모델에 입력하여 최종적으로 사용자를 뉴럴 네트워크(220)를 이용하여 분류한 제 1 카테고리의 인슐린 용량과 관련된 세부 카테고리들 중 어느 하나의 제 1 세부 카테고리로 분류할 수 있다.
도 5는 일 실시예에 따른 환자군 카테고리 및 세부 카테고리를 나타내는 도면이다.
도 5를 참고하면, 사용자가 분류될 수 있는 환자군 카테고리들은 A-type 카테고리, B-type 카테고리, C-type 카테고리, D-type 카테고리, E-type 카테고리 및 F-type 카테고리를 포함할 수 있으나, 사용자가 분류될 수 있는 환자군 카테고리들의 개수는 이에 제한되는 것은 아니다.
환자군 카테고리는 사용자의 제 1 데이터에 포함된 혈당 측정값이 속한 혈당 범위에 따른 인슐린 증감량을 설정한 카테고리에 해당하며, 각각의 환자군 카테고리에 포함된 혈당 범위에 따른 인슐린 증감량은 인슐린 투여량 결정 서버(110)에 의해 기 설정된 값에 해당할 수 있다.
또한, 환자군 카테고리들 각각은 해당 환자군 카테고리의 인슐린 용량과 관련된 세부 카테고리들을 포함할 수 있다. 예를 들어 세부 카테고리는 각 환자군 카테고리에 대하여, 인슐린을 저용량으로 투여하는 세부 항목을 설정하는 a 세부 카테고리 및 또는 인슐린을 고용량으로 투여하는 세부 항목을 설정하는 b 세부 카테고리를 포함할 수 있으나, 사용자가 분류될 수 있는 세부 카테고리들의 개수는 이에 제한되는 것은 아니다.
예를 들어 도 5를 참고하면, 사용자의 제 1 데이터에 기초하여 사용자가 A-type 카테고리(500)로 분류되고, 사용자의 제 2 데이터에 기초하여 사용자가 A-type 카테고리 중 a 세부 카테고리(510)로 분류된 경우를 가정할 수 있다. 이러한 경우, 인슐린 투여량 결정 서버(110)는 a 세부 카테고리(510)에 포함된 기 설정된 인슐린 증감량에 기초하여 사용자의 인슐린 투여량을 결정할 수 있다.
도 6은 일 실시예에 따른 사용자의 인슐린 투여량을 결정하는 것을 나타내는 도면이다.
일 실시예에서, 인슐린 투여량 결정 서버(110)는 사용자의 일정 기간 동안의 혈당 측정값에 기초하여 혈당 범위를 결정할 수 있다. 예를 들어, 인슐린 투여량 결정 서버(110)는 일정 기간 동안 측정된 사용자의 혈당 측정값들 중 적어도 하나에 기초하여 혈당 범위를 결정할 수 있다. 또는, 인슐린 투여량 결정 서버(110)는 일정 기간 동안 측정된 사용자의 혈당 측정값들의 평균 혈당값에 기초하여 혈당 범위를 결정할 수 있다.
도 6을 참고하면, 사용자의 제 1 데이터 및 제 2 데이터에 기초하여 사용자가 A-type 카테고리 중 a 세부 카테고리(600)로 분류된 경우를 가정할 수 있다. 사용자의 일정 기간 동안의 혈당 측정값에 기초하여 사용자의 혈당 측정값 또는 평균 혈당 측정값이 122인 경우, 인슐린 투여량 결정 서버(110)는 사용자의 혈당 범위가 121~140에 해당한다고 결정할 수 있다.
인슐린 투여량 결정 서버(110)는 결정된 인슐린 증감량을 기준 인슐린 투여량에 반영하여 최종 인슐린 투여량을 결정할 수 있다.
도 6을 참고하면, 인슐린 투여량 결정 서버(110)는 사용자의 혈당 범위가 121~140이고 사용자가 a 세부 카테고리(600)에 속하므로, 인슐린 증감량이 2라고 판단할 수 있다. 기준 인슐린 투여량은 사용자에게 사전에 처방된 인슐린 투여량에 해당할 수 있다. 이러한 경우, 인슐린 투여량 결정 서버(110)는 기준 인슐린 투여량에 인슐린 증가량 2를 더하여 최종 인슐린 투여량을 결정할 수 있다.
도 7은 일 실시예에 따른 인슐린 투여량을 검증하는 방법을 나타내는 흐름도이다.
도 7을 참고하면, 단계 710에서, 의료진 단말(120)은 도 6에서 상술한 바에 따라 인슐린 투여량 결정 서버(110)가 결정한 최종 인슐린 투여량을 수신할 수 있다.
단계 710에서, 의료진 단말(120)은 도 6에서 상술한 바에 따라 인슐린 투여량 결정 서버(110)가 결정한 최종 인슐린 투여량을 수신할 수 있다.
단계 720에서, 의료진 단말(120)은 최종 인슐린 투여량에 대한 변경 필요성을 검증할 수 있다.
