KR102437661B1 - A System and Method for Classifying diseases using Electronic Medical Record for Animal Hospitals - Google Patents

A System and Method for Classifying diseases using Electronic Medical Record for Animal Hospitals Download PDF

Info

Publication number
KR102437661B1
KR102437661B1 KR1020200148398A KR20200148398A KR102437661B1 KR 102437661 B1 KR102437661 B1 KR 102437661B1 KR 1020200148398 A KR1020200148398 A KR 1020200148398A KR 20200148398 A KR20200148398 A KR 20200148398A KR 102437661 B1 KR102437661 B1 KR 102437661B1
Authority
KR
South Korea
Prior art keywords
information
data
treatment
disease
prescription
Prior art date
Application number
KR1020200148398A
Other languages
Korean (ko)
Other versions
KR20220062787A (en
Inventor
이헌규
강현섭
유기진
김성직
Original Assignee
(주)가이온
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 (주)가이온 filed Critical (주)가이온
Priority to KR1020200148398A priority Critical patent/KR102437661B1/en
Publication of KR20220062787A publication Critical patent/KR20220062787A/en
Application granted granted Critical
Publication of KR102437661B1 publication Critical patent/KR102437661B1/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
    • G16H50/70—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
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H10/00—ICT specially adapted for the handling or processing of patient-related medical or healthcare data
    • G16H10/60—ICT specially adapted for the handling or processing of patient-related medical or healthcare data for patient-specific data, e.g. for electronic patient records
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/50—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

Landscapes

  • Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Public Health (AREA)
  • Data Mining & Analysis (AREA)
  • Biomedical Technology (AREA)
  • General Health & Medical Sciences (AREA)
  • Theoretical Computer Science (AREA)
  • Epidemiology (AREA)
  • Primary Health Care (AREA)
  • Physics & Mathematics (AREA)
  • Databases & Information Systems (AREA)
  • Pathology (AREA)
  • Software Systems (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Mathematical Physics (AREA)
  • Computing Systems (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Molecular Biology (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

본 발명은 질병 분류 시스템 및 방법에 관한 것으로, 전자의무기록 데이터를 입력 받는 데이터 입력부, 상기 입력 받은 전자의무기록 데이터로부터 소정의 개수의 빈발 질병을 추출하고, 상기 추출된 빈발 질병에 대한 처방 정보 및 처치 정보 데이터를 생성하는 데이터 정제부, 상기 생성된 데이터를 협업 필터링 알고리즘으로 분석하여 상기 빈발 질병별 특징 정보를 추출하는 특징 정보 추출부 및 상기 추출된 특징 정보를 심층 신뢰 신경망(Deep Belief Network)의 입력 데이터로 입력하여 상기 빈발 질병별 처방 정보 및 처치 정보의 조합에 관한 추천 진료행위 조합을 제공하는 진료행위 추천부를 포함하는 질병 분류 시스템과 이 질병 분류 시스템의 동작 방법이 제공된다.The present invention relates to a disease classification system and method, comprising: a data input unit for receiving electronic medical record data; extracting a predetermined number of frequent diseases from the received electronic medical record data; and prescription information for the extracted frequent diseases; A data refiner for generating treatment information data, a feature information extractor for extracting characteristic information for each frequent disease by analyzing the generated data with a collaborative filtering algorithm, and a deep trust neural network for the extracted characteristic information Provided are a disease classification system including a medical practice recommendation unit that inputs a combination of prescription information and treatment information for each frequent disease as input data and provides a recommended medical behavior combination for the combination of the frequent disease-specific prescription information and treatment information, and a method of operating the disease classification system.

Description

동물병원 전자의무기록을 이용한 질병 분류 시스템 및 방법 {A System and Method for Classifying diseases using Electronic Medical Record for Animal Hospitals}{A System and Method for Classifying diseases using Electronic Medical Record for Animal Hospitals}

본 발명은 동물병원 전자의무기록을 이용한 질병 분류 시스템 및 방법에 관한 것으로, 전자의무기록을 기반으로 빈발 질병을 도출하고 빈발 질병을 분류하여 질병별로 의료행위를 추천하는 시스템 및 방법에 관한 것이다.The present invention relates to a disease classification system and method using an electronic medical record of a veterinary hospital, and to a system and method for deriving a frequent disease based on an electronic medical record, classifying the frequent disease, and recommending a medical treatment for each disease.

전자의무기록(EMR; Electronic Medical Record)을 이용하게 되면서 다양한 질병들에 대한 여러 의료진들의 처방 및 처치 등 의료행위 정보를 데이터베이스화 할 수 있게 되었고, 이에 대한 빅데이터 분석, 인공지능 분석을 통하여 질병 진단을 지원하고자 하는 시도가 나타나고 있다.With the use of Electronic Medical Record (EMR), medical behavior information such as prescriptions and treatments of various medical staff for various diseases can be converted into a database, and disease diagnosis is made through big data analysis and artificial intelligence analysis. Attempts are being made to support

종래기술인 한국등록특허 제10-2067157호, "동물 질병 진단 시스템"은 이처럼 동물의 질병에 대한 진단을 위한 기술로, 동물의 질병에 대한 증상과 처방을 정리한 수의학 데이터베이스를 이용하여 질병별 진단과 처방을 추천할 수 있도록 하는 기술을 제시하고 있다.The prior art, Korean Patent Registration No. 10-2067157, "Animal Disease Diagnosis System" is a technology for diagnosing animal diseases. It uses a veterinary database that summarizes symptoms and prescriptions for animal diseases. We present a technology that can recommend a prescription.

그러나, 이와 같은 종래기술에서 개별 질병에 대한 과거의 처방 정보 등을 기초로 수의학 데이터베이스를 구축해야 하는데, 전자의무기록 데이터가 존재하는 경우라도 이와 같이 질병별 증상 및 처방에 관한 데이터베이스를 구축하기 위해서는 데이터에 대한 분석 과정이 필요하며, 상기 언급한 선행기술 등 종래기술에서는 이와 같은 데이터 구축 과정에 대한 고민 없이 구축된 데이터를 활용하는 기술에 집중하고 있다.However, in the prior art, it is necessary to build a veterinary database based on past prescription information for individual diseases. In the prior art, such as the above-mentioned prior art, an analysis process for

따라서, 전자의무기록 데이터를 기반으로 질병을 분류하여 질병별 의료행위를 추천할 수 있도록 하는 시스템 및 방법이 요구된다.Accordingly, there is a need for a system and method for classifying diseases based on electronic medical record data and recommending medical actions for each disease.

한국등록특허 제10-2067157호Korean Patent Registration No. 10-2067157

본 발명은 전자의무기록 데이터로부터 추출된 빈발 질병별 처방 및 처치 정보를 분석하여 질병별 의료행위를 추천할 수 있도록 하는 것을 목적으로 한다.An object of the present invention is to analyze prescription and treatment information for each frequent disease extracted from electronic medical record data to recommend medical treatment for each disease.

