KR102447046B1 - 인공지능 기반 임상시험 프로토콜 설계 방법, 장치 및 시스템 - Google Patents

인공지능 기반 임상시험 프로토콜 설계 방법, 장치 및 시스템 Download PDF

Info

Publication number
KR102447046B1
KR102447046B1 KR1020220068006A KR20220068006A KR102447046B1 KR 102447046 B1 KR102447046 B1 KR 102447046B1 KR 1020220068006 A KR1020220068006 A KR 1020220068006A KR 20220068006 A KR20220068006 A KR 20220068006A KR 102447046 B1 KR102447046 B1 KR 102447046B1
Authority
KR
South Korea
Prior art keywords
drug
clinical trial
neural network
artificial neural
phase
Prior art date
Application number
KR1020220068006A
Other languages
English (en)
Inventor
최얼
Original Assignee
주식회사 인투인월드
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 인투인월드 filed Critical 주식회사 인투인월드
Priority to KR1020220068006A priority Critical patent/KR102447046B1/ko
Application granted granted Critical
Publication of KR102447046B1 publication Critical patent/KR102447046B1/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
    • G06N3/0454—
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16B—BIOINFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR GENETIC OR PROTEIN-RELATED DATA PROCESSING IN COMPUTATIONAL MOLECULAR BIOLOGY
    • G16B50/00—ICT programming tools or database systems specially adapted for bioinformatics

Landscapes

  • Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biophysics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Primary Health Care (AREA)
  • Bioethics (AREA)
  • Epidemiology (AREA)
  • Databases & Information Systems (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Public Health (AREA)
  • Biotechnology (AREA)
  • Evolutionary Biology (AREA)
  • Spectroscopy & Molecular Physics (AREA)
  • Theoretical Computer Science (AREA)
  • Medical Treatment And Welfare Office Work (AREA)
  • Measuring And Recording Apparatus For Diagnosis (AREA)
  • Electrotherapy Devices (AREA)

Abstract

일실시예에 따르면, 장치에 의해 수행되는, 인공지능을 기반으로 임상시험 프로토콜을 설계하는 방법에 있어서, 제1 약품에 대한 임상시험 프로토콜의 설계가 요청되면, 제1 약품 정보에 기초하여, 제1 입력 신호를 생성하는 단계; 상기 제1 약품에 대한 임상시험이 1상 임상시험으로 확인되면, 1상 임상시험에 대한 프로토콜 요소를 출력하기 위해 미리 학습되어 있는 제1 인공 신경망에 상기 제1 입력 신호를 입력하고, 상기 제1 인공 신경망의 입력에 대한 결과에 기초하여, 제1 출력 신호를 획득하는 단계; 상기 제1 약품에 대한 임상시험이 2상 임상시험으로 확인되면, 2상 임상시험에 대한 프로토콜 요소를 출력하기 위해 미리 학습되어 있는 제2 인공 신경망에 상기 제1 입력 신호를 입력하고, 상기 제2 인공 신경망의 입력에 대한 결과에 기초하여, 제2 출력 신호를 획득하는 단계; 상기 제1 약품에 대한 임상시험이 3상 임상시험으로 확인되면, 3상 임상시험에 대한 프로토콜 요소를 출력하기 위해 미리 학습되어 있는 제3 인공 신경망에 상기 제1 입력 신호를 입력하고, 상기 제3 인공 신경망의 입력에 대한 결과에 기초하여, 제3 출력 신호를 획득하는 단계; 및 상기 제1 출력 신호, 상기 제2 출력 신호 및 상기 제3 출력 신호 중 어느 하나에 기초하여, 상기 제1 약품에 대한 임상시험 프로토콜을 생성하는 단계를 포함하는, 인공지능 기반 임상시험 프로토콜 설계 방법이 제공된다.

