KR102447681B1 - 병원들 간의 유사도를 산출하기 위한 방법 및 장치 - Google Patents

병원들 간의 유사도를 산출하기 위한 방법 및 장치 Download PDF

Info

Publication number
KR102447681B1
KR102447681B1 KR1020210144444A KR20210144444A KR102447681B1 KR 102447681 B1 KR102447681 B1 KR 102447681B1 KR 1020210144444 A KR1020210144444 A KR 1020210144444A KR 20210144444 A KR20210144444 A KR 20210144444A KR 102447681 B1 KR102447681 B1 KR 102447681B1
Authority
KR
South Korea
Prior art keywords
hospital
similarity
patient
degree
hospitals
Prior art date
Application number
KR1020210144444A
Other languages
English (en)
Inventor
김견원
Original Assignee
주식회사 에이치엠씨네트웍스
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 에이치엠씨네트웍스 filed Critical 주식회사 에이치엠씨네트웍스
Priority to KR1020210144444A priority Critical patent/KR102447681B1/ko
Application granted granted Critical
Publication of KR102447681B1 publication Critical patent/KR102447681B1/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
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/70—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for mining of medical data, e.g. analysing previous cases of other patients
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H10/00—ICT specially adapted for the handling or processing of patient-related medical or healthcare data
    • G16H10/60—ICT specially adapted for the handling or processing of patient-related medical or healthcare data for patient-specific data, e.g. for electronic patient records
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Public Health (AREA)
  • Biomedical Technology (AREA)
  • Epidemiology (AREA)
  • Data Mining & Analysis (AREA)
  • Primary Health Care (AREA)
  • General Business, Economics & Management (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Artificial Intelligence (AREA)
  • General Physics & Mathematics (AREA)
  • Biophysics (AREA)
  • Evolutionary Computation (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Computational Linguistics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Databases & Information Systems (AREA)
  • Pathology (AREA)
  • Measuring Pulse, Heart Rate, Blood Pressure Or Blood Flow (AREA)

Abstract

본 개시는 병원들 간의 유사도를 산출하기 위한 방법 및 장치에 관한 것이다. 본 개시의 일 실시예에 따른 방법은, 병원들의 기본 정보 및 평가 정보에 기초하여 병원들 간의 1차 유사도를 산출하고, 환자들 각각의 병원 이동 데이터에 기초하여 1차 유사도를 조정하여 2차 유사도를 산출하고, 2차 유사도를 병원들 간의 최종 유사도로 설정할 수 있다.

Description

병원들 간의 유사도를 산출하기 위한 방법 및 장치{METHOD AND APPARATUS FOR CALCULATING SIMILARITY BETWEEN HOSPITALS}
본 발명은 병원들 간의 유사도를 산출하기 위한 방법 및 장치에 관한 것이다.
최근 의료 정보 디지털화로 인해 막대한 양의 의료 데이터가 생성되고 있다. 그러나 최근 코로나 19와 관련하여 확진 환자의 이동 경로와 같은 특수한 상황을 제외하면 환자 이동에 관한 데이터의 접근성은 제한되어 있고, 의료 시장에서 활발하게 활용되고 있지도 아니하다.
환자의 전원은 환자가 3차 병원에서 2차 병원으로 옮기는 것, 2차 병원에서 1차 병원으로 옮기는 것 또는 3차 병원에서 3차 병원으로 옮기는 것 등 환자가 병원을 옮기는 모든 행위를 포함할 수 있다.
한편, 종래에 환자는 병원을 옮기는 경우, 환자는 보통 거주하는 지역을 기반으로 다음 병원을 선택할 뿐이며 병원의 특성 또는 환자 개인의 특성과는 무관하게 다음 병원을 선택하는 문제점이 있다.
따라서, 환자가 병원을 옮겨야 하는 전원의 필요성이 있는 경우에 병원의 특성 또는 환자 개인의 특성을 분석하여 가장 적합한 다음 병원을 환자에게 제공할 수 있는 방법이 요구된다.
전술한 배경기술은 발명자가 본 발명의 도출을 위해 보유하고 있었거나, 본 발명의 도출 과정에서 습득한 기술 정보로서, 반드시 본 발명의 출원 전에 일반 공중에게 공개된 공지기술이라 할 수는 없다.
본 발명은 환자들을 병원들 간의 유사도를 산출하기 위한 방법 및 장치를 제공하는데 있다. 본 발명이 해결하고자 하는 과제는 이상에서 언급한 과제에 한정되지 않으며, 언급되지 않은 본 발명의 다른 과제 및 장점들은 하기의 설명에 의해서 이해될 수 있고, 본 발명의 실시 예에 의해보다 분명하게 이해될 것이다. 또한, 본 발명이 해결하고자 하는 과제 및 장점들은 특허 청구 범위에 나타낸 수단 및 그 조합에 의해 실현될 수 있음을 알 수 있을 것이다.
상술한 기술적 과제를 달성하기 위한 기술적 수단으로서, 본 개시의 제1 측면은, 병원들 간의 유사도를 산출하기 위한 방법으로서, 상기 병원들의 기본 정보 및 평가 정보에 기초하여 상기 병원들 간의 1차 유사도를 산출하는 단계; 환자들 각각의 병원 이동 데이터에 기초하여 상기 1차 유사도를 조정하여 2차 유사도를 산출하는 단계; 및 상기 2차 유사도를 상기 병원들 간의 최종 유사도로 설정하는 단계;를 포함할 수 있다.
