KR102378093B1 - 질병 예측 시스템, 질병 예측 방법 및 이를 구현하는 기록 매체 - Google Patents
질병 예측 시스템, 질병 예측 방법 및 이를 구현하는 기록 매체 Download PDFInfo
- Publication number
- KR102378093B1 KR102378093B1 KR1020200145947A KR20200145947A KR102378093B1 KR 102378093 B1 KR102378093 B1 KR 102378093B1 KR 1020200145947 A KR1020200145947 A KR 1020200145947A KR 20200145947 A KR20200145947 A KR 20200145947A KR 102378093 B1 KR102378093 B1 KR 102378093B1
- Authority
- KR
- South Korea
- Prior art keywords
- information
- disease
- disease prediction
- time interval
- health data
- Prior art date
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
- 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
- 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
- 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
- G16H50/70—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
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Public Health (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Epidemiology (AREA)
- Primary Health Care (AREA)
- Theoretical Computer Science (AREA)
- Pathology (AREA)
- Databases & Information Systems (AREA)
- Physics & Mathematics (AREA)
- Software Systems (AREA)
- Computing Systems (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Artificial Intelligence (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Measuring And Recording Apparatus For Diagnosis (AREA)
Abstract
본 발명의 일 실시예에 따른 질병 예측 방법은 통신부가 외부 장치로부터 사람의 건강 데이터 및 비교정보를 획득하는 건강 데이터 획득 단계; 및 - 상기 건강 데이터는 한 사람에 대한 복수 회의 건강 데이터가 포함되며, 복수 회 간의 시간 간격도 포함 함 - 프로세서가 상기 시간 간격을 포함하는 상기 건강 데이터 및 비교정보를 기초로 LSTM(Long Short-Term Memory)을 이용하여 질병 예측 정보를 산출하는 질병 예측 정보 산출 단계;를 포함할 수 있다.
Description
본 발명은 질병 예측 시스템, 질병 예측 방법 및 이를 구현하는 기록 매체에 관한 것으로서, 더욱 상세하게는 사람의 건강 데이터를 이용하여 특정 시점에 대한 질병의 발생 확률을 예측하는 질병 예측 시스템, 질병 예측 방법 및 이를 구현하는 기록 매체에 관한 것이다.
인터넷 통신 기술의 발달로 질병에 대한 진단을 의료기관에 직접 찾아가 확인하기 이전에 인터넷 등을 통해 자신의 질환과 신체 상태의 문제점을 예측하고자 하는 현대인이 늘고 있다.
그러나 검색 포털에서 검색하는 방식으로 정확한 질병을 진단하기는 어려우며, 이에 따라 많은 현대인들이 의료기관에 가야 할 시기를 놓치거나 웹에서 정확하지 않은 정보를 접하게 될 가능성이 있어 이로 인한 문제가 예상되고 있다.
한편 현대 의료계는 질병위험 점수법 등 통계적 방법 뿐 아니라 머신러닝 등의 인공지능 기법에 기반하여 질환에 대한 부가적인 정보를 얻기 위한 노력이 이루어지고 있다.
그러나 이러한 인공지능 등의 기술을 기반으로 사용자가 자신의 단말기 등을 이용해 간편하게 특정 질환에 대한 발병 위험도를 확인하고 건강관리 동기부여를 제공하는 방법은 전무한 실정이다.
한편, 대한민국 등록특허 제10-1967227호(2019.04.03.등록)에서는 질병 예측 모델을 생성하는 방법, 서버 및 시스템을 개시하고 있다.
그러나, 한 사람에 대한 다수 회의 건강 검진 기록이 존재하는 경우, 개인에 대한 질환 발병위험도를 계산하고 예측함에 있어 개인의 과거 건강검진 기록을 모두 고려해야 할 필요성이 있다.
또한, 미래의 특정 시점에 대해 질환 발병위험도를 예측하는 기술 또한 필요한 실정이다.
본 발명은 상기와 같은 문제를 해결하기 위한 것으로서, 한 사람에 대한 다수 회의 건강 데이터가 존재하는 경우, 다수 회 간의 시간 간격을 고려하여 보다 정확히 특정 시점에 대한 발병 위험도를 예측하는 방법을 제공하고자 함이다.
본 발명이 해결하고자 하는 과제가 상술한 과제로 제한되는 것은 아니며, 언급되지 아니한 과제들은 본 명세서 및 첨부된 도면으로부터 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자에게 명확하게 이해될 수 있을 것이다.
본 발명의 일 실시예에 따른 질병 예측 방법은 통신부가 외부 장치로부터 사람의 건강 데이터 및 비교정보를 획득하는 건강 데이터 획득 단계; 및 - 상기 건강 데이터는 한 사람에 대한 복수 회의 건강 데이터가 포함되며, 복수 회 간의 시간 간격도 포함 함 - 프로세서가 상기 시간 간격을 포함하는 상기 건강 데이터 및 비교정보를 기초로 LSTM(Long Short-Term Memory)을 이용하여 질병 예측 정보를 산출하는 질병 예측 정보 산출 단계;를 포함할 수 있다.
본 발명의 일 실시예에 따른 질병 예측 방법에 의하면, 한 사람에 대한 다수 회의 건강 데이터가 존재하는 경우, 과거의 건강검진 기록을 모두 고려해 특정 시점에서의 특정 질환에 대한 발병 위험도를 예측하는 장점이 있다.