본 발명은 특정 질병의 처방 및 처치 정보뿐 아니라, 해당 질병과 유사한 특성을 가지는 질병의 처방 및 처치 정보를 활용하여 적은 데이터를 이용하고도 보다 정확하게 의료행위를 추천할 수 있도록 하는 것을 목적으로 한다.An object of the present invention is to utilize not only prescription and treatment information for a specific disease, but also prescription and treatment information for a disease having characteristics similar to the corresponding disease to more accurately recommend a medical treatment using less data.

본 발명은 협업 필터링을 이용하여 유사한 특성을 가지는 질병의 처방 또는 처치 정보를 활용할 수 있도록 하는 것을 목적으로 한다.An object of the present invention is to use collaborative filtering to utilize prescription or treatment information for diseases having similar characteristics.

이러한 목적을 달성하기 위하여 본 발명의 일실시예에 따른 질병 분류 시스템은 전자의무기록 데이터를 입력 받는 데이터 입력부, 상기 입력 받은 전자의무기록 데이터로부터 소정의 개수의 빈발 질병을 추출하고, 상기 추출된 빈발 질병에 대한 처방 정보 및 처치 정보 데이터를 생성하는 데이터 정제부, 상기 생성된 데이터를 협업 필터링 알고리즘으로 분석하여 상기 빈발 질병별 특징 정보를 추출하는 특징 정보 추출부 및 상기 추출된 특징 정보를 심층 신뢰 신경망(Deep Belief Network)의 입력 데이터로 입력하여 상기 빈발 질병별 처방 정보 및 처치 정보의 조합에 관한 추천 진료행위 조합을 제공하는 진료행위 추천부를 포함하여 구성될 수 있다.In order to achieve this object, a disease classification system according to an embodiment of the present invention includes a data input unit receiving electronic medical record data, extracting a predetermined number of frequent diseases from the received electronic medical record data, and extracting the extracted frequent diseases. A data refiner that generates prescription information and treatment information for a disease, a feature information extractor that analyzes the generated data with a collaborative filtering algorithm to extract feature information for each frequent disease, and a deep trust neural network for the extracted feature information (Deep Belief Network) input as input data and may be configured to include a medical practice recommendation unit that provides a combination of recommended medical behaviors related to a combination of prescription information and treatment information for each of the frequent diseases.

이 때, 상기 특징 정보 추출부는 협업 필터링 알고리즘으로 상기 빈발 질병별 처방 정보 및 처치 정보의 레이팅 점수를 도출하고, 상기 처방 정보의 레이팅 점수 및 상기 처치 정보의 레이팅 점수를 포함하도록 상기 특징 정보를 추출할 수 있다.At this time, the feature information extraction unit derives the rating score of the prescription information and treatment information for each frequent disease with a collaborative filtering algorithm, and extracts the feature information to include the rating score of the prescription information and the rating score of the treatment information. can

또한, 상기 진료행위 추천부는 상기 추출된 특징 정보에서 하나의 질병에 대해 중복되는 처방 정보 또는 처치 정보가 포함되어 있는 경우, 이 중 하나만을 남기고 제외하고 상기 심층 신뢰 신경망(Deep Belief Network)의 입력 데이터로 입력할 수 있다.In addition, when the extracted characteristic information includes duplicate prescription information or treatment information for one disease, the input data of the deep trust neural network (Deep Belief Network) is excluded except for one of them. can be entered as

또한, 상기 데이터 정제부는 상기 입력 받은 전자의무기록 데이터에 포함된 처방 정보 및 처치 정보 중에서 추출된 각각의 빈발 질병에 각각의 처방 정보 및 처치 정보가 사용된 적이 있는지 여부를 매트릭스 형태의 데이터로 구성하여 상기 처방 정보 및 처치 정보 데이터를 생성할 수 있다.In addition, the data purification unit configures data in a matrix form to determine whether each prescription information and treatment information has been used for each frequent disease extracted from the prescription information and treatment information included in the received electronic medical record data. The prescription information and treatment information data may be generated.

본 발명은 전자의무기록 데이터로부터 추출된 빈발 질병별 처방 및 처치 정보를 분석하여 질병별 의료행위를 추천할 수 있도록 한다.The present invention analyzes prescription and treatment information for each frequent disease extracted from electronic medical record data to recommend medical treatment for each disease.

본 발명은 특정 질병의 처방 및 처치 정보뿐 아니라, 해당 질병과 유사한 특성을 가지는 질병의 처방 및 처치 정보를 활용하여 적은 데이터를 이용하고도 보다 정확하게 의료행위를 추천할 수 있도록 한다.The present invention utilizes not only prescription and treatment information for a specific disease, but also prescription and treatment information for a disease having characteristics similar to the disease, so that medical treatment can be more accurately recommended using less data.

본 발명은 협업 필터링을 이용하여 유사한 특성을 가지는 질병의 처방 또는 처치 정보를 활용할 수 있도록 한다.The present invention makes it possible to utilize information on prescription or treatment of diseases having similar characteristics by using collaborative filtering.

도 1은 본 발명의 일실시예에 따른 질병 분류 시스템의 내부 구성을 도시한 구성도이다.
도 2는 본 발명의 일실시예에 따른 질병 분류 시스템에서 도출한 빈발 질병 목록의 일례를 도시한 도면이다.
도 3은 본 발명의 일실시예에 따른 질병 분류 시스템에서 이용하는 질병별 처방 및 처치 데이터의 일례를 도시한 도면이다.
도 4는 본 발명의 일실시예에 따른 질병 분류 시스템에서 도출되는 특징 정보의 일례를 도시한 도면이다.
도 5는 본 발명의 일실시예에 따른 질병 분류 방법의 흐름을 도시한 흐름도이다.1 is a configuration diagram illustrating an internal configuration of a disease classification system according to an embodiment of the present invention.
2 is a diagram illustrating an example of a list of frequent diseases derived from the disease classification system according to an embodiment of the present invention.
3 is a diagram illustrating an example of prescription and treatment data for each disease used in the disease classification system according to an embodiment of the present invention.
4 is a diagram illustrating an example of characteristic information derived from a disease classification system according to an embodiment of the present invention.
5 is a flowchart illustrating a flow of a disease classification method according to an embodiment of the present invention.

이하, 본 발명의 바람직한 실시예를 첨부된 도면들을 참조하여 상세히 설명한다. 본 발명을 설명함에 있어, 관련된 공지 구성 또는 기능에 대한 구체적인 설명이 본 발명의 요지를 흐릴 수 있다고 판단되는 경우에는 그 상세한 설명은 생략하기로 한다. 또한 본 발명의 실시예들을 설명함에 있어 구체적인 수치는 실시예에 불과하며 이에 의하여 발명의 범위가 제한되지 아니한다.Hereinafter, preferred embodiments of the present invention will be described in detail with reference to the accompanying drawings. In describing the present invention, if it is determined that a detailed description of a related known configuration or function may obscure the gist of the present invention, the detailed description thereof will be omitted. In addition, in describing the embodiments of the present invention, specific numerical values are merely examples and the scope of the invention is not limited thereby.

