KR102439676B1 - 인공 지능 기반 환자 의사 매칭 시스템 서버 및 그 방법 - Google Patents

인공 지능 기반 환자 의사 매칭 시스템 서버 및 그 방법 Download PDF

Info

Publication number
KR102439676B1
KR102439676B1 KR1020200111658A KR20200111658A KR102439676B1 KR 102439676 B1 KR102439676 B1 KR 102439676B1 KR 1020200111658 A KR1020200111658 A KR 1020200111658A KR 20200111658 A KR20200111658 A KR 20200111658A KR 102439676 B1 KR102439676 B1 KR 102439676B1
Authority
KR
South Korea
Prior art keywords
patient
doctor
question
class
item
Prior art date
Application number
KR1020200111658A
Other languages
English (en)
Other versions
KR20220029997A (ko
Inventor
고경덕
Original Assignee
주식회사 최강닥터
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 주식회사 최강닥터 filed Critical 주식회사 최강닥터
Priority to KR1020200111658A priority Critical patent/KR102439676B1/ko
Publication of KR20220029997A publication Critical patent/KR20220029997A/ko
Application granted granted Critical
Publication of KR102439676B1 publication Critical patent/KR102439676B1/ko

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
    • G16H10/00—ICT specially adapted for the handling or processing of patient-related medical or healthcare data
    • G16H10/20—ICT specially adapted for the handling or processing of patient-related medical or healthcare data for electronic clinical trials or questionnaires
    • 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
    • G16H40/00—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices
    • G16H40/20—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices for the management or administration of healthcare resources or facilities, e.g. managing hospital staff or surgery rooms
    • 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
    • G16H50/30—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for calculating health indices; for individual health risk assessment
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H80/00—ICT specially adapted for facilitating communication between medical practitioners or patients, e.g. for collaborative diagnosis, therapy or health monitoring

Landscapes

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

Abstract

인공 지능 기반 환자 의사 매칭 시스템 서버 및 그 방법이 제공된다. 상기 인공 지능 기반 환자 의사 매칭 시스템 서버는 의사에게 의사 문항을 전송하고, 환자에게 환자 문항을 전송하되, 상기 의사 문항 및 상기 환자 문항은 인공 지능에 의해서 선정되는 문항 선정 모듈, 상기 의사로부터 상기 의사 문항에 대한 의사 응답을 수신하고, 인공 지능에 의해서 상기 의사의 항목별 의사 점수를 산정하고, 상기 환자로부터 상기 환자 문항에 대한 환자 응답을 수신하고, 인공 지능에 의해서 상기 환자의 항목별 환자 점수를 산정하는 점수 산정 모듈, 상기 의사 응답 및 상기 의사 점수를 이용하여 상기 의사의 의사 클래스를 결정하되, 상기 의사 클래스는 클래스 식별 표지로 표현되고, 상기 클래스 식별 표지는 색, 문자, 숫자 및 기호 중 적어도 하나를 포함하는 의사 클래스 결정 모듈, 상기 환자 응답 및 상기 환자 점수를 이용하여 상기 환자의 환자 클래스를 결정하되, 상기 환자 클래스는 상기 클래스 식별 표지로 표현되는 의사 클래스 결정 모듈 및 상기 환자 클래스와 상기 의사 클래스를 비교하여 상기 환자에게 추천 의사 리스트를 전송하는 매칭 모듈을 포함한다.