의료진 단말(120)의 검증 결과 최종 인슐린 투여량에 대한 변경 필요성이 없는 경우, 단계 730으로 진행할 수 있다. 단계 730에서, 의료진 단말(120)은 최종 인슐린 투여량을 확정하는 요청을 인슐린 투여량 결정 서버(110)에 송신할 수 있다. 인슐린 투여량 결정 서버(110)는 최종 인슐린 투여량을 확정하는 요청을 의료진 단말(120)로부터 수신한 경우, 최종 인슐린 투여량을 사용자 단말(130)에 송신할 수 있다.
의료진 단말(120)의 검증 결과 최종 인슐린 투여량에 대한 변경 필요성이 있는 경우, 단계 740으로 진행할 수 있다. 단계 740에서, 의료진 단말(120)은 최종 인슐린 투여량을 조정하여 변경된 인슐린 투여량을 인슐린 투여량 결정 서버(110)에 송신할수 있다. 인슐린 투여량 결정 서버(110)는 변경된 인슐린 투여량을 의료진 단말(120)로부터 수신한 경우, 변경된 인슐린 투여량을 사용자 단말(130)에 송신할 수 있다.
도 8은 일 실시예에 따른 인슐린 주입량을 산출하는 방법의 흐름도이다.
도 8에 도시된, 인슐린 투여량을 결정하는 방법은 앞서 설명된 도면들에서 설명된 실시예들에 관련되므로, 이하 생략된 내용이라 할지라도 앞서 도면들에서 설명된 내용들은 도 8의 방법에도 적용될 수 있다.
도 8을 참조하면, 단계 810에서 인슐린 투여량 결정 서버(110)는 사용자의 일정 기간 동안의 혈당 측정값을 포함하는 제 1 데이터를 수신할 수 있다.
단계 820에서 인슐린 투여량 결정 서버(110)는 제 1 데이터를 뉴럴 네트워크에 입력하여 사용자를 복수의 환자군 카테고리들 중 어느 하나의 제 1 카테고리로 분류할 수 있다.
일 실시예에서, 뉴럴 네트워크는, LSTM(Long Short-term Memory) 모델 및 DNN(Deep Neural Network) 모델을 포함하는 뉴럴 네트워크에 해당할 수 있다.
일 실시예에서, 제 1 데이터는, 사용자의 일정 기간 동안의 혈압 정보 및 사용자의 혈중 아스파테이트아미노전달효소(ASpartate Transaminase) 농도 정보, ALT(alanine aminotransferase) 농도 정보, 당화혈색소(HbA1c) 농도 정보 및 크레아티닌(Creatinine) 농도 정보 중 적어도 하나를 더 포함하는 시계열 데이터에 해당할 수 있다.
단계 830에서 인슐린 투여량 결정 서버(110)는 사용자의 식이 정보를 포함하는 제 2 데이터를 수신할 수 있다.
일 실시예에서, 제 2 데이터는, 사용자의 저혈당 발생 빈도와 관련된 정보, 사용자에게 투여되는 인슐린의 종류 및 사용자의 당뇨병과 관련된 합병증 정보 중 적어도 하나를 더 포함할 수 있다.
단계 840에서 인슐린 투여량 결정 서버(110)는 제 2 데이터를 머신 러닝 모델에 입력하여 사용자를 제 1 카테고리의 인슐린 용량과 관련된 세부 카테고리들 중 어느 하나의 제 1 세부 카테고리로 분류할 수 있다.
단계 850에서 인슐린 투여량 결정 서버(110)는 제 1 세부 카테고리 및 혈당 측정값에 기초하여 사용자의 인슐린 투여량을 결정할 수 있다.
일 실시예에서, 제 1 세부 카테고리는 혈당 범위에 따라 기 설정된 인슐린 증감량에 대한 정보를 포함할 수 있다. 인슐린 투여량 결정 서버(110)는 사용자의 일정 기간 동안의 혈당 측정값에 기초하여 혈당 범위를 결정하고, 제 1 세부 카테고리에 기초하여 결정된 혈당 범위에 따른 인슐린 증감량을 결정할 수 있다. 인슐린 투여량 결정 서버(110)는 결정된 인슐린 증감량을 기준 인슐린 투여량에 반영하여 최종 인슐린 투여량을 결정할 수 있다.
도 9는 일 실시예에 따른 인슐린 투여량 결정 서버의 블록도이다.
도 9를 참고하면, 인슐린 투여량 결정 서버(900)는 통신부(910), 프로세서(920) 및 DB(930)를 포함할 수 있다. 도 9의 인슐린 투여량 결정 서버(900)에는 실시예와 관련된 구성요소들만이 도시되어 있다. 따라서, 도 9에 도시된 구성요소들 외에 다른 범용적인 구성요소들이 더 포함될 수 있음을 당해 기술분야의 통상의 기술자라면 이해할 수 있다.
통신부(910)는 인슐린 투여량 결정 서버(900)와 유선/무선 통신을 하게 하는 하나 이상의 구성 요소를 포함할 수 있다. 예를 들어, 통신부(910)는, 근거리 통신부(미도시), 이동 통신부(미도시) 및 방송 수신부(미도시) 중 적어도 하나를 포함할 수 있다.