본 발명에 따른 질병 분류 시스템은 중앙처리장치(CPU) 및 메모리(Memory, 기억장치)를 구비하고 인터넷 등의 통신망을 통하여 다른 단말기와 연결 가능한 서버의 형태로 구성될 수 있다. 그러나 본 발명이 중앙처리장치 및 메모리 등의 구성에 의해 한정되지는 아니한다. 또한, 본 발명에 따른 질병 분류 시스템은 물리적으로 하나의 장치로 구성될 수도 있으며, 복수의 장치에 분산된 형태로 구현될 수도 있으며, 다양한 의료장비 등에 연동되어 의료진이 편리하게 사용할 수 있도록 구성될 수 있다.The disease classification system according to the present invention may be configured in the form of a server having a central processing unit (CPU) and a memory (Memory) and connectable to other terminals through a communication network such as the Internet. However, the present invention is not limited by the configuration of the central processing unit and the memory. In addition, the disease classification system according to the present invention may be physically configured as one device, may be implemented in a distributed form in a plurality of devices, and may be configured to be used conveniently by medical staff by interlocking with various medical equipment. have.

도 1은 본 발명의 일실시예에 따른 질병 분류 시스템의 내부 구성을 도시한 구성도이다.1 is a configuration diagram illustrating an internal configuration of a disease classification system according to an embodiment of the present invention.

도면에 도시한 바와 같이 본 발명의 일실시예에 따른 질병 분류 시스템(101)은 데이터 입력부(110), 데이터 정제부(120), 특징 정보 추출부(130) 및 진료행위 추천부(140)를 포함하여 구성될 수 있다. 각각의 구성요소들은 물리적으로 동일한 컴퓨터 시스템 내에서 동작하는 소프트웨어 모듈일 수 있으며, 물리적으로 2개 이상으로 분리된 컴퓨터 시스템이 서로 연동하여 동작할 수 있도록 구성된 형태일 수 있는데, 동일한 기능을 포함하는 다양한 실시형태가 본 발명의 권리범위에 속한다.As shown in the drawing, the disease classification system 101 according to an embodiment of the present invention includes a data input unit 110 , a data refiner 120 , a feature information extraction unit 130 , and a treatment action recommendation unit 140 . may be included. Each component may be a software module operating in the same computer system physically, and may be configured such that two or more physically separated computer systems can operate in conjunction with each other. Embodiments fall within the scope of the present invention.

데이터 입력부(110)는 전자의무기록(EMR; Electronic Medical Record) 데이터를 입력 받는다. 전자의무기록 데이터에는 다양한 정보가 포함되어 있을 수 있는데, 본 발명에 따른 질병 분류 시스템(101)에서 활용되기 위하여 최소한의 필요 정보를 포함할 수 있다.The data input unit 110 receives electronic medical record (EMR) data. The electronic medical record data may include various types of information, and may include minimum necessary information to be utilized in the disease classification system 101 according to the present invention.

예를 들어 데이터 입력부(110)에서 입력받는 정보는 진단 내역에 포함되어 있는 의무기록번호, 진료일자, 질병명 등의 정보와 처방 내역에 포함되어 있는 의무기록번호 및 처방명 정보, 검사 및 처치 내역에 포함되어 있는 의무기록번호,검사 및 처치명 정보를 포함할 수 있다.For example, the information received from the data input unit 110 includes information such as medical record number, treatment date, and disease name included in the diagnosis history, medical record number and prescription name information included in the prescription history, and examination and treatment history. Included medical record number, examination and treatment name information may be included.

데이터 입력부(110)는 이와 같이 다양한 의료진들의 실제 질병 진단과 처방 및 처치 내역을 입력 받아 이를 분석함으로써, 질병별로 처방 및 처치 등의 진료행위 조합을 추천할 수 있게 된다. 데이터는 전자의무기록 데이터베이스에서 직접 읽어올 수도 있고 네트워크를 통해 수신받는 것도 가능한데, 데이터를 입력 받는 형태에 의해 제한되지는 않는다.The data input unit 110 receives and analyzes the actual disease diagnosis, prescription, and treatment details of various medical staff as described above, so that it is possible to recommend a combination of treatment actions such as prescription and treatment for each disease. Data can be read directly from the electronic medical record database or received through a network, but is not limited by the type of data input.

데이터 정제부(120)는 상기 입력 받은 전자의무기록 데이터로부터 소정의 개수의 빈발 질병을 추출하고, 상기 추출된 빈발 질병에 대한 처방 정보 및 처치 정보 데이터를 생성한다. 상술한 바와 같이 데이터 입력부(110)에서 입력 받은 전자의무기록 데이터에는 각종 질병에 대한 진단, 처방, 검사 및 처치 정보들이 포함되어 있다. 데이터 정제부(120)에서는 이와 같은 데이터들을 수신하여 분석할 수 있도록 정제하는 역할을 수행한다.The data refiner 120 extracts a predetermined number of frequent diseases from the received electronic medical record data, and generates prescription information and treatment information data for the extracted frequent diseases. As described above, the electronic medical record data input from the data input unit 110 includes diagnosis, prescription, examination and treatment information for various diseases. The data refiner 120 receives and refines such data so that it can be analyzed.

데이터 정제부(120)는 상기 입력 받은 전자의무기록 데이터에 포함된 처방 정보 및 처치 정보 중에서 추출된 각각의 빈발 질병에 각각의 처방 정보 및 처치 정보가 사용된 적이 있는지 여부를 매트릭스 형태의 데이터로 구성하여 상기 처방 정보 및 처치 정보 데이터를 생성할 수 있다.The data refining unit 120 determines whether each prescription information and treatment information has been used for each frequent disease extracted from the prescription information and treatment information included in the received electronic medical record data in matrix form data. to generate the prescription information and treatment information data.

데이터 정제부(120)는 이와 같은 매트릭스를 구성하기 위하여, 전자의무기록 데이터에 포함된 모든 처방 정보 및 처치 정보를 확인하여 x축에 배치하고, 빈발 질병을 y축에 배치한 후, 모든 매트릭스의 값을 초기에 0으로 설정하고, 특정 질병에 대해 처방 정보 또는 처치 정보가 있는 경우, 해당 지병과 해당 처방 정보 또는 처치 정보가 교차하는 영역을 1로 변경하는 방식을 이용할 수 있다.In order to construct such a matrix, the data refiner 120 checks all prescription information and treatment information included in the electronic medical record data, arranges it on the x-axis, and arranges frequent diseases on the y-axis, A method may be used in which the value is initially set to 0, and when there is prescription information or treatment information for a specific disease, an area where the corresponding chronic disease and the corresponding prescription information or treatment information intersect is changed to 1.

