KR102429725B1 - System and method for predicting disease based on ai and safety index of saccharide intake using glucose load index according to the intake food of korean - Google Patents

System and method for predicting disease based on ai and safety index of saccharide intake using glucose load index according to the intake food of korean Download PDF

Info

Publication number
KR102429725B1
KR102429725B1 KR1020190179564A KR20190179564A KR102429725B1 KR 102429725 B1 KR102429725 B1 KR 102429725B1 KR 1020190179564 A KR1020190179564 A KR 1020190179564A KR 20190179564 A KR20190179564 A KR 20190179564A KR 102429725 B1 KR102429725 B1 KR 102429725B1
Authority
KR
South Korea
Prior art keywords
index
safety index
food
load factor
sugar
Prior art date
Application number
KR1020190179564A
Other languages
Korean (ko)
Other versions
KR20210085957A (en
Inventor
이종하
Original Assignee
계명대학교 산학협력단
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 계명대학교 산학협력단 filed Critical 계명대학교 산학협력단
Priority to KR1020190179564A priority Critical patent/KR102429725B1/en
Publication of KR20210085957A publication Critical patent/KR20210085957A/en
Application granted granted Critical
Publication of KR102429725B1 publication Critical patent/KR102429725B1/en

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
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H20/00—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance
    • G16H20/60—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance relating to nutrition control, e.g. diets
    • 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
    • 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
    • G16H70/00—ICT specially adapted for the handling or processing of medical references
    • G16H70/60—ICT specially adapted for the handling or processing of medical references relating to pathologies

Landscapes

  • Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Public Health (AREA)
  • Primary Health Care (AREA)
  • General Health & Medical Sciences (AREA)
  • Epidemiology (AREA)
  • Data Mining & Analysis (AREA)
  • Biomedical Technology (AREA)
  • Databases & Information Systems (AREA)
  • Pathology (AREA)
  • Nutrition Science (AREA)
  • Medical Treatment And Welfare Office Work (AREA)

Abstract

본 발명은 혈당부하지수를 이용한 한국인의 식이 음식에 따른 당류 섭취 안전지수 기반 인공지능 질환 예측 시스템에 관한 것으로서, 보다 구체적으로는 인공지능 질환 예측 시스템으로서, 한국인의 식이 음식에 대한 식품 정보를 이용해, 사용자가 섭취한 식품의 혈당부하지수에 따른 당류 섭취 안전지수를 산출하는 지수 산출 모듈; 당류 섭취 안전지수와 만성질환별 건강진단 지표 사이의 상관관계를 인공지능 기반으로 학습하여 질환 예측 모델을 구성하는 학습 모듈; 및 상기 지수 산출부에서 산출한 당류 섭취 안전지수를 상기 질환 예측 모델에 입력하여, 만성질환의 위험성을 예측하는 예측 모듈을 포함하는 것을 그 구성상의 특징으로 한다.
또한, 본 발명은 혈당부하지수를 이용한 한국인의 식이 음식에 따른 당류 섭취 안전지수 기반 인공지능 질환 예측 방법에 관한 것으로서, 보다 구체적으로는 인공지능 질환 예측 방법으로서, (1) 한국인의 식이 음식에 대한 식품 정보를 이용해, 사용자가 섭취한 식품의 혈당부하지수에 따른 당류 섭취 안전지수를 산출하는 단계; (2) 당류 섭취 안전지수와 만성질환별 건강진단 지표 사이의 상관관계를 인공지능 기반으로 학습하여 질환 예측 모델을 구성하는 단계; 및 (3) 상기 단계 (1)에서 산출한 당류 섭취 안전지수를 상기 질환 예측 모델에 입력하여, 만성질환의 위험성을 예측하는 단계를 포함하는 것을 그 구성상의 특징으로 한다.
본 발명에서 제안하고 있는 혈당부하지수를 이용한 한국인의 식이 음식에 따른 당류 섭취 안전지수 기반 인공지능 질환 예측 시스템 및 방법에 따르면, 사용자가 섭취한 식품의 혈당부하지수에 따른 당류 섭취 안전지수와 만성질환별 건강진단 지표 사이의 상관관계를 인공지능 기반으로 학습하고, 학습된 질환 예측 모델을 이용해 사용자의 만성질환 위험성을 예측함으로써, 별도의 측정 장비 없이도 사용자의 만성질환 위험성을 조기에 파악할 수 있고, 정기적인 건강검진 이외에 만성질환의 위험성을 일상적으로 꾸준히 모니터링할 수 있다.
또한, 본 발명에서 제안하고 있는 혈당부하지수를 이용한 한국인의 식이 음식에 따른 당류 섭취 안전지수 기반 인공지능 질환 예측 시스템 및 방법에 따르면, 연령대별 및 성별로 구분하여 질환 예측 모델을 구성하고 만성질환의 위험성을 예측함으로써, 같은 연령대 및 성별의 한국인들의 상태와 비교하여 사용자 본인의 위치를 확인할 수 있어, 건강 상태를 타인과 비교할 수 있고 만성질환에 대한 경각심을 줄 수 있다.The present invention relates to an artificial intelligence disease prediction system based on the sugar intake safety index according to the dietary food of Koreans using the glycemic load factor, and more specifically, as an artificial intelligence disease prediction system, using food information about the dietary food of Koreans, an index calculation module for calculating a sugar intake safety index according to the glycemic load factor of the food consumed by the user; a learning module for constructing a disease prediction model by learning the correlation between the sugar intake safety index and the health diagnosis index for each chronic disease based on artificial intelligence; and a prediction module for predicting the risk of chronic disease by inputting the sugar intake safety index calculated by the index calculator into the disease prediction model.
In addition, the present invention relates to a method for predicting an artificial intelligence disease based on the sugar intake safety index according to the dietary food of Koreans using the glycemic load index, and more specifically, as an artificial intelligence disease prediction method, (1) calculating a sugar intake safety index according to the glycemic load factor of the food consumed by the user by using the food information; (2) constructing a disease prediction model by learning the correlation between the sugar intake safety index and the health diagnosis index for each chronic disease based on artificial intelligence; and (3) predicting the risk of chronic disease by inputting the sugar intake safety index calculated in step (1) into the disease prediction model.
According to the artificial intelligence disease prediction system and method based on the sugar intake safety index according to the dietary food of Koreans using the glycemic load index proposed in the present invention, the sugar intake safety index according to the glycemic load index of the food consumed by the user and the chronic disease By learning the correlation between each health diagnosis index based on artificial intelligence and predicting the user's chronic disease risk using the learned disease prediction model, it is possible to identify the user's chronic disease risk early without additional measuring equipment, and to In addition to the health check-up, the risk of chronic diseases can be continuously monitored on a daily basis.
In addition, according to the artificial intelligence disease prediction system and method based on the sugar intake safety index based on the dietary food of Koreans using the glycemic load factor proposed in the present invention, a disease prediction model is constructed by dividing by age group and gender, and chronic disease By predicting the risk, it is possible to check the user's own location by comparing it with the status of Koreans of the same age and gender, so that the health status can be compared with others and awareness of chronic diseases can be raised.

Description

혈당부하지수를 이용한 한국인의 식이 음식에 따른 당류 섭취 안전지수 기반 인공지능 질환 예측 시스템 및 방법{SYSTEM AND METHOD FOR PREDICTING DISEASE BASED ON AI AND SAFETY INDEX OF SACCHARIDE INTAKE USING GLUCOSE LOAD INDEX ACCORDING TO THE INTAKE FOOD OF KOREAN}SYSTEM AND METHOD FOR PREDICTING DISEASE BASED ON AI AND SAFETY INDEX OF SACCHARIDE INTAKE USING GLUCOSE LOAD INDEX ACCORDING TO THE INTAKE FOOD OF KOREAN }

본 발명은 인공지능 질환 예측 시스템 및 방법에 관한 것으로서, 보다 구체적으로는 혈당부하지수를 이용한 한국인의 식이 음식에 따른 당류 섭취 안전지수 기반 인공지능 질환 예측 시스템 및 방법에 관한 것이다.The present invention relates to an artificial intelligence disease prediction system and method, and more particularly, to a system and method for predicting an artificial intelligence disease based on the sugar intake safety index according to the dietary food of Koreans using the glycemic load index.

탄수화물은 주로 곡류, 과일, 채소류와 콩류처럼 식물성 식품이 급원이며, 탄수화물의 구성성분인 포도당은 단당류로 세포의 연료 급원이며, 에너지원으로 사용되고, 과량의 포도당은 지방으로 축적되고 혈당수치를 높인다. 고혈당은 인슐린 분비, 근육과 지방세포의 포도당 이용을 자극하고, 저혈당은 글루카곤, 에피네프린, 코티졸, 성장호르몬 등 인슐린과 역작용을 하는 호르몬 분비를 촉진한다. 일반적으로 같은 양의 식품을 섭취하더라도 서로 다른 속도로 소화 흡수된다. 소화 흡수가 느린 식품은 혈당 반응이 느린 데 비해 소화 흡수가 빠른 식품은 혈당이 급격히 증가하였다가 감소하며, 인슐린 및 다른 내분비 물질의 반응도 상승시킨다. 이렇게 다양한 탄수화물의 흡수 속도를 반영하기 위해서 당지수(glycemic index, GI) 개념이 고안되었다.Carbohydrates are mainly sourced from plant foods such as grains, fruits, vegetables and legumes. Glucose, a component of carbohydrates, is a monosaccharide that is a fuel source for cells and is used as an energy source, and excess glucose is stored as fat and raises blood sugar levels. High blood sugar stimulates insulin secretion and glucose utilization by muscle and fat cells, and low blood sugar stimulates the secretion of hormones that act inversely with insulin, such as glucagon, epinephrine, cortisol, and growth hormone. In general, the same amount of food is digested and absorbed at different rates. Foods with slow digestion and absorption have a slow blood glucose response, whereas foods with fast digestion and absorption rapidly increase and then decrease blood sugar, and also increase the response of insulin and other endocrine substances. In order to reflect the absorption rate of various carbohydrates, the concept of glycemic index (GI) was devised.

탄수화물 섭취 후 혈당이 증가하는 생리적인 반응은 탄수화물의 섭취량뿐만 아니라 함께 섭취하는 영양소의 구성에도 영향을 받으므로, 이를 식품의 당지수와 구분하기 위해, 식품의 일상적인 1회 분량의 식품을 섭취하였을 때 나타나는 혈당 반응을 계산한 당부하(glycemic load, GL) 개념도 사용되고 있다. GI와 GL이 높은 식사가 만성질환의 위험성을 높일 수 있으므로, 탄수화물을 섭취할 때는 탄수화물의 양과 종류를 함께 고려할 것을 권장한다.Since the physiological response of increasing blood sugar after carbohydrate intake is affected not only by the amount of carbohydrate intake but also by the composition of nutrients consumed together, in order to distinguish this from the glycemic index of food, it is necessary to consume one daily serving of food. The concept of glycemic load (GL), which calculates the blood glucose response that occurs when Since a diet high in GI and GL may increase the risk of chronic disease, it is recommended to consider the amount and type of carbohydrates together when consuming carbohydrates.

탄수화물은 1g 당 4kcal의 에너지를 내는 중요한 에너지원으로, 소장에서 소화·흡수되지 않은 올리고당, 일부의 전분과 식이섬유는 대장에서 체내 유익균의 생장을 증가시키는 작용을 한다. 저탄수화물 식사를 하면 혈액 내 인슐린 농도가 감소하고 글루카곤 농도가 증가하게 되어 체내대사가 변화된다. 탄수화물 섭취량이 증가하면, 비만 위험이 높아지고 혈액 내 중성지방량이 증가되어 당뇨병, 고지혈증, 대사증후군의 위험이 커진다.Carbohydrates are an important energy source that provides 4kcal of energy per 1g, and oligosaccharides that are not digested and absorbed in the small intestine, and some starches and dietary fibers increase the growth of beneficial bacteria in the large intestine. When you eat a low-carbohydrate diet, the blood insulin concentration decreases and the glucagon concentration increases, thereby changing the body's metabolism. When carbohydrate intake increases, the risk of obesity increases and the amount of triglycerides in the blood increases, which increases the risk of diabetes, hyperlipidemia, and metabolic syndrome.

미국의 탄수화물 섭취기준은 케토시스를 방지하는 포도당량(100g/일)을 근거로 1세 이후 모든 연령에서 평균 필요량(estimated average requirement)을 100g으로 설정하고 있다. 그러나 2008-2012년 국민건강영양조사 자료에 의하면, 우리나라 1세 이상 전체인구의 탄수화물 1일 평균 섭취량은 314.5g으로 높은 실정이다. 따라서 한국인을 위한 탄수화물의 섭취기준을 설정할 때에는 평균 필요량은 설정하지 않고, 총 에너지 섭취량 중에서 탄수화물의 적절한 섭취비율, 즉 탄수화물 에너지 적정 비율(acceptable macronutrient distribution range, AMDR)을 설정할 필요성이 있다.In the United States, carbohydrate intake standards set an estimated average requirement of 100 g for all ages after 1 year based on the amount of glucose (100 g/day) that prevents ketosis. However, according to the 2008-2012 National Health and Nutrition Examination Survey data, the average daily intake of carbohydrates for the entire population over the age of 1 in Korea is 314.5 g, which is high. Therefore, when setting carbohydrate intake standards for Koreans, it is necessary to set an appropriate intake ratio of carbohydrates among total energy intake, that is, an acceptable macronutrient distribution range (AMDR), without setting an average required amount.

탄수화물의 섭취량은 허리둘레와 유의한 상관관계를 보이며, 중년여성에서는 탄수화물섭취량(= 0.027, P ≤ 0.001)이 허리둘레와 유의한 관계를 보이는 것으로 확인되었다. 당뇨병 환자에서 탄수화물의 섭취량은 남자의 경우 혈액 검사상의 수치와 비교해 볼 때 유의한 결과를 나타내지는 않았지만, 여성의 경우 비만하지 않은 군에서 탄수화물의 섭취량과 중성지방의 수치가 유의한 결과를 나타내었다.Carbohydrate intake showed a significant correlation with waist circumference, and in middle-aged women, carbohydrate intake (= 0.027, P ≤ 0.001) was confirmed to have a significant relationship with waist circumference. In diabetic patients, carbohydrate intake did not show significant results when compared with blood test values for men, but for women, carbohydrate intake and triglyceride levels showed significant results in the non-obese group.

고탄수화물 식사가 만성질환의 위험과 관련될 수 있다는 보고가 있는데, 2007~2009년 제4기 국민건강영양조사 자료를 이용하여 65세 이상 노인 3,917명을 대상으로 1일 에너지 섭취량이 500~5,000kcal에 속하면서, 고혈압, 당뇨, 고지혈증, 뇌졸중, 심근경색 또는 협심증, 빈혈로 치료받는 자를 제외한 1,535명에 대한 자료를 분석한 결과, 탄수화물의 과량 섭취가 만성질환의 위험이 크고 빈혈 위험이 큰 것은 아니지만, 만성질환 위험을 낮추는 데 도움을 줄 수 있는 노인의 적정 탄수화물 에너지비 설정을 위한 연구가 필요하다고 제안한 바 있다.There is a report that a high-carbohydrate diet may be related to the risk of chronic diseases. Using the data of the 4th National Health and Nutrition Examination Survey 2007-2009, 3,917 people aged 65 and over had a daily energy intake of 500-5,000 kcal. As a result of analyzing data on 1,535 people excluding those who are being treated for high blood pressure, diabetes, hyperlipidemia, stroke, myocardial infarction or angina pectoris, and anemia, excessive intake of carbohydrates increases the risk of chronic diseases and does not increase the risk of anemia. It has been suggested that studies are needed to establish an appropriate carbohydrate energy ratio in the elderly, which can help lower the risk of chronic diseases.

식생활에 대한 개선을 위해 다양한 방법의 연구지수가 개발되고 있는데, 한국 성인을 대상으로 인구집단의 식생활지침 실천과 식생활의 질과 수준을 모니터링하기 위한 식생활평가지수로 식품 및 영양소 평균섭취량을 식사의 충분도 영역 9항목(총 과일류, 생과일류, 총 채소류, 김치와 장아찌 제외 채소류, 우유·유제품, 총 단백질 식품, 흰 고기:붉은 고기 섭취비율, 전곡류, 아침식사 빈도)과 식사의 절제 영역 5가지 항목(나트륨, 고열량·저영양 식품 에너지비, 지방에너지비, 도정곡류, 탄수화물 에너지비) 등으로 구성하여 국가의 영양정책 도출 및 사업 결과의 평가 등에 활용 가능한 연구 등이 있다.Various methods of research indices are being developed to improve eating habits. For Korean adults, the average food and nutrient intake is used as a dietary evaluation index to monitor the quality and level of eating habits and practices of the population group for Korean adults. 9 items (total fruits, raw fruits, total vegetables, vegetables excluding kimchi and pickled pickles, milk/dairy products, total protein food, white meat:red meat intake ratio, whole grains, breakfast frequency) and 5 food moderation areas It consists of items (sodium, high-calorie, low-nutrition food energy cost, fat energy cost, milled grain, carbohydrate energy cost), etc., and there are studies that can be used for deriving national nutrition policies and evaluating project results.