DB(930)는 인슐린 투여량 결정 서버(900) 내에서 처리되는 각종 데이터들을 저장하는 하드웨어로서, 프로세서(920)의 처리 및 제어를 위한 프로그램을 저장할 수 있다.
DB(930)는 DRAM(dynamic random access memory), SRAM(static random access memory) 등과 같은 RAM(random access memory), ROM(read-only memory), EEPROM(electrically erasable programmable read-only memory), CD-ROM, 블루레이 또는 다른 광학 디스크 스토리지, HDD(hard disk drive), SSD(solid state drive), 또는 플래시 메모리를 포함할 수 있다. 프로세서(920)는 인슐린 투여량 결정 서버(900)의 전반적인 동작을 제어한다. 예를 들어, 프로세서(920)는 DB(930)에 저장된 프로그램들을 실행함으로써, 입력부(미도시), 디스플레이(미도시), 통신부(910), DB(930) 등을 전반적으로 제어할 수 있다. 프로세서(920)는, DB(930)에 저장된 프로그램들을 실행함으로써, 인슐린 투여량 결정 서버(900)의 동작을 제어할 수 있다.
프로세서(920)는 ASICs (application specific integrated circuits), DSPs(digital signal processors), DSPDs(digital signal processing devices), PLDs(programmable logic devices), FPGAs(field programmable gate arrays), 제어기(controllers), 마이크로 컨트롤러(micro-controllers), 마이크로 프로세서(microprocessors), 기타 기능 수행을 위한 전기적 유닛 중 적어도 하나를 이용하여 구현될 수 있다.
본 개시의 다양한 실시예들은 기기(machine) 의해 읽을 수 있는 저장 매체(storage medium)에 저장된 하나 이상의 명령어들을 포함하는 소프트웨어(예:　프로그램))로서 구현될 수 있다. 예를 들면, 기기의 프로세서는, 저장 매체로부터 저장된 하나 이상의 명령어들 중 적어도 하나의 명령을 호출하고, 그것을 실행할 수 있다. 이것은 기기가 상기 호출된 적어도 하나의 명령어에 따라 적어도 하나의 기능을 수행하도록 운영되는 것을 가능하게 한다. 상기 하나 이상의 명령어들은 컴파일러에 의해 생성된 코드 또는 인터프리터에 의해 실행될 수 있는 코드를 포함할 수 있다. 기기로 읽을 수 있는 저장매체는, 비일시적(non-transitory) 저장매체의 형태로 제공될 수 있다. 여기서, ‘비일시적’은 저장매체가 실재(tangible)하는 장치이고, 신호(signal)(예: 전자기파)를 포함하지 않는다는 것을 의미할 뿐이며, 이 용어는 데이터가 저장매체에 반영구적으로 저장되는 경우와 임시적으로 저장되는 경우를 구분하지 않는다.
일 실시예에 따르면, 본 개시의 다양한 실시예들에 따른 방법은　컴퓨터　프로그램　제품(computer program product)에 포함되어 제공될 수 있다.　컴퓨터　프로그램　제품은 상품으로서 판매자 및 구매자 간에 거래될 수 있다.　컴퓨터　프로그램　제품은 기기로 읽을 수 있는 저장 매체(예: compact disc read only memory (CD-ROM))의 형태로 배포되거나, 또는 어플리케이션 스토어(예: 플레이 스토어TM)를 통해 또는 두 개의 사용자 장치들 간에 직접, 온라인으로 배포(예: 다운로드 또는 업로드)될 수 있다. 온라인 배포의 경우에,　컴퓨터　프로그램　제품의 적어도 일부는 제조사의 서버, 어플리케이션 스토어의 서버, 또는 중계 서버의 메모리와 같은 기기로 읽을 수 있는 저장 매체에 적어도 일시 저장되거나, 임시적으로 생성될 수 있다.
또한, 본 명세서에서, "부"는 프로세서 또는 회로와 같은 하드웨어 구성(hardware component), 및/또는 프로세서와 같은 하드웨어 구성에 의해 실행되는 소프트웨어 구성(software component)일 수 있다.
본 실시예의 범위는 상기 상세한 설명보다는 후술하는 특허청구범위에 의하여 나타내어지며, 특허청구범위의 의미 및 범위 그리고 그 균등 개념으로부터 도출되는 모든 변경 또는 변형된 형태가 포함되는 것으로 해석되어야 한다.