데이터 정제부(120)은 전자의무기록 데이터를 조회하여 통계분석을 통해 빈발 질병을 추출해 낼 수 있으며, 전체 전자의무기록 데이터 내에서 각각의 질병이 차지하는 비중을 조사하여 비중이 높은 순서에 따라서 빈발 질병을 도출할 수 있다.The data refining unit 120 inquires the electronic medical record data and extracts frequent diseases through statistical analysis. can be derived.

특징 정보 추출부(130)는 상기 생성된 데이터를 협업 필터링 알고리즘으로 분석하여 상기 빈발 질병별 특징 정보를 추출한다. 상술한 바와 같이 데이터 정제부(120)에서 생성된 데이터는 빈발 질병에 대하여 처방 및 처치가 전자의무기록 데이터에 존재하는지 여부에 관한 정보가 될 수 있는데, 위 예시와 같이 존재하며 1, 존재하지 않으면 0의 값을 가지는 매트릭스 형태가 될 수 있다.The feature information extraction unit 130 analyzes the generated data using a collaborative filtering algorithm to extract feature information for each frequent disease. As described above, the data generated by the data refining unit 120 may be information on whether prescriptions and treatments for frequent diseases exist in the electronic medical record data. It may be in the form of a matrix having a value of 0.

특징 정보 추출부(130)에서는 협업 필터링(Collaborative Filtering) 알고리즘을 활용하는데, 협업 필터링은 추천 시스템에서 많이 사용되는 방식으로, 주로 사용자에 대한 콘텐츠 추천 등에 많이 사용되는데, 콘텐츠의 내용을 직접 분석해서 사용자와 매핑하는 것이 아니라, 사용자들의 평가 및 피드백을 기반을, 유사도를 분석하여, 어떤 사용자와 유사한 평가를 내리는 다른 사용자가 선호했던 콘텐츠라면 해당 사용자도 선호할 것이라는 가정하에 추천을 하는 방식이다.The feature information extraction unit 130 utilizes a collaborative filtering algorithm, which is a method widely used in a recommendation system, and is mainly used for content recommendation for users. It is a method of recommending content based on user's evaluation and feedback, analyzing the similarity, and on the assumption that if another user who gives a similar evaluation to a certain user would prefer the content, that user would also prefer it.

본 발명에서도 유사하게 협업 필터링이 사용되는데, 추출된 빈발 질병별로 사용되었던 처방 및 처치 정보를 바탕으로, 유사한 처방 또는 처치가 사용되었던 질병에 사용된 처방 또는 처치 정보를 활용하여 특정 질병에 대한 처방 또는 처치를 추천하는 것이 가능하다.Similarly, collaborative filtering is used in the present invention. Based on the extracted prescription and treatment information used for each frequent disease, prescription or treatment information used for a disease for which a similar prescription or treatment was used is used to provide prescription or treatment for a specific disease. It is possible to recommend treatment.

특징 정보 추출부(130)는 협업 필터링 알고리즘으로 상기 빈발 질병별 처방 정보 및 처치 정보의 레이팅 점수를 도출하고, 상기 처방 정보의 레이팅 점수 및 상기 처치 정보의 레이팅 점수를 포함하도록 상기 특징 정보를 추출할 수 있다. 협업 필터링 알고리즘을 이용할 경우 각각의 질병별로 처방 정보 및 처치 정보에 대해서 레이팅 점수가 도출될 수 있다. 이 때, 처방 정보와 처치 정보를 합쳐서 레이팅을 도출할 수도 있고, 처방 정보에 대한 분석과 처치 정보에 대한 분석을 별도로 수행하는 것도 가능하다.The feature information extraction unit 130 derives the rating score of the prescription information and treatment information for each frequent disease with a collaborative filtering algorithm, and extracts the feature information to include the rating score of the prescription information and the rating score of the treatment information. can When a collaborative filtering algorithm is used, a rating score can be derived for prescription information and treatment information for each disease. In this case, the rating may be derived by combining the prescription information and the treatment information, and it is also possible to separately perform the analysis of the prescription information and the analysis of the treatment information.

진료행위 추천부(140)는 상기 추출된 특징 정보를 심층 신뢰 신경망(Deep Belief Network)의 입력 데이터로 입력하여 상기 빈발 질병별 처방 정보 및 처치 정보의 조합에 관한 추천 진료행위 조합을 제공한다. 심층 신뢰 신경망(DBN; Deep Belief Network)은 입력층과 은닉층으로 구성된 제한된 볼츠만 머신(RBM; Restricted Boltzmann Machine)을 블록처럼 필요한 만큼 여러 층으로 쌓아 올린 신경망으로 딥러닝의 일종이다. 심층 신뢰 신경망은 확률 모델을 이용한 음성패턴 인식 등에 주로 사용되는데 본 발명에서는 통계적 패턴 인식을 통해 질병별로 적합한 처방 및 처치를 추천하는 데에 활용될 수 있다.The treatment action recommendation unit 140 inputs the extracted characteristic information as input data of a deep trust neural network (Deep Belief Network) to provide a recommended treatment action combination regarding the combination of the prescription information and treatment information for each frequent disease. Deep Belief Network (DBN) is a type of deep learning in which a Restricted Boltzmann Machine (RBM) composed of an input layer and a hidden layer is stacked as many layers as necessary like a block. The deep trust neural network is mainly used for speech pattern recognition using a probabilistic model. In the present invention, it can be utilized to recommend a suitable prescription and treatment for each disease through statistical pattern recognition.

진료행위 추천부(140)는 상기 빈발 질병별 처방 정보 및 처치 정보의 조합에 관한 추천을 제공할 수 있다. 이 조합은 처방 정보와 처치 정보의 조합이 될 수도 있고, 복수의 처방 정보의 조합, 복수의 처치 정보의 조합이 될 수도 있다. 이와 같은 추천을 통해서 의료진은 질병별로 적합한 진료행위를 확인하여 진료할 수 있다.The medical treatment recommendation unit 140 may provide a recommendation regarding a combination of prescription information and treatment information for each of the frequent diseases. This combination may be a combination of prescription information and treatment information, a combination of a plurality of prescription information, or a combination of a plurality of treatment information. Through such a recommendation, the medical staff can identify and treat the appropriate treatment for each disease.

진료행위 추천부(140)는 상기 추출된 특징 정보에서 하나의 질병에 대해 중복되는 처방 정보 또는 처치 정보가 포함되어 있는 경우, 이 중 하나만을 남기고 제외하고 상기 심층 신뢰 신경망(Deep Belief Network)의 입력 데이터로 입력할 수 있다. 특징 정보 추출시에는 하나의 질병에 대해서 동일한 처방 정보 또는 처치 정보가 복수 개 추천될 수도 있다. 따라서 심층 신뢰 신경망에 입력 데이터로 입력하기 이전에 중복되는 데이터는 제외하고 입력하도록 함으로써, 추천의 정확도를 높일 수 있다.When the extracted characteristic information includes overlapping prescription information or treatment information for one disease, the treatment action recommendation unit 140 excludes only one of them and inputs the input of the deep trust neural network (Deep Belief Network). data can be entered. When extracting feature information, a plurality of pieces of the same prescription information or treatment information may be recommended for one disease. Therefore, by excluding overlapping data before input to the deep trust neural network as input data, it is possible to increase the accuracy of recommendation.