그러나 아직까지, 탄수화물에 기초한 당류 섭취에 대한 기준을 제시하는 지수는 제시된 바가 없으며, 일반적인 소비자가 쉽게 파악할 수 있도록 고안된 지수의 개발이 필요한 실정이다.However, there is still no index suggesting standards for carbohydrate-based sugar intake, and there is a need to develop an index designed to be easily grasped by general consumers.

한편, 건강검진 시에는 혈압, 체질량 지수, 혈당, 콜레스테롤 등 다양한 지표를 검사하고, 해당 지표들을 기초로 만성질환 여부, 위험성 등을 건강검진 결과지를 통해 제시하고 있다. 그러나 만성질환의 치료, 개선 또는 예방을 위해서는, 이러한 각종 지표를 지속적으로 모니터링해야 하는데, 정기적인 건강검진만으로는 부족한 것이 현실이다.Meanwhile, during the health check-up, various indicators such as blood pressure, body mass index, blood sugar, and cholesterol are tested, and chronic diseases and risks are presented through the health checkup results based on the indicators. However, in order to treat, improve or prevent chronic diseases, it is necessary to continuously monitor these various indicators, but in reality, regular health checkups alone are insufficient.

만성질환이 있는 환자들의 경우, 혈압계, 당뇨 검사기 등을 가정에 구비하고, 이를 통해 꾸준히 검사하기도 하지만, 이는 모니터링이 반드시 요구되는 환자로 제한될 뿐, 환자가 아닌 사용자까지 이러한 기기를 가정에 구비하기는 번거롭고 불편하며, 환자가 아니면서 예방을 위해 스스로 각종 지표를 측정하고 모니터링을 하기는 쉽지 않은 한계가 있다.In the case of patients with chronic diseases, a blood pressure monitor or diabetes tester is provided at home, and tests are performed continuously through it. is cumbersome and inconvenient, and it is not easy to measure and monitor various indicators for prevention by non-patients.

본 발명과 관련된 선행기술로서, 공개특허 제10-2017-0019231호(발명의 명칭: 나트륨 섭취량 모니터링 시스템, 공개일자: 2017년 02월 21일), 공개특허 제10-2015-0135917호(발명의 명칭: 식품의 열량지수 개발 및 식품의 영양 표시 시스템, 공개일자: 2015년 12월 04일) 등이 개시된 바 있다.As prior art related to the present invention, Patent Publication No. 10-2017-0019231 (title of the invention: sodium intake monitoring system, publication date: February 21, 2017), Patent Publication No. 10-2015-0135917 (invention of Title: Development of calorie index of food and nutrition labeling system of food, publication date: December 04, 2015), etc. have been disclosed.

본 발명은 기존에 제안된 방법들의 상기와 같은 문제점들을 해결하기 위해 제안된 것으로서, 사용자가 섭취한 식품의 혈당부하지수에 따른 당류 섭취 안전지수와 만성질환별 건강진단 지표 사이의 상관관계를 인공지능 기반으로 학습하고, 학습된 질환 예측 모델을 이용해 사용자의 만성질환 위험성을 예측함으로써, 별도의 측정 장비 없이도 사용자의 만성질환 위험성을 조기에 파악할 수 있고, 정기적인 건강검진 이외에 만성질환의 위험성을 일상적으로 꾸준히 모니터링할 수 있는, 혈당부하지수를 이용한 한국인의 식이 음식에 따른 당류 섭취 안전지수 기반 인공지능 질환 예측 시스템 및 방법을 제공하는 것을 그 목적으로 한다.The present invention is proposed to solve the above problems of the previously proposed methods, and the correlation between the sugar intake safety index according to the glycemic load factor of the food consumed by the user and the health examination index for each chronic disease is analyzed by artificial intelligence. By predicting the user's chronic disease risk using the learned disease prediction model, it is possible to identify the user's chronic disease risk early without additional measuring equipment, and to routinely assess the risk of chronic disease in addition to regular health checkups An object of the present invention is to provide a system and method for predicting artificial intelligence disease based on the sugar intake safety index according to the dietary food of Koreans using the glycemic load factor, which can be continuously monitored.

또한, 본 발명은, 연령대별 및 성별로 구분하여 질환 예측 모델을 구성하고 만성질환의 위험성을 예측함으로써, 같은 연령대 및 성별의 한국인들의 상태와 비교하여 사용자 본인의 위치를 확인할 수 있어, 건강 상태를 타인과 비교할 수 있고 만성질환에 대한 경각심을 줄 수 있는, 혈당부하지수를 이용한 한국인의 식이 음식에 따른 당류 섭취 안전지수 기반 인공지능 질환 예측 시스템 및 방법을 제공하는 것을 또 다른 목적으로 한다.In addition, the present invention configures a disease prediction model by dividing by age group and gender and predicts the risk of chronic disease, so that the user's own location can be confirmed compared to the status of Koreans of the same age group and gender, so that the health status can be determined Another object is to provide an artificial intelligence disease prediction system and method based on the sugar intake safety index according to the dietary food of Koreans using the glycemic load index, which can be compared with others and can raise awareness of chronic diseases.

상기한 목적을 달성하기 위한 본 발명의 특징에 따른 혈당부하지수를 이용한 한국인의 식이 음식에 따른 당류 섭취 안전지수 기반 인공지능 질환 예측 시스템은,In order to achieve the above object, the artificial intelligence disease prediction system based on the sugar intake safety index according to the dietary food of Koreans using the blood glucose load factor according to the characteristics of the present invention for achieving the above object,

인공지능 질환 예측 시스템으로서,As an artificial intelligence disease prediction system,

한국인의 식이 음식에 대한 식품 정보를 이용해, 사용자가 섭취한 식품의 혈당부하지수에 따른 당류 섭취 안전지수를 산출하는 지수 산출 모듈;an index calculation module for calculating the sugar intake safety index according to the glycemic load factor of the food consumed by the user by using the food information on the dietary food of Koreans;

당류 섭취 안전지수와 만성질환별 건강진단 지표 사이의 상관관계를 인공지능 기반으로 학습하여 질환 예측 모델을 구성하는 학습 모듈; 및a learning module for constructing a disease prediction model by learning the correlation between the sugar intake safety index and the health diagnosis index for each chronic disease based on artificial intelligence; and

상기 지수 산출부에서 산출한 당류 섭취 안전지수를 상기 질환 예측 모델에 입력하여, 만성질환의 위험성을 예측하는 예측 모듈을 포함하는 것을 그 구성상의 특징으로 한다.It is characterized in that it includes a prediction module for predicting the risk of chronic disease by inputting the sugar intake safety index calculated by the index calculator into the disease prediction model.

바람직하게는, 상기 지수 산출 모듈은,Preferably, the index calculation module comprises:

한국인의 섭취 식품에 대한 식품 정보를 저장하는 데이터베이스;A database for storing food information about Koreans' food intake;

혈당부하지수와 당류 섭취 안전지수 사이의 관계를 도출하는 분석부;an analysis unit for deriving a relationship between the glycemic load index and the sugar intake safety index;

상기 데이터베이스에 저장된 식품 정보를 이용해, 섭취한 식품의 혈당부하지수를 검색하는 검색부; 및a search unit that searches the blood glucose load of the ingested food by using the food information stored in the database; and

상기 분석부에서 도출된 혈당부하지수와 당류 섭취 안전지수 사이의 관계를 이용해, 상기 검색된 혈당부하지수로부터 당류 섭취 안전지수를 산출하는 지수 산출부를 포함할 수 있다.and an index calculator for calculating the sugar intake safety index from the found glycemic load factor by using the relationship between the glycemic load factor and the sugar intake safety index derived from the analysis unit.

더욱 바람직하게는, 상기 분석부는,More preferably, the analysis unit,

상기 데이터베이스에 저장된 식품 정보를 이용하여, 식품의 혈당부하지수와 탄수화물 양의 관계를 도출하는 제1 분석부;a first analysis unit for deriving a relationship between a glycemic load of food and an amount of carbohydrate by using the food information stored in the database;

탄수화물의 일일 섭취 권장량을 설정하는 설정부;a setting unit that sets the recommended daily intake of carbohydrates;

상기 도출된 혈당부하지수와 탄수화물 양의 관계로부터, 상기 탄수화물의 일일 섭취 권장량에 대응되는 적정 혈당부하지수를 산출하는 제2 분석부; 및a second analysis unit calculating an appropriate glycemic load factor corresponding to the recommended daily intake amount of carbohydrates from the derived relationship between the glycemic load factor and the carbohydrate amount; and

상기 적정 혈당부하지수를 이용해 당류 섭취 안전지수를 설정하여, 혈당부하지수와 당류 섭취 안전지수 사이의 관계를 도출하는 제3 분석부를 포함할 수 있다.and a third analyzer configured to set a saccharide intake safety index using the appropriate glycemic load factor, thereby deriving a relationship between the glycemic load factor and the sugar intake safety index.

더더욱 바람직하게는,Even more preferably,

상기 제1 분석부에서 도출된 상기 식품의 혈당부하지수와 탄수화물 양의 관계는,The relationship between the glycemic load factor of the food and the amount of carbohydrate derived from the first analysis unit is,

혈당부하지수=(0.581×탄수화물 양)-1.0863일 수 있다.Glycemic load factor = (0.581 x amount of carbohydrates) - 1.0863.

더더욱 바람직하게는,Even more preferably,

상기 제3 분석부에서 도출된 상기 혈당부하지수와 당류 섭취 안전지수 사이의 관계는,The relationship between the blood glucose load factor and the sugar intake safety index derived from the third analysis unit is,

당류 섭취 안전지수=(0.1093×혈당부하지수)-11.858일 수 있다.Sugar intake safety index = (0.1093 × blood glucose load factor) - 11.858.

바람직하게는, 상기 학습 모듈은,Preferably, the learning module,

고혈압은 수축기 혈압 또는 이완기 혈압, 비만은 체질량 지수, 당뇨는 공복 혈당, 고지혈증 또는 이상지질혈증은 총 콜레스테롤, HDL 콜레스테롤, 트리글리세이드(중성지방), LDL 콜레스테롤 또는 공복혈당을 만성질환별 건강진단 지표로 사용할 수 있다.High blood pressure is systolic or diastolic blood pressure, obesity is body mass index, diabetes is fasting blood sugar, and hyperlipidemia or dyslipidemia is total cholesterol, HDL cholesterol, triglycerides (triglycerides), LDL cholesterol or fasting blood sugar as health diagnosis indicators for each chronic disease. Can be used.

더욱 바람직하게는, 상기 학습 모듈은,More preferably, the learning module,

복수의 사용자에 대해 산출된 당류 섭취 안전지수 및 만성질환별 건강진단 지표 값을 인공지능 기반의 학습을 위한 데이터셋으로 구성하는 데이터 구성부; 및a data configuration unit that configures the sugar intake safety index calculated for a plurality of users and the health diagnosis index value for each chronic disease into a dataset for AI-based learning; and

상기 데이터 구성부에서 구성된 데이터셋을 이용해 인공지능 기반으로 학습을 수행하고, 학습 수행 결과로부터 만성질환의 위험성을 복수의 클래스로 분류하여 예측하는 질환 예측 모델을 구성하는 학습부를 더 포함할 수 있다.It may further include a learning unit that performs learning based on artificial intelligence using the dataset configured in the data construction unit, and configures a disease prediction model for classifying and predicting the risk of chronic disease into a plurality of classes from the learning performance result.

더욱 바람직하게는, 상기 학습부는,More preferably, the learning unit,

상기 데이터셋을 연령대 및 성별로 구분하고, 구분된 데이터셋을 이용해 복수의 인공지능 알고리즘의 학습을 수행하고, 각각의 학습된 인공지능 알고리즘으로부터 연령대 및 성별에 따른 질환 예측 모델을 구성할 수 있다.The dataset may be divided into age groups and genders, a plurality of AI algorithms may be learned using the divided datasets, and a disease prediction model according to age and gender may be constructed from each learned AI algorithm.

더더욱 바람직하게는, 상기 학습부는,Even more preferably, the learning unit,

상기 만성질환별 건강진단 지표의 임상 기준에 따라 상기 만성질환의 위험성을 4개의 클래스로 구분할 수 있다.The risk of the chronic disease can be divided into four classes according to the clinical standard of the health diagnosis index for each chronic disease.

바람직하게는,Preferably,

상기 예측 모듈에서 예측된 만성질환의 위험성을 분석하여 만성질환 위험성 트렌드를 분석하는 트렌드 분석 모듈을 더 포함할 수 있다.It may further include a trend analysis module for analyzing the chronic disease risk trend by analyzing the risk of chronic disease predicted in the prediction module.

상기한 목적을 달성하기 위한 본 발명의 특징에 따른 혈당부하지수를 이용한 한국인의 식이 음식에 따른 당류 섭취 안전지수 기반 인공지능 질환 예측 방법은,In order to achieve the above object, the artificial intelligence disease prediction method based on the sugar intake safety index according to the dietary food of Koreans using the glycemic load factor according to the characteristics of the present invention for achieving the above object,

인공지능 질환 예측 방법으로서,As an artificial intelligence disease prediction method,

(1) 한국인의 식이 음식에 대한 식품 정보를 이용해, 사용자가 섭취한 식품의 혈당부하지수에 따른 당류 섭취 안전지수를 산출하는 단계;(1) calculating a sugar intake safety index according to the glycemic load factor of the food consumed by the user by using food information on the dietary food of Koreans;

(2) 당류 섭취 안전지수와 만성질환별 건강진단 지표 사이의 상관관계를 인공지능 기반으로 학습하여 질환 예측 모델을 구성하는 단계; 및(2) constructing a disease prediction model by learning the correlation between the sugar intake safety index and the health diagnosis index for each chronic disease based on artificial intelligence; and

(3) 상기 단계 (1)에서 산출한 당류 섭취 안전지수를 상기 질환 예측 모델에 입력하여, 만성질환의 위험성을 예측하는 단계를 포함하는 것을 그 구성상의 특징으로 한다.(3) inputting the sugar intake safety index calculated in step (1) into the disease prediction model, and predicting the risk of chronic disease.

바람직하게는, 상기 단계 (1)은,Preferably, the step (1) is

(1-1) 한국인의 섭취 식품에 대한 식품 정보를 저장하는 단계;(1-1) storing food information on food consumed by Koreans;

(1-2) 혈당부하지수와 당류 섭취 안전지수 사이의 관계를 도출하는 단계;(1-2) deriving a relationship between the glycemic load index and the sugar intake safety index;

(1-3) 상기 단계 (1-1)에서 저장된 식품 정보를 이용해, 섭취한 식품의 혈당부하지수를 검색하는 단계; 및(1-3) using the food information stored in the step (1-1), searching for a glycemic load of the ingested food; and

(1-4) 상기 단계 (1-2)에서 도출된 혈당부하지수와 당류 섭취 안전지수 사이의 관계를 이용해, 상기 검색된 혈당부하지수로부터 당류 섭취 안전지수를 산출하는 단계를 포함할 수 있다.(1-4) using the relationship between the glycemic load factor derived in step (1-2) and the sugar intake safety index, and calculating the sugar intake safety index from the found glycemic load factor.

더욱 바람직하게는, 상기 단계 (1-2)는,More preferably, the step (1-2) is

(1-2-1) 상기 저장된 식품 정보를 이용하여, 식품의 혈당부하지수와 탄수화물 양의 관계를 도출하는 단계;(1-2-1) deriving a relationship between the glycemic load of the food and the amount of carbohydrate by using the stored food information;

(1-2-2) 탄수화물의 일일 섭취 권장량을 설정하는 단계;(1-2-2) setting a recommended daily intake amount of carbohydrates;

(1-2-3) 상기 단계 (1-2-1)에서 도출된 혈당부하지수와 탄수화물 양의 관계로부터, 상기 탄수화물의 일일 섭취 권장량에 대응되는 적정 혈당부하지수를 산출하는 단계; 및(1-2-3) calculating an appropriate glycemic load factor corresponding to the recommended daily intake amount of carbohydrates from the relationship between the glycemic load factor and the carbohydrate amount derived in the step (1-2-1); and

(1-2-4) 상기 적정 혈당부하지수를 이용해 당류 섭취 안전지수를 설정하여, 혈당부하지수와 당류 섭취 안전지수 사이의 관계를 도출하는 단계를 포함할 수 있다.(1-2-4) setting a saccharide intake safety index using the appropriate glycemic load factor, and deriving a relationship between the glycemic load factor and the sugar intake safety index.