또한, 상기 병원 이동 데이터가 상기 환자들 중 제 1 환자가 제 1 병원에서 제 2 병원으로 전원한 병원 이동 데이터 및 제 2 환자가 상기 제 1 병원에서 제 3 병원으로 전원한 병원 이동 데이터를 포함하는 경우, 상기 2차 유사도를 산출하는 단계는, 상기 제 2 병원 및 상기 제 3 병원 간의 1차 유사도에 기 설정된 가중치를 반영하여 상기 제 2 병원 및 상기 제 3 병원 간의 2차 유사도를 산출할 수 있다.
또한, 상기 병원 이동 데이터가 상기 환자들 중 제 1 환자가 제 1 병원에서 제 2 병원을 거쳐 제 3 병원으로 전원한 병원 이동 데이터 및 제 2 환자가 제 1 병원에서 제 4 병원으로 전원한 병원 이동 데이터를 포함하는 경우, 상기 2차 유사도를 산출하는 단계는, 상기 제 3 병원 및 상기 제 4 병원 간의 1차 유사도에 기 설정된 가중치를 반영하여 상기 제 3 병원 및 상기 제 4 병원 간의 2차 유사도를 산출할 수 있다.
또한, 상기 병원 이동 데이터가 상기 환자들 중 제 1 환자가 제 1 병원에서 제 2 병원으로 전원한 병원 이동 데이터 및 제 2 환자가 제 3 병원에서 제 4 병원으로 전원한 병원 이동 데이터를 포함하고, 상기 제 1 병원 및 상기 제 3 병원 간의 1차 유사도 또는 2차 유사도가 기 설정된 값 이상인 경우, 상기 2차 유사도를 산출하는 단계는, 상기 제 2 병원 및 상기 제 4 병원 간의 1차 유사도에 기 설정된 가중치를 반영하여 상기 제 2 병원 및 상기 제 4 병원 간의 2차 유사도를 산출할 수 있다.
또한, 상기 1차 유사도를 산출하는 단계는, 상기 기본 정보 및 평가 정보에 기초하여 상기 병원들에 대응하는 벡터들을 생성하는 단계; 및 상기 벡터들 간의 피어슨 상관 계수(Pearson Correlation Coefficient)를 상기 1차 유사도로 산출하는 단계;를 포함할 수 있다.
또한, 상기 환자들 각각의 병원 이동 데이터는, 상기 환자들 각각의 간병 서비스 데이터에 포함된 간병 서비스 이력들에 기초하여 생성될 수 있다.
본 개시의 제 2 측면은, 병원들 간의 유사도를 산출하는 장치에 있어서, 적어도 하나의 프로그램이 저장된 메모리; 및 상기 적어도 하나의 프로그램을 실행함으로써 연산을 수행하는 프로세서를 포함하고, 상기 프로세서는, 상기 병원들의 기본 정보 및 평가 정보에 기초하여 상기 병원들 간의 1차 유사도를 산출하고, 환자들 각각의 병원 이동 데이터에 기초하여 상기 1차 유사도를 조정하여 2차 유사도를 산출하고, 상기 2차 유사도를 상기 병원들 간의 최종 유사도로 설정할 수 있다.
본 개시의 제 3 측면은, 제 1 측면에 따른 방법을 컴퓨터에서 실행하기 위한 프로그램을 기록한 컴퓨터로 읽을 수 있는 기록매체를 제공할 수 있다.
이 외에도, 본 발명을 구현하기 위한 다른 방법, 다른 시스템 및 상기 방법을 실행하기 위한 컴퓨터 프로그램이 저장된 컴퓨터로 판독 가능한 기록매체가 더 제공될 수 있다.
전술한 것 외의 다른 측면, 특징, 이점이 이하의 도면, 특허청구범위 및 발명의 상세한 설명으로부터 명확해질 것이다.
전술한 본 개시의 과제 해결 수단에 의하면, 환자가 병원을 옮겨야 하는 전원의 필요성이 있는 경우에 병원의 특성 또는 환자 개인의 특성을 분석하여 가장 적합한 다음 병원을 환자에게 제공할 수 있다.
또한, 본 개시의 과제 해결 수단에 의하면, 간병 서비스 데이터에 기초하여 학습된 뉴럴 네트워크를 이용하여, 환자가 병원을 옮겨야 하는 전원의 필요성이 있는 지 여부를 예측할 수 있다.
또한, 본 개시의 과제 해결 수단에 의하면, 간병 서비스 데이터에 기초하여 학습된 뉴럴 네트워크를 이용하여, 환자를 특정 유사 환자군으로 분류하고, 특정 유사 환자군에 속한 환자들의 병원 이동 경로들에 기초하여 환자의 병원 이동 경로를 예측할 수 있다.
또한, 본 개시의 과제 해결 수단에 의하면, 간병 서비스 데이터에 기초하여 학습된 뉴럴 네트워크를 이용하여, 예측한 병원 이동 경로 상의 병원을 환자의 조건에 부합하는 병원으로 대체하여 제안할 수 있다.
도 1은 일 실시예에 따른 환자의 전원을 나타내는 도면이다.
도 2는 일 실시예에 따른 병원 이동 경로를 예측하는 뉴럴 네트워크를 나타내는 도면이다.
도 3은 일 실시예에 따른 간병 서비스 데이터를 이용하여 라벨링 데이터를 생성하는 것을 나타내는 도면이다.
도 4는 일 실시예에 따른 간병 서비스 데이터에 포함된 질환 정보에 유사성에 기초하여 라벨링 데이터를 생성하는 것을 나타내는 도면이다.
