KR102377609B1 - Ai를 이용한 일회박출량 산출 장치 및 방법 - Google Patents

Ai를 이용한 일회박출량 산출 장치 및 방법 Download PDF

Info

Publication number
KR102377609B1
KR102377609B1 KR1020200022914A KR20200022914A KR102377609B1 KR 102377609 B1 KR102377609 B1 KR 102377609B1 KR 1020200022914 A KR1020200022914 A KR 1020200022914A KR 20200022914 A KR20200022914 A KR 20200022914A KR 102377609 B1 KR102377609 B1 KR 102377609B1
Authority
KR
South Korea
Prior art keywords
data
stroke volume
blood pressure
arterial blood
volume calculation
Prior art date
Application number
KR1020200022914A
Other languages
English (en)
Other versions
KR20210108105A (ko
Inventor
정철우
이형철
양현림
김민수
Original Assignee
서울대학교병원
재단법인대구경북과학기술원
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 서울대학교병원, 재단법인대구경북과학기술원 filed Critical 서울대학교병원
Priority to KR1020200022914A priority Critical patent/KR102377609B1/ko
Priority to PCT/KR2021/002274 priority patent/WO2021172852A2/ko
Priority to EP21759740.0A priority patent/EP4111955A4/en
Priority to US17/802,208 priority patent/US20230355185A1/en
Publication of KR20210108105A publication Critical patent/KR20210108105A/ko
Application granted granted Critical
Publication of KR102377609B1 publication Critical patent/KR102377609B1/ko

Links

Images

Classifications

    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/02—Detecting, measuring or recording pulse, heart rate, blood pressure or blood flow; Combined pulse/heart-rate/blood pressure determination; Evaluating a cardiovascular condition not otherwise provided for, e.g. using combinations of techniques provided for in this group with electrocardiography or electroauscultation; Heart catheters for measuring blood pressure
    • A61B5/026—Measuring blood flow
    • A61B5/029—Measuring or recording blood output from the heart, e.g. minute volume
    • 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
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/02—Detecting, measuring or recording pulse, heart rate, blood pressure or blood flow; Combined pulse/heart-rate/blood pressure determination; Evaluating a cardiovascular condition not otherwise provided for, e.g. using combinations of techniques provided for in this group with electrocardiography or electroauscultation; Heart catheters for measuring blood pressure
    • A61B5/021—Measuring pressure in heart or blood vessels
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/02—Detecting, measuring or recording pulse, heart rate, blood pressure or blood flow; Combined pulse/heart-rate/blood pressure determination; Evaluating a cardiovascular condition not otherwise provided for, e.g. using combinations of techniques provided for in this group with electrocardiography or electroauscultation; Heart catheters for measuring blood pressure
    • A61B5/021—Measuring pressure in heart or blood vessels
    • A61B5/0215—Measuring pressure in heart or blood vessels by means inserted into the body
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/02—Detecting, measuring or recording pulse, heart rate, blood pressure or blood flow; Combined pulse/heart-rate/blood pressure determination; Evaluating a cardiovascular condition not otherwise provided for, e.g. using combinations of techniques provided for in this group with electrocardiography or electroauscultation; Heart catheters for measuring blood pressure
    • A61B5/026—Measuring blood flow
    • A61B5/0275—Measuring blood flow using tracers, e.g. dye dilution
    • A61B5/028—Measuring blood flow using tracers, e.g. dye dilution by thermo-dilution
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
    • A61B5/7235—Details of waveform analysis
    • A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
    • A61B5/7267—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems involving training the classification device
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
    • A61B5/7271—Specific aspects of physiological measurement analysis
    • A61B5/7275—Determining trends in physiological measurement data; Predicting development of a medical condition based on physiological measurements, e.g. determining a risk factor
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
    • A61B5/7271—Specific aspects of physiological measurement analysis
    • A61B5/7278—Artificial waveform generation or derivation, e.g. synthesising signals from measured signals
    • 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
    • G06N3/042—Knowledge-based neural networks; Logical representations of neural networks
    • G06N3/0427—
    • 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
    • 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
    • G16H40/60—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 operation of medical equipment or devices
    • G16H40/67—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 operation of medical equipment or devices for remote operation
    • 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
    • G16H50/70—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

Abstract

본 발명은 복수의 동맥혈압값 및 각 동맥혈압값에 대응되는 일회박출량을 포함하는 제1데이터 및 제2데이터 중 미리 설정된 범위의 동맥혈압값 및 일회박출량을 필터링하는 필터링부; 상기 제1데이터에서 필터링된 제3데이터를 이용하여 상기 동맥혈압값을 기초로 일회박출량을 산출하는 제1 일회박출량 산출 모델을 선행 학습시키는 선행 학습부; 상기 제2데이터에서 필터링된 제4데이터를 이용하여 상기 동맥혈압값을 기초로 일회박출량을 산출하는 제1 일회박출량 산출 모델을 전이 학습시켜 제2 일회박출량 산출 모델을 생성시키는 전이 학습부; 및 상기 제2 일회박출량 산출 모델을 이용하여 입력된 특정 환자의 동맥혈압에 대응하는 일회박출량을 산출하는 일회박출량 산출부를 포함하는 AI를 이용하는 일회박출량 산출 장치를 포함한다.