더더욱 바람직하게는,Even more preferably,

상기 단계 (1-2-1)에서 도출된 상기 식품의 혈당부하지수와 탄수화물 양의 관계는,The relationship between the glycemic load of the food and the amount of carbohydrates derived in step (1-2-1) is,

혈당부하지수=(0.581×탄수화물 양)-1.0863일 수 있다.Glycemic load factor = (0.581 x amount of carbohydrates) - 1.0863.

더더욱 바람직하게는,Even more preferably,

상기 단계 (1-2-4)에서 도출된 상기 혈당부하지수와 당류 섭취 안전지수 사이의 관계는,The relationship between the glycemic load index and the sugar intake safety index derived in step (1-2-4) is,

당류 섭취 안전지수=(0.1093×혈당부하지수)-11.858일 수 있다.Sugar intake safety index = (0.1093 × blood glucose load factor) -11.858.

바람직하게는, 상기 단계 (2)에서는,Preferably, in step (2),

고혈압은 수축기 혈압 또는 이완기 혈압, 비만은 체질량 지수, 당뇨는 공복 혈당, 고지혈증 또는 이상지질혈증은 총 콜레스테롤, HDL 콜레스테롤, 트리글리세이드(중성지방), LDL 콜레스테롤 또는 공복혈당을 만성질환별 건강진단 지표로 사용할 수 있다.High blood pressure is systolic or diastolic blood pressure, obesity is body mass index, diabetes is fasting blood sugar, and hyperlipidemia or dyslipidemia is total cholesterol, HDL cholesterol, triglycerides (triglycerides), LDL cholesterol or fasting blood sugar as health diagnosis indicators for each chronic disease. Can be used.

더욱 바람직하게는, 상기 단계 (2)는,More preferably, the step (2) is

(2-1) 복수의 사용자에 대해 산출된 당류 섭취 안전지수 및 만성질환별 건강진단 지표 값을 인공지능 기반의 학습을 위한 데이터셋으로 구성하는 단계; 및(2-1) configuring the sugar intake safety index calculated for a plurality of users and health diagnosis index values for each chronic disease into a dataset for AI-based learning; and

(2-2) 상기 단계 (2-1)에서 구성된 데이터셋을 이용해 인공지능 기반으로 학습을 수행하고, 학습 수행 결과로부터 만성질환의 위험성을 복수의 클래스로 분류하여 예측하는 질환 예측 모델을 구성하는 단계를 더 포함할 수 있다.(2-2) to construct a disease prediction model that performs learning based on artificial intelligence using the dataset configured in step (2-1) and classifies and predicts the risk of chronic disease into a plurality of classes from the learning performance result It may include further steps.

더욱 바람직하게는, 상기 단계 (2-2)에서는,More preferably, in the step (2-2),

상기 데이터셋을 연령대 및 성별로 구분하고, 구분된 데이터셋을 이용해 복수의 인공지능 알고리즘의 학습을 수행하고, 각각의 학습된 인공지능 알고리즘으로부터 연령대 및 성별에 따른 질환 예측 모델을 구성할 수 있다.The dataset may be divided into age groups and genders, a plurality of AI algorithms may be learned using the divided datasets, and a disease prediction model according to age and gender may be constructed from each learned AI algorithm.

더더욱 바람직하게는, 상기 단계 (2-2)에서는,Even more preferably, in the step (2-2),

상기 만성질환별 건강진단 지표의 임상 기준에 따라 상기 만성질환의 위험성을 4개의 클래스로 구분할 수 있다.The risk of the chronic disease can be divided into four classes according to the clinical standard of the health diagnosis index for each chronic disease.

바람직하게는, 상기 단계 (3) 이후에는,Preferably, after step (3),

(4) 상기 단계 (3)에서 예측된 만성질환의 위험성을 분석하여 만성질환 위험성 트렌드를 분석하는 단계를 더 포함할 수 있다.(4) by analyzing the risk of chronic disease predicted in step (3) may further include the step of analyzing a chronic disease risk trend.

본 발명에서 제안하고 있는 혈당부하지수를 이용한 한국인의 식이 음식에 따른 당류 섭취 안전지수 기반 인공지능 질환 예측 시스템 및 방법에 따르면, 사용자가 섭취한 식품의 혈당부하지수에 따른 당류 섭취 안전지수와 만성질환별 건강진단 지표 사이의 상관관계를 인공지능 기반으로 학습하고, 학습된 질환 예측 모델을 이용해 사용자의 만성질환 위험성을 예측함으로써, 별도의 측정 장비 없이도 사용자의 만성질환 위험성을 조기에 파악할 수 있고, 정기적인 건강검진 이외에 만성질환의 위험성을 일상적으로 꾸준히 모니터링할 수 있다.According to the artificial intelligence disease prediction system and method based on the sugar intake safety index according to the dietary food of Koreans using the glycemic load index proposed in the present invention, the sugar intake safety index according to the glycemic load index of the food consumed by the user and the chronic disease By learning the correlation between each health diagnosis index based on artificial intelligence and predicting the user's chronic disease risk using the learned disease prediction model, it is possible to identify the user's chronic disease risk at an early stage without additional measuring equipment, In addition to the health check-up, the risk of chronic diseases can be continuously monitored on a daily basis.

또한, 본 발명에서 제안하고 있는 혈당부하지수를 이용한 한국인의 식이 음식에 따른 당류 섭취 안전지수 기반 인공지능 질환 예측 시스템 및 방법에 따르면, 연령대별 및 성별로 구분하여 질환 예측 모델을 구성하고 만성질환의 위험성을 예측함으로써, 같은 연령대 및 성별의 한국인들의 상태와 비교하여 사용자 본인의 위치를 확인할 수 있어, 건강 상태를 타인과 비교할 수 있고 만성질환에 대한 경각심을 줄 수 있다.In addition, according to the artificial intelligence disease prediction system and method based on the sugar intake safety index based on the dietary food of Koreans using the glycemic load factor proposed in the present invention, a disease prediction model is constructed by dividing by age group and gender, and chronic disease By predicting the risk, it is possible to check the user's own location by comparing it with the status of Koreans of the same age and gender, so that the health status can be compared with other people, and it is possible to raise awareness about chronic diseases.

도 1은 본 발명의 일실시예에 따른 혈당부하지수를 이용한 한국인의 식이 음식에 따른 당류 섭취 안전지수 기반 인공지능 질환 예측 시스템을 구현하기 위한 전체 디바이스 구성을 도시한 도면.
도 2는 본 발명의 일실시예에 따른 혈당부하지수를 이용한 한국인의 식이 음식에 따른 당류 섭취 안전지수 기반 인공지능 질환 예측 시스템의 세부적인 구성을 도시한 도면.
도 3은 본 발명의 일실시예에 따른 혈당부하지수를 이용한 한국인의 식이 음식에 따른 당류 섭취 안전지수 기반 인공지능 질환 예측 시스템에서, 지수 산출 모듈의 세부적인 구성을 도시한 도면.
도 4는 본 발명의 일실시예에 따른 혈당부하지수를 이용한 한국인의 식이 음식에 따른 당류 섭취 안전지수 기반 인공지능 질환 예측 시스템에서, 혈당부하지수와 탄수화물 사이의 관계를 도시한 도면.
도 5는 본 발명의 일실시예에 따른 혈당부하지수를 이용한 한국인의 식이 음식에 따른 당류 섭취 안전지수 기반 인공지능 질환 예측 시스템의 지수 산출 모듈에서, 당류 섭취 안전지수를 산출하는 과정을 설명하기 위해 도시한 도면.
도 6은 본 발명의 일실시예에 따른 혈당부하지수를 이용한 한국인의 식이 음식에 따른 당류 섭취 안전지수 기반 인공지능 질환 예측 시스템에서, 학습 모듈의 세부적인 구성을 도시한 도면.
도 7은 본 발명의 일실시예에 따른 혈당부하지수를 이용한 한국인의 식이 음식에 따른 당류 섭취 안전지수 기반 인공지능 질환 예측 시스템에서, 고혈압의 위험성을 예측하는 과정을 설명하기 위해 도시한 도면.
도 8은 본 발명의 일실시예에 따른 혈당부하지수를 이용한 한국인의 식이 음식에 따른 당류 섭취 안전지수 기반 인공지능 질환 예측 방법의 흐름을 도시한 도면.
도 9는 본 발명의 일실시예에 따른 혈당부하지수를 이용한 한국인의 식이 음식에 따른 당류 섭취 안전지수 기반 인공지능 질환 예측 방법에서, 단계 S100의 세부적인 흐름을 도시한 도면.
도 10은 본 발명의 일실시예에 따른 혈당부하지수를 이용한 한국인의 식이 음식에 따른 당류 섭취 안전지수 기반 인공지능 질환 예측 방법에서, 단계 S120의 세부적인 흐름을 도시한 도면.
도 11은 본 발명의 일실시예에 따른 혈당부하지수를 이용한 한국인의 식이 음식에 따른 당류 섭취 안전지수 기반 인공지능 질환 예측 방법에서, 단계 S200의 세부적인 흐름을 도시한 도면.1 is a view showing the overall device configuration for implementing the artificial intelligence disease prediction system based on the sugar intake safety index according to the dietary food of Koreans using the glycemic load index according to an embodiment of the present invention.
FIG. 2 is a diagram illustrating a detailed configuration of an artificial intelligence disease prediction system based on a sugar intake safety index according to dietary foods of Koreans using a glycemic load index according to an embodiment of the present invention; FIG.
3 is a diagram illustrating a detailed configuration of an index calculation module in the artificial intelligence disease prediction system based on the sugar intake safety index according to the dietary food of Koreans using the glycemic load index according to an embodiment of the present invention.
4 is a diagram illustrating the relationship between the glycemic load factor and carbohydrates in the artificial intelligence disease prediction system based on the sugar intake safety index according to the dietary food of Koreans using the glycemic load factor according to an embodiment of the present invention.
5 is an index calculation module of the artificial intelligence disease prediction system based on the sugar intake safety index according to the dietary food of Koreans using the glycemic load index according to an embodiment of the present invention to explain the process of calculating the sugar intake safety index. the drawing shown.
6 is a diagram illustrating a detailed configuration of a learning module in the artificial intelligence disease prediction system based on the sugar intake safety index according to the dietary food of Koreans using the glycemic load factor according to an embodiment of the present invention.
7 is a diagram for explaining a process of predicting the risk of hypertension in the artificial intelligence disease prediction system based on the sugar intake safety index according to the dietary food of Koreans using the glycemic load index according to an embodiment of the present invention.
8 is a diagram illustrating a flow of an AI disease prediction method based on a sugar intake safety index according to a dietary food of Koreans using a glycemic load factor according to an embodiment of the present invention.
9 is a view showing a detailed flow of step S100 in the method for predicting a sugar intake safety index based on a sugar intake safety index for Koreans using a glycemic load factor according to an embodiment of the present invention.
FIG. 10 is a diagram illustrating a detailed flow of step S120 in the method for predicting an artificial intelligence disease based on a sugar intake safety index according to the dietary food of Koreans using the glycemic load factor according to an embodiment of the present invention.
11 is a diagram illustrating a detailed flow of step S200 in the method for predicting a sugar intake safety index based on a sugar intake safety index for Koreans using a glycemic load factor according to an embodiment of the present invention.

이하, 첨부된 도면을 참조하여 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자가 본 발명을 용이하게 실시할 수 있도록 바람직한 실시예를 상세히 설명한다. 다만, 본 발명의 바람직한 실시예를 상세하게 설명함에 있어, 관련된 공지 기능 또는 구성에 대한 구체적인 설명이 본 발명의 요지를 불필요하게 흐릴 수 있다고 판단되는 경우에는 그 상세한 설명을 생략한다. 또한, 유사한 기능 및 작용을 하는 부분에 대해서는 도면 전체에 걸쳐 동일한 부호를 사용한다.Hereinafter, preferred embodiments will be described in detail so that those of ordinary skill in the art can easily practice the present invention with reference to the accompanying drawings. However, in describing a preferred embodiment of the present invention in detail, if it is determined that a detailed description of a related known function or configuration may unnecessarily obscure the gist of the present invention, the detailed description thereof will be omitted. In addition, the same reference numerals are used throughout the drawings for parts having similar functions and functions.

덧붙여, 명세서 전체에서, 어떤 부분이 다른 부분과 ‘연결’ 되어 있다고 할 때, 이는 ‘직접적으로 연결’ 되어 있는 경우뿐만 아니라, 그 중간에 다른 소자를 사이에 두고 ‘간접적으로 연결’ 되어 있는 경우도 포함한다. 또한, 어떤 구성요소를 ‘포함’ 한다는 것은, 특별히 반대되는 기재가 없는 한 다른 구성요소를 제외하는 것이 아니라 다른 구성요소를 더 포함할 수 있다는 것을 의미한다.In addition, throughout the specification, when a part is 'connected' with another part, it is not only 'directly connected' but also 'indirectly connected' with another element interposed therebetween. include In addition, "including" a certain component means that other components may be further included, rather than excluding other components, unless otherwise stated.

도 1은 본 발명의 일실시예에 따른 혈당부하지수를 이용한 한국인의 식이 음식에 따른 당류 섭취 안전지수 기반 인공지능 질환 예측 시스템(10)을 구현하기 위한 전체 디바이스 구성을 도시한 도면이다. 도 1에 도시된 바와 같이, 본 발명의 일실시예에 따른 혈당부하지수를 이용한 한국인의 식이 음식에 따른 당류 섭취 안전지수 기반 인공지능 질환 예측 시스템(10)은, 사용자 디바이스(20)와 각종 신호 및 데이터를 송수신함으로써 구현될 수 있다.1 is a view showing the overall device configuration for implementing the artificial intelligence disease prediction system 10 based on the sugar intake safety index according to the dietary food of Koreans using the glycemic load index according to an embodiment of the present invention. As shown in FIG. 1 , the artificial intelligence disease prediction system 10 based on the sugar intake safety index according to the dietary food of Koreans using the blood glucose load factor according to an embodiment of the present invention, the user device 20 and various signals and transmitting and receiving data.

즉, 인공지능 질환 예측 시스템(10)은, 당류 섭취 안전지수와 만성질환별 건강진단 지표 사이의 상관관계를 인공지능 기반으로 학습하여 질환 예측 모델을 구성해 두고, 사용자는 사용자 디바이스(20)를 이용해 인공지능 질환 예측 시스템(10)에 접속하여 사용자가 섭취한 식품을 입력할 수 있으며, 입력한 섭취한 식품에 따른 당류 섭취 안전지수와 질환 예측 모델에 의해 예측된 만성질환의 위험성을 제공받을 수 있다. 이때, 사용자 디바이스(20)는, 식품을 입력하고, 입력한 식품에 따라 산출된 당류 섭취 안전지수 및 예측된 만성질환의 위험성을 출력하는 애플리케이션을 구비할 수 있다.That is, the artificial intelligence disease prediction system 10 configures a disease prediction model by learning the correlation between the sugar intake safety index and the health diagnosis index for each chronic disease based on artificial intelligence, and the user uses the user device 20 . The user can access the artificial intelligence disease prediction system 10 and input the food consumed by the user, and receive the sugar intake safety index according to the input food intake and the risk of chronic disease predicted by the disease prediction model. have. In this case, the user device 20 may include an application that inputs food and outputs the sugar intake safety index calculated according to the input food and the predicted risk of chronic disease.

사용자 디바이스(20)는, 스마트폰, 태블릿(tablet) PC(personal computer), 이동 전화기, 영상 전화기, 전자책 리더기, 데스크탑(desktop) PC, 랩탑(laptop) PC, 넷북(netbook) 컴퓨터, 워크스테이션(workstation), 서버(server), PDA(personal digital assistant), 미디어 박스, 게임 콘솔, 전자사전 또는 웨어러블 장치(wearable device) 중 적어도 하나를 포함할 수 있으며, 웨어러블 장치는 액세서리형(예: 시계, 반지, 팔찌, 발찌, 목걸이, 안경, 콘택트렌즈, 또는 머리착용형 장치(HMD, head-mounted-device), 직물 또는 의류 일체형(예: 전자 의복), 신체 부착형(예: 스킨 패드(skin pad) 또는 문신), 또는 생체 이식형 회로(implantable circuit) 중 적어도 하나를 포함할 수 있다. 다양한 실시예들에서, 사용자 디바이스(20)는 전술한 기기들에 한정되지는 않으며, 전술한 다양한 장치 중 둘 이상의 조합일 수 있다.The user device 20 is a smart phone, a tablet PC (personal computer), a mobile phone, a video phone, an e-book reader, a desktop PC, a laptop PC, a netbook computer, a workstation It may include at least one of a workstation, a server, a personal digital assistant (PDA), a media box, a game console, an electronic dictionary, or a wearable device, and the wearable device is an accessory type (eg, a watch, Rings, bracelets, anklets, necklaces, eyeglasses, contact lenses, or head-mounted-devices (HMDs), integrated fabrics or clothing (e.g. electronic garments), body-mounted (e.g. skin pads) ) or tattoo), or at least one of an implantable circuit In various embodiments, the user device 20 is not limited to the devices described above, but is one of the various devices described above. It may be a combination of two or more.

