KR102427749B1 - 심혈관 질환 위험도 예측 방법 및 시스템 - Google Patents
심혈관 질환 위험도 예측 방법 및 시스템 Download PDFInfo
- Publication number
- KR102427749B1 KR102427749B1 KR1020190177543A KR20190177543A KR102427749B1 KR 102427749 B1 KR102427749 B1 KR 102427749B1 KR 1020190177543 A KR1020190177543 A KR 1020190177543A KR 20190177543 A KR20190177543 A KR 20190177543A KR 102427749 B1 KR102427749 B1 KR 102427749B1
- Authority
- KR
- South Korea
- Prior art keywords
- cardiovascular disease
- data
- risk
- predictor
- patient
- Prior art date
Links
- 208000024172 Cardiovascular disease Diseases 0.000 title claims abstract description 379
- 238000000034 method Methods 0.000 title claims abstract description 73
- 230000008859 change Effects 0.000 claims description 79
- 210000004204 blood vessel Anatomy 0.000 claims description 47
- 238000002591 computed tomography Methods 0.000 claims description 36
- 206010012601 diabetes mellitus Diseases 0.000 claims description 36
- 210000004369 blood Anatomy 0.000 claims description 15
- 239000008280 blood Substances 0.000 claims description 15
- 229940079593 drug Drugs 0.000 claims description 14
- 239000003814 drug Substances 0.000 claims description 14
- 230000035488 systolic blood pressure Effects 0.000 claims description 13
- 238000013179 statistical model Methods 0.000 claims description 11
- 206010020772 Hypertension Diseases 0.000 claims description 10
- 208000006011 Stroke Diseases 0.000 claims description 10
- 230000024924 glomerular filtration Effects 0.000 claims description 10
- 206010008190 Cerebrovascular accident Diseases 0.000 claims description 9
- 208000026106 cerebrovascular disease Diseases 0.000 claims description 9
- 238000012549 training Methods 0.000 claims description 7
- 238000001914 filtration Methods 0.000 claims description 5
- 230000001502 supplementing effect Effects 0.000 claims description 4
- 230000001419 dependent effect Effects 0.000 description 13
- 238000009223 counseling Methods 0.000 description 12
- 208000001072 type 2 diabetes mellitus Diseases 0.000 description 11
- 230000000694 effects Effects 0.000 description 10
- 238000012545 processing Methods 0.000 description 10
- 238000004891 communication Methods 0.000 description 9
- 230000008569 process Effects 0.000 description 9
- 238000003745 diagnosis Methods 0.000 description 7
- 238000011156 evaluation Methods 0.000 description 7
- 201000010099 disease Diseases 0.000 description 6
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 6
- 230000001154 acute effect Effects 0.000 description 5
- 230000007211 cardiovascular event Effects 0.000 description 5
- 230000007774 longterm Effects 0.000 description 5
- 238000010295 mobile communication Methods 0.000 description 5
- 210000004351 coronary vessel Anatomy 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 230000003862 health status Effects 0.000 description 4
- 238000007726 management method Methods 0.000 description 4
- 238000012986 modification Methods 0.000 description 4
- 230000004048 modification Effects 0.000 description 4
- 201000001320 Atherosclerosis Diseases 0.000 description 3
- 230000009471 action Effects 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 3
- 238000013500 data storage Methods 0.000 description 3
- 230000002526 effect on cardiovascular system Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000007689 inspection Methods 0.000 description 3
- 208000002193 Pain Diseases 0.000 description 2
- 238000003491 array Methods 0.000 description 2
- 210000001367 artery Anatomy 0.000 description 2
- 208000019622 heart disease Diseases 0.000 description 2
- 238000010191 image analysis Methods 0.000 description 2
- 238000003384 imaging method Methods 0.000 description 2
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 208000010125 myocardial infarction Diseases 0.000 description 2
- 210000000056 organ Anatomy 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 206010002388 Angina unstable Diseases 0.000 description 1
- 208000032928 Dyslipidaemia Diseases 0.000 description 1
- 208000000059 Dyspnea Diseases 0.000 description 1
- 206010013975 Dyspnoeas Diseases 0.000 description 1
- 206010048554 Endothelial dysfunction Diseases 0.000 description 1
- WQZGKKKJIJFFOK-GASJEMHNSA-N Glucose Natural products OC[C@H]1OC(O)[C@H](O)[C@@H](O)[C@@H]1O WQZGKKKJIJFFOK-GASJEMHNSA-N 0.000 description 1
- 206010022489 Insulin Resistance Diseases 0.000 description 1
- 208000017170 Lipid metabolism disease Diseases 0.000 description 1
- 208000031481 Pathologic Constriction Diseases 0.000 description 1
- 206010042434 Sudden death Diseases 0.000 description 1
- 206010067584 Type 1 diabetes mellitus Diseases 0.000 description 1
- 208000007814 Unstable Angina Diseases 0.000 description 1
- 230000005856 abnormality Effects 0.000 description 1
- 238000010521 absorption reaction Methods 0.000 description 1
- 208000037919 acquired disease Diseases 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000036772 blood pressure Effects 0.000 description 1
- 210000000748 cardiovascular system Anatomy 0.000 description 1
- 230000001149 cognitive effect Effects 0.000 description 1
- 238000012790 confirmation Methods 0.000 description 1
- 230000006378 damage Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000012631 diagnostic technique Methods 0.000 description 1
- 238000013399 early diagnosis Methods 0.000 description 1
- 230000008694 endothelial dysfunction Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 210000001508 eye Anatomy 0.000 description 1
- 239000010408 film Substances 0.000 description 1
- 239000008103 glucose Substances 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 201000001421 hyperglycemia Diseases 0.000 description 1
- 201000004332 intermediate coronary syndrome Diseases 0.000 description 1
- 210000003734 kidney Anatomy 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 230000006371 metabolic abnormality Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000001151 other effect Effects 0.000 description 1
- 210000005259 peripheral blood Anatomy 0.000 description 1
- 239000011886 peripheral blood Substances 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000007639 printing Methods 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 208000013220 shortness of breath Diseases 0.000 description 1
- 239000004984 smart glass Substances 0.000 description 1
- 230000036262 stenosis Effects 0.000 description 1
- 208000037804 stenosis Diseases 0.000 description 1
- 208000023516 stroke disease Diseases 0.000 description 1
- 230000009469 supplementation Effects 0.000 description 1
- 208000024891 symptom Diseases 0.000 description 1
- 238000010998 test method Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 239000010409 thin film Substances 0.000 description 1
- 230000001732 thrombotic effect Effects 0.000 description 1
- 210000001519 tissue Anatomy 0.000 description 1
- 238000003325 tomography Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 238000000844 transformation Methods 0.000 description 1
- 230000002792 vascular Effects 0.000 description 1
- 210000003556 vascular endothelial cell Anatomy 0.000 description 1
- 210000004509 vascular smooth muscle cell Anatomy 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/50—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
-
- 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
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/74—Details of notification to user or communication with user or patient ; user input means
- A61B5/7465—Arrangements for interactive communication between patient and care services, e.g. by using a telephone network
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
- A61B6/52—Devices using data or image processing specially adapted for radiation diagnosis
- A61B6/5211—Devices using data or image processing specially adapted for radiation diagnosis involving processing of medical diagnostic data
- A61B6/5217—Devices using data or image processing specially adapted for radiation diagnosis involving processing of medical diagnostic data extracting a diagnostic or physiological parameter from medical diagnostic data
-
- 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
- G16H30/00—ICT specially adapted for the handling or processing of medical images
- G16H30/20—ICT specially adapted for the handling or processing of medical images for handling medical images, e.g. DICOM, HL7 or PACS
-
- 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
Landscapes
- Health & Medical Sciences (AREA)
- Engineering & Computer Science (AREA)
- Medical Informatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Public Health (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Pathology (AREA)
- Primary Health Care (AREA)
- Epidemiology (AREA)
- Physics & Mathematics (AREA)
- Surgery (AREA)
- Veterinary Medicine (AREA)
- Animal Behavior & Ethology (AREA)
- Molecular Biology (AREA)
- Data Mining & Analysis (AREA)
- Biophysics (AREA)
- Heart & Thoracic Surgery (AREA)
- Databases & Information Systems (AREA)
- Physiology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Artificial Intelligence (AREA)
- Psychiatry (AREA)
- Signal Processing (AREA)
- Nursing (AREA)
- High Energy & Nuclear Physics (AREA)
- Optics & Photonics (AREA)
- Measuring And Recording Apparatus For Diagnosis (AREA)
Abstract
본 발명의 실시예에 따른 심혈관 질환 위험도 예측 방법 및 시스템은, 리스크 예측 서버에서 리스크 엔진을 학습시켜 대상 환자의 심혈관 질환 위험도를 예측하는 방법으로서, 기존 환자의 예측인자 데이터를 획득하는 단계; 상기 기존 환자의 심혈관 질환 데이터를 획득하는 단계; 상기 예측인자 데이터와 상기 심혈관 질환 데이터를 매칭하여 예측인자-심혈관 질환 데이터를 생성하는 단계; 상기 예측인자-심혈관 질환 데이터를 학습 데이터로 상기 리스크 엔진을 학습시키는 단계; 상기 대상 환자의 예측인자 데이터를 획득하는 단계; 및 상기 획득된 대상 환자의 예측인자 데이터를 상기 리스크 엔진에 입력하여 상기 대상 환자의 심혈관 질환 데이터를 도출하는 단계를 포함한다.
Description
본 발명은 심혈관 질환 위험도 예측 방법 및 시스템에 관한 것이다. 보다 상세하게는, 무증상 제2형 당뇨병 환자의 심혈관 질환 위험도를 예측하는 방법 및 시스템에 관한 것이다.
당뇨병 환자의 사망원인 중에서 65%는 심장질환이나 뇌졸증에 의한 것으로 심혈관질환은 당뇨병환자의 주요한 사망 원인이다.
이러한 당뇨병에 의한 미세혈관 및 대혈관 합병증은, 눈, 신장, 관상동맥, 말초혈관, 뇌혈관과 같은 표적장기에 손상을 일으키며, 이러한 손상은 장기간의 무증상 시기를 거쳐 증상이 나타날 때에는 이미 합병증이 진행된 상태로 발견된다.
서구화 및 산업화로 인한 생활습관의 변화 및 노인인구 증가로 인해 제2형 당뇨병의 유병률이 급속히 증가하고 있고, 더불어 당뇨병의 대혈관 합병증, 특히 동맥경화성 혈관 합병증의 증가가 예측된다.
당뇨병 환자의 심혈관질환의 발생빈도는, 당뇨병이 없는 성인에 비해서 2~5배 높고, 기존 심혈관질환의 과거력이 있는 비당뇨인의 위험도와 동일하여 당뇨병을 관상동맥질환에 상응하는 위험군(Coronary heart disease risk equivalent)으로 규정하고 있다.
심혈관질환은, 초기에 내피세포 기능장애의 단계를 거쳐 서서히 죽상경화증으로 진행하여 결국에는 심근경색, 불안정 협심증 및 급사와 같은 급성 심혈관 사건을 일으킨다.
특히, 당뇨병에서는, 고혈당, 이상지질혈증, 인슐린 저항성 등의 대사이상이 동반되며, 이로 인해 혈관의 정상적인 기능이 손상되고 죽상경화증에 취약한 상태가 된다. 당뇨병이 죽상동맥경화의 진행을 촉진시키는 기전은 완전히 밝혀지지 않았으나, 혈관내피세포와 혈관평활근세포 이상, 혈전혈성 경향이 원인으로 고려되고 있다.
그러므로, 급성 심혈관 사건이 발생하기 전 무증상 환자에서 심혈관 질환 발병 위험도를 평가하고 조기에 정밀검사 및 적절한 치료가 행해질 수 있다면, 당뇨병환자의 심혈관질환으로 인한 이완율과 사망률을 감소시킬 수 있을 것이다.
당뇨병 환자에게서 심혈관질환을 조기 선별하기 위한 여러가지 검사법 중, 컴퓨터 단층촬영(Computerized Tomography, CT)이 존재한다.
자세히, 컴퓨터 단층촬영(CT)은, X선을 투과시켜 그 흡수차이를 컴퓨터로 재구성하여 인체의 단면영상(Cross-sectional Image)을 얻거나 3차원적인 입체영상을 얻는 영상진단법이다.
이러한 컴퓨터 단층촬영(CT)은, 컴퓨터를 이용하여 계산 및 영상을 재구성하므로 5mm 이하의 아주 작은 조직의 밀도차이를 구별할 수 있어, 질병의 조기진단과 함께 그 구성성분까지도 확인할 수 있는 진단기법이다.
그러나, 컴퓨터 단층촬영(CT)은, X선을 이용한 검사이므로 방사선 조사에 따르는 위험성이 있을 수 있고, 그 비용이 상당하여 빈번한 이용에는 어려움이 따른다.
그러므로, 무증상의 제2형 당뇨병 환자에게서 발병할 수 있는 심혈관 질환으로 인한 사고를 효과적으로 예방하기 위해서, 무증상 환자가 심혈관 잘환을 동반하고 있을 위험도를 조기에 평가하고, 이를 명확하게 확인시켜줄 추가적인 정밀 검사나 조치(예컨대, 컴퓨터 단층촬영(CT) 촬영)가 필요한지를 사전에 판단할 수 있는 기술의 도입이 요구되고 있다.
즉, 증상(통증이나 숨참 증상 등)이 없음에도 불구하고 현재 당장 추가적인 치료를 요하는 수준의 심각한 심혈관 질환(예컨대, 70% 이상의 내경 협착)을 동반할 가능성이 있는 무증상 제2형 당뇨병 환자의 심혈관 질환 유무 위험도를 예측하여, 심혈관 질환으로 인한 사고(예컨대, 심근경색, 심장질환으로 인한 사망 등)를 예방할 수 있는 신기술의 개발이 필요한 실정이다.
더하여, 무증상 환자의 신체 상태는, 시간이 지남에 따라 자연적 또는 의도적으로 변화를 나타내게 된다. 그러나, 종래의 기술에서는 현재의 환자 상태에만 기반하여 심혈관 질환 발병 위험도를 예측하므로, 환자의 신체 상태의 변화에 따른 미래의 심혈관 질환 발병 위험도를 사전에 파악하고, 이에 대한 조기 처방을 수행할 수 있는 신기술의 개발이 필요하다.
본 발명은, 무증상 제2형 당뇨병 환자(이하, 환자)의 심혈관 질환 위험도를 조기에 예측하여 제공하는 방법 및 시스템을 제공하는데 그 목적이 있다.
자세히, 본 발명은, 환자의 심혈관 질환 동반 여부와 관련성 있는 예측인자를 획득하고, 획득된 예측인자를 기반으로 환자의 심혈관 질환 위험도를 측정하는 리스크 엔진(risk engine)을 학습시키는 심혈관 질환 위험도 예측 방법 및 시스템을 제공하고자 한다.