Description

AI를 이용한 일회박출량 산출 장치 및 방법{Apparatus and method for calculating cardiac output using AI}
본 발명은 동맥혈압으로부터 일회박출량을 정확하게 산출하기 위하여 인공지능으로 생성되는 일회박출량 산출 모델을 이용하여 일회박출량을 산출하는 AI를 이용한 일회박출량 산출 장치 및 방법에 관한 것이다.
종래에는 환자의 심장 일회박출량을 산출하는 방법으로 동맥혈압(ABP waveform)기반의 일회박출량(stroke volume)를 산출하는 APCO(Arterial Pressure based Cardiac Output) 장비를 이용하는 방법과 환자에게 직접 카테터를 삽입하여 일회박출량을 산출하는 TDCO(Thermodilution(열희석법) based Cardiac Output) 장비를 이용하는 방법이 있다(열희석법: 어떤 유체(流體)(A) 중에 이미 알고 있는 온도를 지닌 유체(B: 온도지시약)를 일정한 속도로 주입하여, 그 하류(下流)에서의 온도 변화를 계측함으로써 유량(流量)을 아는 방법. 주입된 지시약 B는 그 부위(部位)를 흐르는 유체(A)에 의해 결정되는 온도변화를 계측하는 데서 혈류량(血流量)을 구하는 방법).
종래의 APCO 장비를 이용하여 일회박출량을 산출하는 방법은, 환자의 신체에 직접 카테터를 삽입하는 TDCO에 비해서 덜 침습적이나, 비트당 펄스 압력의 평균 혹은 표준편차 등을 이용하여 수학적으로 계산되므로 TDCO에 비해서 부정확하다. 또한, APCO 장비를 이용한 일회박출량을 산출하는 방법은 높은 박출량에 대해 예측하지 못하는 경향이 있다.
또한, 현재의 골드 스탠다드(gold standard, 병의 진행 과정을 진단하는 테스트)인 TDCO 장비를 이용하여 일회박출량을 산출하는 방법은, APCO 장비를 이용한 일회박출량을 산출하는 방법보다 정확하지만 침습적이고 감염 등 합병증의 문제가 있다. 본 발명의 선행기술로서 공개특허공보 제10-2018-0049646호 또는 공개특허공보 제 10-2013-0095862호가 있다.
본 발명은 상술된 문제를 해결하기 위하여, 환자에 덜 침습적이면서 정확도가 높은 일회박출량을 산출하는 장치 및 방법을 구현하는 것이 목적이다.
본 발명의 일 실시예에 따른 AI를 이용하는 일회박출량 산출 장치는 복수의 동맥혈압값 및 각 동맥혈압값에 대응되는 일회박출량을 포함하는 제1데이터 및 제2데이터 중 미리 설정된 범위의 동맥혈압값 및 일회박출량을 필터링하는 필터링부; 상기 제1데이터에서 필터링된 제3데이터를 이용하여 상기 동맥혈압값을 기초로 일회박출량을 산출하는 제1 일회박출량 산출 모델을 선행 학습시키는 선행 학습부; 상기 제2데이터에서 필터링된 제4데이터를 이용하여 상기 동맥혈압값을 기초로 일회박출량을 산출하는 제1 일회박출량 산출 모델을 전이 학습시켜 제2 일회박출량 산출 모델을 생성시키는 전이 학습부; 및 상기 제2 일회박출량 산출 모델을 이용하여 입력된 특정 환자의 동맥혈압에 대응하는 일회박출량을 산출하는 일회박출량 산출부를 포함하는 것을 특징으로 한다.
본 발명의 일 실시예에 따른 AI를 이용하는 일회박출량 산출 방법은 AI를 이용하는 일회박출량을 산출하는 장치를 이용하여 특정환자의 동맥혈압으로부터 일회박출량을 산출하는 AI를 이용하여 일회박출량을 산출하는 방법으로서, 복수의 환자로부터의 연속된 동맥혈압값 및 각 동맥혈압값에 대응되는 일회박출량을 포함하는 제1데이터 및 제2데이터 중 미리 설정된 범위의 동맥혈압값 및 일회박출량을 필터링하는 단계; 상기 제1데이터에서 필터링된 제3데이터를 이용하여 상기 동맥혈압값을 기초로 일회박출량을 산출하는 제1 일회박출량 산출 모델을 선행 학습시키는 단계; 상기 제2데이터에서 필터링된 제4데이터를 이용하여 상기 동맥혈압값을 기초로 일회박출량을 산출하는 제1 일회박출량 산출 모델을 전이 학습시켜 제2 일회박출량 산출 모델을 생성시키는 단계; 및 상기 제2 일회박출량 산출 모델을 이용하여 입력된 특정 환자의 동맥혈압에 대응하는 일회박출량을 산출하는 단계를 포함하는 것을 특징으로 한다.
본 발명의 실시예들에 따르면, 상용 환자 모니터상에서 출력되는 혈압 파형 데이터를 이용하여 보다 정확한 일회박출량을 산출하므로 고가의 전용 카테터 구입 비용없이 일회 일회박출량을 예측할 수 있다.
본 발명의 실시예들에 따르면, 환자의 중심정맥이나 폐동맥 등에 직접 카테터를 주입하지 않아 덜 침습적으로 정확한 일회박출량을 용이하게 산출할 수 있다.
도 1에는 본 발명의 일 실시예에 따른 AI를 이용한 일회박출량 산출 시스템의 구성도가 간략하게 도시되어 있다.
도 2a에는 본 발명의 일 실시예에 따른 AI를 이용한 일회박출량 산출 장치의 블록도가 간략하게 도시되어 있다.
도 2b에는 본 발명의 일 실시예에 따른 AI를 이용한 일회박출량 산출 장치의 필터링부의 블록도가 간략하게 도시되어 있다.
도 2c에는 본 발명의 일 실시예에 따른 AI를 이용한 일회박출량 산출 장치의 모델 학습부의 블록도가 간략하게 도시되어 있다.
도 3에는 특정 환자의 동맥혈압과 그로부터 산출된 일회박출량 그래프이다.
도 4는 본 발명의 일 실시예에 따른 AI를 이용하여 일회박출량을 산출하는 방법의 순서도이다.
도 5는 본 발명의 일 실시예에 따른 AI를 이용하여 일회박출량을 산출하는 방법의 순서도이다.
도 6은 본 발명의 일 실시예에 따른 AI를 이용하여 일회박출량을 산출하는 방법의 순서도이다.
도 7은 본 발명의 일 실시예에 따른 일회박출량 산출 모델을 이용하여 일회박출량이 산출되는 순서의 예시를 도시한다.
이하, 도면을 참조하여 본 발명의 구체적인 실시형태를 설명하기로 한다. 이하의 상세한 설명은 본 명세서에서 기술된 방법, 장치 및/또는 시스템에 대한 포괄적인 이해를 돕기 위해 제공된다. 그러나 이는 예시에 불과하며 본 발명은 이에 제한되지 않는다.
본 발명의 실시예들을 설명함에 있어서, 본 발명과 관련된 공지기술에 대한 구체적인 설명이 본 발명의 요지를 불필요하게 흐릴 수 있다고 판단되는 경우에는 그 상세한 설명을 생략하기로 한다. 그리고, 후술되는 용어들은 본 발명에서의 기능을 고려하여 정의된 용어들로서 이는 사용자, 운용자의 의도 또는 관례 등에 따라 달라질 수 있다. 그러므로 그 정의는 본 명세서 전반에 걸친 내용을 토대로 내려져야 할 것이다. 상세한 설명에서 사용되는 용어는 단지 본 발명의 실시예들을 기술하기 위한 것이며, 결코 제한적이어서는 안 된다. 명확하게 달리 사용되지 않는 한, 단수 형태의 표현은 복수 형태의 의미를 포함한다. 본 설명에서, "포함" 또는 "구비"와 같은 표현은 어떤 특성들, 숫자들, 단계들, 동작들, 요소들, 이들의 일부 또는 조합을 가리키기 위한 것이며, 기술된 것 이외에 하나 또는 그 이상의 다른 특성, 숫자, 단계, 동작, 요소, 이들의 일부 또는 조합의 존재 또는 가능성을 배제하도록 해석되어서는 안 된다.
