KR102434393B1 - 인공지능을 이용한 환자의 쇼크 발생 예측 방법, 장치 및 컴퓨터프로그램 - Google Patents

Abstract

인공지능을 이용한 환자의 쇼크 발생 예측 방법, 장치 및 컴퓨터프로그램 이 제공된다. 본 발명의 다양한 실시예에 따른 인공지능을 이용한 환자의 쇼크 발생 예측 방법은, 컴퓨팅 장치에 의해 수행되는 방법에 있어서, 환자의 생체 데이터를 수집하는 단계, 상기 수집된 생체 데이터로부터 하나 이상의 특징 값을 추출하는 단계 및 상기 추출된 하나 이상의 특징 값을 이용하여, 상기 환자에 대한 의학적 이벤트 발생 가능성을 판단하는 단계를 포함한다.

Description

인공지능을 이용한 환자의 쇼크 발생 예측 방법, 장치 및 컴퓨터프로그램{METHOD, APPARATUS AND COMPUTER PROGRAM FOR PREDICTING OCCURRENCE OF SHOCK IN PATIENTS USING ARTIFICIAL INTELLIGENCE}

본 발명의 다양한 실시예는 인공지능을 이용한 환자의 쇼크 발생 예측 방법, 장치 및 컴퓨터프로그램에 관한 것이다.

중환자실은 생명 유지를 위한 필수 기능인 호흡과 심장 박동 등에 매우 큰 문제를 가지고 있는 환자들을 위한 곳이고, 24시간 주7일 365일 집중적인 치료를 받는 곳이다.

따라서, 중환자실 내에서는 언제든 달라질 수 있는 집중 돌봄 환자들의 상태 변화를 놓치지 않기 위해서는 환자들의 생체 데이터를 실시간으로 측정, 분석해야 하기 때문에, 중환자에 대하여 맥박수나 혈압 또는 호흡, 등 병의 진행이나 생명유지와 관련된 사항에 관한 환자의 상태를 체크하기 위해 다양한 장비가 구비하고, 이러한 장비를 환자의 상태를 측정하고 그 결과를 의료진이 확인할 수 있도록 디스플레이 한다.

그러나, 중환자실은 환자의 생존, 사망에 큰 영향을 미치며, 국내 의료비의 25%를 차지하는 중요한 보건의료체 임에도 불구하고, 중환자 전담 의료인의 부족, 병원/지역 간 질 편차, 환자 이송 중 높은 사망률 등 진료의 질과 효율성 측면에서 매우 낙후된 상황이다.

2018년 5월 22일 한국일보 기사에 의하면, 건강보험심사평가원이 지난 2016 년 발표한 '2014년(1차)중환자실 적정성 평가결과'에 따르면, 우리나라 중환자실 전담전문의 1인당 중환자실 평균 병상수는 무려 44.7병상에 달하고, 상급종합 병원 은 40.4병상, 종합병원은 48.9병상이다. 이와 같이 전담전문의의 1인당 평균 병상 수가 높다 보니 중환자실에 입원한 환자가 전문의 얼굴조차 보기 힘들다는 문제가 있다.

이렇다 보니 패혈증 등을 조기에 발견하지 못해 사망하는 일도 잇따르고 있으며, 실제로 심평원 조사에 따르면 우리나라 중환자실에 입원한 성인 환자 평균 사망률은 16.9%로 상급병원은 14.3%, 종합병원은 17.4%에 달한다.

이러한 문제를 극복하기 위하여, 따라서, 패혈증과 같이 빠른 조치가 필요한 의학적 이벤트 발생 가능성을 판단하고, 이를 의료진에게 빠르게 제공함으로써, 중환자가 사망에 이르도록 하는 것을 방지할 수 있는 의학적 이벤트 예측 시스템에 대한 개발이 지속적으로 요구되고 있으나, 예측의 정확도가 낮아 실제 적용하기 어렵다는 문제가 있다.

한국등록특허 제10-1070389호(2011.09.28)

본 발명이 해결하고자 하는 과제는 환자로부터 수집된 다양한 종류의 생체 데이터를 가공 및 분석하여 하나 이상의 특징 값을 추출하고, 하나 이상의 특징 값을 이용하여 환자에 대한 의학적 이벤트(예: 패혈증, 쇼크 등) 발생 가능성을 판단함으로써, 중환자가 사망에 이르도록 하는 의학적 이벤트를 사전에 예측하여 대응하도록 하여 중환자의 사망률을 줄일 수 있는 인공지능을 이용한 환자의 쇼크 발생 예측 방법, 장치 및 컴퓨터프로그램을 제공하는 것이다.

본 발명이 해결하고자 하는 다른 과제는, 환자에 대한 생체 데이터의 데이터 값뿐만 아니라, 데이터 값의 변화량, 환자에 대한 생체 데이터를 이용하여 생성된 방사형 그래프의 속성(예: 그래프 상에서 각 생체 데이터 간의 면적, 전체 면적, 색상, 형태 등)을 의학적 이벤트 발생 가능성 판단을 위한 요소로 활용함으로써, 의학적 이벤트 발생 가능성을 보다 정확하게 예측할 수 있는 인공지능을 이용한 환자의 쇼크 발생 예측 방법, 장치 및 컴퓨터프로그램을 제공하는 것이다.

본 발명이 해결하고자 하는 과제들은 이상에서 언급된 과제로 제한되지 않으며, 언급되지 않은 또 다른 과제들은 아래의 기재로부터 통상의 기술자에게 명확하게 이해될 수 있을 것이다.

상술한 과제를 해결하기 위한 본 발명의 일 실시예에 따른 인공지능을 이용한 환자의 쇼크 발생 예측 방법은, 컴퓨팅 장치에 의해 수행되는 방법에 있어서, 환자의 생체 데이터를 수집하는 단계, 상기 수집된 생체 데이터로부터 하나 이상의 특징 값을 추출하는 단계 및 상기 추출된 하나 이상의 특징 값을 이용하여, 상기 환자에 대한 의학적 이벤트 발생 가능성을 판단하는 단계를 포함할 수 있다.

다양한 실시예에서, 상기 생체 데이터를 수집하는 단계는, 상기 환자에 대한 쇼크지수(Shock Index, SI), 호흡 수(Respiration, Rr), 경피적산소포화도(Saturation of percutaneous oxygen, SpO₂), 체온 값(Temperature, Temp), 심박수(Heart rate, Hr) 및 평균동맥압(Mean arterial pressure, MAP) 중 적어도 하나를 포함하는 복수의 생체 데이터를 수집하는 단계를 포함하며, 상기 하나 이상의 특징 값을 추출하는 단계는, 상기 복수의 생체 데이터 각각을 기 설정된 범위 내의 값으로 변환하는 단계, 상기 기 설정된 범위 내의 값으로 변환된 상기 복수의 생체 데이터 각각이 개별적인 하나의 축으로 구성되는 방사형 그래프를 생성하는 단계 및 상기 생성된 방사형 그래프를 이용하여 상기 하나 이상의 특징 값을 추출하는 단계를 포함할 수 있다.

다양한 실시예에서, 상기 기 설정된 범위 내의 값으로 변환하는 단계는, 복수의 환자에 대한 쇼크지수 및 체온 값이 정규분포화된 쇼크지수 및 체온 값을 이용하여 상기 환자의 쇼크지수 및 체온 값을 0 내지 1 범위 내의 값으로 변환하는 단계 및 상기 복수의 환자 각각에 대하여, 상기 복수의 환자에게 의학적 이벤트가 발생했을 때의 호흡 수, 경피적산소포화도, 심박수 및 평균동맥압에 관한 베이지안(Bayesian) 확률 값의 분포를 이용하여 상기 호흡 수, 상기 경피적산소포화도, 상기 심박수 및 상기 평균동맥압 각각에 대한 근사 함수를 산출하며, 상기 산출된 근사 함수를 이용하여 상기 환자의 경피적산소포화도, 심박수 및 평균동맥압 각각을 0 내지 1 범위 내의 값으로 변환하는 단계를 포함할 수 있다.

다양한 실시예에서, 상기 생성된 방사형 그래프를 이용하여 상기 하나 이상의 특징 값을 추출하는 단계는, 제1 시점에 수집된 생체 데이터의 데이터 값을 특징 값으로 추출하는 단계, 상기 제1 시점에 수집된 생체 데이터의 데이터 값과 상기 제1 시점을 기준으로 과거 일정 기간동안 수집된 생체 데이터의 데이터 값의 차이값인 생체 데이터 변화량을 특징 값으로 추출하는 단계 및 상기 생성된 방사형 그래프 상에서 하나 이상의 서로 다른 축 사이의 면적 크기를 특징 값으로 추출하는 단계를 포함할 수 있다.

다양한 실시예에서, 상기 생성된 방사형 그래프 상에서 하나 이상의 서로 다른 축 사이의 면적 크기를 특징 값으로 추출하는 단계는, 상기 평균동맥압을 가리키는 제1축 및 상기 제1축과 인접한 위치에 배치되며 상기 심박수를 가리키는 제2축 사이의 면적 크기, 상기 제2축 및 상기 제2축과 인접한 위치에 배치되며 상기 체온 값을 가리키는 제3축 사이의 면적 크기, 상기 제3축 및 상기 제3축과 인접한 위치에 배치되며, 상기 경피적산소포화도를 가리키는 제4축 사이의 면적 크기, 상기 제4축 및 상기 제4축과 인접한 위치에 배치되며, 상기 호흡 수를 가리키는 제5축 사이의 면적 크기, 상기 제5축 및 상기 제5축과 인접한 위치에 배치되며, 상기 쇼크지수를 가리키는 제6축 사이의 면적 크기 및 상기 제6축 및 상기 제6축과 인접한 위치에 배치되는 상기 제1축 사이의 면적 크기를 특징 값으로 추출하는 단계를 포함할 수 있다.

다양한 실시예에서, 상기 생체 데이터 변화량을 특징 값으로 추출하는 단계는, 상기 제1 시점과 상기 제1 시점 이전의 복수의 과거 시점을 결정하는 단계, 상기 제1 시점 및 상기 복수의 과거 시점을 포함하는 시점들 간의 복수의 조합 쌍을 결정하는 단계, 상기 복수의 조합 쌍 각각에 포함된 시점들에 해당하는 생체 데이터 값의 변화량을 산출하는 단계 및 상기 복수의 조합 쌍 각각으로부터 산출된 변화량을 이용하여 상기 생체 데이터 변화량에 대한 특징 값을 산출하는 단계를 포함할 수 있다.

다양한 실시예에서, 상기 생체 데이터 변화량을 특징 값으로 추출하는 단계는, 상기 제1 시점에 수집된 생체 데이터의 데이터 값과 상기 제1 시점을 기준으로 과거 일정 기간동안 수집된 생체 데이터의 데이터 값을 이용하여, 2차 함수 형태의 근사 함수를 설정하는 단계 및 상기 설정된 하나 이상의 근사 함수를 이용하여 상기 생체 데이터의 변화율을 산출하고, 상기 산출된 생체 데이터의 변화율을 이용하여 상기 생체 데이터 변화량을 산출하는 단계를 포함할 수 있다.

다양한 실시예에서, 상기 생성된 방사형 그래프를 이용하여 상기 하나 이상의 특징 값을 추출하는 단계는, 상기 생성된 방사형 그래프의 이미지를 특징으로 추출하는 단계를 포함하고, 상기 이벤트 발생 가능성을 판단하는 단계는, 상기 방사형 그래프의 이미지를 학습된 모델에 입력하여, 상기 학습된 모델의 출력에 기초하여 상기 이벤트 발생 가능성을 판단하는 단계를 포함할 수 있다.

다양한 실시예에서, 상기 방사형 그래프의 이미지를 특징으로 추출하는 단계는, 제1 시점에 수집된 생체 데이터의 데이터 값과 상기 제1 시점을 기준으로 과거 일정 기간동안 수집된 생체 데이터의 데이터 값의 차이값인 생체 데이터 변화량을 산출하는 단계, 상기 산출된 생체 데이터 변화량을 상기 생성된 방사형 그래프 상에 도시하는 단계 및 상기 산출된 생체 데이터 변화량이 도시된 방사형 그래프의 이미지를 특징으로 추출하는 단계를 포함할 수 있다.

다양한 실시예에서, 상기 방사형 그래프를 생성하는 단계는, 상기 생성된 방사형 그래프 상에서, 상기 쇼크지수, 상기 호흡 수, 상기 경피적산소포화도, 상기 체온, 상기 심박수 및 상기 평균동맥압 각각을 상기 인접한 생체 데이터와 연결함으로써 폐곡선을 형성하고, 상기 형성된 폐곡선 내부의 면적 크기에 따라 상기 형성된 폐곡선 내부의 색상을 결정하는 단계를 포함하며, 상기 생성된 방사형 그래프를 이용하여 상기 하나 이상의 특징 값을 추출하는 단계는, 상기 결정된 폐곡선 내부의 색상을 특징 값으로 추출하는 단계를 포함할 수 있다.