또한, 본 발명은, 환자의 심혈관 질환 데이터를 획득하고, 획득된 심혈관 질환 데이터를 기초로 환자의 심혈관 질환 위험도를 측정하는 리스크 엔진을 학습시키는 심혈관 질환 위험도 예측 방법 및 시스템을 제공하고자 한다.
또한, 본 발명은, 환자의 심혈관 질환 데이터를 컴퓨터 단층촬영 이미지에 기초하여 획득가능한 심혈관 질환 위험도 예측 방법 및 시스템을 제공하고자 한다.
또한, 본 발명은, 학습된 리스크 엔진을 통해 획득된 환자의 심혈관 질환 위험도에 기반하여 해당 환자에게 컴퓨터 단층촬영과 같으 추가적인 정밀 검사나 조치가 필요한지를 사전에 판단하는 심혈관 질환 위험도 예측 방법 및 시스템을 제공하고자 한다.
또한, 본 발명은, 환자의 예측인자 값을 임의로 변경하여, 현재의 환자 상태뿐만 아니라 미래의 환자 상태를 기반으로 해당 환자의 심혈관 질환 위험도를 측정하여 제공하는 심혈관 질환 위험도 예측 방법 및 시스템을 제공하고자 한다.
다만, 본 발명 및 본 발명의 실시예가 이루고자 하는 기술적 과제는 상기된 바와 같은 기술적 과제들로 한정되지 않으며, 또 다른 기술적 과제들이 존재할 수 있다.
본 발명의 실시예에 따른 심혈관 질환 위험도 예측 방법 및 시스템은, 리스크 예측 서버에서 리스크 엔진을 학습시켜 대상 환자의 심혈관 질환 위험도를 예측하는 방법으로서, 기존 환자의 예측인자 데이터를 획득하는 단계; 상기 기존 환자의 심혈관 질환 데이터를 획득하는 단계; 상기 예측인자 데이터와 상기 심혈관 질환 데이터를 매칭하여 예측인자-심혈관 질환 데이터를 생성하는 단계; 상기 예측인자-심혈관 질환 데이터를 학습 데이터로 상기 리스크 엔진을 학습시키는 단계; 상기 대상 환자의 예측인자 데이터를 획득하는 단계; 및 상기 획득된 대상 환자의 예측인자 데이터를 상기 리스크 엔진에 입력하여 상기 대상 환자의 심혈관 질환 데이터를 도출하는 단계를 포함한다.
이때, 상기 기존 환자의 예측인자 데이터를 획득하는 단계는, 전자의무기록 데이터베이스로부터 획득된 상기 기존 환자의 전자의무기록 데이터(EMR)를 필터링하는 단계를 포함한다.
또한, 상기 기존 환자의 예측인자 데이터를 획득하는 단계는, 상기 예측인자 데이터 중 결측치(missing-data)가 존재하는 경우, 일반적 통계 모델에 따라서 상기 결측치를 소정의 값으로 보충하는 단계를 더 포함한다.
또한, 상기 기존 환자의 심혈관 질환 데이터를 획득하는 단계는, 전자의무기록 데이터베이스로부터 획득되는 상기 기존 환자의 전자의무기록 데이터 내의 컴퓨터 단층촬영 이미지를 기초로 상기 심혈관 질환 데이터를 획득하는 단계를 포함한다.
또한, 상기 컴퓨터 단층촬영 이미지를 기초로 상기 심혈관 질환 데이터를 획득하는 단계는, 상기 컴퓨터 단층촬영 이미지로부터 제 1 메이저(major) 혈관 내지 제 3 메이저(major) 혈관을 포함하는 3개의 메이저(major) 혈관 및 제 1 메인(main) 혈관을 검출하고, 검출된 상기 제 1 메이저 혈관 내지 제 3 메이저 혈관 및 제 1 메인 혈관에 대한 혈관 내경의 상태를 파악하여, 상기 기존 환자에 대한 상기 심혈관 질환 위험도를 도출하는 단계를 포함한다.
또한, 상기 리스크 엔진을 학습시키는 단계는, 서로 다른 모델로 형성된 복수의 상기 리스크 엔진을 학습시키는 단계와, 상기 서로 다른 모델로 형성된 복수의 상기 리스크 엔진 중 정확도가 가장 높은 리스크 엔진을 가동 리스크 엔진으로 결정하는 단게를 포함한다.
또한, 본 발명의 실시예에 따른 심혈관 질환 위험도 예측 방법 및 시스템은, 상기 대상 환자의 예측인자 데이터와 상기 대상 환자의 심혈관 질환 데이터를 매칭하여 상기 대상 환자의 예측인자-심혈관 질환 데이터를 생성하는 단계와, 상기 생성된 대상 환자의 예측인자-심혈관 질환 데이터를 상기 학습 데이터에 추가하여 상기 복수의 리스크 엔진을 반복 트레이닝하는 단계와,상기 복수의 리스크 엔진 중 하나를 가동 리스크 엔진으로 업데이트하는 단계를 더 포함한다.
한편, 본 발명의 실시예에 따른 심혈관 질환 위험도 예측 방법 및 시스템은, 사용자 단말에서 리스크 엔진을 이용하여 환자의 심혈관 질환 위험도를 예측하는 방법으로서, 상기 심혈관 질환 위험도를 예측하고자 하는 환자인 대상 환자의 예측인자 데이터를 획득하는 단계; 상기 획득된 예측인자 데이터를 기반으로 상기 대상 환자에 대한 심혈관 질환 데이터를 획득하는 단계; 상기 획득된 심혈관 질환 데이터를 기반으로, 상기 대상 환자의 심혈관 질환과 관련된 각종 정보를 제공하는 심혈관 질환 의료상담 보조 콘텐츠를 생성하여 디스플레이하는 단계; 상기 디스플레이된 심혈관 질환 의료상담 보조 콘텐츠 상에서 상기 예측인자 데이터를 변경하는 인자값 변경 인터페이스를 제공하는 단계; 상기 인자값 변경 인터페이스를 통한 사용자 입력을 기반으로 상기 예측인자 데이터를 변경하고, 상기 예측인자 데이터의 변경에 따른 미래 심혈관 질환 데이터를 획득하는 단계; 및 상기 획득된 미래 심혈관 질환 데이터를 기반으로, 상기 심혈관 질환 의료상담 보조 콘텐츠를 생성하여 디스플레이하는 단계를 포함하고, 상기 미래 심혈관 질환 데이터는, 상기 인자값 변경 인터페이스를 통해 변화된 상기 예측인자 데이터를 기반으로 도출되는 미래의 상기 대상 환자에 대한 상기 심혈관 질환 위험도를 나타내는 정보이다.
이때, 상기 획득된 예측인자 데이터를 기반으로 상기 대상 환자에 대한 심혈관 질환 데이터를 획득하는 단계는, 상기 예측인자 데이터를 상기 리스크 엔진에 입력하여 상기 대상 환자에 대한 심혈관 질환 데이터를 획득하는 단계를 포함한다.
또한, 상기 심혈관 질환 의료상담 보조 콘텐츠는, 상기 환자의 심혈관 질환과 관련된 의료관련 이미지, 동영상, 애니메이션 및 텍스트 중 적어도 하나 이상의 조합으로 형성되고, 상기 환자의 나이, 고혈압 여부, 뇌혈관사고 과거병력, 공복시 혈당, 수축기 혈압, 사구체 여과율, 당뇨 약제 개수 및 당뇨 유병기간 정보를 포함하는 현재 상태정보와, 상기 현재 상태정보에 포함되는 상기 예측인자 데이터를 기반으로 상기 심혈관 질환 위험도를 판단한 결과 정보를 나타내는 요약 정보를 포함한다.
본 발명의 실시예에 따른 심혈관 질환 위험도 예측 방법 및 시스템은, 환자의 심혈관 질환 위험도를 조기에 예측해 제공함으로써, 급성 심혈관 사건을 사전에 예방하는 적절한 치료를 수행할 수 있고, 이를 통해 심혈관 질환으로 인한 이완율과 사망률을 감소시킬 수 있는 효과가 있다.
또한, 본 발명의 실시예에 따른 심혈관 질환 위험도 예측 방법 및 시스템은, 환자의 예측인자 데이터와 심혈관 질환 데이터를 기반으로 복수의 리스크 엔진(risk engine)을 학습시키고, 학습된 복수의 리스크 엔진 중 가장 정확도가 높은 리스크 엔진을 선택하여 환자의 심혈관 질환 위험도를 예측함으로써, 예측된 환자의 심혈관 질환 위험도의 정확도 및 신뢰성을 향상시킬 수 있는 효과가 있다.
또한, 본 발명의 실시예에 따른 심혈관 질환 위험도 예측 방법 및 시스템은, 환자의 심혈관 질환 데이터를 컴퓨터 단층촬영 이미지에 기초해 획득가능함으로써, 다각화된 방식으로 환자의 심혈관 질환 데이터를 획득할 수 있는 효과가 있다.
또한, 본 발명의 실시예에 따른 심혈관 질환 위험도 예측 방법 및 시스템은, 학습된 리스크 엔진을 통해 획득된 환자의 심혈관 질환 위험도를 기반으로, 해당 환자에게 컴퓨터 단층촬영(CT)과 같은 추가적인 정밀 검사나 조치가 필요한지를 사전에 판단하여 제공함으로써, 꼭 필요한 경우에 추가적인 검사나 조치를 수행하게 할 수 있는 효과가 있다.
또한, 본 발명의 실시예에 따른 심혈관 질환 위험도 예측 방법 및 시스템은, 환자의 예측인자 값을 예상가능한 미래의 값으로 임의 변경하여, 현재의 환자 상태뿐만 아니라 미래의 환자 상태를 기반으로 해당 환자의 심혈관 질환 위험도를 측정해 제공함으로써, 시간이 지남에 따라 자연적 또는 의도적으로 변화를 나타내는 환자의 상태에 기초한 미래의 심혈관 질환 위험도를 사전에 파악할 수 있고, 이에 대한 조기 처방을 수행할 수 있는 효과가 있다.
다만, 본 발명에서 얻을 수 있는 효과는 이상에서 언급한 효과들로 제한되지 않으며, 언급하지 않은 또 다른 효과들은 아래의 기재로부터 명확하게 이해될 수 있다.
도 1은 본 발명의 실시예에 따른 심혈관 질환 위험도를 예측하는 시스템의 개념도이다.
도 2는 본 발명의 실시예에 따른 사용자 단말의 일례이다.
도 3은 본 발명의 실시예에 따른 심혈관 질환 위험도를 예측하는 시스템의 블록도이다.
도 4는 본 발명의 실시예에 따른 심혈관 질환 위험도를 예측하는 방법을 리스크 예측 서버의 관점에서 설명하기 위한 흐름도이다.
도 5는 본 발명의 실시예에 따른 적어도 둘 이상의 각기 다른 시점을 가지는 컴퓨터 단층촬영(CT) 이미지의 일례이다.
도 6은 본 발명의 실시예에 따른 심혈관 질환 위험도를 예측하는 방법을 사용자 단말의 관점에서 설명하기 위한 흐름도이다.
도 7a 및 7b는 본 발명의 실시예에 따른 심혈관 질환 데이터를 그래픽 이미지로 디스플레이하는 모습의 일례이다.
도 8은 본 발명의 실시예에 따른 미래 심혈관 질환 데이터를 그래픽 이미지로 디스플레이하는 모습의 일례이다.
도 2는 본 발명의 실시예에 따른 사용자 단말의 일례이다.
도 3은 본 발명의 실시예에 따른 심혈관 질환 위험도를 예측하는 시스템의 블록도이다.
도 4는 본 발명의 실시예에 따른 심혈관 질환 위험도를 예측하는 방법을 리스크 예측 서버의 관점에서 설명하기 위한 흐름도이다.
도 5는 본 발명의 실시예에 따른 적어도 둘 이상의 각기 다른 시점을 가지는 컴퓨터 단층촬영(CT) 이미지의 일례이다.
도 6은 본 발명의 실시예에 따른 심혈관 질환 위험도를 예측하는 방법을 사용자 단말의 관점에서 설명하기 위한 흐름도이다.
도 7a 및 7b는 본 발명의 실시예에 따른 심혈관 질환 데이터를 그래픽 이미지로 디스플레이하는 모습의 일례이다.
도 8은 본 발명의 실시예에 따른 미래 심혈관 질환 데이터를 그래픽 이미지로 디스플레이하는 모습의 일례이다.
본 발명은 다양한 변환을 가할 수 있고 여러 가지 실시예를 가질 수 있는 바, 특정 실시예들을 도면에 예시하고 상세한 설명에 상세하게 설명하고자 한다. 본 발명의 효과 및 특징, 그리고 그것들을 달성하는 방법은 도면과 함께 상세하게 후술되어 있는 실시예들을 참조하면 명확해질 것이다. 그러나 본 발명은 이하에서 개시되는 실시예들에 한정되는 것이 아니라 다양한 형태로 구현될 수 있다. 이하의 실시예에서, 제1, 제2 등의 용어는 한정적인 의미가 아니라 하나의 구성 요소를 다른 구성 요소와 구별하는 목적으로 사용되었다. 또한, 단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 복수의 표현을 포함한다. 또한, 포함하다 또는 가지다 등의 용어는 명세서상에 기재된 특징, 또는 구성요소가 존재함을 의미하는 것이고, 하나 이상의 다른 특징들 또는 구성요소가 부가될 가능성을 미리 배제하는 것은 아니다. 또한, 도면에서는 설명의 편의를 위하여 구성 요소들이 그 크기가 과장 또는 축소될 수 있다. 예컨대, 도면에서 나타난 각 구성의 크기 및 두께는 설명의 편의를 위해 임의로 나타내었으므로, 본 발명이 반드시 도시된 바에 한정되지 않는다.
이하, 첨부된 도면을 참조하여 본 발명의 실시예들을 상세히 설명하기로 하며, 도면을 참조하여 설명할 때 동일하거나 대응하는 구성 요소는 동일한 도면부호를 부여하고 이에 대한 중복되는 설명은 생략하기로 한다.
도 1은 본 발명의 실시예에 따른 심혈관 질환 위험도를 예측하는 시스템의 개념도이다.
도 1을 참조하면, 본 발명의 실시예에 따른 심혈관 질환 위험도 예측 방법 및 시스템은, 사용자 단말(100), 전자의무기록 데이터베이스(200: Electronic Medical Record Database, EMR-DB) 및 리스크 예측 서버(300)를 포함할 수 있다.