본 발명의 효과가 상술한 효과들로 제한되는 것은 아니며, 언급되지 아니한 효과들은 본 명세서 및 첨부된 도면으로부터 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자에게 명확히 이해될 수 있을 것이다.
도 1은 본 발명의 일 실시예에 따른 질병 예측 방법을 구현하는데 필요한 구성들의 개략도이다.
도 2는 본 발명의 일 실시예에 따른 질병 예측 방법을 구현하는 시스템의 개략 구성 블록도이다.
도 3은 본 발명의 일 실시예에 따른 질병 예측 방법의 개략 순서도이다.
도 4는 본 발명의 일 실시예에 따른 질병 예측 방법의 질병 예측 정보 산출 단계를 설명하기 위한 개략도이다.
도 5는 본 발명의 일 실시예에 따른 질병 예측 방법의 질병 예측 정보 산출 단계를 설명하기 위한 수치 정보 등을 도시한 개략도이다.
도 2는 본 발명의 일 실시예에 따른 질병 예측 방법을 구현하는 시스템의 개략 구성 블록도이다.
도 3은 본 발명의 일 실시예에 따른 질병 예측 방법의 개략 순서도이다.
도 4는 본 발명의 일 실시예에 따른 질병 예측 방법의 질병 예측 정보 산출 단계를 설명하기 위한 개략도이다.
도 5는 본 발명의 일 실시예에 따른 질병 예측 방법의 질병 예측 정보 산출 단계를 설명하기 위한 수치 정보 등을 도시한 개략도이다.
이하에서는 도면을 참조하여 본 발명의 구체적인 실시예를 상세하게 설명한다. 다만, 본 발명의 사상은 제시되는 실시예에 제한되지 아니하고, 본 발명의 사상을 이해하는 당업자는 동일한 사상의 범위 내에서 다른 구성요소를 추가, 변경, 삭제 등을 통하여, 퇴보적인 다른 발명이나 본 발명 사상의 범위 내에 포함되는 다른 실시예를 용이하게 제안할 수 있을 것이나, 이 또한 본원 발명 사상 범위 내에 포함된다고 할 것이다.
본 발명의 일 실시예에 따른 질병 예측 방법은 통신부가 외부 장치로부터 사람의 건강 데이터 및 비교정보를 획득하는 건강 데이터 획득 단계; 및 - 상기 건강 데이터는 한 사람에 대한 복수 회의 건강 데이터가 포함되며, 복수 회 간의 시간 간격도 포함 함 - 프로세서가 상기 시간 간격을 포함하는 상기 건강 데이터 및 비교정보를 기초로 LSTM(Long Short-Term Memory)을 이용하여 질병 예측 정보를 산출하는 질병 예측 정보 산출 단계;를 포함할 수 있다.
또, 상기 질병 예측 정보 산출 단계는 현 시점으로부터 미래의 기 설정된 시간 간격으로 상기 질병 예측 정보를 산출할 수 있다.
또, 상기 질병 예측 정보 산출 단계는 해당 질병에 대한 발생 확률을 수치화한 수치 정보를 생성하며, 상기 수치 정보가 기 설정된 임계치 이상인 경우, 해당 질병이 발생된 것으로 판단할 수 있다.
또, 상기 질병 예측 정보 산출 단계는 현 시점으로부터 미래의 기 설정된 시간 간격으로 해당 질병에 대한 상기 수치 정보를 생성하며, 제1 시점에서 상기 수치 정보가 기 설정된 임계치 이상인 경우, 상기 제1 시점보다 미래의 제2 시점에서 상기 수치 정보가 기 설정된 임계치 미만이어도 상기 제2 시점에서도 해당 질병이 발생된 것으로 판단할 수 있다.
또, - 상기 비교정보는 복수 회의 비교정보가 포함되며, 복수 회 간의 시간 간격도 포함 함 - 상기 질병 예측 정보 산출 단계는 상기 시간 간격을 포함하는 상기 건강 데이터 및 상기 시간 간격을 포함하는 상기 비교정보를 기초로 상기 질병 예측 정보를 산출할 수 있다.
본 발명의 다른 일 실시예에 따른 질병 예측 시스템은 외부 장치로부터 사람의 건강 데이터 및 비교정보를 획득하는 통신부; 및 - 상기 건강 데이터는 한 사람에 대한 복수 회의 건강 데이터가 포함되며, 복수 회 간의 시간 간격도 포함 함 - 상기 시간 간격을 포함하는 상기 건강 데이터 및 비교정보를 기초로 LSTM(Long Short-Term Memory)을 이용하여 질병 예측 정보를 산출하는 프로세서;를 포함할 수 있다.
또, 상기 프로세서는 현 시점으로부터 미래의 기 설정된 시간 간격으로 상기 질병 예측 정보를 산출할 수 있다.
또, 상기 프로세서는 해당 질병에 대한 발생 확률을 수치화한 수치 정보를 생성하며, 상기 수치 정보가 기 설정된 임계치 이상인 경우, 해당 질병이 발생된 것으로 판단할 수 있다.