다양한 실시예에서, 상기 의학적 이벤트 발생 가능성을 판단하는 단계는, 복수의 환자에 대한 생체 데이터를 학습 데이터로 하여 인공지능 모델을 학습시키는 단계 및 상기 추출된 하나 이상의 특징 값을 상기 학습된 인공지능 모델의 입력 값으로 하여 상기 의학적 이벤트의 발생 확률에 관한 결과 데이터를 추출하고, 상기 추출된 결과 데이터를 이용하여 상기 의학적 이벤트 발생 가능성을 판단하는 단계를 포함하며, 상기 인공지능 모델을 학습시키는 단계는, 상기 복수의 환자에 대한 생체 데이터 중 상기 의학적 이벤트가 발생된 시점에 수집된 생체 데이터 및 상기 의학적 이벤트가 발생된 시점을 기준으로 과거 일정 기간동안 수집된 생체 데이터 각각에 상기 의학적 이벤트의 발생 여부, 상기 의학적 이벤트의 종류, 상기 생체 데이터의 수집 시점에 대한 정보를 레이블링함으로써 상기 학습 데이터를 생성하는 단계 및 상기 생성된 학습 데이터를 지도학습 방법에 따라 상기 인공지능 모델을 학습시키는 단계를 포함할 수 있다.

다양한 실시예에서, 상기 인공지능 모델은 복수의 인공지능 모델을 포함하며, 상기 추출된 결과 데이터를 이용하여 상기 의학적 이벤트 발생 가능성을 판단하는 단계는, 상기 복수의 인공지능 모델 중 어느 하나의 인공지능 모델을 이용하여 상기 의학적 이벤트의 발생 확률에 관한 하나의 결과 데이터를 추출하고, 상기 추출된 하나의 결과 데이터를 이용하여 상기 의학적 이벤트 발생 가능성을 판단하거나, 상기 복수의 인공지능 모델 중 둘 이상의 인공지능 모델을 이용하여 상기 의학적 이벤트의 발생 확률에 관한 둘 이상의 결과 데이터를 추출하고, 상기 추출된 둘 이상의 결과 데이터를 종합하여 상기 의학적 이벤트 발생 가능성을 판단하는 단계를 포함할 수 있다.

상술한 과제를 해결하기 위한 본 발명의 다른 실시예에 따른 인공지능을 이용한 환자의 쇼크 발생 예측 장치는, 프로세서, 네트워크 인터페이스, 메모리 및 상기 메모리에 로드(load)되고, 상기 프로세서에 의해 실행되는 컴퓨터 프로그램을 포함하되, 상기 컴퓨터 프로그램은, 환자의 생체 데이터를 수집하는 인스트럭션(instruction), 상기 수집된 생체 데이터로부터 하나 이상의 특징 값을 추출하는 인스트럭션 및 상기 추출된 하나 이상의 특징 값을 이용하여, 상기 환자에 대한 의학적 이벤트 발생 가능성을 판단하는 인스트럭션을 포함할 수 있다.

상술한 과제를 해결하기 위한 본 발명의 또 다른 실시예에 따른 컴퓨터로 읽을 수 있는 기록매체에 기록된 컴퓨터프로그램은, 컴퓨팅 장치와 결합되어, 환자의 생체 데이터를 수집하는 단계, 상기 수집된 생체 데이터로부터 하나 이상의 특징 값을 추출하는 단계 및 상기 추출된 하나 이상의 특징 값을 이용하여, 상기 환자에 대한 의학적 이벤트 발생 가능성을 판단하는 단계를 실행시키기 위하여 컴퓨터로 판독가능한 기록매체에 저장할 수 있다.

본 발명의 기타 구체적인 사항들은 상세한 설명 및 도면들에 포함되어 있다.

본 발명의 다양한 실시예에 따르면, 환자로부터 수집된 다양한 종류의 생체 데이터를 가공 및 분석하여 하나 이상의 특징 값을 추출하고, 하나 이상의 특징 값을 이용하여 환자에 대한 의학적 이벤트(예: 패혈증, 쇼크 등) 발생 가능성을 판단함으로써, 중환자가 사망에 이르도록 하는 의학적 이벤트를 사전에 예측하여 대응하도록 하여 중환자의 사망률을 줄일 수 있다는 이점이 있다.

또한, 환자에 대한 생체 데이터의 데이터 값뿐만 아니라, 데이터 값의 변화량, 환자에 대한 생체 데이터를 이용하여 생성된 방사형 그래프의 속성(예: 그래프 상에서 각 생체 데이터 간의 면적, 전체 면적, 색상, 형태 등)을 의학적 이벤트 발생 가능성 판단을 위한 요소로 활용함으로써, 의학적 이벤트 발생 가능성을 보다 정확하게 예측할 수 있다는 이점이 있다.

본 발명의 효과들은 이상에서 언급된 효과로 제한되지 않으며, 언급되지 않은 또 다른 효과들은 아래의 기재로부터 통상의 기술자에게 명확하게 이해될 수 있을 것이다.

도 1은 본 발명의 일 실시예에 따른 인공지능을 이용한 환자의 쇼크 발생 예측 시스템을 도시한 도면이다.
도 2는 본 발명의 다른 실시예에 따른 인공지능을 이용한 환자의 쇼크 발생 예측 장치의 하드웨어 구성도이다.
도 3은 본 발명의 또 다른 실시예에 따른 인공지능을 이용한 환자의 쇼크 발생 예측 방법의 순서도이다.
도 4는 다양한 실시예에서, 방사형 그래프 기반의 특징 값 추출 방법의 순서도이다.
도 5는 다양한 실시예에서, 인공지능을 이용한 환자의 쇼크 발생 예측 장치로부터 생성된 방사형 그래프를 예시적으로 도시한 도면이다.
도 6은 다양한 실시예에서, 하나 이상의 특징 값으로서 생체 데이터의 변화량을 추출하는 방법을 설명하기 위한 시간별 생체 데이터 그래프를 예시적으로 도시한 도면이다.
도 7은 다양한 실시예에서, 의학적 이벤트 유무에 따른 생체 데이터 변화량을 나타내는 그래프이다.
도 8은 다양한 실시예에서, 하나 이상의 특징 값으로서 서로 다른 축으로 구성된 생체 데이터 간의 면적 크기를 산출하는 구성을 도시한 도면이다.
도 9는 다양한 실시예에서, 생체 데이터 변화량이 도시된 방사형 그래프를 예시적으로 도시한 도면이다.
도 10은 다양한 실시예에서, 학습 데이터를 이용하여 인공지능 모델을 학습시키고, 기 학습된 인공지능 모델을 이용하여 의학적 이벤트 발생 가능성을 판단하는 방법의 순서도이다.
도 11은 다양한 실시예에 적용 가능한 인공지능 모델의 구현 형태를 예시적으로 도시한 도면이다.

본 발명의 이점 및 특징, 그리고 그것들을 달성하는 방법은 첨부되는 도면과 함께 상세하게 후술되어 있는 실시예들을 참조하면 명확해질 것이다. 그러나, 본 발명은 이하에서 개시되는 실시예들에 제한되는 것이 아니라 서로 다른 다양한 형태로 구현될 수 있으며, 단지 본 실시예들은 본 발명의 개시가 완전하도록 하고, 본 발명이 속하는 기술 분야의 통상의 기술자에게 본 발명의 범주를 완전하게 알려주기 위해 제공되는 것이며, 본 발명은 청구항의 범주에 의해 정의될 뿐이다.

본 명세서에서 사용된 용어는 실시예들을 설명하기 위한 것이며 본 발명을 제한하고자 하는 것은 아니다. 본 명세서에서, 단수형은 문구에서 특별히 언급하지 않는 한 복수형도 포함한다. 명세서에서 사용되는 "포함한다(comprises)" 및/또는 "포함하는(comprising)"은 언급된 구성요소 외에 하나 이상의 다른 구성요소의 존재 또는 추가를 배제하지 않는다. 명세서 전체에 걸쳐 동일한 도면 부호는 동일한 구성 요소를 지칭하며, "및/또는"은 언급된 구성요소들의 각각 및 하나 이상의 모든 조합을 포함한다. 비록 "제1", "제2" 등이 다양한 구성요소들을 서술하기 위해서 사용되나, 이들 구성요소들은 이들 용어에 의해 제한되지 않음은 물론이다. 이들 용어들은 단지 하나의 구성요소를 다른 구성요소와 구별하기 위하여 사용하는 것이다. 따라서, 이하에서 언급되는 제1 구성요소는 본 발명의 기술적 사상 내에서 제2 구성요소일 수도 있음은 물론이다.

다른 정의가 없다면, 본 명세서에서 사용되는 모든 용어(기술 및 과학적 용어를 포함)는 본 발명이 속하는 기술분야의 통상의 기술자에게 공통적으로 이해될 수 있는 의미로 사용될 수 있을 것이다. 또한, 일반적으로 사용되는 사전에 정의되어 있는 용어들은 명백하게 특별히 정의되어 있지 않는 한 이상적으로 또는 과도하게 해석되지 않는다.

명세서에서 사용되는 "부" 또는 “모듈”이라는 용어는 소프트웨어, FPGA 또는 ASIC과 같은 하드웨어 구성요소를 의미하며, "부" 또는 “모듈”은 어떤 역할들을 수행한다. 그렇지만 "부" 또는 “모듈”은 소프트웨어 또는 하드웨어에 한정되는 의미는 아니다. "부" 또는 “모듈”은 어드레싱할 수 있는 저장 매체에 있도록 구성될 수도 있고 하나 또는 그 이상의 프로세서들을 재생시키도록 구성될 수도 있다. 따라서, 일 예로서 "부" 또는 “모듈”은 소프트웨어 구성요소들, 객체지향 소프트웨어 구성요소들, 클래스 구성요소들 및 태스크 구성요소들과 같은 구성요소들과, 프로세스들, 함수들, 속성들, 프로시저들, 서브루틴들, 프로그램 코드의 세그먼트들, 드라이버들, 펌웨어, 마이크로 코드, 회로, 데이터, 데이터베이스, 데이터 구조들, 테이블들, 어레이들 및 변수들을 포함한다. 구성요소들과 "부" 또는 “모듈”들 안에서 제공되는 기능은 더 작은 수의 구성요소들 및 "부" 또는 “모듈”들로 결합되거나 추가적인 구성요소들과 "부" 또는 “모듈”들로 더 분리될 수 있다.

공간적으로 상대적인 용어인 "아래(below)", "아래(beneath)", "하부(lower)", "위(above)", "상부(upper)" 등은 도면에 도시되어 있는 바와 같이 하나의 구성요소와 다른 구성요소들과의 상관관계를 용이하게 기술하기 위해 사용될 수 있다. 공간적으로 상대적인 용어는 도면에 도시되어 있는 방향에 더하여 사용시 또는 동작시 구성요소들의 서로 다른 방향을 포함하는 용어로 이해되어야 한다. 예를 들어, 도면에 도시되어 있는 구성요소를 뒤집을 경우, 다른 구성요소의 "아래(below)"또는 "아래(beneath)"로 기술된 구성요소는 다른 구성요소의 "위(above)"에 놓여질 수 있다. 따라서, 예시적인 용어인 "아래"는 아래와 위의 방향을 모두 포함할 수 있다. 구성요소는 다른 방향으로도 배향될 수 있으며, 이에 따라 공간적으로 상대적인 용어들은 배향에 따라 해석될 수 있다.

본 명세서에서, 컴퓨터는 적어도 하나의 프로세서를 포함하는 모든 종류의 하드웨어 장치를 의미하는 것이고, 실시 예에 따라 해당 하드웨어 장치에서 동작하는 소프트웨어적 구성도 포괄하는 의미로서 이해될 수 있다. 예를 들어, 컴퓨터는 스마트폰, 태블릿 PC, 데스크톱, 노트북 및 각 장치에서 구동되는 사용자 클라이언트 및 애플리케이션을 모두 포함하는 의미로서 이해될 수 있으며, 또한 이에 제한되는 것은 아니다.

또한, 본 명세서에서 환자는 중환자실 내의 환자로, 중환자실 내에서 이뤄지는 임상적 치료의 보편성을 가정 즉, 모든 중환자실 환자는 의료진으로 부터 보편적인 치료를 받고 있음을 전제로 한다.

또한, 환자의 생체 데이터를 이용하여 환자의 생체 데이터 변화를 감지하고, 변화의 패턴에 따라 의학적 이벤트 발생 가능성을 판단한다. 따라서, 환자의 생체 데이터의 변화에 의존하는 것으로, 환자의 생체 데이터 변화가 과도하게 불규칙적인 경우(예: 부정맥, 심인성 질환 등과 같은 심장질환 환자 등)는 대상에서 제외할 수 있다.

이하, 첨부된 도면을 참조하여 본 발명의 실시예를 상세하게 설명한다.

본 명세서에서 설명되는 각 단계들은 컴퓨터에 의하여 수행되는 것으로 설명되나, 각 단계의 주체는 이에 제한되는 것은 아니며, 실시 예에 따라 각 단계들의 적어도 일부가 서로 다른 장치에서 수행될 수도 있다.

도 1은 본 발명의 일 실시예에 따른 인공지능을 이용한 환자의 쇼크 발생 예측 시스템을 도시한 도면이다.

도 1을 참조하면, 본 발명의 일 실시예에 따른 인공지능을 이용한 환자의 쇼크 발생 예측 시스템은 쇼크 발생 예측 장치(100), 외부 단말(200) 및 외부 서버(300)를 포함할 수 있다.

여기서, 도 1에 도시된 인공지능을 이용한 환자의 쇼크 발생 예측 시스템은 일 실시예에 따른 것이고, 그 구성 요소가 도 1에 도시된 실시예에 한정되는 것은 아니며, 필요에 따라 부가, 변경 또는 삭제될 수 있다.