도 2는 본 발명의 일실시예에 따른 혈당부하지수를 이용한 한국인의 식이 음식에 따른 당류 섭취 안전지수 기반 인공지능 질환 예측 시스템(10)의 세부적인 구성을 도시한 도면이다. 도 2에 도시된 바와 같이, 본 발명의 일실시예에 따른 혈당부하지수를 이용한 한국인의 식이 음식에 따른 당류 섭취 안전지수 기반 인공지능 질환 예측 시스템(10)은, 지수 산출 모듈(100), 학습 모듈(200) 및 예측 모듈(300)을 포함하여 구성될 수 있으며, 트렌드 분석 모듈(400)을 더 포함하여 구성될 수 있다.2 is a view showing the detailed configuration of the artificial intelligence disease prediction system 10 based on the sugar intake safety index according to the dietary food of Koreans using the glycemic load index according to an embodiment of the present invention. As shown in FIG. 2 , the artificial intelligence disease prediction system 10 based on the sugar intake safety index according to the dietary food of Koreans using the glycemic load index according to an embodiment of the present invention includes the index calculation module 100, learning It may be configured to include the module 200 and the prediction module 300 , and may further include a trend analysis module 400 .

지수 산출 모듈(100)은, 한국인의 식이 음식에 대한 식품 정보를 이용해, 사용자가 섭취한 식품의 혈당부하지수에 따른 당류 섭취 안전지수를 산출할 수 있다. 즉, 지수 산출 모듈(100)은, 한국인의 식이 음식에 대한 식품 정보를 저장해 두고, 당류 섭취 안전지수 산출 알고리즘을 포함하여, 당류 섭취 안전지수를 산출할 수 있다.The index calculation module 100 may calculate the sugar intake safety index according to the glycemic load factor of the food consumed by the user, using food information on the dietary food of Koreans. That is, the index calculation module 100 stores food information on the dietary food of Koreans, and includes a sugar intake safety index calculation algorithm to calculate the sugar intake safety index.

도 3은 본 발명의 일실시예에 따른 혈당부하지수를 이용한 한국인의 식이 음식에 따른 당류 섭취 안전지수 기반 인공지능 질환 예측 시스템(10)에서, 지수 산출 모듈(100)의 세부적인 구성을 도시한 도면이다. 도 3에 도시된 바와 같이, 본 발명의 일실시예에 따른 혈당부하지수를 이용한 한국인의 식이 음식에 따른 당류 섭취 안전지수 기반 인공지능 질환 예측 시스템(10)의 지수 산출 모듈(100)은, 데이터베이스(110), 분석부(120), 검색부(140) 및 지수 산출부(150)를 포함하여 구성될 수 있으며, 입력부(130)를 더 포함하여 구성될 수 있다.3 is a detailed configuration of the index calculation module 100 in the artificial intelligence disease prediction system 10 based on the sugar intake safety index according to the dietary food of Koreans using the glycemic load index according to an embodiment of the present invention. It is a drawing. As shown in FIG. 3 , the index calculation module 100 of the artificial intelligence disease prediction system 10 based on the sugar intake safety index according to the dietary food of Koreans using the blood glucose load index according to an embodiment of the present invention is a database 110 , the analysis unit 120 , the search unit 140 , and the index calculation unit 150 may be included, and may further include an input unit 130 .

데이터베이스(110)는, 한국인의 섭취 식품에 대한 식품 정보를 저장할 수 있다. 보다 구체적으로는, 데이터베이스(110)는, 식품별로 식품명, 1회 제공량, 1회 제공량에 포함된 탄수화물 양 및 혈당부하지수(Glycemic Load index, GL)를 포함하는 식품 정보를 저장할 수 있다. 또한, 식품 정보는 혈당지수(Glycemic Index, GI), 포함된 영양소 등 다양한 정보를 더 포함할 수도 있다.The database 110 may store food information about food consumed by Koreans. More specifically, the database 110 may store food information including a food name, a serving amount, an amount of carbohydrates included in each serving, and a glycemic load index (GL) for each food. In addition, the food information may further include various information such as a glycemic index (GI) and included nutrients.

본 발명에서는, 식품안전정보포털 식품안전나라의 데이터베이스를 참고하여 각 식품에 대한 영양성분 분석 및 식품 정보를 작성하였으며, 혈당지수에 대한 정보는 한국인 상용 식품의 혈당지수 추정치를 활용한 한국 성인의 식사혈당지수 산출을 활용하여, 식품 정보를 데이터베이스(110)에 저장하였다. 또한, 각 식품의 1회 제공량을 반영하여 혈당지수로부터 혈당부하지수를 추정하고, 이를 각 식품별로 데이터베이스(110)에 저장하였다. 이와 같이 본 발명에서는, 한국인 상용 식품에 대하여 한국 성인의 식사 혈당지수를 활용하였기 때문에, 한국인의 식이 음식에 따른 분석을 할 수 있다.In the present invention, nutritional component analysis and food information for each food were prepared with reference to the database of Food Safety Nara, a food safety information portal, and the information on the glycemic index is a Korean adult meal using the glycemic index estimate of Korean commercial food. Using the glycemic index calculation, food information was stored in the database 110 . In addition, the glycemic load factor was estimated from the glycemic index by reflecting the serving amount of each food at one time, and this was stored in the database 110 for each food. As described above, in the present invention, since the dietary glycemic index of Korean adults is utilized for Korean commercial food, it is possible to analyze according to the dietary food of Koreans.

분석부(120)는, 혈당부하지수와 당류 섭취 안전지수 사이의 관계를 도출할 수 있다. 즉, 분석부(120)는 데이터베이스(110)에 저장된 식품 정보를 활용하여, 혈당부하지수와 당류 섭취 안전지수 사이의 관계를 수학식으로 도출할 수 있다.The analysis unit 120 may derive a relationship between the glycemic load index and the sugar intake safety index. That is, the analysis unit 120 may derive the relationship between the blood sugar load factor and the sugar intake safety index by using the food information stored in the database 110 .

본 발명에서는, 식품에 함유된 탄수화물 양에 따른 당류 섭취의 기준을 제시하기 위하여, 분석부(120)를 통해 열량과 탄수화물, 혈당지수, 혈당부하지수 등의 상호 연관성을 분석하였다. 보다 구체적으로는 먼저, 열량과 탄수화물 양의 상호 연관성 검증을 위해, 탄수화물과 칼로리 사이의 연관성, 혈당지수와 칼로리 사이의 연관성, 혈당부하지수의 칼로리 사이의 연관성, 혈당지수와 탄수화물 양 사이의 연관성, 혈당부하지수와 탄수화물 양 사이의 연관성 등을 분석하였다. 본 발명에서는, 전술한 바와 같은 분석을 통하여, 혈당부하지수와 탄수화물 양 사이의 관계에 대한 신뢰도가 가장 높음을 확인하고 이를 기반으로 하는 안전지수를 개발함으로써, 식품의 혈당부하지수를 응용한 일일 탄수화물 섭취기준을 제시할 수 있다.In the present invention, the correlation between calories and carbohydrates, glycemic index, glycemic load index, etc. was analyzed through the analysis unit 120 in order to present a standard of sugar intake according to the amount of carbohydrates contained in food. More specifically, first, to verify the correlation between calories and carbohydrate amounts, the relationship between carbohydrates and calories, the relationship between the glycemic index and calories, the relationship between the calories in the glycemic load index, the relationship between the glycemic index and the amount of carbohydrates, The relationship between the glycemic load factor and the amount of carbohydrates was analyzed. In the present invention, through the analysis as described above, the reliability of the relationship between the glycemic load factor and the amount of carbohydrate is confirmed to be the highest, and a safety index based on this is confirmed, thereby developing a daily carbohydrate using the glycemic load factor of food. Intake standards can be suggested.

도 4는 본 발명의 일실시예에 따른 혈당부하지수를 이용한 한국인의 식이 음식에 따른 당류 섭취 안전지수 기반 인공지능 질환 예측 시스템(10)에서, 혈당부하지수와 탄수화물 사이의 관계를 도시한 도면이다. 도 4에 도시된 바와 같이, 혈당부하지수와 탄수화물 양의 연관성은 정비례 관계로 나타났으며, 보다 구체적으로는 도출된 식품의 혈당부하지수와 탄수화물 양의 관계는, 혈당부하지수 = (0.581×탄수화물 양)-1.0863 (R2=0.8195)로 나타났다.4 is a diagram illustrating the relationship between the glycemic load factor and carbohydrates in the artificial intelligence disease prediction system 10 based on the sugar intake safety index according to the dietary food of Koreans using the glycemic load factor according to an embodiment of the present invention. . As shown in FIG. 4 , the relationship between the glycemic load factor and the amount of carbohydrate was shown to be in direct proportion. amount) -1.0863 (R 2 =0.8195).

한편, 도 3에 도시된 바와 같이, 본 발명의 일실시예에 따른 혈당부하지수를 이용한 한국인의 식이 음식에 따른 당류 섭취 안전지수 기반 인공지능 질환 예측 시스템(10)에서, 지수 산출 모듈(100)의 분석부(120)는, 제1 분석부(121), 설정부(122), 제2 분석부(123) 및 제3 분석부(124)를 포함하여 구성될 수 있다.On the other hand, as shown in FIG. 3 , in the artificial intelligence disease prediction system 10 based on the sugar intake safety index according to the dietary food of Koreans using the glycemic load index according to an embodiment of the present invention, the index calculation module 100 The analysis unit 120 may include a first analysis unit 121 , a setting unit 122 , a second analysis unit 123 , and a third analysis unit 124 .

제1 분석부(121)는, 데이터베이스(110)에 저장된 식품 정보를 이용하여, 식품의 혈당부하지수와 탄수화물 양의 관계를 도출할 수 있다. 즉, 혈당부하지수와 탄수화물 양이 가장 연관성이 높게 나타나므로, 본 발명에서는 탄수화물 섭취기준을 제시하기 위하여 식품의 혈당부하지수를 활용할 수 있다. 제1 분석부(121)에서 도출된 식품의 혈당부하지수와 탄수화물 양의 관계는, 도 4에 도시된 바와 같이, 혈당부하지수=(0.581×탄수화물 양)-1.0863 (R2=0.8195)일 수 있다.The first analyzer 121 may derive a relationship between the glycemic load of the food and the amount of carbohydrate by using the food information stored in the database 110 . That is, since the glycemic load factor and the amount of carbohydrate appear to have the highest correlation, the present invention can utilize the glycemic load factor of food to suggest carbohydrate intake standards. As shown in FIG. 4 , the relationship between the glycemic load factor of food and the amount of carbohydrates derived from the first analysis unit 121 may be −1.0863 (R 2 =0.8195). have.

설정부(122)는, 탄수화물의 일일 섭취 권장량을 설정할 수 있다. 이때, 설정부(122)는, 탄수화물의 일일 섭취 권장량을 범위로 설정할 수 있다. 본 발명에서는, 한국인에 적합한 기준을 제시하기 위하여, 2008-2012년 국민건강영양조사 자료에서, 전체인구의 탄수화물 1일 평균 섭취량은 314.5g임을 활용 하였다(한국인을 위한 탄수화물의 섭취기준: 총에너지 섭취량 중에서 탄수화물의 적절한 섭취비율, 즉 탄수화물 에너지적정비율(acceptable macronutrient distribution range, AMDR) 설정). 탄수화물로부터 섭취하는 에너지 비율이 70% 이상이면 질병의 위험이 증가하는 것으로 보고(Song & Joung, 2012), 2015년에는 55-65%로 설정(172.9g ~ 204.4g) (2015 한국인 영양소 섭취기준)한 것을 참조하여 탄수화물 섭취에 대한 적정 기준을 설정하였다. 즉, 설정부(122)는, 탄수화물의 일일 섭취 권장량을 172.9g ~ 204.4g의 범위로 설정할 수 있다.The setting unit 122 may set a recommended daily intake amount of carbohydrates. In this case, the setting unit 122 may set the recommended daily intake amount of carbohydrates within the range. In the present invention, in order to present a standard suitable for Koreans, in the 2008-2012 National Health and Nutrition Examination Survey data, the average daily carbohydrate intake of the entire population was 314.5 g (Carbohydrate intake standard for Koreans: total energy intake) Among them, the appropriate intake ratio of carbohydrates, i.e., the establishment of an acceptable macronutrient distribution range (AMDR) for carbohydrates). If the ratio of energy consumed from carbohydrates is 70% or more, it is reported that the risk of disease increases (Song & Joung, 2012), and in 2015 it was set to 55-65% (172.9g ~ 204.4g) (based on the intake of nutrients for Koreans in 2015) The appropriate standard for carbohydrate intake was established by referring to the That is, the setting unit 122 may set the recommended daily intake amount of carbohydrates in the range of 172.9 g to 204.4 g.

도 5는 본 발명의 일실시예에 따른 혈당부하지수를 이용한 한국인의 식이 음식에 따른 당류 섭취 안전지수 기반 인공지능 질환 예측 시스템(10)의 지수 산출 모듈(100)에서, 당류 섭취 안전지수를 산출하는 과정을 설명하기 위해 도시한 도면이다. 도 5에 도시된 바와 같이, 본 발명의 일실시예에 따른 혈당부하지수를 이용한 한국인의 식이 음식에 따른 당류 섭취 안전지수 기반 인공지능 질환 예측 시스템(10)에서, 지수 산출 모듈(100)의 분석부(120)는, 설정부(122)가 탄수화물의 일일 섭취 권장량을 172.9g ~ 204.4g의 범위로 설정할 수 있다.5 is an index calculation module 100 of the artificial intelligence disease prediction system 10 based on the sugar intake safety index according to the dietary food of Koreans using the glycemic load factor according to an embodiment of the present invention, and the sugar intake safety index is calculated. It is a drawing shown to explain the process. As shown in FIG. 5 , in the artificial intelligence disease prediction system 10 based on the sugar intake safety index according to the dietary food of Koreans using the glycemic load index according to an embodiment of the present invention, the index calculation module 100 is analyzed The unit 120, the setting unit 122 may set the recommended daily intake amount of carbohydrates in the range of 172.9g to 204.4g.

또한, 미국의 탄수화물 섭취기준에서, 케토시스를 방지하는 포도당량(100g/일), 1세 이후 모든 연령에서 평균필요량(estimated average requirement)을 100g으로 설정(Institute of Medicine(IOM), 2006)한 것으로부터, 탄수화물 섭취의 최소 허용량은 100g으로 설정함으로써, 100g ~ 172.9g은 허용되는 섭취량이고, 100g 미만은 탄수화물이 부족한 것으로 설정할 수 있다. 또한, 전체인구의 탄수화물 1일 평균 섭취량은 314.5g임을 이용하여, 204.4g ~ 314.5g은 허용되는 섭취량이고, 314.5g이 넘으면 탄수화물 과다 섭취인 것으로 설정할 수 있다.In addition, in the carbohydrate intake standards in the United States, the amount of glucose to prevent ketosis (100 g/day) and the estimated average requirement for all ages after 1 year of age were set to 100 g (Institute of Medicine (IOM), 2006). From, by setting the minimum allowable amount of carbohydrate intake to 100g, 100g to 172.9g is the allowable intake, and less than 100g may be set as insufficient carbohydrate. In addition, using that the average daily intake of carbohydrates for the entire population is 314.5 g, 204.4 g to 314.5 g is an acceptable intake, and when it exceeds 314.5 g, it can be set as excessive carbohydrate intake.

제2 분석부(123)는, 도출된 혈당부하지수와 탄수화물 양의 관계로부터, 탄수화물의 일일 섭취 권장량에 대응되는 적정 혈당부하지수를 산출할 수 있다. 보다 구체적으로는, 제2 분석부(123)는, 탄수화물의 일일 섭취 권장량의 범위에 대응되는 적정 혈당부하지수의 범위를 산출할 수 있다.The second analyzer 123 may calculate an appropriate glycemic load factor corresponding to the recommended daily intake amount of carbohydrates from the derived relationship between the glycemic load factor and the amount of carbohydrates. More specifically, the second analyzer 123 may calculate a range of an appropriate glycemic load factor corresponding to a range of a recommended daily intake amount of carbohydrates.