또, 상기 프로세서는 현 시점으로부터 미래의 기 설정된 시간 간격으로 해당 질병에 대한 상기 수치 정보를 생성하며, 제1 시점에서 상기 수치 정보가 기 설정된 임계치 이상인 경우, 상기 제1 시점보다 미래의 제2 시점에서 상기 수치 정보가 기 설정된 임계치 미만이어도 상기 제2 시점에서도 해당 질병이 발생된 것으로 판단할 수 있다.
또, - 상기 비교정보는 복수 회의 비교정보가 포함되며, 복수 회 간의 시간 간격도 포함 함 - 상기 프로세서는 상기 시간 간격을 포함하는 상기 건강 데이터 및 상기 시간 간격을 포함하는 상기 비교정보를 기초로 상기 질병 예측 정보를 산출할 수 있다.
본 발명의 다른 일 실시예에 따른 컴퓨터 판독 가능 기록매체는 상기 질병 예측 방법을 실행하는 프로그램을 포함할 수 있다.
각 실시예의 도면에 나타나는 동일한 사상의 범위 내의 기능이 동일한 구성요소는 동일한 참조부호를 사용하여 설명한다.
도 1은 본 발명의 일 실시예에 따른 질병 예측 방법을 구현하는데 필요한 구성들의 개략도이다.
도 2는 본 발명의 일 실시예에 따른 질병 예측 방법을 구현하는 시스템의 개략 구성 블록도이다.
도 3은 본 발명의 일 실시예에 따른 질병 예측 방법의 개략 순서도이다.
도 4는 본 발명의 일 실시예에 따른 질병 예측 방법의 질병 예측 정보 산출 단계를 설명하기 위한 개략도이다.
도 5는 본 발명의 일 실시예에 따른 질병 예측 방법의 질병 예측 정보 산출 단계를 설명하기 위한 수치 정보 등을 도시한 개략도이다.
첨부된 도면은 본 발명의 기술적 사상을 보다 명확하게 표현하기 위하여, 본 발명의 기술적 사상과 관련성이 떨어지거나 당업자로부터 용이하게 도출될 수 있는 부분은 간략화 하거나 생략하였다.
도 1 내지 도 5에 도시한 바와 같이, 본 발명의 일 실시예에 따른 질병 예측 방법은 사람의 질병의 종류 및 질병 발생의 시기를 예측하기 위한 방법일 수 있다.
일례로, 상기 질병 예측 방법은 아래에서 설명될 질병 예측 시스템(10) 및/또는 컴퓨터 상에서 실행되는 프로그램을 포함하는 기록매체에 의해 구현될 수 있다.
일례로, 예측할 질병은 당뇨, 심장질환, 뇌졸중, 치매, 간암, 위암, 대장암, 유방암, 전립선암, 폐암 중 적어도 어느 하나일 수 있으며, 상기 질병 외에, 본 질병 예측 방법으로 예측 가능한 질병이라면 예측 대상의 질병에 해당할 수 있다.
일례로, 질병의 발생 시기는 해당 질병이 발현하는 미래의 어느 시점을 의미할 수 있다.
여기서, 일례로, 상기 질병 예측 방법은 통신부(200)가 외부 장치로부터 사람의 건강 데이터 및 비교정보를 획득하는 건강 데이터 획득 단계(S10)를 포함할 수 있다.
일례로, 상기 외부 장치는 병원 등과 같은 의료기관의 서버(20), 건강보험공단 등과 같은 공공기관의 서버(30) 및 사람이 소유하는 단말기(40) 등을 포함할 수 있다.
일례로, 상기 건강 데이터 획득 단계(S10)는 사람의 질병을 예측하기 위해 기초 자료가 되는 상기 건강 데이터 및 상기 비교정보를 외부로부터 획득하는 단계를 의미할 수 있다.
일례로, 상기 건강 데이터는 질병을 예측할 당사자인 해당 사람의 건강과 관련된 정보를 의미할 수 있다.
일례로, 상기 건강 데이터는 일반정보, 계측정보, 혈액정보, 문진정보 중 적어도 어느 하나를 포함할 수 있다.
일례로, 상기 일반정보는 사람의 나이, 성별 등을 포함할 수 있다.
일례로, 상기 계측정보는 신체 지수로서 키, 허리 둘레를 포함할 수 있고, 체질량 지수, 혈압 등을 포함할 수 있다.
일례로, 상기 혈액정보는 공복혈당, 총콜레스테롤, 중성지방, HDL 콜레스테롤, LDL 콜레스테롤, 혈색소, 혈청크레아티닌, 감마지티피, 혈청지오티, 혈청지피티 등을 포함할 수 있다.
일례로, 상기 문진정보는 사람이 직접 작성한 정보로서 가족력, 가족력, 흡연, 음주, 운동량정보 등을 포함할 수 있다.
여기서, 일례로, 상기 건강 데이터는 영상정보, 유전자정보 및 라이프 로그정보를 더 포함할 수 있다.
일례로, 상기 영상정보는 흉부 엑스선 검사를 통해 획득되는 흉부 엑스선정보, 심전도 검사를 통해 획득되는 심전도정보, 신장 판막의 폐쇄에 의해 발생되는 진동에 대한 심장음정보 등을 포함할 수 있다.