Description

인공 지능 기반 환자 의사 매칭 시스템 서버 및 그 방법{Artificial intelligence-based System server for patient doctor matching and Method thereof}
본 발명은 인공 지능 기반 환자 의사 매칭 시스템 서버 및 그 방법에 관한 것이다.
최근 병원의 진료분야가 세분화 및 전문화되어 가고 있으나 아직 병원의 진료과목 분류는 예전에 사용하던 분류 표기를 사용하다 보니 각각의 의사의 전문분야와 관심있어 하는 분야에 대해 적절한 표기가 어렵다. 따라서, 환자가 의사 및 병원에 대해 획득하는 정보와 실제 의사의 전문분야와의 미스 매칭이 심하게 일어나는 실정이다.
예를 들어, 의사가 전문과목/진료과목을 내과/소아과로 표기해도 환자가 실제로 필요한 시술이 내시경, 심장 초음파인 경우 방문 시 내시경을 하지 않고, 심장 초음파를 보지 않는 내과를 만나게 되어 시간 낭비, 비용 낭비 및 노력의 낭비가 발생할 수 있다.
다른 예로, 환자가 실제로 필요한 치료는 아토피 치료인 경우나 성장 클리닉이 필요하여 소아과를 방문하는 경우에도, 일반 소아과에서 아토피치료를 하지 않거나 성장 클리닉을 운영하지 않는 경우도 많다. 이러한 경우 다시 여러 루트로 아토피 치료를 하는 병원이나 성장 클리닉을 찾아서 가야 되는 경우도 있다.
나아가, 소아 정신과와 같은 경우 진료하는 병원을 찾기가 어려워 방송 매체, 입 소문 및 온라인 검색 등 비정형 정보들을 어렵게 수집하여 찾아가야 하고, 찾아가도 진료가 몇 달씩 밀리거나 전문 분야가 아니어서 허탕을 치는 경우도 많아 환자들의 어려움이 매우 큰 실정이다.
공개특허공보 제10-2020-0037500호
본 발명이 해결하려는 과제는, 환자가 필요한 분야의 의사를 인공 지능 기반으로 자동으로 매칭해주는 인공 지능 기반 환자 의사 매칭 시스템 서버를 제공하는 것이다.
본 발명이 해결하려는 다른 과제는, 환자가 필요한 분야의 의사를 인공 지능 기반으로 자동으로 매칭해주는 인공 지능 기반 환자 의사 매칭 방법을 제공하는 것이다.
본 발명이 해결하려는 과제들은 이상에서 언급한 과제들로 제한되지 않으며, 언급되지 않은 또 다른 과제들은 아래의 기재로부터 당업자에게 명확하게 이해될 수 있을 것이다.
상기 과제를 해결하기 위한 본 발명의 몇몇 실시예에 따른 인공 지능 기반 환자 의사 매칭 시스템 서버는 의사에게 의사 문항을 전송하고, 환자에게 환자 문항을 전송하되, 상기 의사 문항 및 상기 환자 문항은 인공 지능에 의해서 선정되는 문항 선정 모듈, 상기 의사로부터 상기 의사 문항에 대한 의사 응답을 수신하고, 인공 지능에 의해서 상기 의사의 항목별 의사 점수를 산정하고, 상기 환자로부터 상기 환자 문항에 대한 환자 응답을 수신하고, 인공 지능에 의해서 상기 환자의 항목별 환자 점수를 산정하는 점수 산정 모듈, 상기 의사 응답 및 상기 의사 점수를 이용하여 상기 의사의 의사 클래스를 결정하되, 상기 의사 클래스는 클래스 식별 표지로 표현되고, 상기 클래스 식별 표지는 색, 문자, 숫자 및 기호 중 적어도 하나를 포함하는 의사 클래스 결정 모듈, 상기 환자 응답 및 상기 환자 점수를 이용하여 상기 환자의 환자 클래스를 결정하되, 상기 환자 클래스는 상기 클래스 식별 표지로 표현되는 의사 클래스 결정 모듈 및 상기 환자 클래스와 상기 의사 클래스를 비교하여 상기 환자에게 추천 의사 리스트를 전송하는 매칭 모듈을 포함한다.
상기 다른 과제를 해결하기 위한 본 발명의 몇몇 실시예에 따른 인공 지능 기반 환자 의사 매칭 방법은 인공 지능에 의해서 선정된 의사 문항을 전송하고 상기 의사 문항에 대한 의사 응답을 수신하는 단계, 인공 지능이 상기 의사 응답을 통해서 의사 점수를 항목별로 산정하는 단계, 인공 지능이 상기 의사 점수를 통해서 의사 클래스를 결정하되, 상기 의사 클래스는 클래스 식별 표지로 표현되고, 상기 클래스 식별 표지는 색, 문자, 숫자 및 기호 중 적어도 하나를 포함하는 단계, 인공 지능에 의해서 선정된 환자 문항을 전송하고 상기 환자 문항에 대한 환자 응답을 수신하는 단계, 인공 지능이 상기 환자 응답을 통해서 환자 점수를 항목별로 산정하는 단계, 인공 지능이 상기 환자 점수를 통해서 환자 클래스를 결정하는 단계 및 상기 환자 클래스와 유사한 의사 클래스를 가지는 의사에 대한 추천 의사 리스트를 환자에게 제공하는 단계를 포함한다.
본 발명의 실시예들에 따른 인공 지능 기반 환자 의사 매칭 시스템 서버 및 그 방법은 위치 기반으로 환자의 주변에 있는 의사들을 쉽게 매칭해줄 수 있다.
또한, 본 발명의 실시예들에 따른 인공 지능 기반 환자 의사 매칭 시스템 서버 및 그 방법은 인공 지능(Artificial intelligence)에 의해서 색, 문자, 숫자 및 기호 등을 이용하여 의사들 쉽고 직관적으로 분류하고, 이에 따라서 환자가 필요한 의사를 매우 손쉽고 용이하게 매칭해줄 수 있다.
이를 통해서, 환자들은 “나의 주치의”를 실패나 시간의 낭비 없이 쉽고 빠르게 찾을 수 있다.
나아가, 본 발명의 실시예들에 따른 인공 지능 기반 환자 의사 매칭 시스템 서버 및 그 방법은 국가적으로도 의료 분야의 적합한 전문가를 개개인에게 쉽게 매칭해주므로, 병원 찾아다니기(hospital shopping)가 줄어들어 국가 전의 의료비 및 개인의 비용 및 수고를 훨씬 낮출 수 있다.
이 외에, 본 문서를 통해 직접적 또는 간접적으로 파악되는 다양한 효과들이 제공될 수 있다.
도 1은 본 발명의 몇몇 실시예들에 따른 인공 지능 기반 환자 의사 매칭 시스템을 설명하기 위한 개념도이다.
도 2는 도 1의 매칭 시스템 서버를 세부적으로 설명하기 위한 블록도이다.
도 3은 도 2의 문항 선정 모듈을 세부적으로 설명하기 위한 블록도이다.
도 4는 도 3의 의사 문항 선정 모듈을 세부적으로 설명하기 위한 블록도이다.
도 5는 도 1의 의사 문항을 세부적으로 설명하기 위한 예시적인 표이다.
도 6은 도 2의 의사 점수를 세부적으로 설명하기 위한 예시적인 표이다.
도 7 내지 도 14는 본 발명의 몇몇 실시예들에 따른 인공 지능 기반 환자 의사 매칭 시스템의 의사 클래스 식별 표지에 대한 매칭을 설명하기 위한 도면들이다.
도 15는 도 3의 환자 문항 선정 모듈을 세부적으로 설명하기 위한 블록도이다.
도 16은 도 1의 환자 문항을 세부적으로 설명하기 위한 예시적인 표이다.
도 17은 도 2의 환자 점수를 세부적으로 설명하기 위한 예시적인 표이다.
도 18은 본 발명의 몇몇 실시예들에 따른 인공 지능 기반 환자 의사 매칭 시스템의 환자 클래스 식별 표지에 대한 매칭을 설명하기 위한 도면들이다.
도 19는 본 발명의 몇몇 실시예들에 따른 추천 의사 리스트를 설명하기 위한 개념도이다.
도 20 내지 도 23은 본 발명의 몇몇 실시예들에 따른 인공 지능 기반 환자 의사 매칭 시스템의 환자 클래스 식별 표지에 대한 매칭을 설명하기 위한 도면들이다.
도 24는 본 발명의 몇몇 실시예들에 따른 추천 의사 리스트를 설명하기 위한 개념도이다.
도 25 내지 도 27은 본 발명의 몇몇 실시예들에 따른 인공 지능 기반 환자 의사 매칭 시스템의 환자 클래스 식별 표지에 대한 매칭을 설명하기 위한 도면들이다.
도 28은 본 발명의 몇몇 실시예들에 따른 인공 지능 기반 환자 의사 매칭 시스템 서버를 설명하기 위한 개념도이다.
도 29는 도 28의 매칭 시스템 서버를 세부적으로 설명하기 위한 블록도이다.
도 30은 도 29의 문항 선정 모듈을 세부적으로 설명하기 위한 블록도이다.
도 31은 도 30의 의사 문항 선정 모듈을 세부적으로 설명하기 위한 블록도이다.
도 32는 본 발명의 몇몇 실시예들에 따른 인공 지능 기반 환자 의사 매칭 방법을 설명하기 위한 순서도이다.
도 33은 도 32의 의사 문항을 전송하고, 의사 응답을 수신하는 단계를 세부적으로 설명하기 위한 순서도이다.
도 34는 도 32의 환자 문항을 전송하고, 환자 응답을 수신하는 단계를 세부적으로 설명하기 위한 순서도이다.
도 35는 도 32의 추천 의사 리스트를 제공하는 단계를 세부적으로 설명하기 위한 순서도이다.
도 36은 본 발명의 몇몇 실시예들에 따른 인공 지능 기반 환자 의사 매칭 시스템 서버의 하드웨어 구현을 설명하기 위한 도면이다.
개시된 실시예의 이점 및 특징, 그리고 그것들을 달성하는 방법은 첨부되는 도면과 함께 후술되어 있는 실시예들을 참조하면 명확해질 것이다. 그러나 본 개시는 이하에서 개시되는 실시예들에 한정되는 것이 아니라 서로 다른 다양한 형태로 구현될 수 있으며, 단지 본 실시예들은 본 개시가 완전하도록 하고, 본 개시가 속하는 기술분야에서 통상의 지식을 가진 자에게 발명의 범주를 완전하게 알려주기 위해 제공되는 것일 뿐이다.
본 명세서에서 사용되는 용어에 대해 간략히 설명하고, 개시된 실시예에 대해 구체적으로 설명하기로 한다.
본 명세서에서 사용되는 용어는 본 개시에서의 기능을 고려하면서 가능한 현재 널리 사용되는 일반적인 용어들을 선택하였으나, 이는 관련 분야에 종사하는 기술자의 의도 또는 판례, 새로운 기술의 출현 등에 따라 달라질 수 있다. 또한, 특정한 경우는 출원인이 임의로 선정한 용어도 있으며, 이 경우 해당되는 발명의 설명 부분에서 상세히 그 의미를 기재할 것이다. 따라서 본 개시에서 사용되는 용어는 단순한 용어의 명칭이 아닌, 그 용어가 가지는 의미와 본 개시의 전반에 걸친 내용을 토대로 정의되어야 한다.
본 명세서에서의 단수의 표현은 문맥상 명백하게 단수인 것으로 특정하지 않는 한, 복수의 표현을 포함한다. 또한 복수의 표현은 문맥상 명백하게 복수인 것으로 특정하지 않는 한, 단수의 표현을 포함한다.
명세서 전체에서 어떤 부분이 어떤 구성요소를 "포함"한다고 할 때, 이는 특별히 반대되는 기재가 없는 한 다른 구성요소를 제외하는 것이 아니라 다른 구성요소를 더 포함할 수 있음을 의미한다.
또한, 명세서에서 사용되는 "부"라는 용어는 소프트웨어 또는 하드웨어 구성요소를 의미하며, "부"는 어떤 역할들을 수행한다. 그렇지만 "부"는 소프트웨어 또는 하드웨어에 한정되는 의미는 아니다. "부"는 어드레싱할 수 있는 저장 매체에 있도록 구성될 수도 있고 하나 또는 그 이상의 프로세서들을 재생시키도록 구성될 수도 있다. 따라서, 일 예로서 "부"는 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"들 안에서 제공되는 기능은 더 작은 수의 구성요소들 및 "부"들로 결합되거나 추가적인 구성요소들과 "부"들로 더 분리될 수 있다.
본 개시의 일 실시예에 따르면 "부"는 프로세서 및 메모리로 구현될 수 있다. 용어 "프로세서"는 범용 프로세서, 중앙 처리 장치 (CPU), 마이크로프로세서, 디지털 신호 프로세서 (DSP), 제어기, 마이크로제어기, 상태 머신 등을 포함하도록 넓게 해석되어야 한다. 몇몇 환경에서는, "프로세서"는 주문형 반도체 (ASIC), 프로그램가능 로직 디바이스 (PLD), 필드 프로그램가능 게이트 어레이 (FPGA) 등을 지칭할 수도 있다. 용어 "프로세서"는, 예를 들어, DSP 와 마이크로프로세서의 조합, 복수의 마이크로프로세서들의 조합, DSP 코어와 결합한 하나 이상의 마이크로프로세서들의 조합, 또는 임의의 다른 그러한 구성들의 조합과 같은 처리 디바이스들의 조합을 지칭할 수도 있다.
용어 "메모리"는 전자 정보를 저장 가능한 임의의 전자 컴포넌트를 포함하도록 넓게 해석되어야 한다. 용어 메모리는 임의 액세스 메모리 (RAM), 판독-전용 메모리 (ROM), 비-휘발성 임의 액세스 메모리 (NVRAM), 프로그램가능 판독-전용 메모리 (PROM), 소거-프로그램가능 판독 전용 메모리 (EPROM), 전기적으로 소거가능 PROM (EEPROM), 플래쉬 메모리, 자기 또는 광학 데이터 저장장치, 레지스터들 등과 같은 프로세서-판독가능 매체의 다양한 유형들을 지칭할 수도 있다. 프로세서가 메모리로부터 정보를 판독하고/하거나 메모리에 정보를 기록할 수 있다면 메모리는 프로세서와 전자 통신 상태에 있다고 불린다. 프로세서에 집적된 메모리는 프로세서와 전자 통신 상태에 있다.
아래에서는 첨부한 도면을 참고하여 실시예에 대하여 본 개시가 속하는 기술 분야에서 통상의 지식을 가진 자가 용이하게 실시할 수 있도록 상세히 설명한다. 그리고 도면에서 본 개시를 명확하게 설명하기 위해서 설명과 관계없는 부분은 생략한다.
이하에서, 도 1 내지 도 27을 참조하여, 본 발명의 몇몇 실시예에 따른 약국 찾기 방법에 대해서 설명한다.
도 1은 본 발명의 몇몇 실시예들에 따른 인공 지능 기반 환자 의사 매칭 시스템을 설명하기 위한 개념도이다.
도 1을 참조하면, 본 발명의 몇몇 실시예들에 따른 인공 지능 기반 환자 의사 매칭 시스템은 제1 매칭 시스템 서버(10), 의사(20), 환자(30) 및 문제 은행(40)을 포함할 수 있다.
제1 매칭 시스템 서버(10)은 의사(20)에게 의사 문항(I1)을 전송할 수 있다. 의사(20)는 의사 문항(I1)에 대한 의사 응답(A1)을 제1 매칭 시스템 서버(10)로 전송할 수 있다. 제1 매칭 시스템 서버(10)는 의사 응답(A1)을 수신하고, 그에 따라 다음 의사 문항(I1)을 인공 지능 기반으로 선정하여 의사(20)에게 다시 전송할 수 있다. 의사(20)는 이렇게 전송된 의사 문항(I1)에 대한 의사 응답(A1)을 다시 제1 매칭 시스템 서버(10)로 전송할 수 있다.
마찬가지로, 제1 매칭 시스템 서버(10)은 환자(30)에게 환자 문항(I2)을 전송할 수 있다. 환자(30)는 환자 문항(I2)에 대한 환자 응답(A2)을 제1 매칭 시스템 서버(10)로 전송할 수 있다. 제1 매칭 시스템 서버(10)는 환자 응답(A2)을 수신하고, 그에 따라 다음 환자 문항(I2)을 인공 지능 기반으로 선정하여 환자(30)에게 다시 전송할 수 있다. 환자(30)는 이렇게 전송된 환자 문항(I2)에 대한 환자 응답(A2)을 다시 제1 매칭 시스템 서버(10)로 전송할 수 있다.
이때, 의사(20)는 법적으로 의사 자격을 가지고 있는 자를 의미하고, 환자(30)는 의사에게 진료 및 치료 서비스를 제공받기 위한 자를 의미할 수 있다.
제1 매칭 시스템 서버(10)는 의사 응답(A1)을 이용하여 의사 클래스(C1)를 결정하여 의사(20)에게 전송할 수 있다. 또한, 제1 매칭 시스템 서버(10)는 환자 응답(A2)을 이용하여 환자 클래스(C2)를 결정하여 환자(30)에게 전송할 수 있다. 또한, 제1 매칭 시스템 서버(10)는 의사 클래스(C1)와 환자 클래스(C2)를 고려하여 환자(30)에게 필요한 추천 의사 리스트가 포함된 매칭 정보(M)를 환자(30)에게 전송할 수 있다.