일 실시예에서, 쇼크 발생 예측 장치(100)는 환자의 생체 데이터로부터 하나 이상의 특징 값을 추출할 수 있고, 추출된 하나 이상의 특징 값을 이용하여 환자에 대한 의학적 이벤트(예: 패혈증(sepsis)) 발생 가능성을 판단할 수 있다. 예를 들어, 쇼크 발생 예측 장치(100)는 하나 이상의 특징 값을 기 학습된 인공지능 모델의 입력으로 하여 의학적 이벤트 발생 확률에 관한 결과 데이터를 추출할 수 있으며, 추출된 결과 데이터를 이용하여 환자에 대한 의학적 이벤트 발생 가능성을 판단할 수 있다. 그러나, 이에 한정되지 않는다.

다양한 실시예에서, 쇼크 발생 예측 장치(100)는 네트워크(400)를 통해 외부 단말(200)과 통신상 연결될 수 있으며, 환자의 생체 데이터에 기반하여 판단된 환자에 대한 의학적 이벤트 발생 가능성에 대한 정보를 환자를 담당하는 외부 단말(200)에게 제공할 수 있다.

여기서, 의학적 이벤트 발생 가능성은 백분율(%) 형태로 제공될 수 있으며, 발생 가능성을 판단하고자 하는 의학적 이벤트가 복수 개인 경우, 복수의 의학적 이벤트 각각에 대한 발생 가능성을 개별적으로 판단하여 제공할 수 있으나, 이에 한정되지 않는다.

또한, 쇼크 발생 예측 장치(100)는 환자의 생체 데이터에 기반하여 판단된 환자에 대한 의학적 이벤트 발생 가능성이 기준 이상인 것으로 판단되는 경우, 해당 의학적 이벤트를 조치할 것을 안내하는 경고 메시지 및 해당 의학적 이벤트의 조치 방법에 대한 안내를 제공할 수 있고, 의학적 이벤트 발생 가능성의 크기에 따라 출력되는 경고 메시지의 형태, 강도를 결정할 수 있다.

다양한 실시예에서, 쇼크 발생 예측 장치(100)는 네트워크(400)를 통해 외부 서버(300)와 연결될 수 있으며, 외부 서버(300)로 복수의 환자 각각에 대한 생체 데이터와 생체 데이터를 이용하여 판단된 의학적 이벤트 발생 가능성에 대한 데이터를 제공하여 외부 서버(300) 내에 데이터를 저장 및 관리할 수 있다.

일 실시예에서, 외부 단말(200)은 네트워크(400)를 통해 쇼크 발생 예측 장치(100)와 통신상 연결될 수 있고, 환자에 대한 생체 데이터를 수집하여 쇼크 발생 예측 장치(100)로 송신할 수 있으며, 생체 데이터를 송신한 것에 대한 응답으로 환자에 대한 의학적 이벤트 발생 가능성에 대한 정보를 수신할 수 있다.

다양한 실시예에서, 외부 단말(200)은 환자의 신체 적어도 일부분에 부착 및 장착되어 환자에 대한 센서 데이터를 수집하는 센서 모듈을 포함하거나, 외부에 별도로 구비되는 센서 모듈로부터 환자에 대한 생체 데이터를 수집할 수 있고, 자체적으로 구비된 센서 모듈로부터 측정된 환자의 생체 데이터 또는 외부의 센서 모듈로부터 수집된 환자의 생체 데이터를 쇼크 발생 예측 장치(100)로 송신할 수 있다.

또한, 외부 단말(200)은 외부 단말(200)의 적어도 일부분에 디스플레이를 구비할 수 있으며, 디스플레이를 통해 환자의 생체 데이터를 출력하거나 생체 데이터 기반의 의학적 이벤트 발생 가능성에 대한 정보를 출력할 수 있다. 예를 들어, 외부 단말(200)은 중환자실의 Bed-side 모니터링 장치와 같은 생체 데이터 출력 장치일 수 있으나, 이에 한정되지 않고, 환자를 담당하는 의료진의 스마트폰과 같은 휴대용 단말일 수 있다.

일 실시예에서, 외부 서버(300)는 네트워크(400)를 통해 쇼크 발생 예측 장치(100)와 통신상 연결될 수 있으며, 쇼크 발생 예측 장치(100)가 환자에 대한 의학적 이벤트 발생 가능성을 판단하기 위하여 필요한 각종 정보(예: 복수의 환자에 대한 생체 데이터, 의학적 이벤트 발생 가능성의 판단 대상인 환자의 과거 일정 기간동안의 생체 데이터 등)를 제공할 수 있다.

또한, 외부 서버(300)는 쇼크 발생 예측 장치(100)가 환자에 대한 의학적 이벤트 발생 가능성을 판단함에 따라 생성되는 각종 정보를 제공받아 저장할 수 있다. 예를 들어, 외부 서버(300)는 대용량의 데이터를 저장 및 관리하기 위하여 쇼크 발생 예측 장치(100) 외부에 별도로 구비되는 저장 서버일 수 있으나, 이에 한정되지 않는다. 이하, 도 2를 참조하여, 인공지능을 이용한 환자의 쇼크 발생 예측 방법을 수행하는 쇼크 발생 예측 장치(100)의 하드웨어 구성에 대해 설명하도록 한다.

도 2는 본 발명의 다른 실시예에 따른 인공지능을 이용한 환자의 쇼크 발생 예측 장치의 하드웨어 구성도이다.

도 2를 참조하면, 본 발명의 다른 실시예에 따른 쇼크 발생 예측 장치(100)(이하, “컴퓨팅 장치(100)”)는 하나 이상의 프로세서(110), 프로세서(110)에 의하여 수행되는 컴퓨터 프로그램(151)을 로드(Load)하는 메모리(120), 버스(130), 통신 인터페이스(140) 및 컴퓨터 프로그램(151)을 저장하는 스토리지(150)를 포함할 수 있다. 여기서, 도 2에는 본 발명의 실시예와 관련 있는 구성요소들만 도시되어 있다. 따라서, 본 발명이 속한 기술분야의 통상의 기술자라면 도 2에 도시된 구성요소들 외에 다른 범용적인 구성 요소들이 더 포함될 수 있음을 알 수 있다.

프로세서(110)는 컴퓨팅 장치(100)의 각 구성의 전반적인 동작을 제어한다. 프로세서(110)는 CPU(Central Processing Unit), MPU(Micro Processor Unit), MCU(Micro Controller Unit), GPU(Graphic Processing Unit) 또는 본 발명의 기술 분야에 잘 알려진 임의의 형태의 프로세서를 포함하여 구성될 수 있다.

또한, 프로세서(110)는 본 발명의 실시예들에 따른 방법을 실행하기 위한 적어도 하나의 애플리케이션 또는 프로그램에 대한 연산을 수행할 수 있으며, 컴퓨팅 장치(100)는 하나 이상의 프로세서를 구비할 수 있다.

다양한 실시예에서, 프로세서(110)는 프로세서(110) 내부에서 처리되는 신호(또는, 데이터)를 일시적 및/또는 영구적으로 저장하는 램(RAM: Random Access Memory, 미도시) 및 롬(ROM: Read-Only Memory, 미도시)을 더 포함할 수 있다. 또한, 프로세서(110)는 그래픽 처리부, 램 및 롬 중 적어도 하나를 포함하는 시스템온칩(SoC: system on chip) 형태로 구현될 수 있다.

메모리(120)는 각종 데이터, 명령 및/또는 정보를 저장한다. 메모리(120)는 본 발명의 다양한 실시예에 따른 방법/동작을 실행하기 위하여 스토리지(150)로부터 컴퓨터 프로그램(151)을 로드할 수 있다. 메모리(120)에 컴퓨터 프로그램(151)이 로드되면, 프로세서(110)는 컴퓨터 프로그램(151)을 구성하는 하나 이상의 인스트럭션들을 실행함으로써 상기 방법/동작을 수행할 수 있다. 메모리(120)는 RAM과 같은 휘발성 메모리로 구현될 수 있을 것이나, 본 개시의 기술적 범위가 이에 한정되는 것은 아니다.

버스(130)는 컴퓨팅 장치(100)의 구성 요소 간 통신 기능을 제공한다. 버스(130)는 주소 버스(address Bus), 데이터 버스(Data Bus) 및 제어 버스(Control Bus) 등 다양한 형태의 버스로 구현될 수 있다.

통신 인터페이스(140)는 컴퓨팅 장치(100)의 유무선 인터넷 통신을 지원한다. 또한, 통신 인터페이스(140)는 인터넷 통신 외의 다양한 통신 방식을 지원할 수도 있다. 이를 위해, 통신 인터페이스(140)는 본 발명의 기술 분야에 잘 알려진 통신 모듈을 포함하여 구성될 수 있다. 몇몇 실시예에서, 통신 인터페이스(140)는 생략될 수도 있다.

스토리지(150)는 컴퓨터 프로그램(151)을 비 임시적으로 저장할 수 있다. 컴퓨팅 장치(100)를 통해 환자의 의학적 이벤트 발생 가능성 판단 프로세스를 수행하는 경우, 스토리지(150)는 환자의 의학적 이벤트 발생 가능성 판단 프로세스를 제공하기 위하여 필요한 각종 정보를 저장할 수 있다. 예를 들어, 컴퓨팅 장치(100)에 의해 제1 환자를 대상으로 의학적 이벤트 발생 가능성 판단 프로세스를 수행하는 경우, 복수의 환자에 대한 생체 데이터를 저장 및 관리하는 외부 서버(300)로부터 제1 환자에 대한 생체 데이터를 제공받아 저장할 수 있다.

스토리지(150)는 ROM(Read Only Memory), EPROM(Erasable Programmable ROM), EEPROM(Electrically Erasable Programmable ROM), 플래시 메모리 등과 같은 비휘발성 메모리, 하드 디스크, 착탈형 디스크, 또는 본 발명이 속하는 기술 분야에서 잘 알려진 임의의 형태의 컴퓨터로 읽을 수 있는 기록 매체를 포함하여 구성될 수 있다.

컴퓨터 프로그램(151)은 메모리(120)에 로드될 때 프로세서(110)로 하여금 본 발명의 다양한 실시예에 따른 방법/동작을 수행하도록 하는 하나 이상의 인스트럭션들을 포함할 수 있다. 즉, 프로세서(110)는 상기 하나 이상의 인스트럭션들을 실행함으로써, 본 발명의 다양한 실시예에 따른 상기 방법/동작을 수행할 수 있다.

일 실시예에서, 컴퓨터 프로그램(151)은 환자의 생체 데이터를 수집하는 단계, 상기 수집된 생체 데이터로부터 하나 이상의 특징 값을 추출하는 단계 및 상기 추출된 하나 이상의 특징 값을 이용하여, 상기 환자에 대한 의학적 이벤트 발생 가능성을 판단하는 단계를 포함하는, 인공지능을 이용한 환자의 쇼크 발생 예측 방법을 수행하도록 하는 하나 이상의 인스트럭션을 포함할 수 있다.

본 발명의 실시예와 관련하여 설명된 방법 또는 알고리즘의 단계들은 하드웨어로 직접 구현되거나, 하드웨어에 의해 실행되는 소프트웨어 모듈로 구현되거나, 또는 이들의 결합에 의해 구현될 수 있다. 소프트웨어 모듈은 RAM(Random Access Memory), ROM(Read Only Memory), EPROM(Erasable Programmable ROM), EEPROM(Electrically Erasable Programmable ROM), 플래시 메모리(Flash Memory), 하드 디스크, 착탈형 디스크, CD-ROM, 또는 본 발명이 속하는 기술 분야에서 잘 알려진 임의의 형태의 컴퓨터 판독가능 기록매체에 상주할 수도 있다.

본 발명의 구성 요소들은 하드웨어인 컴퓨터와 결합되어 실행되기 위해 프로그램(또는 애플리케이션)으로 구현되어 매체에 저장될 수 있다. 본 발명의 구성 요소들은 소프트웨어 프로그래밍 또는 소프트웨어 요소들로 실행될 수 있으며, 이와 유사하게, 실시 예는 데이터 구조, 프로세스들, 루틴들 또는 다른 프로그래밍 구성들의 조합으로 구현되는 다양한 알고리즘을 포함하여, C, C++, 자바(Java), 어셈블러(assembler) 등과 같은 프로그래밍 또는 스크립팅 언어로 구현될 수 있다. 기능적인 측면들은 하나 이상의 프로세서들에서 실행되는 알고리즘으로 구현될 수 있다. 이하, 도 3을 참조하여, 컴퓨팅 장치(100)에 의해 수행되는 인공지능을 이용한 환자의 쇼크 발생 예측 방법에 대해 설명하도록 한다.

도 3은 본 발명의 또 다른 실시예에 따른 인공지능을 이용한 환자의 쇼크 발생 예측 방법의 순서도이다.

도 3을 참조하면, S110 단계에서, 컴퓨팅 장치(100)는 환자에 대한 생체 데이터를 수집할 수 있다. 예를 들어, 컴퓨팅 장치(100)는 환자의 신체 적어도 일부분에 부착 및 장착되어 환자에 대한 센서 데이터를 수집하는 센서 모듈을 포함하거나, 외부에 별도로 구비되는 센서 모듈로부터 환자에 대한 생체 데이터를 수집할 수 있는 외부 단말(200)로부터 환자에 대한 생체 데이터를 수집할 수 있다.

여기서, 환자의 생체 데이터는 환자에 대한 쇼크지수(Shock Index, SI), 호흡 수(Respiration, Rr), 경피적산소포화도(Saturation of percutaneous oxygen, SpO₂), 체온 값(Temperature, Temp), 심박수(Heart rate, Hr) 및 평균동맥압(Mean arterial pressure, MAP) 중 적어도 하나를 포함할 수 있으나, 이에 한정되지 않고, 환자에 대한 상태를 파악할 수 있는 가능한 다양한 생체 데이터들이 적용될 수 있다.