일례로, 상기 흉부 엑스선정보는 매우 적은 양의 이온화 방사선을 사용하여 흉부 내부의 사진을 생성한 정보로서, 폐, 심장 및 흉벽을 평가하는 데 사용되며 호흡 곤란, 지속적인 기침, 발열, 흉통, 부상, 폐렴, 폐기종 또는 암과 같은 다양한 폐 상태를 진단하는 것에 사용될 수 있다.
일례로, 상기 심전도정보는 박동의 불규칙성 또는 심장 근육 손상 등과 같은 심장의 상태를 진단하는 것에 사용될 수 있다.
일례로, 심장음정보는 측정한 심장음을 정량화하여 가로축으로는 시간, 세로축으로는 심장음의 크기로 나타내는 이미지로 변환한 정보로서, 심장판막 질환 등을 진단하는 것에 사용될 수 있다.
일례로, 상기 유전자정보는 유전자 스크리닝을 통해 생성된 유전자에 대한 정보로서, 유전자의 변형을 검출하고 이를 통해 유전자 변형에 따른 질병을 예측하는 것에 사용될 수 있다.
일례로, 라이프 로그(life log)정보는 사람이 소유하는 스마트폰, 웨어러블 디바이스 등의 단말기(40)를 통해 일상에서 혈압, 체온, 혈당량 등에 관한 정보로서, 질병 등을 예측하는 것에 사용될 수 있다.
한편, 상기 건강 데이터는 질병을 예측하는 당사자인 한 사람에 대한 복수 회의 건강 데이터가 포함되며, 복수 회 간의 시간 간격도 포함될 수 있다.
즉, 상기 건강 데이터에 포함되는 상기 일반정보, 상기 계측정보, 상기 혈액정보, 상기 문진정보, 상기 영상정보, 상기 유전자정보 및 상기 라이프 로그정보 각각은 복수 회에 걸쳐 생성될 수 있으며, 그 결과 상기 건강 데이터는 복수 회 간의 상기 건강 데이터가 생성된 시간 간격도 포함될 수 있다.
일례로, 상기 통신부(200)는 병원과 같은 의료기관 서버로부터 상기 일반정보, 상기 계측정보, 상기 혈액정보, 상기 문진정보, 상기 영상정보, 상기 유전자정보 등을 수신할 수 있으며, 각각의 정보의 생성 시간을 획득할 수 있다.
일례로, 상기 통신부(200)는 사람의 단말기(40)로부터 상기 라이프 로그정보 등을 수신할 수 있으며, 해당 정보의 생성 시간을 획득할 수 있다.
여기서, 일례로, 상기 비교정보는 상기 공공기관의 서버(30)로부터 획득되는 정보로서, 일례로 건강보험공단의 서버로부터 획득되는 국민의 건강에 대한 통계 데이터일 수 있다.
일례로, 상기 비교정보는 연령별, 나이별, 지역별 질병통계, 연령별, 나이별, 지역별 기대여명, 연령별, 나이별, 지역별 신체지수, 연령별, 나이별, 지역별 비만지수, 연령별, 나이별, 지역별 혈당지수, 연령별, 나이별, 지역별 콜레스테롤지수 등 연령별, 나이별, 지역별 통계화된 건강에 대한 정보를 포함할 수 있다.
일례로, 상기 비교정보는 1년 마다, 3년 마다 또는 5년 마다 상기 공공기관의 서버(30)에서 업데이트될 수 있으며, 따라서, 상기 비교정보 역시 업데이트된 시간 간격을 포함할 수 있다.
한편, 상기 비교정보는 상기 공공기관의 서버(30)로부터 획득되는 국민의 건강에 대한 통계 데이터에 한정되지 않으며, 일례로, 종래에 질병이 발생한 복수의 환자의 건강에 대한 데이터일 수도 있으며, 이 역시 질병이 발생한 복수의 환자의 건강에 대한 데이터 간의 시간 간격을 포함할 수 있다.
여기서, 일례로, 상기 질병 예측 방법은 프로세서가 상기 시간 간격을 포함하는 상기 건강 데이터 및 비교정보를 기초로 LSTM(Long Short-Term Memory)을 이용하여 질병 예측 정보를 산출하는 질병 예측 정보 산출 단계(S20)를 더 포함할 수 있다.
일례로, 상기 프로세서는 상기 통신부(200)가 상기 외부 장치로부터 획득한 상기 건강 데이터 및 상기 비교정보를 기초로 질병을 예측하려는 당사자인 해당 사람에 대한 질병의 종류 및 해당 질병의 발생 시기를 예측할 수 있다.
일례로, 상기 질병 예측 정보 산출 단계(S20)는 LSTM을 이용하여 기계 학습으로 구현될 수 있다.
LSTM은 RNN(Recurrent Neural Network)일 종류로서, 이 전의 데이터를 활용하여 현재 데이터를 해석하는 기계 학습 프로그램일 수 있다.
LSTM은 이미 공지된 기술이라는 점에서 더 이상의 자세한 설명은 생략한다.
다만, LSTM 자체가 공지된 기술이라는 의미이지, 본 발명의 기술적 사상인 LSTM 이용한 질병 예측 방법이 공지된 것을 의미하지 않는 것은 자명하다.