Claims (5)

  1. 인슐린 투여량을 결정하는 방법에 있어서,
    인슐린 투여량 결정 서버가 사용자의 일정 기간 동안의 혈당 측정값을 포함하는 제 1 데이터를 수신하는 단계;
    상기 제 1 데이터를 뉴럴 네트워크에 입력하여 상기 사용자를 복수의 환자군 카테고리들 중 어느 하나의 제 1 카테고리로 분류하는 단계;
    사용자의 식이 정보를 포함하는 제 2 데이터를 수신하는 단계;
    상기 제 2 데이터를 머신 러닝 모델에 입력하여 상기 사용자를 상기 제 1 카테고리의 인슐린 용량과 관련된 세부 카테고리들 중 어느 하나의 제 1 세부 카테고리로 분류하는 단계; 및
    상기 제 1 세부 카테고리 및 상기 혈당 측정값에 기초하여 상기 사용자의 인슐린 투여량을 결정하는 단계;
    를 포함하고,
    상기 제 1 데이터는,
    상기 사용자의 일정 기간 동안의 혈압 정보 및 상기 사용자의 혈중 아스파테이트아미노전달효소(ASpartate Transaminase) 농도 정보, ALT(alanine aminotransferase) 농도 정보, 당화혈색소(HbA1c) 농도 정보 및 크레아티닌(Creatinine) 농도 정보 중 적어도 하나를 더 포함하는 시계열 데이터에 해당하고,
    상기 제 2 데이터는,
    상기 사용자의 저혈당 발생 빈도와 관련된 정보, 상기 사용자에게 투여되는 인슐린의 종류 및 상기 사용자의 당뇨병과 관련된 합병증 정보 중 적어도 하나를 더 포함하고, 시계열 데이터에 해당하지 않는, 방법.
  2. 제 1 항에 있어서,
    상기 제 1 세부 카테고리는 혈당 범위에 따라 기 설정된 인슐린 증감량에 대한 정보를 포함하고,
    상기 인슐린 투여량을 결정하는 단계는,
    상기 사용자의 일정 기간 동안의 혈당 측정값에 기초하여 혈당 범위를 결정하는 단계;
    상기 제 1 세부 카테고리에 기초하여 상기 결정된 혈당 범위에 따른 인슐린 증감량을 결정하는 단계; 및
    상기 결정된 인슐린 증감량을 기준 인슐린 투여량에 반영하여 최종 인슐린 투여량을 결정하는 단계;
    를 포함하는, 방법.
  3. 제 2 항에 있어서,
    상기 인슐린 투여량을 결정하는 단계는,
    상기 결정된 최종 인슐린 투여량을 의료진 단말에 송신하는 단계;
    상기 의료진 단말로부터 상기 결정된 최종 인슐린 투여량에 대한 검증 결과를 수신하는 단계; 및
    상기 검증 결과에 기초하여 상기 결정된 최종 인슐린 투여량을 사용자 단말에 송신하는 단계;
    를 포함하는, 방법.
  4. 인슐린 투여량을 결정하는 장치에 있어서,
    적어도 하나의 프로그램이 저장된 메모리; 및
    상기 적어도 하나의 프로그램을 실행함으로써 연산을 수행하는 프로세서를 포함하고,
    상기 프로세서는,
    사용자의 일정 기간 동안의 혈당 측정값을 포함하는 제 1 데이터를 수신하고,
    상기 제 1 데이터를 뉴럴 네트워크에 입력하여 상기 사용자를 복수의 환자군 카테고리들 중 어느 하나의 제 1 카테고리로 분류하고,
    사용자의 식이 정보를 포함하는 제 2 데이터를 수신하고,