도 1에는 본 발명의 일 실시예에 따른 AI를 이용한 일회박출량 산출 시스템의 구성도가 간략하게 도시되어 있다.
AI를 이용한 일회박출량 산출 시스템은 복수의 병원 서버(또는 각각의 의사의 서버, 102, 104, 106), 일회박출량(또는 박출량) 파형을 도시하는 모니터부(108) 및 AI를 이용한 일회박출량 산출 장치(100)를 포함한다.
AI를 이용한 일회박출량 산출 장치(100)는 복수의 병원 서버(102, 104, 106)로부터 각각 저장되어 있는 복수의 환자의 동맥혈압 및 동맥혈압을 기초로 산출된 일회박출량 정보를 수신한다. 복수의 환자의 동맥협압을 기초로 산출된 일회박출량은 APCO 장비를 이용하여 산출된 일회박출량 정보와 TDCO 장비를 이용하여 산출된 일회박출량 정보를 포함한다. 다만, AI를 이용한 일회박출량 산출 장치(100)는 복수의 병원 서버가 아닌 공개 데이터 셋, 예를 들어 Vital DB로부터 100Hz 동맥압파형과 일회박출량 데이터를 수신할 수도 있다.
APCO 장비를 이용하여 측정된 동맥혈압을 기초로 산출된 일회박출량 및 그에 대응하는 동맥혈압 정보를 제1데이터라고 한다. TDCO 장비를 이용하여 산출된 일회박출량 데이터를 제2데이터라고 한다.
또한, AI를 이용한 일회박출량 산출 장치(100)는 복수의 병원 서버(102, 104, 106) 또는 공개 데이터셋으로부터 제1데이터와 제2데이터에 각각 대응되는 환자 정보를 수신한다. 환자 정보는 환자의 성별, 나이, 몸무게, 키 등을 포함할 수 있다. 또한, 환자 정보는 환자의 신체 또는 건강과 관련된 정보를 추가로 더 포함할 수도 있다.
AI를 이용한 일회박출량 산출 장치(100)는 수신된 제1데이터, 제2데이터 및 제1데이터 또는 제2데이터에 각각 대응되는 환자의 정보를 저장한다.
AI를 이용한 일회박출량 산출 장치(100)는 제1데이터 및 제2데이터를 기초로 일회박출량 산출 모델을 학습시키는 데에 이용한다. AI를 이용한 일회박출량 산출 장치(100)는 일회박출량 산출 모델에 이용하기 위하여 저장된 제1데이터 및 제2데이터를 기초로 샘플 데이터를 추출한다.
구체적으로, 도 3에 도시된 그래프와 같이, AI를 이용한 일회박출량 산출 장치(100)는 제1데이터 및 제2데이터에서 일회박출량 파형을 관찰하여, 일회박출량 파형이 임의의 시점에서 변화하는 변화 기울기가 미리 설정된 기울기값 이상인 제1시점에서 미리 설정된 시간 이전부터 상기 제1시점까지의 동맥혈압 값을 추출한다. 또한, 추출된 동맥혈압 값에 대응하는 일회박출량을 추출한다. 미리 설정된 시간은 예를 들어 20초일 수 있다.
AI를 이용한 일회박출량 산출 장치(100)는 제1데이터 및 제2데이터에서 각각 추출된 동맥혈압값 및 추출된 동맥혈압값에 대응되는 일회박출량에 대한 데이터 검증을 실시한다. AI를 이용한 일회박출량 산출 장치(100)는 추출된 샘플 데이터를 일정한 기준으로 검증한다. AI를 이용한 일회박출량 산출 장치(100)는 제1데이터에서 추출된 샘플 데이터 또는 제2데이터에서 추출된 샘플 데이터 중 동맥혈압의 값이 미리 설정된 제1범위 내인지 여부를 판단한다. AI를 이용한 일회박출량 산출 장치(100)는 추출된 샘플 데이터 중 동맥혈압 값이 미리 설정된 제1범위 내에 있지 않은 값은 일회박출량 산출 모델 학습에 사용하지 않는다. 미리 설정된 제1범위는 예를 들어 25이상 및 250이하일 수 있다. 즉, AI를 이용한 일회박출량 산출 장치(100)는 추출된 샘플 데이터 중 동맥혈압 값이 25 미만이거나 250 초과인 경우에는 샘플 데이터에서 제외시킨다. 동맥혈압 값이 25미만이거나 250 초과인 경우는 임상적으로 나타나는 경우가 매우 드문 범위에 해당한다. 동맥혈압값을 25이상 및 250이하로 한정함으로써, 카테터가 환자의 동맥 내에 거치되지 않은 상태로 기록된 데이터나 동맥 내관 플러쉬(flush)로 인한 artifact가 학습 데이터로 사용되는 것을 방지할 수 있다.
또한, AI를 이용한 일회박출량 산출 장치(100)는 제1데이터에서 추출된 샘플 데이터 또는 제2데이터에서 추출된 샘플 데이터 중 일회박출량이 미리 설정된 제2범위 내인지 판단한다. AI를 이용한 일회박출량 산출 장치(100)는 추출된 샘플 데이터 중 일회박출량이 미리 설정된 제2범위 내에 있지 않은 값은 일회박출량 산출 모델 학습에 사용하지 않는다. 미리 설정된 제2범위는 예를 들어 20이상 및 200이하일 수 있다. 즉, AI를 이용한 일회박출량 산출 장치(100)는 추출된 샘플 데이터 중 일회박출량이 20미만이거나 200초과인 경우에는 샘플 데이터에서 제외시킨다. 일회박출량이 20미만이거나 200초과인 경우는 임상적으로 나타나는 경우가 드문 범위에 해당한다. 일회박출량을 20 이상 및 200이하로 한정함으로써, 혹시라도 발생할 수 있는 일회박출량 산출 모델의 오작동 결과가 제공되는 것을 방지할 수 있다.
또한, AI를 이용한 일회박출량 산출 장치(100)는 제1데이터에서 추출된 샘플 데이터 또는 제2데이터에서 추출된 샘플 데이터 중 계산된 비트당 표준편차(standard deviation)가 0인 데이터도 샘플 데이터에서 제외시킨다.
이렇게 AI를 이용한 일회박출량 산출 장치(100)에 의하여 검증된 데이터는 각각 제3데이터 또는 제4데이터라고 한다. 즉, 제1데이터 중 데이터 추출된 후 검증된 데이터를 제3데이터라고 하고, 제2데이터 중 데이터 추출된 후 검증된 데이터를 제4데이터라고 한다.
AI를 이용한 일회박출량 산출 장치(100)는 제3데이터 및 제4데이터를 각각 일회박출량 산출 모델 학습에 이용하기 위하여 데이터 처리를 한다.
AI를 이용한 일회박출량 산출 장치(100)는 제3데이터 중 일회박출량을 미리 설정된 스무딩(smoothing) 방법을 통하여 일회박출량 값을 평활화 할 수 있다. 미리 설정된 스무딩 방법은 예를 들어 로위스 스무딩(Lowess smoothing)일 수 있다. 이는 APCO 장비에 의하여 산출된 일회박출량은 수식으로 계산되므로 이산적으로 나오기 때문에, 연속되고 평활화된 데이터로 나오는 TDCO 기반 산출 일회박출량에 맞추기 위하여 이러한 작업을 수행할 수 있다.
또한, AI를 이용한 일회박출량 산출 장치(100)는 제4데이터를 미리 설정된 시간, 예를 들어 2분만큼 딜레이 처리를 할 수 있다. 이는 TDCO 장비가 데이터를 실제 출력할 때 약간의 딜레이를 둔 상태로 출력하기 때문에 실제 모델링에서 이를 반영할 수 있도록 딜레이 에버리징(delay averaging)된 값을 학습에 이용하기 위함이다. 다만, AI를 이용한 일회박출량 산출 장치(100)는 제4데이터를 딜레이 처리하지 않고 그대로 사용할 수도 있다.
AI를 이용한 일회박출량 산출 장치(100)는 스무딩 처리가 된 제3데이터 및 제3데이터(제1데이터)에 매칭되는 환자 정보를 이용하여 딥러닝 모델인 일회박출량 산출 모델을 학습시킨다. 일회박출량 산출 모델은 특정 환자의 동맥혈압, 성별, 나이, 키, 몸무게 등의 정보를 입력하면 특정 환자의 일회박출량을 산출한다.