Description

인공지능 기반 임상시험 프로토콜 설계 방법, 장치 및 시스템 {METHOD, DEVICE AND SYSTEM FOR DESIGNING CLINICAL TRIAL PROTOCOL BASED ON ARTIFICIAL INTELLIGENCE}
아래 실시예들은 인공지능을 기반으로 임상시험 프로토콜을 설계하기 위한 기술에 관한 것이다.
임상시험은 질병의 치료나 예방을 위한 의약품 개발에 있어서 사람을 대상으로 약물의 안정성과 유효성을 확인하기 위한 실험이다. 임상시험을 진행할 때 가장 중요한 것은 임상시험에 대한 프로토콜을 설계하는 것이다. 이때, 임상시험에 대한 프로토콜은, 임상시험에 사용할 약물에 의한 효과를 확인하기 위해 필요한 피험자, 피험자 수, 투여량, 투여 기간, 임상 시험 방법 등 임상시험 진행 시에 지켜져야 하는 일종의 규약이다.
일반적으로, 임상시험에 대한 프로토콜은 진행하고자 하는 임상시험 지침 및 의학 문서를 사용하는 임상 연구자들의 개인 지식을 바탕으로 설계된다. 이런 방식은, 임상 연구자들의 개별적인 편향성을 반영하기 때문에 일관적이고 객관적인 프로토콜의 설계가 어려운 문제점이 발생한다.
따라서, 임상시험에 대한 프로토콜을 일관적이고 객관적으로 설계하고자 하는 요구가 증대되고 있어, 이와 관련된 기술에 대한 연구가 요구된다.
한국등록특허 제10-2394304호 한국등록특허 제10-2070030호 한국등록특허 제10-1398988호 한국공개특허 제10-2020-0086168호
일실시예에 따르면, 제1 약품에 대한 임상시험 프로토콜의 설계가 요청되면, 제1 약품 정보에 기초하여, 제1 입력 신호를 생성하고, 제1 약품에 대한 임상시험이 1상 임상시험으로 확인되면, 1상 임상시험에 대한 프로토콜 요소를 출력하기 위해 미리 학습되어 있는 제1 인공 신경망에 제1 입력 신호를 입력하고, 제1 인공 신경망의 입력에 대한 결과에 기초하여, 제1 출력 신호를 획득하고, 제1 약품에 대한 임상시험이 2상 임상시험으로 확인되면, 2상 임상시험에 대한 프로토콜 요소를 출력하기 위해 미리 학습되어 있는 제2 인공 신경망에 제1 입력 신호를 입력하고, 제2 인공 신경망의 입력에 대한 결과에 기초하여, 제2 출력 신호를 획득하고, 제1 약품에 대한 임상시험이 3상 임상시험으로 확인되면, 3상 임상시험에 대한 프로토콜 요소를 출력하기 위해 미리 학습되어 있는 제3 인공 신경망에 제1 입력 신호를 입력하고, 제3 인공 신경망의 입력에 대한 결과에 기초하여, 제3 출력 신호를 획득하고, 제1 출력 신호, 제2 출력 신호 및 제3 출력 신호 중 어느 하나에 기초하여, 제1 약품에 대한 임상시험 프로토콜을 생성하는, 인공지능 기반 임상시험 프로토콜 설계 방법, 장치 및 시스템을 제공하기 위한 것을 그 목적으로 한다.
본 발명의 목적은 이상에서 언급한 목적으로 제한되지 않으며, 언급되지 않은 또 다른 목적들은 아래의 기재로부터 명확하게 이해될 수 있을 것이다.
일실시예에 따르면, 장치에 의해 수행되는, 인공지능을 기반으로 임상시험 프로토콜을 설계하는 방법에 있어서, 제1 약품에 대한 임상시험 프로토콜의 설계가 요청되면, 제1 약품 정보에 기초하여, 제1 입력 신호를 생성하는 단계; 상기 제1 약품에 대한 임상시험이 1상 임상시험으로 확인되면, 1상 임상시험에 대한 프로토콜 요소를 출력하기 위해 미리 학습되어 있는 제1 인공 신경망에 상기 제1 입력 신호를 입력하고, 상기 제1 인공 신경망의 입력에 대한 결과에 기초하여, 제1 출력 신호를 획득하는 단계; 상기 제1 약품에 대한 임상시험이 2상 임상시험으로 확인되면, 2상 임상시험에 대한 프로토콜 요소를 출력하기 위해 미리 학습되어 있는 제2 인공 신경망에 상기 제1 입력 신호를 입력하고, 상기 제2 인공 신경망의 입력에 대한 결과에 기초하여, 제2 출력 신호를 획득하는 단계; 상기 제1 약품에 대한 임상시험이 3상 임상시험으로 확인되면, 3상 임상시험에 대한 프로토콜 요소를 출력하기 위해 미리 학습되어 있는 제3 인공 신경망에 상기 제1 입력 신호를 입력하고, 상기 제3 인공 신경망의 입력에 대한 결과에 기초하여, 제3 출력 신호를 획득하는 단계; 및 상기 제1 출력 신호, 상기 제2 출력 신호 및 상기 제3 출력 신호 중 어느 하나에 기초하여, 상기 제1 약품에 대한 임상시험 프로토콜을 생성하는 단계를 포함하는, 인공지능 기반 임상시험 프로토콜 설계 방법이 제공된다.
상기 제1 인공 신경망은 임상시험 지원자들 중에서 건강한 것으로 확인된 지원자들이 제1 그룹으로 분류되어 있는 경우, 상기 제1 그룹을 상기 제1 약품에 대한 임상시험 대상자로 분석하여 상기 제1 출력 신호를 출력하고, 상기 제2 인공 신경망은 임상시험 지원자들 중에서 상기 제1 약품의 효능이 필요한 것으로 확인된 지원자들이 제2 그룹으로 분류되어 있는 경우, 상기 제2 그룹을 상기 제1 약품에 대한 임상시험 대상자로 분석하여 상기 제2 출력 신호를 출력하고, 상기 제3 인공 신경망은 상기 제2 그룹으로 분류된 지원자들 중에서 상기 제1 약품을 복용한 것으로 확인된 지원자들이 제3 그룹으로 분류되어 있고 상기 제1 약품을 복용하지 않은 것으로 확인된 지원자들이 제4 그룹으로 분류되어 있는 경우, 상기 제3 그룹 및 상기 제4 그룹을 상기 제1 약품에 대한 임상시험 대상자로 분석하여 상기 제3 출력 신호를 출력할 수 있다.
상기 제1 인공 신경망은 상기 제1 약품의 효능을 통해 상기 제1 약품이 제1 카테고리에 속하는 것으로 확인된 경우, 상기 제1 카테고리에 속하는 약품들에 대한 1상 임상시험 일일 투여량의 평균치를 제1 수량으로 산출하고, 상기 제1 카테고리에 속하는 약품들에 대한 1상 임상시험 투여 기간의 평균치를 제1 기간으로 산출하고, 상기 제1 수량을 상기 제1 약품에 대한 임상시험 투여량으로 분석하고 상기 제1 기간을 상기 제1 약품에 대한 임상시험 투여 기간으로 분석하여 상기 제1 출력 신호를 출력하고, 상기 제2 인공 신경망은 상기 제1 약품의 효능을 통해 상기 제1 약품이 제1 카테고리에 속하는 것으로 확인된 경우, 상기 제1 카테고리에 속하는 약품들에 대한 2상 임상시험 일일 투여량의 평균치를 제2 수량으로 산출하고, 상기 제1 카테고리에 속하는 약품들에 대한 2상 임상시험 투여 기간의 평균치를 제2 기간으로 산출하고, 상기 제2 수량을 상기 제1 약품에 대한 임상시험 투여량으로 분석하고 상기 제2 기간을 상기 제1 약품에 대한 임상시험 투여 기간으로 분석하여 상기 제2 출력 신호를 출력하고, 상기 제3 인공 신경망은 상기 제1 약품의 효능을 통해 상기 제1 약품이 제1 카테고리에 속하는 것으로 확인된 경우, 상기 제1 카테고리에 속하는 약품들에 대한 3상 임상시험 일일 투여량의 평균치를 제3 수량으로 산출하고, 상기 제1 카테고리에 속하는 약품들에 대한 3상 임상시험 투여 기간의 평균치를 제3 기간으로 산출하고, 상기 제3 수량을 상기 제1 약품에 대한 임상시험 투여량으로 분석하고 상기 제3 기간을 상기 제1 약품에 대한 임상시험 투여 기간으로 분석하여 상기 제3 출력 신호를 출력할 수 있다.
일실시예에 따르면, 인공지능을 기반으로 임상시험 프로토콜을 설계함으로써, 임상시험에 대한 프로토콜을 일관적이고 객관적으로 설계할 수 있는 효과가 있다.
한편, 실시예들에 따른 효과들은 이상에서 언급한 것으로 제한되지 않으며, 언급되지 않은 또 다른 효과들은 아래의 기재로부터 해당 기술 분야의 통상의 지식을 가진 자에게 명확히 이해될 수 있을 것이다.
도 1은 일실시예에 따른 시스템의 구성을 개략적으로 나타낸 도면이다.
도 2는 일실시예에 따른 인공지능을 기반으로 임상시험 프로토콜을 설계하는 과정을 설명하기 위한 순서도이다.
도 3은 일실시예에 따른 인공 신경망의 학습을 설명하기 위한 도면이다.
도 4는 일실시예에 따른 제1 약품에 대한 1상 임상시험 예산을 산정하는 과정을 설명하기 위한 순서도이다.
도 5는 일실시예에 따른 제1 약품에 대한 2상 임상시험 예산을 산정하는 과정을 설명하기 위한 순서도이다.
도 6은 일실시예에 따른 제1 약품에 대한 3상 임상시험 예산을 산정하는 과정을 설명하기 위한 순서도이다.
도 7은 일실시예에 따른 약품의 반출량을 관리하는 과정을 설명하기 위한 순서도이다.
도 8은 일실시예에 따른 제4 인공 신경망을 설명하기 위한 도면이다.
도 9는 일실시예에 따른 임상시험 투역 내역을 통해 약품의 반출량을 확인하는 과정을 설명하기 위한 순서도이다.
도 10은 일실시예에 따른 장치의 구성의 예시도이다.
이하에서, 첨부된 도면을 참조하여 실시예들을 상세하게 설명한다. 그러나, 실시예들에는 다양한 변경이 가해질 수 있어서 특허출원의 권리 범위가 이러한 실시예들에 의해 제한되거나 한정되는 것은 아니다. 실시예들에 대한 모든 변경, 균등물 내지 대체물이 권리 범위에 포함되는 것으로 이해되어야 한다.
실시예들에 대한 특정한 구조적 또는 기능적 설명들은 단지 예시를 위한 목적으로 개시된 것으로서, 다양한 형태로 변경되어 실시될 수 있다. 따라서, 실시예들은 특정한 개시형태로 한정되는 것이 아니며, 본 명세서의 범위는 기술적 사상에 포함되는 변경, 균등물, 또는 대체물을 포함한다.
제1 또는 제2 등의 용어를 다양한 구성요소들을 설명하는데 사용될 수 있지만, 이런 용어들은 하나의 구성요소를 다른 구성요소로부터 구별하는 목적으로만 해석되어야 한다. 예를 들어, 제1 구성요소는 제2 구성요소로 명명될 수 있고, 유사하게 제2 구성요소는 제1 구성요소로도 명명될 수 있다.
어떤 구성요소가 다른 구성요소에 "연결되어" 있다고 언급된 때에는, 그 다른 구성요소에 직접적으로 연결되어 있거나 또는 접속되어 있을 수도 있지만, 중간에 다른 구성요소가 존재할 수도 있다고 이해되어야 할 것이다.
실시예에서 사용한 용어는 단지 설명을 목적으로 사용된 것으로, 한정하려는 의도로 해석되어서는 안된다. 단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 복수의 표현을 포함한다. 본 명세서에서, "포함하다" 또는 "가지다" 등의 용어는 명세서 상에 기재된 특징, 숫자, 단계, 동작, 구성요소, 부품 또는 이들을 조합한 것이 존재함을 지정하려는 것이지, 하나 또는 그 이상의 다른 특징들이나 숫자, 단계, 동작, 구성요소, 부품 또는 이들을 조합한 것들의 존재 또는 부가 가능성을 미리 배제하지 않는 것으로 이해되어야 한다.
다르게 정의되지 않는 한, 기술적이거나 과학적인 용어를 포함해서 여기서 사용되는 모든 용어들은 실시예가 속하는 기술 분야에서 통상의 지식을 가진 자에 의해 일반적으로 이해되는 것과 동일한 의미를 가지고 있다. 일반적으로 사용되는 사전에 정의되어 있는 것과 같은 용어들은 관련 기술의 문맥 상 가지는 의미와 일치하는 의미를 가지는 것으로 해석되어야 하며, 본 출원에서 명백하게 정의하지 않는 한, 이상적이거나 과도하게 형식적인 의미로 해석되지 않는다.
또한, 첨부 도면을 참조하여 설명함에 있어, 도면 부호에 관계없이 동일한 구성 요소는 동일한 참조부호를 부여하고 이에 대한 중복되는 설명은 생략하기로 한다. 실시예를 설명함에 있어서 관련된 공지 기술에 대한 구체적인 설명이 실시예의 요지를 불필요하게 흐릴 수 있다고 판단되는 경우 그 상세한 설명을 생략한다.
실시예들은 퍼스널 컴퓨터, 랩톱 컴퓨터, 태블릿 컴퓨터, 스마트 폰, 텔레비전, 스마트 가전 기기, 지능형 자동차, 키오스크, 웨어러블 장치 등 다양한 형태의 제품으로 구현될 수 있다.
실시예에서 인공지능(Artificial Intelligence, AI) 시스템은 인간 수준의 지능을 구현하는 컴퓨터 시스템이며, 기존 규칙(Rule) 기반의 스마트 시스템과 달리 기계가 스스로 학습하고 판단하는 시스템이다. 인공지능 시스템은 사용할수록 인식률이 향상되고 사용자 취향을 보다 정확하게 이해할 수 있게 되어, 기존 규칙 기반의 스마트 시스템은 점차 심층 학습(Deep Learning) 기반 인공지능 시스템으로 대체되고 있다.
인공지능 기술은 기계 학습 및 기계 학습을 활용한 요소기술들로 구성된다. 기계 학습은 입력 데이터들의 특징을 스스로 분류/학습하는 알고리즘 기술이며, 요소기술은 심층 학습 등의 기계 학습 알고리즘을 활용하여 인간 두뇌의 인지, 판단 등의 기능을 모사하는 기술로서, 언어적 이해, 시각적 이해, 추론/예측, 지식 표현, 동작 제어 등의 기술 분야로 구성된다.
인공지능 기술이 응용되는 다양한 분야는 다음과 같다. 언어적 이해는 인간의 언어/문자를 인식하고 응용/처리하는 기술로서, 자연어 처리, 기계 번역, 대화시스템, 질의 응답, 음성 인식/합성 등을 포함한다. 시각적 이해는 사물을 인간의 시각처럼 인식하여 처리하는 기술로서, 객체 인식, 객체 추적, 영상 검색, 사람 인식, 장면 이해, 공간 이해, 영상 개선 등을 포함한다. 추론 예측은 정보를 판단하여 논리적으로 추론하고 예측하는 기술로서, 지식/확률 기반 추론, 최적화 예측, 선호 기반 계획, 추천 등을 포함한다. 지식 표현은 인간의 경험정보를 지식데이터로 자동화 처리하는 기술로서, 지식 구축(데이터 생성/분류), 지식 관리(데이터 활용) 등을 포함한다. 동작 제어는 차량의 자율 주행, 로봇의 움직임을 제어하는 기술로서, 움직임 제어(항법, 충돌, 주행), 조작 제어(행동 제어) 등을 포함한다.
일반적으로 기계 학습 알고리즘을 실생활에 적용하기 위해서는 기계 학습의 기본 방법론의 특성상 Trial and Error 방식으로 학습을 수행하게 된다. 특히, 심층 학습의 경우 수십만 번의 반복 실행을 필요로 한다. 이를 실제 물리적인 외부 환경에서 실행하기는 불가능하여 대신 실제 물리적인 외부 환경을 컴퓨터상에서 가상으로 구현하여 시뮬레이션을 통해 학습을 수행한다.
도 1은 일실시예에 따른 시스템의 구성을 개략적으로 나타낸 도면이다.
도 1을 참조하면, 일실시예에 따른 시스템은 통신망을 통해 서로 통신 가능한 복수의 담당자 단말(100) 및 장치(200)를 포함할 수 있다.
먼저, 통신망은 유선 및 무선 등과 같이 그 통신 양태를 가리지 않고 구성될 수 있으며, 서버와 서버 간의 통신과 서버와 단말 간의 통신이 수행되도록 다양한 형태로 구현될 수 있다.
복수의 담당자 단말(100) 각각은 데스크탑 컴퓨터, 노트북, 태블릿, 스마트폰 등일 수 있다. 바람직하게, 도 1에 도시된 바와 같이, 제1 담당자 단말(110), 제2 담당자 단말(120), 제3 담당자 단말(130) 등은 스마트폰일 수 있으며, 실시예에 따라 달리 채용될 수도 있다.
복수의 담당자 단말(100) 각각은 통상의 컴퓨터가 가지는 연산 기능, 저장/참조 기능, 입출력 기능 및 제어 기능을 전부 또는 일부 수행하도록 구성될 수 있다. 복수의 담당자 단말(100)은 장치(200)와 유무선으로 통신하도록 구성될 수 있다.
복수의 담당자 단말(100) 각각은 장치(200)를 이용하여 서비스를 제공하는 자 내지 단체가 운영하는 웹 페이지에 접속되거나, 장치(200)를 이용하여 서비스를 제공하는 자 내지 단체가 개발·배포한 애플리케이션이 설치될 수 있다. 복수의 담당자 단말(100) 각각은 웹 페이지 또는 애플리케이션을 통해 장치(200)와 연동될 수 있다.
복수의 담당자 단말(100) 각각은 장치(200)에서 제공하는 웹 페이지, 애플리케이션을 등을 통해 장치(200)에 접속할 수 있다.
이하에서는 설명의 편의상, 제1 담당자 단말(110)의 동작을 위주로 설명하지만, 제2 담당자 단말(120) 등의 다른 담당자 단말에서 제1 담당자 단말(110)의 동작을 대신 수행할 수 있는 것은 물론이다.