도 2는 본 발명의 일실시예에 따른 질병 분류 시스템에서 도출한 빈발 질병 목록의 일례를 도시한 도면이다.2 is a diagram illustrating an example of a list of frequent diseases derived from the disease classification system according to an embodiment of the present invention.

도면에 도시한 바와 같이, 질병 분류 시스템(101)은 전자의무기록을 조회하고 통계분석을 통해 전체 전자의무기록에서 차지하는 각 질병의 점유율을 비율로 계산하고, 이 점유율의 순위에 따라서 빈발 질병 목록을 도출할 수 있다. 빈발 질병은 도면의 예시에서와 같이 상위 10개로 선정될 수도 있으며, 필요에 따라서는 더 많은 개수로 도출될 수 있는데, 이와 같은 빈발 질병 도출 개수에 따라 본 발명이 제한되는 것은 아니다.As shown in the figure, the disease classification system 101 inquires the electronic medical record and calculates the share of each disease in the total electronic medical record as a ratio through statistical analysis, and lists the frequent diseases according to the ranking of the share. can be derived The frequent diseases may be selected as the top 10 as in the example of the drawings, and may be derived in a larger number if necessary, but the present invention is not limited according to the derived number of frequent diseases.

도 3은 본 발명의 일실시예에 따른 질병 분류 시스템에서 이용하는 질병별 처방 및 처치 데이터의 일례를 도시한 도면이다.3 is a diagram illustrating an example of prescription and treatment data for each disease used in the disease classification system according to an embodiment of the present invention.

도면에 도시한 바와 같이, 질병별 처방 및 처치 데이터는 2차원 매트릭스 형태로 생성될 수 있는데, 도면에서처럼 y축은 질병명이, s축에는 각종 처방 또는 처지 정보가 기재되고, 각각의 축이 만나는 매트릭스 항목들에서 해당 질병에 해당 처방 또는 처치가 사용되었으면 1로 표시되고, 그렇지 않으면 0으로 표시될 수 있다.As shown in the figure, prescription and treatment data for each disease can be generated in the form of a two-dimensional matrix. As in the figure, the y-axis is the name of the disease, the s-axis is the various prescriptions or treatment information, and matrix items where each axis meets. If the prescription or treatment was used for the disease in the fields, it may be displayed as 1, otherwise it may be displayed as 0.

도면의 예시에서와 같이 외이도염의 치료사례에 대한 복수의 전자의무기록 데이터에 대해서 각각 데이터를 한줄씩 생성하고, 피부염의 치료 사례에 대한 복수의 전자의무기록 데이터에 대해서 각각의 데이터를 생성할 수 있다. 이와 같이 생성되는 데이터는 협업 필터링 알고리즘을 통해 분석되어, 각각의 질병 별로 특징 정보를 도출할 수 있다.As in the example of the figure, data can be generated one line for each of a plurality of electronic medical record data for a treatment case of otitis externa, and each data can be generated for a plurality of electronic medical record data for a treatment case of dermatitis. . The data generated in this way can be analyzed through a collaborative filtering algorithm to derive characteristic information for each disease.

도 4는 본 발명의 일실시예에 따른 질병 분류 시스템에서 도출되는 특징 정보의 일례를 도시한 도면이다.4 is a diagram illustrating an example of characteristic information derived from a disease classification system according to an embodiment of the present invention.

도면에 도시한 바와 같이 질병별 처방 및 처치 데이터를 협업 필터링 알고리즘으로 분석하면, 빈발 질병 각각에 대해서 소정의 개수의 상위 추천 처방 또는 상위 추천 처치 정보가 특징 정보로 도출될 수 있다. 도면에서는 각 질병에 대해 상위 10종의 처방 목록을 도출한 것인데, 상위 처방 목록을 도출하기 위해서, 협업 필터링 알고리즘에서 제공하는 레이팅(rating) 점수를 이용할 수 있다.As shown in the figure, when prescription and treatment data for each disease is analyzed using a collaborative filtering algorithm, a predetermined number of upper recommended prescriptions or upper recommended treatment information for each frequent disease may be derived as feature information. In the drawing, the top 10 prescription lists are derived for each disease. In order to derive the top prescription list, a rating score provided by a collaborative filtering algorithm may be used.

도면에서와 같이 외이도염에 사용된 처방 또는 처치 중에서 협업 필터링 알고리즘을 통해 도출되는 레이팅 점수가 높은 순으로 10개를 나열하고, 이를 특징 정보로 도출하여 심층 신뢰 신경망(DBN)에 입력 데이터로 입력하도록 할 수 있다.As shown in the figure, among the prescriptions or treatments used for otitis externa, 10 are listed in the order of the highest rating score derived through the collaborative filtering algorithm, and these are derived as feature information and input as input data to the deep trust neural network (DBN). can

도 5는 본 발명의 일실시예에 따른 질병 분류 방법의 흐름을 도시한 흐름도이다.5 is a flowchart illustrating a flow of a disease classification method according to an embodiment of the present invention.

본 발명에 따른 질병 분류 방법은 중앙처리장치 및 메모리를 구비하는 질병 분류 시스템(101)에서 동작하는 방법으로, 예를 들어 컴퓨팅 시스템에서 구동될 수 있다.The disease classification method according to the present invention is a method operated in the disease classification system 101 having a central processing unit and a memory, and may be driven in, for example, a computing system.

따라서, 질병 분류 방법은 상술한 질병 분류 시스템(101)에 대하여 설명된 특징적인 구성을 모두 포함하고 있으며, 아래의 설명에서 설명되지 않은 내용도 상술한 질병 분류 시스템에 대한 설명을 참조하여 구현할 수 있다.Accordingly, the disease classification method includes all the characteristic components described with respect to the disease classification system 101 described above, and contents not described in the following description can be implemented with reference to the description of the disease classification system described above. .

데이터 입력 단계(S501)는 전자의무기록(EMR; Electronic Medical Record) 데이터를 입력 받는다. 전자의무기록 데이터에는 다양한 정보가 포함되어 있을 수 있는데, 본 발명에 따른 질병 분류 시스템(101)에서 활용되기 위하여 최소한의 필요 정보를 포함할 수 있다.In the data input step (S501), electronic medical record (EMR) data is input. The electronic medical record data may include various types of information, and may include minimum necessary information to be utilized in the disease classification system 101 according to the present invention.