이어서, AI를 이용한 일회박출량 산출 장치(100)는 학습된 일회박출량 산출 모델을 딜레이 에버리징된 제4데이터 및 제4데이터(제2데이터)에 매칭되는 특정 환자의 정보를 이용하여 전이 학습(Transfer learning)시킨다. 다만, 여기서 딜레이 에버리징되지 않은 제4데이터를 사용할 수도 있다. 최종적으로 전이 학습된 일회박출량 산출 모델을 이용하여 전향적으로 수집된 폐동맥 카테터로 측정된 일회박출량 산출 모델의 정확도를 검증한다.
AI를 이용한 일회박출량 산출 장치(100)는 최종적으로 검증을 거친 일회박출량 산출 모델을 이용하면 기존의 상용 장비에서 측정된 특정 환자의 동맥혈압을 이용하여 일회박출량이 보다 정확한 값으로 산출된다.
도 2a에는 본 발명의 일 실시예에 따른 AI를 이용한 일회박출량 산출 장치의 블록도가 간략하게 도시되어 있다.
AI를 이용한 일회박출량 산출 장치(100)는 입력부(200), 수신부(202), 저장부(204), 필터링부(206), 모델 학습부(208), 일회박출량 산출부(210) 및 전송부(212)를 포함한다.
다만, AI를 이용한 일회박출량 산출 장치(100)는 일회박출량 산출부(210)를 포함하지 않고, 학습된 일회박출량 모델을 외부 장치로 전송할 수도 있다.
입력부(200)는 특정 환자의 정보, 예를 들어 특정 환자의 나이, 성별, 키, 몸무게에 대한 정보를 입력받을 수 있다. 또한, 입력부(200)는 복수의 환자들에 대해 APCO 장비를 통하여 산출된 일회박출량 및 그에 대응하는 동맥혈압 정보를 입력받을 수 있다. 또한, 입력부(200)는 복수의 환자들에 대해 TDCO 장비를 통하여 산출된 일회박출량 및 그에 대응하는 동맥혈압 정보를 입력받을 수 있다.
수신부(202)는 복수의 병원 서버(102, 104, 106)로부터 각각 저장되어 있는 복수의 환자의 동맥혈압 및 동맥혈압을 기초로 산출된 일회박출량 정보를 수신한다. 복수의 환자의 동맥협압을 기초로 산출된 일회박출량은 APCO 장비를 이용하여 산출된 일회박출량 정보와 TDCO 장비를 이용하여 산출된 일회박출량 정보를 포함한다. 다만, 수신부(202)는 복수의 병원 서버가 아닌 공개 데이터 셋, 예를 들어 Vital DB로부터 100Hz 동맥압파형과 일회박출량 데이터를 수신할 수도 있다.
APCO 장비를 이용하여 측정된 동맥혈압을 기초로 산출된 일회박출량 및 그에 대응하는 동맥혈압 정보를 제1데이터라고 한다. TDCO 장비를 이용하여 산출된 일회박출량 데이터를 제2데이터라고 한다.
수신부(202)는 복수의 병원 서버(102, 104, 106) 또는 공개 데이터셋으로부터 제1데이터와 제2데이터에 각각 대응되는 환자 정보를 수신한다. 환자 정보는 환자의 성별, 나이, 몸무게, 키 등을 포함할 수 있다. 또한, 환자 정보는 환자의 신체 또는 건강과 관련된 정보를 추가로 더 포함할 수도 있다.
저장부(204)는 입력부(200)에서 입력된 특정 환자에 대한 동맥혈압 정보, 그에 대응하는 일회박출량 정보, 나이, 성별, 키, 몸무게 등의 정보를 매칭시켜 저장한다. 또한, 저장부(204)는 수신부(202)에서 수신한 복수의 환자에 대한 동맥혈압을 기초로 산출된 일회박출량 및 그에 대응하는 동맥혈압 정보를 각각의 환자의 정보(환자의 성별, 나이, 몸무게, 키 등)와 매칭시켜 저장한다.
또한, 저장부(204)는 필터링부(206)에서 추출되고 검증된 제3데이터 및 제4데이터도 각각 저장한다. 또한, 저장부(204)는 모델 학습부(208)에서 학습된 일회박출량 산출 모델의 알고리즘을 저장한다.
필터링부(206)는 제1데이터 및 제2데이터 중 특정 데이터를 추출 및 검증하여 모델 학습부(208)에서 이용될 제3데이터 및 제4데이터를 생성한다.
필터링부(206)는 제1데이터 및 제2데이터에서 일회박출량 파형을 관찰하여, 일회박출량 파형이 임의의 시점에서 변화하는 변화 기울기가 미리 설정된 기울기값 이상인 제1시점에서 미리 설정된 시간 이전부터 상기 제1시점까지의 동맥혈압 값을 추출한다. 또한, 추출된 동맥혈압 값에 대응하는 일회박출량을 추출한다. 미리 설정된 시간은 예를 들어 20초이다.
이어서, 필터링부(206)는 제1데이터 및 제2데이터에서 각각 추출된 동맥혈압값 및 추출된 동맥혈압값에 대응되는 일회박출량에 대한 데이터 검증을 실시한다. 필터링부(206)는 제1데이터에서 추출된 샘플 데이터 또는 제2데이터에서 추출된 샘플 데이터 중 동맥혈압의 값이 미리 설정된 제1범위 내인지 여부를 판단한다. 필터링부(206)는 추출된 샘플 데이터 중 동맥혈압 값이 미리 설정된 제1범위 내에 있지 않은 값은 일회박출량 산출 모델 학습에 사용하지 않는다. 미리 설정된 제1범위는 예를 들어 25이상 및 250이하일 수 있다. 즉, 필터링부(206)는 추출된 샘플 데이터 중 동맥혈압 값이 25 미만이거나 250 초과인 경우에는 샘플 데이터에서 제외시킨다.
또한, 필터링부(206)는 제1데이터에서 추출된 샘플 데이터 또는 제2데이터에서 추출된 샘플 데이터 중 일회박출량이 미리 설정된 제2범위 내인지 판단한다. 필터링부(206)는 추출된 샘플 데이터 중 일회박출량이 미리 설정된 제2범위 내에 있지 않은 값은 일회박출량 산출 모델 학습에 사용하지 않는다. 미리 설정된 제2범위는 예를 들어 20이상 및 200이하일 수 있다. 즉, 필터링부(206)는 추출된 샘플 데이터 중 일회박출량이 20미만이거나 200초과인 경우에는 샘플 데이터에서 제외시킨다.
또한, 필터링부(206)는 제1데이터에서 추출된 샘플 데이터 또는 제2데이터에서 추출된 샘플 데이터 중 계산된 비트당 표준편차(standard deviation)가 0인 데이터도 샘플 데이터에서 제외시킨다.
이렇게, 필터링부(206)에 의하여 최종적으로 추출되고 검증된 데이터는 각각 제3데이터 또는 제4데이터라고 한다. 즉, 제1데이터 중 데이터 추출된 후 검증된 데이터를 제3데이터라고 하고, 제2데이터 중 데이터 추출된 후 검증된 데이터를 제4데이터라고 한다. 필터링부(206)에 의하여 최종적으로 추출되고 검증된 제3데이터 및 제4데이터는 각각의 환자 정보와 매칭되어 저장부(204)에 저장된다.
모델 학습부(208)는 필터링부(206)에서 필터링된 제3데이터 및 제4데이터에 대해서 일회박출량 산출 모델 학습에 이용하기 위하여 데이터 처리를 수행한다.
모델 학습부(208)는 제3데이터 중 일회박출량을 스무딩(Lowess smoothing) 처리를 하여 일회박출량 값을 평활할 수 있다. 이는 APCO 장비에 의하여 산출된 일회박출량은 수식으로 계산되므로 이산적으로 나오기 때문에, 연속되고 평활화된 데이터로 나오는 TDCO 기반 산출 일회박출량에 맞추기 위하여 이러한 작업을 수행한다.