장치(200)는 장치(200)를 이용하여 서비스를 제공하는 자 내지 단체가 보유한 자체 서버일수도 있고, 클라우드 서버일 수도 있고, 분산된 노드(node)들의 p2p(peer-to-peer) 집합일 수도 있다. 장치(200)는 통상의 컴퓨터가 가지는 연산 기능, 저장/참조 기능, 입출력 기능 및 제어 기능을 전부 또는 일부 수행하도록 구성될 수 있다. 장치(200)는 추론 기능을 수행하는 적어도 하나 이상의 인공 신경망을 구비할 수 있다.
장치(200)는 복수의 담당자 단말(100)과 유무선으로 통신하도록 구성될 수 있으며, 복수의 담당자 단말(100) 각각의 동작을 제어하고, 복수의 담당자 단말(100) 각각의 화면에 어느 정보를 표시할 것인지에 대해 제어할 수 있다.
한편, 설명의 편의를 위해 도 1에서는 복수의 담당자 단말(100) 중 제1 담당자 단말(110), 제2 담당자 단말(120) 및 제3 담당자 단말(130)만을 도시하였으나, 단말들의 수는 실시예에 따라 얼마든지 달라질 수 있다. 장치(200)의 처리 용량이 허용하는 한, 단말들의 수는 특별한 제한이 없다.
일실시예에 따르면, 장치(200)는 인공지능을 기반으로 임상시험 프로토콜을 설계할 수 있다. 이를 위해, 장치(200)는 기계 학습 알고리즘의 수행을 위하여 미리 학습된 다수의 인공 신경망을 포함할 수 있다.
본 발명에서, 인공지능(Artificial Intelligence, AI)은 인간의 학습능력, 추론능력, 지각능력 등을 모방하고, 이를 컴퓨터로 구현하는 기술을 의미하고, 기계 학습, 심볼릭 로직(Symbolic Logic) 등의 개념을 포함할 수 있다. 기계 학습(Machine Learning, ML)은 입력 데이터들의 특징을 스스로 분류 또는 학습하는 알고리즘 기술이다. 인공지능의 기술은 기계 학습의 알고리즘으로써 입력 데이터를 분석하고, 그 분석의 결과를 학습하며, 그 학습의 결과에 기초하여 판단이나 예측을 할 수 있다. 또한, 기계 학습의 알고리즘을 활용하여 인간 두뇌의 인지, 판단 등의 기능을 모사하는 기술들 역시 인공지능의 범주로 이해될 수 있다. 예를 들어, 언어적 이해, 시각적 이해, 추론/예측, 지식 표현, 동작 제어 등의 기술 분야가 포함될 수 있다.
기계 학습은 데이터를 처리한 경험을 이용해 신경망 모델을 훈련시키는 처리를 의미할 수 있다. 기계 학습을 통해 컴퓨터 소프트웨어는 스스로 데이터 처리 능력을 향상시키는 것을 의미할 수 있다. 신경망 모델은 데이터 사이의 상관 관계를 모델링하여 구축된 것으로서, 그 상관 관계는 복수의 파라미터에 의해 표현될 수 있다. 신경망 모델은 주어진 데이터로부터 특징들을 추출하고 분석하여 데이터 간의 상관 관계를 도출하는데, 이러한 과정을 반복하여 신경망 모델의 파라미터를 최적화해 나가는 것이 기계 학습이라고 할 수 있다. 예를 들어, 신경망 모델은 입출력 쌍으로 주어지는 데이터에 대하여, 입력과 출력 사이의 매핑(상관 관계)을 학습할 수 있다. 또는, 신경망 모델은 입력 데이터만 주어지는 경우에도 주어진 데이터 사이의 규칙성을 도출하여 그 관계를 학습할 수도 있다.
인공지능 학습모델 또는 신경망 모델은 인간의 뇌 구조를 컴퓨터 상에서 구현하도록 설계될 수 있으며, 인간의 신경망의 뉴런(neuron)을 모의하며 가중치를 가지는 복수의 네트워크 노드들을 포함할 수 있다. 복수의 네트워크 노드들은 뉴런이 시냅스(synapse)를 통하여 신호를 주고받는 뉴런의 시냅틱(synaptic) 활동을 모의하여, 서로 간의 연결 관계를 가질 수 있다. 인공지능 학습모델에서 복수의 네트워크 노드들은 서로 다른 깊이의 레이어에 위치하면서 컨볼루션(convolution) 연결 관계에 따라 데이터를 주고받을 수 있다. 인공지능 학습모델은, 예를 들어, 인공 신경망 모델(Artificial Neural Network), 컨볼루션 신경망 모델(Convolution Neural Network: CNN) 등일 수 있다. 일 실시예로서, 인공지능 학습모델은, 지도학습(Supervised Learning), 비지도 학습(Unsupervised Learning), 강화 학습(Reinforcement Learning) 등의 방식에 따라 기계 학습될 수 있다. 기계 학습을 수행하기 위한 기계 학습 알고리즘에는, 의사결정트리(Decision Tree), 베이지안 망(Bayesian Network), 서포트 벡터 머신(Support Vector Machine), 인공 신경망(Artificial Neural Network), 에이다부스트(Ada-boost), 퍼셉트론(Perceptron), 유전자 프로그래밍(Genetic Programming), 군집화(Clustering) 등이 사용될 수 있다.
이중, CNN은 최소한의 전처리(preprocess)를 사용하도록 설계된 다계층 퍼셉트론(multilayer perceptrons)의 한 종류이다. CNN은 하나 또는 여러 개의 합성곱 계층과 그 위에 올려진 일반적인 인공 신경망 계층들로 이루어져 있으며, 가중치와 통합 계층(pooling layer)들을 추가로 활용한다. 이러한 구조 덕분에 CNN은 2차원 구조의 입력 데이터를 충분히 활용할 수 있다. 다른 딥러닝 구조들과 비교해서, CNN은 영상, 음성 분야 모두에서 좋은 성능을 보여준다. CNN은 또한 표준 역전달을 통해 훈련될 수 있다. CNN은 다른 피드포워드 인공신경망 기법들보다 쉽게 훈련되는 편이고 적은 수의 매개변수를 사용한다는 이점이 있다.
컨볼루션 네트워크는 묶인 파라미터들을 가지는 노드들의 집합들을 포함하는 신경 네트워크들이다. 사용 가능한 트레이닝 데이터의 크기 증가와 연산 능력의 가용성이, 구분적 선형 단위 및 드롭아웃 트레이닝과 같은 알고리즘 발전과 결합되어, 많은 컴퓨터 비전 작업들이 크게 개선되었다. 오늘날 많은 작업에 사용할 수 있는 데이터 세트들과 같은 엄청난 양의 데이터 세트에서는 초과 맞춤(outfitting)이 중요하지 않으며, 네트워크의 크기를 늘리면 테스트 정확도가 향상된다. 컴퓨팅 리소스들의 최적 사용은 제한 요소가 된다. 이를 위해, 심층 신경 네트워크들의 분산된, 확장 가능한 구현예가 사용될 수 있다.
장치(200)는 인공지능을 기반으로 임상시험 프로토콜을 설계하는데 있어, 다양한 변수가 고려될 수 있다. 예를 들어, 임상시험이 1상, 2상 또는 3상인지 여부, 부작용이 있는지 여부, 용량을 어느 정도로 정할지 여부, 효능이 있는지 여부, 의료법 위반 여부, 환자 모집 용이성, 임상시험 시행까지 남아있는 기간, 임상시험 진행 병원의 프로세스, 약물의 유형 등이 고려 변수로 설정되어, 임상시험 프로토콜이 설계될 수 있다.
인공지능은 고려 변수에 대해 미리 학습되어 있는 상태이며, 장치(200)는 인공지능을 기반으로 임상시험 프로토콜 설계에 필요한 요소를 획득한 후, 획득된 요소를 이용하여 임상시험 프로토콜을 설계할 수 있다. 이와 관련된 자세한 설명은 도 2를 참조하여 후술하기로 한다.
또한, 장치(200)는 임상시험을 진행하고자 하는 약품과 비슷한 약품의 임상시험 결과, 논문, 기존 사례들, 기존 프로토콜 등의 레퍼런스를 토대로 평가 변수를 산출할 수 있으며, 평가 변수를 이용하여 설계된 임상시험 프로토콜에 대한 평가를 진행할 수 있다.
또한, 장치(200)는 임상시험 프로토콜이 설계되면, 설계된 임상시험 프로토콜을 진행하는데 있어, 필요할 것으로 예상되는 비용을 책정할 수 있다. 이와 관련된 자세한 설명은 도 4 내지 도 6을 참조하여 후술하기로 한다.
도 2는 일실시예에 따른 인공지능을 기반으로 임상시험 프로토콜을 설계하는 과정을 설명하기 위한 순서도이다.
도 2를 참조하면, 먼저, S201 단계에서, 장치(200)는 제1 담당자 단말(110)로부터 제1 약품에 대한 임상시험 프로토콜의 설계 요청을 수신할 수 있다. 여기서, 제1 약품에 대한 임상시험 프로토콜의 설계 요청은 제1 약품에 대한 임상시험을 진행하기 위해, 제1 약품에 대한 임상시험 프로토콜을 설계해달라는 요청이다.
장치(200)는 제1 담당자 단말(110)로부터 제1 약품에 대한 임상시험 프로토콜의 설계 요청을 수신할 때, 제1 약품 정보를 더 수신할 수 있다. 여기서, 제1 약품 정보는 제1 약품의 명칭, 제형, 모양, 색깔, 성분, 효능 등의 정보를 포함할 수 있다.
S202 단계에서, 장치(200)는 제1 약품 정보에 기초하여, 제1 입력 신호를 생성할 수 있다.
예를 들어, 장치(200)는 제1 약품 정보에 기초하여, 제1 약품에 대한 키워드를 추출할 수 있으며, 추출된 키워드를 인코딩하여 제1 입력 신호를 생성할 수 있다.
S203 단계에서, 장치(200)는 제1 약품에 대한 임상시험이 1상 임상시험인지 여부를 확인할 수 있다.
일실시예에 따르면, 임상시험은 보통 4단계로 구분하는데, 1상(phase1) 임상시험은 새로운 치료의 가장 적합한 방법 및 용량을 확인하는 단계이고, 2상(phase2) 임상시험은 유효성과 안전성을 증명하기 위한 단계이고, 3상(phase3) 임상시험은 새로운 치료의 유효성을 어느 정도 확립한 후 기존 치료와 비교하는 단계이고, 4상(phase4) 임상시험은 시판 후 삼상 시험에서는 확인되지 않았던 안전성 및 장기적 부작용 등을 검토하고 추가 연구를 시행하는 단계이다.
장치(200)는 인공지능을 기반으로 임상시험 프로토콜을 설계하는데 있어, 1상, 2상 및 3상까지 임상시험 프로토콜을 설계할 수 있다. 4상 임상시험은 시판 후에 진행되기 때문에 임상시험 프로토콜의 설계가 별도로 필요하지 않을 수 있다.
제1 약품에 대한 임상시험이 진행한 적이 없으면, 이번에 진행해야 하는 제1 약품에 대한 임상시험이 1상 임상시험인 것으로 확인될 수 있으며, S203 단계에서 제1 약품에 대한 임상시험이 1상 임상시험으로 확인되면, S204 단계에서, 장치(200)는 제1 인공 신경망에 제1 입력 신호를 입력할 수 있다.
구체적으로, 장치(200)는 미리 학습된 제1 인공 신경망을 포함할 수 있다. 제1 인공 신경망은 1상 임상시험에 대한 프로토콜 요소를 출력하기 위해 미리 학습되어 있으며, 약품 정보를 통해 생성된 제1 입력 신호를 입력 받은 후, 약품에 대한 1상 임상시험을 진행하는데 가장 적합할 것으로 추론되는 프로토콜 요소들을 선정하고, 선정된 프로토콜 요소들로 생성된 제1 출력 신호를 출력하는 알고리즘일 수 있다.
S205 단계에서, 장치(200)는 제1 인공 신경망에 제1 입력 신호가 입력되면, 제1 인공 신경망의 입력에 대한 결과에 기초하여, 제1 출력 신호를 획득할 수 있다.
구체적으로, 장치(200)는 건강 상태에 따라 임상시험 지원자들 중에서 건강한 것으로 확인된 지원자들을 제1 그룹으로 분류할 수 있다. 이를 위해, 장치(200)의 데이터베이스에는 임상시험에 참여하기 위해 지원한 다수의 지원자 정보가 저장되어 있다. 지원자 정보는 연령, 성별, 질환, 체형, 식습관, 유전 등의 정보를 포함할 수 있고, 임상시험 지원자들은 건강 상태에 따라 그룹 별로 분류될 수 있다.
제1 인공 신경망은 임상시험 지원자들 중에서 건강한 것으로 확인된 지원자들이 제1 그룹으로 분류되어 있는 경우, 제1 입력 신호가 입력되면, 제1 그룹을 제1 약품에 대한 임상시험 대상자로 분석할 수 있으며, 제1 그룹을 임상시험 대상자로 지시하는 출력값을 포함하는 제1 출력 신호를 출력할 수 있다.
또한, 장치(200)는 제1 약품의 효능을 통해 제1 약품이 제1 카테고리에 속하는 것으로 확인할 수 있다. 이를 위해, 장치(200)의 데이터베이스에는 다수의 약품 정보가 저장되어 있다. 약품 정보는 약품의 명칭, 제형, 모양, 색깔, 성분, 효능 등의 정보를 포함할 수 있고, 약품들은 약품의 효능에 따라 카테고리 별로 분류될 수 있다. 또한, 장치(200)의 데이터베이스에는 약품 별로 구분된 임상시험 결과가 저장되어 있다. 임상시험 결과에는 임상시험의 종류, 일일 투여량, 임상시험 기간, 효과, 부작용 등에 대한 정보가 포함될 수 있다.
제1 인공 신경망은 제1 약품의 효능을 통해 제1 약품이 제1 카테고리에 속하는 것으로 확인된 경우, 제1 입력 신호가 입력되면, 제1 카테고리에 속하는 약품들에 대한 1상 임상시험 일일 투여량의 평균치를 제1 수량으로 산출하고, 제1 카테고리에 속하는 약품들에 대한 1상 임상시험 투여 기간의 평균치를 제1 기간으로 산출할 수 있다.
예를 들어, 제2 약품 및 제3 약품이 제1 카테고리로 분류되어 있으며, 제2 약품의 1상 임상시험 결과를 통해 제2 약품에 대한 1상 임상시험 일일 투여량이 4개로 확인되고, 제3 약품의 1상 임상시험 결과를 통해 제3 약품에 대한 1상 임상시험 일일 투여량이 2개로 확인된 경우, 제1 인공 신경망은 제1 약품도 제1 카테고리에 속하는 것으로 확인되면, 4개 및 2개의 평균치인 3개를 제1 수량으로 산출할 수 있다.
또한, 제2 약품 및 제3 약품이 제1 카테고리로 분류되어 있으며, 제2 약품의 1상 임상시험 결과를 통해 제2 약품에 대한 1상 임상시험 투여 기간이 3달로 확인되고, 제3 약품의 1상 임상시험 결과를 통해 제3 약품에 대한 1상 임상시험 투여 기간이 1달로 확인된 경우, 제1 인공 신경망은 제1 약품도 제1 카테고리에 속하는 것으로 확인되면, 3달 및 1달의 평균치인 2달을 제1 기간으로 산출할 수 있다.
제1 인공 신경망은 제1 수량을 제1 약품에 대한 임상시험 투여량으로 분석하고 제1 기간을 제1 약품에 대한 임상시험 투여 기간으로 분석할 수 있으며, 제1 수량을 임상시험 투여량으로 지시하는 출력값과 제1 기간을 임상시험 투여 기간으로 지시하는 출력값을 포함하는 제1 출력 신호를 출력할 수 있다.
즉, 제1 인공 신경망은 제1 입력 신호를 통해, 1상 임상시험에 대한 프로토콜 요소를 분석하도록 학습될 수 있다. 제1 인공 신경망은 도 3을 참조하여 후술되는 방법을 통해 학습될 수 있다. 이를 통해, 제1 인공 신경망은 제1 입력 신호를 통해, 1상 임상시험에 대한 프로토콜 요소를 분석하여, 제1 출력 신호를 출력할 수 있다.
한편, 제1 약품에 대한 임상시험이 진행한 적이 있으면, 이번에 진행해야 하는 제1 약품에 대한 임상시험이 1상 임상시험이 아닌 것으로 확인될 수 있으며, S203 단계에서 제1 약품에 대한 임상시험이 1상 임상시험이 아닌 것으로 확인되면, S206 단계에서, 장치(200)는 제1 약품에 대한 임상시험이 2상 임상시험인지 여부를 확인할 수 있다.
제1 약품에 대한 1상 임상시험이 진행한 적이 있고 2상 임상시험이 진행한 적이 없으면, 이번에 진행해야 하는 제1 약품에 대한 임상시험이 2상 임상시험인 것으로 확인될 수 있으며, S206 단계에서 제1 약품에 대한 임상시험이 2상 임상시험으로 확인되면, S207 단계에서, 장치(200)는 제2 인공 신경망에 제1 입력 신호를 입력할 수 있다.
구체적으로, 장치(200)는 미리 학습된 제2 인공 신경망을 포함할 수 있다. 제2 인공 신경망은 2상 임상시험에 대한 프로토콜 요소를 출력하기 위해 미리 학습되어 있으며, 약품 정보를 통해 생성된 제1 입력 신호를 입력 받은 후, 약품에 대한 2상 임상시험을 진행하는데 가장 적합할 것으로 추론되는 프로토콜 요소들을 선정하고, 선정된 프로토콜 요소들로 생성된 제2 출력 신호를 출력하는 알고리즘일 수 있다.
S208 단계에서, 장치(200)는 제2 인공 신경망에 제1 입력 신호가 입력되면, 제2 인공 신경망의 입력에 대한 결과에 기초하여, 제2 출력 신호를 획득할 수 있다.