도 5는 일 실시예에 따른 간병 서비스 데이터에 포함된 기간 정보에 기초하여 라벨링 데이터를 생성하는 것을 나타내는 도면이다.
도 6은 일 실시예에 따른 질환 정보의 유사성에 기초한 기 설정된 기간을 나타내는 도면이다.
도 7은 일 실시예에 따른 간병 서비스 데이터에 포함된 기간 정보에 기초하여 라벨링 데이터를 생성하는 것을 나타내는 도면이다.
도 8은 일 실시예에 따른 전원의 대상이 되는 지 여부를 판단하기 위한 방법의 흐름도이다.
도 9는 일 실시예에 따른 환자들을 적어도 하나의 1차 유사 환자군으로 분류하는 것을 나타내는 도면이다.
도 10은 일 실시예에 따른 환자들을 적어도 하나의 2차 유사 환자군으로 재분류하는 것을 나타내는 도면이다.
도 11은 일 실시예에 따른 환자들 각각에 대응하는 벡터들 간의 거리에 기초하여 환자들을 적어도 하나의 2차 유사 환자군으로 재분류하는 것을 나타내는 도면이다.
도 12는 일 실시예에 따른 환자들을 적어도 하나의 2차 유사 환자군으로 재분류하는 것을 나타내는 도면이다.
도 13은 일 실시예에 따른 환자들을 적어도 하나의 유사 환자군으로 분류하는 방법의 흐름도이다.
도 14는 일 실시예에 따른 병원들 간의 유사도를 산출하는 것을 나타내는 도면이다.
도 15는 일 실시예에 따른 병원 이동 데이터에 기초하여 병원들 간의 유사도를 산출하는 것을 나타내는 도면이다.
도 16은 일 실시예에 따른 질환 유사도에 기초하여 가중치를 결정하는 것을 나타내는 도면이다.
도 17은 일 실시예에 따른 병원 이동 데이터에 기초하여 병원들 간의 유사도를 산출하는 것을 나타내는 도면이다.
도 18은 일 실시예에 따른 병원 이동 데이터에 기초하여 병원들 간의 유사도를 산출하는 것을 나타내는 도면이다.
도 19는 일 실시예에 따른 병원들 간의 유사도를 산출하는 방법의 흐름도이다.
도 20은 일 실시예에 따른 병원 이동 경로를 예측하는 서버의 블록도이다.
본 발명의 이점 및 특징, 그리고 그것들을 달성하는 방법은 첨부되는 도면과 함께 상세하게 설명되는 실시 예들을 참조하면 명확해질 것이다. 그러나 본 발명은 아래에서 제시되는 실시 예들로 한정되는 것이 아니라, 서로 다른 다양한 형태로 구현될 수 있고, 본 발명의 사상 및 기술 범위에 포함되는 모든 변환, 균등물 내지 대체물을 포함하는 것으로 이해되어야 한다. 아래에 제시되는 실시 예들은 본 발명의 개시가 완전하도록 하며, 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자에게 발명의 범주를 완전하게 알려주기 위해 제공되는 것이다. 본 발명을 설명함에 있어서 관련된 공지 기술에 대한 구체적인 설명이 본 발명의 요지를 흐릴 수 있다고 판단되는 경우 그 상세한 설명을 생략한다.
본 출원에서 사용한 용어는 단지 특정한 실시 예를 설명하기 위해 사용된 것으로, 본 발명을 한정하려는 의도가 아니다. 단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 복수의 표현을 포함한다. 본 출원에서, “포함하다” 또는 “가지다” 등의 용어는 명세서상에 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.
본 개시의 일부 실시예는 기능적인 블록 구성들 및 다양한 처리 단계들로 나타내어질 수 있다. 이러한 기능 블록들의 일부 또는 전부는, 특정 기능들을 실행하는 다양한 개수의 하드웨어 및/또는 소프트웨어 구성들로 구현될 수 있다. 예를 들어, 본 개시의 기능 블록들은 하나 이상의 마이크로프로세서들에 의해 구현되거나, 소정의 기능을 위한 회로 구성들에 의해 구현될 수 있다. 또한, 예를 들어, 본 개시의 기능 블록들은 다양한 프로그래밍 또는 스크립팅 언어로 구현될 수 있다. 기능 블록들은 하나 이상의 프로세서들에서 실행되는 알고리즘으로 구현될 수 있다. 또한, 본 개시는 전자적인 환경 설정, 신호 처리, 및/또는 데이터 처리 등을 위하여 종래 기술을 채용할 수 있다. “매커니즘”, “요소”, “수단” 및 “구성”등과 같은 용어는 넓게 사용될 수 있으며, 기계적이고 물리적인 구성들로서 한정되는 것은 아니다.
또한, 도면에 도시된 구성 요소들 간의 연결 선 또는 연결 부재들은 기능적인 연결 및/또는 물리적 또는 회로적 연결들을 예시적으로 나타낸 것일 뿐이다. 실제 장치에서는 대체 가능하거나 추가된 다양한 기능적인 연결, 물리적인 연결, 또는 회로 연결들에 의해 구성 요소들 간의 연결이 나타내어질 수 있다.
이하 첨부된 도면을 참고하여 본 개시를 상세히 설명하기로 한다.
도 1은 일 실시예에 따른 환자의 전원을 나타내는 도면이다.
환자의 전원은 환자가 치료받던 병원에서 다른 병원으로 옮기는 것을 의미한다. 예를 들어, 환자의 전원은 환자가 3차 병원에서 2차 병원으로 옮기는 것, 2차 병원에서 1차 병원으로 옮기는 것 또는 3차 병원에서 3차 병원으로 옮기는 것 등 환자가 병원을 옮기는 모든 행위를 포함할 수 있다.