데이터 정제 단계(S502)는 상기 입력 받은 전자의무기록 데이터로부터 소정의 개수의 빈발 질병을 추출하고, 상기 추출된 빈발 질병에 대한 처방 정보 및 처치 정보 데이터를 생성한다. 상술한 바와 같이 데이터 입력 단계(S501)에서 입력 받은 전자의무기록 데이터에는 각종 질병에 대한 진단, 처방, 검사 및 처치 정보들이 포함되어 있다. 데이터 정제 단계(S502)에서는 이와 같은 데이터들을 수신하여 분석할 수 있도록 정제하는 역할을 수행한다.In the data purification step (S502), a predetermined number of frequent diseases are extracted from the received electronic medical record data, and prescription information and treatment information data for the extracted frequent diseases are generated. As described above, the electronic medical record data input in the data input step ( S501 ) includes diagnosis, prescription, examination and treatment information for various diseases. In the data purification step ( S502 ), such data is received and refined so that it can be analyzed.

데이터 정제 단계(S502)는 상기 입력 받은 전자의무기록 데이터에 포함된 처방 정보 및 처치 정보 중에서 추출된 각각의 빈발 질병에 각각의 처방 정보 및 처치 정보가 사용된 적이 있는지 여부를 매트릭스 형태의 데이터로 구성하여 상기 처방 정보 및 처치 정보 데이터를 생성할 수 있다.In the data purification step ( S502 ), whether each prescription information and treatment information has been used for each frequent disease extracted from the prescription information and treatment information included in the received electronic medical record data is composed of data in a matrix form. to generate the prescription information and treatment information data.

데이터 정제 단계(S502)은 전자의무기록 데이터를 조회하여 통계분석을 통해 빈발 질병을 추출해 낼 수 있으며, 전체 전자의무기록 데이터 내에서 각각의 질병이 차지하는 비중을 조사하여 비중이 높은 순서에 따라서 빈발 질병을 도출할 수 있다.In the data purification step (S502), frequent diseases can be extracted through statistical analysis by inquiring the electronic medical record data. can be derived.

특징 정보 추출 단계(S503)는 상기 생성된 데이터를 협업 필터링 알고리즘으로 분석하여 상기 빈발 질병별 특징 정보를 추출한다. 상술한 바와 같이 데이터 정제 단계(S502)에서 생성된 데이터는 빈발 질병에 대하여 처방 및 처치가 전자의무기록 데이터에 존재하는지 여부에 관한 정보가 될 수 있는데, 위 예시와 같이 존재하며 1, 존재하지 않으면 0의 값을 가지는 매트릭스 형태가 될 수 있다.In the feature information extraction step (S503), the generated data is analyzed using a collaborative filtering algorithm to extract feature information for each frequent disease. As described above, the data generated in the data purification step (S502) may be information on whether or not prescriptions and treatments for frequent diseases exist in the electronic medical record data. It may be in the form of a matrix having a value of 0.

특징 정보 추출 단계(S503)는 협업 필터링 알고리즘으로 상기 빈발 질병별 처방 정보 및 처치 정보의 레이팅 점수를 도출하고, 상기 처방 정보의 레이팅 점수 및 상기 처치 정보의 레이팅 점수를 포함하도록 상기 특징 정보를 추출할 수 있다. 협업 필터링 알고리즘을 이용할 경우 각각의 질병별로 처방 정보 및 처치 정보에 대해서 레이팅 점수가 도출될 수 있다. 이 때, 처방 정보와 처치 정보를 합쳐서 레이팅을 도출할 수도 있고, 처방 정보에 대한 분석과 처치 정보에 대한 분석을 별도로 수행하는 것도 가능하다.The feature information extraction step (S503) is a collaborative filtering algorithm to derive the rating score of the prescription information and treatment information for each frequent disease, and extract the feature information to include the rating score of the prescription information and the rating score of the treatment information. can When a collaborative filtering algorithm is used, a rating score can be derived for prescription information and treatment information for each disease. In this case, the rating may be derived by combining the prescription information and the treatment information, and it is also possible to separately perform the analysis of the prescription information and the analysis of the treatment information.

진료행위 추천 단계(S504)는 상기 추출된 특징 정보를 심층 신뢰 신경망(Deep Belief Network)의 입력 데이터로 입력하여 상기 빈발 질병별 처방 정보 및 처치 정보의 조합에 관한 추천 진료행위 조합을 제공한다. 심층 신뢰 신경망(DBN; Deep Belief Network)은 입력층과 은닉층으로 구성된 제한된 볼츠만 머신(RBM; Restricted Boltzmann Machine)을 블록처럼 필요한 만큼 여러 층으로 쌓아 올린 신경망으로 딥러닝의 일종이다. 심층 신뢰 신경망은 확률 모델을 이용한 음성패턴 인식 등에 주로 사용되는데 본 발명에서는 통계적 패턴 인식을 통해 질병별로 적합한 처방 및 처치를 추천하는 데에 활용될 수 있다.In the treatment action recommendation step (S504), the extracted characteristic information is input as input data of a deep trust neural network (Deep Belief Network) to provide a recommended treatment action combination regarding a combination of prescription information and treatment information for each frequent disease. Deep Belief Network (DBN) is a type of deep learning in which a Restricted Boltzmann Machine (RBM) composed of an input layer and a hidden layer is stacked as many layers as necessary like a block. The deep trust neural network is mainly used for speech pattern recognition using a probabilistic model. In the present invention, it can be utilized to recommend a suitable prescription and treatment for each disease through statistical pattern recognition.

진료행위 추천 단계(S504)는 상기 빈발 질병별 처방 정보 및 처치 정보의 조합에 관한 추천을 제공할 수 있다. 이 조합은 처방 정보와 처치 정보의 조합이 될 수도 있고, 복수의 처방 정보의 조합, 복수의 처치 정보의 조합이 될 수도 있다. 이와 같은 추천을 통해서 의료진은 질병별로 적합한 진료행위를 확인하여 진료할 수 있다.The medical treatment recommendation step ( S504 ) may provide a recommendation regarding a combination of the prescription information and treatment information for each frequent disease. This combination may be a combination of prescription information and treatment information, a combination of a plurality of prescription information, or a combination of a plurality of treatment information. Through such a recommendation, the medical staff can identify and treat the appropriate treatment for each disease.

진료행위 추천 단계(S504)는 상기 추출된 특징 정보에서 하나의 질병에 대해 중복되는 처방 정보 또는 처치 정보가 포함되어 있는 경우, 이 중 하나만을 남기고 제외하고 상기 심층 신뢰 신경망(Deep Belief Network)의 입력 데이터로 입력할 수 있다. 특징 정보 추출시에는 하나의 질병에 대해서 동일한 처방 정보 또는 처치 정보가 복수 개 추천될 수도 있다. 따라서 심층 신뢰 신경망에 입력 데이터로 입력하기 이전에 중복되는 데이터는 제외하고 입력하도록 함으로써, 추천의 정확도를 높일 수 있다.In the treatment action recommendation step (S504), when duplicate prescription information or treatment information for a single disease is included in the extracted characteristic information, except for one of them, input of the Deep Belief Network data can be entered. When extracting feature information, a plurality of pieces of the same prescription information or treatment information may be recommended for one disease. Therefore, by excluding overlapping data before input to the deep trust neural network as input data, it is possible to increase the accuracy of recommendation.