구체적으로, 장치(200)는 건강 상태에 따라 임상시험 지원자들 중에서 제1 약품의 효능이 필요한 것으로 확인된 지원자들을 제2 그룹으로 분류할 수 있다. 이를 위해, 장치(200)의 데이터베이스에는 임상시험에 참여하기 위해 지원한 다수의 지원자 정보가 저장되어 있다. 지원자 정보는 연령, 성별, 질환, 체형, 식습관, 유전 등의 정보를 포함할 수 있고, 임상시험 지원자들은 건강 상태에 따라 그룹 별로 분류될 수 있다.
제2 인공 신경망은 임상시험 지원자들 중에서 제1 약품의 효능이 필요한 것으로 확인된 지원자들이 제2 그룹으로 분류되어 있는 경우, 제1 입력 신호가 입력되면, 제2 그룹을 제1 약품에 대한 임상시험 대상자로 분석할 수 있으며, 제2 그룹을 임상시험 대상자로 지시하는 출력값을 포함하는 제2 출력 신호를 출력할 수 있다.
또한, 제2 인공 신경망은 제1 약품의 효능을 통해 제1 약품이 제1 카테고리에 속하는 것으로 확인된 경우, 제1 입력 신호가 입력되면, 제1 카테고리에 속하는 약품들에 대한 2상 임상시험 일일 투여량의 평균치를 제2 수량으로 산출하고, 제1 카테고리에 속하는 약품들에 대한 2상 임상시험 투여 기간의 평균치를 제2 기간으로 산출할 수 있다.
예를 들어, 제2 약품 및 제3 약품이 제1 카테고리로 분류되어 있으며, 제2 약품의 2상 임상시험 결과를 통해 제2 약품에 대한 2상 임상시험 일일 투여량이 4개로 확인되고, 제3 약품의 2상 임상시험 결과를 통해 제3 약품에 대한 2상 임상시험 일일 투여량이 2개로 확인된 경우, 제2 인공 신경망은 제1 약품도 제1 카테고리에 속하는 것으로 확인되면, 4개 및 2개의 평균치인 3개를 제2 수량으로 산출할 수 있다.
또한, 제2 약품 및 제3 약품이 제1 카테고리로 분류되어 있으며, 제2 약품의 2상 임상시험 결과를 통해 제2 약품에 대한 2상 임상시험 투여 기간이 3달로 확인되고, 제3 약품의 2상 임상시험 결과를 통해 제3 약품에 대한 2상 임상시험 투여 기간이 1달로 확인된 경우, 제2 인공 신경망은 제1 약품도 제1 카테고리에 속하는 것으로 확인되면, 3달 및 1달의 평균치인 2달을 제2 기간으로 산출할 수 있다.
제2 인공 신경망은 제2 수량을 제1 약품에 대한 임상시험 투여량으로 분석하고 제2 기간을 제1 약품에 대한 임상시험 투여 기간으로 분석할 수 있으며, 제2 수량을 임상시험 투여량으로 지시하는 출력값과 제2 기간을 임상시험 투여 기간으로 지시하는 출력값을 포함하는 제2 출력 신호를 출력할 수 있다.
즉, 제2 인공 신경망은 제1 입력 신호를 통해, 2상 임상시험에 대한 프로토콜 요소를 분석하도록 학습될 수 있다. 제2 인공 신경망은 도 3을 참조하여 후술되는 방법을 통해 학습될 수 있다. 이를 통해, 제2 인공 신경망은 제1 입력 신호를 통해, 2상 임상시험에 대한 프로토콜 요소를 분석하여, 제2 출력 신호를 출력할 수 있다.
한편, 제1 약품에 대한 2상 임상시험이 진행한 적이 있으면, 이번에 진행해야 하는 제1 약품에 대한 임상시험이 2상 임상시험이 아닌 것으로 확인될 수 있으며, S206 단계에서 제1 약품에 대한 임상시험이 2상 임상시험이 아닌 것으로 확인되면, S209 단계에서, 장치(200)는 제1 약품에 대한 임상시험이 3상 임상시험인지 여부를 확인할 수 있다.
제1 약품에 대한 1상 임상시험 및 2상 임상시험이 진행한 적이 있고 3상 임상시험이 진행한 적이 없으면, 이번에 진행해야 하는 제1 약품에 대한 임상시험이 3상 임상시험인 것으로 확인될 수 있으며, S209 단계에서 제1 약품에 대한 임상시험이 3상 임상시험으로 확인되면, S210 단계에서, 장치(200)는 제3 인공 신경망에 제1 입력 신호를 입력할 수 있다.
구체적으로, 장치(200)는 미리 학습된 제3 인공 신경망을 포함할 수 있다. 제3 인공 신경망은 3상 임상시험에 대한 프로토콜 요소를 출력하기 위해 미리 학습되어 있으며, 약품 정보를 통해 생성된 제1 입력 신호를 입력 받은 후, 약품에 대한 3상 임상시험을 진행하는데 가장 적합할 것으로 추론되는 프로토콜 요소들을 선정하고, 선정된 프로토콜 요소들로 생성된 제3 출력 신호를 출력하는 알고리즘일 수 있다.
S211 단계에서, 장치(200)는 제3 인공 신경망에 제1 입력 신호가 입력되면, 제3 인공 신경망의 입력에 대한 결과에 기초하여, 제3 출력 신호를 획득할 수 있다.
구체적으로, 장치(200)는 제1 그룹으로 분류된 지원자들 중에서 제1 약품에 대한 임상시험에 참여하여 제1 약품을 복용한 것으로 확인된 지원자들을 제3 그룹으로 분류하고, 제1 약품에 대한 임상시험에 참여하지 않아 제1 약품을 복용하지 않은 것으로 확인된 지원자들을 제4 그룹으로 분류할 수 있다. 이를 위해, 장치(200)의 데이터베이스에는 임상시험에 참여한 다수의 지원자 정보가 저장되어 있다. 지원자 정보는 연령, 성별, 질환, 체형, 식습관, 유전, 임상시험 참여 현황 등의 정보를 포함할 수 있고, 임상시험 지원자들은 임상시험 참여 상태에 따라 그룹 별로 분류될 수 있다.
제3 인공 신경망은 제2 그룹으로 분류된 지원자들 중에서 제1 약품을 복용한 것으로 확인된 지원자들이 제3 그룹으로 분류되어 있고 제1 약품을 복용하지 않은 것으로 확인된 지원자들이 제4 그룹으로 분류되어 있는 경우, 제1 입력 신호가 입력되면, 제3 그룹 및 제4 그룹을 제1 약품에 대한 임상시험 대상자로 분석할 수 있으며, 제3 그룹 및 제4 그룹을 임상시험 대상자로 지시하는 출력값을 포함하는 제3 출력 신호를 출력할 수 있다.
또한, 제3 인공 신경망은 제1 약품의 효능을 통해 제1 약품이 제1 카테고리에 속하는 것으로 확인된 경우, 제1 입력 신호가 입력되면, 제1 카테고리에 속하는 약품들에 대한 3상 임상시험 일일 투여량의 평균치를 제3 수량으로 산출하고, 제1 카테고리에 속하는 약품들에 대한 3상 임상시험 투여 기간의 평균치를 제3 기간으로 산출할 수 있다.
예를 들어, 제2 약품 및 제3 약품이 제1 카테고리로 분류되어 있으며, 제2 약품의 3상 임상시험 결과를 통해 제2 약품에 대한 3상 임상시험 일일 투여량이 4개로 확인되고, 제3 약품의 3상 임상시험 결과를 통해 제3 약품에 대한 3상 임상시험 일일 투여량이 2개로 확인된 경우, 제3 인공 신경망은 제1 약품도 제1 카테고리에 속하는 것으로 확인되면, 4개 및 2개의 평균치인 3개를 제3 수량으로 산출할 수 있다.
또한, 제2 약품 및 제3 약품이 제1 카테고리로 분류되어 있으며, 제2 약품의 3상 임상시험 결과를 통해 제2 약품에 대한 3상 임상시험 투여 기간이 3달로 확인되고, 제3 약품의 3상 임상시험 결과를 통해 제3 약품에 대한 3상 임상시험 투여 기간이 1달로 확인된 경우, 제3 인공 신경망은 제1 약품도 제1 카테고리에 속하는 것으로 확인되면, 3달 및 1달의 평균치인 2달을 제3 기간으로 산출할 수 있다.
제3 인공 신경망은 제3 수량을 제1 약품에 대한 임상시험 투여량으로 분석하고 제3 기간을 제1 약품에 대한 임상시험 투여 기간으로 분석할 수 있으며, 제3 수량을 임상시험 투여량으로 지시하는 출력값과 제3 기간을 임상시험 투여 기간으로 지시하는 출력값을 포함하는 제3 출력 신호를 출력할 수 있다.
즉, 제3 인공 신경망은 제1 입력 신호를 통해, 3상 임상시험에 대한 프로토콜 요소를 분석하도록 학습될 수 있다. 제3 인공 신경망은 도 3을 참조하여 후술되는 방법을 통해 학습될 수 있다. 이를 통해, 제3 인공 신경망은 제1 입력 신호를 통해, 3상 임상시험에 대한 프로토콜 요소를 분석하여, 제3 출력 신호를 출력할 수 있다.
S212 단계에서, 장치(200)는 제1 출력 신호, 제2 출력 신호 및 제3 출력 신호 중 어느 하나가 획득되면, 획득된 출력 신호에 기초하여, 제1 약품에 대한 임상시험 프로토콜을 생성할 수 있다.
장치(200)는 제1 출력 신호가 획득된 경우, 제1 출력 신호에 기초하여, 제1 약품에 대한 1상 임상시험 프로토콜을 생성할 수 있고, 제2 출력 신호가 획득된 경우, 제2 출력 신호에 기초하여, 제1 약품에 대한 2상 임상시험 프로토콜을 생성할 수 있고, 제3 출력 신호가 획득된 경우, 제3 출력 신호에 기초하여, 제1 약품에 대한 3상 임상시험 프로토콜을 생성할 수 있다.
S213 단계에서, 장치(200)는 제1 약품에 대한 임상시험 프로토콜이 생성되면, 생성된 임상시험 프로토콜을 제1 담당자 단말(110)로 제공할 수 있다.
도 3은 일실시예에 따른 인공 신경망의 학습을 설명하기 위한 도면이다.
일실시예에 따르면, 인공 신경망은 제1 인공 신경망, 제2 인공 신경망 및 제3 인공 신경망 중 어느 하나일 수 있다.
제1 인공 신경망은 약품 정보를 통해 생성된 제1 입력 신호를 입력 받은 후, 약품에 대한 1상 임상시험을 진행하는데 가장 적합할 것으로 추론되는 프로토콜 요소들을 선정하고, 선정된 프로토콜 요소들로 생성된 제1 출력 신호를 출력하는 알고리즘일 수 있다.
제2 인공 신경망은 약품 정보를 통해 생성된 제1 입력 신호를 입력 받은 후, 약품에 대한 2상 임상시험을 진행하는데 가장 적합할 것으로 추론되는 프로토콜 요소들을 선정하고, 선정된 프로토콜 요소들로 생성된 제2 출력 신호를 출력하는 알고리즘일 수 있다.
제3 인공 신경망은 약품 정보를 통해 생성된 제1 입력 신호를 입력 받은 후, 약품에 대한 3상 임상시험을 진행하는데 가장 적합할 것으로 추론되는 프로토콜 요소들을 선정하고, 선정된 프로토콜 요소들로 생성된 제3 출력 신호를 출력하는 알고리즘일 수 있다.
인공 신경망의 학습이 이루어지는 학습 장치는 인공지능 기반 임상시험 프로토콜 설계 방법을 제공하는 장치(200)와 동일한 장치일 수도 있고, 별개의 장치일 수도 있다. 이하에서는 인공 신경망이 학습되는 과정을 설명한다.
먼저, S301 단계에서, 학습 장치는 인공 신경망에 입력할 입력을 생성할 수 있다.
구체적으로, 학습 장치는 약품 정보를 통해 추출된 키워드에 대해 전처리하는 과정을 수행할 수 있다. 전처리가 수행된 키워드를 인공 신경망의 입력으로 그대로 사용하거나, 불필요한 정보를 제거하는 통상의 처리를 거쳐 인공 신경망의 입력을 생성할 수 있다.
S302 단계에서, 학습 장치는 인공 신경망에 입력을 적용할 수 있다. 이때, 학습 장치는 약품에 대해 1상 임상시험까지 진행한 것으로 확인된 경우, 제1 인공 신경망에 입력을 적용하고, 약품에 대해 2상 임상시험까지 진행한 것으로 확인된 경우, 제2 인공 신경망에 입력을 적용하고, 약품에 대해 3상 임상시험까지 진행한 것으로 확인된 경우, 제3 인공 신경망에 입력을 적용할 수 있다.
인공 신경망은 강화 학습(reinforcement learning)에 따라 학습되는 인공 신경망일 수 있다. 인공 신경망은 강화 학습을 통해 추상적 추론을 출력하는데 적합한 Q-Network, DQN(Depp Q-Network), 또는 관계형 네트워크(relation network, RL) 구조일 수 있다.
강화 학습에 따라 학습되는 인공 신경망은 다양한 보상에 평가를 반영하여 갱신 및 최적화될 수 있다. 예를 들어, 제1 인공 신경망은 제1 보상 및 제2 보상을 통해 갱신 및 최적화되고, 제2 인공 신경망은 제3 보상 및 제4 보상을 통해 갱신 및 최적화되고, 제3 인공 신경망은 제5 보상 및 제6 보상을 통해 갱신 및 최적화될 수 있다.
예를 들어, 제1 보상은 약품의 유형, 의료법 등을 고려하여 1상 임상시험에 적합한 프로토콜 요소를 선정할수록 높아질 수 있으며, 제2 보상은 환자 모집 용이성, 임상시험 시행까지 남아있는 기간, 임상시험 진행 병원의 프로세스 등을 고려하여 1상 임상시험에 적합한 프로토콜 요소를 선정할수록 높아질 수 있다.
또한, 제3 보상은 약품의 유형, 의료법 등을 고려하여 2상 임상시험에 적합한 프로토콜 요소를 선정할수록 높아질 수 있으며, 제4 보상은 환자 모집 용이성, 임상시험 시행까지 남아있는 기간, 임상시험 진행 병원의 프로세스 등을 고려하여 2상 임상시험에 적합한 프로토콜 요소를 선정할수록 높아질 수 있다.
또한, 제5 보상은 약품의 유형, 의료법 등을 고려하여 3상 임상시험에 적합한 프로토콜 요소를 선정할수록 높아질 수 있으며, 제6 보상은 환자 모집 용이성, 임상시험 시행까지 남아있는 기간, 임상시험 진행 병원의 프로세스 등을 고려하여 3상 임상시험에 적합한 프로토콜 요소를 선정할수록 높아질 수 있다.
S303 단계에서, 학습 장치는 인공 신경망으로부터 출력을 획득할 수 있다.
제1 인공 신경망의 출력은, 약품에 대한 1상 임상시험을 진행하는데 추천할 프로토콜 요소로 생성된 제1 출력 신호일 수 있다. 이때, 제1 인공 신경망은 약품 정보를 통해 생성된 제1 입력 신호를 입력 받은 후, 약품에 대한 1상 임상시험을 진행하는데 가장 적합할 것으로 추론되는 프로토콜 요소들을 선정하고, 선정된 프로토콜 요소들로 생성된 제1 출력 신호를 출력할 수 있다.
제2 인공 신경망의 출력은, 약품에 대한 2상 임상시험을 진행하는데 추천할 프로토콜 요소로 생성된 제2 출력 신호일 수 있다. 이때, 제2 인공 신경망은 약품 정보를 통해 생성된 제1 입력 신호를 입력 받은 후, 약품에 대한 2상 임상시험을 진행하는데 가장 적합할 것으로 추론되는 프로토콜 요소들을 선정하고, 선정된 프로토콜 요소들로 생성된 제2 출력 신호를 출력할 수 있다.
제3 인공 신경망의 출력은, 약품에 대한 3상 임상시험을 진행하는데 추천할 프로토콜 요소로 생성된 제3 출력 신호일 수 있다. 이때, 제3 인공 신경망은 약품 정보를 통해 생성된 제1 입력 신호를 입력 받은 후, 약품에 대한 3상 임상시험을 진행하는데 가장 적합할 것으로 추론되는 프로토콜 요소들을 선정하고, 선정된 프로토콜 요소들로 생성된 제3 출력 신호를 출력할 수 있다.
S304 단계에서, 학습 장치는 인공 신경망의 출력을 평가하여 보상을 지급할 수 있다.
제1 인공 신경망의 출력에 대한 평가는 제1 보상 및 제2 보상으로 나뉠 수 있다. 예를 들어, 학습 장치는 약품의 유형, 의료법 등을 고려하여 1상 임상시험에 적합한 프로토콜 요소를 선정할수록 제1 보상을 많이 수여하고, 환자 모집 용이성, 임상시험 시행까지 남아있는 기간, 임상시험 진행 병원의 프로세스 등을 고려하여 1상 임상시험에 적합한 프로토콜 요소를 선정할수록 제2 보상을 많이 수여할 수 있다.
제2 인공 신경망의 출력에 대한 평가는 제3 보상 및 제4 보상으로 나뉠 수 있다. 예를 들어, 학습 장치는 약품의 유형, 의료법 등을 고려하여 2상 임상시험에 적합한 프로토콜 요소를 선정할수록 제3 보상을 많이 수여하고, 환자 모집 용이성, 임상시험 시행까지 남아있는 기간, 임상시험 진행 병원의 프로세스 등을 고려하여 2상 임상시험에 적합한 프로토콜 요소를 선정할수록 제4 보상을 많이 수여할 수 있다.
제3 인공 신경망의 출력에 대한 평가는 제5 보상 및 제6 보상으로 나뉠 수 있다. 예를 들어, 학습 장치는 약품의 유형, 의료법 등을 고려하여 3상 임상시험에 적합한 프로토콜 요소를 선정할수록 제5 보상을 많이 수여하고, 환자 모집 용이성, 임상시험 시행까지 남아있는 기간, 임상시험 진행 병원의 프로세스 등을 고려하여 3상 임상시험에 적합한 프로토콜 요소를 선정할수록 제6 보상을 많이 수여할 수 있다.
S305 단계에서, 학습 장치는 평가를 기초로 인공 신경망을 갱신할 수 있다.
학습 장치는 제1 인공 신경망이 제1 입력 신호를 통해 1상 임상시험에 대한 프로토콜 요소를 추론하여 분석하는 환경(environment)에서, 보상값(reward)들의 합의 기대값(expectation)이 최대화되도록, 특정한 상태(state)들에서 취할 행동(action)들을 결정하는 정책(policy)을 최적화하는 과정을 통해 제1 인공 신경망을 갱신할 수 있다.