한편, 종래에 환자가 병원을 옮기는 경우, 거주하는 지역을 기반으로 환자가 다음 병원을 선택할 뿐이며, 병원의 특성 또는 환자 개인의 특성과는 무관하게 적합한 기준이 없이, 다음 병원을 선택하는 문제점이 있다.
따라서, 환자가 병원을 옮겨야 하는, 즉 전원의 필요성이 있는 경우에 병원의 특성 또는 환자 개인의 특성을 분석하여 가장 적합한 다음 병원을 환자에게 제공할 수 있는 방법이 요구된다.
이와 같이, 병원의 특성 또는 환자 개인의 특성을 분석하여 가장 적합한 다음 병원을 환자에게 제공하기 위해서는 환자들의 병원 이동 데이터를 확보하고 분석할 필요가 있다. 환자 이동 데이터란 환자가 전원을 하는 경우, 이동 전 병원 정보와 이동 후 병원 정보를 기초로 환자의 이동에 관한 데이터를 의미할 수 있다. 또한, 환자 이동 데이터는 환자의 기본 신상 정보 및 환자의 질환 정보를 포함할 수 있음은 당연하다.
일 실시예에 따르면, 환자들의 병원 이동 데이터는 환자들 각각의 간병 서비스 데이터를 이용하여 생성될 수 있다. 예를 들어, 간병 서비스 데이터는 환자가 치료받는 병원 정보, 환자의 질환 정보, 간병 서비스를 제공받은 기간에 관한 정보 또는 환자의 상태(치매 상태, 마비 상태, 인지상태 등) 정보를 포함할 수 있다.
또한, 간병 서비스 데이터는 환자를 간병하는 간병인에 대한 정보를 포함할 수 있고, 간병인에 대한 정보는 간병인의 신상 정보, 간병 이력 정보, 자격증 보유 여부 및 보유 자격증 정보 등을 포함할 수 있으며, 간병인에 대한 정보는 간병 업무에 관한 기본적인 정보를 모두 포함할 수 있음은 당연하다.
또는, 일 실시예에 따르면, 환자들의 병원 이동 데이터는 환자들 각각의 간병 서비스 데이터 및 요양 급여 명세서 데이터를 이용하여 생성될 수 있다. 예를 들어, 요양 급여 명세서 데이터는 환자의 수술 내역 정보, 입원 기간 정보, 처방 내역 또는 진료 기록 정보를 포함할 수 있다.
예를 들어, 도 1은 간병 서비스 데이터를 이용하여 생성한 환자 이동 데이터를 예시적으로 나타낸 것이다. 도 1을 참고하면 서울에 거주하는 55세 여성 뇌경색 환자는 3차 의료 기관인 서울아산병원에서 2차 의료 기관인 분당연세요양병원으로 이동하였음을 알 수 있다.
도 1과 같이 간병 서비스 데이터를 이용하여 생성된 환자의 병원 이동 데이터에 기초하여, 전원의 필요성이 있는 환자에게 가장 적합한 다음 병원을 환자에게 제공할 수 있다.
도 2는 일 실시예에 따른 병원 이동 경로를 예측하는 뉴럴 네트워크를 나타내는 도면이다.
일 실시예에 따르면, 병원 이동 경로를 예측하는 서버(200)는 질환 정보 및 현재 이용하는 병원 정보를 포함하는 환자의 정보(210)가 수신된 경우, 뉴럴 네트워크를 이용하여 해당 환자가 전원의 대상이 되는지 여부를 판단하고, 전원의 대상이 된다고 판단된 경우에 가장 적합한 적어도 하나의 병원 정보를 제공할 수 있다.
예를 들어, 병원 이동 경로를 예측하는 서버(200)는 질환 정보 및 현재 이용하는 병원 정보를 포함하는 환자 정보(210)를 전원의 대상이 되는지 여부를 예측하는 뉴럴 네트워크(201)에 입력하여, 환자가 전원의 대상이 되는 지 여부를 판단할 수 있다.
또한, 병원 이동 경로를 예측하는 서버(200)는 환자가 전원의 대상이 된다고 판단된 경우에는, 환자 정보(210)를 유사 환자군으로 분류하는 뉴럴 네트워크(202)에 입력하여 환자를 특정 유사 환자군으로 분류하고, 특정 유사 환자군에 속한 환자들의 병원 이동 경로들에 기초하여 환자의 병원 이동 경로를 예측할 수 있다. 유사 환자군은 환자들의 질환 정보 또는 진단 내역의 유사성에 기초하여 환자들을 분류한 그룹에 해당할 수 있다. 병원 이동 경로를 예측하는 서버(200)는 예측한 환자의 병원 이동 경로에 기초하여, 전원의 대상이 되는 환자에게 적합한 다음 병원을 제안할 수 있다.
한편, 유사 환자군으로 분류하는 뉴럴 네트워크(202)로부터 예측한 환자의 병원 이동 경로에 기초하여 다음 병원으로 적합하다고 판단되는 병원을 대체할 필요성이 있을 수 있다. 예를 들어, 환자가 선호하는 지역이나 환자가 선호하는 병원의 종류 등을 고려할 때, 다음 병원으로 적합하다고 판단되는 병원을 대체할 필요성이 있다. 이러한 경우, 병원 이동 경로를 예측하는 서버(200)는 병원들 간 유사도를 산출하는 뉴럴 네트워크(203)을 이용하여 환자의 조건에 부합하는 병원으로 대체하여 제안할 수 있다.