여기서, 도 1의 각 구성요소는, 네트워크(Network)를 통해 연결될 수 있다. 네트워크는 사용자 단말(100), 전자의무기록 데이터베이스(200) 및 리스크 예측 서버(300) 등과 같은 각각의 노드 상호 간에 정보 교환이 가능한 연결 구조를 의미하는 것으로, 이러한 네트워크의 일 예에는 3GPP(3rd Generation Partnership Project) 네트워크, LTE(Long Term Evolution) 네트워크, WIMAX(World Interoperability for Microwave Access) 네트워크, 인터넷(Internet), LAN(Local Area Network), Wireless LAN(Wireless Local Area Network), WAN(Wide Area Network), PAN(Personal Area Network), 블루투스(Bluetooth) 네트워크, 위성 방송 네트워크, 아날로그 방송 네트워크, DMB(Digital Multimedia Broadcasting) 네트워크 등이 포함되나 이에 한정되지는 않는다.
- 사용자 단말
본 발명의 실시예에서 사용자 단말(100)은, 환자의 심혈관 질환 위험도를 예측하는 서비스를 수행하기 위한 어플리케이션이 설치된 휴대용 단말인 스마트 폰, 디지털방송용 단말기, 휴대폰, PDA(personal digital assistants), PMP(portable multimedia player), 네비게이션, 태블릿 PC(tablet PC), 웨어러블 디바이스(wearable device) 및 스마트 글라스(smart glass) 등을 포함할 수 있다.
또한, 사용자 단말(100)은, 고정형 단말인 데스크 탑 PC, 노트북 컴퓨터(laptop computer), 울트라북(ultrabook)과 같은 퍼스널 컴퓨터 등과 같이 유/무선 통신을 기반으로 환자의 심혈관 질환 위험도를 예측하는 서비스를 제공하기 위한 어플리케이션이 설치된 장치를 더 포함할 수 있다.
실시예에서 이러한 사용자 단말(100)은, 사용자 단말(100)에 설치된 의료상담 프로그램을 실행하여 환자의 심혈관 질환과 관련된 각종 정보를 제공하는 심혈관 질환 상담 어플리케이션을 구동할 수 있다.
또한, 사용자 단말(100)은, 구동된 심혈관 질환 상담 어플리케이션을 통하여 환자와 관련된 각종 데이터를 기반으로 해당 환자의 심혈관 질환과 관련된 각종 정보들을 획득 및 출력할 수 있다.
자세히, 사용자 단말(100)은, 환자의 심혈관 질환에 관련된 각종 데이터를 획득할 수 있으며, 리스크 예측 서버(300)와 연동하여 획득된 데이터에 기반한 환자의 심혈관 위험도 정보를 의료상담 보조 콘텐츠를 통해 제공할 수 있다. 이에 대한 자세한 설명은 후술하기로 한다.
이하, 첨부된 도면을 참조하여 사용자 단말(100)을 이루는 각 구성 요소에 대해 상세히 설명하고자 한다.
도 2는 본 발명의 실시예에 따른 사용자 단말(100)의 일례이다.
도 2를 참조하면, 사용자 단말(100)은, 통신부(110), 입력부(120), 디스플레이부(130), 터치스크린(135: touch screen), 카메라(140), 저장부(150), 마이크(160), 스피커(170) 및 제어부(180)를 포함할 수 있다.
먼저, 통신부(110)는, 환자의 심혈관 질환 위험도를 예측하는 서비스를 제공하기 위한 각종 데이터 및/또는 정보 등을 송수신할 수 있다.
실시예에서, 통신부(110)는, 리스크 예측 서버(300) 및/또는 타유저의 단말과 통신하여 환자의 심혈관 질환 위험도를 예측하는 서비스와 관련된 각종 데이터를 송수신할 수 있다.
또한, 통신부(110)는, 환자의 심혈관 질환 위험도를 예측하는 서비스와 관련된 데이터를 외부 프린터로 전송하여 오프라인 출력물로 프린팅하도록 보조할 수 있다.
이러한 통신부(110)는, 이동통신을 위한 기술표준들 또는 통신방식(예를 들어, GSM(Global System for Mobile communication), CDMA(Code Division Multi Access), HSDPA(High Speed Downlink Packet Access), HSUPA(High Speed Uplink Packet Access), LTE(Long Term Evolution), LTE-A(Long Term Evolution-Advanced) 등)에 따라 구축된 이동 통신망 상에서 기지국, 외부의 단말, 임의의 서버 중 적어도 하나와 무선 신호를 송수신할 수 있다.
다음으로, 입력부(120)는, 환자의 심혈관 질환 위험도를 예측하는 서비스와 관련된 사용자(의사)의 입력을 감지할 수 있다.
실시예로, 입력부(120)는, 환자와 의사 간의 의료상담 과정에서 제공되는 상담 입력 인터페이스를 통한 사용자의 입력을 감지할 수 있다.
다음으로, 디스플레이부(130)는, 환자의 심혈관 질환 위험도를 예측하는 서비스와 관련된 다양한 정보를 그래픽 이미지를 출력할 수 있다.
이러한 디스플레이부(130)는, 액정 디스플레이(liquid crystal display, LCD), 박막 트랜지스터 액정 디스플레이(thin film transistor-liquid crystal display, TFT LCD), 유기 발광 다이오드(organic light-emitting diode, OLED), 플렉서블 디스플레이(flexible display), 3차원 디스플레이(3D display), 전자잉크 디스플레이(e-ink display) 중에서 적어도 하나를 포함할 수 있다.
또한, 상기 입력부(120) 및 상기 디스플레이부(130)가 결합되어 터치스크린(135)으로 구현될 수 있다.
다음으로, 카메라(140)는, 진료 및 의료상담 과정을 촬영하여 의료상담 관련 영상을 획득할 수 있다. 이때, 영상을 획득한 사용자 단말(100)은, 획득된 영상을 의료상담 보조 콘텐츠를 통해 출력할 수 있다.
또한, 카메라(140)는, 사용자 단말(100)의 전면 또는/및 후면에 배치되어 배치된 방향측을 촬영하여 영상을 획득할 수 있으며, 사용자 단말(100)의 외부에 배치되어 외부 시점에서 진료 과정을 촬영할 수도 있다.
사용자 단말(100)의 외부에 카메라(140)가 배치된 경우, 카메라(140)는, 통신부(110)를 통해 제어부(180)로 촬영한 진료 과정 영상을 송신할 수 있다.
그리고 이러한 카메라(140)는, 이미지 센서와 영상 처리 모듈을 포함할 수 있다.
자세히, 카메라(140)는, 이미지 센서(예를 들면, CMOS 또는 CCD)에 의해 얻어지는 정지영상 또는 동영상을 처리할 수 있다.
또한, 카메라(140)는, 영상 처리 모듈을 이용하여 이미지 센서를 통해 획득된 정지영상 또는 동영상을 가공해 필요한 정보를 추출하고, 추출된 정보를 제어부(180)에 전달할 수 있다.
다음으로, 저장부(150)는, 본 발명의 실시예에 따른 환자의 심혈관 질환 위험도를 예측하는 서비스를 제공하는 각종 응용 프로그램, 데이터 및 명령어 중 어느 하나 이상을 저장할 수 있다.
실시예로 저장부(150)는, 환자의 예측인자 데이터, 예측인자-심혈관 질환 데이터 등을 저장하고 관리할 수 있다.
이러한 저장부(150)는, ROM, RAM, EPROM, 플래시 드라이브, 하드 드라이브 등과 같은 다양한 저장기기일 수 있고, 인터넷(internet)상에서 상기 저장부(150)의 저장 기능을 수행하는 웹 스토리지(web storage)일 수도 있다.
다음으로, 마이크(160)는, 의료상담 과정에서의 환자 및/또는 의사의 음성 입력을 감지할 수 있고, 감지된 음성을 기반으로 상담내용 녹음정보를 획득할 수 있다.
이때, 상담내용 녹음정보를 획득한 사용자 단말(100)은, 획득된 녹음정보를 의료상담 보조 콘텐츠를 통해 출력할 수 있다.
다음으로, 스피커(170)는, 환자의 심혈관 질환 위험도를 예측하는 서비스와 관련된 오디오 정보를 출력할 수 있다.
실시예로, 스피커(170)는, 의료상담 보조 콘텐츠에 포함된 상담내용 녹음정보를 출력하여 제공할 수 있다.
마지막으로, 제어부(180)는, 환자의 심혈관 질환 위험도를 예측하는 서비스를 제공하기 위하여 전술한 각 구성요소의 전반적인 동작을 컨트롤할 수 있다.
이러한 제어부(180)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 프로세스(microprocessors), 기타 기능 수행을 위한 전기적 유닛 중 적어도 하나를 이용하여 구현될 수 있다.
다만, 도 2에 도시된 구성요소들은 사용자 단말(100)을 구현하는데 있어서 필수적인 것은 아니어서, 본 명세서 상에서 설명되는 사용자 단말(100)은 위에서 열거된 구성요소들 보다 많거나, 또는 적은 구성요소들을 가질 수 있다.
한편, 상술된 의료상담 보조 콘텐츠란, 의료관련 이미지, 동영상, 애니메이션 또는 텍스트들의 조합으로 형성되어, 사용자 단말(100)을 통해 디스플레이되어 의료상담을 보조하는 자료이다.
자세히, 의료상담 보조 콘텐츠는, 의료상담을 보조하기 위한 시청각 자료들을 포함할 수 있다. 자세히, 시청각 자료는, 심혈관 질환 관리 콘텐츠, 통증 관리 콘텐츠, 당뇨병 관리 콘텐츠, 질병진단 콘텐츠, 치료방법 콘텐츠, 약물상담 콘텐츠, 진료비용 콘텐츠, 보험 정보 콘텐츠, 서명 콘텐츠, 기타 콘텐츠 및 전술한 콘텐츠들을 통합한 의료상담 콘텐츠 등을 포함할 수 있다.
예를 들어, 의료상담 보조 콘텐츠에는, 환자의 심혈관 질환 위험도 정보, 신체기관 이미지, 질병 정보, 치료법 이미지, 치료법 정보, 약물 복약방법, 약물 정보 및 보험 정보 중 적어도 하나의 이미지나 정보들이 포함될 수 있으며, 상기 의료상담 콘텐츠을 작성하는데 사용되는 청각 정보도 보조로 포함될 수 있다.
또한, 실시예에서 의료상담 보조 콘텐츠는, 적어도 하나 이상의 의료관련 데이터(Electric Health Record, EHR)들을 기초로 생성된 시각 콘텐츠일 수 있다.
또한, 실시예에서 의료상담 보조 콘텐츠는, 병원 서버나 병원 데이터베이스로부터 수신한 전자의무기록(Electronic Medical Record, EMR)을 포함할 수 있다.
이와 같은 다양한 의료상담 보조 콘텐츠는, 사용자 단말(100)에서 의사의 선택에 따라서 상담에 활용되도록 표시되며, 사용자 단말(100)은 선택된 복수의 의료상담 보조 콘텐츠를 의사가 상담에 활용하기 쉽게 정렬하여 제공할 수도 있다.
또한, 이러한 의료상담 보조 콘텐츠는, 다양한 방식의 상담 입력 인터페이스를 제공하여, 의료 상담내용 및 의료상담 보조 콘텐츠와 매칭된 의료상담 콘텐츠가 생성되도록 보조할 수 있다.
자세히, 여기서 의료상담 콘텐츠란, 전술한 의료상담 보조 콘텐츠 상에 사용자(의사)에 의해 입력된 상담내용이 추가되어 생성된 콘텐츠이다. 즉, 의료상담 콘텐츠는, 의료상담 보조 콘텐츠와 상담내용을 포함할 수 있다.
이러한 의료상담 콘텐츠 생성을 위해 사용자 단말(100)에서는, 의료상담 보조 콘텐츠들로 구성된 의료상담 콘텐츠 작성 화면이 상담 입력 인터페이스와 함께 제공되고, 상담 입력 인터페이스를 기초로 의료상담 보조 콘텐츠 상에 상담내용이 입력되어 의료상담 콘텐츠가 생성될 수 있다.
여기서, 상담 입력 인터페이스는, 표시된 의료상담 보조 이미지 상에 상담자가 필기, 음성, 편집 또는 영상을 입력하도록 하는 그래픽 유저 인터페이스를 포함할 수 있다.
예를 들어, 상담 입력 인터페이스는, 의료상담 보조 이미지 상에 사용자의 필기입력을 감지하는 필기 입력 인터페이스를 제공할 수 있다.
또한, 의료상담 보조 이미지를 표시하면서 사용자 입력을 수신하기 위하여 사용자 단말(100)은, 터치스크린(135: 터치 패널)을 이용하여 상담 입력 인터페이스를 제공할 수 있다.
또한, 상담 입력 인터페이스는, 사용자의 음성을 녹음하여 녹음된 상담음성을 의료상담 보조 콘텐츠와 매칭함으로써 상담내용을 입력하는 음성 입력 인터페이스를 제공할 수 있다.
즉, 사용자 단말(100)은, 환자의 심혈관 질환 위험도 정보를 의료상담 보조 콘텐츠로 표시할 수 있고, 표시된 의료상담 보조 콘텐츠 상의 상담 입력 인터페이스를 통하여, 상담내용과 의료상담 보조 콘텐츠와 매칭된 의료상담 콘텐츠를 생성하여 제공할 수 있다.
- 리스크 예측 서버
또한, 본 발명의 실시예에서 리스크(risk) 예측 서버는, 사용자 단말(100) 및/또는 전자의무기록(EMR) 데이터베이스(200)와 연동하여 환자에 대한 예측인자 데이터를 획득할 수 있고, 획득된 예측인자 데이터를 기반으로 환자의 심혈관 질환 위험도를 예측하여 제공할 수 있다.
여기서, 예측인자란, 복수의 기존 환자(복수의 기존 무증상 제2형 당뇨병 환자)의 신체 정보를 포함하는 전자의무기록(EMR) 데이터를 기초로 분석을 수행하여, 제2형 당뇨병 환자에게서 발병되는 심혈관 질환과 관련성이 있다고 판단된 연관인자를 의미한다.
실시예로, 예측인자는, 나이, 고혈압 여부, 뇌혈관사고 과거병력, 공복시 혈당, 수축기 혈압, 사구체 여과율, 당뇨 약제 개수 및 당뇨 유병기간 등을 포함할 수 있다.
자세히, 리스크 예측 서버(300)는, 위와 같은 예측인자에 각각에 대하여 환자별로 보유하고 있는 예측인자 데이터를 사용자 단말(100) 및/또는 전자의무기록(EMR) 데이터베이스(200)로부터 수신하여 획득할 수 있다.
또한, 리스크 예측 서버(300)는, 사용자 단말(100) 및/또는 전자의무기록(EMR) 데이터베이스(200)를 통하여 환자의 심혈관 질환 데이터를 획득할 수 있다.