다양한 실시예에서, 컴퓨팅 장치(100)는 의학적 이벤트 발생 가능성을 판단하고자 하는 환자를 담당하는 의료진으로부터 환자에 대한 생체 데이터를 직접 입력받을 수 있다. 그러나, 이에 한정되지 않고, 환자에 대한 생체 데이터를 수집하는 다양한 방법에 적용될 수 있다.

다양한 실시예에서, 컴퓨팅 장치(100)는 사전에 설정된 단위 시간(예: 1시간)마다 환자의 생체 데이터를 수집할 수 있다.

S120 단계에서, 컴퓨팅 장치(100)는 환자의 생체 데이터로부터 하나 이상의 특징 값을 추출할 수 있다. 이하, 도 4 내지 13을 참조하여, 컴퓨팅 장치(100)가 하나 이상의 특징 값을 추출하는 방법에 대해 설명하도록 한다.

도 4는 다양한 실시예에서, 방사형 그래프 기반의 특징 값 추출 방법의 순서도이다.

도 4를 참조하면, S210 단계에서, 컴퓨팅 장치(100)는 환자에 대한 복수의 생체 데이터(예: 쇼크지수, 호흡 수, 경피적산소포화도, 체온, 심박수 및 평균동맥압) 각각을 기 설정된 범위 내의 값으로 변환할 수 있다.

여기서, 기 설정된 범위는 0 내지 1이며, 인공지능을 이용한 환자의 쇼크 발생 예측 방법을 수행하는 관리자 또는 의료진에 의해 사전에 설정된 값일 수 있으나, 이에 한정되지 않는다.

다양한 실시예에서, 컴퓨팅 장치(100)는 생체 데이터의 특성에 따라 정규분포를 이용하여 생체 데이터를 0 내지 1 범위 내의 값으로 변환하거나 확률 분포에 따른 근사 함수 추정을 통해 생체 데이터를 0 내지 1 범위 내의 값으로 변환할 수 있다.

먼저, 컴퓨팅 장치(100)는 복수의 환자에 대한 쇼크지수를 정규분포화 함으로써, 쇼크지수 정규분포도를 생성할 수 있고, 의학적 이벤트 발생 가능성을 판단하고자 하는 환자의 쇼크지수를 상기의 쇼크지수 정규분포도 내에 대입합으로써, 환자의 쇼크지수를 0 내지 1 범위 내의 값으로 변환할 수 있다. 그러나, 이에 한정되지 않고, 컴퓨팅 장치(100)는 복수의 환자에 대한 쇼크지수를 이용하여 쇼크지수 정규분포도를 직접 생성하지 않고, 사전에 복수의 환자에 대한 쇼크지수를 정규분포화 함으로써 생성된 쇼크지수 정규분포도(예: 외부에서 생성된 쇼크지수 분포도)를 이용하여 환자의 쇼크지수를 0 내지 1 범위 내의 값으로 변환할 수 있다.

여기서, 0 내지 1 범위 내의 값으로 변환된 쇼크지수는 가능도(Likelihood)를 나타내는 값으로, 환자에게 의학적 이벤트가 발생했을 경우, 해당 쇼크지수가 측정될 확률을 나타내는 값일 수 있으나, 이에 한정되지 않는다.

또한, 컴퓨팅 장치(100)는 복수의 환자에 대한 체온 값을 정규분포화 함으로써, 체온 값 정규분포도를 생성할 수 있고, 의학적 이벤트 발생 가능성을 판단하고자 하는 환자의 체온 값을 상기의 체온 값 정규분포도 내에 대입합으로써, 환자의 체온 값을 0 내지 1 범위 내의 값으로 변환할 수 있다. 그러나, 이에 한정되지 않고, 컴퓨팅 장치(100)는 복수의 환자에 대한 체온 값을 이용하여 체온 값 정규분포도를 직접 생성하지 않고, 사전에 복수의 환자에 대한 체온 값을 정규분포화 함으로써 생성된 체온 값 정규분포도(예: 외부에서 생성된 체온 값 분포도)를 이용하여 환자의 체온 값을 0 내지 1 범위 내의 값으로 변환할 수 있다.

여기서, 0 내지 1 범위 내의 값으로 변환된 체온 값은 환자에게 의학적 이벤트가 발생했을 경우, 해당 체온 값이 측정될 확률을 나타내는 값일 수 있으나, 이에 한정되지 않는다.

한편, 컴퓨팅 장치(100)는 복수의 환자에게 의학적 이벤트가 발생했을 때의 평균동맥압에 관한 베이지안(Bayesian) 확률 값을 산출하고, 산출된 평균동맥압에 관한 베이지안 확률 값의 분포를 이용하여 기 설정된 제1 근사 함수를 산출할 수 있으며, 의학적 이벤트 발생 가능성을 판단하고자 하는 환자의 평균동맥압을 제1 근사 함수에 대입함으로써, 환자의 평균동맥압을 0 내지 1 범위 내의 값으로 변환할 수 있다. 그러나, 이에 한정되지 않고, 컴퓨팅 장치(100)는 복수의 환자에 대한 평균동맥압을 이용하여 평균동맥압에 관한 베이지안 확률 분포를 직접 생성하지 않고, 사전에 복수의 환자에 대한 평균동맥압에 관한 베이지안 확률 값을 이용하여 생성된 평균동맥압에 관한 베이지안 확률 분포(예: 외부에서 생성된 평균동맥압에 관한 베이지안 확률 분포)를 이용하여 환자의 평균동맥압을 0 내지 1 범위 내의 값으로 변환할 수 있다.

여기서, 0 내지 1 범위 내의 값으로 변환된 평균동맥압은 환자에게 의학적 이벤트가 발생했을 경우, 해당 평균동맥압이 측정될 확률을 나타내는 값일 수 있으나, 이에 한정되지 않는다.

또한, 컴퓨팅 장치(100)는 복수의 환자에게 의학적 이벤트가 발생했을 때의 경피적산소포화도에 관한 베이지안 확률 값을 산출하고, 산출된 경피적산소포화도에 관한 베이지안 확률 값의 분포를 이용하여 기 설정된 제2 근사 함수를 산출할 수 있으며, 의학적 이벤트 발생 가능성을 판단하고자 하는 환자의 경피적산소포화도를 제2 근사 함수에 대입함으로써, 환자의 경피적산소포화도를 0 내지 1 범위 내의 값으로 변환할 수 있다. 그러나, 이에 한정되지 않고, 컴퓨팅 장치(100)는 복수의 환자에 대한 경피적산소포화도를 이용하여 경피적산소포화도에 관한 베이지안 확률 분포를 직접 생성하지 않고, 사전에 복수의 환자에 대한 경피적산소포화도에 관한 베이지안 확률 값을 이용하여 생성된 경피적산소포화도에 관한 베이지안 확률 분포(예: 외부에서 생성된 경피적산소포화도에 관한 베이지안 확률 분포)를 이용하여 환자의 경피적산소포화도를 0 내지 1 범위 내의 값으로 변환할 수 있다.

여기서, 0 내지 1 범위 내의 값으로 변환된 경피적산소포화도는 환자에게 의학적 이벤트가 발생했을 경우, 해당 경피적산소포화도가 측정될 확률을 나타내는 값일 수 있으나, 이에 한정되지 않는다.

또한, 컴퓨팅 장치(100)는 복수의 환자에게 의학적 이벤트가 발생했을 때의 심박수에 관한 베이지안 확률 값을 산출하고, 산출된 심박수에 관한 베이지안 확률 값의 분포를 이용하여 기 설정된 제3 근사 함수를 산출할 수 있으며, 의학적 이벤트 발생 가능성을 판단하고자 하는 환자의 심박수를 제2 근사 함수에 대입함으로써, 환자의 심박수를 0 내지 1 범위 내의 값으로 변환할 수 있다. 그러나, 이에 한정되지 않고, 컴퓨팅 장치(100)는 복수의 환자에 대한 심박수를 이용하여 심박수에 관한 베이지안 확률 분포를 직접 생성하지 않고, 사전에 복수의 환자에 대한 심박수에 관한 베이지안 확률 값을 이용하여 생성된 심박수에 관한 베이지안 확률 분포(예: 외부에서 생성된 심박수에 관한 베이지안 확률 분포)를 이용하여 환자의 심박수를 0 내지 1 범위 내의 값으로 변환할 수 있다.

여기서, 0 내지 1 범위 내의 값으로 변환된 심박수는 환자에게 의학적 이벤트가 발생했을 경우, 해당 심박수가 측정될 확률을 나타내는 값일 수 있으나, 이에 한정되지 않는다.

또한, 컴퓨팅 장치(100)는 복수의 환자에게 의학적 이벤트가 발생했을 때의 호흡 수에 관한 베이지안 확률 값을 산출하고, 산출된 호흡 수에 관한 베이지안 확률 값의 분포를 이용하여 기 설정된 제4 근사 함수를 산출할 수 있으며, 의학적 이벤트 발생 가능성을 판단하고자 하는 환자의 호흡 수를 해당 근사 함수에 대입함으로써, 환자의 호흡 수를 0 내지 1 범위 내의 값으로 변환할 수 있다. 그러나, 이에 한정되지 않고, 컴퓨팅 장치(100)는 복수의 환자에 대한 호흡 수를 이용하여 심박수에 관한 베이지안 확률 분포를 직접 생성하지 않고, 사전에 복수의 환자에 대한 호흡 수에 관한 베이지안 확률 값을 이용하여 생성된 호흡 수에 관한 베이지안 확률 분포(예: 외부에서 생성된 호흡 수에 관한 베이지안 확률 분포)를 이용하여 환자의 호흡 수를 0 내지 1 범위 내의 값으로 변환할 수 있다.

여기서, 0 내지 1 범위 내의 값으로 변환된 호흡 수는 환자에게 의학적 이벤트가 발생했을 경우, 해당 호흡 수가 측정될 확률을 나타내는 값일 수 있으나, 이에 한정되지 않는다.

즉, 컴퓨팅 장치(100)는 환자의 쇼크지수 및 체온 값에 대해서는 정규분포를 이용하여 0 내지 1 범위 내의 값으로 변환하고, 호흡 수, 경피적산소포화도, 심박수 및 평균동맥압에 대해서는 확률 분포에 대한 근사 함수 추정을 통해 0 내지 1 범위 내의 값으로 변환할 수 있다.

S220 단계에서, 컴퓨팅 장치(100)는 기 설정된 범위 내의 값(예: 0 내지 1 범위 내의 값)으로 변환된 복수의 생체 데이터 각각이 개별적인 하나의 축으로 구성되는 방사형 그래프를 생성할 수 있다. 이하, 도 5를 참조하여, 컴퓨팅 장치(100)에 의해 수행되는 방사형 그래프 생성 방법에 대하여 설명하도록 한다.

도 5는 다양한 실시예에서, 인공지능을 이용한 환자의 쇼크 발생 예측 장치로부터 생성된 방사형 그래프를 예시적으로 도시한 도면이다.

도 5를 참조하면, 컴퓨팅 장치(100)는 사용자로부터 수집된 생체 데이터가 쇼크지수(SI), 호흡 수(Resp), 경피적산소포화도(SpO₂), 체온 값(Temp), 심박수(Hr) 및 평균동맥압(MAP)인 경우, 도 5에 도시된 바와 같이 쇼크지수(SI), 호흡 수(Resp), 경피적산소포화도(SpO₂), 체온 값(Temp), 심박수(Hr) 및 평균동맥압(MAP) 각각이 개별적인 하나의 축으로 구성되는 방사형 그래프를 생성할 수 있다.

이때, 컴퓨팅 장치(100)는 0 내지 1 범위 내의 값으로 변환된 쇼크지수, 호흡 수, 경피적산소포화도, 체온 값, 심박수 및 평균동맥압을 이용하는 바, 각 축의 최소 값이 0이고 최대 값이 1인 방사형 그래프를 생성할 수 있고, 각 축에 대응하는 생체 데이터의 값을 표시할 수 있다.

이때, 컴퓨팅 장치(100)는 축 사이의 각도가 서로 동일한 각도를 가지도록 복수의 축을 배치할 수 있다. 예를 들어, 컴퓨팅 장치(100)는 환자로부터 수집된 생체 데이터가 쇼크지수, 호흡 수, 경피적산소포화도, 체온 값, 심박수 및 평균동맥압 즉, 6종류의 생체 데이터인 바, 6개의 축이 각각 서로 동일한 각도를 가지도록 축 사이의 각도를 60°로 설정할 수 있다. 그러나, 이에 한정되지 않는다.

여기서, 컴퓨팅 장치(100)는 평균동맥압을 기준으로 시계방향에 따라 심박수, 체온 값, 경피적산소포화도, 호흡 수 및 쇼크지수를 순차적으로 배치하는 것으로 도시하고 있으나, 도 5에 도시된 생체 데이터의 배치 순서는 하나의 예시일 뿐 이에 한정되지 않고, 환자의 상태를 직접 모니터링하는 의료진 등에 의해 다양하게 설정할 수 있다.

다양한 실시예에서, 컴퓨팅 장치(100)는 쇼크지수, 호흡 수, 경피적산소포화도, 체온 값, 심박수 및 평균동맥압 각각이 개별적인 하나의 축으로 구성하고, 구성된 각각의 축마다 기 설정된 범위 내의 값으로 변환된 쇼크지수, 호흡 수, 경피적산소포화도, 체온 값, 심박수 및 평균동맥압의 데이터 값을 표시하되, 각 데이터 값을 반전(reverse)하여 방사형 그래프 상에 표시할 수 있다.