상술한 바와 같이, 병원 이동 경로를 예측하는 서버(200)는 전원의 대상이 되는지 여부를 예측하는 뉴럴 네트워크(201), 유사 환자군으로 분류하는 뉴럴 네트워크(202) 및 병원들 간 유사도를 산출하는 뉴럴 네트워크(203)를 이용하여 전원의 대상이 되는 환자에게 가장 적합한 적어도 하나의 병원 정보를 제공할 수 있다.
한편, 전원의 대상이 되는지 여부를 예측하는 뉴럴 네트워크(201), 유사 환자군으로 분류하는 뉴럴 네트워크(202) 및 병원들 간 유사도를 산출하는 뉴럴 네트워크(203) 각각은 입력 데이터 또는 출력 데이터를 상호 공유할 수 있다.
도 2를 참고하면, 병원 이동 경로를 예측하는 서버(200)는 김*욱 환자의 질환이 뇌출혈이라는 질환 정보 및 현재 3차 의료 기관인 서울대병원에서 치료를 받고 있다는 정보를 포함하는 환자 정보(210)를 수신할 수 있고, 환자 정보(210)에 기초하여 김*욱 환자가 다음으로 이동하기에 적합한 2차 의료기관들을 제안할 수 있다.
추가적으로, 환자 정보(210)은 환자들 각각의 간병 서비스 데이터 및 요양 급여 명세서 데이터를 이용하여 생성될 수도 있다. 상기 간병 서비스 데이터 및 요양 데이터는 앞서 상술한 바 생략하기로 한다.
하기 도 3 내지 도 8에서는 병원 이동 경로를 예측하는 서버(200)가 환자가 전원의 대상이 되는 지 여부를 판단하는 것과 관련된 내용을 설명하고, 하기 도 9 내지 도 13에서는 환자를 특정 유사 환자군으로 분류하고, 특정 유사 환자군에 속한 환자들의 병원 이동 경로에 기초하여 적합한 다음 병원을 제안하는 것과 관련된 내용을 설명한다. 하기 도 14 내지 도 19에서는 병원들 간 유사도를 산출하고, 환자의 조건에 부합하는 병원으로 대체하여 다음 병원을 제안하는 것과 관련된 내용을 설명한다.
도 3은 일 실시예에 따른 간병 서비스 데이터를 이용하여 라벨링 데이터를 생성하는 것을 나타내는 도면이다.
일 실시예에 따르면, 전원의 대상이 되는지 여부를 예측하는 뉴럴 네트워크(201)는 복수의 환자들 각각의 간병 서비스 데이터를 기초로 하여 학습된 뉴럴 네트워크에 해당할 수 있다. 구체적으로, 병원 이동 경로를 예측하는 서버(200)는 간병 서비스 데이터를 이용하여 라벨링 데이터를 생성할 수 있으며, 라벨링 데이터에 기초하여 전원의 대상이 되는지 여부를 예측하는 뉴럴 네트워크(201)를 학습시킬 수 있다. 예를 들어, 라벨링 데이터는 간병 서비스 데이터에 포함된 제 1 병원에서의 제 1 간병 서비스 이력 및 제 2 병원에서의 제 2 간병 서비스 이력에 기초하여, 제 1 병원에서 제 2 병원으로의 이동이 전원에 해당하는 지 여부를 나타내는 데이터에 해당할 수 있다.
라벨링 데이터는 딥러닝 알고리즘 중 지도학습 알고리즘을 학습시킬 수 있는 데이터일 수 있으며, 지도학습 알고리즘을 학습시킬 수 있는 데이터라면 그 형태 및 내용에 국한되지 아니한다. 또한, 라벨링 데이터는 지도학습 알고리즘이 산출할 수 있는 출력 데이터의 정답 데이터일 수 있으며, 라벨링 데이터를 활용하여 지도학습 알고리즘의 예측율 및 모델의 적합성 정도를 평가할 수 있다.
도 3을 참고하면, 환자 A의 간병 서비스 데이터(300)는 전원의 대상이 되는지 여부를 예측하는 뉴럴 네트워크(201)를 학습시키기 위한 학습 데이터에 포함될 수 있다.
환자 A의 간병 서비스 데이터(300)는 환자 A의 병원 1에서의 제 1 간병 서비스 이력 및 병원 2에서의 제 2 간병 서비스 이력을 포함할 수 있다. 예를 들어 간병 서비스 이력은 환자가 치료받은 병원명, 환자의 진단명, 간병 기간 및 간병 시작일 또는 종료일에 관한 정보를 포함할 수 있다.
병원 이동 경로를 예측하는 서버(200)는 환자 A의 간병 서비스 데이터(300)에 포함된 제 1 간병 서비스 이력 및 병원 2에서의 제 2 간병 서비스 이력에 기초하여, 병원 1에서 병원 2로의 이동이 전원에 해당하는 지 여부를 판단하여 라벨링 데이터(310)를 생성할 수 있다.
예를 들어, 병원 이동 경로를 예측하는 서버(200)는 병원 1에서 병원 2로의 이동이 전원에 해당한다고 판단한 경우에는, 병원 1에서 병원 2로의 이동이 전원에 해당함을 나타내는 제 1 비트를 포함하는 라벨링 데이터를 생성할 수 있다. 또한, 병원 이동 경로를 예측하는 서버(200)는 병원 1에서 병원 2로의 이동이 전원에 해당하지 않는다고 판단한 경우에는, 병원 1에서 병원 2로의 이동이 전원에 해당하지 않음을 나타내는 제 2 비트를 포함하는 라벨링 데이터를 생성할 수 있다. 예를 들어, 제 1 비트는 1에 해당하고, 제 2 비트는 0에 해당할 수 있으나 이에 제한되는 것은 아니다.