즉, 제2 분석부(123)는, 제1 분석부(121)에서 도출한 혈당부하지수와 탄수화물 양의 관계식으로부터, 탄수화물의 일일 섭취 권장량의 범위인 172.9g ~ 204.4g에 대응하는 적정 혈당부하지수를 산출할 수 있다. 도 5에 도시된 바와 같이, 제2 분석 모듈(230)이 산출한 적정 혈당부하지수는 99.3~117.6의 범위일 수 있다. 추가로, 탄수화물 섭취의 최소 허용량인 100g에 대응하는 혈당부하지수는 57.0이고, 탄수화물 섭취의 최대 허용량인 314.5g에 대응하는 혈당부하지수는 173.2로 각각 산출될 수 있다.That is, the second analysis unit 123 determines the appropriate blood glucose load corresponding to the range of the recommended daily intake amount of carbohydrates of 172.9 g to 204.4 g from the relational expression between the blood glucose load factor and the amount of carbohydrates derived from the first analysis unit 121 . index can be calculated. As shown in FIG. 5 , the appropriate blood glucose load factor calculated by the second analysis module 230 may be in the range of 99.3 to 117.6. Additionally, the glycemic load factor corresponding to 100 g, which is the minimum allowable amount of carbohydrate intake, may be 57.0, and the glycemic index, corresponding to 314.5 g, which is the maximum allowable amount of carbohydrate intake, may be calculated as 173.2, respectively.

제3 분석부(124)는, 적정 혈당부하지수를 이용해 당류 섭취 안전지수를 설정하여, 혈당부하지수와 당류 섭취 안전지수 사이의 관계를 도출할 수 있다. 보다 구체적으로는, 제3 분석부(124)는, 적정 혈당부하지수의 범위의 최솟값을 -1, 최댓값을 1로 하는 당류 섭취 안전지수를 설정할 수 있다. 제3 분석부(124)에서 도출된 혈당부하지수와 당류 섭취 안전지수 사이의 관계는, 당류 섭취 안전지수=(0.1093×혈당부하지수)-11.858일 수 있다.The third analysis unit 124 may set the sugar intake safety index using the appropriate blood sugar load factor to derive a relationship between the blood sugar load factor and the sugar intake safety index. More specifically, the third analysis unit 124 may set the sugar intake safety index in which the minimum value of the range of the appropriate blood glucose load index is -1 and the maximum value is 1. The relationship between the blood sugar load factor and the sugar intake safety index derived from the third analysis unit 124 may be sugar intake safety index=(0.1093×blood sugar load factor)-11.858.

즉, 도 5에 도시된 바와 같이, 혈당부하지수 99.3에 대응하는 당류 섭취 안전지수를 -1, 혈당부하지수 117.6에 대응하는 당류 섭취 안전지수를 +1로 하고, 그 중간값이 0이 되도록 당류 섭취 안전지수를 설정함으로써, 실제 소비자가 느낄 수 있는 체감 지수로서 ±1을 벗어나지 않아야 한다는 주의를 부각시킬 수 있다.That is, as shown in FIG. 5 , the sugar intake safety index corresponding to the glycemic load factor of 99.3 is set to -1, the sugar intake safety index corresponding to the glycemic load factor of 117.6 is set to +1, and the median value thereof is 0. By setting the intake safety index, it is possible to emphasize the caution that it should not deviate from ±1 as a sensible index that can be felt by actual consumers.

입력부(130)는, 섭취한 식품을 입력받을 수 있다. 본 발명의 일실시예에 따른 혈당부하지수를 이용한 한국인의 식이 음식에 따른 당류 섭취 안전지수 기반 인공지능 질환 예측 시스템(10)은, 소비자 등이 사용자 디바이스(20)를 이용해 섭취한 식품을 선택하거나 직접 입력하여 시스템에 입력하면, 그에 대응한 당류 섭취 안전지수가 산출되어 애플리케이션을 통해 소비자 등에 제공되도록 구현될 수 있다. 섭취한 식품의 입력은 목록에서 선택하여 입력하거나 직접 입력할 수 있으며, 검색을 통해 입력할 수도 있다.The input unit 130 may receive the ingested food input. According to an embodiment of the present invention, the artificial intelligence disease prediction system 10 based on the sugar intake safety index according to the dietary food of Koreans using the blood glucose load factor according to an embodiment of the present invention, the consumer or the like selects the food consumed using the user device 20 or When directly inputted into the system, a corresponding sugar intake safety index can be calculated and implemented to be provided to consumers and the like through an application. The input of the ingested food can be entered by selecting it from the list or directly entered, or it can be entered through a search.

예를 들어, 소비자가 아침식사 대신 미숫가루, 점심식사로는 햄버거와 감자튀김, 콜라를 섭취하고, 간식으로 키위 주스와 초콜릿, 저녁식사로 볶음밥과 디저트로 생크림 케이크를 섭취한 경우, 미숫가루, 햄버거, 감자튀김, 콜라, 키위 주스, 초콜릿, 볶음밥, 생크림 케이크를 입력받을 수 있다.For example, if a consumer consumes raw flour instead of breakfast, hamburger, french fries, and cola for lunch, kiwi juice and chocolate for a snack, fried rice and cream cake for dessert, You can input hamburger, french fries, cola, kiwi juice, chocolate, fried rice, and whipped cream cake.

검색부(140)는, 데이터베이스(110)에 저장된 식품 정보를 이용해, 섭취한 식품의 혈당부하지수를 검색할 수 있다. 데이터베이스(110)에 저장된 식품 정보로부터, 검색부(140)는 미숫가루 41.776, 햄버거 16.764, 감자튀김 26.24, 콜라 7.434, 키위 주스 8.584, 초콜릿 2.4704, 볶음밥 19.2, 생크림 케이크 16.1로 혈당부하지수를 각각 검색할 수 있다.The search unit 140 may use the food information stored in the database 110 to search the blood glucose load factor of the ingested food. From the food information stored in the database 110 , the search unit 140 searches the glycemic load index for raw flour 41.776, hamburger 16.764, french fries 26.24, cola 7.434, kiwi juice 8.584, chocolate 2.4704, fried rice 19.2, and fresh cream cake 16.1, respectively. can do.

지수 산출부(150)는, 분석부(120)에서 도출된 혈당부하지수와 당류 섭취 안전지수 사이의 관계를 이용해, 검색된 혈당부하지수로부터 당류 섭취 안전지수를 산출할 수 있다. 보다 구체적으로는, 지수 산출부(150)는, 입력부(130)를 통해 입력받은 섭취한 식품의 당류 섭취 안전지수를 산출할 수 있다.The index calculator 150 may calculate the sugar intake safety index from the found blood sugar load factor by using the relationship between the glycemic load factor and the sugar intake safety index derived from the analysis unit 120 . More specifically, the index calculation unit 150 may calculate the sugar intake safety index of the ingested food received through the input unit 130 .

전술한 바와 같은 예에서, 소비자가 하루 동안 섭취한 미숫가루, 햄버거, 감자튀김, 콜라, 키위 주스, 초콜릿, 볶음밥, 생크림 케이크의 총 혈당부하지수는 138.568(=41.776+16.764+26.24+7.434+8.584+2.4704+19.2)이고, 당류 섭취 안전지수 = (0.1093×혈당부하지수)-11.858의 관계식에 따라 산출된 당류 섭취 안전지수는 (0.1093×138.568)-11.858=2.54일 수 있다.In the example as described above, the total glycemic load factor of raw flour, hamburger, french fries, cola, kiwi juice, chocolate, fried rice, and whipped cream cake consumed by the consumer during the day was 138.568 (=41.776+16.764+26.24+7.434+8.584). +2.4704+19.2) and the sugar intake safety index = (0.1093×glycemic load factor)-11.858, the sugar intake safety index calculated according to the relationship may be (0.1093×138.568)-11.858=2.54.

학습 모듈(200)은, 당류 섭취 안전지수와 만성질환별 건강진단 지표 사이의 상관관계를 인공지능 기반으로 학습하여 질환 예측 모델을 구성할 수 있다. 여기서, 당류 섭취 안전지수는, 지수 산출 모듈(100)에 포함된 당류 섭취 안전지수 산출 알고리즘에 의해 산출된 것일 수 있으며, 만성질환별 건강진단 지표는 각 만성질환의 진단 기준으로 사용되는 지표일 수 있다. 보다 구체적으로, 학습 모듈(200)은, 고혈압은 수축기 혈압 또는 이완기 혈압, 비만은 체질량 지수, 당뇨는 공복 혈당, 고지혈증 또는 이상지질혈증은 총 콜레스테롤, HDL 콜레스테롤, 트리글리세이드(중성지방), LDL 콜레스테롤 또는 공복혈당을 만성질환별 건강진단 지표로 사용할 수 있다.The learning module 200 may construct a disease prediction model by learning the correlation between the sugar intake safety index and the health diagnosis index for each chronic disease based on artificial intelligence. Here, the sugar intake safety index may be calculated by the sugar intake safety index calculation algorithm included in the index calculation module 100, and the health diagnosis index for each chronic disease may be an index used as a diagnostic criterion for each chronic disease. have. More specifically, the learning module 200, hypertension is systolic blood pressure or diastolic blood pressure, obesity is body mass index, diabetes is fasting blood sugar, hyperlipidemia or dyslipidemia is total cholesterol, HDL cholesterol, triglycerides (triglycerides), LDL cholesterol Alternatively, fasting blood sugar can be used as a health diagnosis index for each chronic disease.

도 6은 본 발명의 일실시예에 따른 혈당부하지수를 이용한 한국인의 식이 음식에 따른 당류 섭취 안전지수 기반 인공지능 질환 예측 시스템(10)에서, 학습 모듈(200)의 세부적인 구성을 도시한 도면이다. 도 6에 도시된 바와 같이, 본 발명의 일실시예에 따른 혈당부하지수를 이용한 한국인의 식이 음식에 따른 당류 섭취 안전지수 기반 인공지능 질환 예측 시스템(10)의 학습 모듈(200)은, 데이터 구성부(210) 및 학습부(220)를 포함하여 구성될 수 있다.6 is a view showing the detailed configuration of the learning module 200 in the artificial intelligence disease prediction system 10 based on the sugar intake safety index according to the dietary food of Koreans using the blood glucose load factor according to an embodiment of the present invention. to be. 6, the learning module 200 of the artificial intelligence disease prediction system 10 based on the sugar intake safety index according to the dietary food of Koreans using the blood glucose load factor according to an embodiment of the present invention, data configuration It may be configured to include a unit 210 and a learning unit 220 .

데이터 구성부(210)는, 복수의 사용자에 대해 산출된 당류 섭취 안전지수 및 만성질환별 건강진단 지표 값을 인공지능 기반의 학습을 위한 데이터셋으로 구성할 수 있다. 즉, 데이터 구성부(210)는, 인공지능 학습을 위한 데이터를 수집하고 데이터셋을 구성할 수 있는데, 인공지능 알고리즘이 당류 섭취 안전지수와 만성질환별 건강진단 지표 사이의 상관관계를 학습할 수 있도록, 고혈압, 비만, 당뇨, 고지혈증 등의 만성질환과 각 만성질환의 여러 단계에 있는 많은 사용자에 대한 각각의 지표 값과 그에 대응하는 사용자의 당류 섭취 안전지수를 데이터셋으로 구성하여, 신뢰도 높은 인공지능 학습이 가능하도록 할 수 있다.The data configuration unit 210 may configure the sugar intake safety index calculated for a plurality of users and the health diagnosis index value for each chronic disease as a dataset for AI-based learning. That is, the data configuration unit 210 can collect data for artificial intelligence learning and configure a dataset, and the artificial intelligence algorithm can learn the correlation between the sugar intake safety index and the health diagnosis index for each chronic disease. In order to achieve this, each index value for many users at various stages of chronic diseases such as high blood pressure, obesity, diabetes, and hyperlipidemia and each chronic disease and the corresponding user's sugar intake safety index are composed of a dataset, and a highly reliable artificial It can make intelligent learning possible.

학습부(220)는, 데이터 구성부(210)에서 구성된 데이터셋을 이용해 인공지능 기반으로 학습을 수행하고, 학습 수행 결과로부터 만성질환의 위험성을 복수의 클래스로 분류하여 예측하는 질환 예측 모델을 구성할 수 있다. 이때, 학습부(220)는 CNN(Convolutional neural network), RNN(Recurrent Neural Network), 랜덤 포레스트(Random Forest) 분류기 등의 인공지능 알고리즘을 사용할 수 있으며, CNN(Convolutional neural network)과 LSTM(Long short-term memory) RNN(Recurrent Neural Network)을 결합한 인공신경망 모델, 가중 랜덤 포레스트 분류기(WRFR)나 캐스케이드 회귀 포레스트(Cascade Regression Forest) 등을 사용할 수도 있다.The learning unit 220 configures a disease prediction model that performs learning based on artificial intelligence using the dataset configured in the data construction unit 210 and classifies the risk of chronic disease into a plurality of classes from the learning performance result. can do. At this time, the learning unit 220 may use an artificial intelligence algorithm such as a convolutional neural network (CNN), a recurrent neural network (RNN), a random forest classifier, and a convolutional neural network (CNN) and a long short (LSTM) classifier. -term memory) An artificial neural network model combined with a Recurrent Neural Network (RNN), a Weighted Random Forest Classifier (WRFR), or a Cascade Regression Forest can also be used.

보다 구체적으로, 학습부(220)는, 데이터셋을 연령대 및 성별로 구분하고, 구분된 데이터셋을 이용해 복수의 인공지능 알고리즘의 학습을 수행하고, 각각의 학습된 인공지능 알고리즘으로부터 연령대 및 성별에 따른 질환 예측 모델을 구성할 수 있다. 즉, 연령대 및 성별에 따라 데이터셋을 구분해 학습함으로써, 각 연령대 및 성별에 따라 질환 예측 모델을 구성하여 만성질환의 위험도 예측 결과에 대한 신뢰도를 극대화할 수 있다.More specifically, the learning unit 220 divides the dataset into age groups and genders, performs learning of a plurality of AI algorithms using the divided datasets, and determines age and gender from each learned AI algorithm. According to the disease prediction model can be constructed. That is, by classifying and learning datasets according to age and gender, it is possible to construct a disease prediction model according to each age group and gender, thereby maximizing the reliability of the chronic disease risk prediction result.

또한, 학습부(220)는, 만성질환의 위험성을 4개의 클래스로 구분하도록 질환 예측 모델을 구성할 수 있다. 보다 구체적으로, 학습부(220)는, 만성질환별 건강진단 지표의 임상 기준에 따라 만성질환의 위험성을 4개의 클래스로 구분할 수 있다.In addition, the learning unit 220 may configure the disease prediction model to classify the risk of chronic disease into four classes. More specifically, the learning unit 220 may classify the risk of chronic disease into four classes according to the clinical standard of the health diagnosis index for each chronic disease.

도 7은 본 발명의 일실시예에 따른 혈당부하지수를 이용한 한국인의 식이 음식에 따른 당류 섭취 안전지수 기반 인공지능 질환 예측 시스템(10)에서, 고혈압의 위험성을 예측하는 과정을 설명하기 위해 도시한 도면이다. 도 7에 도시된 바와 같이, 본 발명의 일실시예에 따른 혈당부하지수를 이용한 한국인의 식이 음식에 따른 당류 섭취 안전지수 기반 인공지능 질환 예측 시스템(10)은, 만성질환 중 고혈압의 경우, 수축기 혈압을 이용해, 정상(A), 정상의 범위이나 고혈압의 전 단계로 주의가 필요한 정상(B), 고혈압 1기, 고혈압 2기와 같이 4개의 클래스로 구분할 수 있다.7 is a diagram illustrating a process for predicting the risk of hypertension in the artificial intelligence disease prediction system 10 based on the sugar intake safety index according to the dietary food of Koreans using the glycemic load index according to an embodiment of the present invention. It is a drawing. As shown in FIG. 7 , the artificial intelligence disease prediction system 10 based on the sugar intake safety index according to the dietary food of Koreans using the glycemic load index according to an embodiment of the present invention, in the case of hypertension among chronic diseases, systolic Using blood pressure, it can be divided into four classes: normal (A), normal (B), high blood pressure stage 1, and hypertension stage 2, which require attention as a range of normal or pre-hypertension.