문제 은행(40)은 의사 연수나 의사 시험에 의해서 생성된 의학 전문성 진단 테스트를 위한 전문성 체크 문항(Ip)을 저장할 수 있다. 문제 은행(40)은 제1 매칭 시스템 서버(10)로 전문성 테스트를 위한 전문성 체크 문항(Ip)을 전송할 수 있다. 제1 매칭 시스템 서버(10)는 주기적으로 문제 은행(40)으로부터 전문성 체크 문항(Ip)을 수신할 수 있다. 단, 본 실시예가 이에 제한되는 것은 아니다.
즉, 제1 매칭 시스템 서버(10)는 실시간으로 문제 은행(40)으로부터 전문성 체크 문항(Ip)을 수신할 수도 있고, 최초 1회에 한해서 문제 은행(40)으로부터 전문성 체크 문항(Ip)을 수신할 수도 있다.
도 2는 도 1의 매칭 시스템 서버를 세부적으로 설명하기 위한 블록도이다.
도 2를 참조하면, 제1 매칭 시스템 서버(10)는 제1 문항 선정 모듈(100), 점수 산정 모듈(200), 의사 클래스 결정 모듈(300), 환자 클래스 결정 모듈(400) 및 매칭 모듈(500)을 포함할 수 있다.
제1 문항 선정 모듈(100)은 도 1의 문제 은행(40)으로부터 전문성 체크 문항(Ip)을 수신할 수 있다. 제1 문항 선정 모듈(100)은 의사(20)에게 의사 문항(I1)을 제공하고, 환자(30)에게 환자 문항(I2)을 제공할 수 있다.
점수 산정 모듈(200)은 의사(20)로부터 의사 응답(A1)을 수신하고, 환자(30)로부터 환자 응답(A2)을 수신할 수 있다. 의사 응답(A1)은 의사 문항(I1)에 대한 응답이고, 환자 응답(A2)은 환자 문항(I2)에 대한 응답일 수 있다.
점수 산정 모듈(200)은 의사 응답(A1) 및 환자 응답(A2)을 제1 문항 선정 모듈(100)로 전송할 수 있다. 제1 문항 선정 모듈(100)은 수신한 의사 응답(A1) 및 환자 응답(A2)을 통해서 각각 의사 문항(I1) 및 환자 문항(I2)을 선정할 수 있다. 즉, 제1 문항 선정 모듈(100)은 하나의 문항에 대한 응답이 오면 그에 대응하는 다음 문항을 선정할 수 있다. 이때, 제1 문항 선정 모듈(100)은 인공 지능 기반으로 다음 문항을 선정할 수 있다.
점수 산정 모듈(200)은 수신한 의사 응답(A1)들을 통해서 도 1의 의사(20)에 대한 의사 점수(Sc1)를 산정할 수 있다. 의사 점수(Sc1)는 도 1의 의사(20)의 여러 항목별 점수일 수 있다. 점수 산정 모듈(200)은 인공 지능에 의해서 의사 점수(Sc1)를 산정할 수 있다.
또한, 점수 산정 모듈(200)은 수신한 환자 응답(A2)들을 통해서 도 1의 환자(30)에 대한 환자 점수(Sc2)를 산정할 수 있다. 환자 점수(Sc2)는 도 1의 환자(30)의 여러 항목별 점수일 수 있다. 점수 산정 모듈(200)은 인공 지능에 의해서 환자 점수(Sc2)를 산정할 수 있다.
점수 산정 모듈(200)은 의사 점수(Sc1) 및 환자 점수(Sc2)를 제1 문항 선정 모듈(100)로 전송할 수 있다. 제1 문항 선정 모듈(100)은 수신한 의사 점수(Sc1) 및 환자 점수(Sc2)를 통해서 추가 문항을 선정할지 여부 및/또는 어떤 문항을 전송할지 여부를 결정할 수 있다.
의사 클래스 결정 모듈(300)은 점수 산정 모듈(200)로부터 의사 응답(A1) 및 의사 점수(Sc1)를 수신할 수 있다. 의사 클래스 결정 모듈(300)은 의사 응답(A1) 및 의사 점수(Sc1)를 이용하여 의사 클래스(C1)를 결정할 수 있다. 의사 클래스(C1)는 도 1의 의사(20)의 전문 분야를 알려주는 식별자 역할을 할 수 있다. 의사 클래스 결정 모듈(300)은 의사 클래스(C1)를 도 1의 의사(20)에게 전송할 수 있다. 이때, 의사 클래스 결정 모듈(300)은 인공 지능에 의해서 의사 클래스(C1)를 결정할 수 있다.
환자 클래스 결정 모듈(400)은 점수 산정 모듈(200)로부터 환자 응답(A2) 및 환자 점수(Sc2)를 수신할 수 있다. 환자 클래스 결정 모듈(400)은 환자 응답(A2) 및 환자 점수(Sc2)를 이용하여 환자 클래스(C2)를 결정할 수 있다. 환자 클래스(C2)는 도 1의 환자(30)의 진료 및 치료가 필요한 분야를 알려주는 식별자 역할을 할 수 있다. 환자 클래스 결정 모듈(400)은 환자 클래스(C2)를 도 1의 환자(30)에게 전송할 수 있다. 이때, 환자 클래스 결정 모듈(400)은 인공 지능에 의해서 환자 클래스(C2)를 결정할 수 있다.
매칭 모듈(500)은 의사 클래스(C1) 및 환자 클래스(C2)를 수신하고, 인공 지능을 통해서 유사한 의사 클래스(C1) 및 환자 클래스(C2)를 매칭할 수 있다. 매칭 모듈(500)은 도 1의 환자(30)에게 매칭 정보(M)를 전송할 수 있다. 매칭 정보(M)는 도 1의 환자(30)의 환자 클래스(C2)와 유사한 의사 클래스(C1)를 가지는 의사들의 추천 의사 리스트를 포함할 수 있다.
도 3은 도 2의 문항 선정 모듈을 세부적으로 설명하기 위한 블록도이다.
도 3을 참조하면, 제1 문항 선정 모듈(100)은 제1 의사 문항 선정 모듈(110) 및 환자 문항 선정 모듈(120)을 포함할 수 있다.
제1 의사 문항 선정 모듈(110)은 도 1의 문제 은행(40)으로부터 전문성 체크 문항(Ip)을 수신하고, 도 1의 의사(20)에게 의사 문항(I1)을 전송할 수 있다. 또한, 제1 의사 문항 선정 모듈(110)은 의사 응답(A1) 및 의사 점수(Sc1)를 수신하여 다음 의사 문항(I1)을 선정하여 도 1의 의사(20)에게 전송할 수 있다.
환자 문항 선정 모듈(120)은 도 1의 환자(30)에게 환자 문항(I2)을 전송할 수 있다. 또한, 환자 문항 선정 모듈(120)은 환자 응답(A2) 및 환자 점수(Sc2)를 수신하여 다음 환자 문항(I2)을 선정하여 도 1의 환자(30)에게 전송할 수 있다.
도 4는 도 3의 의사 문항 선정 모듈을 세부적으로 설명하기 위한 블록도이다.
도 4를 참조하면, 제1 의사 문항 선정 모듈(110)은 의사 문항 전송 모듈(111) 및 의사 문항 생성 모듈(112)을 포함할 수 있다.
의사 문항 전송 모듈(111)은 의사 문항 생성 모듈(112)로부터 의사 문항(I1)을 전송받아 도 1의 의사(20)에게 전송할 수 있다. 이때, 의사 문항(I1)은 복수이고, 순차적으로 도 1의 의사(20)에게 전송될 수 있다. 따라서, 의사 문항 전송 모듈(111)도 의사 문항 생성 모듈(112)로부터 순차적으로 의사 문항(I1)을 전송받아 이를 전송할 수 있다.
의사 문항 생성 모듈(112)은 도 1의 문제 은행(40)으로부터 전문성 체크 문항(Ip)을 수신할 수 있다. 의사 문항 생성 모듈(112)은 의사 응답(A1) 및 의사 점수(Sc1)를 수신하고, 이에 따라 인공 지능 기반으로 다음 의사 문항(I1)을 생성할 수 있다. 이때, 의사 문항 생성 모듈(112)은 인공 지능 기반으로 이미 저장된 문항을 그대로 사용할 수도 있고, 변형하여 의사 문항(I1)을 생성할 수도 있다.
도 5는 도 1의 의사 문항을 세부적으로 설명하기 위한 예시적인 표이다.
도 1 및 도 5를 참조하면, 의사 문항(I1)은 개인 식별 문항, 이력 문항, 관심 진료과 문항, 세부 관심 분야 문항, 세부 관심 분야 테스트 문항, 추가 관심 분야 문항, 추가 관심 분야 테스트 문항 및 가능 시술 현황 문항 중 적어도 하나를 포함할 수 있다.
구체적으로, 개인 식별 문항은 의사(20)의 이름 및 나이 중 적어도 하나를 포함할 수 있다. 단, 본 실시예가 이에 제한되는 것은 아니다. 개인 식별 문항은 의사(20)의 식별을 하기 위한 정보를 물어볼 수 있다. 개인 식별 문항은 이름이나 나이 외에도 개인을 식별하기 위한 여러 정보에 대한 문항일 수 있다.
이력 문항은, 의사(20)의 의료 종사 기간에 대한 문항, 진료 활동/연구 활동에 대한 비율 및 진료 형태 중 적어도 하나를 포함할 수 있다. 의료 종사 기간이란 의사(20)가 의료업에 종사한 기간을 의미할 수 있다. 의료업에 종사한 기간이 길수록 의사(20)는 관련 항목에서 높은 의사 점수(Sc1)를 획득할 수 있다.
진료 활동/연구 활동에 대한 비율은 환자(30)를 진료한 기간과 그렇지 않고 연구만 기간에 따른 비율을 의미할 수 있다. 이는 각 분야의 특성에 따라서 의사 점수(Sc1)를 산정하는데 고려될 수 있다.
진료 형태는 의사(20)가 개인 병원에서 진료하였는지, 종합 병원에서 진료하였는지에 관한 부분일 수 있다. 이는 각 분야의 특성에 따라서 의사 점수(Sc1)를 산정하는데 고려될 수 있다.
관심 진료과 문항은 예를 들어, 소아과, 내과, 안과, 산부인과, 정형외과, 기능의학, 항공의학, 소아 성장 클리닉 및 기타 중 적어도 하나 선택할 수 있도록 선택지가 설정된 문항을 포함할 수 있다. 즉, 의사(20)가 진료하는 진료과와 관련된 항목이되, 기능의학, 항공의학 및 소아 성장 클리닉과 같이 기존의 진료과와 다른 항목도 포함될 수 있다.
구체적으로, 기능 의학이란 약으로 증상, 병을 치료하는 것보다 전체적인 신체 상황이나 스트레스를 치료하는 것이 맞다고 여기는 의학의 기조를 의미하고, 의사(20)에 따라서, 같은 증상이나 병에 다른 치료법이 있을 수 있으므로 이러한 부분도 선택지에 포함시킬 수 있다.
또한, 항공의학은 항공기를 이용하는 경우에 발생할 수 있는 여러 증상이나 질병에 대한 의학이므로, 이런 분야에 특화된 의사(20)인지를 확인하기 위한 선택지일 수 있다.
'기타' 항목은 의사(20)가 선택할 수 있는 선택지에 포함되지 않는 부분을 의미하고, 의사(20)는 기타 항목을 선택한 경우 그에 대한 세부 내용을 제출할 수 있다. 의사 문항 생성 모듈(112)은 기타 항목에 대한 세부 내용을 인공 지능 기반으로 검토하여 많이 언급된 부분에 대해서 선택지로 도출하여 추후 다른 의사(20)에게 전송되는 의사 문항(I1)에서 선택할 수 있도록 할 수 있다. 이를 통해서, 의사 문항(I1)의 관심 진료과 문항은 점차 현실의 진료과 분류와 적합도가 높아질 수 있다.
세부 관심 분야 문항은, 관심 진료과 문항에 대한 의사 응답(A1)에 따라 결정될 수 있다. 예를 들어, 관심 진료과 문항에 안과와 소아과를 선택한 경우, 세부 관심 분야 문항은 예를 들어, 소아 시력교정 안과, 소아 안구기형 수술 및 소아 사시 중 적어도 하나를 포함하는 선택지를 가지는 문항일 수 있다. 단, 본 실시예가 이에 제한되는 것은 아니다. 즉, 세부 관심 분야 문항은 진료과 내부에서도 나누어 질 수 있는 세부 분야에 대한 문항일 수 있다.
세부 관심 분야 테스트 문항은, 의사(20)의 전문성을 판단하기 위해서 의사(20)가 선택한 세부 관심 분야에 대한 테스트 문항일 수 있다. 세부 관심 분야 테스트 문항은 문제 은행(40)에서 수신된 전문성 체크 문항(Ip)이 그대로 이용되거나, 도 4의 의사 문항 생성 모듈(112)에 의해서 일부 변경되어 이용될 수 있다.
추가 관심 분야 문항은, 관심 진료과 문항과 세부 관심 분야 문항에서 해당되지 않은 분야에 대한 문항일 수 있다. 추가 관심 분야 문항은 예를 들어, 어지러움, 두통, 어깨통증, 허리통증 및 피부염 중 적어도 하나를 포함할 수 있다. 단, 본 실시예가 이에 제한되는 것은 아니다.
추가 관심 분야 문항은, 진료과 및 세부 분야일 수도 있지만, 예시와 같이 증상일 수도 있다. 상기 증상은 여러 진료가 및 세부 분야에 거쳐서 나타날 수 있으므로 증상의 원인이 판단되기 전에는 진료과 및 세부 분야를 확정할 수 없는 경우가 많으므로 의사 클래스(C1)를 정하는데 필요한 부분일 수 있다.
추가 관심 분야 테스트 문항은, 의사(20)의 전문성을 판단하기 위해서 의사(20)가 선택한 추가 관심 분야에 대한 테스트 문항일 수 있다. 추가 관심 분야 테스트 문항은 문제 은행(40)에서 수신된 전문성 체크 문항(Ip)이 그대로 이용되거나, 도 4의 의사 문항 생성 모듈(112)에 의해서 일부 변경되어 이용될 수 있다.
추가 관심 분야 테스트 문항은, 추가 관심 분야 문항에서 어지러움을 선택한 경우 예를 들면, 어지러움의 감별 진단법, 치료법 및 치료 중 부작용 대처법 중 적어도 하나에 대한 문항을 포함할 수 있다. 또한, 추가 관심 분야 문항에서 두통을 선택한 경우 예를 들면, 두통의 감별 진단법, 치료법 및 치료 중 부작용 대처법 중 적어도 하나에 대한 문항을 포함할 수 있다. 단, 본 실시예가 이에 제한되는 것은 아니다.
가능 시술(보유 장비) 현황 문항은, 현재 의사(20)가 소속된 병원에서 가능한 시술, 수술 및/또는 검사와 보유한 장비에 대한 문항일 수 있다. 즉, 환자(30)가 필요한 시술, 수술 및/또는 검사에 대해서 의사(20)가 실시할 수 있는 지와 그를 위한 장비가 있는지를 확인하기 위한 문항일 수 있다.
본 실시예의 의사 문항(I1)은 도 5의 예시적인 질문들의 형태에 제한되는 것은 아니고, 인공 지능이 다양한 방식으로 의사 점수(Sc1)의 산정과 의사 클래스(C1)의 결정에 필요한 문항들을 포함할 수 있다.
도 6은 도 2의 의사 점수를 세부적으로 설명하기 위한 예시적인 표이다.
도 1, 도 2 및 도 6을 참조하면, 의사 점수(Sc1)는 의사(20)의 진료 과목 및 증상에 따른 여러 항목별 점수를 포함할 수 있다. 도 6에서는 예를 들어, 소아과, 내과, 안과, 산부인과, 정형외과, 기능의학, 항공의학 및 소아 성장 클리닉과 같은 진료 과목의 항목과 어지러움, 두통, 어깨통증, 허리통증 및 피부염과 같은 증상의 항목들이 의사 점수(Sc1)의 항목에 포함될 수 있다. 단, 본 실시예가 이에 제한되는 것은 아니다. 이러한 설정 항목은 인공 지능에 의해서 점차 업데이트될 수 있다.
의사 점수(Sc1)는 각 항목별로 0~100 사이의 점수를 포함할 수 있다. 단, 본 실시예가 이에 제한되는 것은 아니다. 의사 점수(Sc1)의 최솟값 및 최댓값은 얼마든지 달라질 수 있다. 의사 점수(Sc1)는 의사 응답(A1)에 의해서 다각적으로 평가될 수 있다. 의사 점수(Sc1)가 높은 항목은 의사(20)의 전문성이 높은 항목을 의미할 수 있다.
도 7 내지 도 14는 본 발명의 몇몇 실시예들에 따른 인공 지능 기반 환자 의사 매칭 시스템의 의사 클래스 식별 표지에 대한 매칭을 설명하기 위한 도면들이다.