일례로, 도 4는 LSTM을 이용하여 기계 학습으로 상기 질병 예측 정보를 산출하는 개략도로서, 질병을 예측 하려는 당사자인 사람에 대한 상기 건강 데이터는 복수 회(Visit 1 내지 Visit 6)에 걸쳐 생성될 수 있으며, 그 결과 복수 회간의 시간 간격(△t1 내지 △t5)도 생성될 수 있다.
또한, 상기 비교정보 역시 복수 회에 걸쳐 업데이트될 수 있으며, 그 결과 업데이트된 복수 회 간의 시간 간격도 생성될 수 있다.
여기서, 상기 프로세서는 크게 2가지의 데이터로 상기 질병 예측 정보를 산출할 수 있다.
첫 번째 데이터는 복수 개의 상기 건강 데이터 및 상기 비교정보에 대한 데이터이며, 두 번째 데이터는 복수 개의 상기 건강 데이터에 대한 시간 간격 및/또는 복수 개의 상기 비교정보에 대한 시간 간격일 수 있다.
즉, 상기 질병 예측 방법은 복수 개의 상기 건강 데이터의 상호 변화, 복수 개의 비교정보의 상호 변화, 적어도 어느 하나의 상기 건강 데이터와 적어도 어느 하나의 상기 비교정보 간의 비교 및/또는 복수 개의 상기 건강 데이터에 대한 시간 간격 및/또는 복수 개의 상기 비교정보에 대한 시간 간격을 입력값으로 하여 LSTM의 기계 학습을 통해 질병을 예측 하려는 당사자인 사람에 대한 질병의 종류 및 질병 발생 시기를 더욱 정확하게 예측할 수 있다.
여기서, 일례로, 상기 질병 예측 정보 산출 단계(S20)는 현 시점으로부터 미래의 기 설정된 시간 간격으로 상기 질병 예측 정보를 산출할 수 있으며, 해당 질병에 대한 발생 확률을 수치화한 수치 정보를 생성할 수 있고, 만약 상기 수치 정보가 기 설정된 임계치 이상인 경우 해당 질병이 발생된 것으로 판단할 수 있다.
이를 보다 자세히 설명하자면, 도 5는 상기 프로세서가 상기 질병 예측 정보 산출 단계(S20)에 의해 산출한 데이터의 일 예를 도시한 것으로서, 상기 프로세서는 질병을 예측 하려는 당사자인 사람에 대한 상기 건강 데이터 및 상기 비교정보를 연산하여 현재(Now) 및 현재로부터 기 설정된 시간 간격으로의 특정 질병의 발생 확률을 수치화 한 상기 수지 정보를 각각 생성할 수 있다.
상기 기 설정된 시간 간격은 사용자에 의해 정의될 수 있으나, 설명의 편의를 위해 1년 임을 가정하고 설명하겠다.
여기서, 도 5에 도시한 바와 같이, 현재 상기 수치 정보는 0.001일 수 있고, 현재로부터 1년 뒤의 상기 수치 정보는 0.0014일 수 있으며, 현재로부터 2년 뒤의 상기 수치 정보는 0.50일 수 있다.
여기서, 일례로, 상기 프로세서는 상기 수치 정보가 기 설정된 임계치(예를 들면, 임계치는 0.50임) 이상인 경우, 해당 질병이 발생하는 것으로 판단할 수 있다.
즉, 현재의 상기 수치 정보 및 현재로부터 1년 뒤의 상기 수치 정보는 임계치인 0.50 이하라는 점에서 해당 질병이 발생되지 않는 것으로 판단하는 상기 질병 예측 정보를 산출할 수 있으며, 이 경우 상기 질병 예측 정보의 데이터는 '0'의 값으로 정의될 수 있다.
한편, 현재로부터 2년 뒤의 상기 수치 정보는 임계치인 0.50 이상이라는 점에서 해당 질병이 발생하는 것으로 판단하는 상기 질병 예측 정보를 산출 할 수 있으며, 이 경우 상기 질병 예측 정보의 데이터는 '1'의 값으로 정의될 수 있다.
즉, 상기 질병 예측 정보 산출 단계(S20)에 의해 상기 프로세서는 현 시점으로부터 미래의 기 설정된 시간 간격으로 해당 질병에 대한 상기 수치 정보를 각각 생성할 수 있으며, 상기 수치 정보가 상기 기 설정된 임계치 이상인지 여부를 기준으로 해당 질병이 발생하였는지 여부를 산출할 수 있다.
여기서, 일례로, 상기 질병 예측 정보 산출 단계(S20)는 제1 시점에서 상기 수치 정보가 기 설정된 임계치 이상인 경우, 상기 제1 시점보다 미래의 제2 시점에서 상기 수치 정보가 기 설정된 임계치 미만이어도 상기 제2 시점에서도 해당 질병이 발생된 것으로 판단할 수 있다.
이를 보다 자세히 설명하자면, 도 5에 도시한 바와 같이, 상기 프로세서는 현재로부터 미래의 기 설정된 시간 간격(예들 들어, 1년)으로 해당 질병에 대한 상기 수치 정보를 생성하며, 생성한 수치 정보를 이용하여 변환 정보를 생성할 수 있다.
일례로, 상기 변환 정보는 상기 수치 정보가 기 설정된 기준값(예들 들면, 기준값은 0.50임) 이상인 경우 '1'로 정의될 수 있고, 미만인 경우 '0'으로 정의될 수 있다.