컴퓨팅 장치에 의해 0 내지 1 범위 내의 값으로 변환된 복수의 생체 데이터 각각은 확률 값으로서, 환자에게 의학적 이벤트가 발생했을 경우 해당 생체 데이터의 데이터 값이 측정될 확률 즉, 1에 가까울수록 환자에게 의학적 이벤트가 발생할 가능성이 높다는 것을 의미한다. 예를 들어, 의학적 이벤트가 패혈증과 같은 쇼크일 때, 평균동맥압이 65미만이 되면 쇼크가 발생한 것으로 판단할 수 있는데, 이때 기 설정된 제1 근사 함수(평균동맥압 근사 함수)는 평균동맥압이 65인 시점이 1의 값을 가지고, 65 이상이 되는 경우(약, 120까지) 0.25 이하로 떨어지도록 구성될 수 있다.

또한, 패혈증과 같은 쇼크가 발생하는 경우, 환자의 심박수가 증가하게 되는데, 예를 들어 기 설정된 제3 근사 함수(심박수 근사 함수)의 경우 사람의 평균 심박수 범위에서 가장 낮은 값을 가지고, 심박수가 증가함에 따라 수치가 증가하도록 설정될 수 있다.

즉, 이러한 데이터 값을 그대로 사용하여 방사형 그래프를 작성하는 경우, 환자에 대한 의학적 이벤트 발생 가능성이 낮은 경우 방사형 그래프의 크기가 작아지고, 의학적 이벤트 발생 가능성이 높은 경우 방사형 그래프의 크기가 커지는 형태로 구현되는데, 의학적 이벤트가 발생하지 않는 평상시의 경우에는 그래프의 형태가 매우 작아 의학적 이벤트가 아닌 다른 데이터를 모니터링하기 어려워 환자의 상태를 쉽고 빠르게 파악하기 다소 불편하다는 문제가 발생할 수 있다.

이러한 점을 보완하기 위하여, 컴퓨팅 장치(100)는 0 내지 1 범위 내의 값으로 변환된 복수의 생체 데이터 각각을 반전하여 환자에게 의학적 이벤트가 발생했을 경우 해당 생체 데이터의 데이터 값이 측정될 확률(예: q)을 환자에게 의학적 이벤트가 발생하지 않았을 경우 해당 생체 데이터의 데이터 값이 측정될 확률(예: 1-q)로 변환하여 방사형 그래프를 생성함으로써, 환자에 대한 의학적 이벤트 발생 가능성이 낮은 경우 방사형 그래프의 크기가 커지고, 의학적 이벤트 발생 가능성이 높은 경우 방사형 그래프의 크기가 작아지는 형태로 구현할 수 있다. 그러나, 이에 한정되지 않고, 컴퓨팅 장치(100)는 발생 가능성을 판단하고자 하는 의학적 이벤트의 종류에 따라 0 내지 1 범위 내의 값으로 변환된 복수의 생체 데이터를 반전하여 이용하거나, 복수의 생체 데이터 중 특정 생체 데이터만을 선택적으로 반전하여 이용할 수 있다.

다양한 실시예에서, 컴퓨팅 장치(100)는 방사형 그래프 상에 각 축에 대응하는 쇼크지수, 호흡 수, 경피적산소포화도, 체온, 심박수 및 평균동맥압 각각을 인접한 생체 데이터(데이터 값)와 연결함으로써 폐곡선을 형성할 수 있다. 예를 들어, 컴퓨팅 장치(100)는 방사형 그래프 상에 기준이 되는 평균동맥압 값과 상호 인접한 쇼크지수 및 심박수를 연결하고, 심박수와 체온 값을 연결하며, 체온 값과 경피적산소포화도를 연결하고, 경피적산소포화도와 호흡 수를 연결하며, 호흡 수와 쇼크지수를 연결함으로써, 폐곡선을 형성할 수 있다.

다양한 실시예에서, 컴퓨팅 장치(100)는 방사형 그래프 상에 형성된 폐곡선 내부의 색상을 결정하되, 폐곡선 내부의 면적 크기에 따라 색상을 결정할 수 있다. 예를 들어, 컴퓨팅 장치(100)는 폐곡선 내부의 면적 크기가 제1 크기(예: 0.4) 미만인 경우 검정색, 제1 크기 이상 제2 크기(예: 0.7)미만인 경우 빨간색, 제2 크기 이상 제3 크기(예: 0.8)미만인 경우 파란색 및 제3 크기 이상인 경우 녹색으로 폐곡선 내부의 색상을 결정할 수 있다. 그러나, 이에 한정되지 않고, 컴퓨팅 장치(100)는 방사형 그래프 상에 각각의 축 사이의 면적의 크기에 따라 축 사이의 색상을 개별적으로 설정할 수 있다.

다시, 도 4를 참조하면, S230 단계에서, 컴퓨팅 장치(100)는 방사형 그래프를 이용하여 환자에 대한 의학적 이벤트 발생 가능성을 판단하기 위한 하나 이상의 특징 값을 추출할 수 있다.

다양한 실시예에서, 컴퓨팅 장치(100)는 환자의 의학적 이벤트 발생 가능성을 판단하고자 하는 현재 시점인 제1 시점에 수집된 생체 데이터의 데이터 값(예: 0 내지 1 범위 내의 값으로 변환된 생체 데이터의 값) 자체를 특징 값으로 추출할 수 있다.

다양한 실시예에서, 컴퓨팅 장치(100)는 제1 시점에 수집된 생체 데이터의 데이터 값과 제1 시점을 기준으로 과거 일정 기간(예: 제1 시점을 기준으로 직전 3시간)동안 수집된 생체 데이터의 데이터 값의 차이값인 생체 데이터 변화량을 특징 값으로 추출할 수 있다.

다양한 실시예에서, 컴퓨팅 장치(100)이하의 방법을 이용하여 생체 데이터 변화량을 산출할 수 있다.

예를 들어, 컴퓨팅 장치(100)는 기준 시점이 되는 제1 시점 및 제1 시점으로부터 기 설정된 시간 간격을 갖는 하나 이상의 과거 시점들(예: 제1 시점으로부터 1시간 전인 제2 시점, 2시간 전인 제3 시점, 3시간 전인 제4 시점 등)을 결정할 수 있다.

컴퓨팅 장치(100)는 제1 시점 및 하나 이상의 과거 시점들을 포함하는 복수의 시점들 간의 다양한 조합 쌍을 결정하고, 결정된 조합 쌍에 해당하는 시점의 생체 데이터 간의 변화량을 산출할 수 있다. 각각의 생체 데이터에 대하여, 컴퓨팅 장치(100)는 서로 다른 시점들의 조합 쌍에 해당하는 시점들의 생체 데이터 간의 변화량들을 이용하여 생체 데이터 변화량을 나타내는 파라미터를 산출할 수 있다.

예를 들어, 제1 시점과 제2 시점 간의 조합 쌍이 존재할 경우, 제1 시점의 생체 데이터 값과 제2 시점의 생체 데이터 값 사이의 차를 해당 조합 쌍이 나타내는 변화량으로 산출하고, 다른 조합 쌍들로부터 산출된 변화량들과의 연산(예: 덧셈, 평균 등)을 통해 생체 데이터 변화량을 나타내는 파라미터를 산출할 수 있다.

다양한 실시예에서, 컴퓨팅 장치(100)는 제1 시점에 수집된 생체 데이터의 데이터 값과 제1 시점을 기준으로 과거 일정 기간동안 수집된 생체 데이터의 데이터 값을 이용하여, 2차 함수 형태의 근사 함수를 설정할 수 있고, 설정된 하나 이상의 근사 함수를 이용하여 상기 생체 데이터의 변화율을 산출하고, 상기 산출된 생체 데이터의 변화율을 이용하여 상기 생체 데이터 변화량을 산출할 수 있다.

예를 들어, 컴퓨팅 장치(100)는 제1 시점(S)에 대한 직전 3시간 전의 시점들(제2 시점(R), 제3 시점(Q) 및 제4 시점(P))에서의 변화율을 가리키는 2차 함수　형태의　근사　함수(예: Ax²+Bx+C 형태의 근사 함수로, 제1 시점(S), 제2 시점(R), 제3 시점(Q) 및 제4 시점(P)에서의 생체 데이터를 이용하여 상수 A, B 및 C 값을 산출)를　설정할 수 있다.

이후, 컴퓨팅 장치(100)는 제1 시점에 대한 제1 시점, 제2 시점 및 제3 시점의 변화율인 제1 변화율과 제1 시점에 대한 제2 시점, 제3 시점 및 제4 시점의 변화율인 제2 변화율을 산출하고, 산출된 제1 변화율과 제2 변화율의 평균 변화량인 제2 생체 데이터 변화량(μ)을 산출할 수 있다. 그러나, 이에 한정되지 않는다.

다양한 실시예에서, 컴퓨팅 장치(100)는 방사형 그래프 상에서 하나 이상의 서로 다른 축 사이의 면적 크기를 특징 값으로 추출할 수 있다.

예를 들어, 컴퓨팅 장치(100)는 평균동맥압을 가리키는 제1축 및 제1축과 인접한 위치에 배치되며 심박수를 가리키는 제2축 사이의 면적 크기를 특징 값으로 추출할 수 있다. 여기서, 제1 축과 제2 축 사이의 면적 크기는 도 8에 도시된 바와 같이 평균동맥압의 크기가 c이고, 심박수의 크기가 a일 때, a*c*sin(60)/2으로 산출할 수 있다.

또한, 컴퓨팅 장치(100)는 제2축 및 제2축과 인접한 위치에 배치되며 체온 값을 가리키는 제3축 사이의 면적 크기를 특징 값으로 추출할 수 있다.

또한, 컴퓨팅 장치(100)는 제3축 및 제3축과 인접한 위치에 배치되며, 경피적산소포화도를 가리키는 제4축 사이의 면적 크기를 특징 값으로 추출할 수 있다.

또한, 컴퓨팅 장치(100)는 제4축 및 제4축과 인접한 위치에 배치되며, 호흡 수를 가리키는 제5축 사이의 면적 크기를 특징 값으로 추출할 수 있다.

또한, 컴퓨팅 장치(100)는 제5축 및 제5축과 인접한 위치에 배치되며, 쇼크지수를 가리키는 제6축 사이의 면적 크기를 특징 값으로 추출할 수 있다.

또한, 컴퓨팅 장치(100)는 제6축 및 제6축과 인접한 위치에 배치되는 제1축 사이의 면적 크기를 특징 값으로 추출할 수 있다. 그러나, 이에 한정되지 않고, 컴퓨팅 장치(100)는 방사형 그래프 상에 형성된 폐곡선 전체의 면적을 특징 값으로 추출할 수 있다.

다양한 실시예에서, 컴퓨팅 장치(100)는 방사형 그래프의 이미지를 특징으로 추출할 수 있다. 예를 들어, 컴퓨팅 장치(100)는 환자의 생체 데이터가 수집됨에 따라 생성되는 방사형 그래프를 캡쳐(Capture)하여 방사형 그래프의 이미지를 생성하고, 생성한 방사형 그래프의 이미지를 특징으로 추출할 수 있다. 그러나, 이에 한정되지 않는다.

다양한 실시예에서, 컴퓨팅 장치(100)는 상기의 방법에 따라 산출된 생체 데이터 변화량(예: 수학식 1 및 수학식 2를 통한 생체 데이터 변화량 산출 또는 2차 함수형태의 근사 함수를 통한 생체 데이터 변화량 산출)을 방사형 그래프 상에 도시(예: 도 9)할 수 있고, 생체 데이터 변화량이 도시된 방사형 그래프의 이미지를 특징으로 추출할 수 있다. 이때, 방사형 그래프 각각의 축이 0 내지 1 범위를 가지는 것을 고려하여, 생체 데이터 변화량을 0 내지 1 범위의 값으로 변환한 후 방사형 그래프 상에 도시할 수 있다.

다양한 실시예에서, 컴퓨팅 장치(100)는 방사형 그래프 상에서 복수의 생체 데이터들에 의해 생성된 폐곡선 내부의 색상을 특징 값으로 추출할 수 있다. 그러나, 이에 한정되지 않는다.

다시 도 3을 참조하면, 컴퓨팅 장치(100)는 하나 이상의 특징 값을 이용하여, 상기 환자에 대한 의학적 이벤트 발생 가능성을 판단할 수 있다. 예를 들어, 컴퓨팅 장치(100)는 환자의 생체 데이터 및 생체 데이터를 기반으로 생성된 방사형 그래프로부터 추출된 하나 이상의 특징 값을 기 학습된 인공지능 모델의 입력 값으로 하여 의학적 이벤트의 발생 확률에 관한 결과 데이터를 추출하고, 추출된 결과 데이터를 이용하여 의학적 이벤트 발생 가능성을 판단할 수 있다.

여기서, 인공지능 모델은 하나 이상의 네트워크 함수로 구성되며, 하나 이상의 네트워크 함수는 일반적으로 ‘노드’라 지칭될 수 있는 상호 연결된 계산 단위들의 집합으로 구성될 수 있다. 이러한 ‘노드’들은 ‘뉴런(neuron)’들로 지칭될 수도 있다. 하나 이상의 네트워크 함수는 적어도 하나 이상의 노드들을 포함하여 구성된다. 하나 이상의 네트워크 함수를 구성하는 노드(또는 뉴런)들은 하나 이상의 ‘링크’에 의해 상호 연결될 수 있다.