전원의 대상이 되는지 여부를 예측하는 뉴럴 네트워크(201)는 상술한 바와 같이 환자 A를 포함하는 복수의 환자들 각각의 간병 서비스 데이터에 기초하여 학습될 수 있다. 한편, 전원의 대상이 되는지 여부를 예측하는 뉴럴 네트워크(201)는 로지스틱 회귀 (Logistic Regression) 모델, 서포트 벡터 머신(SVM: Support Vector Machine) 모델, 심층 신경망(Deep Neural Network) 또는 결정 트리(decision tree) 모델 중 어느 하나의 학습 모델에 의해 학습될 수 있으나, 이에 제한되는 것은 아니다.
이에 따라, 전원의 대상이 되는지 여부를 예측하는 뉴럴 네트워크(201)에 임의의 새로운 환자 정보가 입력된 경우, 해당 환자가 전원의 대상에 해당하는 지 여부를 나타내는 결과값이 출력될 수 있다. 해당 환자가 전원의 대상에 해당하는 지 여부를 나타내는 결과값은 0 또는 1 중 어느 하나에 해당할 수 있는지에 대한 확률값일 수 있고, 추가적으로 뉴럴 네트워크 모델(201)의 output 아키텍처의 형태에 따라 확률값이 아닌 Binary의 결과값으로 출력될 수도 있으며, 이에 한정되어 해석되는 것은 아니하다. 추가적으로, 결과값은 뉴럴 네트워크 모델(201) 아키텍처에 따라 Binary의 결과값으로 출력되는 경우, 확률값에서 threshold(임계값)을 기초로 Binary의 결과값으로 출력될 수 있고, threshold(임계값)은 미리 설정될 수 있으며, 그 값은 경우에 따라 자동으로 변화하거나, 사용자 입력에 따라 변화할 수 있음 당연하다.
또한, threshold(임계값)은 환자 마다 상이하게 설정될 수 있으며 후술할 유사도에 따라 산출되는 환자군, 및 유사도에 따라 산출되는 병원군에 따라 상이하게 설정될 수 있다.
예를 들어, 전원의 대상이 되는지 여부를 예측하는 뉴럴 네트워크(201)의 결과값이 0이 될 확률이 80%이고, 1이 될 확률이 20%라는 결과가 출력된 경우, 병원 이동 경로를 예측하는 서버(200)는 미리 설정된 threshold(임계값)에 따라 해당 환자가 전원의 대상이 되지 않는다고 판단할 수 있다.
도 4는 일 실시예에 따른 간병 서비스 데이터에 포함된 질환 정보에 유사성에 기초하여 라벨링 데이터를 생성하는 것을 나타내는 도면이다.
일 실시예에 따르면, 병원 이동 경로를 예측하는 서버(200)는 간병 서비스 데이터를 이용하여 라벨링 데이터를 생성할 수 있으며, 라벨링 데이터에 기초하여 전원의 대상이 되는지 여부를 예측하는 뉴럴 네트워크(201)를 학습시킬 수 있다. 예를 들어, 라벨링 데이터는 제 1 간병 서비스 이력에 포함된 제 1 질환 정보 및 제 2 간병 서비스 이력에 포함된 제 2 질환 정보의 유사성에 기초하여 제 1 병원에서 제 2 병원으로의 이동이 전원에 해당하는 지 여부를 나타내는 데이터에 해당하고 할 수 있다.
예를 들어, 제 1 질환 정보 및 제 2 질환 정보의 유사성이 인정되는 경우, 라벨링 데이터는 제 1 병원에서 제 2 병원으로의 이동이 전원에 해당함을 나타내는 제 1 비트를 포함할 수 있다. 또한, 제 1 질환 정보 및 제 2 질환 정보의 유사성이 인정되지 않는 경우, 라벨링 데이터는 제 1 병원에서 제 2 병원으로의 이동이 전원에 해당하지 않음을 나타내는 제 2 비트를 포함할 수 있다. 예를 들어, 제 1 비트는 1에 해당하고, 제 2 비트는 0에 해당할 수 있으나 이에 제한되는 것은 아니다.
도 4를 참고하면, 병원 이동 경로를 예측하는 서버(200)는 환자 A의 간병 서비스 데이터(400)에 포함된 제 1 간병 서비스 이력 및 병원 2에서의 제 2 간병 서비스 이력에 기초하여, 병원 1에서 병원 2로의 이동이 전원에 해당하는 지 여부를 판단하여 라벨링 데이터(410)를 생성할 수 있다. 제 1 간병 서비스 이력에 포함된 환자 A의 질환명은 '뇌출혈'이고, 제 2 간병 서비스 이력에 포함된 환자 A의 질환명은 '고관절 골절'이므로, 병원 이동 경로를 예측하는 서버(200)는 '뇌출혈' 및 '고관절 골절' 간의 질환 유사성이 인정되지 않는다고 판단할 수 있다. 이러한 경우, 병원 이동 경로를 예측하는 서버(200)는 병원 1에서 병원 2으로의 이동이 전원에 해당하지 않음을 나타내는 제 2 비트를 포함하는 라벨링 데이터(410)를 생성할 수 있다.