여기서, 심혈관 질환 데이터란, 환자의 예측인자 데이터 및 그에 따른 심혈관 질환 위험도를 나타내는 정보를 의미한다.
자세히, 리스크 예측 서버(300)는, 사용자 단말(100) 및/또는 전자의무기록(EMR) 데이터베이스(200)로부터 환자의 심혈관 질환 데이터를 획득할 수도 있고, 전자의무기록(EMR) 데이터베이스(200) 상에 저장된 환자의 컴퓨터 단층촬영(CT) 이미지를 기반으로 환자의 심혈관 질환 데이터를 생성하여 획득할 수도 있다. 이에 대한 자세한 설명은 후술하기로 한다.
또한, 리스크 예측 서버(300)는, 획득된 예측인자 데이터 및 심혈관 질환 데이터를 기반으로, 환자의 예측인자 데이터를 입력 데이터로하고 심혈관 질환 데이터를 출력 데이터로 제공하는 리스크 엔진(risk engine)을 학습시킬 수 있다. 즉, 리스크 예측 서버(300)는, 학습된 리스크 엔진을 통해 심혈관 질환 위험도를 예측하려는 대상 환자의 심혈관 질환 위험도를 나타내는 심혈관 질환 데이터를 획득하여 제공할 수 있다.
또한, 리스크 예측 서버(300)는, 리스크 엔진을 통해 획득된 환자의 심혈관 질환 데이터에 기반하여 해당 환자에게 컴퓨터 단층촬영(CT)이 필요한지 여부를 판단할 수 있고, 판단된 컴퓨터 단층촬영 필요여부를 사용자 단말(100)에 제공할 수 있다.
또한, 리스크 예측 서버(300)는, 획득된 환자의 예측인자 값을 임의로 변경하여, 현재의 환자 상태뿐만 아니라 미래의 환자 상태를 기반으로 해당 환자의 심혈관 질환 위험도를 측정하여 제공할 수도 있다.
도 3은 본 발명의 실시예에 따른 심혈관 질환 위험도를 예측하는 시스템의 블록도이다.
자세히, 도 3을 참조하면, 리스크 예측 서버(300)는, 사용자 단말(100) 및/또는 전자의무기록(EMR) 데이터베이스(200)와 연동할 수 있으며, 예측인자 추출부(310), 결측치(missing-data) 보충부(320), 심혈관 질환 데이터 처리부(330), 학습 데이터 생성부(340), 리스크 엔진(350: risk engine), 엔진 정확도 평가부(360), 데이터 저장부(370), 데이터 송수신부(380) 및 프로세서(390)를 포함할 수 있다.
여기서, 전자의무기록(EMR) 데이터베이스(200: Electronic Medical Record Database, EMR-DB)는, 병원 서버를 통해 기록된 환자의 전자의무기록(EMR)을 저장하는 데이터베이스일 수 있다.
여기서, 전자의무기록(EMR)이란, 기존에 종이차트에 기록했던 환자의 인적사항, 병력, 건강상태, 진찰기록, 입/퇴원기록 등 환자의 진료와 관련된 모든 정보를 전산화하여 입력, 저장 및 관리하는 의료정보 시스템으로, 병원정보 시스템(HIS, Hospital Information System)의 일부분을 의미한다.
즉, 리스크 예측 서버(300)는, 위와 같은 전자의무기록(EMR) 데이터베이스(200)와 연동하여 환자와 관련된 전자의무기록(EMR) 데이터를 수신할 수 있고, 수신된 전자의무기록(EMR) 데이터에 기초하여 예측인자 데이터 및/또는 심혈관 질환 데이터 등을 획득할 수 있다.
한편, 자세히 리스크 예측 서버(300)의 예측인자 추출부(310)는, 전자의무기록(EMR) 데이터베이스(200)로부터 획득된 환자의 전자의무기록(EMR) 데이터에서, 예측인자 데이터만을 필터링(filtering)하여 추출할 수 있다.
예를 들어, 예측인자 추출부(310)는, 전자의무기록(EMR) 데이터의 환자 인적사항, 병력, 건강상태, 진찰기록 및 입/퇴원기록 데이터 중에서, 환자의 나이, 고혈압 여부, 뇌혈관사고 과거병력, 공복시 혈당, 수축기 혈압, 사구체 여과율, 당뇨 약제 개수 및 당뇨 유병기간과 관련된 데이터만을 필터링하여 추출할 수 있다.
또한, 결측치(missing-data) 보충부(320)는, 필요한 예측인자 데이터 중에서 예측인자 추출부(310)를 통해서는 획득되지 못한 예측인자 데이터를 의미한다.
즉, 결측치는, 필요한 예측인자 데이터인 환자의 나이, 고혈압 여부, 뇌혈관사고 과거병력, 공복시 혈당, 수축기 혈압, 사구체 여과율, 당뇨 약제 개수 및 당뇨 유병기간 데이터 중에서, 전자의무기록(EMR) 데이터에 존재하지 않는 등의 이유로 예측인자 추출부(310)가 획득하지 못한 데이터를 의미할 수 있다.
이러한 결측치가 존재하는 경우, 리스크 예측 서버(300)의 결측치 보충부(320)는, 일반적 통계 모델을 제공하는 외부의 서버(예컨대, 국가통계포털 KOSIS, 통계청 및/또는 통계빅데이터센터 서버 등) 및/또는 장치와 연동하여, 환자의 전자의무기록(EMR) 데이터, 예측인자 데이터 및/또는 일반적 통계 모델에 기초해 결측치의 값을 채워놓을 수 있다. 이에 대한 자세한 설명은 후술하기로 한다.
다음으로, 심혈관 질환 데이터 처리부(330)는, 전자의무기록(EMR) 데이터베이스(200) 및/또는 사용자 단말(100)로부터 획득되는 심혈관 질환 데이터를 관리할 수 있다.
이때, 실시예에서 심혈관 질환 데이터 처리부(330)는, 전자의무기록(EMR) 데이터베이스(200) 및/또는 사용자 단말(100)로부터 획득될 수 있는 컴퓨터 단층촬영(CT) 이미지를 분석하여 심혈관 질환 데이터를 생성할 수도 있다. 이에 대한 자세한 설명은 후술하기로 한다.
다음으로, 학습 데이터 생성부(340)는, 획득된 예측인자 데이터 및 심혈관 질환 데이터를 기반으로 예측인자-심혈관 질환 데이터를 생성할 수 있다.
여기서, 예측인자-심혈관 질환 데이터란, 환자로부터 획득된 예측인자 데이터와, 해당 환자 및/또는 예측인자 데이터에 대응되는 심혈관 질환 데이터를 상호 매칭하여 저장한 정보를 의미한다. 즉, 예측인자-심혈관 질환 데이터는, 해당 환자의 상태에 따른 심혈관 질환 위험도 정보를 제공할 수 있다.
실시예에서, 이러한 예측인자-심혈관 질환 데이터는, 환자(무증상 제2형 당뇨병 환자)의 심혈관 질환 발병 위험도를 예측하는 리스크 엔진(350)에 대한 학습 데이터로 사용될 수 있다.
다음으로, 리스크 엔진(350: risk enginge)은, 생성된 예측인자-심혈관 질환 데이터를 학습 데이터로 하여 트레이닝(training)되는 장치 및/또는 서버일 수 있다.
이때, 리스크 엔진(350)은, 리스크 예측 서버(300)에 직접 설치될 수도 있고, 리스크 예측 서버(300)와는 별도의 장치 및/또는 서버일 수도 있다. 이하에서는, 환자의 심혈관 질환 데이터를 제공하는 리스크 엔진(350)이 리스크 예측 서버(300)에 직접 설치되어 동작하는 것으로 설명하나, 이에 한정되는 것은 아니다.
자세히, 예측인자-심혈관 질환 데이터를 기반으로 학습된 리스크 엔진(350)은, 실시예에서 심혈관 질환 위험도를 예측하려는 대상 환자의 예측인자 데이터를 입력 데이터로하고, 해당 대상 환자의 심혈관 질환 데이터를 출력 데이터로 제공할 수 있다.
또한, 실시예에서 리스크 엔진(350)은, 각기 다른 모델로 구현되는 복수의 리스크 엔진(351, 352, 353, 354, 355, …)을 포함할 수 있으며, 이를 통해 리스크 엔진(350)으로부터 획득되는 환자의 심혈관 질환 데이터에 대한 정확도를 향상시킬 수 있다. 이에 대한 자세한 설명은 후술하기로 한다.
다음으로, 엔진 정확도 평가부(360)는, 복수의 리스크 엔진(351, 352, 353, …)으로부터 출력되는 각각의 환자 심혈관 질환 데이터에 대한 정확도를 평가할 수 있고, 평가의 결과로 가장 높은 정확도의 심혈관 질환 데이터를 제공하는 리스크 엔진(350)을 선별하여 가동 리스크 엔진으로 결정되게 할 수 있다.
여기서, 가동 리스크 엔진이란, 예측인자-심혈관 질환 데이터를 기초로 학습된 복수의 리스크 엔진(351, 352, 353, …) 중, 현재 가장 높은 정확도의 출력 데이터를 제공하여, 심혈관 위험도 예측을 수행하려는 대상 환자의 예측인자 데이터를 입력해 심혈관 질환 위험도 예측 동작을 수행하기 가장 적합하다고 판단된 리스크 엔진(350)을 의미한다.
다음으로, 데이터 저장부(370)는, 환자의 심혈관 질환 위험도를 예측하는 서비스와 관련된 각종 데이터, 응용 프로그램 및 명령어 중 어느 하나 이상을 저장할 수 있다.
이러한 데이터 저장부(370)는, ROM, RAM, EPROM, 플래시 드라이브, 하드 드라이브 등과 같은 다양한 저장기기일 수 있고, 인터넷(internet)상에서 상기 데이터 저장부(370)의 저장 기능을 수행하는 웹 스토리지(web storage)일 수도 있다.
다음으로, 데이터 송수신부(380)는, 환자의 심혈관 질환 위험도를 예측하는 서비스를 제공하기 위한 각종 데이터 및/또는 정보 등을 네트워크를 통해 송수신할 수 있다.
실시예에서, 데이터 송수신부(380)는, 전자의무기록(EMR) 데이터베이스(200)로부터 전자의무기록(EMR) 데이터, 심혈관 질환 데이터 및/또는 컴퓨터 단층촬영(CT) 이미지 등을 수신할 수 있다. 또한, 데이터 송수신부(380)는, 사용자 단말(100)로부터 예측요청정보 등을 수신할 수 있고, 사용자 단말(100)로 심혈관 질환 데이터를 송신할 수 있다.
이러한 데이터 송수신부(380)는, 이동통신을 위한 기술표준들 또는 통신방식(예를 들어, GSM(Global System for Mobile communication), CDMA(Code Division Multi Access), HSDPA(High Speed Downlink Packet Access), HSUPA(High Speed Uplink Packet Access), LTE(Long Term Evolution), LTE-A(Long Term Evolution-Advanced) 등)에 따라 구축된 이동 통신망 상에서 기지국, 외부의 단말, 임의의 서버 중 적어도 하나와 무선 신호를 송수신할 수 있다.
마지막으로, 리스크 예측 서버(300)의 프로세서(390)는, 환자의 심혈관 질환 위험도를 예측하는 서비스를 제공하기 위하여 전술한 각 구성요소의 전반적인 동작을 컨트롤할 수 있다.
이러한 프로세서(390)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 프로세스(microprocessors), 기타 기능 수행을 위한 전기적 유닛 중 적어도 하나를 이용하여 구현될 수 있다.
- 심혈관 질환 위험도를 예측하는 방법
이하, 첨부된 도면을 참조하여 환자(무증상 제2형 당뇨병 환자)의 심혈관 질환 위험도를 예측하는 방법에 대해 상세히 설명하고자 한다.
도 4는 본 발명의 실시예에 따른 심혈관 질환 위험도를 예측하는 방법을 리스크 예측 서버(300)의 관점에서 설명하기 위한 흐름도이다.
먼저, 리스크 예측 서버(300)의 관점에서 환자의 심혈관 질환 위험도를 예측하는 방법을 설명하자면, 리스크 예측 서버(300)는, 기존 환자의 예측인자 데이터를 획득할 수 있다. (S101)
이때, 본 발명의 실시예에서는, 기존 환자를 무증상 제2형 당뇨병 기존 환자에 한정하여 설명한다. 그러나, 실시예에 따라서 타 질병의 기존 환자(예컨대, 제1형 당뇨병 기존 환자 등) 또한 기존 환자에 포함될 수 있다.
자세히, 리스크 예측 서버(300)는, 전자의무기록(EMR) 데이터베이스(200)로부터 복수의 기존 환자에 대한 전자의무기록(EMR) 데이터를 수신할 수 있다.
그리고 리스크 예측 서버(300)는, 예측인자 추출부(310)를 통해 수신된 전자의무기록(EMR) 데이터에서 예측인자 데이터만을 필터링(filtering)하여 추출할 수 있다.
예를 들어, 리스크 예측 서버(300)는, 전자의무기록(EMR) 데이터의 환자 인적사항, 병력, 건강상태, 진찰기록 및 입/퇴원기록 데이터 중에서, 예측인자 데이터인 환자의 나이, 고혈압 여부, 뇌혈관사고 과거병력, 공복시 혈당, 수축기 혈압, 사구체 여과율, 당뇨 약제 개수 및 당뇨 유병기간과 관련된 데이터만을 필터링하여 추출할 수 있다.
이때, 전자의무기록(EMR) 데이터 상에 처음부터 존재하지 않는 등의 이유로 특정 예측인자 데이터가 예측인자 추출부(310)를 통해 추출되지 못하는 경우가 발생할 수 있다.
이와 같이, 필요한 예측인자 데이터 중에서 예측인자 추출부(310)를 통해 획득되지 못한 예측인자 데이터인 결측치(missimg-data)가 존재하는 경우, 리스크 예측 서버(300)는, 결측치 보충부(320)를 통하여 해당 결측치에 소정의 값을 부여할 수 있다.
즉, 리스크 예측 서버(300)는, 필요한 예측인자 데이터인 환자의 나이, 고혈압 여부, 뇌혈관사고 과거병력, 공복시 혈당, 수축기 혈압, 사구체 여과율, 당뇨 약제 개수 및 당뇨 유병기간 데이터 중에서, 전자의무기록(EMR) 데이터에 존재하지 않는 등의 이유로 획득되지 못한 결측치를 검출할 수 있고, 검출된 결측치에 소정의 값을 부여할 수 있다.
자세히, 리스크 예측 서버(300)는, 예측인자 추출부(310)를 통해 획득된 예측인자 데이터 또는 전자의무기록(EMR) 데이터베이스(200)로부터 획득된 기존 환자의 전자의무기록(EMR) 데이터 중 적어도 하나 이상의 데이터와, 외부의 서버(예컨대, 국가통계포털 KOSIS, 통계청 및/또는 통계빅데이터센터 서버 등) 및/또는 장치로부터 획득되는 일반적 통계 모델에 기반하여, 결측치에 부여할 소정의 값을 도출할 수 있다.