또한, 학습 장치는 제2 인공 신경망이 제1 입력 신호를 통해 2상 임상시험에 대한 프로토콜 요소를 추론하여 분석하는 환경(environment)에서, 보상값(reward)들의 합의 기대값(expectation)이 최대화되도록, 특정한 상태(state)들에서 취할 행동(action)들을 결정하는 정책(policy)을 최적화하는 과정을 통해 제2 인공 신경망을 갱신할 수 있다.
또한, 학습 장치는 제3 인공 신경망이 제1 입력 신호를 통해 3상 임상시험에 대한 프로토콜 요소를 추론하여 분석하는 환경(environment)에서, 보상값(reward)들의 합의 기대값(expectation)이 최대화되도록, 특정한 상태(state)들에서 취할 행동(action)들을 결정하는 정책(policy)을 최적화하는 과정을 통해 제3 인공 신경망을 갱신할 수 있다.
한편, 정책을 최적화하는 과정은 보상들의 합의 기대값의 최대값 또는 Q-함수의 최대값을 추정하거나, Q-함수의 손실 함수(loss function)의 최소값을 추정하는 과정을 통해 이루어질 수 있다. 손실함수의 최소값의 추정은 확률적 경사하강법(stochastic gradient descent, SGD) 등을 통해 이루어질 수 있다. 정책을 최적화하는 과정은 이에 제한되는 것은 아니며, 강화 학습에서 사용하는 다양한 최적화 알고리즘들이 이용될 수 있다.
학습 장치는 상기와 같은 인공 신경망의 학습 과정을 반복함으로써, 인공 신경망을 점진적으로 갱신시킬 수 있다.
구체적으로, 학습 장치는 제1 입력 신호를 통해 1상 임상시험에 대한 프로토콜 요소를 추론하고, 추론된 프로토콜 요소를 출력하는 제1 인공 신경망을 학습시킬 수 있다.
이를 통해, 학습 장치는 약품 정보에 기초하여 생성된 제1 입력 신호를 입력 받은 후, 약품에 대한 1상 임상시험을 진행하는데 가장 적합할 것으로 예상되는 프로토콜 요소를 추론하고, 추론된 프로토콜 요소로 생성된 제1 출력 신호를 출력하는 제1 인공 신경망을 학습시킬 수 있다.
즉, 학습 장치는 약품 정보를 통해 1상 임상시험에 대한 프로토콜 요소를 추론할 때, 제1 보상, 제2 보상 등을 통한 강화 학습을 반영하여, 분석 기준을 조정함으로써, 제1 인공 신경망을 학습시킬 수 있다.
또한, 학습 장치는 제1 입력 신호를 통해 2상 임상시험에 대한 프로토콜 요소를 추론하고, 추론된 프로토콜 요소를 출력하는 제2 인공 신경망을 학습시킬 수 있다.
이를 통해, 학습 장치는 약품 정보에 기초하여 생성된 제1 입력 신호를 입력 받은 후, 약품에 대한 2상 임상시험을 진행하는데 가장 적합할 것으로 예상되는 프로토콜 요소를 추론하고, 추론된 프로토콜 요소로 생성된 제2 출력 신호를 출력하는 제2 인공 신경망을 학습시킬 수 있다.
즉, 학습 장치는 약품 정보를 통해 2상 임상시험에 대한 프로토콜 요소를 추론할 때, 제3 보상, 제4 보상 등을 통한 강화 학습을 반영하여, 분석 기준을 조정함으로써, 제2 인공 신경망을 학습시킬 수 있다.
또한, 학습 장치는 제1 입력 신호를 통해 3상 임상시험에 대한 프로토콜 요소를 추론하고, 추론된 프로토콜 요소를 출력하는 제3 인공 신경망을 학습시킬 수 있다.
이를 통해, 학습 장치는 약품 정보에 기초하여 생성된 제1 입력 신호를 입력 받은 후, 약품에 대한 3상 임상시험을 진행하는데 가장 적합할 것으로 예상되는 프로토콜 요소를 추론하고, 추론된 프로토콜 요소로 생성된 제3 출력 신호를 출력하는 제3 인공 신경망을 학습시킬 수 있다.
즉, 학습 장치는 약품 정보를 통해 3상 임상시험에 대한 프로토콜 요소를 추론할 때, 제5 보상, 제6 보상 등을 통한 강화 학습을 반영하여, 분석 기준을 조정함으로써, 제3 인공 신경망을 학습시킬 수 있다.
도 4는 일실시예에 따른 제1 약품에 대한 1상 임상시험 예산을 산정하는 과정을 설명하기 위한 순서도이다.
도 4를 참조하면, 먼저, S401 단계에서, 장치(200)는 제1 인공 신경망으로부터 제1 출력 신호를 획득할 수 있다.
S402 단계에서, 장치(200)는 제1 출력 신호에 기초하여 제1 그룹, 제1 수량 및 제1 기간을 기반으로, 제1 약품에 대한 임상시험 프로토콜로 설정하고, 제1 약품에 대한 임상시험 프로토콜을 설정하여, 제1 약품에 대한 임상시험 프로토콜을 생성할 수 있다.
즉, 임상시험 프로토콜 요소로 임상시험 대상자, 투여량 및 투여 기간이 있는 경우, 장치(200)는 제1 그룹을 임상시험 대상자로 설정하고 제1 수량을 투여량으로 설정하고 제1 기간을 투여 기간으로 설정하여, 제1 약품에 대한 임상시험 프로토콜을 생성할 수 있다.
S403 단계에서, 장치(200)는 제1 그룹이 제1 약품에 대한 임상시험의 임상시험 대상자로 설정되면, 제1 그룹에 속하는 지원자들의 수인 제1 명수를 확인할 수 있다.
예를 들어, 제1 그룹에 60명의 지원자가 속해 있는 경우, 장치(200)는 60명을 제1 명수로 확인할 수 있다.
S404 단계에서, 장치(200)는 제1 수량이 제1 약품에 대한 임상시험의 투여량으로 설정되면, 제1 수량에 대한 생산 비용인 제1 가격을 확인할 수 있다.
예를 들어, 제1 약품의 개당 생산 비용이 100원이고 제1 수량이 3개인 경우, 장치(200)는 300원을 제1 가격으로 확인할 수 있다.
S405 단계에서, 장치(200)는 제1 기간이 제1 약품에 대한 임상시험의 투여 기간으로 설정되면, 제1 기간을 일자로 변환한 제1 날수를 확인할 수 있다.
예를 들어, 제1 기간이 2달인 경우, 장치(200)는 60일을 제1 날수로 확인할 수 있다.
S406 단계에서, 장치(200)는 제1 명수, 제1 가격 및 제1 날수가 각각 확인되면, 제1 명수, 제1 가격 및 제1 날수를 곱한 값으로, 제1 약품에 대한 1상 임상시험 예산을 산정할 수 있다.
예를 들어, 제1 명수가 60명이고 제1 가격이 300원이고 제1 날수가 60일인 경우, 장치(200)는 108만원을 제1 약품에 대한 1상 임상시험 예산으로 산정할 수 있다.
도 5는 일실시예에 따른 제1 약품에 대한 2상 임상시험 예산을 산정하는 과정을 설명하기 위한 순서도이다.
도 5를 참조하면, 먼저, S501 단계에서, 장치(200)는 제2 인공 신경망으로부터 제2 출력 신호를 획득할 수 있다.
S502 단계에서, 장치(200)는 제2 출력 신호에 기초하여 제2 그룹, 제2 수량 및 제2 기간을 기반으로, 제1 약품에 대한 임상시험 프로토콜로 설정하고, 제1 약품에 대한 임상시험 프로토콜을 설정하여, 제1 약품에 대한 임상시험 프로토콜을 생성할 수 있다.
즉, 임상시험 프로토콜 요소로 임상시험 대상자, 투여량 및 투여 기간이 있는 경우, 장치(200)는 제2 그룹을 임상시험 대상자로 설정하고 제2 수량을 투여량으로 설정하고 제2 기간을 투여 기간으로 설정하여, 제1 약품에 대한 임상시험 프로토콜을 생성할 수 있다.
S503 단계에서, 장치(200)는 제2 그룹이 제1 약품에 대한 임상시험의 임상시험 대상자로 설정되면, 제2 그룹에 속하는 지원자들의 수인 제2 명수를 확인할 수 있다.
S504 단계에서, 장치(200)는 제2 수량이 제1 약품에 대한 임상시험의 투여량으로 설정되면, 제2 수량에 대한 생산 비용인 제2 가격을 확인할 수 있다.
S505 단계에서, 장치(200)는 제2 기간이 제1 약품에 대한 임상시험의 투여 기간으로 설정되면, 제2 기간을 일자로 변환한 제2 날수를 확인할 수 있다.
S506 단계에서, 장치(200)는 제2 명수, 제2 가격 및 제2 날수가 각각 확인되면, 제2 명수, 제2 가격 및 제2 날수를 곱한 값으로, 제1 약품에 대한 2상 임상시험 예산을 산정할 수 있다.
도 6은 일실시예에 따른 제1 약품에 대한 3상 임상시험 예산을 산정하는 과정을 설명하기 위한 순서도이다.
도 6을 참조하면, 먼저, S601 단계에서, 장치(200)는 제3 인공 신경망으로부터 제3 출력 신호를 획득할 수 있다.
S602 단계에서, 장치(200)는 제3 출력 신호에 기초하여 제3 그룹, 제4 그룹, 제3 수량 및 제3 기간을 기반으로, 제1 약품에 대한 임상시험 프로토콜로 설정하고, 제1 약품에 대한 임상시험 프로토콜을 설정하여, 제1 약품에 대한 임상시험 프로토콜을 생성할 수 있다.
즉, 임상시험 프로토콜 요소로 임상시험 대상자, 투여량 및 투여 기간이 있는 경우, 장치(200)는 제3 그룹 및 제4 그룹을 임상시험 대상자로 설정하고 제3 수량을 투여량으로 설정하고 제3 기간을 투여 기간으로 설정하여, 제1 약품에 대한 임상시험 프로토콜을 생성할 수 있다.
S603 단계에서, 장치(200)는 제3 그룹 및 제4 그룹이 제1 약품에 대한 임상시험의 임상시험 대상자로 설정되면, 제3 그룹에 속하는 지원자들의 수와 제4 그룹에 속하는 지원자들의 수를 합산하여 제3 명수를 산출할 수 있다.
S604 단계에서, 장치(200)는 제3 수량이 제1 약품에 대한 임상시험의 투여량으로 설정되면, 제3 수량에 대한 생산 비용인 제3 가격을 확인할 수 있다.
S605 단계에서, 장치(200)는 제3 기간이 제1 약품에 대한 임상시험의 투여 기간으로 설정되면, 제3 기간을 일자로 변환한 제3 날수를 확인할 수 있다.
S606 단계에서, 장치(200)는 제3 명수, 제3 가격 및 제3 날수가 각각 확인되면, 제3 명수, 제3 가격 및 제3 날수를 곱한 값으로, 제1 약품에 대한 3상 임상시험 예산을 산정할 수 있다.
도 7은 일실시예에 따른 약품의 반출량을 관리하는 과정을 설명하기 위한 순서도이다.
도 7을 참조하면, 먼저, S701 단계에서, 장치(200)는 제1 약품에 대한 임상시험이 진행되고 있는 경우, 제1 시점에 약품 창고에 보관되어 있는 약품을 촬영하여 생성된 제1 이미지를 획득할 수 있다.
구체적으로, 제1 담당자가 운영하는 업체에는 약품을 보관하는 창고가 구비되어 있으며, 창고 내부에는 약품들을 보관하기 위한 보관함이 구비되어 있을 수 있다. 제1 담당자 단말(110)은 제1 시점에 제1 담당자 단말(110)에 구비된 카메라를 이용하여 창고의 보관함에 진열되어 있는 약품에 대한 촬영을 수행하여 제1 이미지를 생성할 수 있다. 장치(200)는 제1 시점에 제1 담당자의 창고에 보관되어 있는 약품을 촬영하여 제1 이미지가 생성되면, 제1 담당자 단말(110)로부터 제1 이미지를 획득할 수 있다.
일실시예에 따르면, 제1 담당자 단말(110)에 포함되어 있는 카메라는 영상 촬영을 위한 Full HD(High Definition) 화질의 카메라 장비로서, 30내지 60프레임을 기준으로 하는 촬영 장비일 수 있다. 카메라는 노출, 셔터스피드, 감도를 자동으로 조절할 수 있으며, 담당자의 편의에 따라 수동 조절이 가능할 수 있다.
S702 단계에서, 장치(200)는 제1 이미지를 인코딩 하여 제2 입력 신호를 생성할 수 있다.
구체적으로, 장치(200)는 제1 이미지의 픽셀을 색 정보로 인코딩 하여 제2 입력 신호를 생성할 수 있다. 색 정보는 RGB 색상 정보, 명도 정보, 채도 정보를 포함할 수 있으나, 이에 국한하지 않는다. 장치(200)는 색 정보를 수치화된 값으로 환산할 수 있으며, 이 값을 포함한 데이터 시트 형태로 이미지를 인코딩할 수 있다.
S703 단계에서, 장치(200)는 제2 입력 신호를 제4 인공 신경망에 입력할 수 있다.
일실시예에 따르면, 제4 인공 신경망은 컨볼루션 신경망으로 구현되어, 컨볼루션 신경망은 특징 추출 신경망과 분류 신경망으로 구성되어 있으며, 특징 추출 신경망은 입력 신호를 컨볼루션 계층과 풀링 계층을 차례로 쌓아 진행한다. 컨볼루션 계층은 컨볼루션 연산, 컨볼루션 필터 및 활성함수를 포함하고 있다. 컨볼루션 필터의 계산은 대상 입력의 행렬 크기에 따라 조절되나 일반적으로 9X9 행렬을 사용한다. 활성 함수는 일반적으로 ReLU 함수, 시그모이드 함수, 및 tanh 함수 등을 사용하나 이에 한정하지 않는다. 풀링 계층은 입력의 행렬 크기를 줄이는 역할을 하는 계층으로, 특정 영역의 픽셀을 묶어 대표값을 추출하는 방식을 사용한다. 풀링 계층의 연산에는 일반적으로 평균값이나 최대값을 많이 사용하나 이에 한정하지 않는다. 해당 연산은 정방 행렬을 사용하여 진행되는데, 일반적으로 9X9 행렬을 사용한다. 컨볼루션 계층과 풀링 계층은 해당 입력이 차이를 유지한 상태에서 충분히 작아질 때까지 번갈아 반복 진행된다.
일실시예에 따르면, 분류 신경망은 은닉층과 출력층을 가지고 있다. 인공지능 기반의 약품 반출량 관리 방법을 위한 컨볼루션 신경망에서는 일반적으로 은닉층이 3개 이상 존재하며, 각 은닉층의 노드는 100개로 지정하나 경우에 따라 그 이상으로 정할 수 있다. 은닉층의 활성함수는 ReLU 함수, 시그모이드 함수 및 tanh 함수 등을 사용하나 이에 한정하지 않는다. 컨볼루션 신경망의 출력층 노드는 총 50개로 할 수 있다. 컨볼루션 신경망에 대한 자세한 설명은 도 8을 참조하여 후술한다.
S704 단계에서, 장치(200)는 컨볼루션 신경망인 제4 인공 신경망의 입력의 대한 결과에 기초하여, 제4 인공 신경망의 출력값인 제4 출력 신호를 획득할 수 있다.
일실시예에 따르면, 컨볼루션 신경망의 50개 출력층 노드는 상위 25개의 출력층 노드와 하위 25개의 출력층 노드를 포함할 수 있다. 컨볼루션 신경망의 50개 출력층 노드 중 상위 25개의 출력층 노드는 약품의 종류를 지시할 수 있다. 하위 25개의 노드는 상위 25개의 노드에 대응하는 약품의 재고량을 지시할 수 있다. 컨볼루션 신경망의 출력에 관한 자세한 설명은 도 8을 참조하여 후술한다.
S705 단계에서, 장치(200)는 제4 출력 신호를 기초로, 제1 시점에 보관되어 있는 약품의 종류 및 재고량을 분석할 수 있다. 즉, 장치(200)는 제1 시점에 창고에 보관되어 있는 약품의 종류가 어느 것인지 분석하고, 약품의 종류 별로 재고량이 몇 개인지 분석할 수 있다.
S706 단계에서, 장치(200)는 제2 시점에 제1 담당자의 창고에 보관되어 있는 약품을 촬영하여 생성된 제2 이미지를 획득할 수 있다. 여기서, 제2 시점은 제1 시점으로부터 기준 기간이 지난 후의 시점을 의미하고, 기준 기간은 실시예에 따라 상이하게 설정될 수 있다. 예를 들어, 제1 시점이 13시인데, 기준 기간이 5시간으로 설정되어 있는 경우, 제2 시점은 18시일 수 있다.
구체적으로, 제1 담당자 단말(110)은 제2 시점에 제1 담당자 단말(110)에 구비된 카메라를 이용하여 창고의 보관함에 진열되어 있는 약품에 대한 촬영을 수행하여 제2 이미지를 생성할 수 있다. 장치(200)는 제2 시점에 제1 담당자의 창고에 보관되어 있는 약품을 촬영하여 제2 이미지가 생성되면, 제1 담당자 단말(110)로부터 제2 이미지를 획득할 수 있다.
S707 단계에서, 장치(200)는 제2 이미지를 인코딩 하여 제3 입력 신호를 생성할 수 있다.
S708 단계에서, 장치(200)는 제3 입력 신호를 제4 인공 신경망에 입력할 수 있다.
S709 단계에서, 장치(200)는 제4 인공 신경망의 입력의 대한 결과에 기초하여, 제4 인공 신경망의 출력값인 제5 출력 신호를 획득할 수 있다.
S710 단계에서, 장치(200)는 제5 출력 신호를 기초로, 제2 시점에 보관되어 있는 약품의 종류 및 재고량을 분석할 수 있다. 즉, 장치(200)는 제2 시점에 창고에 보관되어 있는 약품의 종류가 어느 것인지 분석하고, 약품의 종류 별로 재고량이 몇 개인지 분석할 수 있다.
S711 단계에서, 장치(200)는 제1 시점에 보관되어 있는 약품의 종류 및 재고량과 제2 시점에 보관되어 있는 약품의 종류 및 재고량을 비교하여, 제1 시점과 제2 시점 간에 재고량 차이가 있는 약품이 있는지 여부를 확인할 수 있다.