모델 학습부(208)는 제4데이터를 미리 설정된 시간만큼 딜레이 처리를 할 수 있다. 이는 TDCO 장비가 데이터를 실제 출력할 때 약간의 딜레이를 둔 상태로 출력하기 때문에 실제 모델링에서 이를 반영할 수 있도록 딜레이 에버리징(delay averaging)된 값을 학습에 이용하기 위함이다. 다만, 제4데이터 자체에 딜레이가 되지 않는 경우에는 딜레이 에버리징을 생략할 수도 있다.
모델 학습부(208)는 스무딩 처리가 된 제3데이터 및 제3데이터(제1데이터)에 매칭되는 환자 정보를 이용하여 딥러닝 모델인 일회박출량 산출 모델을 학습시킨다. 일회박출량 산출 모델은 특정 환자의 동맥혈압, 성별, 나이, 키, 몸무게 등의 정보를 입력하면 특정 환자의 일회박출량을 산출한다.
모델 학습부(208)는 학습된 일회박출량 산출 모델을 딜레이 에버리징된 제4데이터 및 제4데이터(제2데이터)에 매칭되는 특정 환자의 정보를 이용하여 전이 학습(Transfer learning)시킨다. 최종적으로 전이 학습된 일회박출량 산출 모델을 이용하여 전향적으로 수집된 폐동맥 카테터로 측정된 일회박출량 산출 모델의 정확도를 검증한다.
일회박출량 산출부(210)는 최종적으로 검증을 거친 일회박출량 산출 모델을 통해서 입력되거나 수신된 특정 환자의 동맥혈압 및 환자의 정보를 이용하여 특정 환자의 일회박출량을 산출한다.
전송부(212)는 일회박출량 산출 모델을 통해서 산출된 특정 환자의 일회박출량을 실시간으로 외부 모니터 또는 외부 서버로 전송한다.
다만, AI를 이용한 일회박출량 산출 장치(100)가 모니터부를 포함하고 있을 수도 있다.
도 2b에는 본 발명의 일 실시예에 따른 AI를 이용한 일회박출량 산출 장치의 필터링부의 블록도가 간략하게 도시되어 있다.
필터링부(206)는 데이터 추출부(214) 및 데이터 검증부(216)를 포함한다.
데이터 추출부(214)는 제1데이터 및 제2데이터에서 일회박출량 값을 관찰하여, 일회박출량 파형이 1mL 이상 변화하면 제1시점에서 미리 설정된 시간 이전부터 상기 제1시점까지의 동맥혈압 값을 추출한다. 또한, 추출된 동맥혈압 값에 대응하는 일회박출량을 추출한다. 미리 설정된 시간은 예를 들어 20초이다.
데이터 검증부(216)는 제1데이터 및 제2데이터에서 각각 추출된 동맥혈압값 및 추출된 동맥혈압값에 대응되는 일회박출량에 대한 데이터 검증을 실시한다. 데이터 검증부(216)는 제1데이터에서 추출된 샘플 데이터 또는 제2데이터에서 추출된 샘플 데이터 중 동맥혈압의 값이 미리 설정된 제1범위 내인지 여부를 판단한다. 데이터 검증부(216)는 추출된 샘플 데이터 중 동맥혈압 값이 미리 설정된 제1범위 내에 있지 않은 값은 일회박출량 산출 모델 학습에 사용하지 않는다. 미리 설정된 제1범위는 예를 들어 25이상 및 250이하일 수 있다.
또한, 데이터 검증부(216)는 제1데이터에서 추출된 샘플 데이터 또는 제2데이터에서 추출된 샘플 데이터 중 일회박출량이 미리 설정된 제2범위 내인지 판단한다. 데이터 검증부(216)는 추출된 샘플 데이터 중 일회박출량이 미리 설정된 제2범위 내에 있지 않은 값은 일회박출량 산출 모델 학습에 사용하지 않는다. 미리 설정된 제2범위는 예를 들어 20이상 및 200이하일 수 있다.
또한, 데이터 검증부(216)는 제1데이터에서 추출된 샘플 데이터 또는 제2데이터에서 추출된 샘플 데이터 중 계산된 비트당 표준편차(standard deviation)가 0인 데이터도 샘플 데이터에서 제외시킨다.
데이터 검증부(216) 에 의하여 최종적으로 추출되고 검증된 데이터는 각각 제3데이터 또는 제4데이터라고 한다. 즉, 제1데이터 중 데이터 추출된 후 검증된 데이터를 제3데이터라고 하고, 제2데이터 중 데이터 추출된 후 검증된 데이터를 제4데이터라고 한다.
도 2c에는 본 발명의 일 실시예에 따른 AI를 이용한 일회박출량 산출 장치의 모델 학습부의 블록도가 간략하게 도시되어 있다.
모델 학습부(208)는 데이터 처리부(218), 선행 학습부(220), 전이 학습부(222), 모델 검증부(224)를 포함한다.
데이터 처리부(218)는 필터링부(206)에서 필터링된 제3데이터 및 제4데이터에 대해서 일회박출량 산출 모델 학습에 이용하기 위하여 데이터 처리를 수행한다.
데이터 처리부(218)는 제3데이터 중 일회박출량을 스무딩(smoothing) 처리를 하여 일회박출량 값을 평활화 할 수 있다. 이는 APCO 장비에 의하여 산출된 일회박출량은 수식으로 계산되므로 이산적으로 나오기 때문에, 연속되고 평활화된 데이터로 나오는 TDCO 기반 산출 일회박출량에 맞추기 위하여 이러한 작업을 수행한다.
데이터 처리부(218)는 제4데이터를 예를 들어 2분만큼 딜레이 처리를 할 수 있다. 이는 TDCO 장비가 데이터를 실제 출력할 때 약간의 딜레이를 둔 상태로 출력하기 때문에 실제 모델링에서 이를 반영할 수 있도록 딜레이 에버리징(delay averaging)된 값을 학습에 이용하기 위함이다. 다만, 제4데이터 자체에 딜레이가 되지 않는 경우에는 딜레이 에버리징을 생략할 수도 있다.
선행 학습부(220)는 스무딩 처리가 된 제3데이터 및 제3데이터(제1데이터)에 매칭되는 환자 정보를 이용하여 딥러닝 모델인 일회박출량 산출 모델을 학습시킨다. 일회박출량 산출 모델은 특정 환자의 동맥혈압, 성별, 나이, 키, 몸무게 등의 정보를 입력하면 특정 환자의 일회박출량을 산출한다.
전이 학습부(222)는 학습된 일회박출량 산출 모델을 딜레이 에버리징된 제4데이터 및 제4데이터(제2데이터)에 매칭되는 특정 환자의 정보를 이용하여 전이 학습(Transfer learning)시킨다.
선행 학습 또는 전이 학습 방법은 공지의 딥러닝 기법이므로 자세한 설명은 생략하도록 한다.
모델 검증부(224)는 제4데이터를 이용하여 전이 학습된 일회박출량 산출 모델을 검증한다. 전이 학습된 일회박출량 산출 모델을 통해서 산출된 일회박출량이 대응되는 제4데이터와 오차 범위가 미리 설정된 범위, 예를 들어 10% 이내인지 여부를 판단한다. 오차 범위가 미리 설정된 범위를 넘으면 전이 학습부(222)는 일회박출량 산출 모델을 다시 산출한다.
최종적으로 검증을 거친 일회박출량 산출 모델을 통해서 입력되거나 수신된 특정 환자의 동맥혈압 및 환자의 정보를 이용하여 특정 환자의 일회박출량을 산출한다.
도 4는 본 발명의 일 실시예에 따른 AI를 이용하여 일회박출량을 산출하는 방법의 순서도이다.
필터링부(206)는 제1데이터 및 제2데이터에서 일회박출량 파형을 관찰하여, 일회박출량 파형이 임의의 시점에서 변화하는 변화 기울기가 미리 설정된 기울기값 이상인 제1시점에서 미리 설정된 시간 이전부터 상기 제1시점까지의 동맥혈압 값을 추출한다(S400). 또한, 추출된 동맥혈압 값에 대응하는 일회박출량을 추출한다. 미리 설정된 시간은 예를 들어 20초이다.