보다 상세히, 일 실시예로 리스크 예측 서버(300)는, 획득된 예측인자 데이터 각각이 가지는 데이터 값을, 외부의 서버 및/또는 장치로부터 획득되는 일반적 통계 모델에 적용하여, 결측치에 부여할 소정의 값을 도출할 수 있다.
예를 들면, 리스크 예측 서버(300)는, 획득된 예측인자 데이터인 제 1 내지 7 예측인자 데이터가 소정의 값을 가지고, 제 8 예측인자 데이터가 결측치로 존재하는 경우, 제 1 내지 7 예측인자 데이터의 값을 일반적 통계 모델에 적용할 수 있다.
그리고 리스크 예측 서버(300)는, 일반적 통계 모델이 가지는 통계 데이터를 기반으로, 제 1 내지 7 예측인자 데이터의 값에 따른 제 8 예측인자 데이터의 값에 대한 일반적 통계값을 획득할 수 있고, 획득된 일반적 통계값을 기초로 제 8 예측인자 데이터에 소정의 값을 부여할 수 있다.
이와 같이, 리스크 예측 서버(300)는, 필요한 예측인자 데이터 중 획득되지 못한 결측치를 소정의 값으로 보충하여 이용함으로써, 환자의 심혈관 질환 위험도를 예측하는 프로세스가 보다 원활히 동작하게 할 수 있고, 예측된 심혈관 질환 위험도의 정확성을 향상시킬 수 있다.
다음으로, 위와 같이 기존 환자의 예측인자 데이터를 획득한 리스크 예측 서버(300)는, 기존 환자의 심혈관 질환 데이터를 획득하여 예측인자-심혈관 질환 데이터를 생성할 수 있다. (S103)
여기서, 심혈관 질환 데이터는, 환자의 예측인자 데이터 및 그에 따른 심혈관 질환 위험도를 나타내는 정보를 의미한다.
또한, 예측인자-심혈관 질환 데이터는, 환자로부터 획득된 예측인자 데이터와, 해당 환자 및/또는 예측인자 데이터에 대응되는 심혈관 질환 데이터를 상호 매칭하여 저장한 정보를 의미하며, 해당 환자의 상태에 따른 심혈관 질환 위험도 정보를 제공할 수 있다.
자세히, 실시예에서 리스크 예측 서버(300)는, 전자의무기록(EMR) 데이터베이스(200)로부터 획득된 기존 환자의 전자의무기록(EMR) 데이터에 기초하여 환자의 심혈관 질환 데이터를 획득할 수 있다.
예를 들어, 리스크 예측 서버(300)는, 전자의무기록(EMR) 데이터에 포함되는 진찰기록에서, 환자를 진료한 의사가 전자 기록을 통해 생성하여 전자의무기록(EMR) 데이터베이스(200) 상에 저장한 적어도 하나 이상의 정보 중, 해당 환자의 심혈관 질환에 관련된 진단기록을 나타내는 심혈관 질환 진단정보를 획득할 수 있고, 이를 기초로 해당 환자의 심혈관 질환 데이터를 획득할 수 있다.
다른 실시예에서, 리스크 예측 서버(300)는, 전자의무기록(EMR) 데이터베이스(200)로부터 획득되는 기존 환자의 전자의무기록(EMR) 데이터의 컴퓨터 단층촬영(CT) 이미지를 분석하여 심혈관 질환 데이터를 획득할 수 있다.
도 5는 본 발명의 실시예에 따른 적어도 둘 이상의 각기 다른 시점을 가지는 컴퓨터 단층촬영(CT) 이미지의 일례이다.
자세히, 도 5를 참조하면, 리스크 예측 서버(300)는, 먼저 전자의무기록(EMR) 데이터의 진찰기록에서 기존 환자의 컴퓨터 단층촬영(CT) 이미지를 획득할 수 있다. 이때, 실시예에 따라서 리스크 예측 서버(300)는, 사용자 단말(100)로부터 컴퓨터 단층촬영(CT) 이미지를 획득할 수도 있다.
또한, 컴퓨터 단층촬영(CT) 이미지를 획득한 리스크 예측 서버(300)는, 심혈관 질환 데이터 처리부(330)를 통해, 획득된 기존 환자의 컴퓨터 단층촬영(CT) 이미지를 기반으로 이미지 분석을 수행하여, 해당 기존 환자에 대한 심혈관 질환 유무를 판단할 수 있다.
자세히, 리스크 예측 서버(300)는, 컴퓨터 단층촬영(CT) 이미지로부터 제 1 메이저(major) 혈관 내지 제 3 메이저(major) 혈관 및 제 1 메인(main) 혈관을 검출할 수 있다.
예컨대, 제 1 메이저(major) 혈관 내지 제 3 메이저(major) 혈관은, 좌주관상동맥, 좌전하행동맥, 좌회선동맥 및 우관상동맥일 수 있고, 제 1 메인(main)혈관은 좌주관상동맥일 수 있다.
그리고 리스크 예측 서버(300)는, 검출된 제 1 메이저 혈관 내지 제 3 메이저 혈관에 대한 혈관 내경의 상태를 파악하여, 해당 기존 환자에 대한 심혈관 질환 여부를 도출할 수 있다.
실시예로, 리스크 예측 서버(300)는, 제 1 메이저 혈관 내지 제 3 메이저 혈관 및 제 1 메인 혈관 각각의 혈관 내경의 상태를 파악하여, 제 1 메이저 혈관 내지 제 3 메이저 혈관 및 제 1 메인 혈관 중에서 적어도 하나의 혈관 내경이 소정의 퍼센트(%) 이하로 감소될수록 의미있는 심혈관 질환이 있다고 판단할 수 있고, 혈관 내경이 소정의 퍼센트(%) 이상으로 증가될수록 심혈관 질환 위험도가 낮아진다고 판단할 수 있다.
그리고 리스크 예측 서버(300)는, 판단된 심혈관 질환 동반 여부를 기초로 해당 기존 환자에 대한 심혈관 질환 데이터를 생성할 수 있다.
즉, 리스크 예측 서버(300)는, 컴퓨터 단층촬영(CT) 이미지의 제 1 메이저 혈관 내지 제 3 메이저 혈관 및 제 1 메인 혈관에 대한 분석을 통하여, 해당 기존 환자의 심혈관 질환 데이터를 획득할 수 있다.
좀 더 상세히, 도 5를 더 참조하면, 컴퓨터 단층촬영(CT) 이미지의 제 1 내지 3 메이저 혈관 및 제 1 메인 혈관에 대한 분석을 수행하기 위하여 리스크 예측 서버(300)는, 먼저 제 1 내지 3 메이저 혈관 및 제 1 메인 혈관에 대한 적어도 둘 이상의 각기 다른 시점을 가지는 컴퓨터 단층촬영(CT) 이미지를 획득할 수 있다.
그리고 리스크 예측 서버(300)는, 획득된 복수의 컴퓨터 단층촬영(CT) 이미지를 기반으로 이미지 처리를 수행하여, 적어도 둘 이상의 각기 다른 시점에서 제 1 내지 3 메이저 혈관 및 제 1 메인 혈관을 검출해 분석할 수 있고, 이를 통해 심혈관 질환 데이터를 획득할 수 있다.
예를 들어, 리스크 예측 서버(300)는, 복수의 컴퓨터 단층촬영(CT) 이미지 각각에 대한 영상 전처리(preprocessing)를 수행할 수 있으며, 세그먼트(segment) 및 클러스터링(clustering)을 수행하여, 배경(background)과 전경(foreground)을 분리할 수 있다. 이후, 리스크 예측 서버(300)는, 이미지 세그먼트에 의해 분리된 전경으로부터 오브젝트(즉, 제 1 내지 3 메이저 혈관 및 제 1 메인 혈관)를 검출할 수 있다. 그리고 리스크 예측 서버(300)는, 분리된 오브젝트를 분류하고(classify), 확인할 수 있다(verify). 예를 들어, 리스크 예측 서버(300)는, 뉴럴 네트워크(neural network)를 이용한 식별법, SVM(Support Vector Machine) 기법, Haar-like 특징을 이용한 AdaBoost에 의해 식별하는 기법, 또는 HOG(Histograms of Oriented Gradients) 기법 등을 사용하여 상기 오브젝트를 분류 및 확인할 수 있다. 그리고 리스크 예측 서버(300)는, 분류 및 확인된 오브젝트(제 1 내지 3 메이저 혈관 및 제 1 메인 혈관)에 대한 이미지 분석(예컨대, 이미지 명암도 분석 등)을 수행하여, 각 오브젝트 즉, 제 1 내지 3 메이저 혈관 및 제 1 메인 혈관 각각에 대한 혈관 내경을 파악할 수 있고, 파악된 혈관 내경의 상태를 기초로 심혈관 질환 위험도를 도출할 수 있다. 그리고 리스크 예측 서버(300)는, 도출된 심혈관 질환 위험도에 기초한 심혈관 질환 데이터를 생성해 획득할 수 있다.
또한, 심혈관 질환 데이터를 생성한 리스크 예측 서버(300)는, 학습 데이터 생성부(340)를 통하여, 획득된 심혈관 질환 데이터와 해당 심혈관 질환 데이터에 대응되는 환자의 예측인자 데이터를 매칭하여 예측인자-심혈관 질환 데이터를 생성할 수 있다.
다음으로, 리스크 예측 서버(300)는, 생성된 예측인자-심혈관 질환 데이터를 학습 데이터로 하여 리스크 엔진(350)을 학습시킬 수 있고, 가동 리스크 엔진을 결정할 수 있다. (S105)
자세히, 리스크 예측 서버(300)는, 예측인자-심혈관 질환 데이터를 리스크 엔진(350)을 트레이닝(training)시키는 학습 데이터로 이용하여, 리스크 엔진(350)이 예측인자 데이터를 입력 데이터로 하고 심혈관 질환 데이터를 출력 데이터로 하도록 학습시킬 수 있다.
다만, 리스크 엔진(350)이 어떠한 모델로 구현되어 있는지에 따라서 학습 데이터의 개수 등과 같은 데이터 환경의 변화에 따라 출력되는 결과값이 달라질 수 있다. 예를 들어, 제 1 리스크 엔진(350)은 학습 데이터가 100개 이하일 때 높은 정확도로 결과값을 출력하는 모델일 수 있고, 제 2 리스크 엔진(350)은 학습 데이터가 100개 초과-1000개 이하일 때 높은 정확도로 결과값을 출력하는 모델일 수 있다.
그러므로 본 발명의 실시예에서는, 심혈관 질환 위험도를 보다 정확하게 예측하기 위하여 복수의 리스크 엔진(351, 352, 353, …)을 이용하고자 한다.
자세히, 리스크 예측 서버(300)는, 각기 다른 모델로 구현되는 복수의 리스크 엔진(351, 352, 353, …)을, 예측인자-심혈관 질환 데이터를 학습 데이터로 이용하여, 예측인자 데이터를 입력 데이터로 하고 심혈관 질환 데이터를 출력 데이터로 제공하는 리스크 엔진(350)으로 학습시킬 수 있다.
이후, 리스크 예측 서버(300)는, 엔진 정확도 평가부(360)를 통하여, 학습된 각 리스크 엔진(350)별 출력 정확도를 판단할 수 있다.
자세히, 리스크 예측 서버(300)는, 학습된 복수의 리스크 엔진(351, 352, 353, …)으로부터 출력되는 각각의 환자 심혈관 질환 데이터에 대한 정확도를 평가할 수 있고, 평가의 결과로 현재 가장 높은 정확도의 심혈관 질환 데이터를 제공하는 리스크 엔진(350)을 선별할 수 있다.
그리고 리스크 예측 서버(300)는, 현재 가장 높은 정확도의 출력 데이터를 제공한다고 판단된 리스크 엔진(350)을, 이후에 심혈관 질환 위험도 예측을 수행하려는 대상 환자의 예측인자 데이터를 입력할 리스크 엔진(350)인 가동 리스크 엔진으로 결정할 수 있다.
즉, 가동 리스크 엔진은, 예측인자-심혈관 질환 데이터를 기초로 학습된 복수의 리스크 엔진(351, 352, 353, …) 중, 현재 가장 높은 정확도의 출력 데이터를 제공하여, 심혈관 위험도 예측을 수행하려는 대상 환자의 예측인자 데이터를 입력하여 심혈관 질환 데이터를 획득하는데 사용되도록 선정된 리스크 엔진(350)일 수 있다.
이를 통해, 리스크 예측 서버(300)는, 모델 간 경쟁방식을 구현하여 복수의 리스크 엔진(351, 352, 353, …)을 보다 효과적으로 학습시킬 수 있고, 리스크 엔진(350)을 통해 출력되는 결과값 즉, 심혈관 질환 데이터의 정확도와 신뢰성을 증대시킬 수 있다.
한편, 복수의 리스크 엔진(351, 352, 353, …)을 학습시키고 가동 리스크 엔진을 결정한 리스크 예측 서버(300)는, 심혈관 질환에 대한 위험도 예측을 수행하려는 대상 환자의 예측인자 데이터를 획득할 수 있다. (S107)
자세히, 리스크 예측 서버(300)는, 사용자 단말(100) 및/또는 외부의 서버(예컨대, 병원 서버) 등으로부터 예측요청정보를 수신할 수 있다.
여기서, 예측요청정보란, 대상 환자의 예측인자 데이터와 대상 환자에 대한 심혈관 질환 위험도 예측을 요청하는 신호를 포함하는 정보일 수 있다.
그리고 예측요청정보를 수신한 리스크 예측 서버(300)는, 획득된 대상 환자의 예측인자 데이터를 가동 리스크 엔진에 입력하여 심혈관 질환 데이터를 도출할 수 있고, 도출된 심혈관 질환 데이터와 예측인자 데이터에 기초하여 해당 대상 환자에 대한 예측인자-심혈관 질환 데이터를 획득할 수 있다. (S109)
자세히, 리스크 예측 서버(300)는, 먼저 복수의 리스크 엔진(351, 352, 353, …) 중 현재 가장 높은 정확도로 심혈관 질환 데이터를 출력하는 가동 리스크 엔진에, 획득된 대상 환자의 예측인자 데이터를 입력할 수 있다.
그리고 리스크 예측 서버(300)는, 대상 환자의 예측인자 데이터가 입력된 가동 리스크 엔진으로부터, 해당 예측인자 데이터를 기반으로 예측된 해당 대상 환자의 심혈관 질환 위험도를 나타내는 심혈관 질환 데이터를 획득할 수 있다.