한편, 병원 이동 경로를 예측하는 서버(200)는 제 1 간병 서비스 이력에 포함된 질환과 제 2 간병 서비스 이력에 포함된 질환의 유사성을 도 9 내지 도 13에서 후술할 유사 환자군으로 분류하는 뉴럴 네트워크(202)를 이용하여 판단할 수 있다. 예를 들어, 동일한 유사 환자군에 속하는 환자들 각각의 질환들 간에는 유사성이 인정된다고 판단할 수 있다. 따라서, 제 1 간병 서비스 이력에 포함된 질환과 제 2 간병 서비스 이력에 포함된 질환이 동일한 2차 유사 환자군 또는 동일한 1차 유사 환자군에 속하는 환자들의 질환에 포함되는 경우에는, 제 1 간병 서비스 이력에 포함된 질환과 제 2 간병 서비스 이력에 포함된 질환의 유사성이 인정될 수 있다. 2차 환자 유사군은 환자의 질환 정보 또는 진단 내역 및 병원 이동 데이터에 기초하여 질환의 유사성이 인정되는 환자들을 분류한 그룹에 해당한다. 1차 환자 유사군은 환자의 질환 정보 또는 진단 내역에 기초하여 질환의 유사성이 인정되는 환자들을 분류한 그룹에 해당한다. 예를 들어, 1차 유사 환자군은 K-평균 군집화(K-means Clustering) 알고리즘 또는 건강보험심사평가원에서 제공하는 분류체계에 기초하여 질환의 유사성이 인정되는 환자들을 분류할 수 있다.
도 5는 일 실시예에 따른 간병 서비스 데이터에 포함된 기간 정보에 기초하여 라벨링 데이터를 생성하는 것을 나타내는 도면이다.
일 실시예에 따르면, 병원 이동 경로를 예측하는 서버(200)는 간병 서비스 데이터를 이용하여 라벨링 데이터를 생성할 수 있으며, 라벨링 데이터에 기초하여 전원의 대상이 되는지 여부를 예측하는 뉴럴 네트워크(201)를 학습시킬 수 있다. 예를 들어, 라벨링 데이터는 제 1 간병 서비스 이력에 포함된 간병 서비스를 제공받은 제 1 기간에 관한 정보 및 제 2 간병 서비스 이력에 포함된 간병 서비스를 제공받은 제 2 기간에 관한 정보에 기초하여 제 1 병원에서 제 2 병원으로의 이동이 전원에 해당하는 지 여부를 나타내는 데이터에 해당할 수 있다.
예를 들어, 제 1 기간 및 제 2 기간 사이에 간병 서비스를 제공받지 않은 제 3 기간이 기 설정된 기간 이하인 경우, 라벨링 데이터는 제 1 병원에서 제 2 병원으로의 이동이 전원에 해당함을 나타내는 제 1 비트를 포함할 수 있다. 또한, 제 3 기간이 기 설정된 기간 초과인 경우, 라벨링 데이터는 제 1 병원에서 제 2 병원으로의 이동이 전원에 해당하지 않음을 나타내는 제 2 비트를 포함할 수 있다. 예를 들어, 제 1 비트는 1에 해당하고, 제 2 비트는 0에 해당할 수 있으나 이에 제한되는 것은 아니다.
도 5를 참고하면, 병원 이동 경로를 예측하는 서버(200)는 환자 A의 간병 서비스 데이터(500)에 포함된 제 1 간병 서비스 이력 및 병원 2에서의 제 2 간병 서비스 이력에 기초하여, 병원 1에서 병원 2로의 이동이 전원에 해당하는 지 여부를 판단하여 라벨링 데이터(510)를 생성할 수 있다. 제 1 간병 서비스 이력에 포함된 간병 서비스를 제공받은 제 1 기간은 2021.05.30에서 2021.06.03까지의 기간에 해당하고, 제 2 간병 서비스 이력에 포함된 간병 서비스를 제공받은 제 2 기간은 2021.10.15에서 2021.10.24까지의 기간에 해당할 수 있다.
제 1 기간 및 제 2 기간 사이에 간병 서비스를 제공받지 않은 제 3 기간은 2021.06.04에서 2021.10.23까지의 기간에 해당할 수 있으며, 병원 이동 경로를 예측하는 서버(200)는 제 3 기간이 기 설정된 기간 이하인지를 판단할 수 있다. 예를 들어, 기 설정된 기간이 60일인 경우에 제 3 기간은 기 설정된 기간을 초과하며, 병원 이동 경로를 예측하는 서버(200)는 병원 1에서 병원 2로의 이동이 전원에 해당하지 않음을 나타내는 제 2 비트를 포함하는 라벨링 데이터(510)를 생성할 수 있다.
기 설정된 기간은 병원 이동 경로를 예측하는 서버(200)에 의해 설정된 기 기간에 해당할 수 있다. 일 실시예에서 기 설정된 기간은 간병 서비스 이력에 포함된 질환의 종류에 따라 다르게 설정될 수 있다. 예를 들어, 병원 이동 경로를 예측하는 서버(200)는 동일한 1차 유사 환자군 또는 2차 유사 환자군에 속하는 환자들의 질환들은 모두 같은 종류의 질환에 해당한다고 판단할 수 있으며, 서로 다른 1차 유사 환자군 또는 2차 유사 환자군에 속하는 환자들의 질환들은 서로 다른 종류의 질환에 해당한다고 판단할 수 있다. 병원 이동 경로를 예측하는 서버(200)는 복수의 1차 유사 환자군들 또는 복수의 2차 유사 환자군들 각각에 대하여 기간을 다르게 설정할 수 있다. 이에 따라, 간병 서비스 이력에 포함된 질환이 특정 1차 유사 환자군 또는 2차 유사 환자군에 포함된 질환들에 속하는지에 따라 기 설정된 기간이 결정될 수 있다. 1차 유사 환자군 및 2차 유사 환자군에 관해서는 도 9 내지 도 13에서 자세히 후술한다.