그 결과, 현재로부터 미래의 1년 단위로 생성된 상기 수치 정보가 각각 0.001, 0.0014, 0.50, 0.64, 0.48, 0.75인 경우, 현재로부터 미래의 1년 단위로의 상기 변환 정보는 각각 0, 0, 1, 1, 0, 1로 연산될 수 있다.
여기서, 상기 질병 예측 정보 산출 단계(S20)에 의해 상기 프로세서는 상기 변환 정보를 기초로 해당 질병이 발생하는지 여부에 대한 상기 질병 예측 정보를 산출할 수 있다.
여기서, 일례로, 상기 프로세서는 상기 변환 정보가 기 설정된 설정값(예를 들면, 설정값은 '1'임)인 경우 상기 질병 예측 정보를 '1'로 정의하여 해당 질병이 발생하는 것으로 판단할 수 있고, 기 설정된 설정값이 아닌 경우 상기 질병 예측 정보를 '0'으로 정의하여 해당 질병이 발행하지 않은 것으로 판단할 수 있다.
다만, 여기서, 도 5에 도시한 바와 같이, 상기 프로세서는 현재로부터 4년 뒤의 상기 수치 정보가 상기 기 설정된 임계치 미만이더라도 상기 질병 예측 정보를 '1'로 정의하여, 현재로부터 4년 뒤에도 해당 질병이 발생한 것으로 산출할 수 있다.
이를 보다 자세히 설명하자면, 도 5에 도시한 바와 같이, 상기 제1 시점(예를 들면, 현재로부터 2년 뒤의 시점)에서의 상기 질병 예측 정보는, 상기 수치 정보가 0.50으로 산출되어 상기 변환 정보가 '1'로 정의됨에 따라, '1'로 정의되어 해당 질병이 발생한 것으로 산출될 수 있다.
이 때, 상기 제1 시점보다 미래인 제2 시점(예들 들면, 현재로부터 4년 뒤의 시점)에서의 상기 질병 예측 정보는 상기 수치 정보가 0.48으로 산출되어 상기 변환 정보가 '0'으로 정의됨에도 불구하고, '1'로 정의되어 해당 질병이 발생한 것으로 산출될 수 있다.
즉, 상기 질병 예측 정보 산출 단계(S20)에 의해 상기 프로세서는 상기 변환 정보가 '0'인 경우 상기 질병 예측 정보가 '0'인 것으로 산출하되, 다만 앞선 시점에서의 상기 질병 예측 정보가 '1'이 존재하는 경우 상기 변환 정보가 '0'인 경우에도 상기 질병 예측 정보가 '1'인 것으로 산출할 수 있다.
그 결과, 상기 프로세서는 상기 수치 정보, 상기 변환 정보 및 상기 질병 예측 정보를 이용함에 따라, LSTM을 이용하여 기계적으로 연산되어 산출되는 질병에 대한 예측 결과의 오류를 최소화 할 수 있어, 사용자에게 보다 정확한 질병에 대한 예측 정보를 제공할 수 있다.
한편, 본 발명의 다른 일 실시예에 따른 질병 예측 시스템(10)은 앞서 설명한 질병 예측 방법을 구현하는 시스템일 수 있다.
일례로, 도 2에 도시한 바와 같이, 상기 질병 예측 시스템(10)은 상기 통신부(200) 및 상기 프로세서를 포함할 수 있다.
나아가, 상기 질병 예측 시스템(10)은 상기 건강 데이터, 상기 비교정보, 산출한 상기 질병 예측 정보 및 상기 질병 예측 방법을 구현하는데 필요한 연산식, 데이터 등을 저장하는 메모리부(400)를 더 포함할 수 있다.
나아가, 상기 질병 예측 시스템(10)은 사용자로부터 상기 질병 예측 방법을 구현하는데 필요한 정보, 데이터 등을 입력 받는 입력부(300)를 더 포함할 수 있다.
나아가, 상기 상기 질병 예측 시스템(10)은 사용자에게 상기 질병 예측 방법에 의해 산출되는 정보/데이터를 표시하는 디스플레이부(500)를 더 포함할 수 있다.
한편, 본 발명의 다른 일 실시예에 따른 컴퓨터 판독 가능 기록매체는 앞서 설명한 질병 예측 방법이 시스템 상에서 구현될 수 있도록 상기 질병 예측 방법을 실행하는 프로그램을 포함할 수 있다.
상기에서는 본 발명에 따른 실시예를 기준으로 본 발명의 구성과 특징을 설명하였으나 본 발명은 이에 한정되지 않으며, 본 발명의 사상과 범위 내에서 다양하게 변경 또는 변형할 수 있음은 본 발명이 속하는 기술분야의 당업자에게 명백한 것이며, 따라서 이와 같은 변경 또는 변형은 첨부된 특허청구범위에 속함을 밝혀둔다.