예를 들어, 제1 시점에 제1 약품이 5개, 제2 약품이 4개 보관되어 있는 것으로 확인되고, 제2 시점에 제1 약품이 4개, 제2 약품이 4개 보관되어 있는 것으로 확인되면, 장치(200)는 제1 시점과 제2 시점 간에 제1 약품의 재고량이 차이가 있는 것으로 확인할 수 있다.
S711 단계에서 제1 약품의 재고량이 차이가 있는 것으로 확인되면, S712 단계에서, 장치(200)는 제1 시점과 제2 시점 간에 차이나는 제1 약품의 재고량을 제1 약품의 반출량으로 산출할 수 있다.
구체적으로, 제1 시점에 창고에 보관되어 있는 제1 약품의 재고량이 제1 수량이고, 제2 시점에 창고에 보관되어 있는 제1 약품의 재고량이 제2 수량인 경우, 장치(200)는 제1 수량 및 제2 수량이 상이한 것으로 확인되면, 제1 시점과 제2 시점 간에 제1 약품의 재고량이 차이가 있는 것으로 확인할 수 있으며, 제1 수량에서 제2 수량을 차감하여, 제1 약품의 반출량을 산출할 수 있다.
예를 들어, 제1 시점에 제1 약품이 창고에 5개 보관되어 있는 것으로 확인되고, 제2 시점에 제1 약품이 창고에 4개 보관되어 있는 것으로 확인되면, 장치(200)는 5개에서 4개를 차감하여, 1개를 제1 약품의 반출량으로 산출할 수 있다.
도 8은 일실시예에 따른 제4 인공 신경망을 설명하기 위한 도면이다.
일실시예에 따르면, 장치(200)는 제1 담당자 단말(110)의 카메라를 통한 촬영으로 생성된 이미지를 인코딩 하여 입력 신호를 생성할 수 있으며, 제4 인공 신경망(801)은 입력 신호를 입력으로 하고, 약품의 종류(802) 및 약품의 재고량(803)을 출력으로 할 수 있다.
일실시예에 따른 인코딩은 이미지의 픽셀 별 색 정보를 수치화된 데이터 시트 형태로 저장하는 방식으로 이뤄질 수 있는데, 색 정보는 하나의 픽셀이 가지고 있는 RGB 색상, 명도 정보, 채도 정보를 포함할 수 있으나, 이에 국한하지 않는다.
일실시예에 따르면, 제4 인공 신경망(801)은 컨볼루션 신경망으로 구현되어, 제4 인공 신경망(801)은 특징 추출 신경망(810)과 분류 신경망(820)으로 구성될 수 있으며, 특징 추출 신경망(810)은 약품을 찍은 이미지에서 약품과 배경을 분리하는 작업을 수행할 수 있으며, 분류 신경망(820)은 그로부터 약품을 종류별로 분류하고, 약품의 종류별로 각각의 재고량을 파악하는 작업을 수행하도록 할 수 있다. 특징 추출 신경망(810)이 약품과 배경과 구분하는 방법은, 이미지를 인코딩한 입력 신호의 데이터 시트로부터 색 정보의 각 값들의 변화가 한 픽셀을 포함하는 8개의 픽셀 중 6개 이상에서 30% 이상의 변화가 생긴 것으로 감지되는 픽셀들의 묶음을 약품과 배경의 경계로 삼을 수 있으나, 이에 국한하지 않는다.
일실시예에 따르면, 특징 추출 신경망(810)은 입력 신호를 컨볼루션 계층과 풀링 계층을 차례로 쌓아 진행한다. 컨볼루션 계층은 컨볼루션 연산, 컨볼루션 필터 및 활성함수를 포함하고 있다. 컨볼루션 필터의 계산은 대상 입력의 행렬 크기에 따라 조절되나 일반적으로 9X9 행렬을 사용한다. 활성 함수는 일반적으로 ReLU 함수, 시그모이드 함수, 및 tanh 함수 등을 사용하나 이에 한정하지 않는다. 풀링 계층은 입력의 행렬 크기를 줄이는 역할을 하는 계층으로, 특정 영역의 픽셀을 묶어 대표값을 추출하는 방식을 사용한다. 풀링 계층의 연산에는 일반적으로 평균값이나 최대값을 많이 사용하나 이에 한정하지 않는다. 해당 연산은 정방 행렬을 사용하여 진행되는데, 일반적으로 9X9 행렬을 사용한다. 컨볼루션 계층과 풀링 계층은 해당 입력이 차이를 유지한 상태에서 충분히 작아질 때까지 번갈아 반복 진행된다.
일실시예에 따른 분류 신경망(820)은 특징 추출 신경망(810)을 통해 배경으로부터 구분된 약품을 그 형태 및 연속성에 따라 약품의 종류(802)를 구분하고, 약품의 재고량(803)을 약품의 종류 별로 파악할 수 있다. 약품의 비교를 위해 데이터베이스에 저장된 정보들을 활용할 수 있다. 분류 신경망(820)은 약품의 종류(802)를 파악하는 작업을 우선으로 하며, 파악된 약품의 형태 및 크기에 따라 약품의 재고량(803) 파악을 용이하도록 할 수 있다.
일실시예에 따르면, 분류 신경망(820)은 은닉층과 출력층을 가지고 있다. 장치(200) 내의 제4 인공 신경망(801)에서는 일반적으로 은닉층이 5개 이상 존재하며, 각 은닉층의 노드는 80개로 지정하나 경우에 따라 그 이상으로 정할 수 있다. 은닉층의 활성함수는 ReLU 함수, 시그모이드 함수 및 tanh 함수 등을 사용하나 이에 한정하지 않는다. 제4 인공 신경망(801)의 출력층 노드는 총 50개로 할 수 있다.
일실시예에 따른 제4 인공 신경망(801)의 출력은 출력층의 50개 노드 중 상위 25개의 노드는 약품의 종류(802)를 지시할 수 있고, 하위 25개의 노드는 상위 노드에 각각 대응하는 약품의 재고량(803)을 지시할 수 있다. 상위 25개의 노드와 하위 25개의 노드를 대응시키는 방식은 상위 n번 째 노드와 하위 n번 째 노드를 대응시키는 방식으로, 전체에서 n번 째 노드가 전체에서 25+n번 째 노드에 대응하는 방식으로 진행될 수 있다. 예를 들어, 1번 째 노드는 26번 째 노드에 대응하며, 2번 째 노드는 27번 째 노드에, 10번 째 노드는 35번 째 노드에, 25번 재 노드는 50번 째 노드에 대응하는 방식으로 진행될 수 있다. 약품의 종류(802)는 약품에 대응하는 코드 정보로 출력될 수 있으나, 이에 국한하지 않는다. 제4 인공 신경망(801)의 50개의 출력층 노드 중 출력값이 없는 출력층 노드는 숫자 0을 그 출력값으로 출력할 수 있다. 상위 25개의 노드 중에 이 숫자 0이 포함되는 노드들은 해당하는 약품이 없는 것으로 간주될 수 있다. 만약 분류된 약품의 종류가 25개 이상일 경우, 남은 약품은 미리 생성한 출력값이 모두 처리된 후 이어서 자동으로 처리될 수 있다.
일실시예에 따르면, 제4 인공 신경망(801)은 사용자가 제4 인공 신경망(801)에 따른 약품 파악의 문제점 발견 시 사용자에 의해 입력된 수정 정답에 의해 생성되는 학습 신호를 전달받아 학습할 수 있다. 제4 인공 신경망(801)에 따른 약품 파악의 문제점은 약품의 종류(802) 및 약품의 재고량(803)에 문제가 있는 경우를 의미할 수 있다.
일실시예에 따른 학습 신호는 정답과 출력값의 오차를 바탕으로 만들어지며, 경우에 따라 델타를 이용하는 SGD나 배치 방식 혹은 역전파 알고리즘을 따르는 방식을 사용할 수 있다. 제4 인공 신경망(801)은 학습 신호에 의해 기존의 가중치를 수정해 학습을 수행하며, 경우에 따라 모멘텀을 사용할 수 있다. 오차의 계산에는 비용함수가 사용될 수 있는데, 비용함수로 Cross entropy 함수를 사용할 수 있다.
도 9는 일실시예에 따른 임상시험 투역 내역을 통해 약품의 반출량을 확인하는 과정을 설명하기 위한 순서도이다.
도 9를 참조하면, 먼저, S901 단계에서, 장치(200)는 제1 약품의 반출량이 산출되어, 제1 약품의 반출량이 0보다 큰 것으로 확인되면, 기준 기간 동안 임상시험에 투여된 임상시험 투여 내역을 획득할 수 있다. 여기서, 기준 기간은 제1 시점부터 제2 시점까지의 기간을 의미할 수 있고, 임상시험 투여 내역은 임상시험 별로 어느 시점에 어느 약품을 얼마나 많이 투여하였는지 나타내는 리스트로 구성될 수 있다.
예를 들어, 제1 시점이 13시이고, 제2 시점이 18시인 경우, 장치(200)는 13시부터 18시까지 임상시험에 투여된 임상시험 투여 내역을 획득할 수 있다.
S902 단계에서, 장치(200)는 기준 기간 동안 임상시험에 투여된 임상시험 투여 내역을 기초로, 기준 기간 동안 임상시험에 투여된 약품의 종류 및 투여량을 분석할 수 있다.
예를 들어, 기준 기간이 13시부터 18시까지이고, 14시에 투여된 임상시험 투여 내역에는 제1 약품이 1개, 제2 약품이 2개 투여된 것으로 기재되어 있고, 15시에 투여된 임상시험 투여 내역에는 제2 약품이 1개, 제3 약품이 2개 투여된 것으로 기재되어 있는 경우, 장치(200)는 기준 기간 동안에 제1 약품이 1개, 제2 약품이 3개, 제3 약품이 2개 임상시험에 투여된 것으로, 임상시험에 투여된 약품의 종류 및 투여량을 분석할 수 있다.
S903 단계에서, 장치(200)는 기준 기간 동안 임상시험에 투여된 약품의 종류 및 투여량에 대한 분석 결과에서, 제1 약품의 투여량을 확인할 수 있다. 즉, 장치(200)는 기준 기간 동안 제1 약품이 임상시험에 투여된 것으로 확인되면, 기준 기간 동안 임상시험에 투여된 제1 약품의 투여량을 확인할 수 있다.
S904 단계에서, 장치(200)는 제1 약품의 반출량과 제1 약품의 투여량이 일치하는지 여부를 확인할 수 있다.
S904 단계에서 제1 약품의 반출량과 제1 약품의 투여량이 일치하는 것으로 확인되면, S905 단계에서, 장치(200)는 제1 약품의 반출량에 문제가 없는 것으로 판단할 수 있다.
S904 단계에서 제1 약품의 반출량과 제1 약품의 투여량이 일치하지 않는 것으로 확인되면, S906 단계에서, 장치(200)는 제1 약품의 반출량에 문제가 있는 것으로 판단할 수 있다.
S907 단계에서, 장치(200)는 제1 약품에 대한 반출량 확인 알림 메시지를 제1 담당자 단말(110)로 전송할 수 있다. 여기서, 제1 약품에 대한 반출량 확인 알림 메시지는 제1 약품의 투여량과 반출량이 상이하여, 반출량에 대한 확인이 필요한 것을 알려주는 알림 메시지이다.
도 10은 일실시예에 따른 장치의 구성의 예시도이다.
일실시예에 따른 장치(200)는 프로세서(210) 및 메모리(220)를 포함한다. 프로세서(210)는 도 1 내지 도 9를 참조하여 전술된 적어도 하나의 장치들을 포함하거나, 도 1 내지 도 9를 참조하여 전술된 적어도 하나의 방법을 수행할 수 있다. 장치(200)를 이용하는 자 또는 단체는 도 1 내지 도 9를 참조하여 전술된 방법들 일부 또는 전부와 관련된 서비스를 제공할 수 있다.
메모리(220)는 전술된 방법들과 관련된 정보를 저장하거나 후술되는 방법들이 구현된 프로그램을 저장할 수 있다. 메모리(220)는 휘발성 메모리 또는 비휘발성 메모리일 수 있다.
프로세서(210)는 프로그램을 실행하고, 장치(200)를 제어할 수 있다. 프로세서(210)에 의하여 실행되는 프로그램의 코드는 메모리(220)에 저장될 수 있다. 장치(200)는 입출력 장치(도면 미 표시)를 통하여 외부 장치(예를 들어, 퍼스널 컴퓨터 또는 네트워크)에 연결되고, 유무선 통신을 통해 데이터를 교환할 수 있다.
장치(200)는 인공 신경망을 학습시키거나, 학습된 인공 신경망을 이용하는데 사용될 수 있다. 메모리(220)는 학습 중인 또는 학습된 인공 신경망을 포함할 수 있다. 프로세서(210)는 메모리(220)에 저장된 인공 신경망 알고리즘을 학습시키거나 실행시킬 수 있다. 인공 신경망을 학습시키는 장치(200)와 학습된 인공 신경망을 이용하는 장치(200)는 동일할 수도 있고 개별적일 수도 있다.
이상에서 설명된 실시예들은 하드웨어 구성요소, 소프트웨어 구성요소, 및/또는 하드웨어 구성요소 및 소프트웨어 구성요소의 조합으로 구현될 수 있다. 예를 들어, 실시예들에서 설명된 장치, 방법 및 구성요소는, 예를 들어, 프로세서, 콘트롤러, ALU(arithmetic logic unit), 디지털 신호 프로세서(digital signal processor), 마이크로컴퓨터, FPGA(field programmable gate array), PLU(programmable logic unit), 마이크로프로세서, 또는 명령(instruction)을 실행하고 응답할 수 있는 다른 어떠한 장치와 같이, 하나 이상의 범용 컴퓨터 또는 특수 목적 컴퓨터를 이용하여 구현될 수 있다. 처리 장치는 운영 체제(OS) 및 상기 운영 체제 상에서 수행되는 하나 이상의 소프트웨어 애플리케이션을 수행할 수 있다. 또한, 처리 장치는 소프트웨어의 실행에 응답하여, 데이터를 접근, 저장, 조작, 처리 및 생성할 수도 있다. 이해의 편의를 위하여, 처리 장치는 하나가 사용되는 것으로 설명된 경우도 있지만, 해당 기술분야에서 통상의 지식을 가진 자는, 처리 장치가 복수 개의 처리 요소(processing element) 및/또는 복수 유형의 처리 요소를 포함할 수 있음을 알 수 있다. 예를 들어, 처리 장치는 복수 개의 프로세서 또는 하나의 프로세서 및 하나의 콘트롤러를 포함할 수 있다. 또한, 병렬 프로세서(parallel processor)와 같은, 다른 처리 구성(processing configuration)도 가능하다.
실시예에 따른 방법은 다양한 컴퓨터 수단을 통하여 수행될 수 있는 프로그램 명령 형태로 구현되어 컴퓨터 판독 가능 매체에 기록될 수 있다. 상기 컴퓨터 판독 가능 매체는 프로그램 명령, 데이터 파일, 데이터 구조 등을 단독으로 또는 조합하여 포함할 수 있다. 상기 매체에 기록되는 프로그램 명령은 실시예를 위하여 특별히 설계되고 구성된 것들이거나 컴퓨터 소프트웨어 당업자에게 공지되어 사용 가능한 것일 수도 있다. 컴퓨터 판독 가능 기록 매체의 예에는 하드 디스크, 플로피 디스크 및 자기 테이프와 같은 자기 매체(magnetic media), CD-ROM, DVD와 같은 광기록 매체(optical media), 플롭티컬 디스크(floptical disk)와 같은 자기-광 매체(magneto-optical media), 및 롬(ROM), 램(RAM), 플래시 메모리 등과 같은 프로그램 명령을 저장하고 수행하도록 특별히 구성된 하드웨어 장치가 포함된다. 프로그램 명령의 예에는 컴파일러에 의해 만들어지는 것과 같은 기계어 코드뿐만 아니라 인터프리터 등을 사용해서 컴퓨터에 의해서 실행될 수 있는 고급 언어 코드를 포함한다. 상기된 하드웨어 장치는 실시예의 동작을 수행하기 위해 하나 이상의 소프트웨어 모듈로서 작동하도록 구성될 수 있으며, 그 역도 마찬가지이다.
소프트웨어는 컴퓨터 프로그램(computer program), 코드(code), 명령(instruction), 또는 이들 중 하나 이상의 조합을 포함할 수 있으며, 원하는 대로 동작하도록 처리 장치를 구성하거나 독립적으로 또는 결합적으로(collectively) 처리 장치를 명령할 수 있다. 소프트웨어 및/또는 데이터는, 처리 장치에 의하여 해석되거나 처리 장치에 명령 또는 데이터를 제공하기 위하여, 어떤 유형의 기계, 구성요소(component), 물리적 장치, 가상 장치(virtual equipment), 컴퓨터 저장 매체 또는 장치, 또는 전송되는 신호 파(signal wave)에 영구적으로, 또는 일시적으로 구체화(embody)될 수 있다. 소프트웨어는 네트워크로 연결된 컴퓨터 시스템 상에 분산되어서, 분산된 방법으로 저장되거나 실행될 수도 있다. 소프트웨어 및 데이터는 하나 이상의 컴퓨터 판독 가능 기록 매체에 저장될 수 있다.
이상과 같이 실시예들이 비록 한정된 도면에 의해 설명되었으나, 해당 기술분야에서 통상의 지식을 가진 자라면 상기를 기초로 다양한 기술적 수정 및 변형을 적용할 수 있다. 예를 들어, 설명된 기술들이 설명된 방법과 다른 순서로 수행되거나, 및/또는 설명된 시스템, 구조, 장치, 회로 등의 구성요소들이 설명된 방법과 다른 형태로 결합 또는 조합되거나, 다른 구성요소 또는 균등물에 의하여 대치되거나 치환되더라도 적절한 결과가 달성될 수 있다.
그러므로, 다른 구현들, 다른 실시예들 및 특허청구범위와 균등한 것들도 후술하는 청구범위의 범위에 속한다.