도 1 및 도 7을 참조하면, 의사(20)는 제1 내지 제4 의사(21~24)를 포함할 수 있다. 이때, 도 7에서는 4명의 의사를 도시하였으나, 이는 편의상 4명의 의사로 설명하기 위한 것일 뿐, 본 실시예가 이에 제한되는 것은 아니다. 즉, 의사(20)의 숫자는 얼마든지 달라질 수 있다.
의사(20)는 제1 의사 클래스 식별 표지(C1a)를 통해서 의사 클래스(C1)가 표시될 수 있다. 제1 의사 클래스 식별 표지(C1a)는 색(color)일 수 있다. 예를 들어, 제1 의사(21)는 파란색으로 의사 클래스(C1)가 정해지고, 제2 의사(22)는 주황색으로 의사 클래스(C1)가 정해질 수 있다. 제3 의사(23)는 노란색으로 의사 클래스(C1)가 정해지고, 제4 의사(24)는 연두색으로 의사 클래스(C1)가 정해질 수 있다.
의사 클래스(C1)는 서로 다른 타입의 의사(20)를 의미하는 것이고, 의사(20) 사이의 우위를 표현하는 것이 아닐 수 있다. 단, 본 실시예가 이에 제한되는 것은 아니다.
제1 의사 클래스 식별 표지(C1a)는 색을 이용하여 직관적으로 의사(20)들을 분류하고 식별할 수 있다. 이를 통해서, 환자(30)는 조금 더 용이하게 의사(20)들을 식별하고 본인에게 적합한 의사를 찾을 수 있다. 또한, 색의 경우 매우 다양한 식별이 가능할 수 있다. 즉, 수백에서 수천가지의 색을 이용하여 의사 클래스(C1)를 다양하게 표현할 수 있어 정밀한 의사 클래스(C1)의 선정이 가능할 수 있다.
또한, 색의 경우 전세계 각국의 언어와 무관하게 공용으로 사용될 수 있으므로, 전세계 의사(20) 및 환자(30)들이 공통적으로 사용할 수 있다.
또한, 색의 경우 서로 유사한 색과 다른 색이 지정될 수 있으므로, 색의 표현에 따라서 유사한 정도를 직관적으로 판단할 수 있다는 점이 장점이 될 수 있다.
도 1 및 도 8을 참조하면, 의사(20)는 제2 의사 클래스 식별 표지(C1b)를 통해서 의사 클래스(C1)가 표시될 수 있다. 제2 의사 클래스 식별 표지(C1b)는 문자일 수 있다. 예를 들어, 제1 의사(21)는 영문자 'A'로 의사 클래스(C1)가 정해지고, 제2 의사(22)는 영문자 'B'로 의사 클래스(C1)가 정해질 수 있다. 제3 의사(23)는 영문자 'C'로 의사 클래스(C1)가 정해지고, 제4 의사(24)는 영문자 'D'로 의사 클래스(C1)가 정해질 수 있다. 단, 이는 하나의 예시에 불과하고, 영문자가 아닌 문자나 1글자가 아닌 여러 글자로도 의사(20)의 의사 클래스(C1)가 표시될 수 있다.
문자의 경우, 직관성을 가지고 뚜렷한 식별력을 가질 수 있다. 또한, 각각의 문자 사이의 혼동 여지가 적기 때문에 환자(30)가 의사 클래스(C1)를 오해할 소지도 줄어들 수 있다.
또한, 문자의 경우 영문자 한글자의 경우 26가지를 표현 가능하지만, 2글자의 경우 262의 가지수를 식별할 수 있으므로 충분히 많은 의사 클래스(C1)를 식별할 수 있다.
도 1 및 도 9를 참조하면, 의사(20)는 제3 의사 클래스 식별 표지(C1c)를 통해서 의사 클래스(C1)가 표시될 수 있다. 제3 의사 클래스 식별 표지(C1c)는 숫자일 수 있다. 예를 들어, 제1 의사(21)는 '1'로 의사 클래스(C1)가 정해지고, 제2 의사(22)는 '2'로 의사 클래스(C1)가 정해질 수 있다. 제3 의사(23)는 '3'으로 의사 클래스(C1)가 정해지고, 제4 의사(24)는 '4'로 의사 클래스(C1)가 정해질 수 있다.
숫자의 경우, 직관성을 가지고 뚜렷한 식별력을 가질 수 있으며, 전세계에서 공용으로 사용하기 때문에 환자(30) 및 의사(20)의 국적과 무관하게 사용할 수 있다. 또한, 각각의 숫자 사이의 혼동 여지가 적기 때문에 환자(30)가 의사 클래스(C1)를 오해할 소지도 줄어들 수 있다.
또한, 숫자의 경우 한 자리수의 경우 10가지를 표현 가능하지만, 2자리수부터 102의 가지수를 식별할 수 있으므로 충분히 많은 의사 클래스(C1)를 식별할 수 있다.
도 1 및 도 10을 참조하면, 의사(20)는 제4 의사 클래스 식별 표지(C1d)를 통해서 의사 클래스(C1)가 표시될 수 있다. 제4 의사 클래스 식별 표지(C1d)는 기호일 수 있다. 예를 들어, 제1 의사(21)는 원으로 의사 클래스(C1)가 정해지고, 제2 의사(22)는 사각형으로 의사 클래스(C1)가 정해질 수 있다. 제3 의사(23)는 삼각형으로 의사 클래스(C1)가 정해지고, 제4 의사(24)는 육각형으로 의사 클래스(C1)가 정해질 수 있다.
기호의 경우, 흑백표현으로도 직관성을 가지고 뚜렷한 식별력을 가질 수 있으며, 전세계에서 공용으로 사용하기 때문에 환자(30) 및 의사(20)의 국적과 무관하게 사용할 수 있다. 또한, 각각의 기호 사이의 혼동 여지가 적기 때문에 환자(30)가 의사 클래스(C1)를 오해할 소지도 줄어들 수 있다.
또한, 기호의 개수는 다양하고 새로 생성하는 것도 가능하므로, 이를 통해서 많은 의사 클래스(C1)를 표현할 수 있다.
도 1 및 도 11을 참조하면, 의사(20)는 제5 의사 클래스 식별 표지(C1e)를 통해서 의사 클래스(C1)가 표시될 수 있다. 제5 의사 클래스 식별 표지(C1e)는 2개의 색(color) 또는 그 이상의 개수의 색일 수 있다. 예를 들어, 제1 의사(21)는 파란색과 주황색으로 의사 클래스(C1)가 정해지고, 제2 의사(22)는 주황색과 노란색으로 의사 클래스(C1)가 정해질 수 있다. 제3 의사(23)는 노란색과 빨간색으로 의사 클래스(C1)가 정해지고, 제4 의사(24)는 연두색과 노란색으로 의사 클래스(C1)가 정해질 수 있다.
색을 2가지 또는 그 이상의 개수로 정하는 경우, 의사(20)가 어떤 분야에 뛰어난 지에 대해서 더욱 직관적으로 나타낼 수 있다. 즉, 1개의 색인 경우에는 너무 다양한 의사 클래스(C1)가 생성될 수 있지만, 2개 이상의 색인 경우 색의 조합에 의해서 다양한 의사 클래스(C1)를 유지하면서도 환자(30)에게 필요한 색이 있는 경우만 찾으면 되므로 검색의 용이성은 더욱 올라갈 수 있다.
도 1 및 도 12를 참조하면, 의사(20)는 제6 의사 클래스 식별 표지(C1f)를 통해서 의사 클래스(C1)가 표시될 수 있다. 제6 의사 클래스 식별 표지(C1f)는 2개 이상의 색이고, 2개 이상의 색의 적합도가 서로 다를 수 있다. 즉, 첫번째 색이 상대적으로 더 의사(20)에 적합도가 높은 의사 클래스(C1)를 나타내고, 두번째 색이 상대적으로 더 의사(20)에 적합도가 낮은 의사 클래스(C1)를 나타낼 수 있다. 즉, 제1 의사(21)는 파란색의 의사 클래스(C1)가 더욱 적합하지만, 주황색의 의사 클래스(C1)에도 해당될 수 있다.
2가지 이상의 색을 적합도 순위를 두어 정하는 경우, 환자(30)가 어느 색을 더 우선적으로 볼지를 결정할 수 있어서 더욱 용이하게 적합한 의사(20)를 검색할 수 있다.
도 1 및 도 13을 참조하면, 의사(20)는 제7 의사 클래스 식별 표지(C1g)를 통해서 의사 클래스(C1)가 표시될 수 있다. 제7 의사 클래스 식별 표지(C1g)는 적어도 하나의 색이고, 의사(20)마다 색의 개수가 서로 다를 수 있다. 예를 들어, 제1 의사(21)는 파란색과 주황색으로 의사 클래스(C1)가 정해지고, 제2 의사(22)는 주황색만으로 의사 클래스(C1)가 정해질 수 있다. 제3 의사(23)는 노란색과 빨간색과 연두색으로 의사 클래스(C1)가 정해지고, 제4 의사(24)는 연두색과 노란색으로 의사 클래스(C1)가 정해질 수 있다.
의사(20)마다 색의 개수가 달라지는 경우, 전문성이 높은 분야가 여러 개인 의사(20)를 좀 더 직관적으로 식별할 수 있다. 즉, 모든 의사(20)의 전문 분야의 개수가 동일한 것은 아니므로 제7 의사 클래스 식별 표지(C1g)는 객관적으로 의사 클래스(C1)를 판단하게 할 수 있다.
도 1 및 도 14를 참조하면, 의사(20)는 제8 의사 클래스 식별 표지(C1h)를 통해서 의사 클래스(C1)가 표시될 수 있다. 제8 의사 클래스 식별 표지(C1h)는 색, 문자, 숫자 및 기호 중 2가지 이상의 방식을 선택하여 사용할 수 있다. 예를 들어, 제1 의사(21)는 파란색과 숫자 '1'로 의사 클래스(C1)가 정해지고, 제2 의사(22)는 주황색과 숫자 '3'으로 의사 클래스(C1)가 정해질 수 있다. 제3 의사(23)는 노란색과 숫자 '4'로 의사 클래스(C1)가 정해지고, 제4 의사(24)는 연두색과 숫자 '1'로 의사 클래스(C1)가 정해질 수 있다.
의사(20)마다 2가지 이상의 방식을 섞어 쓰는 경우에는 각각의 방식에 따라 표현하는 정보를 분리할 수 있다. 예를 들어, 도 14의 색은 의사(20)의 전문 분야에 대한 의사 클래스(C1)를 의미하고, 숫자는 의사(20)의 가능한 시술, 수술 및 검사에 대한 의사 클래스(C1)를 의미할 수 있다. 예를 들어, 제1 의사(21)는 파란색으로 당뇨에 전문성이 높고, 숫자 '1'로 당뇨합병증 협진, 검사 및 수술이 가능하다는 정보를 나타낼 수 있다. 즉, 제8 의사 클래스 식별 표지(C1h)는 의사 문항(I1) 중 가능 시술 현황 문항과 같은 부분이 별도로 표현될 수 있다.
도 15는 도 3의 환자 문항 선정 모듈을 세부적으로 설명하기 위한 블록도이다.
도 15를 참조하면, 환자 문항 선정 모듈(120)은 환자 문항 전송 모듈(121) 및 환자 문항 생성 모듈(122)을 포함할 수 있다.
환자 문항 전송 모듈(121)은 환자 문항 생성 모듈(122)로부터 환자 문항(I2)을 전송받아 도 1의 환자(30)에게 전송할 수 있다. 이때, 환자 문항(I2)은 복수이고, 순차적으로 도 1의 환자(30)에게 전송될 수 있다. 따라서, 환자 문항 전송 모듈(121)도 환자 문항 생성 모듈(122)로부터 순차적으로 환자 문항(I2)을 전송받아 이를 전송할 수 있다.
환자 문항 생성 모듈(122)은 환자 응답(A2) 및 환자 점수(Sc2)를 수신하고, 이에 따라 인공 지능 기반으로 다음 환자 문항(I2)을 생성할 수 있다. 이때, 환자 문항 생성 모듈(122)은 인공 지능 기반으로 이미 저장된 문항을 그대로 사용할 수도 있고, 변형하여 환자 문항(I2)을 생성할 수도 있다.
도 16은 도 1의 환자 문항을 세부적으로 설명하기 위한 예시적인 표이다.
도 1 및 도 16을 참조하면, 환자 문항(I2)은 개인 식별 문항, 생활 습관 문항, 가족력 문항, 스트레스 측정 문항, 건강 검진 결과 문항 및 현재 보유 질병/증상 문항 중 적어도 하나를 포함할 수 있다.
구체적으로, 개인 식별 문항은 환자(30)의 이름 및 나이 중 적어도 하나를 포함할 수 있다. 단, 본 실시예가 이에 제한되는 것은 아니다. 개인 식별 문항은 환자(30)의 식별을 하기 위한 정보를 물어볼 수 있다. 개인 식별 문항은 이름이나 나이 외에도 개인을 식별하기 위한 여러 정보에 대한 문항일 수 있다.
생활 습관 문항은, 환자(30)의 음주 여부, 음주 정도, 흡연 여부, 흡연 정도, 운동 여부, 운동 정도 및 활동량 중 적어도 하나에 대한 문항을 포함할 수 있다. 이러한 생활 습관 문항은 환자(30)의 건강에 밀접한 관련이 있어 환자 문항(I2)에 포함될 수 있다.
가족력 문항은 예를 들어, 가족의 암 유무와 같이 유전적 요인이 큰 질병에 대한 위험성을 판단할 수 있는 문항일 수 있다. 이를 통해서, 환자의 유전적 질병의 요인을 판단할 수 있으므로, 환자 문항(I2)에 가족력 문항이 포함될 수 있다.
스트레스 측정 문항은, 환자(30)의 스트레스 정도를 측정하기 위한 문항일 수 있다. 환자(30)의 직업은 스트레스 정도와 관련이 있으므로 환자(30)의 직업에 대한 문항이 포함될 수 있다. 또한, 환자(30)의 스트레스 정도를 테스트하기 위한 문항이 포함될 수 있다. 이러한 스트레스 측정은 인공 지능에 의해서 선별된 문항에 의해서 구체적으로 측정될 수 있다.
건강 검진 결과 문항은, 환자(30)가 받은 건강 검진에 대한 결과의 입력을 요구할 수 있다. 건강 검진 결과는 환자(30)의 건강/질병 이력을 증명할 수 있는 가장 직접적인 정보이므로 환자 문항(I2)에 추가될 수 있다.
현재 보유 질병/증상 문항은, 환자(30)가 직접적으로 현재 보유하고 있는 질병이나 증상에 대해서 응답할 수 있는 문항일 수 있다. 인공 지능에 의해서, 질병/증상의 발병 시점(onset), 지속 기간(duration) 및 중증도(severity) 중 적어도 하나를 판단할 수 있는 문항이 포함될 수 있다.
본 실시예의 환자 문항(I2)은 도 16의 예시적인 질문들의 형태에 제한되는 것은 아니고, 인공 지능이 다양한 방식으로 환자 점수(Sc2)의 산정과 환자 클래스(C2)의 결정에 필요한 문항들을 포함할 수 있다.
도 17은 도 2의 환자 점수를 세부적으로 설명하기 위한 예시적인 표이다.
도 1, 도 2 및 도 17을 참조하면, 환자 점수(Sc2)는 환자(30)의 진료 과목 및 증상에 따른 여러 항목별 점수를 포함할 수 있다. 도 17에서는 예를 들어, 소아과, 내과, 안과, 산부인과, 정형외과, 기능의학, 항공의학 및 소아 성장 클리닉과 같은 진료 과목의 항목과 어지러움, 두통, 어깨통증, 허리통증 및 피부염과 같은 증상의 항목들이 환자 점수(Sc2)의 항목에 포함될 수 있다. 단, 본 실시예가 이에 제한되는 것은 아니다.
환자 점수(Sc2)의 항목은 의사 점수(Sc1)의 항목과 동일할 수도 있으나, 다를 수도 있다. 즉, 환자 점수(Sc2)의 항목은 의사 점수(Sc1)와 달리 환자 클래스(C2)를 판단하기 좋은 방향으로 다르게 설정될 수도 있다. 이러한 설정 항목은 인공 지능에 의해서 점차 업데이트될 수 있다.
환자 점수(Sc2)는 각 항목별로 0~100 사이의 점수를 포함할 수 있다. 단, 본 실시예가 이에 제한되는 것은 아니다. 환자 점수(Sc2)의 최솟값 및 최댓값은 얼마든지 달라질 수 있다. 환자 점수(Sc2)는 환자 응답(A2)에 의해서 다각적으로 평가될 수 있다. 환자 점수(Sc2)가 높은 항목은 환자(30)에게 필요성이 높은 항목일 수 있다.
도 18은 본 발명의 몇몇 실시예들에 따른 인공 지능 기반 환자 의사 매칭 시스템의 환자 클래스 식별 표지에 대한 매칭을 설명하기 위한 도면들이다.
도 1 및 도 18을 참조하면, 환자(30)는 제1 내지 제4 환자(31~34)를 포함할 수 있다. 이때, 도 18에서는 4명의 환자를 도시하였으나, 이는 편의상 4명의 환자로 설명하기 위한 것일 뿐, 본 실시예가 이에 제한되는 것은 아니다. 즉, 환자(30)의 숫자는 얼마든지 달라질 수 있다.