    상기 제 2 데이터를 머신 러닝 모델에 입력하여 상기 사용자를 상기 제 1 카테고리의 인슐린 용량과 관련된 세부 카테고리들 중 어느 하나의 제 1 세부 카테고리로 분류하고,
    상기 제 1 세부 카테고리 및 상기 혈당 측정값에 기초하여 상기 사용자의 인슐린 투여량을 결정하고,
    상기 제 1 데이터는,
    상기 사용자의 일정 기간 동안의 혈압 정보 및 상기 사용자의 혈중 아스파테이트아미노전달효소(ASpartate Transaminase) 농도 정보, ALT(alanine aminotransferase) 농도 정보, 당화혈색소(HbA1c) 농도 정보 및 크레아티닌(Creatinine) 농도 정보 중 적어도 하나를 더 포함하는 시계열 데이터에 해당하고,
    상기 제 2 데이터는,
    상기 사용자의 저혈당 발생 빈도와 관련된 정보, 상기 사용자에게 투여되는 인슐린의 종류 및 상기 사용자의 당뇨병과 관련된 합병증 정보 중 적어도 하나를 더 포함하고, 시계열 데이터에 해당하지 않는, 장치.
  5. 사용자의 일정 기간 동안의 혈당 측정값을 포함하는 제 1 데이터를 수신하는 단계;
    상기 제 1 데이터를 뉴럴 네트워크에 입력하여 상기 사용자를 복수의 환자군 카테고리들 중 어느 하나의 제 1 카테고리로 분류하는 단계;
    사용자의 식이 정보를 포함하는 제 2 데이터를 수신하는 단계;
    상기 제 2 데이터를 머신 러닝 모델에 입력하여 상기 사용자를 상기 제 1 카테고리의 인슐린 용량과 관련된 세부 카테고리들 중 어느 하나의 제 1 세부 카테고리로 분류하는 단계; 및
    상기 제 1 세부 카테고리 및 상기 혈당 측정값에 기초하여 상기 사용자의 인슐린 투여량을 결정하는 단계;를 수행하도록 하는 프로그램이 저장된 하나 이상의 컴퓨터로 읽을 수 있는 기록매체를 포함하고,
    상기 제 1 데이터는,
    상기 사용자의 일정 기간 동안의 혈압 정보 및 상기 사용자의 혈중 아스파테이트아미노전달효소(ASpartate Transaminase) 농도 정보, ALT(alanine aminotransferase) 농도 정보, 당화혈색소(HbA1c) 농도 정보 및 크레아티닌(Creatinine) 농도 정보 중 적어도 하나를 더 포함하는 시계열 데이터에 해당하고,
    상기 제 2 데이터는,
    상기 사용자의 저혈당 발생 빈도와 관련된 정보, 상기 사용자에게 투여되는 인슐린의 종류 및 상기 사용자의 당뇨병과 관련된 합병증 정보 중 적어도 하나를 더 포함하고, 시계열 데이터에 해당하지 않는, 컴퓨터 프로그램 제품.
KR1020210133107A 2021-10-07 2021-10-07 학습 모델 기반의 인슐린 투여량을 결정하는 방법, 장치 및 컴퓨터 프로그램 제품 KR102354172B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020210133107A KR102354172B1 (ko) 2021-10-07 2021-10-07 학습 모델 기반의 인슐린 투여량을 결정하는 방법, 장치 및 컴퓨터 프로그램 제품