이어서, 필터링부(206)는 제1데이터 및 제2데이터에서 각각 추출된 동맥혈압값 및 추출된 동맥혈압값에 대응되는 일회박출량에 대한 데이터 검증을 실시한다(S402). 필터링부(206)는 제1데이터에서 추출된 샘플 데이터 또는 제2데이터에서 추출된 샘플 데이터 중 동맥혈압의 값이 미리 설정된 제1범위 내인지 여부를 판단한다. 필터링부(206)는 추출된 샘플 데이터 중 동맥혈압 값이 미리 설정된 제1범위 내에 있지 않은 값은 일회박출량 산출 모델 학습에 사용하지 않는다. 미리 설정된 제1범위는 예를 들어 25이상 및 250이하일 수 있다. 즉, 필터링부(206)는 추출된 샘플 데이터 중 동맥혈압 값이 25 미만이거나 250 초과인 경우에는 샘플 데이터에서 제외시킨다.
또한, 필터링부(206)는 제1데이터에서 추출된 샘플 데이터 또는 제2데이터에서 추출된 샘플 데이터 중 일회박출량이 미리 설정된 제2범위 내인지 판단한다. 필터링부(206)는 추출된 샘플 데이터 중 일회박출량이 미리 설정된 제2범위 내에 있지 않은 값은 일회박출량 산출 모델 학습에 사용하지 않는다. 미리 설정된 제2범위는 예를 들어 20이상 및 200이하일 수 있다. 즉, 필터링부(206)는 추출된 샘플 데이터 중 일회박출량이 20미만이거나 200초과인 경우에는 샘플 데이터에서 제외시킨다.
또한, 필터링부(206)는 제1데이터에서 추출된 샘플 데이터 또는 제2데이터에서 추출된 샘플 데이터 중 계산된 비트당 표준편차(standard deviation)가 0인 데이터도 샘플 데이터에서 제외시킨다.
도 5는 본 발명의 일 실시예에 따른 AI를 이용하여 일회박출량을 산출하는 방법의 순서도이다.
데이터 처리부(218)는 필터링부(206)에서 필터링된 제3데이터 및 제4데이터에 대해서 일회박출량 산출 모델 학습에 이용하기 위하여 데이터 처리를 수행한다.
데이터 처리부(218)는 제3데이터 중 일회박출량을 스무딩(smoothing) 처리를 하여 일회박출량 값을 평활할 수 있다(S500). 이는 APCO 장비에 의하여 산출된 일회박출량은 수식으로 계산되므로 이산적으로 나오기 때문에, 연속되고 평활화된 데이터로 나오는 TDCO 기반 산출 일회박출량에 맞추기 위하여 이러한 작업을 수행한다.
데이터 처리부(218)는 제4데이터를 미리 설정된 시간만큼 딜레이 처리를 할 수 있다(S502). 이는 TDCO 장비가 데이터를 실제 출력할 때 약간의 딜레이를 둔 상태로 출력하기 때문에 실제 모델링에서 이를 반영할 수 있도록 딜레이 에버리징(delay averaging)된 값을 학습에 이용하기 위함이다. 다만, 제4데이터 자체에 딜레이가 되지 않는 경우에는 딜레이 에버리징을 생략할 수도 있다.
선행 학습부(220)는 로위스 스무딩 처리가 된 제3데이터 및 제3데이터(제1데이터)에 매칭되는 환자 정보를 이용하여 딥러닝 모델인 일회박출량 산출 모델을 학습시킨다(S504). 일회박출량 산출 모델은 특정 환자의 동맥혈압, 성별, 나이, 키, 몸무게 등의 정보를 입력하면 특정 환자의 일회박출량을 산출한다.
전이 학습부(222)는 학습된 일회박출량 산출 모델을 딜레이 에버리징된 제4데이터 및 제4데이터(제2데이터)에 매칭되는 특정 환자의 정보를 이용하여 전이 학습(Transfer learning)시킨다(S506).
모델 검증부(224)는 제4데이터를 이용하여 전이 학습된 일회박출량 산출 모델을 검증한다(S508). 전이 학습된 일회박출량 산출 모델을 통해서 산출된 일회박출량이 대응되는 제4데이터와 오차 범위가 미리 설정된 범위, 예를 들어 10% 이내인지 여부를 판단한다. 오차 범위가 미리 설정된 범위를 넘으면 전이 학습부(222)는 일회박출량 산출 모델을 다시 산출한다.
일회박출량 산출 모델을 통해서 산출된 특정 환자의 일회박출량이 제4데이터와 비교하여 오차 범위가 미리 설정된 범위 내인지 여부를 판단한다(S510). 오차 범위가 미리 설정된 범위를 넘으면 다시 전이 학습부(222)는 일회박출량 산출 모델을 제4데이터를 이용하여 전이학습시킨다.
도 6은 본 발명의 일 실시예에 따른 AI를 이용하여 일회박출량을 산출하는 방법의 순서도이다.
입력부(200) 또는 수신부(202)를 통해서 특정 환자의 동맥혈압 정보를 수신한다(S600). 또한, 입력부(200) 또는 수신부(202)를 통해서 특정 환자의 정보, 예를 들어 특정 환자의 성별, 나이, 키, 몸무게 등의 정보를 수신한다(S602).
일회박출량 산출부(210)는 최종적으로 산출된 일회박출량 산출 모델을 통해서 수신된 특정 환자의 동맥혈압, 성별, 나이, 키, 몸무게 등의 정보를 이용하여 특정 환자의 일회박출량을 산출한다(S604). 다만, 일회박출량 산출부(210)는 최종적으로 산출된 일회박출량 산출 모델을 통해서 수신된 특정 환자의 동맥혈압만을 이용하여 특정 환자의 일회박출량을 산출할 수도 있다.
전송부(212)는 산출된 특정 환자의 일회박출량을 외부 모니터부 또는 외부 서버로 전송한다(S606). 다만, AI를 이용한 일회박출량 산출 장치(100)가 모니터부를 포함하고 있을 수 있다.
도 7은 본 발명의 일 실시예에 따른 일회박출량 산출 모델을 이용하여 일회박출량이 산출되는 순서의 예시를 간략하게 도시한다.
AI를 이용한 일회박출량 산출 장치(100)는 최초의 모델은 대규모 APCO 데이터를 이용하여 선행 학습(pre-train)한다. 이 후 상대적으로 소규모인 TDCO 데이터를 이용하여 보정(tuning, 전이 학습) 과정이 이루어진다. 이 때, TDCO 데이터가 취득 되는 과정에서 TDCO 장비(예컨대 Edward Lifesciences 사의 Vigilance II)의 처리 시간 delay 만큼을 이동하여 time sync를 수행한다. 이 데이터를 이용하여 tuning 과정이 이루어진다. 최종적인 test 또한 TDCO 장비로부터 추출되어 sync 처리가 된 데이터에 대해 이루어진다.
본 명세서에서 본 발명의 원리들의 '일 실시 예'와 이런 표현의 다양한 변형들의 지칭은 이 실시 예와 관련되어 특정 특징, 구조, 특성 등이 본 발명의 원리의 적어도 하나의 실시 예에 포함된다는 것을 의미한다. 따라서, 표현 '일 실시 예에서'와, 본 명세서 전체를 통해 개시된 임의의 다른 변형 예시들은 반드시 모두 동일한 실시 예를 지칭하는 것은 아니다.
본 명세서를 통해 개시된 모든 실시 예들과 조건부 예시들은, 본 발명의 기술 분야에서 통상의 지식을 가진 당업자가 독자가 본 발명의 원리와 개념을 이해하도록 돕기 위한 의도로 기술된 것으로, 당업자는 본 발명이 본 발명의 본질적인 특성에서 벗어나지 않는 범위에서 변형된 형태로 구현될 수 있음을 이해할 수 있을 것이다. 그러므로 개시된 실시 예들은 한정적인 관점이 아니라 설명적인 관점에서 고려되어야 한다. 본 발명의 범위는 전술한 설명이 아니라 특허청구범위에 나타나 있으며, 그와 동등한 범위 내에 있는 모든 차이점은 본 발명에 포함된 것으로 해석되어야 할 것이다.
100 : AI를 이용한 일회박출량 산출 장치
200 : 입력부 202 : 수신부
204 : 저장부 206 : 필터링부
208 : 모델 검출부 210 : 일회박출량 산출부
212 : 전송부