환자(30)는 제1 환자 클래스 식별 표지(C2a)를 통해서 환자 클래스(C2)가 표시될 수 있다. 제1 환자 클래스 식별 표지(C2a)는 색일 수 있다. 예를 들어, 제1 환자(31)는 파란색으로 환자 클래스(C2)가 정해지고, 제2 의사(22)는 주황색으로 환자 클래스(C2)가 정해질 수 있다. 제3 의사(23)는 노란색으로 환자 클래스(C2)가 정해지고, 제4 의사(24)는 연두색으로 환자 클래스(C2)가 정해질 수 있다.
환자 클래스(C2)는 서로 다른 타입의 환자(30)를 의미하는 것이고, 환자(30)의 필요한 치료의 타입을 의미할 수 있다. 단, 본 실시예가 이에 제한되는 것은 아니다.
제1 환자 클래스 식별 표지(C2a)는 색을 이용하여 직관적으로 환자(30)들을 분류하고 식별할 수 있다. 이를 통해서, 환자(30)는 조금 더 용이하게 본인과 유사한 의사 클래스(C1)의 의사(20)들을 식별하고 본인에게 적합한 의사를 찾을 수 있다.
도 19는 본 발명의 몇몇 실시예들에 따른 추천 의사 리스트를 설명하기 위한 개념도이다.
도 1, 도 2 및 도 19를 참조하면, 매칭 모듈(500)은 환자 클래스(C2)와 유사한 의사 클래스(C1)를 보유한 의사(20)를 제1 추천 의사 리스트(L1)에 포함시킬 수 있다. 예를 들어, 제1 환자(31)는 파란색의 제1 환자 클래스 식별 표지(C2a)를 가지고 있으므로, 매칭 모듈(500)은 인공 지능을 통해서 제1 환자 클래스 식별 표지(C2a)와 유사한 제1 의사 클래스 식별 표지(C1a) 즉, 파란색을 가지는 제1 추천 의사(21a) 및 제2 추천 의사(21b)를 추천할 수 있다. 또한, 파란색과 유사한 남색을 가지는 제3 추천 의사(21c)와 하늘색을 가지는 제4 추천 의사(21d)도 제1 추천 의사 리스트(L1)에 포함될 수 있다.
여기서, 도 19에서는 4명의 추천 의사를 도시하였으나, 이는 편의상 예시를 든 것에 불과하고, 추천 의사의 명수는 얼마든지 달라질 수 있다.
제1 내지 제4 추천 의사(21a~21d)는 의사 클래스(C1)를 판단하기 이전에, 위치에 의해서 먼저 선정된 인근 의사 중 일부일 수 있다. 즉, 매칭 모듈(500)은 환자(30)의 현재 위치 또는 환자(30)가 지정한 위치로부터 기준 거리 내에 위치하는 의사를 인근 의사로 선정할 수 있다. 이때, 기준 거리는 환자(30)에 의해서 지정될 수도 있고, 매칭 모듈(500)에 의해서 정해질 수도 있다.
이어서, 매칭 모듈(500)은 인근 의사 중 환자 클래스(C2)와 유사한 의사 클래스(C1)를 가지는 의사를 추천 의사로 선정할 수 있다. 따라서, 환자(30)는 가까운 위치에 있는 병원 등에 방문을 우선적으로 할 수 있다. 단, 본 실시예가 이에 제한되는 것은 아니다.
예를 들어, 환자(30)가 거리와 무관하게 환자 클래스(C2)와의 유사성을 가장 우선적으로 판단하길 원하는 경우에는, 매칭 모듈(500)은 거리를 판단하지 않고, 제1 추천 의사 리스트(L1)를 설정할 수 있다.
매칭 모듈(500)은 제1 추천 의사 리스트(L1)가 포함된 매칭 정보(M)를 환자(30)에게 전송할 수 있다. 환자(30)는 제1 추천 의사 리스트(L1)를 통해서 제1 내지 제4 추천 의사(21a~21d)의 위치 및 연락처를 확인할 수 있다.
의사 클래스(C1)와 환자 클래스(C2)는 서로 동일한 방식의 식별 표지를 가질 수 있다. 예를 들어, 도 19에서는 제1 의사 클래스 식별 표지(C1a)와 제1 환자 클래스 식별 표지(C2a)가 모두 색으로 동일하므로 서로 유사성을 판단하기가 용이할 수 있다.
도 20 내지 도 23은 본 발명의 몇몇 실시예들에 따른 인공 지능 기반 환자 의사 매칭 시스템의 환자 클래스 식별 표지에 대한 매칭을 설명하기 위한 도면들이다.
도 1 및 도 20 내지 도 23을 참조하면, 의사 클래스(C1)를 표현하는 표지가 다양하듯이 환자 클래스(C2)를 표현하는 표지도 다양할 수 있다. 즉, 도 8 내지 도 11의 제2 내지 제5 의사 클래스 식별 표지(C1b~C1e)와 같이 도 20 내지 도 23은 제2 내지 제5 환자 클래스 식별 표지(C2b~C2e)를 나타낼 수 있다.
구체적으로, 제2 환자 클래스 식별 표지(C2b)는 문자이고, 제3 환자 클래스 식별 표지(C2c)는 숫자일 수 있다. 제4 환자 클래스 식별 표지(C2d)는 기호이고, 제5 환자 클래스 식별 표지(C2e)는 2개 이상의 색일 수 있다.
의사 클래스 식별 표지와 환자 클래스 식별 표지는 일반적으로 동일할 수 있지만, 반드시 동일할 필요는 없을 수도 있다. 예를 들어, 제1 환자 클래스 식별 표지(C2a)와 제5 의사 클래스 식별 표지(C1e)를 사용하는 경우에는 환자(30)가 하나의 색을 기준으로 2개 이상의 색을 가지는 의사(20)를 판단할 수 있다.
도 24는 본 발명의 몇몇 실시예들에 따른 추천 의사 리스트를 설명하기 위한 개념도이다.
도 24를 참조하면, 도 23의 제5 환자 클래스 식별 표지(C2e)와 도 11의 제5 의사 클래스 식별 표지(C1e)가 사용된 경우의 제2 추천 의사 리스트(L2)를 설명한다.
도 1, 도 2 및 도 24를 참조하면, 매칭 모듈(500)은 환자 클래스(C2)와 유사한 의사 클래스(C1)를 보유한 의사(20)를 제2 추천 의사 리스트(L2)에 포함시킬 수 있다. 예를 들어, 제1 환자(31)는 파란색과 노란색의 제5 환자 클래스 식별 표지(C2e)를 가지고 있으므로, 매칭 모듈(500)은 인공 지능을 통해서 제5 환자 클래스 식별 표지(C2e)와 유사한 제5 의사 클래스 식별 표지(C1e) 즉, 파란색과 노란색을 가지는 제1 추천 의사(21a) 및 제2 추천 의사(21b)를 추천할 수 있다. 또한, 파란색은 동일하지만 노란색은 동일하지 않되, 유사한 연두색을 가지는 제3 추천 의사(21c)와 노란색은 동일하지만 파란색은 동일하지는 않되, 유사한 보라색을 가지는 제4 추천 의사(21d)도 제2 추천 의사 리스트(L2)에 포함될 수 있다.
여기서, 도 24에서는 4명의 추천 의사를 도시하였으나, 이는 편의상 예시를 든 것에 불과하고, 추천 의사의 명수는 얼마든지 달라질 수 있다.
도 25 내지 도 27은 본 발명의 몇몇 실시예들에 따른 인공 지능 기반 환자 의사 매칭 시스템의 환자 클래스 식별 표지에 대한 매칭을 설명하기 위한 도면들이다.
도 1 및 도 25 내지 도 27을 참조하면, 의사 클래스(C1)를 표현하는 표지가 다양하듯이 환자 클래스(C2)를 표현하는 표지도 다양할 수 있다. 즉, 도 12 내지 도 14의 제6 내지 제8 의사 클래스 식별 표지(C1f~C1h)와 같이 도 25 내지 도 27은 제6 내지 제8 환자 클래스 식별 표지(C2f~C2h)를 나타낼 수 있다.
구체적으로, 제6 환자 클래스 식별 표지(C2f)는 적합도가 다른 2개 이상의 색이고, 제7 환자 클래스 식별 표지(C2g)는 환자(30)마다 개수가 서로 다른 색일 수 있다. 제8 환자 클래스 식별 표지(C2h)는 색, 문자, 숫자 및 기호 중 2가지 이상의 방식을 선택하여 사용할 수 있다.
본 발명의 몇몇 실시예들에 따른 인공 지능 기반 환자 의사 매칭 시스템 서버는 인공 지능을 이용하여 의사(20)와 환자(30)를 직관적인 클래스 식별 표지로 표현한 뒤에 서로 매칭하여 환자(30)로 하여금 필요한 분야의 의사를 용이하게 찾게 할 수 있다.
따라서, 환자(30)는 병원을 직접 찾아가서 경험해보지 않더라도 본인에게 적합한 의사(20)를 쉽게 주치의로 결정할 수 있고, 이를 통해서 비용, 시간 및 노력을 아낄 수 있다. 이를 통해서, 국가 전체적으로는 불필요한 의료비의 과다 지출을 차단하고 서비스의 효율성을 극대화할 수 있다.
이하, 도 28 내지 도 31을 참조하여, 본 발명의 몇몇 실시예들에 따른 인공 지능 기반 환자 의사 매칭 시스템 서버를 설명한다. 상술한 실시예와 중복되는 부분은 간략히 하거나 생략한다.
도 28은 본 발명의 몇몇 실시예들에 따른 인공 지능 기반 환자 의사 매칭 시스템을 설명하기 위한 개념도이고, 도 29는 도 28의 매칭 시스템 서버를 세부적으로 설명하기 위한 블록도이다. 도 30은 도 29의 문항 선정 모듈을 세부적으로 설명하기 위한 블록도이고, 도 31은 도 30의 의사 문항 선정 모듈을 세부적으로 설명하기 위한 블록도이다.
도 28을 참조하면, 본 발명의 몇몇 실시예들에 따른 인공 지능 기반 환자 의사 매칭 시스템은 제2 매칭 시스템 서버(11)를 포함할 수 있다.
제2 매칭 시스템 서버(11)는 의사(20)로부터 갱신 요청(Ru)을 수신할 수 있다. 갱신 요청(Ru)은 의사(20)가 의사 문항(I1)에 대해서 갱신할 것을 요구하는 요청일 수 있다. 구체적으로, 관심 진료과 문항의 선택지, 세부 관심 분야 문항의 선택지 및 추가 관심 분야 문항의 선택지 중 적어도 하나에 대해서 갱신 요청(Ru)이 수신될 수 있다. 단, 본 실시예가 이에 제한되는 것은 아니다.
즉, 세부 관심 분야 테스트 문항이나 추가 관심 분야 테스트 문항, 또는 가능 시술 현황 문항 등 다른 종류의 문항들도 갱신 요청(Ru)의 대상이 될 수 있다. 나아가, 의사 문항(I1)이 아닌 환자 문항(I2)에 대한 갱신 요청(Ru)도 존재할 수 있다.
도 29를 참조하면, 제2 매칭 시스템 서버(11)는 제2 문항 선정 모듈(101)을 포함할 수 있다. 제2 문항 선정 모듈(101)은 도 28의 의사(20)로부터 갱신 요청(Ru)을 수신할 수 있다.
도 30을 참조하면, 제2 문항 선정 모듈(101)은 제2 의사 문항 선정 모듈(110a)을 포함할 수 있다. 제2 의사 문항 선정 모듈(110a)은 갱신 요청(Ru)을 수신할 수 있다. 단, 도 30과 달리, 갱신 요청(Ru)이 환자 문항(I2)에 관한 경우에는 환자 문항 선정 모듈(120)이 갱신 요청(Ru)을 수신할 수도 있다.
도 31을 참조하면, 제2 의사 문항 선정 모듈(110a)은 의사 문항 갱신 모듈(113)을 포함할 수 있다. 의사 문항 갱신 모듈(113)은 갱신 요청(Ru)을 수신할 수 있다. 의사 문항 갱신 모듈(113)은 갱신 요청(Ru)에 따라서, 갱신 정보(Up)를 생성할 수 있다. 갱신 정보(Up)는 갱신 요청(Ru)의 검증과 유사한 갱신 요청(Ru)의 통계를 통하여 의사 문항(I1)의 갱신을 확정하는 정보일 수 있다.
의사 문항 갱신 모듈(113)은 갱신 정보(Up)를 의사 문항 생성 모듈(112)로 전송할 수 있다. 의사 문항 생성 모듈(112)은 생성한 의사 문항(I1)을 갱신 정보(Up)에 의해서 변경할 수 있다. 이에 따라서, 의사 문항(I1)은 갱신되어 의사 문항 전송 모듈(111)로 전송되어 의사(20)에게 전송될 수 있다.
본 실시예에 따른 인공 지능 기반 환자 의사 매칭 시스템 서버는 의사(20)의 갱신 요청(Ru)에 따라서 의사 문항(I1)을 갱신하여 빠르게 변하는 의학 정보를 의사 문항(I1)에 반영할 수 있다. 이러한 의사 문항(I1)의 갱신을 통해서 제2 매칭 시스템 서버(11)는 인공 지능을 활용하여 더욱 정확하게 의사 클래스(C1)를 판단할 수 있고, 이를 통해서 환자(30)에게 더욱 정확한 매칭 정보(M)를 전송할 수 있다.
이하, 도 1, 도 2 및 도 32 내지 도 35를 참조하여, 본 발명의 몇몇 실시예들에 따른 인공 지능 기반 환자 의사 매칭 방법을 설명한다. 상술한 실시예와 중복되는 부분은 간략히 하거나 생략한다.
도 32는 본 발명의 몇몇 실시예들에 따른 인공 지능 기반 환자 의사 매칭 방법을 설명하기 위한 순서도이고, 도 33은 도 32의 의사 문항을 전송하고, 의사 응답을 수신하는 단계를 세부적으로 설명하기 위한 순서도이다. 도 34는 도 32의 환자 문항을 전송하고, 환자 응답을 수신하는 단계를 세부적으로 설명하기 위한 순서도이고, 도 35는 도 32의 추천 의사 리스트를 제공하는 단계를 세부적으로 설명하기 위한 순서도이다.
도 32를 참조하면, 의사 문항을 전송하고 그에 대한 의사 응답을 수신한다(S100).
구체적으로, 도 1 및 도 2를 참조하면, 제1 문항 선정 모듈(100)은 의사(20)에게 의사 문항(I1)을 전송할 수 있다. 점수 산정 모듈(200)은 의사(20)로부터 의사 응답(A1)을 수신할 수 있다.
도 33을 참조하면, 제1 의사 문항을 전송한다(S110).
구체적으로, 도 1 및 도 2를 참조하면, 제1 문항 선정 모듈(100)은 복수의 의사 문항(I1) 중 최초의 제1 의사 문항을 의사(20)에게 전송할 수 있다.
다시, 도 33을 참조하면, 제1 의사 응답을 수신한다(S120).
구체적으로, 도 1 및 도 2를 참조하면, 점수 산정 모듈(200)은 의사(20)로부터 제1 의사 문항에 대응하는 제1 의사 응답을 수신할 수 있다. 제1 의사 응답은 의사 응답(A1) 중 최초의 응답일 수 있다. 점수 산정 모듈(200)은 제1 의사 응답을 제1 문항 선정 모듈(100)로 전송할 수 있다.
다시, 도 33을 참조하면, 제1 의사 응답에 따라 인공 지능이 제2 의사 문항을 선정한다(S130).
구체적으로, 도 1 및 도 2를 참조하면, 제1 문항 선정 모듈(100)은 수신한 제1 의사 응답을 통해서 제2 의사 문항을 선정할 수 있다. 제2 의사 문항은 의사 문항(I1) 중 제1 의사 문항 다음으로 전송되는 문항일 수 있다. 즉, 제1 문항 선정 모듈(100)은 하나의 문항에 대한 응답이 오면 그에 대응하는 다음 문항을 선정할 수 있다. 이때, 제1 문항 선정 모듈(100)은 인공 지능 기반으로 다음 문항을 선정할 수 있다.
다시, 도 33을 참조하면, 제2 의사 문항을 전송한다(S140).
구체적으로, 도 1 및 도 2를 참조하면, 제1 문항 선정 모듈(100)은 복수의 의사 문항(I1) 중 두번째의 제2 의사 문항을 의사(20)에게 전송할 수 있다.
다시, 도 33을 참조하면, 제2 의사 응답을 수신한다(S150).
구체적으로, 도 1 및 도 2를 참조하면, 점수 산정 모듈(200)은 의사(20)로부터 제2 의사 문항에 대응하는 제2 의사 응답을 수신할 수 있다. 제2 의사 응답은 의사 응답(A1) 중 두번째의 응답일 수 있다. 점수 산정 모듈(200)은 제2 의사 응답을 제1 문항 선정 모듈(100)로 전송할 수 있다.
만일, 추가적인 의사 문항(I1)의 전송이 필요한 경우 제1 문항 선정 모듈(100)이 인공 지능을 통해서 선정한 의사 문항(I1)을 추가적으로 의사(20)에게 전송할 수 있다. 만일, 추가적인 의사 문항(I1)의 전송이 필요하지 않은 경우 더 이상의 의사 문항(I1)의 전송은 없을 수 있다.
다시, 도 32를 참조하면, 의사 점수를 항목 별로 산정한다(S200).