Claims (3)

  1. 장치에 의해 수행되는, 인공지능을 기반으로 임상시험 프로토콜을 설계하는 방법에 있어서,
    제1 약품에 대한 임상시험 프로토콜의 설계가 요청되면, 제1 약품 정보에 기초하여, 제1 입력 신호를 생성하는 단계;
    상기 제1 약품에 대한 임상시험이 1상 임상시험으로 확인되면, 1상 임상시험에 대한 프로토콜 요소를 출력하기 위해 미리 학습되어 있는 제1 인공 신경망에 상기 제1 입력 신호를 입력하고, 상기 제1 인공 신경망의 입력에 대한 결과에 기초하여, 제1 출력 신호를 획득하는 단계;
    상기 제1 약품에 대한 임상시험이 2상 임상시험으로 확인되면, 2상 임상시험에 대한 프로토콜 요소를 출력하기 위해 미리 학습되어 있는 제2 인공 신경망에 상기 제1 입력 신호를 입력하고, 상기 제2 인공 신경망의 입력에 대한 결과에 기초하여, 제2 출력 신호를 획득하는 단계;
    상기 제1 약품에 대한 임상시험이 3상 임상시험으로 확인되면, 3상 임상시험에 대한 프로토콜 요소를 출력하기 위해 미리 학습되어 있는 제3 인공 신경망에 상기 제1 입력 신호를 입력하고, 상기 제3 인공 신경망의 입력에 대한 결과에 기초하여, 제3 출력 신호를 획득하는 단계; 및
    상기 제1 출력 신호, 상기 제2 출력 신호 및 상기 제3 출력 신호 중 어느 하나에 기초하여, 상기 제1 약품에 대한 임상시험 프로토콜을 생성하는 단계를 포함하며,
    상기 제1 인공 신경망은
    임상시험 지원자들 중에서 건강한 것으로 확인된 지원자들이 제1 그룹으로 분류되어 있는 경우, 상기 제1 그룹을 상기 제1 약품에 대한 임상시험 대상자로 분석하여 상기 제1 출력 신호를 출력하고,
    상기 제2 인공 신경망은
    임상시험 지원자들 중에서 상기 제1 약품의 효능이 필요한 것으로 확인된 지원자들이 제2 그룹으로 분류되어 있는 경우, 상기 제2 그룹을 상기 제1 약품에 대한 임상시험 대상자로 분석하여 상기 제2 출력 신호를 출력하고,
    상기 제3 인공 신경망은
    상기 제2 그룹으로 분류된 지원자들 중에서 상기 제1 약품을 복용한 것으로 확인된 지원자들이 제3 그룹으로 분류되어 있고 상기 제1 약품을 복용하지 않은 것으로 확인된 지원자들이 제4 그룹으로 분류되어 있는 경우, 상기 제3 그룹 및 상기 제4 그룹을 상기 제1 약품에 대한 임상시험 대상자로 분석하여 상기 제3 출력 신호를 출력하며,
    상기 제1 인공 신경망은
    상기 제1 약품의 효능을 통해 상기 제1 약품이 제1 카테고리에 속하는 것으로 확인된 경우, 상기 제1 카테고리에 속하는 약품들에 대한 1상 임상시험 일일 투여량의 평균치를 제1 수량으로 산출하고, 상기 제1 카테고리에 속하는 약품들에 대한 1상 임상시험 투여 기간의 평균치를 제1 기간으로 산출하고, 상기 제1 수량을 상기 제1 약품에 대한 임상시험 투여량으로 분석하고 상기 제1 기간을 상기 제1 약품에 대한 임상시험 투여 기간으로 분석하여 상기 제1 출력 신호를 출력하고,
    상기 제2 인공 신경망은
    상기 제1 약품의 효능을 통해 상기 제1 약품이 제1 카테고리에 속하는 것으로 확인된 경우, 상기 제1 카테고리에 속하는 약품들에 대한 2상 임상시험 일일 투여량의 평균치를 제2 수량으로 산출하고, 상기 제1 카테고리에 속하는 약품들에 대한 2상 임상시험 투여 기간의 평균치를 제2 기간으로 산출하고, 상기 제2 수량을 상기 제1 약품에 대한 임상시험 투여량으로 분석하고 상기 제2 기간을 상기 제1 약품에 대한 임상시험 투여 기간으로 분석하여 상기 제2 출력 신호를 출력하고,
    상기 제3 인공 신경망은
    상기 제1 약품의 효능을 통해 상기 제1 약품이 제1 카테고리에 속하는 것으로 확인된 경우, 상기 제1 카테고리에 속하는 약품들에 대한 3상 임상시험 일일 투여량의 평균치를 제3 수량으로 산출하고, 상기 제1 카테고리에 속하는 약품들에 대한 3상 임상시험 투여 기간의 평균치를 제3 기간으로 산출하고, 상기 제3 수량을 상기 제1 약품에 대한 임상시험 투여량으로 분석하고 상기 제3 기간을 상기 제1 약품에 대한 임상시험 투여 기간으로 분석하여 상기 제3 출력 신호를 출력하며,
    상기 제1 약품에 대한 임상시험 프로토콜을 생성하는 단계 이후,
    상기 제1 출력 신호에 기초하여 상기 제1 그룹, 상기 제1 수량 및 상기 제1 기간을 기반으로, 상기 제1 약품에 대한 임상시험 프로토콜로 설정되면, 상기 제1 그룹에 속하는 지원자들의 수인 제1 명수를 확인하고, 상기 제1 수량에 대한 생산 비용인 제1 가격을 확인하고, 상기 제1 기간을 일자로 변환한 제1 날수를 확인하고, 상기 제1 명수, 상기 제1 가격 및 상기 제1 날수를 곱한 값으로, 상기 제1 약품에 대한 1상 임상시험 예산을 산정하는 단계;
    상기 제2 출력 신호에 기초하여 상기 제2 그룹, 상기 제2 수량 및 상기 제2 기간이 상기 제1 약품에 대한 임상시험 프로토콜로 설정되면, 상기 제2 그룹에 속하는 지원자들의 수인 제2 명수를 확인하고, 상기 제2 수량에 대한 생산 비용인 제2 가격을 확인하고, 상기 제2 기간을 일자로 변환한 제2 날수를 확인하고, 상기 제2 명수, 상기 제2 가격 및 상기 제2 날수를 곱한 값으로, 상기 제1 약품에 대한 2상 임상시험 예산을 산정하는 단계;
    상기 제3 출력 신호에 기초하여 상기 제3 그룹, 상기 제4 그룹, 상기 제3 수량 및 상기 제3 기간이 상기 제1 약품에 대한 임상시험 프로토콜로 설정되면, 상기 제3 그룹에 속하는 지원자들의 수와 상기 제4 그룹에 속하는 지원자들의 수를 합산하여 제3 명수를 산출하고, 상기 제3 수량에 대한 생산 비용인 제3 가격을 확인하고, 상기 제3 기간을 일자로 변환한 제3 날수를 확인하고, 상기 제3 명수, 상기 제3 가격 및 상기 제3 날수를 곱한 값으로, 상기 제1 약품에 대한 3상 임상시험 예산을 산정하는 단계;
    상기 제1 약품에 대한 임상시험이 진행되고 있는 경우, 제1 시점에 제1 담당자 단말의 카메라를 이용하여 창고에 보관되어 있는 약품에 대한 촬영이 수행되면, 상기 제1 시점에 상기 창고에 보관되어 있는 약품을 촬영하여 생성된 제1 이미지를 획득하는 단계;
    상기 제1 이미지를 인코딩 하여 제2 입력 신호를 생성하는 단계;
    상기 제2 입력 신호를 제4 인공 신경망에 입력하고, 상기 제4 인공 신경망의 입력에 대한 결과에 기초하여, 제4 출력 신호를 획득하는 단계;
    상기 제4 출력 신호를 기초로, 상기 제1 시점에 보관되어 있는 약품의 종류 및 재고량을 분석하는 단계;
    상기 제1 시점으로부터 미리 설정된 기준 기간이 지난 후인 제2 시점에 상기 제1 담당자 단말의 카메라를 이용하여 상기 창고에 보관되어 있는 약품에 대한 촬영이 수행되면, 상기 제2 시점에 상기 창고에 보관되어 있는 약품을 촬영하여 생성된 제2 이미지를 획득하는 단계;
    상기 제2 이미지를 인코딩 하여 제3 입력 신호를 생성하는 단계;
    상기 제3 입력 신호를 상기 제4 인공 신경망에 입력하고, 상기 제4 인공 신경망의 입력에 대한 결과에 기초하여, 제5 출력 신호를 획득하는 단계;
    상기 제5 출력 신호를 기초로, 상기 제2 시점에 보관되어 있는 약품의 종류 및 재고량을 분석하는 단계;
    상기 제1 시점에 보관되어 있는 약품의 종류 및 재고량과 상기 제2 시점에 보관되어 있는 약품의 종류 및 재고량을 비교하여, 상기 제1 시점과 상기 제2 시점 간에 재고량 차이가 있는 약품이 있는지 여부를 확인하는 단계;
    상기 제1 시점에 보관되어 있는 상기 제1 약품의 재고량이 제4 수량이고, 상기 제2 시점에 보관되어 있는 상기 제1 약품의 재고량이 제5 수량인 경우, 상기 제4 수량 및 상기 제5 수량이 상이한 것으로 확인되어, 상기 제1 시점과 상기 제2 시점 간에 상기 제1 약품의 재고량이 차이가 있는 것으로 확인되면, 상기 제4 수량에서 상기 제5 수량을 차감하여, 상기 제1 약품의 반출량을 산출하는 단계;
    상기 제1 약품의 반출량이 0보다 큰 것으로 확인되면, 상기 기준 기간 동안 임상시험에 투여된 임상시험 투여 내역을 획득하는 단계;
    상기 임상시험 투여 내역을 기초로, 상기 기준 기간 동안 임상시험에 투여된 약품의 종류 및 투여량을 분석하는 단계;
    상기 기준 기간 동안 상기 제1 약품이 임상시험에 투여된 것으로 확인되면, 상기 기준 기간 동안 임상시험에 투여된 상기 제1 약품의 투여량을 확인하는 단계; 및
    상기 제1 약품의 반출량과 상기 제1 약품의 투여량이 일치하지 않는 것으로 확인되면, 상기 제1 약품의 반출량에 문제가 있는 것으로 판단하여, 상기 제1 약품에 대한 반출량 확인 알림 메시지를 상기 제1 담당자 단말로 전송하는 단계를 더 포함하는,
    인공지능 기반 임상시험 프로토콜 설계 방법.
  2. 삭제
  3. 삭제
KR1020220068006A 2022-06-03 2022-06-03 인공지능 기반 임상시험 프로토콜 설계 방법, 장치 및 시스템 KR102447046B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020220068006A KR102447046B1 (ko) 2022-06-03 2022-06-03 인공지능 기반 임상시험 프로토콜 설계 방법, 장치 및 시스템