Claims (16)

  1. 복수의 동맥혈압값 및 각 동맥혈압값에 대응되는 일회박출량을 포함하는 제1데이터 및 제2데이터 중 미리 설정된 범위의 동맥혈압값 및 일회박출량을 필터링하는 필터링부;
    상기 제1데이터에서 필터링된 제3데이터를 이용하여 상기 동맥혈압값을 기초로 일회박출량을 산출하는 제1 일회박출량 산출 모델을 선행 학습시키는 선행 학습부;
    상기 제2데이터에서 필터링된 제4데이터를 이용하여 상기 동맥혈압값을 기초로 일회박출량을 산출하는 제1 일회박출량 산출 모델을 전이 학습시켜 제2 일회박출량 산출 모델을 생성시키는 전이 학습부; 및
    상기 제2 일회박출량 산출 모델을 이용하여 입력된 특정 환자의 동맥혈압에 대응하는 일회박출량을 산출하는 일회박출량 산출부를 포함하는 AI를 이용하는 일회박출량 산출 장치.
  2. 청구항 1에 있어서,
    상기 제1데이터 및 상기 제2데이터와, 상기 제1데이터 및 상기 제2데이터에 각각 대응되는 환자의 정보를 함께 저장하는 저장부를 더 포함하고,
    상기 선행 학습부가 상기 제1 일회박출량 학습 모델을 학습시킬 때 상기 제1데이터에 대응되는 환자의 정보를 함께 이용하고,
    상기 전이 학습부가 상기 제2 일회박출량 산출 모델을 생성시킬 때 상기 제2데이터에 대응되는 환자 정보를 함께 이용하여 전이 학습시키고,
    상기 환자의 정보는 환자의 성별, 나이, 몸무게, 키 중 적어도 하나인 AI를 이용하는 일회박출량 산출 장치.
  3. 청구항 1 또는 청구항 2에 있어서,
    상기 필터링부는 상기 제1데이터 및 상기 제2데이터에서 상기 일회박출량의 변화 기울기가 미리 설정된 기울기 값 이상인 제1시점에 대응하는 시점에서 미리 설정된 시간 이전에서 상기 제1시점까지 대응하는 동맥혈압값 및 대응하는 일회박출량을 추출하는 데이터 추출부; 및
    상기 추출된 동맥혈압값 중 미리 설정된 제1범위 내인 값을 추출하고, 상기 추출된 일회박출량 중 미리 설정된 제2범위 내인 값을 추출하는 데이터 검증부를 포함하고,
    상기 제1데이터에서 추출된 데이터를 제3데이터라고하고, 상기 제2데이터에서 추출된 데이터를 제4데이터라고 하는 AI를 이용하는 일회박출량 산출 장치.
  4. 청구항 3에 있어서,
    상기 미리 설정된 시간은 20초이고, 상기 미리 설정된 제1범위는 20이상 250이하이고, 상기 미리 설정된 제2범위는 20이상 200이하인 AI를 이용하는 일회박출량 산출 장치.
  5. 청구항 4에 있어서,
    상기 데이터 검증부는 상기 제3데이터 및 상기 제4데이터 중 동맥혈압 파형에서 계산된 비트당 표준편차가 0인 값도 제외시키는 AI를 이용하는 일회박출량 산출 장치.
  6. 청구항 5에 있어서,
    상기 제3데이터 중 일회박출량을 스무딩(smoothing) 처리를 하고, 상기 제4데이터를 미리 설정된 시간만큼 딜레이시키는 데이터 처리부를 더 포함하고,
    상기 데이터 처리부에서 처리된 데이터를 이용하여 상기 제1 일회박출량 산출 모델을 학습시키고, 상기 제2 일회박출량 산출 모델을 생성시키는 AI를 이용하는 일회박출량 산출 장치.
  7. 청구항 6에 있어서,
    상기 제2 일회박출량 산출 모델을 통하여 산출된 일회박출량과 상기 제4데이터의 오차 범위가 미리 설정된 오차 범위인지 여부를 판단하여 상기 제2일회박출량 산출 모델을 검증하는 일회박출량 검출 모델 검출부를 더 포함하고,
    상기 제2일회박출량 산출 모델을 통하여 산출된 일회박출량과 대응되는 상기 제4데이터의 일회박출량의 오차가 미리 설정된 범위를 벗어나면 상기 전이 학습부는 상기 제2일회박출량 산출 모델을 다시 학습시키는 AI를 이용하는 일회박출량 산출 장치.
  8. 청구항 1에 있어서,
    상기 제1데이터는 APCO(Arterial Pressure based Cardiac Output) 장비를 이용하여 산출된 데이터이고,
    상기 제2데이터는 TDCO(Thermodilution(열희석법) based Cardiac Output) 장비를 이용하여 산출되는 데이터인 학습시키는 AI를 이용하는 일회박출량 산출 장치.
  9. AI를 이용하는 일회박출량을 산출하는 장치를 이용하여 특정환자의 동맥혈압으로부터 일회박출량을 산출하는 AI를 이용하여 일회박출량을 산출하는 방법으로서,
    복수의 동맥혈압값 및 각 동맥혈압값에 대응되는 일회박출량을 포함하는 제1데이터 및 제2데이터 중 미리 설정된 범위의 동맥혈압값 및 일회박출량을 필터링하는 단계;
    상기 제1데이터에서 필터링된 제3데이터를 이용하여 상기 동맥혈압값을 기초로 일회박출량을 산출하는 제1 일회박출량 산출 모델을 선행 학습시키는 단계;
    상기 제2데이터에서 필터링된 제4데이터를 이용하여 상기 동맥혈압값을 기초로 일회박출량을 산출하는 제1 일회박출량 산출 모델을 전이 학습시켜 제2 일회박출량 산출 모델을 생성시키는 단계; 및
    상기 제2 일회박출량 산출 모델을 이용하여 입력된 특정 환자의 동맥혈압에 대응하는 일회박출량을 산출하는 단계를 포함하는 AI를 이용하는 일회박출량 산출 방법.
  10. 청구항 9에 있어서,
    상기 제1 일회박출량 학습 모델을 학습시킬 때 상기 제1데이터에 대응되는 환자의 정보를 함께 이용하고,
    상기 제2 일회박출량 산출 모델을 생성시킬 때 상기 제2데이터에 대응되는 환자 정보를 함께 이용하여 전이 학습시키고,
    상기 환자의 정보는 환자의 성별, 나이, 몸무게, 키 중 적어도 하나인 AI를 이용하는 일회박출량 산출 방법.
  11. 청구항 9 또는 청구항 10에 있어서,
    상기 제1데이터 및 상기 제2데이터에서 상기 일회박출량의 변화 기울기가 미리 설정된 기울기 값 이상인 제1시점에 대응하는 시점에서 미리 설정된 시간 이전에서 상기 제1시점까지 대응하는 동맥혈압값 및 대응하는 일회박출량을 추출하는 단계; 및
    상기 추출된 동맥혈압값 중 미리 설정된 제1범위 내인 값을 추출하고, 상기 추출된 일회박출량 중 미리 설정된 제2범위 내인 값을 샘플 데이터로 추출하는 단계를 더 포함하고,
    상기 제1데이터에서 추출된 데이터를 제3데이터라고하고, 상기 제2데이터에서 추출된 데이터를 제4데이터라고 하는 AI를 이용하는 일회박출량 산출 방법.
  12. 청구항 11에 있어서,
    상기 미리 설정된 시간은 20초이고, 상기 미리 설정된 제1범위는 20이상 250이하이고, 상기 미리 설정된 제2범위는 20이상 200이하인 AI를 이용하는 일회박출량 산출 방법.
  13. 청구항 12에 있어서,
    상기 샘플 데이터로 추출하는 단계에서,
    상기 제3데이터 및 상기 제4데이터 중 동맥혈압 파형에서 계산된 비트당 표준편차가 0인 값도 제외시키는 AI를 이용하는 일회박출량 산출 방법.
  14. 청구항 13에 있어서,
    데이터 처리부에서 상기 제3데이터 중 일회박출량을 스무딩(Lowess smoothing) 처리를 하고, 상기 제4데이터를 미리 설정된 시간만큼 딜레이시키는 단계; 및
    상기 데이터 처리부에서 처리된 데이터를 이용하여 상기 제1 일회박출량 산출 모델을 학습시키고, 상기 제2 일회박출량 산출 모델을 생성시키는 단계를 더 포함하는 AI를 이용하는 일회박출량 산출 방법.
  15. 청구항 14에 있어서,
    상기 제2 일회박출량 산출 모델을 통하여 산출된 일회박출량과 상기 제4데이터의 오차 범위가 미리 설정된 오차 범위인지 여부를 판단하여 상기 제2일회박출량 산출 모델을 검증하는 단계를 더 포함하고,
    상기 제2일회박출량 산출 모델을 통하여 산출된 일회박출량과 대응되는 상기 제4데이터의 일회박출량의 오차가 미리 설정된 범위를 벗어나면 상기 제2일회박출량 산출 모델을 다시 학습시키는 AI를 이용하는 일회박출량 산출 방법.
  16. 청구항 15에 있어서,
    상기 제1데이터는 APCO(Arterial Pressure based Cardiac Output) 장비를 이용하여 산출된 데이터이고,
    상기 제2데이터는 TDCO(Thermodilution(열희석법) based Cardiac Output) 장비를 이용하여 산출되는 데이터인 학습시키는 AI를 이용하는 일회박출량 산출 방법.
KR1020200022914A 2020-02-25 2020-02-25 Ai를 이용한 일회박출량 산출 장치 및 방법 KR102377609B1 (ko)