또한, 리스크 예측 서버(300)는, 가동 리스크 엔진으로부터 획득된 심혈관 질환 데이터와, 해당 심혈관 질환 데이터를 도출하는데 이용된 예측인자 데이터를 매칭하여, 대상 환자에 대한 예측인자-심혈관 질환 데이터를 생성해 획득할 수 있다.
다음으로, 대상 환자의 예측인자-심혈관 질환 데이터를 획득한 리스크 예측 서버(300)는, 획득된 대상 환자의 에측인자-심혈관 질환 데이터를 학습 데이터에 추가하여, 복수의 리스크 엔진(351, 352, 353, …) 각각을 반복 트레이닝(training)시킬 수 있고, 가동 리스크 엔진을 업데이트(update)할 수 있다. (S111)
자세히, 리스크 예측 서버(300)는, 대상 환자의 예측인자-심혈관 질환 데이터가 추가된 학습 데이터를 기반으로 각 복수의 리스크 엔진(351, 352, 353, …)을 반복적으로 트레이닝할 때마다, 엔진 정확도 평가부(360)를 통하여 각 리스크 엔진(350)별 출력 정확도를 측정할 수 있다.
그리고 리스크 예측 서버(300)는, 트레이닝 시마다 갱신되는 각 리스크 엔진(350)별 출력 정확도에 기반하여, 복수의 리스크 엔진(351, 352, 353, …) 중 어느 하나로 결정되는 가동 리스크 엔진을 업데이트할 수 있다.
이처럼, 리스크 예측 서버(300)는, 대상 환자에 대한 심혈관 질환 위험도를 예측할 때마다 학습 데이터 및 리스크 엔진(350)에 대한 업데이트를 수행함으로써, 리스크 엔진(350)의 성능을 효율적으로 향상시킬 수 있고, 환자의 심혈관 질환 위험도 예측 서비스의 사용성을 증대시킬 수 있다.
한편, 이하에서는, 첨부된 도면을 참조하여 사용자 단말(100)의 관점에서 환자의 심혈관 질환 위험도를 예측하는 방법을 설명하고자 한다. 후술되는 설명에 있어서 상술된 설명과 중복되는 기재는 요약되거나 생략될 수 있다.
도 6은 본 발명의 실시예에 따른 심혈관 질환 위험도를 예측하는 방법을 사용자 단말(100)의 관점에서 설명하기 위한 흐름도이다.
자세히, 도 6을 참조하면, 먼저 사용자 단말(100)은, 심혈관 질환 상담 어플리케이션을 설치할 수 있다. (S201)
자세히, 사용자 단말(100)은, 사용자 단말(100)에 의료상담 프로그램을 설치할 수 있고, 설치된 의료상담 프로그램을 실행하여 대상 환자(심혈관 질환 위험도를 예측하려는 무증상 제2형 당뇨병 환자)의 심혈관 질환 위험도를 예측하는 서비스를 제공하는 심혈관 질환 상담 어플리케이션을 구동할 수 있다.
다음으로, 사용자 단말(100)은, 설치된 심혈관 질환 상담 어플리케이션을 통하여 대상 환자의 예측인자 데이터를 입력할 수 있다. (S203)
자세히, 사용자 단말(100)은, 전자의무기록(EMR) 데이터베이스(200)에 기저장되어 있는 대상 환자의 전자의무기록(EMR) 데이터를 수신할 수 있다.
그리고 사용자 단말(100)은, 수신된 대상 환자의 전자의무기록(EMR) 데이터에서 예측인자 데이터만을 필터링(filtering)하여 추출할 수 있다.
예컨대, 사용자 단말(100)은, 대상 환자에 대한 전자의무기록(EMR) 데이터의 환자 인적사항, 병력, 건강상태, 진찰기록 및 입/퇴원기록 데이터 중에서, 예측인자 데이터인 환자의 나이, 고혈압 여부, 뇌혈관사고 과거병력, 공복시 혈당, 수축기 혈압, 사구체 여과율, 당뇨 약제 개수 및 당뇨 유병기간과 관련된 데이터만을 필터링하여 추출할 수 있다.
그리고 사용자 단말(100)은, 추출된 예측인자 데이터에 기초하여 심혈관 질환 상담 어플리케이션 상에 대상 환자의 예측인자 데이터가 자동으로 입력되게 할 수 있다.
또한, 사용자 단말(100)은, 심혈관 질환 상담 어플리케이션을 통하여 대상 환자에 대한 예측인자 데이터를 입력하는 예측인자 입력 인터페이스를 제공할 수 있다.
즉, 사용자 단말(100)은, 심혈관 질환 상담 어플리케이션에서 제공하는 예측인자 입력 인터페이스를 이용하여, 사용자(의사)가 직접 대상 환자의 예측인자 데이터를 심혈관 질환 상담 어플리케이션 상에 입력하게 할 수 있다.
이때, 전자의무기록(EMR) 데이터 상에 처음부터 존재하지 않는 등의 이유로 특정 예측인자 데이터가 획득되지 못하는 경우가 발생할 수 있다.
이와 같이, 필요한 예측인자 데이터 중에서 획득되지 못한 예측인자 데이터인 결측치(missimg-data)가 존재하는 경우, 사용자 단말(100)은, 해당 결측치에 소정의 값을 부여하여 심혈관 질환 상담 어플리케이션 상에 입력시키는 결측치 보충 입력을 수행할 수 있다.
즉, 사용자 단말(100)은, 필요한 예측인자 데이터인 환자의 나이, 고혈압 여부, 뇌혈관사고 과거병력, 공복시 혈당, 수축기 혈압, 사구체 여과율, 당뇨 약제 개수 및 당뇨 유병기간 데이터 중에서, 전자의무기록(EMR) 데이터에 존재하지 않는 등의 이유로 획득되지 못한 결측치를 검출할 수 있고, 검출된 결측치에 소정의 값을 부여하여 결측치 보충 입력을 수행할 수 있다.
실시예로, 사용자 단말(100)은, 자동 입력 및/또는 사용자 입력을 통해 획득된 예측인자 데이터 또는 대상 환자의 전자의무기록(EMR) 데이터 중 적어도 하나 이상의 데이터와, 외부의 서버(예컨대, 국가통계포털 KOSIS, 통계청 및/또는 통계빅데이터센터 서버 등) 및/또는 장치로부터 획득되는 일반적 통계 모델에 기반하여, 결측치에 부여할 소정의 값을 도출할 수 있다.
보다 상세히, 일 실시예로 사용자 단말(100)은, 획득된 예측인자 데이터 각각이 가지는 데이터 값을, 외부의 서버 및/또는 장치로부터 획득되는 일반적 통계 모델에 적용하여, 결측치에 부여할 소정의 값을 도출할 수 있다.
그리고 사용자 단말(100)은, 도출된 소정의 값을 기반으로 결측치에 값을 부여함으로써 결측치 보충 입력을 수행할 수 있다.
이와 같이, 사용자 단말(100)은, 필요한 예측인자 데이터 중 획득되지 못한 결측치를 소정의 값으로 보충하여, 환자의 심혈관 질환 위험도를 예측하는 프로세스가 안정적으로 동작하게 할 수 있고, 예측된 심혈관 질환 위험도의 정확도를 향상시킬 수 있다.
위와 같이, 전자의무기록(EMR) 데이터에 기반한 자동 입력, 예측인자 입력 인터페이스에 기초한 사용자 입력 및/또는 결측치 보충 입력을 통하여, 심혈관 질환 상담 어플리케이션에 대상 환자의 예측인자 데이터를 입력한 사용자 단말(100)은, 입력된 예측인자 데이터에 기초한 심혈관 질환 데이터를 획득하여 출력할 수 있다. (S205)
자세히, 사용자 단말(100)은, 먼저 입력된 예측인자 데이터를 리스크 예측 서버(300)로 송신할 수 있다.
이때, 사용자 단말(100)은, 대상 환자의 예측인자 데이터와, 해당 대상 환자에 대한 심혈관 질환 위험도 예측을 요청하는 신호를 포함하는 예측요청정보를 생성할 수 있고, 생성된 예측요청정보를 리스크 예측 서버(300)로 송신할 수 있다.
또한, 여기서 사용자 단말(100)로부터 예측요청정보를 수신한 리스크 예측 서버(300)는, 수신된 예측요청정보의 예측인자 데이터를 가동 리스크 엔진에 입력할 수 있다. 그리고 예측인자 데이터를 입력받은 가동 리스크 엔진은, 입력된 예측인자 데이터에 따른 출력 데이터로서 해당 대상 환자에 대한 심혈관 질환 데이터를 제공할 수 있다. 그리고 리스크 예측 서버(300)는, 가동 리스크 엔진으로부터 획득된 해당 대상 환자에 대한 심혈관 질환 데이터를 사용자 단말(100)로 송신할 수 있다.
계속해서, 사용자 단말(100)은, 리스크 예측 서버(300)로부터 대상 환자의 예측인자 데이터에 기반한 심혈관 질환 데이터를 수신할 수 있다.
또한, 사용자 단말(100)은, 수신된 대상 환자에 대한 심혈관 질환 데이터에 기반하여, 대상 환자의 심혈관 질환과 관련된 각종 정보를 제공하는 심혈관 질환 의료상담 보조 콘텐츠를 도 7a 및 7b와 같이 디스플레이(display)할 수 있다.
여기서, 심혈관 질환 의료상담 보조 콘텐츠는, 환자의 심혈관 질환과 관련된 의료관련 이미지, 동영상, 애니메이션 또는 텍스트들의 조합으로 형성될 수 있으며, 사용자 단말(100)을 통해 디스플레이되어 사용자(의사) 및/또는 환자에게 제공될 수 있다.
실시예에서, 도 7a 및 7b를 더 참조하면, 이러한 심혈관 질환 의료상담 보조 콘텐츠는, 환자의 나이, 고혈압 여부, 뇌혈관사고 과거병력, 공복시 혈당, 수축기 혈압, 사구체 여과율, 당뇨 약제 개수 및 당뇨 유병기간 정보를 포함하는 현재 상태정보와, 환자의 현재 상태정보에 포함되는 예측인자 데이터를 기반으로 심혈관 질환 위험도를 판단한 결과 정보를 나타내는 요약 정보를 포함할 수 있다.
이와 같이, 대상 환자의 심혈관 질환과 관련된 각종 정보를 제공하는 심혈관 질환 의료상담 보조 콘텐츠를 통하여, 사용자(의사)는, 해당 대상 환자의 심혈관 위험도가 어느 정도인지 확인할 수 있고, 이를 통해 해당 대상 환자에게 컴퓨터 단층촬영(CT)과 같은 추가적인 정밀 검사나 조치가 필요한지를 사전에 판단하여 적절한 조치를 취할 수 있다.
즉, 사용자 단말(100)은, 대상 환자의 예측인자 데이터에 따라서 도출된 해당 대상 환자의 심혈관 질환 데이터에 기반하여 심혈관 질환 의료상담 보조 콘텐츠를 생성해 디스플레이함으로써, 대상 환자의 심혈관 질환 발병 위험을 조기에 인지하게 할 수 있고, 이를 통해 급성 심혈관 사건을 사전에 예방하는 적절한 검사나 치료를 수행하게 하여, 환자(무증상 제2형 당뇨병 환자)의 심혈관 질환으로 인한 이완율과 사망률을 감소시킬 수 있다.
한편, 일반적으로 환자의 신체 상태는, 시간이 지남에 따라 자연적 변화(예컨대, 나이의 증가) 또는 의도적 변화(예컨대, 당뇨 약제갯수의 증감)를 나타내게 된다. 그러나, 현재의 환자 상태에 따른 예측인자 데이터만으로는, 환자의 신체 상태 변화에 따른 미래의 심혈관 질환 위험도를 파악하기에 어려움이 있을 수 있다.
도 8은 본 발명의 실시예에 따른 미래 심혈관 질환 데이터를 그래픽 이미지로 디스플레이하는 모습의 일례이다.
그리하여, 도 8을 참조하면, 본 발명의 실시예에 따른 사용자 단말(100)은, 디스플레이된 심혈관 질환 의료상담 콘텐츠를 기반으로, 변화 가능한 예측인자(이하, 변화 예측인자)의 변경에 따른 미래 심혈관 질환 데이터를 획득해 출력할 수 있다. (S207)
여기서, 미래 심혈관 질환 데이터는, 변화된 예측인자를 반영한 예측인자 데이터(이하, 변화 예측인자 데이터)를 기반으로 도출되는 심혈관 질환 데이터를 의미할 수 있다.
자세히, 사용자 단말(100)은, 심혈관 질환 의료상담 콘텐츠 상에서 변화 예측인자의 데이터 값을 변경할 수 있는 인자값 변경 인터페이스를 제공할 수 있다.
또한, 사용자 단말(100)은, 제공된 인자값 변경 인터페이스를 통한 사용자의 입력을 기반으로, 변화 예측인자 데이터 값에 대한 변경을 수행할 수 있다.
그리고 사용자 단말(100)은, 변화 예측인자 데이터 값의 변경에 따라서 변화하는 예측인자인 종속 예측인자의 데이터 값 변화를 파악할 수 있다.
자세히, 사용자 단말(100)은, 먼저 변화 예측인자 데이터에 기초하여 예측요청정보를 생성할 수 있다.
그리고 사용자 단말(100)은, 생성된 예측요청정보를 리스크 예측 서버(300)로 송신할 수 있다.
이때, 사용자 단말(100)로부터 예측요청정보를 수신한 리스크 예측 서버(300)는, 수신된 예측요청정보의 변화 예측인자 데이터를 가동 리스크 엔진에 입력할 수 있다. 그리고 변화 예측인자 데이터를 입력받은 가동 리스크 엔진은, 입력된 변화 예측인자 데이터에 따른 미래 심혈관 질환 데이터를 제공할 수 있다. 그리고 리스크 예측 서버(300)는, 가동 리스크 엔진으로부터 획득된 미래 심혈관 질환 데이터를 사용자 단말(100)로 송신할 수 있다.
계속해서, 사용자 단말(100)은, 리스크 예측 서버(300)로부터 대상 환자의 변화 예측인자 데이터에 기반한 미래 심혈관 질환 데이터를 수신할 수 있다.
그리고 사용자 단말(100)은, 수신된 대상 환자의 미래 심혈관 질환 데이터와, 해당 대상 환자의 예측인자 데이터를 기반으로 생성되어 있는 기존의 심혈관 질환 데이터를 비교하여, 변화 예측인자의 변경에 따른 종속 예측인자의 변화를 파악할 수 있다.