예측 모듈(300)은, 지수 산출부(150)에서 산출한 당류 섭취 안전지수를 질환 예측 모델에 입력하여, 만성질환의 위험성을 예측할 수 있다. 즉, 예측 모듈(300)은, 지수 산출 모듈(100)과 학습 모듈(200)의 결과를 유기적으로 결합하여, 사용자가 사용자 디바이스(20)를 통해 입력한 사용자가 섭취한 식품으로부터 고혈압, 비만, 당뇨, 고지혈증, 이상지질혈증 등 만성질환의 위험성을 예측할 수 있다. 학습 모듈(200)의 학습부(220)는, 만성질환의 위험성을 4개의 클래스로 구분하도록 질환 예측 모델을 구성하므로, 예측 모듈(300)은, 해당 사용자의 만성질환 위험성을 4개의 클래스 중 어느 하나로 분류할 수 있다.The prediction module 300 may input the sugar intake safety index calculated by the index calculator 150 into the disease prediction model to predict the risk of chronic disease. That is, the prediction module 300 organically combines the results of the index calculation module 100 and the learning module 200, and from the food consumed by the user input by the user through the user device 20, hypertension, obesity, It can predict the risk of chronic diseases such as diabetes, hyperlipidemia, and dyslipidemia. Since the learning unit 220 of the learning module 200 configures the disease prediction model to classify the risk of chronic disease into four classes, the prediction module 300 determines the chronic disease risk of the user in any of the four classes. can be classified as one.

본 발명의 일실시예에 따른 혈당부하지수를 이용한 한국인의 식이 음식에 따른 당류 섭취 안전지수 기반 인공지능 질환 예측 시스템(10)에서는, 예측 모듈(300)이 예측한 만성질환의 위험성을 사용자 디바이스(20)에 제공할 수 있다. 도 7에 도시된 예에서, 고혈압에 대한 질환 예측 모델은, 정상(A), 정상(B), 고혈압 1기, 및 고혈압 2기의 4개의 클래스로 예측 결과를 출력할 수 있는데, 사용자는 사용자 디바이스(20)를 통해 “정상(B)”로 예측된 고혈압 위험성을 확인할 수 있다.In the artificial intelligence disease prediction system 10 based on the sugar intake safety index according to the dietary food of Koreans using the glycemic load index according to an embodiment of the present invention, the risk of chronic disease predicted by the prediction module 300 is calculated by the user device ( 20) can be provided. In the example shown in FIG. 7 , the disease prediction model for hypertension may output prediction results into four classes: normal (A), normal (B), high blood pressure stage 1, and hypertension stage 2, and the user The high blood pressure risk predicted as “normal (B)” may be checked through the device 20 .

또한, 지수 산출 모듈(100)에서 산출된 당류 섭취 안전지수와, 이를 통해 판단된 당류 섭취 정도(“부족”, “허용”, “적정”, “과량” 등)를 사용자 디바이스(20)의 애플리케이션으로 제공하여, 고혈압 유발의 주요 원인 중 하나인 탄수화물 섭취를 사용자가 적극적으로 조절하도록 유도할 수 있다.In addition, the sugar intake safety index calculated by the index calculation module 100 and the sugar intake level (“shortage”, “acceptable”, “adequate”, “excess”, etc.) determined through the application of the user device 20 By providing this, it is possible to induce the user to actively control carbohydrate intake, which is one of the main causes of hypertension.

트렌드 분석 모듈(400)은, 예측 모듈(300)에서 예측된 만성질환의 위험성을 분석하여 만성질환 위험성 트렌드를 분석할 수 있다. 즉, 트렌드 분석 모듈(400)은, 예측 모듈(300)에서 예측된 만성질환의 위험성을 추적하여 트렌드를 분석할 수 있다. 이때, 해당 사용자의 만성질환의 위험성을 분석할 뿐 아니라, 다른 사용자의 만성질환의 위험성을 통합 분석하여, 전체 만성질환의 위험성 트렌드와 해당 사용자의 만성질환의 위험성 트렌드를 비교할 수 있다.The trend analysis module 400 may analyze the chronic disease risk trend by analyzing the risk of chronic disease predicted by the prediction module 300 . That is, the trend analysis module 400 may analyze the trend by tracking the risk of chronic disease predicted by the prediction module 300 . At this time, not only the risk of chronic disease of the user is analyzed, but also the risk of chronic disease of other users is integrated and the risk trend of the entire chronic disease can be compared with the risk trend of the chronic disease of the user.

또한, 트렌드 분석 모듈(400)은, 사용자 디바이스(20)에 당류 섭취 트렌드를 그래프로 제공할 수 있으며, 목표를 제시하여 사용자가 얼마나 목표를 달성하였는지 쉽게 파악이 가능하도록 할 수 있다. 실시예에 따라서는, 만성질환의 위험성 목표를 사용자가 직접 설정 가능하도록 할 수 있으며, 트렌드 분석 모듈(400)이 해당 사용자의 현재 만성질환의 위험성에 따라 만성질환의 위험성 목표를 자동으로 조절할 수 있다.In addition, the trend analysis module 400 may provide the sugar intake trend to the user device 20 as a graph, and may present a goal so that the user can easily understand how much the goal has been achieved. Depending on the embodiment, the user may directly set the risk target for chronic disease, and the trend analysis module 400 may automatically adjust the risk target for chronic disease according to the user's current risk of chronic disease. .

도 8은 본 발명의 일실시예에 따른 혈당부하지수를 이용한 한국인의 식이 음식에 따른 당류 섭취 안전지수 기반 인공지능 질환 예측 방법의 흐름을 도시한 도면이다. 도 8에 도시된 바와 같이, 본 발명의 일실시예에 따른 혈당부하지수를 이용한 한국인의 식이 음식에 따른 당류 섭취 안전지수 기반 인공지능 질환 예측 방법은, 한국인의 식이 음식에 대한 식품 정보를 이용해, 사용자가 섭취한 식품의 혈당부하지수에 따른 당류 섭취 안전지수를 산출하는 단계(S100), 당류 섭취 안전지수와 만성질환별 건강진단 지표 사이의 상관관계를 인공지능 기반으로 학습하여 질환 예측 모델을 구성하는 단계(S200) 및 당류 섭취 안전지수를 질환 예측 모델에 입력하여, 만성질환의 위험성을 예측하는 단계(S300)를 포함하여 구현될 수 있으며, 만성질환의 위험성을 분석하여 만성질환 위험성 트렌드를 분석하는 단계(S400)를 더 포함하여 구현될 수 있다.8 is a diagram illustrating a flow of an AI disease prediction method based on a sugar intake safety index according to dietary foods of Koreans using a blood glucose load factor according to an embodiment of the present invention. As shown in FIG. 8 , the artificial intelligence disease prediction method based on the sugar intake safety index according to the dietary food of Koreans using the blood glucose load factor according to an embodiment of the present invention, using food information on the dietary food of Koreans, Calculating the sugar intake safety index according to the glycemic load factor of the food consumed by the user (S100), constructing a disease prediction model by learning the correlation between the sugar intake safety index and the health examination index for each chronic disease based on artificial intelligence It can be implemented including the step (S200) and the step (S300) of predicting the risk of chronic disease by inputting the sugar intake safety index into the disease prediction model, and analyzing the risk of chronic disease by analyzing the risk of chronic disease It may be implemented by further including the step (S400).

단계 S100에서는, 지수 산출 모듈(100)이, 한국인의 식이 음식에 대한 식품 정보를 이용해, 사용자가 섭취한 식품의 혈당부하지수에 따른 당류 섭취 안전지수를 산출할 수 있다. 단계 S100의 세부적인 흐름에 대해서는, 추후 도 9 및 도 10을 참조하여 상세히 설명하도록 한다.In step S100 , the index calculation module 100 may calculate a sugar intake safety index according to the glycemic load factor of the food consumed by the user, using food information on the dietary food of Koreans. The detailed flow of step S100 will be described in detail later with reference to FIGS. 9 and 10 .

단계 S200에서는, 학습 모듈(200)이, 당류 섭취 안전지수와 만성질환별 건강진단 지표 사이의 상관관계를 인공지능 기반으로 학습하여 질환 예측 모델을 구성할 수 있다. 단계 S200에서는, 고혈압은 수축기 혈압 또는 이완기 혈압, 비만은 체질량 지수, 당뇨는 공복 혈당, 고지혈증 또는 이상지질혈증은 총 콜레스테롤, HDL 콜레스테롤, 트리글리세이드(중성지방), LDL 콜레스테롤 또는 공복혈당을 만성질환별 건강진단 지표로 사용할 수 있다. 단계 S200의 세부적인 흐름에 대해서는, 추후 도 11을 참조하여 상세히 설명하도록 한다.In step S200, the learning module 200 may construct a disease prediction model by learning the correlation between the sugar intake safety index and the health diagnosis index for each chronic disease based on artificial intelligence. In step S200, hypertension is systolic blood pressure or diastolic blood pressure, obesity is body mass index, diabetes is fasting blood sugar, hyperlipidemia or dyslipidemia is total cholesterol, HDL cholesterol, triglycerides (triglycerides), LDL cholesterol or fasting blood sugar by chronic disease. It can be used as a health checkup indicator. The detailed flow of step S200 will be described in detail later with reference to FIG. 11 .

단계 S300에서는, 예측 모듈(300)이, 단계 S100에서 산출한 당류 섭취 안전지수를 질환 예측 모델에 입력하여, 만성질환의 위험성을 예측할 수 있다.In step S300, the prediction module 300 may input the sugar intake safety index calculated in step S100 into the disease prediction model to predict the risk of chronic disease.

단계 S400에서는, 트렌드 분석 모듈(400)이, 단계 S300에서 예측된 만성질환의 위험성을 분석하여 만성질환 위험성 트렌드를 분석할 수 있다.In step S400, the trend analysis module 400 may analyze the chronic disease risk trend by analyzing the risk of chronic disease predicted in step S300.

도 9는 본 발명의 일실시예에 따른 혈당부하지수를 이용한 한국인의 식이 음식에 따른 당류 섭취 안전지수 기반 인공지능 질환 예측 방법에서, 단계 S100의 세부적인 흐름을 도시한 도면이다. 도 9에 도시된 바와 같이, 본 발명의 일실시예에 따른 혈당부하지수를 이용한 한국인의 식이 음식에 따른 당류 섭취 안전지수 기반 인공지능 질환 예측 방법의 단계 S100은, 한국인의 섭취 식품에 대한 식품 정보를 저장하는 단계(S110), 혈당부하지수와 당류 섭취 안전지수 사이의 관계를 도출하는 단계(S120), 저장된 식품 정보를 이용해, 섭취한 식품의 혈당부하지수를 검색하는 단계(S130) 및 혈당부하지수와 당류 섭취 안전지수 사이의 관계를 이용해, 검색된 혈당부하지수로부터 당류 섭취 안전지수를 산출하는 단계(S140)를 포함하여 구현될 수 있다.9 is a diagram illustrating a detailed flow of step S100 in the method for predicting an artificial intelligence disease based on a sugar intake safety index according to dietary food of Koreans using the blood glucose load factor according to an embodiment of the present invention. As shown in FIG. 9 , step S100 of the artificial intelligence disease prediction method based on the sugar intake safety index according to the dietary food of Koreans using the blood glucose load factor according to an embodiment of the present invention is food information on the food consumed by Koreans. Storing (S110), deriving a relationship between the glycemic load factor and the sugar intake safety index (S120), using the stored food information to search for the glycemic load factor of the ingested food (S130), and the blood sugar load Using the relationship between the index and the sugar intake safety index, calculating the sugar intake safety index from the found blood sugar load index ( S140 ) may be included.

단계 S110에서는, 데이터베이스(110)가 한국인의 섭취 식품에 대한 식품 정보를 저장할 수 있다.In step S110, the database 110 may store food information about the food consumed by Koreans.

단계 S120에서는, 분석부(120)가, 혈당부하지수와 당류 섭취 안전지수 사이의 관계를 도출할 수 있다. 도 10은 본 발명의 일실시예에 따른 혈당부하지수를 이용한 한국인의 식이 음식에 따른 당류 섭취 안전지수 기반 인공지능 질환 예측 방법에서, 단계 S120의 세부적인 흐름을 도시한 도면이다. 도 10에 도시된 바와 같이, 본 발명의 일실시예에 따른 혈당부하지수를 이용한 한국인의 식이 음식에 따른 당류 섭취 안전지수 기반 인공지능 질환 예측 방법의 단계 S120은, 저장된 식품 정보를 이용하여, 식품의 혈당부하지수와 탄수화물 양의 관계를 도출하는 단계(S121), 탄수화물의 일일 섭취 권장량을 설정하는 단계(S122), 단계 S121에서 도출된 혈당부하지수와 탄수화물 양의 관계로부터, 탄수화물의 일일 섭취 권장량에 대응되는 적정 혈당부하지수를 산출하는 단계(S123) 및 적정 혈당부하지수를 이용해 당류 섭취 안전지수를 설정하여, 혈당부하지수와 당류 섭취 안전지수 사이의 관계를 도출하는 단계(S124)를 포함하여 구현될 수 있다. 이때, 단계 S121에서 도출된 식품의 혈당부하지수와 탄수화물 양의 관계는, 혈당부하지수=(0.581×탄수화물 양)-1.0863일 수 있다. 또한, 단계 S124에서 도출된 혈당부하지수와 당류 섭취 안전지수 사이의 관계는, 당류 섭취 안전지수=(0.1093×혈당부하지수)-11.858일 수 있다.In step S120 , the analysis unit 120 may derive a relationship between the glycemic load index and the sugar intake safety index. FIG. 10 is a diagram illustrating a detailed flow of step S120 in the method for predicting an artificial intelligence disease based on the sugar intake safety index according to the dietary food of Koreans using the glycemic load index according to an embodiment of the present invention. As shown in FIG. 10 , step S120 of the artificial intelligence disease prediction method based on the sugar intake safety index according to the dietary food of Koreans using the blood glucose load factor according to an embodiment of the present invention is performed by using the stored food information, Deriving the relationship between the glycemic load factor and the amount of carbohydrate (S121), setting the recommended daily intake amount of carbohydrate (S122), and from the relationship between the glycemic load factor and the amount of carbohydrate derived in step S121, the recommended daily intake amount of carbohydrate Calculating an appropriate blood sugar load factor corresponding to (S123) and setting a sugar intake safety index using the appropriate blood sugar load factor to derive a relationship between the blood sugar load factor and the sugar intake safety index (S124); can be implemented. In this case, the relationship between the glycemic load factor of the food and the amount of carbohydrate derived in step S121 may be glycemic load factor=(0.581×carbohydrate amount)-1.0863. In addition, the relationship between the glycemic load index and the sugar intake safety index derived in step S124 may be saccharide intake safety index = (0.1093 × blood sugar load index) -11.858.

단계 S130에서는, 단계 S110에서 저장된 식품 정보를 이용해, 섭취한 식품의 혈당부하지수를 검색할 수 있다.In step S130, the blood glucose load factor of the ingested food may be searched using the food information stored in step S110.

단계 S140에서는, 단계 S112에서 도출된 혈당부하지수와 당류 섭취 안전지수 사이의 관계를 이용해, 검색된 혈당부하지수로부터 당류 섭취 안전지수를 산출할 수 있다.In step S140, the sugar intake safety index may be calculated from the retrieved glycemic load factor by using the relationship between the glycemic load factor derived in step S112 and the sugar intake safety index.

도 11은 본 발명의 일실시예에 따른 혈당부하지수를 이용한 한국인의 식이 음식에 따른 당류 섭취 안전지수 기반 인공지능 질환 예측 방법에서, 단계 S200의 세부적인 흐름을 도시한 도면이다. 도 11에 도시된 바와 같이, 본 발명의 일실시예에 따른 혈당부하지수를 이용한 한국인의 식이 음식에 따른 당류 섭취 안전지수 기반 인공지능 질환 예측 방법의 단계 S200은, 복수의 사용자에 대해 산출된 당류 섭취 안전지수 및 만성질환별 건강진단 지표 값을 인공지능 기반의 학습을 위한 데이터셋으로 구성하는 단계(S210) 및 데이터셋을 이용해 인공지능 기반으로 학습을 수행하고, 학습 수행 결과로부터 만성질환의 위험성을 복수의 클래스로 분류하여 예측하는 질환 예측 모델을 구성하는 단계(S220)를 포함하여 구현될 수 있다.11 is a diagram illustrating a detailed flow of step S200 in the method for predicting an artificial intelligence disease based on a sugar intake safety index according to the dietary food of Koreans using the glycemic load index according to an embodiment of the present invention. As shown in FIG. 11 , step S200 of the method for predicting artificial intelligence disease based on the safety index of sugar intake according to the dietary food of Koreans using the blood glucose load factor according to an embodiment of the present invention is sugars calculated for a plurality of users. Ingestion safety index and health diagnosis index values for each chronic disease are configured as a dataset for AI-based learning (S210) and AI-based learning is performed using the dataset, and the risk of chronic disease from the learning performance result It may be implemented including the step (S220) of configuring a disease prediction model to classify and predict into a plurality of classes.