인공지능 모델 내에서, 링크를 통해 연결된 하나 이상의 노드들은 상대적으로 입력 노드 및 출력 노드의 관계를 형성할 수 있다. 입력 노드 및 출력 노드의 개념은 상대적인 것으로서, 하나의 노드에 대하여 출력 노드 관계에 있는 임의의 노드는 다른 노드와의 관계에서 입력 노드 관계에 있을 수 있으며, 그 역도 성립할 수 있다. 전술한 바와 같이, 입력 노드 대 출력 노드 관계는 링크를 중심으로 생성될 수 있다. 하나의 입력 노드에 하나 이상의 출력 노드가 링크를 통해 연결될 수 있으며, 그 역도 성립할 수 있다.

하나의 링크를 통해 연결된 입력 노드 및 출력 노드 관계에서, 출력 노드는 입력 노드에 입력된 데이터에 기초하여 그 값이 결정될 수 있다. 여기서 입력 노드와 출력 노드를 상호 연결하는 노드는 가중치(weight)를 가질 수 있다. 가중치는 가변적일 수 있으며, 인공지능 모델이 원하는 기능을 수행하기 위해, 사용자 또는 알고리즘에 의해 가변될 수 있다. 예를 들어, 하나의 출력 노드에 하나 이상의 입력 노드가 각각의 링크에 의해 상호 연결된 경우, 출력 노드는 상기 출력 노드와 연결된 입력 노드들에 입력된 값들 및 각각의 입력 노드들에 대응하는 링크에 설정된 가중치에 기초하여 출력 노드 값을 결정할 수 있다.

전술한 바와 같이, 인공지능 모델은 하나 이상의 노드들이 하나 이상의 링크를 통해 상호연결 되어 인공지능 모델 내에서 입력 노드 및 출력 노드 관계를 형성한다. 인공지능 모델 내에서 노드들과 링크들의 개수 및 노드들과 링크들 사이의 연관관계, 링크들 각각에 부여된 가중치의 값에 따라, 인공지능 모델의 특성이 결정될 수 있다. 예를 들어, 동일한 개수의 노드 및 링크들이 존재하고, 링크들 사이의 가중치 값이 상이한 두 인공지능 모델이 존재하는 경우, 두 개의 인공지능 모델들은 서로 상이한 것으로 인식될 수 있다.

인공지능 모델을 구성하는 노드들 중 일부는, 최초 입력 노드로부터의 거리들에 기초하여, 하나의 레이어(layer)를 구성할 수 있다. 예를 들어, 최초 입력 노드로부터 거리가 n인 노드들의 집합은, n 레이어를 구성할 수 있다. 최초 입력 노드로부터 거리는, 최초 입력 노드로부터 해당 노드까지 도달하기 위해 거쳐야 하는 링크들의 최소 개수에 의해 정의될 수 있다. 그러나, 이러한 레이어의 정의는 설명을 위한 임의적인 것으로서, 인공지능 모델 내에서 레이어의 차수는 전술한 것과 상이한 방법으로 정의될 수 있다. 예를 들어, 노드들의 레이어는 최종 출력 노드로부터 거리에 의해 정의될 수도 있다.

최초 입력 노드는 인공지능 모델 내의 노드들 중 다른 노드들과의 관계에서 링크를 거치지 않고 데이터가 직접 입력되는 하나 이상의 노드들을 의미할 수 있다. 또는, 인공지능 모델 네트워크 내에서, 링크를 기준으로 한 노드 간의 관계에 있어서, 링크로 연결된 다른 입력 노드들 가지지 않는 노드들을 의미할 수 있다. 이와 유사하게, 최종 출력 노드는 인공지능 모델 내의 노드들 중 다른 노드들과의 관계에서, 출력 노드를 가지지 않는 하나 이상의 노드들을 의미할 수 있다. 또한, 히든 노드는 최초 입력 노드 및 최후 출력 노드가 아닌 인공지능 모델을 구성하는 노드들을 의미할 수 있다. 본 개시의 일 실시예에 따른 인공지능 모델은 입력 레이어의 노드가 출력 레이어에 가까운 히든 레이어의 노드보다 많을 수 있으며, 입력 레이어에서 히든 레이어로 진행됨에 따라 노드의 수가 감소하는 형태의 인공지능 모델일 수 있다.

인공지능 모델은 하나 이상의 히든 레이어를 포함할 수 있다. 히든 레이어의 히든 노드는 이전의 레이어의 출력과 주변 히든 노드의 출력을 입력으로 할 수 있다. 각 히든 레이어 별 히든 노드의 수는 동일할 수도 있고 상이할 수도 있다. 입력 레이어의 노드의 수는 입력 데이터의 데이터 필드의 수에 기초하여 결정될 수 있으며 히든 노드의 수와 동일할 수도 있고 상이할 수도 있다. 입력 레이어에 입력된 입력 데이터는 히든 레이어의 히든 노드에 의하여 연산될 수 있고 출력 레이어인 완전 연결 레이어(FCL: fully connected layer)에 의해 출력될 수 있다. 이하. 도 10 및 11을 참조하여 설명하도록 한다.

도 10은 다양한 실시예에서, 학습 데이터를 이용하여 인공지능 모델을 학습시키고, 기 학습된 인공지능 모델을 이용하여 의학적 이벤트 발생 가능성을 판단하는 방법의 순서도이며, 도 11은 다양한 실시예에 적용 가능한 인공지능 모델의 구현 형태를 예시적으로 도시한 도면이다.

도 10 및 11을 참조하면, S310 단계에서, 컴퓨팅 장치(100)는 인공지능 모델을 학습시키기 위한 학습 데이터를 생성할 수 있다. 예를 들어, 컴퓨팅 장치(100)는 복수의 환자에 대한 생체 데이터 중 의학적 이벤트가 발생된 시점에 수집된 생체 데이터 및 의학적 이벤트가 발생된 시점을 기준으로 과거 일정 기간동안 수집된 생체 데이터 각각에 의학적 이벤트의 발생 여부(예: Positive-의학적 이벤트 발생한 경우, Negative-의학적 이벤트 발생하지 않은 경우), 의학적 이벤트의 종류, 생체 데이터의 수집 시점(예: 1시간 전, 3시간 전 및 6시간 전)에 대한 정보 및 의학적 이벤트가 발생한 시점에 대한 정보를 레이블링(labeling) 함으로써 학습 데이터를 생성할 수 있다. 그러나, 이에 한정되지 않는다.

여기서, 컴퓨팅 장치(100)는 외부 단말(200)로 환자의 생체 데이터를 출력하는 사용자 인터페이스(User Interface, UI)를 제공하고, UI를 통해, 학습 데이터를 생성하고자 하는 지점에 대한 사용자 입력을 얻을 수 있으며, 사용자 입력에 대응하는 생체 데이터 상에 의학적 이벤트의 발생 여부, 의학적 이벤트의 종류, 생체 데이터의 수집 시점에 대한 정보 및 의학적 이벤트가 발생한 시점에 대한 정보를 레이블링 함으로써 학습 데이터를 생성할 수 있다. 그러나, 이에 한정되지 않고, 컴퓨팅 장치(100)는 환자의 생체 데이터를 이용하여 의학적 이벤트 발생을 판단(예: 평균동맥압이 65미만이거나 방사형 그래프의 폐곡선 내부 색상이 의학적 이벤트 발생 시점의 색상(예: 검정 또는 빨강)일 경우)하고, 의학적 이벤트 발생된 것으로 판단된 시점의 환자 데이터를 자동적으로 레이블링하여 학습 데이터를 생성할 수 있다.

S320 단계에서, 컴퓨팅 장치(100)는 S310 단계에서 생성된 학습 데이터를 이용하여 인공지능 모델을 학습시킬 수 있다

보다 구체적으로, 컴퓨팅 장치(100)는 레이블링된 학습 데이터 세트를 이용하여 인공지능 모델을 구성하는 하나 이상의 네트워크 함수에 대한 학습을 수행할 수 있다. 예를 들어, 컴퓨팅 장치(100)는 학습 입력 데이터 세트 각각을 하나 이상의 네트워크 함수에 입력시키고, 하나 이상의 네트워크 함수로 연산된 출력 데이터 각각과 학습 입력 데이터 세트 각각의 레이블에 해당하는 학습 출력 데이터 세트 각각을 비교하여 오차를 도출할 수 있다.

즉, 인공지능 모델의 학습에서 학습 입력 데이터는 하나 이상의 네트워크 함수의 입력 레이어에 입력될 수 있으며, 학습 출력 데이터는 하나 이상의 네트워크 함수의 출력과 비교될 수 있다. 컴퓨팅 장치(100)는 학습 입력 데이터에 대한 하나 이상의 네트워크 함수의 연산 결과와 학습 출력 데이터(레이블)의 오차에 기초하여 인공지능 모델을 학습시킬 수 있다.

또한, 컴퓨팅 장치(100)는 오차에 기초하여 하나 이상의 네트워크 함수의 가중치를 역전파 방식으로 조정할 수 있다. 즉, 컴퓨팅 장치(100)는 학습 입력 데이터에 대한 하나 이상의 네트워크 함수의 연산 결과와 학습 출력 데이터의 오차에 기초하여 하나 이상의 네트워크 함수의 출력이 학습 출력 데이터에 가까워지도록 가중치를 조정할 수 있다.

컴퓨팅 장치(100)는 하나 이상의 네트워크 함수의 학습이 사전 결정된 에폭 이상 수행된 경우, 검증 데이터를 이용하여 학습의 중단 여부를 결정할 수 있다. 사전 결정된 에폭은 전체 학습 목표 에폭의 일부일 수 있다. 검증 데이터는 레이블링된 학습 데이터 세트 중 적어도 일부로 구성될 수 있다. 즉, 컴퓨팅 장치(100)는 학습 데이터 세트를 통해 인공지능 모델의 학습을 수행하며, 인공지능 모델의 학습이 사전결정된 에폭 이상 반복된 후, 검증 데이터를 이용하여 인공지능 모델의 학습 효과가 사전 결정된 수준 이상인지 여부를 판단할 수 있다. 예를 들어, 컴퓨팅 장치(100)는 100개의 학습 데이터를 이용하여 목표 반복 학습 횟수가 10회인 학습을 수행하는 경우, 사전결정된 에폭인 10회의 반복 학습을 수행한 후, 10개의 검증 데이터를 이용하여 3회의 반복 학습을 수행하여, 3회의 반복 학습 동안 인공지능 모델 출력의 변화가 사전결정된 수준 이하인 경우 더 이상의 학습이 무의미한 것으로 판단하고 학습을 종료할 수 있다. 즉, 검증 데이터는 인공지능 모델의 반복 학습에서 에폭별 학습의 효과가 일정 이상인지 이하인지 여부에 기초하여 학습의 완료를 결정하는 데 이용될 수 있다. 전술한 학습 데이터, 검증 데이터의 수 및 반복 횟수는 예시일 뿐이며 이에 한정되지 않는다.

컴퓨팅 장치(100)는 테스트 데이터 세트를 이용하여 하나 이상의 네트워크 함수의 성능을 테스트하여 하나 이상의 네트워크 함수의 활성화 여부를 결정함으로써, 인공지능 모델을 생성할 수 있다. 테스트 데이터는 인공지능 모델의 성능을 검증하기 위하여 사용될 수 있으며, 학습 데이터 세트 중 적어도 일부로 구성될 수 있다. 예를 들어, 학습 데이터 세트 중 70%는 인공지능 모델의 학습(즉, 레이블과 비슷한 결과값을 출력하도록 가중치를 조정하기 위한 학습)을 위해 활용될 수 있으며, 30%는 인공지능 모델의 성능을 검증하기 위한 테스트 데이터로써 활용될 수 있다.

컴퓨팅 장치(100)는 학습이 완료된 인공지능 모델에 테스트 데이터 세트를 입력하고 오차를 측정하여 사전 결정된 성능 이상인지 여부에 따라 인공지능 모델의 활성화 여부를 결정할 수 있다. 컴퓨팅 장치(100)는 학습이 완료된 인공지능 모델에 테스트 데이터를 이용하여 학습 완료된 인공지능 모델의 성능을 검증하고 학습 완료된 인공지능 모델의 성능이 사전결정된 기준 이상인 경우 해당 인공지능 모델을 다른 어플리케이션에서 사용하도록 활성화할 수 있다.

또한, 컴퓨팅 장치(100)는 학습 완료된 인공지능 모델의 성능이 사전결정된 기준 이하인 경우 해당 인공지능 모델을 비활성화하여 폐기할 수 있다. 예를 들어, 컴퓨팅 장치(100)는 정확도(accuracy), 정밀도(precision), 재현율(recall) 등의 요소를 기준으로 하여 생성된 인공지능 모델 모델의 성능을 판단할 수 있다. 전술한 성능 평가 기준은 예시일 뿐이며 이에 한정되지 않는다.

다양한 실시예에서, 컴퓨팅 장치(100)는 각각의 인공지능 모델을 독립적으로 학습시켜 복수의 인공지능 모델 모델을 생성할 수 있으며, 성능을 평가하여 일정 성능 이상의 인공지능 모델만을 수면 분석 정보 산출을 위해 사용할 수 있다.