구체적으로, 도 1 및 도 2를 참조하면, 점수 산정 모듈(200)은 수신한 의사 응답(A1)들을 통해서 의사(20)에 대한 의사 점수(Sc1)를 산정할 수 있다. 의사 점수(Sc1)는 의사(20)의 여러 항목별 점수일 수 있다. 점수 산정 모듈(200)은 인공 지능에 의해서 의사 점수(Sc1)를 산정할 수 있다.
다시, 도 32를 참조하면, 의사 클래스를 결정한다(S300).
구체적으로, 도 1 및 도 2를 참조하면, 의사 클래스 결정 모듈(300)은 점수 산정 모듈(200)로부터 의사 응답(A1) 및 의사 점수(Sc1)를 수신할 수 있다. 의사 클래스 결정 모듈(300)은 의사 응답(A1) 및 의사 점수(Sc1)를 이용하여 의사 클래스(C1)를 결정할 수 있다. 이때, 의사 클래스 결정 모듈(300)은 인공 지능에 의해서 의사 클래스(C1)를 결정할 수 있다. 의사 클래스(C1)는 의사 클래스 식별 표지에 의해서 직관적으로 표현될 수 있다.
다시, 도 32를 참조하면, 환자 문항을 전송하고 그에 대한 환자 응답을 수신한다(S400).
구체적으로, 도 1 및 도 2를 참조하면, 제1 문항 선정 모듈(100)은 환자(30)에게 환자 문항(I2)을 전송할 수 있다. 점수 산정 모듈(200)은 환자(30)로부터 환자 응답(A2)을 수신할 수 있다.
도 34를 참조하면, 제1 환자 문항을 전송한다(S410).
구체적으로, 도 1 및 도 2를 참조하면, 제1 문항 선정 모듈(100)은 복수의 환자 문항(I2) 중 최초의 제1 환자 문항을 환자(30)에게 전송할 수 있다.
다시, 도 34를 참조하면, 제1 환자 응답을 수신한다(S420).
구체적으로, 도 1 및 도 2를 참조하면, 점수 산정 모듈(200)은 환자(30)로부터 제1 환자 문항에 대응하는 제1 환자 응답을 수신할 수 있다. 제1 환자 응답은 환자 응답(A2) 중 최초의 응답일 수 있다. 점수 산정 모듈(200)은 제1 환자 응답을 제1 문항 선정 모듈(100)로 전송할 수 있다.
다시, 도 34를 참조하면, 제1 환자 응답에 따라 인공 지능이 제2 환자 문항을 선정한다(S430).
구체적으로, 도 1 및 도 2를 참조하면, 제1 문항 선정 모듈(100)은 수신한 제1 환자 응답을 통해서 제2 환자 문항을 선정할 수 있다. 제2 환자 문항은 환자 문항(I2) 중 제1 환자 문항 다음으로 전송되는 문항일 수 있다. 즉, 제1 문항 선정 모듈(100)은 하나의 문항에 대한 응답이 오면 그에 대응하는 다음 문항을 선정할 수 있다. 이때, 제1 문항 선정 모듈(100)은 인공 지능 기반으로 다음 문항을 선정할 수 있다.
다시, 도 34를 참조하면, 제2 환자 문항을 전송한다(S440).
구체적으로, 도 1 및 도 2를 참조하면, 제1 문항 선정 모듈(100)은 복수의 환자 문항(I2) 중 두번째의 제2 환자 문항을 환자(30)에게 전송할 수 있다.
다시, 도 34를 참조하면, 제2 환자 응답을 수신한다(S450).
구체적으로, 도 1 및 도 2를 참조하면, 점수 산정 모듈(200)은 환자(30)로부터 제2 환자 문항에 대응하는 제2 환자 응답을 수신할 수 있다. 제2 환자 응답은 환자 응답(A2) 중 두번째의 응답일 수 있다. 점수 산정 모듈(200)은 제2 환자 응답을 제1 문항 선정 모듈(100)로 전송할 수 있다.
만일, 추가적인 환자 문항(I2)의 전송이 필요한 경우 제1 문항 선정 모듈(100)이 인공 지능을 통해서 선정한 환자 문항(I2)을 추가적으로 환자(30)에게 전송할 수 있다. 만일, 추가적인 환자 문항(I2)의 전송이 필요하지 않은 경우 더 이상의 환자 문항(I2)의 전송은 없을 수 있다.
다시, 도 32를 참조하면, 환자 점수를 항목 별로 산정한다(S500).
구체적으로, 도 1 및 도 2를 참조하면, 점수 산정 모듈(200)은 수신한 환자 응답(A2)들을 통해서 환자(30)에 대한 환자 점수(Sc2)를 산정할 수 있다. 환자 점수(Sc2)는 환자(30)의 여러 항목별 점수일 수 있다. 점수 산정 모듈(200)은 인공 지능에 의해서 환자 점수(Sc2)를 산정할 수 있다.
다시, 도 32를 참조하면, 환자 클래스를 결정한다(S600).
구체적으로, 도 1 및 도 2를 참조하면, 환자 클래스 결정 모듈(400)은 점수 산정 모듈(200)로부터 환자 응답(A2) 및 환자 점수(Sc2)를 수신할 수 있다. 환자 클래스 결정 모듈(400)은 환자 응답(A2) 및 환자 점수(Sc2)를 이용하여 환자 클래스(C2)를 결정할 수 있다. 이때, 환자 클래스 결정 모듈(400)은 인공 지능에 의해서 환자 클래스(C2)를 결정할 수 있다. 환자 클래스(C2)는 환자 클래스 식별 표지에 의해서 직관적으로 표현될 수 있다.
다시, 도 32를 참조하면, 환자 클래스와 유사한 의사 클래스를 가지는 추천 의사 리스트를 제공한다(S700).
구체적으로, 도 1 및 도 2를 참조하면, 매칭 모듈(500)은 의사 클래스(C1) 및 환자 클래스(C2)를 수신하고, 인공 지능을 통해서 유사한 의사 클래스(C1) 및 환자 클래스(C2)를 매칭할 수 있다. 매칭 모듈(500)은 환자(30)에게 매칭 정보(M)를 전송할 수 있다. 매칭 정보(M)는 환자(30)의 환자 클래스(C2)와 유사한 의사 클래스(C1)를 가지는 의사들의 추천 의사 리스트를 포함할 수 있다.
세부적으로 도 35를 참조하면, 환자 위치로부터 기준 거리 내에 위치한 인근 의사를 선정한다(S710).
구체적으로, 도 1 및 도 2를 참조하면, 매칭 모듈(500)은 환자(30)의 현재 위치 또는 환자(30)가 지정한 위치로부터 기준 거리 내에 위치하는 의사를 인근 의사로 선정할 수 있다. 이때, 기준 거리는 환자(30)에 의해서 지정될 수도 있고, 매칭 모듈(500)에 의해서 정해질 수도 있다.
다시, 도 35를 참조하면, 인근 의사 중 환자 클래스와 의사 클래스를 비교하여 매칭 의사를 추천 리스트에 추가한다(S720).
구체적으로, 도 1 및 도 2를 참조하면, 매칭 모듈(500)은 인근 의사 중 환자 클래스(C2)와 유사한 의사 클래스(C1)를 가지는 의사를 추천 의사로 선정할 수 있다. 따라서, 환자(30)는 가까운 위치에 있는 병원 등에 방문을 우선적으로 할 수 있다. 단, 본 실시예가 이에 제한되는 것은 아니다.
본 실시예에 다른 인공 지능 기반 환자 의사 매칭 방법은 환자(30) 입장에서 직관적으로 주변의 의사(20)를 판단하여 본인에게 맞는 주치의를 선정하거나 필요한 병원 방문을 낭비 없이 수행할 수 있다. 이를 통해서, 환자(30)의 수고를 덜고 정확한 환자 의사 매칭을 도모할 수 있다.
나아가, 환자(30)는 색, 문자, 숫자 및 기호 등을 통하여 직관적으로 본인에게 적합하고, 주변에 위치한 의사(20)를 매우 손쉽게 찾아낼 수 있다. 이를 통해서, 환자(30)는 필요한 주치의 내지 진료 의사를 찾는 수고를 덜 수 있고, 의사(20)도 본인의 클래스에 따라서 손쉽게 소비자인 환자(30)에게 어필할 수 있어서, 불필요한 마케팅 비용 등을 낮출 수 있다. 따라서, 의료계에서 낭비되는 비용을 낮춰서 국가 전체적으로 높은 효율성을 가질 수 있다.
도 36은 본 발명의 몇몇 실시예들에 따른 인공 지능 기반 환자 의사 매칭 시스템 서버의 하드웨어 구현을 설명하기 위한 도면이다.
도 1, 도 28 및 도 36을 참조하면, 제1 매칭 시스템 서버(10) 및 제2 매칭 시스템 서버(11)는 워크스테이션(workstation), 데이터 센터, 인터넷 데이터 센터(internet data center(IDC)), DAS(direct attached storage) 시스템, SAN(storage area network) 시스템, NAS(network attached storage) 시스템 및 RAID(redundant array of inexpensive disks, or redundant array of independent disks) 시스템 중 적어도 하나로 구현될 수 있으나, 본 실시예가 이에 제한되는 것은 아니다.
제1 매칭 시스템 서버(10) 및 제2 매칭 시스템 서버(11)는 의사(20) 및 환자(30)의 통신 단말기로 네트워크를 통해서 데이터를 전송할 수 있다. 네트워크는 유선 인터넷 기술, 무선 인터넷 기술 및 근거리 통신 기술에 의한 네트워크를 포함할 수 있다. 유선 인터넷 기술은 예를 들어, 근거리 통신망(LAN, Local area network) 및 광역 통신망(WAN, wide area network) 중 적어도 하나를 포함할 수 있다.
무선 인터넷 기술은 예를 들어, 무선랜(Wireless LAN: WLAN), DLNA(Digital Living Network Alliance), 와이브로(Wireless Broadband: Wibro), 와이맥스(World Interoperability for Microwave Access: Wimax), HSDPA(High Speed Downlink Packet Access), HSUPA(High Speed Uplink Packet Access), IEEE 802.16, 롱 텀 에볼루션(Long Term Evolution: LTE), LTE-A(Long Term Evolution-Advanced), 광대역 무선 이동 통신 서비스(Wireless Mobile Broadband Service: WMBS) 및 5G NR(New Radio) 기술 중 적어도 하나를 포함할 수 있다. 단, 본 실시예가 이에 제한되는 것은 아니다.
근거리 통신 기술은 예를 들어, 블루투스(Bluetooth), RFID(Radio Frequency Identification), 적외선 통신(Infrared Data Association: IrDA), UWB(Ultra-Wideband), 지그비(ZigBee), 인접 자장 통신(Near Field Communication: NFC), 초음파 통신(Ultra Sound Communication: USC), 가시광 통신(Visible Light Communication: VLC), 와이 파이(Wi-Fi), 와이 파이 다이렉트(Wi-Fi Direct), 5G NR (New Radio) 중 적어도 하나를 포함할 수 있다. 단, 본 실시예가 이에 제한되는 것은 아니다.
네트워크를 통해서 통신하는 제1 매칭 시스템 서버(10) 및 제2 매칭 시스템 서버(11)는 이동통신을 위한 기술표준 및 표준 통신 방식을 준수할 수 있다. 예를 들어, 표준 통신 방식은 GSM(Global System for Mobile communication), CDMA(Code Division Multi Access), CDMA2000(Code Division Multi Access 2000), EV-DO(Enhanced Voice-Data Optimized or Enhanced Voice-Data Only), WCDMA(Wideband CDMA), HSDPA(High Speed Downlink Packet Access), HSUPA(High Speed Uplink Packet Access), LTE(Long Term Evolution), LTEA(Long Term Evolution-Advanced) 및 5G NR(New Radio) 중 적어도 하나를 포함할 수 있다. 단, 본 실시예가 이에 제한되는 것은 아니다.
본 발명의 몇몇 실시예들에 따른 제1 매칭 시스템 서버(10) 및 제2 매칭 시스템 서버(11)는 전자 장치(1000)로 구현될 수 있다. 전자 장치(1000)는 컨트롤러(1210), 입출력 장치(1220, I/O), 메모리 장치(1230, memory device), 인터페이스(1240) 및 버스(1250, bus)를 포함할 수 있다. 컨트롤러(1210), 입출력 장치(1220), 메모리 장치(1230) 및/또는 인터페이스(1240)는 버스(1250)를 통하여 서로 결합될 수 있다. 버스(1250)는 데이터들이 이동되는 통로(path)에 해당한다.
컨트롤러(1210)는 CPU(Central Processing Unit), MPU(Micro Processor Unit), MCU(Micro Controller Unit), GPU(Graphic Processing Unit), 마이크로프로세서, 디지털 신호 프로세스, 마이크로컨트롤러, 어플리케이션 프로세서(AP, application processor) 및 이들과 유사한 기능을 수행할 수 있는 논리 소자들 중에서 적어도 하나를 포함할 수 있다.
입출력 장치(1220)는 키패드(keypad), 키보드, 터치스크린 및 디스플레이 장치 중 적어도 하나를 포함할 수 있다. 메모리 장치(1230)는 데이터 및/또는 프로그램 등을 저장할 수 있다.
인터페이스(1240)는 통신 네트워크로 데이터를 전송하거나 통신 네트워크로부터 데이터를 수신하는 기능을 수행할 수 있다. 인터페이스(1240)는 유선 또는 무선 형태일 수 있다. 예컨대, 인터페이스(1240)는 안테나 또는 유무선 트랜시버 등을 포함할 수 있다. 도시하지 않았지만, 메모리 장치(1230)는 컨트롤러(1210)의 동작을 향상시키기 위한 동작 메모리로서, 고속의 디램 및/또는 에스램 등을 더 포함할 수도 있다. 메모리 장치(1230)는 내부에 프로그램 또는 어플리케이션을 저장할 수 있다.
의사(20) 및 환자(30)의 통신 단말기는 개인 휴대용 정보 단말기(PDA, personal digital assistant) 포터블 컴퓨터(portable computer), 웹 타블렛(web tablet), 무선 전화기(wireless phone), 모바일 폰(mobile phone), 디지털 뮤직 플레이어(digital music player), 메모리 카드(memory card), 또는 정보를 무선환경에서 송신 및/또는 수신할 수 있는 모든 전자 제품에 적용될 수 있다.
또는 본 발명의 실시예들에 따른 인공 지능 기반 환자 의사 매칭 시스템 서버 및 의사(20) 및 환자(30)의 통신 단말기는 각각 복수의 전자 장치(1000)가 네트워크를 통해서 서로 연결되어 형성된 시스템일 수 있다. 이러한 경우에는 각각의 모듈 또는 모듈의 조합들이 전자 장치(1000)로 구현될 수 있다. 단, 본 실시예가 이에 제한되는 것은 아니다.
이상 첨부된 도면을 참조하여 본 발명의 실시예를 설명하였지만, 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자는 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 한정적이 아닌 것으로 이해해야만 한다.