단계 S210에서는, 데이터 구성부(210)가, 복수의 사용자에 대해 산출된 당류 섭취 안전지수 및 만성질환별 건강진단 지표 값을 인공지능 기반의 학습을 위한 데이터셋으로 구성할 수 있다.In step S210, the data configuration unit 210 may configure the sugar intake safety index calculated for a plurality of users and health diagnosis index values for each chronic disease as a dataset for AI-based learning.

단계 S220에서는, 학습부(220)가, 단계 S210에서 구성된 데이터셋을 이용해 인공지능 기반으로 학습을 수행하고, 학습 수행 결과로부터 만성질환의 위험성을 복수의 클래스로 분류하여 예측하는 질환 예측 모델을 구성할 수 있다. 보다 구체적으로, 단계 S220에서는, 데이터셋을 연령대 및 성별로 구분하고, 구분된 데이터셋을 이용해 복수의 인공지능 알고리즘의 학습을 수행하고, 각각의 학습된 인공지능 알고리즘으로부터 연령대 및 성별에 따른 질환 예측 모델을 구성할 수 있다. 또한, 단계 S220에서는, 만성질환별 건강진단 지표의 임상 기준에 따라 만성질환의 위험성을 4개의 클래스로 구분할 수 있다.In step S220, the learning unit 220 performs artificial intelligence-based learning using the dataset configured in step S210, and classifies the risk of chronic disease into a plurality of classes from the learning performance result and configures a disease prediction model to predict can do. More specifically, in step S220, the dataset is divided into age groups and genders, learning of a plurality of AI algorithms is performed using the divided datasets, and disease prediction according to age and gender from each learned AI algorithm. model can be constructed. In addition, in step S220, the risk of chronic disease may be divided into four classes according to the clinical criteria of the health diagnosis index for each chronic disease.

전술한 바와 같이, 본 발명에서 제안하고 있는 혈당부하지수를 이용한 한국인의 식이 음식에 따른 당류 섭취 안전지수 기반 인공지능 질환 예측 시스템(10) 및 방법에 따르면, 사용자가 섭취한 식품의 혈당부하지수에 따른 당류 섭취 안전지수와 만성질환별 건강진단 지표 사이의 상관관계를 인공지능 기반으로 학습하고, 학습된 질환 예측 모델을 이용해 사용자의 만성질환 위험성을 예측함으로써, 별도의 측정 장비 없이도 사용자의 만성질환 위험성을 조기에 파악할 수 있고, 정기적인 건강검진 이외에 만성질환의 위험성을 일상적으로 꾸준히 모니터링할 수 있다.As described above, according to the artificial intelligence disease prediction system 10 and method based on the sugar intake safety index according to the dietary food of Koreans using the glycemic load factor proposed in the present invention, the glycemic load factor of the food consumed by the user By learning the correlation between the sugar intake safety index and the health diagnosis index for each chronic disease based on artificial intelligence, and predicting the user's chronic disease risk using the learned disease prediction model, the user's chronic disease risk without a separate measuring device can be identified early, and the risk of chronic diseases can be routinely and consistently monitored in addition to regular health check-ups.

또한, 본 발명에서 제안하고 있는 혈당부하지수를 이용한 한국인의 식이 음식에 따른 당류 섭취 안전지수 기반 인공지능 질환 예측 시스템(10) 및 방법에 따르면, 연령대별 및 성별로 구분하여 질환 예측 모델을 구성하고 만성질환의 위험성을 예측함으로써, 같은 연령대 및 성별의 한국인들의 상태와 비교하여 사용자 본인의 위치를 확인할 수 있어, 건강 상태를 타인과 비교할 수 있고 만성질환에 대한 경각심을 줄 수 있다.In addition, according to the artificial intelligence disease prediction system 10 and method based on the safety index of sugar intake according to the dietary food of Koreans using the glycemic load factor proposed in the present invention, a disease prediction model is constructed by dividing by age group and gender, By predicting the risk of chronic disease, it is possible to check the user's own location by comparing it with the state of Koreans of the same age and gender, so that the health status can be compared with others and awareness of chronic diseases can be raised.

이상 설명한 본 발명은 본 발명이 속한 기술분야에서 통상의 지식을 가진 자에 의하여 다양한 변형이나 응용이 가능하며, 본 발명에 따른 기술적 사상의 범위는 아래의 특허청구범위에 의하여 정해져야 할 것이다.Various modifications and applications of the present invention described above are possible by those skilled in the art to which the present invention pertains, and the scope of the technical idea according to the present invention should be defined by the following claims.

10: 본 발명에 따른 인공지능 질환 예측 시스템
20: 사용자 디바이스
100: 지수 산출 모듈
110: 데이터베이스
120: 분석부
121: 제1 분석부
122: 설정부
123: 제2 분석부
124: 제3 분석부
130: 입력부
140: 검색부
150: 지수 산출부
200: 학습 모듈
210: 데이터 구성부
220: 학습부
300: 예측 모듈
400: 트렌드 분석 모듈
S100: 한국인의 식이 음식에 대한 식품 정보를 이용해, 사용자가 섭취한 식품의 혈당부하지수에 따른 당류 섭취 안전지수를 산출하는 단계
S110: 한국인의 섭취 식품에 대한 식품 정보를 저장하는 단계
S120: 혈당부하지수와 당류 섭취 안전지수 사이의 관계를 도출하는 단계
S121: 저장된 식품 정보를 이용하여, 식품의 혈당부하지수와 탄수화물 양의 관계를 도출하는 단계
S122: 탄수화물의 일일 섭취 권장량을 설정하는 단계
S123: 혈당부하지수와 탄수화물 양의 관계로부터, 탄수화물의 일일 섭취 권장량에 대응되는 적정 혈당부하지수를 산출하는 단계
S124: 적정 혈당부하지수를 이용해 당류 섭취 안전지수를 설정하여, 혈당부하지수와 당류 섭취 안전지수 사이의 관계를 도출하는 단계
S130: 저장된 식품 정보를 이용해, 섭취한 식품의 혈당부하지수를 검색하는 단계
S140: 혈당부하지수와 당류 섭취 안전지수 사이의 관계를 이용해, 검색된 혈당부하지수로부터 당류 섭취 안전지수를 산출하는 단계
S200: 당류 섭취 안전지수와 만성질환별 건강진단 지표 사이의 상관관계를 인공지능 기반으로 학습하여 질환 예측 모델을 구성하는 단계
S210: 복수의 사용자에 대해 산출된 당류 섭취 안전지수 및 만성질환별 건강진단 지표 값을 인공지능 기반의 학습을 위한 데이터셋으로 구성하는 단계
S220: 데이터셋을 이용해 인공지능 기반으로 학습을 수행하고, 학습 수행 결과로부터 만성질환의 위험성을 복수의 클래스로 분류하여 예측하는 질환 예측 모델을 구성하는 단계
S300: 당류 섭취 안전지수를 질환 예측 모델에 입력하여, 만성질환의 위험성을 예측하는 단계
S400: 만성질환의 위험성을 분석하여 만성질환 위험성 트렌드를 분석하는 단계10: Artificial intelligence disease prediction system according to the present invention
20: user device
100: index calculation module
110: database
120: analysis unit
121: first analysis unit
122: setting unit
123: second analysis unit
124: third analysis unit
130: input unit
140: search unit
150: index calculator
200: learning module
210: data configuration unit
220: study unit
300: prediction module
400: trend analysis module
S100: A step of calculating the sugar intake safety index according to the glycemic load factor of the food consumed by the user by using the food information on the dietary food of Koreans
S110: Step of storing food information about the food consumed by Koreans
S120: Step of deriving the relationship between the glycemic load factor and the sugar intake safety index
S121: A step of deriving the relationship between the glycemic load factor of food and the amount of carbohydrate by using the stored food information
S122: Step of setting the recommended daily intake of carbohydrates
S123: A step of calculating an appropriate glycemic load factor corresponding to the recommended daily intake amount of carbohydrates from the relationship between the glycemic load factor and the amount of carbohydrates
S124: A step of deriving a relationship between a glycemic load factor and a sugar intake safety index by setting a sugar intake safety index using an appropriate blood sugar load factor
S130: Using the stored food information, the step of searching for the glycemic load of the ingested food
S140: Calculating the sugar intake safety index from the retrieved glycemic load factor by using the relationship between the glycemic load factor and the sugar intake safety index
S200: The step of constructing a disease prediction model by learning the correlation between the sugar intake safety index and the health diagnosis index for each chronic disease based on artificial intelligence
S210: A step of composing the sugar intake safety index calculated for a plurality of users and the health diagnosis index value for each chronic disease into a dataset for AI-based learning
S220: A step of constructing a disease prediction model that performs learning based on artificial intelligence using a dataset, and classifies and predicts the risk of chronic disease into a plurality of classes from the learning performance result
S300: A step of predicting the risk of chronic disease by inputting the sugar intake safety index into the disease prediction model
S400: A step of analyzing the risk of chronic disease and analyzing the risk trend of chronic disease

Claims (20)