또한, 인공지능 모델은 교사 학습(supervised learning), 비교사 학습(unsupervised learning), 및 반교사학습(semi supervised learning) 중 적어도 하나의 방식으로 학습될 수 있다. 인공지능 모델의 학습은 출력의 오류를 최소화하기 위한 것이다. 인공지능 모델의 학습에서 반복적으로 학습 데이터를 인공지능 모델에 입력시키고 학습 데이터에 대한 인공지능 모델의 출력과 타겟의 에러를 계산하고, 에러를 줄이기 위한 방향으로 인공지능 모델의 에러를 인공지능 모델의 출력 레이어에서부터 입력 레이어 방향으로 역전파(backpropagation)하여 인공지능 모델의 각 노드의 가중치를 업데이트 하는 과정이다. 교사 학습의 경우 각각의 학습 데이터에 정답이 레이블링되어있는 학습 데이터를 사용하며(즉, 레이블링된 학습 데이터), 비교사 학습의 경우는 각각의 학습 데이터에 정답이 레이블링되어 있지 않을 수 있다. 즉, 예를 들어, 데이터 분류에 관한 교사 학습의 경우의 학습 데이터는 학습 데이터 각각에 카테고리가 레이블링 된 데이터 일 수 있다. 된 학습 데이터가 인공지능 모델에 입력되고, 인공지능 모델의 출력(카테고리)과 학습 데이터의 레이블을 비교함으로써 오류(error)가 계산될 수 있다. 다른 예로, 데이터 분류에 관한 비교사 학습의 경우 입력인 학습 데이터가 인공지능 모델 출력과 비교됨으로써 오류가 계산될 수 있다. 계산된 오류는 인공지능 모델에서 역방향(즉, 출력 레이어에서 입력 레이어 방향)으로 역전파 되며, 역전파에 따라 인공지능 모델의 각 레이어의 각 노드들의 연결 가중치가 업데이트 될 수 있다. 업데이트 되는 각 노드의 연결 가중치는 학습률(learning rate)에 따라 변화량이 결정될 수 있다. 입력 데이터에 대한 인공지능 모델의 계산과 에러의 역전파는 학습 사이클(epoch)을 구성할 수 있다. 학습률은 인공지능 모델의 학습 사이클의 반복 횟수에 따라 상이하게 적용될 수 있다. 예를 들어, 인공지능 모델의 학습 초기에는 높은 학습률을 사용하여 인공지능 모델이 빠르게 일정 수준의 성능을 확보하도록 하여 효율성을 높이고, 학습 후기에는 낮은 학습률을 사용하여 정확도를 높일 수 있다.

인공지능 모델의 학습에서 일반적으로 학습 데이터는 실제 데이터(즉, 학습된 인공지능 모델을 이용하여 처리하고자 하는 데이터)의 부분집합일 수 있으며, 따라서, 학습 데이터에 대한 오류는 감소하나 실제 데이터에 대해서는 오류가 증가하는 학습 사이클이 존재할 수 있다. 과적합(overfitting)은 이와 같이 학습 데이터에 과하게 학습하여 실제 데이터에 대한 오류가 증가하는 현상이다. 예를 들어, 노란색 고양이를 보여 고양이를 학습한 인공지능 모델이 노란색 이외의 고양이를 보고는 고양이임을 인식하지 못하는 현상이 과적합의 일종일 수 있다. 과적합은 머신러닝 알고리즘의 오류를 증가시키는 원인으로 작용할 수 있다. 이러한 과적합을 막기 위하여 다양한 최적화 방법이 사용될 수 있다. 과적합을 막기 위해서는 학습 데이터를 증가시키거나, 레귤라이제이션(regularization), 학습의 과정에서 네트워크의 노드 일부를 생략하는 드롭아웃(dropout) 등의 방법이 적용될 수 있다.

S330 단계에서, 컴퓨팅 장치(100)는 S320 단계에서 학습된 인공지능 모델을 이용하여 환자에 대한 이벤트 발생 가능성을 판단할 수 있다. 예를 들어, 컴퓨팅 장치(100)는 상기의 절차(예: 도 3의 S120 단계)를 수행함에 따라 추출된 하나 이상의 특징 값을 벡터 값으로 하여 인공지능 모델에 입력하고, 입력된 벡터 값에 대한 결과 데이터를 추출할 수 있다.

다양한 실시예에서, 인공지능 모델은 복수의 인공지능 모델(예: XG Boost(예: 도 11), 딥러닝(Deep learning) 모델, 랜덤 포레스트(random forest) 모델 등)을 포함할 수 있으며, 컴퓨팅 장치(100)는 복수의 인공지능 모델 중 어느 하나의 인공지능 모델을 이용하여 의학적 이벤트의 발생 확률에 관한 하나의 결과 데이터를 추출하고, 추출된 하나의 결과 데이터를 이용하여 의학적 이벤트 발생 가능성을 판단할 수 있다.

다양한 실시예에서, 컴퓨팅 장치(100)는 복수의 인공지능 모델 중 둘 이상의 인공지능 모델을 이용하여 의학적 이벤트의 발생 확률에 관한 둘 이상의 결과 데이터를 추출하고, 추출된 둘 이상의 결과 데이터를 종합하여 상기 의학적 이벤트 발생 가능성을 판단할 수 있다. 예를 들어, 컴퓨팅 장치(100)는 둘 이상의 인공지능 모델의 결과 데이터의 과반합을 구하고, 이를 최종 판별을 위한 인공지능 모델에 입력으로 함으로써, 의학적 이벤트 발생 가능성을 판단할 수 있다.

개시된 실시 예에서, 환자의 생체 데이터를 측정 및 수집할 수 있는 장치를 이용하여 환자의 생체 데이터를 수집하고, 이를 분석하여 환자에 대한 쇼크 발생여부를 예측하는 방법이 설명되었다. 바람직한 실시 예에서, 환자의 생체 데이터를 측정 및 수집하는 장치는 병원에서 이용되는 환자 모니터(Patient Monitor) 장치를 의미할 수 있다. 하지만 개시된 실시 예에 따른 장치의 종류는 이에 제한되지 않으며, 환자 모니터에 더하여 추가적인 장치들이 환자의 생체 데이터 수집에 활용될 수 있다.

이에 더하여, 병원 외부에서 환자의 일상생활 중에 환자의 생체 데이터를 측정 및 수집하고, 이에 기반하여 환자의 쇼크 발생 혹은 이상상황을 미리 예측하는 데에도 개시된 실시 예에 따른 기술이 사용될 수 있다.

다양한 실시예에서, 컴퓨팅 장치(100)는 중환자실의 Bed-side 모니터링 장치가 아닌 환자의 신체 적어도 일부분에 착용되는 모바일 단말(예: 스마트 워치와 같은 웨어러블 디바이스)를 통해 측정된 환자에 대한 생체 데이터를 수집할 수 있다.

여기서, 중환자실의 Bed-side 모니터링 장치를 통해 측정되는 생체 데이터의 종류는 쇼크지수, 호흡 수, 경피적산소포화도, 체온 값, 심박수 및 평균동맥압일 수 있으나, 웨어러블 디바이스를 통해 측정되는 생체 데이터의 종류는 혈압, 맥박, 산소포화도(경피적산소포화도), 심전도 값일 수 있으나, 이에 제한되는 것은 아니다.

예를 들어, 웨어러블 디바이스를 통해 수집할 수 있는 데이터의 종류는 환자 모니터 장치를 통해 수집할 수 있는 데이터의 종류에 비해 제한될 수 있다. 따라서, 이 경우 웨어러블 디바이스를 통해 수집할 수 있는 일부 데이터에 기초하여 개시된 실시 예에 따른 분석방법을 수행하여 환자의 쇼크 발생을 예측할 수 있다.

다양한 실시예에서, 컴퓨팅 장치(100)는 웨어러블 디바이스를 통해 혈압, 맥박, 산소포화도(경피적산소포화도), 심전도 값이 수집된 경우, 개시된 실시 예에서 설명된 방법(예: 정규분포 또는 확률분포에 대한 근사 함수 추정 중 어느 하나)과 동일/또는 유사한 방법을 적용하여 이를 0 내지 1 범위 내의 값으로 변환할 수 있다.

다양한 실시예에서, 컴퓨팅 장치(100)는 웨어러블 디바이스를 통해 혈압, 맥박, 산소포화도(경피적산소포화도), 심전도 값이 수집된 경우, 혈압, 맥박, 산소포화도 및 심전도 값 각각을 축으로 설정할 수 있고, 4개의 축 각각이 서로 동일한 각도를 가지도록 축 사이의 각도를 90°로 설정할 수 있으나, 이에 제한되는 것은 아니다. 사용가능한 데이터의 수가 제한될 경우, 사용 가능한 데이터들이 서로 균일한 각도 간격을 갖도록 각각의 데이터를 나타내는 축을 배치하고, 이에 기반하여 데이터에 대한 시각화를 수행할 수 있다.

이후, 컴퓨팅 장치(100)는 상기의 방법(6종류의 생체 데이터를 이용하여 6개의 축을 가지는 방사형 그래프 생성 방법)과 동일/유사한 형태의 방법을 적용하여, 4개의 축을 가지는 방사형 그래프를 생성(예: 각 축의 값을 반전하는 동작, 폐곡선을 생성하는 동작 및 폐곡선 내부의 색상을 결정하는 동작)할 수 있다.

웨어러블 디바이스를 통해 수집된 정보에 기반하여 환자의 쇼크가 예측된 경우, 컴퓨팅 장치(100)는 해당 정보를 병원 등 외부 기관에 전송할 수 있다. 이 경우 병원 등 외부 기관에서는 환자가 내원할 수 있도록 연락하거나, 구급차를 보내 환자를 병원으로 이송할 수 있다. 또한, 의료 전문가가 전송된 정보를 검토하여, 실제 위급상황일 가능성이 있는지 여부를 한 차례 검토하는 과정이 수행될 수도 있다.

개시된 실시 예에 따른 웨어러블 디바이스의 종류는 제한되지 않으며, 실시 예에 따라 웨어러블 디바이스가 아닌 일상생활에서 사용하는 다양한 도구들에 하나 이상의 센서가 마련된 형태의 디바이스가 사용될 수도 있다.

예를 들어, 자동차의 전장 시스템과 연결된 하나 이상의 센서가 이용될 수 있으며, 이러한 센서는 자동차의 핸들 및 기어노브 중 적어도 한 군데에 마련될 수 있다. 예를 들어, 센서는 자동차의 핸들의 서로 다른 두 지점 및 기어노브에 마련될 수 있으며, 사용자가 핸들의 서로 다른 두 지점의 센서부위를 잡거나, 한 손은 핸들을, 다른 한 손은 기어노브를 잡을 경우, 사용자의 신체를 포함하는 회로가 구성되어 사용자의 맥박 및 심전도를 측정하는 데 이용될 수 있다.

이외에도 자동차에 마련된 센서장치를 이용하여 사용자의 호흡, 혈압, 산소포화도 등을 측정할 수 있으나, 이에 제한되지 않으며, 자동차에 마련된 센서장치와 웨어러블 디바이스에 마련된 센서장치가 함께 이용될 수도 있다.

이를 통해, 운전중에 사용자에게 쇼크 혹은 이상상황이 발생할 것을 미리 예측할 수 있다. 이 경우, 사용자에게 운전을 중지하고 구급차를 부르도록 가이드하거나, 쇼크 발생까지 시간이 충분히 남아있고 근처에 병원이 있을 경우 바로 병원으로 이동하도록 안내할 수도 있다.

다른 실시 예에서, 운전중에 사용자에게 쇼크가 발생한 것으로 판단되거나, 쇼크 발생 가능성이 있다고 판단될 경우, 운전 모드가 수동운전에저 자율주행 모드로 변경되도록 구성될 수도 있다. 이 경우, 자동차는 자율주행을 통해 가장 가까운 병원 혹은 응급실로 이동할 수 있으며, 의료기관에 자동으로 알람을 제공할 수도 있다.

전술한 인공지능을 이용한 환자의 쇼크 발생 예측 방법은 도면에 도시된 순서도를 참조하여 설명하였다. 간단한 설명을 위해 인공지능을 이용한 환자의 쇼크 발생 예측 방법은 일련의 블록들로 도시하여 설명하였으나, 본 발명은 상기 블록들의 순서에 한정되지 않고, 몇몇 블록들은 본 명세서에 도시되고 시술된 것과 상이한 순서로 수행되거나 또는 동시에 수행될 수 있다. 또한, 본 명세서 및 도면에 기재되지 않은 새로운 블록이 추가되거나, 일부 블록이 삭제 또는 변경된 상태로 수행될 수 있다.

이상, 첨부된 도면을 참조로 하여 본 발명의 실시예를 설명하였지만, 본 발명이 속하는 기술분야의 통상의 기술자는 본 발명이 그 기술적 사상이나 필수적인 특징을 변경하지 않고서 다른 구체적인 형태로 실시될 수 있다는 것을 이해할 수 있을 것이다. 그러므로, 이상에서 기술한 실시예들은 모든 면에서 예시적인 것이며, 제한적이 아닌 것으로 이해해야만 한다.