Claims (10)

  1. 의사에게 의사 문항을 전송하고, 환자에게 환자 문항을 전송하되, 상기 의사 문항 및 상기 환자 문항은 인공 지능에 의해서 선정되는 문항 선정 모듈;
    상기 의사로부터 상기 의사 문항에 대한 의사 응답을 수신하고, 인공 지능에 의해서 상기 의사의 항목별 의사 점수를 산정하고, 상기 환자로부터 상기 환자 문항에 대한 환자 응답을 수신하고, 인공 지능에 의해서 상기 환자의 항목별 환자 점수를 산정하는 점수 산정 모듈;
    상기 의사 응답 및 상기 의사 점수를 이용하여 상기 의사의 의사 클래스를 결정하되, 상기 의사 클래스는 클래스 식별 표지로 표현되고, 상기 클래스 식별 표지는 색, 문자, 숫자 및 기호 중 적어도 하나를 포함하는 의사 클래스 결정 모듈;
    상기 환자 응답 및 상기 환자 점수를 이용하여 상기 환자의 환자 클래스를 결정하되, 상기 환자 클래스는 상기 클래스 식별 표지로 표현되는 의사 클래스 결정 모듈; 및
    상기 환자 클래스와 상기 의사 클래스를 비교하여 상기 환자에게 추천 의사 리스트를 전송하는 매칭 모듈을 포함하는 인공 지능 기반 환자 의사 매칭 시스템 서버.
  2. 제1 항에 있어서,
    상기 문항 선정 모듈은,
    상기 의사 문항을 선정하는 의사 문항 선정 모듈과,
    상기 환자 문항을 선정하는 환자 문항 선정 모듈을 포함하는 인공 지능 기반 환자 의사 매칭 시스템 서버.
  3. 제2 항에 있어서,
    상기 의사 문항은 제1 및 제2 의사 문항을 포함하고,
    상기 제2 의사 문항은 상기 제1 의사 문항에 이어서 전달되는 상기 의사 문항이고,
    상기 의사 문항 선정 모듈은,
    문제 은행으로부터 전문성 체크 문항을 수신하고, 상기 제1 의사 문항에 대한 상기 의사 응답 및 상기 의사 점수를 이용하여 상기 제2 의사 문항을 생성하는 의사 문항 생성 모듈과,
    상기 의사 문항 생성 모듈로부터 상기 의사 문항을 수신하여 상기 의사에게 전송하는 의사 문항 전송 모듈을 포함하는 인공 지능 기반 환자 의사 매칭 시스템 서버.
  4. 제3 항에 있어서,
    상기 의사 문항 선정 모듈은,
    상기 의사로부터 갱신 요청을 수신하고, 상기 갱신 요청에 따라서, 상기 제1 의사 문항의 갱신 정보를 생성하는 의사 문항 갱신 모듈을 포함하고,
    상기 의사 문항 생성 모듈은 상기 갱신 정보를 통해서 상기 제1 의사 문항을 갱신하여 제2 의사 문항을 생성하는 인공 지능 기반 환자 의사 매칭 시스템 서버.
  5. 제2 항에 있어서,
    상기 환자 문항은 제1 및 제2 환자 문항을 포함하고,
    상기 제2 환자 문항은 상기 제1 환자 문항에 이어서 전달되는 상기 환자 문항이고,
    상기 환자 문항 선정 모듈은,
    상기 제1 환자 문항에 대한 상기 환자 응답 및 상기 환자 점수를 이용하여 상기 제2 환자 문항을 생성하는 환자 문항 생성 모듈과,
    상기 환자 문항 생성 모듈로부터 상기 환자 문항을 수신하여 상기 환자에게 전송하는 환자 문항 전송 모듈을 포함하는 인공 지능 기반 환자 의사 매칭 시스템 서버.
  6. 제1 항에 있어서,
    상기 의사 문항은 의사의 개인 식별 문항, 이력 문항, 관심 진료과 문항, 상기 관심 진료과에 대한 세부 관심 분야 문항, 상기 세부 관심 분야에 대한 테스트 문항, 추가 관심 분야 문항, 상기 추가 관심 분야에 대한 테스트 문항 및 가능 시술 현황 문항 중 적어도 하나를 포함하는 인공 지능 기반 환자 의사 매칭 시스템 서버.
  7. 제1 항에 있어서,
    상기 환자 문항은 환자의 개인 식별 문항, 생활 습관 문항, 가족력 문항, 스트레스 측정 문항, 건강 검진 결과 문항 및 현재 보유 질병 및 증상 문항 중 적어도 하나를 포함하는 인공 지능 기반 환자 의사 매칭 시스템 서버.
  8. 인공 지능에 의해서 선정된 의사 문항을 전송하고 상기 의사 문항에 대한 의사 응답을 수신하는 단계;
    인공 지능이 상기 의사 응답을 통해서 의사 점수를 항목별로 산정하는 단계;
    인공 지능이 상기 의사 점수를 통해서 의사 클래스를 결정하되, 상기 의사 클래스는 클래스 식별 표지로 표현되고, 상기 클래스 식별 표지는 색, 문자, 숫자 및 기호 중 적어도 하나를 포함하는 단계;
    인공 지능에 의해서 선정된 환자 문항을 전송하고 상기 환자 문항에 대한 환자 응답을 수신하는 단계;
    인공 지능이 상기 환자 응답을 통해서 환자 점수를 항목별로 산정하는 단계;
    인공 지능이 상기 환자 점수를 통해서 환자 클래스를 결정하는 단계; 및
    상기 환자 클래스와 유사한 의사 클래스를 가지는 의사에 대한 추천 의사 리스트를 환자에게 제공하는 단계를 포함하는 인공 지능 기반 환자 의사 매칭 방법.
  9. 제8 항에 있어서,
    상기 의사 리스트를 환자에게 제공하는 단계는,
    상기 환자의 위치로부터 기준 거리 내에 위치한 인근 의사를 선정하는 단계와,
    상기 인근 의사 중 상기 환자 클래스와 유사한 의사 클래스를 가지는 의사를 상기 추천 의사 리스트에 포함시키는 단계를 포함하는 인공 지능 기반 환자 의사 매칭 방법.
  10. 제8 항에 있어서,
    상기 의사 클래스는 복수의 클래스 식별 표지로 표현되고, 상기 복수의 클래스 식별 표지는 적합도에 따른 순위가 다른 인공 지능 기반 환자 의사 매칭 방법.
KR1020200111658A 2020-09-02 2020-09-02 인공 지능 기반 환자 의사 매칭 시스템 서버 및 그 방법 KR102439676B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020200111658A KR102439676B1 (ko) 2020-09-02 2020-09-02 인공 지능 기반 환자 의사 매칭 시스템 서버 및 그 방법