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020220068006A KR102447046B1 (ko) 2022-06-03 2022-06-03 인공지능 기반 임상시험 프로토콜 설계 방법, 장치 및 시스템

Publications (1)

Publication Number Publication Date
KR102447046B1 true KR102447046B1 (ko) 2022-09-26

Family

ID=83452667

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020220068006A KR102447046B1 (ko) 2022-06-03 2022-06-03 인공지능 기반 임상시험 프로토콜 설계 방법, 장치 및 시스템

Country Status (1)

Country Link
KR (1) KR102447046B1 (ko)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117899501A (zh) * 2024-03-15 2024-04-19 上海博迅医疗生物仪器股份有限公司 一种水蒸汽产生器及药品稳定性实验系统

Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2001198191A (ja) * 2000-01-18 2001-07-24 Tosho Inc 薬品管理システム
KR101398988B1 (ko) 2011-06-30 2014-06-30 김혁만 전자 증례기록지를 이용한 임상시험 서비스 시스템
KR20150100626A (ko) * 2012-10-05 2015-09-02 베이시언트 엘엘씨 수학적 모형 함수로서 환자-특이적 투여법을 제공하는 시스템 및 방법
KR20190077093A (ko) * 2016-11-14 2019-07-02 코타 인코포레이티드 임상 결과들을 개선하고 총 케어 비용을 감소시키기 위한 cna-유도 케어
KR20190110381A (ko) * 2018-03-20 2019-09-30 딜로이트컨설팅유한회사 임상시험 결과 예측 장치 및 방법
KR102070030B1 (ko) 2018-02-05 2020-03-02 재단법인 전통천연물기반 유전자동의보감 사업단 임상시험을 위한 데이터 관리 방법 및 장치
KR20200086168A (ko) 2019-01-08 2020-07-16 연세대학교 산학협력단 실용학적 임상시험 지원 시스템 및 방법
KR20200145931A (ko) * 2019-06-20 2020-12-31 주식회사 올리브헬스케어 임상시험참여자를 위한 의약품 이미지 분석 시스템 및 방법
KR102228580B1 (ko) * 2020-09-01 2021-03-16 주식회사 고스트패스 사용자 생체 정보를 이용한 임상시험 장치 및 그 동작 방법
KR102243938B1 (ko) * 2020-09-24 2021-04-22 김동목 의약품 납품 및 재고관리 시스템
KR20220018225A (ko) * 2020-08-06 2022-02-15 정종우 빅데이터 기반 임상시험 정보 관리 방법
KR102394304B1 (ko) 2021-05-14 2022-05-04 다윈그룹(주) 신약에 대한 임상시험의 설계를 지원하는 방법, 시스템 및 컴퓨터-판독가능 매체

Patent Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2001198191A (ja) * 2000-01-18 2001-07-24 Tosho Inc 薬品管理システム
KR101398988B1 (ko) 2011-06-30 2014-06-30 김혁만 전자 증례기록지를 이용한 임상시험 서비스 시스템
KR20150100626A (ko) * 2012-10-05 2015-09-02 베이시언트 엘엘씨 수학적 모형 함수로서 환자-특이적 투여법을 제공하는 시스템 및 방법
KR20190077093A (ko) * 2016-11-14 2019-07-02 코타 인코포레이티드 임상 결과들을 개선하고 총 케어 비용을 감소시키기 위한 cna-유도 케어
KR102070030B1 (ko) 2018-02-05 2020-03-02 재단법인 전통천연물기반 유전자동의보감 사업단 임상시험을 위한 데이터 관리 방법 및 장치
KR20190110381A (ko) * 2018-03-20 2019-09-30 딜로이트컨설팅유한회사 임상시험 결과 예측 장치 및 방법
KR20200086168A (ko) 2019-01-08 2020-07-16 연세대학교 산학협력단 실용학적 임상시험 지원 시스템 및 방법
KR20200145931A (ko) * 2019-06-20 2020-12-31 주식회사 올리브헬스케어 임상시험참여자를 위한 의약품 이미지 분석 시스템 및 방법
KR20220018225A (ko) * 2020-08-06 2022-02-15 정종우 빅데이터 기반 임상시험 정보 관리 방법
KR102228580B1 (ko) * 2020-09-01 2021-03-16 주식회사 고스트패스 사용자 생체 정보를 이용한 임상시험 장치 및 그 동작 방법
KR102243938B1 (ko) * 2020-09-24 2021-04-22 김동목 의약품 납품 및 재고관리 시스템
KR102394304B1 (ko) 2021-05-14 2022-05-04 다윈그룹(주) 신약에 대한 임상시험의 설계를 지원하는 방법, 시스템 및 컴퓨터-판독가능 매체

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117899501A (zh) * 2024-03-15 2024-04-19 上海博迅医疗生物仪器股份有限公司 一种水蒸汽产生器及药品稳定性实验系统
CN117899501B (zh) * 2024-03-15 2024-05-24 上海博迅医疗生物仪器股份有限公司 一种水蒸汽产生器及药品稳定性实验系统

Similar Documents

Publication Publication Date Title
CN112651511A (zh) 一种训练模型的方法、数据处理的方法以及装置
Mocanu et al. Factored four way conditional restricted boltzmann machines for activity recognition
KR102330858B1 (ko) 배변 시트 대변 이미지를 활용한 반려 동물 대변 상태 분석 정보 제공 방법, 장치 및 시스템
WO2020144627A1 (en) Automated generation of codes
Kasabov Evolving connectionist systems for adaptive learning and knowledge discovery: Trends and directions
Klyuchko Application of artificial neural networks method in biotechnology
KR102553041B1 (ko) 인공지능 모델 기반 사용자 및 인테리어 공급자 매칭 플랫폼 서비스 제공 방법, 장치 및 시스템
KR102506472B1 (ko) 인공지능 기반 초개인화 맞춤형 식품 구매 추천 서비스 제공 방법, 장치 및 시스템
KR102546871B1 (ko) 인공지능 모델 기반 b2b 식자재 및 부자재의 유통의 주문 히스토리의 패턴 분석을 통한 주문 정보 추천 방법, 장치 및 시스템
KR102447046B1 (ko) 인공지능 기반 임상시험 프로토콜 설계 방법, 장치 및 시스템
KR102564996B1 (ko) 인공지능 기반 사용자 맞춤형 건강기능식품 큐레이션 서비스 제공 방법, 장치 및 시스템
KR102601446B1 (ko) 인공지능 모델을 활용한 인플루언서 기반 판매 제품매칭 플랫폼 서비스 제공 방법, 장치 및 시스템
KR102447426B1 (ko) 초개인화를 위한 퍼스널 컬러와 타임라인 기반 행동 데이터를 분석하여 라이프스타일 가이드 정보를 추천하는 방법, 장치 및 시스템
KR102552856B1 (ko) 커머스 연계 콘텐츠 제공 플랫폼 서비스를 위한 키워드 추출 및 콘텐츠 템플릿 생성 자동화 방법, 장치 및 시스템
KR102426803B1 (ko) 인공지능 기반 제품의 해외 판매 페이지 자동 업로드 방법, 장치 및 시스템
KR102463875B1 (ko) 빅데이터를 활용한 사용자 맞춤 심리 치료 콘텐츠 제공 방법, 장치 및 시스템
Yadav et al. Machine learning in expert systems for disease diagnostics in human healthcare
CN115565636A (zh) 一种药物推荐模型构建方法、装置、设备及可读存储介质
KR20220018225A (ko) 빅데이터 기반 임상시험 정보 관리 방법
KR102502387B1 (ko) 음성 인식 기반 물류 처리 방법, 장치 및 시스템
KR102500172B1 (ko) 장치 간의 메모리 동기화 방법, 제어 장치 및 시스템
KR102615747B1 (ko) 인공지능 모델을 활용한 음식의 칼로리 추정 및 사용자 맞춤형 신체 변화 정보 시각화 서비스 제공 방법, 장치 및 시스템
KR102505380B1 (ko) 인공지능을 활용한 사용자 과거 불안유발상황 파악 및 선제적 행동치료 제시 서비스 제공 방법, 장치 및 시스템
KR102563687B1 (ko) 보청기 사용자 및 보호자를 위한 보청기 관리 플랫폼 서비스 제공 방법, 장치 및 시스템
KR102593868B1 (ko) 손톱 및 발톱 케어 정보 제공 및 전문가 매칭 플랫폼서비스 구동 방법, 장치 및 시스템

Legal Events

Date Code Title Description
E701 Decision to grant or registration of patent right
GRNT Written decision to grant