100 : 쇼크 발생 예측 장치(또는 컴퓨팅 장치)
200 : 외부 단말
300 : 외부 서버
400 : 네트워크

Claims (14)

1. 컴퓨팅 장치에 의해 수행되는 방법에 있어서,
   환자의 생체 데이터를 수집하는 단계;
   상기 수집된 생체 데이터로부터 하나 이상의 특징 값을 추출하는 단계; 및
   상기 추출된 하나 이상의 특징 값을 이용하여, 상기 환자에 대한 의학적 이벤트 발생 가능성을 판단하는 단계를 포함하며,
   상기 생체 데이터를 수집하는 단계는,
   상기 환자에 대한 쇼크지수(Shock Index, SI), 호흡 수(Respiration, Rr), 경피적산소포화도(Saturation of percutaneous oxygen, SpO2), 체온 값(Temperature, Temp), 심박수(Heart rate, Hr) 및 평균동맥압(Mean arterial pressure, MAP) 중 적어도 하나를 포함하는 복수의 생체 데이터를 수집하는 단계를 포함하고,
   상기 하나 이상의 특징 값을 추출하는 단계는,
   상기 복수의 생체 데이터 각각을 기 설정된 범위 내의 값으로 변환하는 단계;
   상기 기 설정된 범위 내의 값으로 변환된 상기 복수의 생체 데이터 각각이 개별적인 하나의 축으로 구성되는 방사형 그래프를 생성하는 단계; 및
   상기 생성된 방사형 그래프를 이용하여 상기 하나 이상의 특징 값을 추출하는 단계를 포함하며,
   상기 생성된 방사형 그래프를 이용하여 상기 하나 이상의 특징 값을 추출하는 단계는,
   제1 시점에 수집된 생체 데이터의 데이터 값을 특징 값으로 추출하는 단계;
   상기 제1 시점에 수집된 생체 데이터의 데이터 값과 상기 제1 시점을 기준으로 과거 일정 기간동안 수집된 생체 데이터의 데이터 값의 차이값인 생체 데이터 변화량을 특징 값으로 추출하는 단계; 및
   상기 생성된 방사형 그래프 상에서 하나 이상의 서로 다른 축 사이의 면적 크기를 특징 값으로 추출하는 단계를 포함하는,
   인공지능을 이용한 환자의 쇼크 발생 예측 방법.
2. 삭제
3. 제1항에 있어서,
   상기 기 설정된 범위 내의 값으로 변환하는 단계는,
   복수의 환자에 대한 쇼크지수 및 체온 값이 정규분포화된 쇼크지수 및 체온 값을 이용하여 상기 환자의 쇼크지수 및 체온 값을 0 내지 1 범위 내의 값으로 변환하는 단계; 및
   상기 복수의 환자 각각에 대하여, 상기 복수의 환자에게 의학적 이벤트가 발생했을 때의 호흡 수, 경피적산소포화도, 심박수 및 평균동맥압에 관한 베이지안(Bayesian) 확률 값의 분포를 이용하여 상기 호흡 수, 상기 경피적산소포화도, 상기 심박수 및 상기 평균동맥압 각각에 대한 근사 함수를 산출하며, 상기 산출된 근사 함수를 이용하여 상기 환자의 경피적산소포화도, 심박수 및 평균동맥압 각각을 0 내지 1 범위 내의 값으로 변환하는 단계를 포함하는,
   인공지능을 이용한 환자의 쇼크 발생 예측 방법.
4. 삭제
5. 제1항에 있어서,
   상기 생성된 방사형 그래프 상에서 하나 이상의 서로 다른 축 사이의 면적 크기를 특징 값으로 추출하는 단계는,
   상기 평균동맥압을 가리키는 제1축 및 상기 제1축과 인접한 위치에 배치되며 상기 심박수를 가리키는 제2축 사이의 면적 크기, 상기 제2축 및 상기 제2축과 인접한 위치에 배치되며 상기 체온 값을 가리키는 제3축 사이의 면적 크기, 상기 제3축 및 상기 제3축과 인접한 위치에 배치되며, 상기 경피적산소포화도를 가리키는 제4축 사이의 면적 크기, 상기 제4축 및 상기 제4축과 인접한 위치에 배치되며, 상기 호흡 수를 가리키는 제5축 사이의 면적 크기, 상기 제5축 및 상기 제5축과 인접한 위치에 배치되며, 상기 쇼크지수를 가리키는 제6축 사이의 면적 크기 및 상기 제6축 및 상기 제6축과 인접한 위치에 배치되는 상기 제1축 사이의 면적 크기를 특징 값으로 추출하는 단계를 포함하는,
   인공지능을 이용한 환자의 쇼크 발생 예측 방법.
6. 제1항에 있어서,
   상기 생체 데이터 변화량을 특징 값으로 추출하는 단계는,
   상기 제1 시점과 상기 제1 시점 이전의 복수의 과거 시점을 결정하는 단계;
   상기 제1 시점 및 상기 복수의 과거 시점을 포함하는 시점들 간의 복수의 조합 쌍을 결정하는 단계;
   상기 복수의 조합 쌍 각각에 포함된 시점들에 해당하는 생체 데이터 값의 변화량을 산출하는 단계; 및
   상기 복수의 조합 쌍 각각으로부터 산출된 변화량을 이용하여 상기 생체 데이터 변화량에 대한 특징 값을 산출하는 단계; 를 포함하는,
   인공지능을 이용한 환자의 쇼크 발생 예측 방법.
7. 제1항에 있어서,
   상기 생체 데이터 변화량을 특징 값으로 추출하는 단계는,
   상기 제1 시점에 수집된 생체 데이터의 데이터 값과 상기 제1 시점을 기준으로 과거 일정 기간동안 수집된 생체 데이터의 데이터 값을 이용하여, 2차 함수 형태의 근사 함수를 설정하는 단계; 및
   상기 설정된 하나 이상의 근사 함수를 이용하여 상기 생체 데이터의 변화율을 산출하고, 상기 산출된 생체 데이터의 변화율을 이용하여 상기 생체 데이터 변화량을 산출하는 단계를 포함하는,
   인공지능을 이용한 환자의 쇼크 발생 예측 방법.
8. 컴퓨팅 장치에 의해 수행되는 방법에 있어서,
   환자의 생체 데이터를 수집하는 단계;
   상기 수집된 생체 데이터로부터 하나 이상의 특징 값을 추출하는 단계; 및
   상기 추출된 하나 이상의 특징 값을 이용하여, 상기 환자에 대한 의학적 이벤트 발생 가능성을 판단하는 단계를 포함하며,
   상기 생체 데이터를 수집하는 단계는,
   상기 환자에 대한 쇼크지수(Shock Index, SI), 호흡 수(Respiration, Rr), 경피적산소포화도(Saturation of percutaneous oxygen, SpO2), 체온 값(Temperature, Temp), 심박수(Heart rate, Hr) 및 평균동맥압(Mean arterial pressure, MAP) 중 적어도 하나를 포함하는 복수의 생체 데이터를 수집하는 단계를 포함하고,
   상기 하나 이상의 특징 값을 추출하는 단계는,
   상기 복수의 생체 데이터 각각을 기 설정된 범위 내의 값으로 변환하는 단계;
   상기 기 설정된 범위 내의 값으로 변환된 상기 복수의 생체 데이터 각각이 개별적인 하나의 축으로 구성되는 방사형 그래프를 생성하는 단계; 및
   상기 생성된 방사형 그래프를 이용하여 상기 하나 이상의 특징 값을 추출하는 단계를 포함하며,
   상기 생성된 방사형 그래프를 이용하여 상기 하나 이상의 특징 값을 추출하는 단계는,
   상기 생성된 방사형 그래프의 이미지를 특징으로 추출하는 단계를 포함하고,
   상기 이벤트 발생 가능성을 판단하는 단계는,
   상기 방사형 그래프의 이미지를 학습된 모델에 입력하여, 상기 학습된 모델의 출력에 기초하여 상기 이벤트 발생 가능성을 판단하는 단계를 포함하는,
   인공지능을 이용한 환자의 쇼크 발생 예측 방법.
9. 제8 항에 있어서,
   상기 방사형 그래프의 이미지를 특징으로 추출하는 단계는,
   제1 시점에 수집된 생체 데이터의 데이터 값과 상기 제1 시점을 기준으로 과거 일정 기간동안 수집된 생체 데이터의 데이터 값의 차이값인 생체 데이터 변화량을 산출하는 단계;
   상기 산출된 생체 데이터 변화량을 상기 생성된 방사형 그래프 상에 도시하는 단계; 및
   상기 산출된 생체 데이터 변화량이 도시된 방사형 그래프의 이미지를 특징으로 추출하는 단계를 포함하는,
   인공지능을 이용한 환자의 쇼크 발생 예측 방법.
10. 컴퓨팅 장치에 의해 수행되는 방법에 있어서,
    환자의 생체 데이터를 수집하는 단계;
    상기 수집된 생체 데이터로부터 하나 이상의 특징 값을 추출하는 단계; 및
    상기 추출된 하나 이상의 특징 값을 이용하여, 상기 환자에 대한 의학적 이벤트 발생 가능성을 판단하는 단계를 포함하며,
    상기 생체 데이터를 수집하는 단계는,
    상기 환자에 대한 쇼크지수(Shock Index, SI), 호흡 수(Respiration, Rr), 경피적산소포화도(Saturation of percutaneous oxygen, SpO2), 체온 값(Temperature, Temp), 심박수(Heart rate, Hr) 및 평균동맥압(Mean arterial pressure, MAP) 중 적어도 하나를 포함하는 복수의 생체 데이터를 수집하는 단계를 포함하고,
    상기 하나 이상의 특징 값을 추출하는 단계는,
    상기 복수의 생체 데이터 각각을 기 설정된 범위 내의 값으로 변환하는 단계;
    상기 기 설정된 범위 내의 값으로 변환된 상기 복수의 생체 데이터 각각이 개별적인 하나의 축으로 구성되는 방사형 그래프를 생성하는 단계; 및
    상기 생성된 방사형 그래프를 이용하여 상기 하나 이상의 특징 값을 추출하는 단계를 포함하며,
    상기 방사형 그래프를 생성하는 단계는,
    상기 생성된 방사형 그래프 상에서, 상기 쇼크지수, 상기 호흡 수, 상기 경피적산소포화도, 상기 체온, 상기 심박수 및 상기 평균동맥압 각각에 대응되는 축을 인접한 축과 연결함으로써 폐곡선을 형성하고, 상기 형성된 폐곡선 내부의 면적 크기에 따라 상기 형성된 폐곡선 내부의 색상을 결정하는 단계를 포함하며,
    상기 생성된 방사형 그래프를 이용하여 상기 하나 이상의 특징 값을 추출하는 단계는,
    상기 결정된 폐곡선 내부의 색상을 특징 값으로 추출하는 단계를 포함하는,
    인공지능을 이용한 환자의 쇼크 발생 예측 방법.
11. 제1항에 있어서,
    상기 의학적 이벤트 발생 가능성을 판단하는 단계는,
    복수의 환자에 대한 생체 데이터를 학습 데이터로 하여 인공지능 모델을 학습시키는 단계; 및
    상기 추출된 하나 이상의 특징 값을 상기 학습된 인공지능 모델의 입력 값으로 하여 상기 의학적 이벤트의 발생 확률에 관한 결과 데이터를 추출하고, 상기 추출된 결과 데이터를 이용하여 상기 의학적 이벤트 발생 가능성을 판단하는 단계를 포함하며,
    상기 인공지능 모델을 학습시키는 단계는,
    상기 복수의 환자에 대한 생체 데이터 중 상기 의학적 이벤트가 발생된 시점에 수집된 생체 데이터 및 상기 의학적 이벤트가 발생된 시점을 기준으로 과거 일정 기간동안 수집된 생체 데이터 각각에 상기 의학적 이벤트의 발생 여부, 상기 의학적 이벤트의 종류, 상기 생체 데이터의 수집 시점에 대한 정보를 레이블링함으로써 상기 학습 데이터를 생성하는 단계; 및
    상기 생성된 학습 데이터를 지도학습 방법에 따라 상기 인공지능 모델을 학습시키는 단계를 포함하는,
    인공지능을 이용한 환자의 쇼크 발생 예측 방법.
12. 제11항에 있어서,
    상기 인공지능 모델은 복수의 인공지능 모델을 포함하며,
    상기 추출된 결과 데이터를 이용하여 상기 의학적 이벤트 발생 가능성을 판단하는 단계는,
    상기 복수의 인공지능 모델 중 어느 하나의 인공지능 모델을 이용하여 상기 의학적 이벤트의 발생 확률에 관한 하나의 결과 데이터를 추출하고, 상기 추출된 하나의 결과 데이터를 이용하여 상기 의학적 이벤트 발생 가능성을 판단하거나, 상기 복수의 인공지능 모델 중 둘 이상의 인공지능 모델을 이용하여 상기 의학적 이벤트의 발생 확률에 관한 둘 이상의 결과 데이터를 추출하고, 상기 추출된 둘 이상의 결과 데이터를 종합하여 상기 의학적 이벤트 발생 가능성을 판단하는 단계를 포함하는,
    인공지능을 이용한 환자의 쇼크 발생 예측 방법.
13. 프로세서;
    네트워크 인터페이스;
    메모리; 및
    상기 메모리에 로드(load)되고, 상기 프로세서에 의해 실행되는 컴퓨터 프로그램을 포함하되,
    상기 프로세서는,
    상기 컴퓨터 프로그램에 포함된 하나 이상의 인스트럭션(Instruction)을 실행함으로써, 제1항, 제8항 또는 제10항의 방법을 수행하는,
    인공지능을 이용한 환자의 쇼크 발생 예측 장치.
14. 컴퓨팅 장치와 결합되어,
    제1항, 제8항 또는 제10항의 방법을 실행시키기 위하여 컴퓨터로 판독가능한 기록매체에 저장된,
    컴퓨터로 읽을 수 있는 기록매체에 기록된 컴퓨터프로그램.

Images