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020200111658A KR102439676B1 (ko) 2020-09-02 2020-09-02 인공 지능 기반 환자 의사 매칭 시스템 서버 및 그 방법

Publications (2)

Publication Number Publication Date
KR20220029997A KR20220029997A (ko) 2022-03-10
KR102439676B1 true KR102439676B1 (ko) 2022-10-05

Family

ID=80816481

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020200111658A KR102439676B1 (ko) 2020-09-02 2020-09-02 인공 지능 기반 환자 의사 매칭 시스템 서버 및 그 방법

Country Status (1)

Country Link
KR (1) KR102439676B1 (ko)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20240003547A (ko) 2022-07-01 2024-01-09 주식회사 블루앤트 사용자 정보 기반 사용자 병원 매칭 방법

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101734356B1 (ko) 2017-02-20 2017-05-11 노형태 의료 서비스를 제공하기 위한 방법, 시스템 및 비일시성의 컴퓨터 판독 가능 기록 매체
KR102005979B1 (ko) 2018-08-22 2019-07-31 예다움 주식회사 의료 서비스 정보 매칭방법
KR102088980B1 (ko) 2019-04-19 2020-03-13 이정의 사용자 맞춤형 의료정보 제공 시스템 및 이의 구동방법

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101770677B1 (ko) * 2015-05-14 2017-08-23 이현민 빅데이터를 이용한 돌봄보호자와 돌봄지원자의 매칭 장치 및 그 방법
JP2018530851A (ja) * 2015-10-19 2018-10-18 ヘルスタップ，インコーポレイテッド 医療オペレーティングシステムを用いて医療専門家を評価および選択するためのシステムおよび方法
KR102141244B1 (ko) * 2018-03-13 2020-09-14 박종현 사용자 맞춤형 병원 예약 추천 방법 및 장치
KR102163434B1 (ko) 2018-10-01 2020-10-08 김효성 관리 서버장치에 의한 환자 매칭용 병의원 진료예약 서비스 제공 시스템
KR102250174B1 (ko) * 2018-11-23 2021-05-10 주식회사 굿모닝 지능형 의료 컨설팅 서비스 시스템 및 방법

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101734356B1 (ko) 2017-02-20 2017-05-11 노형태 의료 서비스를 제공하기 위한 방법, 시스템 및 비일시성의 컴퓨터 판독 가능 기록 매체
KR102005979B1 (ko) 2018-08-22 2019-07-31 예다움 주식회사 의료 서비스 정보 매칭방법
KR102088980B1 (ko) 2019-04-19 2020-03-13 이정의 사용자 맞춤형 의료정보 제공 시스템 및 이의 구동방법

Also Published As

Publication number Publication date
KR20220029997A (ko) 2022-03-10

Similar Documents

Publication Publication Date Title
Kauh et al. Geographic variation in the rate and timing of cataract surgery among US communities
Clemons et al. National Eye Institute visual function questionnaire in the age-related eye disease study (AREDS): AREDS report no. 10
Booth et al. Is this patient dead, vegetative, or severely neurologically impaired?: assessing outcome for comatose survivors of cardiac arrest
Bressler Age-related macular degeneration is the leading cause of blindness...
Berke Results of resection of the levator muscle through a skin incision in congenital ptosis
Felmingham et al. The importance of incorporating human factors in the design and implementation of artificial intelligence for skin cancer diagnosis in the real world
Stein et al. Adverse events after pars plana vitrectomy among medicare beneficiaries
US20050010444A1 (en) System and method for assisting medical diagnosis using an anatomic system and cause matrix
Balthazar et al. Fertility preservation: a pilot study to assess previsit patient knowledge quantitatively
van Overdam et al. Symptoms and findings predictive for the development of new retinal breaks
Kiely et al. Computer-assisted measurement of retinal vascular width and tortuosity in retinopathy of prematurity
Alexander et al. Wagner's disease
Subhi et al. Diagnostic test accuracy of the red reflex test for ocular pathology in infants: a meta-analysis
Newman-Toker et al. High-stakes diagnostic decision rules for serious disorders: the Ottawa subarachnoid hemorrhage rule
Ferrone et al. Vitreous hemorrhage in infants
KR102439676B1 (ko) 인공 지능 기반 환자 의사 매칭 시스템 서버 및 그 방법
López et al. A mobile decision support system for red eye diseases diagnosis: experience with medical students
Ostermann et al. Racial differences in glaucoma care: the longitudinal pattern of care
Bajaj et al. The role of color and morphologic characteristics in dermoscopic diagnosis
Laidsaar-Powell et al. Partnering with and involving patients
Pel et al. Diversity of interpretations of the concept “patient‐centered care for breast cancer patients”; a scoping review of current literature
Heher et al. A maculopathy associated with the 15257 mitochondrial DNA mutation
Sharp et al. The modified Memorial Symptom Assessment Scale short form: a modified response format and rational scoring rules
Hardy et al. Tests for detection and analysis of color blindness: I. an evaluation of the ishihara test
Gelman et al. Plus disease in retinopathy of prematurity: quantitative analysis of standard published photograph

Legal Events

Date Code Title Description
E902 Notification of reason for refusal
E701 Decision to grant or registration of patent right