또한, 사용자 단말(100)은, 수신된 대상 환자에 대한 미래 심혈관 질환 데이터와, 해당 대상 환자의 심혈관 질환 데이터 및 변화 예측인자의 변화에 따른 종속 예측인자의 변화를 기반으로, 해당 대상 환자의 예측인자 변화에 따라서 예측되는 미래의 심혈관 질환과 관련된 각종 정보를 제공하는 미래 심혈관 질환 의료상담 보조 콘텐츠를 생성해 도 8과 같이 디스플레이할 수 있다.
예를 들어, 사용자 단말(100)은, 제 1 예측인자(예컨대, 당뇨 유병기간)가 변경된 변화 예측인자 데이터를 가동 리스크 엔진에 입력하여, 제 1 예측인자의 변경에 따라 변화하는 종속 예측인자인 제 2 예측인자(예컨대, 공복시 혈당)와 제 3 예측인자(예컨대, 수축기 혈압)가 변화된 상태로 형성되는 미래 심혈관 질환 데이터를 획득할 수 있다.
이때, 예측인자 간 변화되는 상관관계는, 일반적 통계 모델을 기반으로 기설정될 수 있으며, 본 발명의 실시예에서는 이에 대한 알고리즘 자체를 한정하거나 제한하지는 않는다.
또한, 사용자 단말(100)은, 획득된 미래 심혈관 질환 데이터와, 제 1 예측인자가 변경되기 이전에 생성된 심혈관 질환 데이터를 비교하여, 제 2 및 3 예측인자의 변화값을 파악할 수 있다.
그리고 사용자 단말(100)은, 파악된 변화값, 심혈관 질환 데이터 및 미래 심혈관 질환 데이터에 기초하여, 대상 환자의 예측인자 변화에 따른 미래 심혈관 질환 의료상담 보조 콘텐츠를 생성해 디스플레이할 수 있다.
이때, 사용자 단말(100)은, 대상 환자의 미래 심혈관 질환 데이터를 기반으로 생성된 미래 심혈관 질환 의료상담 보조 콘텐츠를 디스플레이할 시, 해당 대상 환자의 변화 예측인자 변경에 따른 종속 예측인자의 변화를 그래픽 이미지로 표시하여 제공할 수 있다.
자세히, 사용자 단말(100)은, 미래 심혈관 질환 의료상담 보조 콘텐츠 상에, 변화된 변화 예측인자를 나타내는 소정의 기호 및/또는 변화 예측인자의 변경에 따라 변화되는 종속 예측인자를 나타내는 소정의 기호를 표시하여, 변화된 변화 예측인자 및/또는 종속 예측인자를 직관적으로 인식하게 할 수 있다.
예를 들어, 도 8을 더 참조하면, 사용자 단말(100)은, 제 1 예측인자인 당뇨 유병기간이 변화된 변화 예측인자일 경우, 당뇨 유병기간 예측인자에 변화된 변화 예측인자임을 나타내는 소정의 기호(예컨대, 사각형)를 표시할 수 있다.
이때, 사용자 단말(100)은, 변화된 변화 예측인자가 변경된 정도를 나타내는 소정의 기호(예컨대, 화살표)를 더 표시할 수도 있다.
또한, 사용자 단말(100)은, 제 2 예측인자인 공복시 혈당과 제 3 예측인자인 수축기 혈압이, 제 1 예측인자인 당뇨 유병기간의 변경에 따라 변화되는 종속 예측인자일 경우, 공복시 혈당 및 수축기 혈압 예측인자에 종속 예측인자임을 나타내는 소정의 기호(예컨대, 원형)를 표시할 수 있다.
이때, 사용자 단말(100)은, 종속 예측인자에 대한 데이터 값을 표시할 시, 해당 종속 예측인자의 변화 이전 데이터 값과 변화 이후 데이터 값을 함께 표시할 수 있다.
예를 들면, 사용자 단말(100)은, 제 2 예측인자인 공복시 혈당의 변화 이전 데이터 값인 '(-Inf, 120]'과, 변화 이후 데이터 값인 '(160, Inf]'을 동시에 표시할 수 있다.
여기서, 사용자 단말(100)은, 변화 이전 데이터 값과 변화 이후 데이터 값을 서로 다른 소정의 기호로 표시하여, 변화 이전 데이터 값과 변화 이후 데이터 값을 직관적으로 구분하게 할 수 있다.
예컨대, 사용자 단말(100)은, 제 2 예측인자인 공복시 혈당의 변화 이전 데이터 값인 '(-Inf, 120]'는, 변화 이전 데이터임을 나타내는 소정의 기호(예컨대, 원형 체크박스)로 표시하고, 변화 이후 데이터 값인 '(160, Inf]'는, 변화 이후 데이터임을 나타내는 소정의 기호(예컨대, 체크 기호)로 표시할 수 있다.
더하여, 사용자 단말(100)은, 미래 심혈관 질환 의료상담 보조 콘텐츠의 요약정보에서 제공하는 심혈관 질환 위험도 그래프 상에서, 대상 환자의 예측인자 변화에 따라서 예상되는 심혈관 질환 위험도의 변화량을, 소정의 기호로 표시하여 나타낼 수 있다.
자세히, 사용자 단말(100)은, 심혈관 질환 위험도 그래프 상에, 예측인자가 변화되기 이전에 측정된 심혈관 질환 위험도와 예측인자가 변화된 이후에 측정된 심혈관 질환 위험도를 표시할 수 있다.
이때, 사용자 단말(100)은, 예측인자가 변화되기 이전에 측정된 심혈관 질환 위험도와 예측인자가 변화된 이후에 측정된 심혈관 질환 위험도를 서로 다른 소정의 기호로 표시하여 직관적으로 구분하게 할 수 있다.
예를 들면, 사용자 단말(100)은, 심혈관 질환 위험도 그래프 상에서, 예측인자가 변화되기 이전에 측정된 심혈관 질환 위험도를 검정색 막대바(bar)로 표시하고, 예측인자가 변화된 이후에 측정된 심혈관 질환 위험도를 빨간색 막대바로 표시할 수 있다. 이때, 사용자 단말(100)은, 심혈관 질환 위험도가 소정의 제 1 값(변화되기 이전에 측정된 심혈관 질환 위험도)에서 소정의 제 2 값(변화된 이후에 측정된 심혈관 질환 위험도)으로 변경되었음을 직관적으로 인식시킬 수 있는 소정의 기호(예컨대, 화살표)를 더 표시할 수도 있다. 또한, 사용자 단말(100)은, 측정된 심혈관 질환 위험도를 숫자로 표시할 수도 있다.
이와 같이, 사용자 단말(100)은, 대상 환자의 미래 심혈관 질환 의료상담 보조 콘텐츠를 디스플레이할 시, 해당 대상 환자의 예측인자가 변화되기 이전과 이후를 함께 표시하며, 이를 소정의 기호를 통해 직관적으로 구분하게 함으로써, 예측인자의 변화에 따라서 예상되는 미래의 심혈관 질환 위험도를 보다 쉽고 명백하게 인지하도록 할 수 있다.
한편, 미래 심혈관 질환 데이터를 기반으로 미래 심혈관 질환 의료상담 보조 콘텐츠를 출력한 사용자 단말(100)은, 사용자 단말(100)에 설치된 심혈관 질환 상담 어플리케이션을 통하여, 미래 심혈관 질환 데이터를 수정할 수 있는 사용자 수정 인터페이스를 제공할 수 있다.
자세히, 사용자 단말(100)은, 제공된 사용자 수정 인터페이스를 통한 사용자의 입력을 기반으로, 미래 심혈관 질환 의료상담 보조 콘텐츠를 통해 제공되는 대상 환자의 미래 심혈관 질환 데이터를 수정할 수 있다.
예를 들어, 사용자 단말(100)은, 변화된 예측인자인 제 1 예측인자의 종속 예측인자인 제 2 및 3 예측인자의 변화 이후 데이터 값을, 미래 심혈관 질환 의료상담 보조 콘텐츠 상에서 제공되는 사용자 수정 인터페이스에 대한 입력에 따라서 변경할 수 있다.
그리고 사용자 단말(100)은, 사용자 입력에 의해 수정되어 새롭게 획득된 미래 심혈관 질환 데이터를 별도로 저장 및 관리할 수 있다.
즉, 사용자 단말(100)은, 가동 리스크 엔진을 통하여 획득된 예측인자의 변화에 따른 미래 심혈관 질환 데이터를, 사용자(의사)의 인지적 판단을 기반으로 수정하게 할 수 있고, 이를 통해 대상 환자에 대한 미래 심혈관 질환 데이터의 정확성을 향상시킬 수 있다.
다른 실시예에서, 사용자 단말(100)은, 대상 환자의 변화 예측인자 데이터에 기반한 미래 심혈관 질환 데이터를, 사용자(의사)의 입력에 기반하여 획득할 수도 있다.
자세히, 사용자 단말(100)은, 먼저 심혈관 질환 상담 어플리케이션을 통하여, 대상 환자의 변화 예측인자 데이터를 기반으로 예측되는 미래 심혈관 질환 위험도와 관련된 각종 정보를 입력가능한 예측 입력 인터페이스를 제공할 수 있다.
그리고 사용자 단말(100)은, 제공된 예측 입력 인터페이스를 통한 사용자 입력에 의하여, 사용자(의사)가 변화 예측인자 변경에 따른 종속 예측인자의 변화 및 심혈관 질환 위험도를 진단한 심혈관 질환 진단정보를 획득할 수 있다.
이때, 사용자 단말(100)은, 획득된 심혈관 질환 진단정보를 전자의무기록(EMR) 데이터베이스(200) 상에 저장하여 관리할 수 있다. 이후, 사용자 단말(100)은, 리스크 예측 서버(300)의 요청 시 전자의무기록(EMR) 데이터베이스(200) 상에 저장된 심혈관 질환 진단정보를 제공할 수 있다.
또한, 사용자 단말(100)은, 획득된 심혈관 질환 진단정보를 기반으로 미래 심혈관 질환 데이터를 생성할 수 있고, 생성된 미래 심혈관 질환 데이터에 기초한 미래 심혈관 질환 의료상담 보조 콘텐츠를 디스플레이할 수 있다.
다음으로, 사용자 단말(100)은, 획득된 미래 심혈관 질환 데이터를 리스크 예측 서버(300)로 송신하여 피드백(feedback)할 수 있다. (S209)
자세히, 사용자 단말(100)은, 가동 리스크 엔진을 통해 획득된 미래 심혈관 질환 데이터가 사용자 수정 인터페이스를 통해 수정되어 새롭게 획득된 미래 심혈관 질환 데이터 및/또는 예측 입력 인터페이스를 통해 생성된 미래 심혈관 질환 데이터를, 리스크 예측 서버(300)로 송신하여 피드백을 제공할 수 있다.
여기서, 사용자 단말(100)로부터 미래 심혈관 질환 데이터를 수신한 리스크 예측 서버(300)는, 실시예에 따라서 수신된 미래 심혈관 질환 데이터를 심혈관 질환 데이터에 포함시켜 학습 데이터로 이용할 수 있는 등 다양하게 활용할 수 있다.
이상, 본 발명의 실시예에 따른 심혈관 질환 위험도 예측 방법 및 시스템은, 환자의 심혈관 질환 위험도를 조기에 예측해 제공함으로써, 급성 심혈관 사건을 사전에 예방하는 적절한 치료를 수행할 수 있고, 이를 통해 심혈관 질환으로 인한 이완율과 사망률을 감소시킬 수 있는 효과가 있다.
또한, 본 발명의 실시예에 따른 심혈관 질환 위험도 예측 방법 및 시스템은, 환자의 예측인자 데이터와 심혈관 질환 데이터를 기반으로 복수의 리스크 엔진(350: risk engine)을 학습시키고, 학습된 복수의 리스크 엔진(351, 352, 353, …) 중 가장 정확도가 높은 리스크 엔진(350)을 선택하여 환자의 심혈관 질환 위험도를 예측함으로써, 예측된 환자의 심혈관 질환 위험도의 정확도 및 신뢰성을 향상시킬 수 있는 효과가 있다.
또한, 본 발명의 실시예에 따른 심혈관 질환 위험도 예측 방법 및 시스템은, 환자의 심혈관 질환 데이터를 컴퓨터 단층촬영(CT) 이미지에 기초해 획득가능함으로써, 다각화된 방식으로 환자의 심혈관 질환 데이터를 획득할 수 있는 효과가 있다.
또한, 본 발명의 실시예에 따른 심혈관 질환 위험도 예측 방법 및 시스템은, 학습된 리스크 엔진(350)을 통해 획득된 환자의 심혈관 질환 위험도를 기반으로, 해당 환자에게 컴퓨터 단층촬영(CT)과 같은 추가적인 정밀 검사나 조치가 필요한지를 사전에 판단하여 제공함으로써, 꼭 필요한 경우에 추가적인 검사나 조치를 수행하게 할 수 있는 효과가 있다.
또한, 본 발명의 실시예에 따른 심혈관 질환 위험도 예측 방법 및 시스템은, 환자의 예측인자 값을 예상가능한 미래의 값으로 임의 변경하여, 현재의 환자 상태뿐만 아니라 미래의 환자 상태를 기반으로 해당 환자의 심혈관 질환 위험도를 측정해 제공함으로써, 시간이 지남에 따라 자연적 또는 의도적으로 변화를 나타내는 환자의 상태에 기초한 미래의 심혈관 질환 위험도를 사전에 파악할 수 있고, 이에 대한 조기 처방을 수행할 수 있는 동시에 환자의 예측인자가 긍정적인 방향으로 변화하도록 환자를 교육시킬 수 있는 효과가 있다.
또한, 이상에서 설명된 본 발명에 따른 실시예는 다양한 컴퓨터 구성요소를 통하여 실행될 수 있는 프로그램 명령어의 형태로 구현되어 컴퓨터 판독 가능한 기록 매체에 기록될 수 있다. 상기 컴퓨터 판독 가능한 기록 매체는 프로그램 명령어, 데이터 파일, 데이터 구조 등을 단독으로 또는 조합하여 포함할 수 있다. 상기 컴퓨터 판독 가능한 기록 매체에 기록되는 프로그램 명령어는 본 발명을 위하여 특별히 설계되고 구성된 것이거나 컴퓨터 소프트웨어 분야의 당업자에게 공지되어 사용 가능한 것일 수 있다. 컴퓨터 판독 가능한 기록 매체의 예에는, 하드 디스크, 플로피 디스크 및 자기 테이프와 같은 자기 매체, CD-ROM 및 DVD와 같은 광기록 매체, 플롭티컬 디스크(floptical disk)와 같은 자기-광 매체(magneto-optical medium), 및 ROM, RAM, 플래시 메모리 등과 같은, 프로그램 명령어를 저장하고 실행하도록 특별히 구성된 하드웨어 장치가 포함된다. 프로그램 명령어의 예에는, 컴파일러에 의하여 만들어지는 것과 같은 기계어 코드뿐만 아니라 인터프리터 등을 사용하여 컴퓨터에 의해서 실행될 수 있는 고급 언어 코드도 포함된다. 하드웨어 장치는 본 발명에 따른 처리를 수행하기 위하여 하나 이상의 소프트웨어 모듈로 변경될 수 있으며, 그 역도 마찬가지이다.