본 발명에 따른 질병 분류 방법은 컴퓨터가 실행하도록 기능시키기 위한 프로그램으로 제작되어 컴퓨터로 읽을 수 있는 기록매체에 기록될 수 있다.The disease classification method according to the present invention may be recorded in a computer-readable recording medium produced as a program for causing a computer to execute.

컴퓨터로 읽을 수 있는 기록 매체의 예에는, 하드 디스크, 플로피 디스크 및 자기 테이프와 같은 자기 매체, CDROM, DVD 와 같은 광기록 매체, 플롭티컬 디스크(floptical disk)와 같은 자기-광 매체(magneto-optical media), 및 ROM, RAM, 플래시 메모리 등과 같은 프로그램 명령어를 저장하고 수행하도록 특별히 구성된 하드웨어 장치가 포함된다.Examples of the computer-readable recording medium include a hard disk, a magnetic medium such as a floppy disk and a magnetic tape, an optical recording medium such as a CDROM and DVD, and a magneto-optical medium such as a floppy disk. media), and hardware devices specially configured to store and execute program instructions such as ROM, RAM, flash memory, and the like.

프로그램 명령어의 예에는, 컴파일러에 의해 만들어지는 것과 같은 기계어 코드뿐만 아니라 인터프리터 등을 사용해서 컴퓨터에 의해서 실행될 수 있는 고급 언어 코드도 포함된다. 상기 하드웨어 장치는 본 발명에 따른 처리를 수행하기 위해 하나 이상의 소프트웨어 모듈로서 작동하도록 구성될 수 있으며, 그 역도 마찬가지이다.Examples of program instructions include not only machine language codes such as those generated by a compiler, but also high-level language codes that can be executed by a computer using an interpreter or the like. The hardware device may be configured to operate as one or more software modules to perform processing according to the present invention, and vice versa.

이상에서는 실시예들을 참조하여 설명하였지만, 해당 기술 분야의 숙련된 당업자는 하기의 특허 청구범위에 기재된 본 발명의 사상 및 영역으로부터 벗어나지 않는 범위 내에서 본 발명을 다양하게 수정 및 변경시킬 수 있다.Although the above has been described with reference to the embodiments, those skilled in the art can variously modify and change the present invention within the scope without departing from the spirit and scope of the present invention described in the claims below.

101: 질병 분류 시스템
110: 데이터 입력부 120: 데이터 정제부
130: 특징 정보 추출부 140: 진료행위 추천부101: disease classification system
110: data input unit 120: data refiner
130: feature information extraction unit 140: treatment action recommendation unit

Claims (9)

전자의무기록 데이터를 입력 받는 데이터 입력부;
상기 입력 받은 전자의무기록 데이터로부터 소정의 개수의 빈발 질병을 추출하고, 상기 추출된 빈발 질병에 대한 처방 정보 및 처치 정보 데이터를 생성하는 데이터 정제부;
상기 생성된 데이터를 협업 필터링 알고리즘으로 분석하여 상기 빈발 질병별 특징 정보를 추출하는 특징 정보 추출부 및
상기 추출된 특징 정보를 심층 신뢰 신경망(Deep Belief Network)의 입력 데이터로 입력하여 상기 빈발 질병별 처방 정보 및 처치 정보의 조합에 관한 추천 진료행위 조합을 제공하는 진료행위 추천부
를 포함하고,
상기 특징 정보 추출부는
협업 필터링 알고리즘으로 상기 빈발 질병별 처방 정보 및 처치 정보의 레이팅 점수를 도출하고,
상기 처방 정보의 레이팅 점수 및 상기 처치 정보의 레이팅 점수를 포함하도록 상기 특징 정보를 추출하는 것
을 특징으로 하는 질병 분류 시스템.a data input unit for receiving electronic medical record data;
a data refiner for extracting a predetermined number of frequent diseases from the received electronic medical record data, and generating prescription information and treatment information data for the extracted frequent diseases;
A feature information extraction unit that analyzes the generated data with a collaborative filtering algorithm to extract feature information for each frequent disease; and
A treatment action recommendation unit that inputs the extracted feature information as input data of a Deep Belief Network to provide a combination of recommended treatment actions related to the combination of prescription information and treatment information for each frequent disease
including,
The feature information extraction unit
Deriving the rating score of the prescription information and treatment information for each frequent disease with a collaborative filtering algorithm,
Extracting the feature information to include a rating score of the prescription information and a rating score of the treatment information
A disease classification system characterized by 삭제delete 제1항에 있어서,
상기 진료행위 추천부는
상기 추출된 특징 정보에서 하나의 질병에 대해 중복되는 처방 정보 또는 처치 정보가 포함되어 있는 경우, 이 중 하나만을 남기고 제외하고 상기 심층 신뢰 신경망(Deep Belief Network)의 입력 데이터로 입력하는 것
을 특징으로 하는 질병 분류 시스템.According to claim 1,
The treatment recommendation department
When the extracted feature information includes overlapping prescription information or treatment information for one disease, leaving only one of them and inputting it as input data of the Deep Belief Network
A disease classification system characterized by 제3항에 있어서,
상기 데이터 정제부는
상기 입력 받은 전자의무기록 데이터에 포함된 처방 정보 및 처치 정보 중에서 추출된 각각의 빈발 질병에 각각의 처방 정보 및 처치 정보가 사용된 적이 있는지 여부를 매트릭스 형태의 데이터로 구성하여 상기 처방 정보 및 처치 정보 데이터를 생성하는 것
을 특징으로 하는 질병 분류 시스템.4. The method of claim 3,
The data refiner
Whether or not each prescription information and treatment information has been used for each frequent disease extracted from the prescription information and treatment information included in the received electronic medical record data is composed of matrix data, and the prescription information and treatment information generating data
A disease classification system characterized by 중앙처리장치 및 메모리를 구비하는 질병 분류 시스템에서 동작하는 질병 분류 방법에 있어서,
전자의무기록 데이터를 입력 받는 데이터 입력 단계;
상기 입력 받은 전자의무기록 데이터로부터 소정의 개수의 빈발 질병을 추출하고, 상기 추출된 빈발 질병에 대한 처방 정보 및 처치 정보 데이터를 생성하는 데이터 정제 단계;
상기 생성된 데이터를 협업 필터링 알고리즘으로 분석하여 상기 빈발 질병별 특징 정보를 추출하는 특징 정보 추출 단계 및
상기 추출된 특징 정보를 심층 신뢰 신경망(Deep Belief Network)의 입력 데이터로 입력하여 상기 빈발 질병별 처방 정보 및 처치 정보의 조합에 관한 추천 진료행위 조합을 제공하는 진료행위 추천 단계
를 포함하고,
상기 특징 정보 추출 단계는
협업 필터링 알고리즘으로 상기 빈발 질병별 처방 정보 및 처치 정보의 레이팅 점수를 도출하고,
상기 처방 정보의 레이팅 점수 및 상기 처치 정보의 레이팅 점수를 포함하도록 상기 특징 정보를 추출하는 것
을 특징으로 하는 질병 분류 방법.A disease classification method operating in a disease classification system having a central processing unit and a memory, the disease classification method comprising:
A data input step of receiving electronic medical record data;
a data purification step of extracting a predetermined number of frequent diseases from the received electronic medical record data, and generating prescription information and treatment information data for the extracted frequent diseases;
A feature information extraction step of analyzing the generated data with a collaborative filtering algorithm to extract feature information for each frequent disease; and
A treatment recommendation step of inputting the extracted feature information as input data of a deep trust neural network (Deep Belief Network) to provide a combination of recommended treatment actions related to the combination of prescription information and treatment information for each frequent disease
including,
The feature information extraction step is
Deriving the rating score of the prescription information and treatment information for each frequent disease with a collaborative filtering algorithm,
Extracting the feature information to include a rating score of the prescription information and a rating score of the treatment information
A disease classification method characterized in that. 삭제delete 제5항에 있어서,
상기 진료행위 추천 단계는
상기 추출된 특징 정보에서 하나의 질병에 대해 중복되는 처방 정보 또는 처치 정보가 포함되어 있는 경우, 이 중 하나만을 남기고 제외하고 상기 심층 신뢰 신경망(Deep Belief Network)의 입력 데이터로 입력하는 것
을 특징으로 하는 질병 분류 방법.6. The method of claim 5,
The treatment recommendation step is
When the extracted feature information includes overlapping prescription information or treatment information for one disease, leaving only one of them and inputting it as input data of the Deep Belief Network
A disease classification method characterized in that. 제7항에 있어서,
상기 데이터 정제 단계는
상기 입력 받은 전자의무기록 데이터에 포함된 처방 정보 및 처치 정보 중에서 추출된 각각의 빈발 질병에 각각의 처방 정보 및 처치 정보가 사용된 적이 있는지 여부를 매트릭스 형태의 데이터로 구성하여 상기 처방 정보 및 처치 정보 데이터를 생성하는 것
을 특징으로 하는 질병 분류 방법.8. The method of claim 7,
The data purification step is
Whether or not each prescription information and treatment information has been used for each frequent disease extracted from the prescription information and treatment information included in the received electronic medical record data is composed of matrix data, and the prescription information and treatment information generating data
A disease classification method characterized in that. 제5항, 제7항 및 제8항 중 어느 한 항의 방법을 컴퓨터가 실행하도록 기능시키기 위한 프로그램이 기록된 컴퓨터로 읽을 수 있는 기록매체.A computer-readable recording medium in which a program for causing a computer to execute the method of any one of claims 5, 7 and 8 is recorded.
KR1020200148398A 2020-11-09 2020-11-09 A System and Method for Classifying diseases using Electronic Medical Record for Animal Hospitals KR102437661B1 (en)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020200148398A KR102437661B1 (en) 2020-11-09 2020-11-09 A System and Method for Classifying diseases using Electronic Medical Record for Animal Hospitals