Priority Applications (4)

Application Number Priority Date Filing Date Title
KR1020200022914A KR102377609B1 (ko) 2020-02-25 2020-02-25 Ai를 이용한 일회박출량 산출 장치 및 방법
PCT/KR2021/002274 WO2021172852A2 (ko) 2020-02-25 2021-02-24 Ai를 이용한 일회박출량 산출 장치 및 방법
EP21759740.0A EP4111955A4 (en) 2020-02-25 2021-02-24 DEVICE AND METHOD FOR CALCULATION OF SYSTOLIC VOLUME USING AI
US17/802,208 US20230355185A1 (en) 2020-02-25 2021-02-24 Device and method for calculating stroke volume using ai

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020200022914A KR102377609B1 (ko) 2020-02-25 2020-02-25 Ai를 이용한 일회박출량 산출 장치 및 방법

Publications (2)

Publication Number Publication Date
KR20210108105A KR20210108105A (ko) 2021-09-02
KR102377609B1 true KR102377609B1 (ko) 2022-03-23

Family

ID=77491750

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020200022914A KR102377609B1 (ko) 2020-02-25 2020-02-25 Ai를 이용한 일회박출량 산출 장치 및 방법

Country Status (4)

Country Link
US (1) US20230355185A1 (ko)
EP (1) EP4111955A4 (ko)
KR (1) KR102377609B1 (ko)
WO (1) WO2021172852A2 (ko)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113782146B (zh) * 2021-09-16 2023-08-22 平安科技（深圳）有限公司 基于人工智能的全科用药推荐方法、装置、设备及介质
KR102447962B1 (ko) 2021-12-22 2022-09-27 서울대학교병원 소아환자용 일회박출량 인덱스 추정 시스템 및 방법

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP4896015B2 (ja) * 2004-07-14 2012-03-14 エドワーズ ライフサイエンシーズ コーポレイション 連続的動脈脈拍輪郭分析による心室一回拍出量分散のリアルタイム測定
JP5330069B2 (ja) * 2009-04-17 2013-10-30 日本光電工業株式会社 血液量測定方法、血液量測定装置及び血液量測定プログラム
KR101306553B1 (ko) * 2012-02-03 2013-09-09 강원대학교산학협력단 혈압으로부터 심박출량을 측정하는 방법
KR20170073051A (ko) * 2015-12-18 2017-06-28 삼성전자주식회사 혈압을 산출하는 방법 및 장치
KR102098561B1 (ko) * 2018-07-10 2020-04-08 재단법인 아산사회복지재단 동맥압 파형을 이용한 심박출량 획득 방법 및 그 프로그램

Also Published As

Publication number Publication date
EP4111955A2 (en) 2023-01-04
WO2021172852A3 (ko) 2021-10-21
EP4111955A4 (en) 2024-04-03
KR20210108105A (ko) 2021-09-02
US20230355185A1 (en) 2023-11-09
WO2021172852A2 (ko) 2021-09-02

Similar Documents

Publication Publication Date Title
Tan et al. Non-invasive continuous blood pressure measurement based on mean impact value method, BP neural network, and genetic algorithm
US11559218B2 (en) Intravascular pressure and flow data diagnostic systems, devices, and methods
Nabeel et al. Local pulse wave velocity: theory, methods, advancements, and clinical applications
KR102377609B1 (ko) Ai를 이용한 일회박출량 산출 장치 및 방법
CN106821356B (zh) 基于Elman神经网络的云端连续血压测量方法及系统
US10342910B2 (en) Device and method for predicting intradialytic parameters
BR112019027925A2 (pt) sistemas a métodos para filtrar ruídos e analisar sinais de forma de onda venosa
CN102791306A (zh) 用于检测抽出和返回装置的构造的方法和装置
KR101072452B1 (ko) 심장질환 진단장치 및 방법
US11172856B2 (en) Systems and methods for uroflowmetry
US11857292B2 (en) Method for diagnosing vascular disease and apparatus therefor
JP2022554298A (ja) 微小血管抵抗指数に基づき最大充血状態流速を調節する方法及び装置
US11678855B2 (en) Registration and comparison of measured and simulated intracoronary pullback curves
Balmer et al. Clinically applicable model-based method, for physiologically accurate flow waveform and stroke volume estimation
EP3923785A1 (en) Method of predicting fluid responsiveness in patients
US20220287640A1 (en) System and methods for real time noninvasive estimation of cardiovascular parameters using machine learning
US11766184B2 (en) Hemodynamic analysis system
US20210282720A1 (en) Method of establishing blood pressure model
US5579778A (en) Method and apparatus for producing thermodilution cardiac output measurements utilizing a neural network
Heerdt et al. Pressure‐based estimation of right ventricular ejection fraction
Omari et al. A new approach for blood pressure estimation based on phonocardiogram
Shin A novel method for non‐invasive blood pressure estimation based on continuous pulse transit time: An observational study
CN111479500A (zh) 从静脉波形信号过滤医疗设备噪声伪像的系统和方法
Kim et al. A linear transformation approach for estimating pulse arrival time
Yii et al. Receiver operating characteristic curve analysis of arteriovenous dialysis access flow using ultrasound

Legal Events

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