본 발명에서 설명하는 특정 실행들은 일 실시 예들로서, 어떠한 방법으로도 본 발명의 범위를 한정하는 것은 아니다. 명세서의 간결함을 위하여, 종래 전자적인 구성들, 제어 시스템들, 소프트웨어, 상기 시스템들의 다른 기능적인 측면들의 기재는 생략될 수 있다. 또한, 도면에 도시된 구성 요소들 간의 선들의 연결 또는 연결 부재들은 기능적인 연결 및/또는 물리적 또는 회로적 연결들을 예시적으로 나타낸 것으로서, 실제 장치에서는 대체 가능하거나 추가의 다양한 기능적인 연결, 물리적인 연결, 또는 회로 연결들로서 나타내어질 수 있다. 또한, “필수적인”, “중요하게” 등과 같이 구체적인 언급이 없다면 본 발명의 적용을 위하여 반드시 필요한 구성 요소가 아닐 수 있다.
또한 설명한 본 발명의 상세한 설명에서는 본 발명의 바람직한 실시 예를 참조하여 설명하였지만, 해당 기술 분야의 숙련된 당업자 또는 해당 기술분야에 통상의 지식을 갖는 자라면 후술할 특허청구범위에 기재된 본 발명의 사상 및 기술 영역으로부터 벗어나지 않는 범위 내에서 본 발명을 다양하게 수정 및 변경시킬 수 있음을 이해할 수 있을 것이다. 따라서, 본 발명의 기술적 범위는 명세서의 상세한 설명에 기재된 내용으로 한정되는 것이 아니라 특허청구범위에 의해 정하여져야만 할 것이다.
Claims (10)
- 리스크 예측 서버에서 리스크 엔진을 학습시켜 대상 환자의 심혈관 질환 위험도를 예측하는 방법으로서,
기존 환자의 예측인자 데이터를 획득하는 단계;
상기 기존 환자의 심혈관 질환 데이터를 획득하는 단계;
상기 예측인자 데이터와 상기 심혈관 질환 데이터를 매칭하여 예측인자-심혈관 질환 데이터를 생성하는 단계;
상기 예측인자-심혈관 질환 데이터를 학습 데이터로 상기 리스크 엔진을 학습시키는 단계;
상기 대상 환자의 예측인자 데이터를 획득하는 단계; 및
상기 획득된 대상 환자의 예측인자 데이터를 상기 리스크 엔진에 입력하여 상기 대상 환자의 심혈관 질환 데이터를 도출하는 단계를 포함하고,
상기 기존 환자의 심혈관 질환 데이터를 획득하는 단계는, 상기 기존 환자의 전자의무기록 데이터 내의 컴퓨터 단층촬영 이미지 내에서 혈관을 검출하는 단계와, 상기 검출된 혈관의 내경에 따라서 산출된 심혈관 질환 위험도를 포함하는 상기 심혈관 질환 데이터를 획득하는 단계를 포함하고,
상기 대상 환자의 심혈관 질환 데이터를 도출하는 단계는, 상기 예측인자 데이터를 상기 리스크 엔진에 입력하여 상기 대상 환자의 심혈관 질환 위험도를 포함하는 심혈관 질환 데이터를 획득하는 단계를 포함하고,
상기 심혈관 질환 데이터는, 상기 대상 환자의 심혈관 질환 위험도의 예측에 연관된 적어도 하나 이상의 예측인자와 상기 예측인자의 수치를 포함하는
심혈관 질환 위험도 예측방법. - 제 1 항에 있어서,
상기 기존 환자의 예측인자 데이터를 획득하는 단계는,
전자의무기록 데이터베이스로부터 획득된 상기 기존 환자의 전자의무기록 데이터(EMR)를 필터링하는 단계를 포함하는
심혈관 질환 위험도 예측방법. - 제 2 항에 있어서,
상기 기존 환자의 예측인자 데이터를 획득하는 단계는,
상기 예측인자 데이터 중 결측치(missing-data)가 존재하는 경우, 일반적 통계 모델에 따라서 상기 결측치를 소정의 값으로 보충하는 단계를 더 포함하는
심혈관 질환 위험도 예측방법. - 삭제
- 제 1 항에 있어서,
상기 컴퓨터 단층촬영 이미지를 기초로 상기 심혈관 질환 데이터를 획득하는 단계는,
상기 컴퓨터 단층촬영 이미지로부터 제 1 메이저(major) 혈관 내지 제 3 메이저(major) 혈관 및 제 1 메인(main) 혈관을 검출하고, 검출된 상기 제 1 메이저 혈관 내지 제 3 메이저 혈관 및 제 1 메인 혈관에 대한 혈관 내경의 상태를 파악하여, 상기 기존 환자에 대한 상기 심혈관 질환 위험도를 도출하는 단계를 포함하는
심혈관 질환 위험도 예측방법. - 제 1 항에 있어서,
상기 리스크 엔진을 학습시키는 단계는,
서로 다른 모델로 형성된 복수의 상기 리스크 엔진을 학습시키는 단계와,
상기 서로 다른 모델로 형성된 복수의 상기 리스크 엔진 중 정확도가 가장 높은 리스크 엔진을 가동 리스크 엔진으로 결정하는 단계를 포함하는
심혈관 질환 위험도 예측방법. - 제 6 항에 있어서,
상기 대상 환자의 예측인자 데이터와 상기 대상 환자의 심혈관 질환 데이터를 매칭하여 상기 대상 환자의 예측인자-심혈관 질환 데이터를 생성하는 단계와,
상기 생성된 대상 환자의 예측인자-심혈관 질환 데이터를 상기 학습 데이터에 추가하여 상기 복수의 리스크 엔진을 반복 트레이닝하는 단계와,
상기 복수의 리스크 엔진 중 하나를 가동 리스크 엔진으로 업데이트하는 단계를 더 포함하는
심혈관 질환 위험도 예측방법. - 사용자 단말에서 리스크 엔진을 이용하여 환자의 심혈관 질환 위험도를 예측하는 방법으로서,
상기 심혈관 질환 위험도를 예측하고자 하는 환자인 대상 환자의 예측인자 데이터를 획득하는 단계;
상기 획득된 예측인자 데이터를 기반으로 상기 대상 환자에 대한 심혈관 질환 데이터를 획득하는 단계;
상기 획득된 심혈관 질환 데이터를 기반으로, 상기 대상 환자의 심혈관 질환과 관련된 각종 정보를 제공하는 심혈관 질환 의료상담 보조 콘텐츠를 생성하여 디스플레이하는 단계;
상기 디스플레이된 심혈관 질환 의료상담 보조 콘텐츠 상에서 상기 예측인자 데이터를 변경하는 인자값 변경 인터페이스를 제공하는 단계;
상기 인자값 변경 인터페이스를 통한 사용자 입력을 기반으로 상기 예측인자 데이터를 변경하고, 상기 예측인자 데이터의 변경에 따른 미래 심혈관 질환 데이터를 획득하는 단계; 및
상기 획득된 미래 심혈관 질환 데이터를 기반으로, 상기 심혈관 질환 의료상담 보조 콘텐츠를 생성하여 디스플레이하는 단계를 포함하고,
상기 미래 심혈관 질환 데이터는,
상기 인자값 변경 인터페이스를 통해 변화된 상기 예측인자 데이터를 기반으로 도출되는 미래의 상기 대상 환자에 대한 상기 심혈관 질환 위험도를 나타내는 정보이고,
기존 환자의 예측인자-심혈관 질환 데이터를 학습 데이터로 상기 리스크 엔진을 학습시키는 단계를 더 포함하고,
상기 리스크 엔진을 학습시키는 단계는, 상기 기존 환자의 전자의무기록 데이터 내의 컴퓨터 단층촬영 이미지 내에서 혈관을 검출하는 단계와, 상기 검출된 혈관의 내경에 따라서 산출된 심혈관 질환 위험도를 포함하는 상기 심혈관 질환 데이터를 획득하는 단계를 포함하고,
상기 대상 환자에 대한 심혈관 질환 데이터를 획득하는 단계는, 상기 예측인자 데이터를 상기 리스크 엔진에 입력하여 상기 대상 환자의 심혈관 질환 위험도를 포함하는 심혈관 질환 데이터를 획득하는 단계를 포함하고,
상기 심혈관 질환 데이터는, 상기 대상 환자의 심혈관 질환 위험도의 예측에 연관된 적어도 하나 이상의 예측인자와 상기 예측인자의 수치를 포함하는
심혈관 질환 위험도 예측방법. - 삭제
- 제 8 항에 있어서,
상기 심혈관 질환 의료상담 보조 콘텐츠는,
상기 환자의 심혈관 질환과 관련된 의료관련 이미지, 동영상, 애니메이션 및 텍스트 중 적어도 하나 이상의 조합으로 형성되고,
상기 환자의 나이, 고혈압 여부, 뇌혈관사고 과거병력, 공복시 혈당, 수축기 혈압, 사구체 여과율, 당뇨 약제 개수 및 당뇨 유병기간 정보를 포함하는 현재 상태정보와, 상기 현재 상태정보에 포함되는 상기 예측인자 데이터를 기반으로 상기 심혈관 질환 위험도를 판단한 결과 정보를 나타내는 요약 정보를 포함하는
심혈관 질환 위험도 예측방법.
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020190177543A KR102427749B1 (ko) | 2019-12-30 | 2019-12-30 | 심혈관 질환 위험도 예측 방법 및 시스템 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020190177543A KR102427749B1 (ko) | 2019-12-30 | 2019-12-30 | 심혈관 질환 위험도 예측 방법 및 시스템 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| KR20210084979A KR20210084979A (ko) | 2021-07-08 |
| KR102427749B1 true KR102427749B1 (ko) | 2022-08-01 |
Family
ID=76893377
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020190177543A KR102427749B1 (ko) | 2019-12-30 | 2019-12-30 | 심혈관 질환 위험도 예측 방법 및 시스템 |
Country Status (1)
| Country | Link |
|---|---|
| KR (1) | KR102427749B1 (ko) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20240064402A (ko) | 2022-11-04 | 2024-05-13 | 주식회사 유비플러스 | 심뇌혈관질환 발생 위험도 정보를 예측하여 제공하는 방법 및 시스템 |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20240040159A (ko) * | 2022-09-20 | 2024-03-28 | 전남대학교산학협력단 | 급성 허혈성 뇌졸중 이후 주요 심뇌혈관사건 위험도 예측 방법 및 프로그램 |
Family Cites Families (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR101839910B1 (ko) | 2015-01-09 | 2018-05-08 | 재단법인 아산사회복지재단 | 심혈관질환 위험 인자를 사용한 심혈관질환 위험의 예측 방법 |
| KR101855117B1 (ko) * | 2016-09-30 | 2018-05-04 | 주식회사 셀바스에이아이 | 질병에 대한 발병 확률 예측 방법 및 장치 |
| KR102030435B1 (ko) * | 2017-12-11 | 2019-10-10 | 한림대학교 산학협력단 | 질환 예측 장치 및 방법 |
| KR102071774B1 (ko) * | 2017-12-20 | 2020-01-30 | 주식회사 메디웨일 | 안구영상을 이용한 심뇌혈관 질환 예측방법 |
-
2019
- 2019-12-30 KR KR1020190177543A patent/KR102427749B1/ko active IP Right Grant
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20240064402A (ko) | 2022-11-04 | 2024-05-13 | 주식회사 유비플러스 | 심뇌혈관질환 발생 위험도 정보를 예측하여 제공하는 방법 및 시스템 |
Also Published As
| Publication number | Publication date |
|---|---|
| KR20210084979A (ko) | 2021-07-08 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US11779292B2 (en) | Systems, methods, and devices for medical image analysis, diagnosis, risk stratification, decision making and/or disease tracking | |
| Johnson et al. | Artificial intelligence in cardiology | |
| US11967078B2 (en) | Systems, methods, and devices for medical image analysis, diagnosis, risk stratification, decision making and/or disease tracking | |
| US10192640B2 (en) | Fractional flow reserve decision support system | |
| Bharati et al. | A review on explainable artificial intelligence for healthcare: why, how, and when? | |
| US20190156947A1 (en) | Automated information collection and evaluation of clinical data | |
| JP7010946B2 (ja) | 健康状態の計算解析を容易化するシステム及び方法 | |
| Wang et al. | Deep learning in systems medicine | |
| Laumer et al. | Assessment of artificial intelligence in echocardiography diagnostics in differentiating Takotsubo syndrome from myocardial infarction | |
| KR102427749B1 (ko) | 심혈관 질환 위험도 예측 방법 및 시스템 | |
| CN113349810B (zh) | 脑出血病灶识别及血肿扩大预测系统及装置 | |
| Chakraborty et al. | From machine learning to deep learning: An advances of the recent data-driven paradigm shift in medicine and healthcare | |
| Javed et al. | Artificial intelligence for cognitive health assessment: state-of-the-art, open challenges and future directions | |
| Lang et al. | Using generative AI to investigate medical imagery models and datasets | |
| EP4388495A2 (en) | Systems, methods, and devices for medical image analysis, diagnosis, risk stratification, decision making and/or disease tracking | |
| KR102360615B1 (ko) | 내시경 영상에 대한 복수의 의료 영상 판독 알고리듬들을 이용하는 의료 영상 판독 지원 장치 및 방법 | |
| US20240071621A1 (en) | Method and system for predicting risk of occurrence of lesions | |
| EP4273881A2 (en) | Method and system for predicting risk of occurrence of lesion | |
| Parsa et al. | Artificial Intelligence in Cardiovascular Disease Prevention: Is it Ready for Prime Time? | |
| Mathur et al. | Demystifying the Role of Artificial Intelligence in Neurodegenerative Diseases | |
| Ang et al. | Healthcare Data Handling with Machine Learning Systems: A Framework | |
| Vityarubbasiri | Detection of Pancreatic Cancer Cells at Early Stage and Recommend the Treatment Process | |
| Patel et al. | Advancements in Artificial Intelligence for Precision Diagnosis and Treatment of Myocardial Infarction: A Comprehensive Review of Clinical Trials and Randomized Controlled Trials | |
| Roy et al. | The Advent of Artificial Intelligence in Diabetes Diagnosis: Current Practices and building blocks for future prospects | |
| Urina-Triana et al. | Machine Learning and AI Approaches for Analyzing Diabetic and Hypertensive Retinopathy in Ocular Images: A Literature Review |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| E902 | Notification of reason for refusal | ||
| E701 | Decision to grant or registration of patent right | ||
| GRNT | Written decision to grant |