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020200148398A KR102437661B1 (en) 2020-11-09 2020-11-09 A System and Method for Classifying diseases using Electronic Medical Record for Animal Hospitals

Publications (2)

Publication Number Publication Date
KR20220062787A KR20220062787A (en) 2022-05-17
KR102437661B1 true KR102437661B1 (en) 2022-08-29

Family

ID=81799628

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020200148398A KR102437661B1 (en) 2020-11-09 2020-11-09 A System and Method for Classifying diseases using Electronic Medical Record for Animal Hospitals

Country Status (1)

Country Link
KR (1) KR102437661B1 (en)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20230163120A (en) 2022-05-23 2023-11-30 주식회사 엘지화학 Thermoplastic polyester elastomer composition, method for preparing thereof and molding products comprising the composition

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101887643B1 (en) * 2017-03-07 2018-08-10 (주)위세아이텍 Public data recommendation apparatus and method based on machine learning

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102067157B1 (en) 2019-03-04 2020-02-11 주식회사 클린포펫 Animal disease diagnostic system

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101887643B1 (en) * 2017-03-07 2018-08-10 (주)위세아이텍 Public data recommendation apparatus and method based on machine learning

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
유기진 외 2명, 전자차트데이터 기반 반려동물 생애주기 분류 기법. 한국디지털콘텐츠학회 논문지, 20(12), 2505-2514. (2019.12.) 1부.*

Also Published As

Publication number Publication date
KR20220062787A (en) 2022-05-17

Similar Documents

Publication Publication Date Title
Tariq et al. A novel co-training-based approach for the classification of mental illnesses using social media posts
Nadeem Identifying depression on Twitter
Verstraete et al. Deep semi-supervised generative adversarial fault diagnostics of rolling element bearings
Bashari et al. Influential post identification on Instagram through caption and hashtag analysis
US20140279760A1 (en) Data Analysis Computer System and Method For Conversion Of Predictive Models To Equivalent Ones
Asgari et al. Identifying key success factors for startups With sentiment analysis using text data mining
Salama et al. An analytic framework for enhancing the performance of big heterogeneous data analysis
Enríquez et al. Recommendation and classification systems: a systematic mapping study
Cwiek et al. Feeding the machine: Challenges to reproducible predictive modeling in resting-state connectomics
Garg et al. Comparison of machine learning algorithms for content based personality resolution of tweets
Constâncio et al. Deception detection with machine learning: A systematic review and statistical analysis
Seth et al. A comparative overview of hybrid recommender systems: Review, challenges, and prospects
Wongkoblap et al. Social media big data analysis for mental health research
KR102437661B1 (en) A System and Method for Classifying diseases using Electronic Medical Record for Animal Hospitals
Aydoğdu A new student modeling technique with convolutional neural networks: Learnerprints
Al-Mashhadany et al. Healthcare assessment for beauty centers using hybrid sentiment analysis
Wang et al. An explainable sentiment prediction model based on the portraits of users sharing representative opinions in social sensors
CN113779954A (en) Similar text recommendation method and device and electronic equipment
Pentyala Interpretable Fake News Detection
Matwin et al. Survey of generative methods for social media analysis
Gogołek Refining Big Data
Bhuvaneswari et al. A deep learning approach for the depression detection of social media data with hybrid feature selection and attention mechanism
Ji Suicidal ideation detection in online social content
Karthikeyan et al. Text mining
Ramasamy et al. Optimized neural attention mechanism for aspect-based sentiment analysis framework with optimal polarity-based weighted features

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