100: 프로세서
200: 통신부
300: 입력부
400: 메모리부
500: 디스플레이부
200: 통신부
300: 입력부
400: 메모리부
500: 디스플레이부
Claims (11)
- 질병 예측 방법에 있어서,
통신부가 외부 장치로부터 사람의 건강 데이터 및 비교정보를 획득하는 단계, 상기 건강 데이터는 상기 사람에 대한 복수 회의 건강 데이터 및 상기 복수 회 간의 시간 간격 데이터를 포함하고; 및
프로세서가 상기 복수 회의 건강 데이터, 상기 시간 간격 데이터, 및 상기 비교정보를 기초로 LSTM(Long Short-Term Memory)을 이용하여 질병 예측 정보를 산출하는 단계;를 포함하며,
상기 질병 예측 정보는, 현 시점으로부터 기 설정된 시간 간격으로 배치된 미래의 시점들에 대하여 산출되고,
상기 질병 예측 정보는, 상기 시점들 각각에 대응하는 해당 질병에 대한 발생 확률을 수치화한 수치 정보에 기반하여 산출되며,
상기 해당 질병은, 상기 시점들 각각에서, 수치 정보가 기 설정된 임계치 이상인 경우 발생된 것으로 판단되고,
상기 시점들 중 제1 시점에서의 수치 정보가 상기 임계치 이상인 경우, 상기 제1 시점보다 미래의 제2 시점에서의 수치 정보가 기 설정된 임계치 미만이어도, 상기 제2 시점에서도 해당 질병이 발생된 것으로 판단되고,
상기 복수 회 간의 시간 간격 데이터는, 인접한 복수의 시점들 간 시간 간격 값들을 포함하고,
상기 시간 간격 값들은, 비-균등하고,
상기 건강 데이터는, 상기 사람에 대한 일반정보, 계측정보, 혈액정보, 문진정보, 영상정보, 유전자정보, 라이프 로그 정보를 포함하고,
상기 비교정보는, 상기 해당 질병을 겪은 복수의 환자들의 건강 데이터, 건강에 대한 통계 데이터를 포함하는 질병 예측 방법.
- 삭제
- 삭제
- 삭제
- 제1항에 있어서,
상기 비교정보는, 복수 회의 비교정보 및 상기 복수 회 간의 시간 간격 데이터를 포함하는 질병 예측 방법.
- 질병 예측 시스템에 있어서,
외부 장치로부터 사람의 건강 데이터 및 비교정보를 획득하는 통신부, 상기 건강 데이터는 상기 사람에 대한 복수 회의 건강 데이터 및 상기 복수 회 간의 시간 간격 데이터를 포함하고; 및
상기 복수 회의 건강 데이터, 상기 시간 간격 데이터, 및 상기 비교정보를 기초로 LSTM(Long Short-Term Memory)을 이용하여 질병 예측 정보를 산출하는 프로세서;를 포함하며,
상기 질병 예측 정보는, 현 시점으로부터 기 설정된 시간 간격으로 배치된 미래의 시점들에 대하여 산출되고,
상기 질병 예측 정보는, 상기 시점들 각각에 대응하는 해당 질병에 대한 발생 확률을 수치화한 수치 정보에 기반하여 산출되며,
상기 해당 질병은, 상기 시점들 각각에서, 수치 정보가 기 설정된 임계치 이상인 경우 발생된 것으로 판단되고,
상기 시점들 중 제1 시점에서의 수치 정보가 상기 임계치 이상인 경우, 상기 제1 시점보다 미래의 제2 시점에서의 수치 정보가 기 설정된 임계치 미만이어도, 상기 제2 시점에서도 해당 질병이 발생된 것으로 판단되고,
상기 복수 회 간의 시간 간격 데이터는, 인접한 복수의 시점들 간 시간 간격 값들을 포함하고,
상기 시간 간격 값들은, 비-균등하고,
상기 건강 데이터는, 상기 사람에 대한 일반정보, 계측정보, 혈액정보, 문진정보, 영상정보, 유전자정보, 라이프 로그 정보를 포함하고,
상기 비교정보는, 상기 해당 질병을 겪은 복수의 환자들의 건강 데이터, 건강에 대한 통계 데이터를 포함하는 질병 예측 시스템.
- 삭제
- 삭제
- 삭제
- 제6항에 있어서,
상기 비교정보는, 복수 회의 비교정보 및 상기 복수 회 간의 시간 간격 데이터를 포함하는 질병 예측 시스템.
- 제1항 및 제5항 중 어느 한 항에 따른 질병 예측 방법을 실행하는 프로그램을 포함하는 컴퓨터 판독 가능 기록매체.