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020210133107A KR102354172B1 (ko) 2021-10-07 2021-10-07 학습 모델 기반의 인슐린 투여량을 결정하는 방법, 장치 및 컴퓨터 프로그램 제품

Publications (1)

Publication Number Publication Date
KR102354172B1 true KR102354172B1 (ko) 2022-02-08

Family

ID=80251582

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020210133107A KR102354172B1 (ko) 2021-10-07 2021-10-07 학습 모델 기반의 인슐린 투여량을 결정하는 방법, 장치 및 컴퓨터 프로그램 제품

Country Status (1)

Country Link
KR (1) KR102354172B1 (ko)

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101600379B1 (ko) * 2015-08-03 2016-03-07 (주) 비비비 당뇨병 환자를 위한 혈당 관리 방법
KR20190102711A (ko) 2018-02-27 2019-09-04 정창범 인공지능과 iot 기반의 혈당측정 및 앱 연동 관리가 가능한 인슐린펜 장착형 디바이스 및 혈당관리 플랫폼
KR20210086618A (ko) * 2018-10-31 2021-07-08 메드트로닉 미니메드 인코포레이티드 신체적 거동 이벤트의 자동화된 검출 및 약물 분배 시스템의 대응하는 조정

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101600379B1 (ko) * 2015-08-03 2016-03-07 (주) 비비비 당뇨병 환자를 위한 혈당 관리 방법
KR20190102711A (ko) 2018-02-27 2019-09-04 정창범 인공지능과 iot 기반의 혈당측정 및 앱 연동 관리가 가능한 인슐린펜 장착형 디바이스 및 혈당관리 플랫폼
KR20210086618A (ko) * 2018-10-31 2021-07-08 메드트로닉 미니메드 인코포레이티드 신체적 거동 이벤트의 자동화된 검출 및 약물 분배 시스템의 대응하는 조정

Similar Documents

Publication Publication Date Title
US11957888B2 (en) Personalizing preset meal sizes in insulin delivery system
US12040096B2 (en) Diabetes management therapy advisor
Pettus et al. Recommendations for using real-time continuous glucose monitoring (rtCGM) data for insulin adjustments in type 1 diabetes
US8219222B2 (en) Expert system for pump therapy
US8454510B2 (en) Method and device for assessing carbohydrate-to-insulin ratio
Parkin et al. Continuous glucose monitoring use in type 1 diabetes: longitudinal analysis demonstrates meaningful improvements in HbA1c and reductions in health care utilization
US11749408B2 (en) Individualized multiple-day simulation model of type 1 diabetic patient decision-making for developing, testing and optimizing insulin therapies driven by glucose sensors
JP6017758B2 (ja) 治療システムのための患者情報入力インターフェイス
WO2015056259A1 (en) System and method for improved artificial pancreas management
Sánchez-Peña et al. Artificial pancreas: clinical study in Latin America without premeal insulin boluses
Walsh et al. Bolus advisors: Sources of error, targets for improvement
Quemerais et al. Preliminary evaluation of a new semi-closed-loop insulin therapy system over the prandial period in adult patients with type 1 diabetes: the WP6. 0 Diabeloop study
Nanayakkara et al. Hybrid closed loop using a do-it-yourself artificial pancreas system in adults with type 1 diabetes
Hoermann et al. The role of supporting and disruptive mechanisms of FT3 homeostasis in regulating the hypothalamic–pituitary–thyroid axis
KR102354172B1 (ko) 학습 모델 기반의 인슐린 투여량을 결정하는 방법, 장치 및 컴퓨터 프로그램 제품
Vogt et al. Model-based tool for personalized adjustment of basal insulin supply in patients with intensified conventional insulin therapy
Fakhroleslam et al. A multi‐objective optimal insulin bolus advisor for type 1 diabetes based on personalized model and daily diet
Dias et al. Design of dual hormone blood glucose therapy and comparison with single hormone using MPC algorithm
Horibe et al. A novel computerized fading memory algorithm for glycemic control in postoperative surgical patients
Stull et al. Comparison of subcutaneous regular insulin and lispro insulin in diabetics receiving continuous nutrition: A numerical study
György et al. Quasi‐model‐based control of type 1 diabetes mellitus
US11738144B2 (en) Techniques enabling adaptation of parameters in aid systems by user input
Ginsberg et al. Meeting Report: The Fourth Artificial Pancreas Workshop: Testing and Adoption of Current and Emerging Technologies
Mader et al. Feasibility of blood glucose management using intra-arterial glucose monitoring in combination with an automated insulin titration algorithm in critically Ill patients
EP4283624A1 (en) Assessment of past insulin delivery outcomes to automatically tune mda systems

Legal Events

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