인공지능 질환 예측 시스템(10)으로서,
한국인의 식이 음식에 대한 식품 정보를 이용해, 사용자가 섭취한 식품의 혈당부하지수에 따른 당류 섭취 안전지수를 산출하는 지수 산출 모듈(100);
당류 섭취 안전지수와 만성질환별 건강진단 지표 사이의 상관관계를 인공지능 기반으로 학습하여 질환 예측 모델을 구성하는 학습 모듈(200);
지수 산출부(150)에서 산출한 당류 섭취 안전지수를 상기 질환 예측 모델에 입력하여, 만성질환의 위험성을 예측하는 예측 모듈(300); 및
상기 예측 모듈(300)에서 예측된 만성질환의 위험성을 분석하여 만성질환 위험성 트렌드를 분석하는 트렌드 분석 모듈(400)을 포함하되,
상기 지수 산출 모듈(100)은,
한국인의 섭취 식품에 대한 식품 정보를 저장하는 데이터베이스(110);
혈당부하지수와 당류 섭취 안전지수 사이의 관계를 도출하는 분석부(120);
섭취한 식품을 입력받는 입력부(130);
상기 데이터베이스(110)에 저장된 식품 정보를 이용해, 섭취한 식품의 혈당부하지수를 검색하는 검색부(140); 및
상기 분석부(120)에서 도출된 혈당부하지수와 당류 섭취 안전지수 사이의 관계를 이용해, 상기 검색된 혈당부하지수로부터 당류 섭취 안전지수를 산출하되, 상기 입력부(130)에서 입력받은 섭취한 식품의 당류 섭취 안전지수를 산출하는 지수 산출부(150)를 포함하며,
상기 분석부(120)는,
상기 데이터베이스(110)에 저장된 식품 정보를 이용하여, 식품의 혈당부하지수와 탄수화물 양의 관계를 도출하는 제1 분석부(121);
탄수화물의 일일 섭취 권장량을 설정하되, 상기 탄수화물의 일일 섭취 권장량을 범위로 설정하는 설정부(122);
상기 도출된 혈당부하지수와 탄수화물 양의 관계로부터, 상기 탄수화물의 일일 섭취 권장량에 대응되는 적정 혈당부하지수를 산출하되, 상기 탄수화물의 일일 섭취 권장량의 범위에 대응되는 적정 혈당부하지수의 범위를 산출하는 제2 분석부(123); 및
상기 적정 혈당부하지수를 이용해 당류 섭취 안전지수를 설정하여, 혈당부하지수와 당류 섭취 안전지수 사이의 관계를 도출하되, 상기 적정 혈당부하지수의 범위의 최솟값을 -1, 최댓값을 1로 하고, 중간값이 0이 되도록 당류 섭취 안전지수를 설정함으로써, 실제 소비자가 느낄 수 있는 체감 지수로서 ±1을 벗어나지 않아야 한다는 주의를 부각시키도록 당류 섭취 안전지수를 설정하는 제3 분석부(124)를 포함하며,
상기 학습 모듈(200)은,
고혈압은 수축기 혈압 또는 이완기 혈압, 비만은 체질량 지수, 당뇨는 공복혈당, 고지혈증 또는 이상지질혈증은 총 콜레스테롤, HDL 콜레스테롤, 트리글리세이드(중성지방), LDL 콜레스테롤 또는 공복혈당을 만성질환별 건강진단 지표로 사용하고,
상기 학습 모듈(200)은,
복수의 사용자에 대해 산출된 당류 섭취 안전지수 및 만성질환별 건강진단지표 값을 인공지능 기반의 학습을 위한 데이터셋으로 구성하는 데이터 구성부(210); 및
상기 데이터 구성부(210)에서 구성된 데이터셋을 이용해 인공지능 기반으로 학습을 수행하고, 학습 수행 결과로부터 만성질환의 위험성을 복수의 클래스로 분류하여 예측하는 질환 예측 모델을 구성하는 학습부(220)를 포함하며,
상기 학습부(220)는,
상기 데이터셋을 연령대 및 성별로 구분하고, 구분된 데이터셋을 이용해 복수의 인공지능 알고리즘의 학습을 수행하고, 각각의 학습된 인공지능 알고리즘으로부터 연령대 및 성별에 따른 질환 예측 모델을 구성하며,
상기 학습부(220)는,
상기 만성질환별 건강진단 지표의 임상 기준에 따라 상기 만성질환의 위험성을 정상, 주의, 1기 및 2기의 4개의 클래스로 구분하며,
상기 트렌드 분석 모듈(400)은,
사용자가 직접 만성질환의 위험성 목표를 설정하도록 하고, 해당 사용자의 현재 만성질환의 위험성에 따라 사용자가 직접 설정한 만성질환의 위험성 목표를 자동으로 조절하는 것을 특징으로 하는, 혈당부하지수를 이용한 한국인의 식이 음식에 따른 당류 섭취 안전지수 기반 인공지능 질환 예측 시스템(10).
As an artificial intelligence disease prediction system (10),
an index calculation module 100 for calculating a sugar intake safety index according to the glycemic load factor of the food consumed by the user by using the food information on the dietary food of Koreans;
a learning module 200 for constructing a disease prediction model by learning the correlation between the sugar intake safety index and the health diagnosis index for each chronic disease based on artificial intelligence;
a prediction module 300 for predicting the risk of chronic disease by inputting the sugar intake safety index calculated by the index calculation unit 150 into the disease prediction model; and
Including a trend analysis module 400 for analyzing the chronic disease risk trend by analyzing the risk of chronic disease predicted in the prediction module 300,
The index calculation module 100,
a database 110 for storing food information on food consumed by Koreans;
an analysis unit 120 deriving a relationship between the blood sugar load factor and the sugar intake safety index;
an input unit 130 for receiving ingested food;
a search unit 140 for searching the blood glucose load factor of the ingested food by using the food information stored in the database 110; and
Using the relationship between the blood sugar load factor and the sugar intake safety index derived from the analysis unit 120 , a sugar intake safety index is calculated from the retrieved blood sugar load factor, but the sugars of the ingested food received from the input unit 130 . Includes an index calculation unit 150 for calculating the intake safety index,
The analysis unit 120,
a first analysis unit (121) for deriving a relationship between the glycemic load of food and the amount of carbohydrates by using the food information stored in the database (110);
a setting unit 122 that sets the recommended daily intake amount of carbohydrates, and sets the recommended daily intake amount of carbohydrates within a range;
calculating an appropriate glycemic load factor corresponding to the recommended daily intake amount of carbohydrate from the derived relationship between the glycemic load factor and the amount of carbohydrate, and calculating a range of an appropriate glycemic load factor corresponding to the range of the recommended daily intake amount of carbohydrate a second analysis unit 123; and
A sugar intake safety index is set using the appropriate blood sugar load factor to derive a relationship between the blood sugar load factor and the sugar intake safety index, and the minimum value of the range of the appropriate blood sugar load factor is -1, the maximum value is 1, By setting the sugar intake safety index so that the value is 0, it includes a third analysis unit 124 that sets the sugar intake safety index to highlight the caution that it should not deviate from ±1 as a sensible index that can be felt by actual consumers. ,
The learning module 200,
High blood pressure is systolic or diastolic blood pressure, obesity is body mass index, diabetes is fasting blood sugar, hyperlipidemia or dyslipidemia is total cholesterol, HDL cholesterol, triglycerides (triglycerides), LDL cholesterol, or fasting blood sugar as health diagnosis indicators for each chronic disease. use,
The learning module 200,
a data configuration unit 210 that configures the sugar intake safety index calculated for a plurality of users and health diagnosis index values for each chronic disease into a dataset for AI-based learning; and
Learning unit 220 that performs learning based on artificial intelligence using the dataset configured in the data construction unit 210 and configures a disease prediction model that classifies and predicts the risk of chronic disease into a plurality of classes from the learning performance result includes,
The learning unit 220,
Classifying the dataset into age groups and gender, performing learning of a plurality of AI algorithms using the divided datasets, and constructing a disease prediction model according to age and gender from each learned AI algorithm,
The learning unit 220,
The risk of the chronic disease is divided into four classes: normal, caution, stage 1 and stage 2 according to the clinical standard of the health diagnosis index for each chronic disease,
The trend analysis module 400,
Allowing the user to directly set the risk target for chronic disease, and automatically adjusting the risk target for chronic disease set by the user according to the user's current risk of chronic disease. An artificial intelligence disease prediction system based on the sugar intake safety index according to dietary food (10).
 삭제delete 삭제delete 제1항에 있어서,
상기 제1 분석부(121)에서 도출된 상기 식품의 혈당부하지수와 탄수화물 양의 관계는,
혈당부하지수=(0.581×탄수화물 양)-1.0863인 것을 특징으로 하는, 혈당부하지수를 이용한 한국인의 식이 음식에 따른 당류 섭취 안전지수 기반 인공지능 질환 예측 시스템(10).
According to claim 1,
The relationship between the glycemic load factor of the food and the amount of carbohydrate derived from the first analysis unit 121 is,
An artificial intelligence disease prediction system (10) based on the sugar intake safety index according to the dietary food of Koreans using the glycemic load factor, characterized in that the glycemic load factor = (0.581 × the amount of carbohydrates) -1.0863.
 제1항에 있어서,
상기 제3 분석부(124)에서 도출된 상기 혈당부하지수와 당류 섭취 안전지수 사이의 관계는,
당류 섭취 안전지수=(0.1093×혈당부하지수)-11.858인 것을 특징으로 하는, 혈당부하지수를 이용한 한국인의 식이 음식에 따른 당류 섭취 안전지수 기반 인공지능 질환 예측 시스템(10).
According to claim 1,
The relationship between the blood sugar load factor and the sugar intake safety index derived from the third analysis unit 124 is,
An artificial intelligence disease prediction system (10) based on the sugar intake safety index according to the dietary food of Koreans using the glycemic load factor, characterized in that the sugar intake safety index = (0.1093 × blood sugar load factor) - 11.858.
 삭제delete 삭제delete 삭제delete 삭제delete 삭제delete 컴퓨터에 의해 각 단계가 수행되는 인공지능 질환 예측 방법으로서,
(1) 한국인의 식이 음식에 대한 식품 정보를 이용해, 사용자가 섭취한 식품의 혈당부하지수에 따른 당류 섭취 안전지수를 산출하는 단계;
(2) 당류 섭취 안전지수와 만성질환별 건강진단 지표 사이의 상관관계를 인공지능 기반으로 학습하여 질환 예측 모델을 구성하는 단계;
(3) 상기 단계 (1)에서 산출한 당류 섭취 안전지수를 상기 질환 예측 모델에 입력하여, 만성질환의 위험성을 예측하는 단계; 및
(4) 상기 단계 (3)에서 예측된 만성질환의 위험성을 분석하여 만성질환 위험성 트렌드를 분석하는 단계를 포함하되,
상기 단계 (1)은,
(1-1) 한국인의 섭취 식품에 대한 식품 정보를 저장하는 단계;
(1-2) 혈당부하지수와 당류 섭취 안전지수 사이의 관계를 도출하는 단계;
(1-2-5) 섭취한 식품을 입력받는 단계;
(1-3) 상기 단계 (1-1)에서 저장된 식품 정보를 이용해, 섭취한 식품의 혈당부하지수를 검색하는 단계; 및
(1-4) 상기 단계 (1-2)에서 도출된 혈당부하지수와 당류 섭취 안전지수 사이의 관계를 이용해, 상기 검색된 혈당부하지수로부터 당류 섭취 안전지수를 산출하되, 상기 단계 (1-2-5)에서 입력받은 섭취한 식품의 당류 섭취 안전지수를 산출하는 단계를 포함하며,
상기 단계 (1-2)는,
(1-2-1) 상기 저장된 식품 정보를 이용하여, 식품의 혈당부하지수와 탄수화물 양의 관계를 도출하는 단계;
(1-2-2) 탄수화물의 일일 섭취 권장량을 설정하되, 상기 탄수화물의 일일 섭취 권장량을 범위로 설정하는 단계;
(1-2-3) 상기 단계 (1-2-1)에서 도출된 혈당부하지수와 탄수화물 양의 관계로부터, 상기 탄수화물의 일일 섭취 권장량에 대응되는 적정 혈당부하지수를 산출하되, 상기 탄수화물의 일일 섭취 권장량의 범위에 대응되는 적정 혈당부하지수의 범위를 산출하는 단계; 및
(1-2-4) 상기 적정 혈당부하지수를 이용해 당류 섭취 안전지수를 설정하여, 혈당부하지수와 당류 섭취 안전지수 사이의 관계를 도출하되, 상기 적정 혈당부하지수의 범위의 최솟값을 -1, 최댓값을 1로 하고, 중간값이 0이 되도록 당류 섭취 안전지수를 설정함으로써, 실제 소비자가 느낄 수 있는 체감 지수로서 ±1을 벗어나지 않아야 한다는 주의를 부각시키도록 당류 섭취 안전지수를 설정하는 단계를 포함하며,
상기 단계 (2)에서는,
고혈압은 수축기 혈압 또는 이완기 혈압, 비만은 체질량 지수, 당뇨는 공복혈당, 고지혈증 또는 이상지질혈증은 총 콜레스테롤, HDL 콜레스테롤, 트리글리세이드(중성지방), LDL 콜레스테롤 또는 공복혈당을 만성질환별 건강진단 지표로 사용하고,
상기 단계 (2)는,
(2-1) 복수의 사용자에 대해 산출된 당류 섭취 안전지수 및 만성질환별 건강진단 지표 값을 인공지능 기반의 학습을 위한 데이터셋으로 구성하는 단계; 및
(2-2) 상기 단계 (2-1)에서 구성된 데이터셋을 이용해 인공지능 기반으로 학습을 수행하고, 학습 수행 결과로부터 만성질환의 위험성을 복수의 클래스로 분류하여 예측하는 질환 예측 모델을 구성하는 단계를 포함하며,
상기 단계 (2-2)에서는,
상기 데이터셋을 연령대 및 성별로 구분하고, 구분된 데이터셋을 이용해 복수의 인공지능 알고리즘의 학습을 수행하고, 각각의 학습된 인공지능 알고리즘으로부터 연령대 및 성별에 따른 질환 예측 모델을 구성하며,
상기 단계 (2-2)에서는,
상기 만성질환별 건강진단 지표의 임상 기준에 따라 상기 만성질환의 위험성을 정상, 주의, 1기 및 2기의 4개의 클래스로 구분하며,
상기 단계 (4)에서는,
사용자가 직접 만성질환의 위험성 목표를 설정하도록 하고, 해당 사용자의 현재 만성질환의 위험성에 따라 사용자가 직접 설정한 만성질환의 위험성 목표를 자동으로 조절하는 것을 특징으로 하는, 혈당부하지수를 이용한 한국인의 식이 음식에 따른 당류 섭취 안전지수 기반 인공지능 질환 예측 방법.
As an artificial intelligence disease prediction method in which each step is performed by a computer,
(1) calculating a sugar intake safety index according to the glycemic load factor of the food consumed by the user by using the food information on the dietary food of Koreans;
(2) constructing a disease prediction model by learning the correlation between the sugar intake safety index and the health diagnosis index for each chronic disease based on artificial intelligence;
(3) predicting the risk of chronic disease by inputting the sugar intake safety index calculated in step (1) into the disease prediction model; and
(4) analyzing the risk of chronic disease predicted in step (3) and analyzing the chronic disease risk trend,
The step (1) is,
(1-1) storing food information on food consumed by Koreans;
(1-2) deriving a relationship between the glycemic load index and the sugar intake safety index;
(1-2-5) receiving the ingested food input;
(1-3) using the food information stored in the step (1-1), searching for a glycemic load of the ingested food; and
(1-4) Using the relationship between the glycemic load factor derived in step (1-2) and the sugar intake safety index, calculate the sugar intake safety index from the retrieved glycemic load factor, in the step (1-2- 5) including the step of calculating the sugar intake safety index of the ingested food input,
The step (1-2) is,
(1-2-1) deriving a relationship between the glycemic load of the food and the amount of carbohydrate by using the stored food information;
(1-2-2) setting a recommended daily intake amount of carbohydrates, and setting the recommended daily intake amount of carbohydrates within a range;
(1-2-3) From the relationship between the glycemic load factor and the carbohydrate amount derived in step (1-2-1), an appropriate glycemic load factor corresponding to the recommended daily intake amount of the carbohydrate is calculated, calculating a range of an appropriate glycemic load factor corresponding to a range of recommended intake; and
(1-2-4) A saccharide intake safety index is set using the appropriate glycemic load factor to derive a relationship between the glycemic load factor and the sugar intake safety index, and the minimum value of the range of the appropriate glycemic load factor is -1; Setting the sugar intake safety index so that the maximum value is 1 and the median value is 0, and setting the sugar intake safety index to emphasize the caution that it should not deviate from ±1 as a sensory index that can be felt by actual consumers. and
In step (2),
High blood pressure is systolic or diastolic blood pressure, obesity is body mass index, diabetes is fasting blood sugar, hyperlipidemia or dyslipidemia is total cholesterol, HDL cholesterol, triglycerides (triglycerides), LDL cholesterol, or fasting blood sugar as health diagnosis indicators for each chronic disease. use,
The step (2) is,
(2-1) configuring the sugar intake safety index and health diagnosis index values for each chronic disease calculated for a plurality of users into a dataset for AI-based learning; and
(2-2) to construct a disease prediction model that performs learning based on artificial intelligence using the dataset configured in step (2-1) and classifies and predicts the risk of chronic disease into a plurality of classes from the learning performance result comprising steps,
In the above step (2-2),
Classifying the dataset into age groups and gender, performing learning of a plurality of AI algorithms using the divided datasets, and constructing a disease prediction model according to age and gender from each learned AI algorithm,
In the above step (2-2),
The risk of the chronic disease is divided into four classes: normal, caution, stage 1 and stage 2 according to the clinical standard of the health diagnosis index for each chronic disease,
In step (4),
Allowing the user to directly set the risk target for chronic disease, and automatically adjusting the risk target for chronic disease set by the user according to the user's current risk of chronic disease. An artificial intelligence disease prediction method based on the sugar intake safety index according to dietary food.
 삭제delete 삭제delete 제11항에 있어서,
상기 단계 (1-2-1)에서 도출된 상기 식품의 혈당부하지수와 탄수화물 양의 관계는,
혈당부하지수=(0.581×탄수화물 양)-1.0863인 것을 특징으로 하는, 혈당부하지수를 이용한 한국인의 식이 음식에 따른 당류 섭취 안전지수 기반 인공지능 질환 예측 방법.
12. The method of claim 11,
The relationship between the glycemic load of the food and the amount of carbohydrates derived in step (1-2-1) is,
An artificial intelligence disease prediction method based on the sugar intake safety index according to the dietary food of Koreans using the glycemic load factor, characterized in that the glycemic load factor = (0.581 × the amount of carbohydrates) -1.0863.
 제11항에 있어서,
상기 단계 (1-2-4)에서 도출된 상기 혈당부하지수와 당류 섭취 안전지수 사이의 관계는,
당류 섭취 안전지수=(0.1093×혈당부하지수)-11.858인 것을 특징으로 하는, 혈당부하지수를 이용한 한국인의 식이 음식에 따른 당류 섭취 안전지수 기반 인공지능 질환 예측 방법.12. The method of claim 11,
The relationship between the glycemic load index and the sugar intake safety index derived in step (1-2-4) is,
An artificial intelligence disease prediction method based on the sugar intake safety index according to the dietary food of Koreans using the glycemic load factor, characterized in that the sugar intake safety index = (0.1093 × blood sugar load factor) - 11.858. 삭제delete 삭제delete 삭제delete 삭제delete 삭제delete
KR1020190179564A 2019-12-31 2019-12-31 System and method for predicting disease based on ai and safety index of saccharide intake using glucose load index according to the intake food of korean KR102429725B1 (en)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020190179564A KR102429725B1 (en) 2019-12-31 2019-12-31 System and method for predicting disease based on ai and safety index of saccharide intake using glucose load index according to the intake food of korean

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020190179564A KR102429725B1 (en) 2019-12-31 2019-12-31 System and method for predicting disease based on ai and safety index of saccharide intake using glucose load index according to the intake food of korean

Publications (2)

Publication Number Publication Date
KR20210085957A KR20210085957A (en) 2021-07-08
KR102429725B1 true KR102429725B1 (en) 2022-08-05

Family

ID=76893948

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020190179564A KR102429725B1 (en) 2019-12-31 2019-12-31 System and method for predicting disease based on ai and safety index of saccharide intake using glucose load index according to the intake food of korean

Country Status (1)

Country Link
KR (1) KR102429725B1 (en)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113470774A (en) * 2021-07-15 2021-10-01 杭州康晟健康管理咨询有限公司 Chronic disease archive management system based on big data

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102052558B1 (en) * 2019-04-30 2019-12-06 주식회사 비알네트콤 User customized information providing apparatus based on disease prediction and method thereof

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101617389B1 (en) * 2014-05-26 2016-05-02 주식회사 풀무원 Development of food calorie index and food nutrition labelling system
KR20190063954A (en) * 2017-11-30 2019-06-10 염승민 Method for predicting change of nutrient metabolism by artificial intelligence cloud and method for measuring nutrient metabolism by artificial intelligence cloud and method managing diease by using it

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102052558B1 (en) * 2019-04-30 2019-12-06 주식회사 비알네트콤 User customized information providing apparatus based on disease prediction and method thereof

Also Published As

Publication number Publication date
KR20210085957A (en) 2021-07-08

Similar Documents

Publication Publication Date Title
Wang et al. Trends in consumption of ultraprocessed foods among US youths aged 2-19 years, 1999-2018
Asghari et al. A systematic review of diet quality indices in relation to obesity
Nansel et al. Greater diet quality is associated with more optimal glycemic control in a longitudinal study of youth with type 1 diabetes
Tohill et al. What epidemiologic studies tell us about the relationship between fruit and vegetable consumption and body weight
Khosravi-Boroujeni et al. Potato consumption and cardiovascular disease risk factors among Iranian population
Kennedy et al. What are American children eating? Implications for public policy
Wang et al. Trends in Chinese snacking behaviors and patterns and the social-demographic role between 1991 and 2009
Heerman et al. Clusters of healthy and unhealthy eating behaviors are associated with body mass index among adults
US20160379520A1 (en) Nutrient density determinations to select health promoting consumables and to predict consumable recommendations
US20220230730A1 (en) Recipe recommendation method and device, computing device and storage medium
Cioara et al. Expert system for nutrition care process of older adults
Zavitsanou et al. The effect of two types of pasta versus white rice on postprandial blood glucose levels in adults with type 1 diabetes: a randomized crossover trial
Amini* et al. The association between plant-based diet indices and metabolic syndrome in Iranian older adults
Michel et al. Nutrition in the digital age-how digital tools can help to solve the personalized nutrition conundrum
KR102429725B1 (en) System and method for predicting disease based on ai and safety index of saccharide intake using glucose load index according to the intake food of korean
Flores et al. Prospective study of plant-based dietary patterns and diabetes in Puerto Rican adults
Mohseni-Takalloo et al. Metabolic syndrome prediction using non-invasive and dietary parameters based on a support vector machine
Oftedal et al. Diet quality and depressive symptoms. Assessing the direction of the association in a population-based cohort study
Bullock et al. Comparisons of four diet quality indexes to define single meal healthfulness
Kumma et al. Dietary patterns and their association with cardiovascular risk factors in Ethiopia: A community-based cross-sectional study
KR102385681B1 (en) System and method for predicting disease based on ai and safety index of sodium intake according to the intake food of korean
Roy et al. OBESEYE: Interpretable Diet Recommender for Obesity Management using Machine Learning and Explainable AI
KR102233722B1 (en) System and method for calculating the safety index of saccharide intake based on glucose load index
Bublyk et al. Comparative Analysis of The Caloric Performance of Products for People with Cardiovascular Disease.
Mejova et al. Comfort Foods and Community Connectedness: Investigating Diet Change during COVID-19 Using YouTube Videos on Twitter

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