Priority Applications (6)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
KR1020200145947A KR102378093B1 (ko) | 2020-11-04 | 2020-11-04 | 질병 예측 시스템, 질병 예측 방법 및 이를 구현하는 기록 매체 |
PCT/KR2021/014754 WO2022097971A1 (ko) | 2020-11-04 | 2021-10-20 | 질병의 발생을 예측하기 위한 방법 및 장치 |
JP2022524603A JP7387205B2 (ja) | 2020-11-04 | 2021-10-20 | 疾患の発症を予測するための方法及び装置 |
US18/251,594 US20230411018A1 (en) | 2020-11-04 | 2021-10-20 | Method and apparatus for predicting occurrence of disease |
CN202180074654.7A CN116368578A (zh) | 2020-11-04 | 2021-10-20 | 用于预测疾病发生的方法及装置 |
KR1020220031814A KR20220060504A (ko) | 2020-11-04 | 2022-03-15 | 질병 예측 시스템, 질병 예측 방법 및 이를 구현하는 기록 매체 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
KR1020200145947A KR102378093B1 (ko) | 2020-11-04 | 2020-11-04 | 질병 예측 시스템, 질병 예측 방법 및 이를 구현하는 기록 매체 |
Related Child Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
KR1020220031814A Division KR20220060504A (ko) | 2020-11-04 | 2022-03-15 | 질병 예측 시스템, 질병 예측 방법 및 이를 구현하는 기록 매체 |
Publications (1)
Publication Number | Publication Date |
---|---|
KR102378093B1 true KR102378093B1 (ko) | 2022-03-24 |
Family
ID=80935892
Family Applications (2)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
KR1020200145947A KR102378093B1 (ko) | 2020-11-04 | 2020-11-04 | 질병 예측 시스템, 질병 예측 방법 및 이를 구현하는 기록 매체 |
KR1020220031814A KR20220060504A (ko) | 2020-11-04 | 2022-03-15 | 질병 예측 시스템, 질병 예측 방법 및 이를 구현하는 기록 매체 |
Family Applications After (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
KR1020220031814A KR20220060504A (ko) | 2020-11-04 | 2022-03-15 | 질병 예측 시스템, 질병 예측 방법 및 이를 구현하는 기록 매체 |
Country Status (1)
Country | Link |
---|---|
KR (2) | KR102378093B1 (ko) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR102670110B1 (ko) * | 2023-08-10 | 2024-05-29 | 주식회사 디지털뉴트리션 | 건강 검진 데이터를 이용한 디지털 헬스케어 콘텐츠 제공 시스템 및 그 방법 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20180036229A (ko) * | 2016-09-30 | 2018-04-09 | 주식회사 셀바스에이아이 | 질병에 대한 발병 확률 예측 방법 및 장치 |
KR20200069217A (ko) * | 2018-12-06 | 2020-06-16 | 한국전자통신연구원 | 이종 데이터를 이용하여 심혈관 질환의 발병을 예측하는 장치 |
-
2020
- 2020-11-04 KR KR1020200145947A patent/KR102378093B1/ko active IP Right Grant
-
2022
- 2022-03-15 KR KR1020220031814A patent/KR20220060504A/ko active Search and Examination
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20180036229A (ko) * | 2016-09-30 | 2018-04-09 | 주식회사 셀바스에이아이 | 질병에 대한 발병 확률 예측 방법 및 장치 |
KR101855117B1 (ko) * | 2016-09-30 | 2018-05-04 | 주식회사 셀바스에이아이 | 질병에 대한 발병 확률 예측 방법 및 장치 |
KR20200069217A (ko) * | 2018-12-06 | 2020-06-16 | 한국전자통신연구원 | 이종 데이터를 이용하여 심혈관 질환의 발병을 예측하는 장치 |
Also Published As
Publication number | Publication date |
---|---|
KR20220060504A (ko) | 2022-05-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US8682693B2 (en) | Patient data mining for lung cancer screening | |
US11457871B2 (en) | Medical scan artifact detection system and methods for use therewith | |
US7711404B2 (en) | Patient data mining for lung cancer screening | |
KR102558021B1 (ko) | 임상 의사결정 지원 앙상블 시스템 및 이를 이용한 임상 의사결정 지원 방법 | |
US7805385B2 (en) | Prognosis modeling from literature and other sources | |
US8579784B2 (en) | Personalized prognosis modeling in medical treatment planning | |
CN111145909B (zh) | 诊疗数据处理方法与装置、存储介质、电子设备 | |
US11529105B2 (en) | Digital twin updating | |
KR102378093B1 (ko) | 질병 예측 시스템, 질병 예측 방법 및 이를 구현하는 기록 매체 | |
US20230245779A1 (en) | System and method for peri-anaesthetic risk evaluation | |
US20170277853A1 (en) | Data-driven performance based system for adapting advanced event detection algorithms to existing frameworks | |
Cylus et al. | Cross-national efficiency comparisons of health systems, subsectors and disease areas | |
Sarlabous et al. | Development and validation of a sample entropy-based method to identify complex patient-ventilator interactions during mechanical ventilation | |
CN110265118A (zh) | 一种肺部影像诊断报告质量的评估方法和系统 | |
CN113140315B (zh) | 一种健康自测系统、服务器及健康检测系统 | |
CN114450752A (zh) | 用于利用深度学习模型的计算机辅助诊断的方法和系统 | |
JP2006163932A (ja) | 医療情報処理装置、および、プログラム | |
US20210249120A1 (en) | System and method for providing model-based predictions of actively managed patients | |
JP7266807B1 (ja) | 生活習慣予測装置、生活習慣予測システム、生活習慣予測方法、生活習慣予測プログラムおよび記録媒体 | |
JP2023117592A (ja) | プログラム、動態解析システム及び動態解析装置 | |
US20190108916A1 (en) | Decision-support tools for pediatric obesity | |
JP2024505213A (ja) | 人工知能モデルの結果に対する信頼情報提供方法および装置 | |
KR20240117453A (ko) | 건강검진센터에서 심전도를 측정하는 방법 및 그 장치 | |
CN114144837A (zh) | 用于动态预测普通病房中的患者的出院准备的模型 | |
WO2023274756A1 (en) | A method for x-ray image processing |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A107 | Divisional application of patent | ||
GRNT | Written decision to grant |