예를 들어, 병원 이동 경로를 예측하는 서버(200)는 각 질환 별 재발병율에 관한 정보에 기초하여, 재발병율이 높은 질환일수록 기 설정된 기간을 길게 설정하고, 재발병율이 낮은 질환일수록 기 설정된 기간을 짧게 설정할 수 있다. 또는 재발병율이 높은 질환일수록 기 설정된 기간을 짧게 설정하고, 재발병율이 낮은 질환일수록 기 설정된 기간을 길게 설정할 수도 있다. 예를 들어, 재발병율의 값에 따라 기 설정된 기간은 비례하여 길게 설정될 수 있으며, 재발병율의 값과 기 설정된 기간의 비례 관계는 특정한 관계로 한정되어 해석되지 아니한다.
또는 일 실시예에서, 기 설정된 기간은 강화학습 알고리즘을 이용하여 학습된 기간 산출 제 2 뉴럴 네트워크를 이용하여 산출될 수 있다. 기간 산출 제2 뉴럴 네트워크는, 강화학습 알고리즘 아키텍처를 포함할 수 있다. 강화학습 알고리즘의 상태는 기 설정된 기간에 따른 병원 1에서 병원 2로의 이동이 전원에 해당하는 여부에 따라 생성된 라벨링 데이터에 기초하여 뉴럴 네트워크가 학습하는 것이며, 강화학습 알고리즘의 보상은 행동 전 뉴럴 네트워크가 이동 여부에 대해서 잘 예측 하는 지에 관한 예측율의 값이 되며, 강화학습 알고리즘의 행동은 기 설정된 기간의 조정이 될 수 있다.
여기서, 뉴럴 네트워크의 예측율의 값은 그 형태에 국한되어 해석되지 아니하며, 뉴럴 네트워크를 포함한 알고리즘 모델의 효율 또는 효과를 측정할 수 있는 어떠한 값도 모두 해당할 수 있다.
또한, 강화학습 알고리즘의 행동에서 기 설정된 기간은 각 질환별 기 설정된 기간이 모두 상이하게 조정될 수 있고, 그 조정폭 또한 질환 별로 각각 상이할 수 있음은 당연하다.
또는 일 실시예에서, 제 1 간병 서비스 이력에 포함된 제 1 질환 정보 및 병원 2에서의 제 2 간병 서비스 이력의 제 2 질환 정보의 유사성에 따라 다르게 설정될 수 있다. 예를 들어, 제 1 질환 정보 및 제 2 질환 정보의 유사성이 낮을수록 기간을 짧게 설정하고, 1 질환 정보 및 제 2 질환 정보의 유사성이 높을수록 기 설정된 기간은 길게 설정될 수 있다. 한편, 병원 이동 경로를 예측하는 서버(200)는 제 1 간병 서비스 이력에 포함된 질환과 제 2 간병 서비스 이력에 포함된 질환의 유사성을 도 9 내지 도 13에서 후술할 유사 환자군으로 분류하는 뉴럴 네트워크(202)를 이용하여 판단할 수 있다.
도 6은 일 실시예에 따른 질환 정보의 유사성에 기초한 기 설정된 기간을 나타내는 도면이다.
도 6의 (a)를 참고하면, 제 1 간병 서비스 이력에 포함된 제 1 질환 정보 및 병원 2에서의 제 2 간병 서비스 이력의 제 2 질환 정보가 모두 뇌출혈으로 유사성이 매우 높은 경우, 병원 이동 경로를 예측하는 서버(200)는 기 설정된 기간을 60일로 설정할 수 있다.
병원 이동 경로를 예측하는 서버(200)는 제 1 간병 서비스 이력에 포함된 제 1 기간 및 제 2 간병 서비스 이력에 포함된 제 2 기간 사이에 간병 서비스를 제공받지 않은 제 3 기간이 기 설정된 기간인 40일 이하임을 판단할 수 있다. 따라서, 병원 이동 경로를 예측하는 서버(200)는 병원 1에서 병원 2로의 이동이 전원에 해당함을 나타내는 제 1 비트를 포함하는 라벨링 데이터(620)를 생성할 수 있다.
도 6의 (b)를 참고하면, 제 1 간병 서비스 이력에 포함된 제 1 질환 정보 및 병원 2에서의 제 2 간병 서비스 이력의 제 2 질환 정보는 각각 뇌출혈 및 뇌종양으로, 도 6의 (a)의 경우보다 질환 정보의 유사성이 낮을 수 있다. 이러한 경우, 병원 이동 경로를 예측하는 서버(200)는 기 설정된 기간을 40일로 설정할 수 있다.
병원 이동 경로를 예측하는 서버(200)는 제 1 간병 서비스 이력에 포함된 제 1 기간 및 제 2 간병 서비스 이력에 포함된 제 2 기간 사이에 간병 서비스를 제공받지 않은 제 3 기간이 기 설정된 기간인 40일 초과임을 판단할 수 있다. 따라서, 병원 이동 경로를 예측하는 서버(200)는 병원 1에서 병원 2로의 이동이 전원에 해당하지 않음을 나타내는 제 2 비트를 포함하는 라벨링 데이터(630)를 생성할 수 있다. 즉, 제 1 간병 서비스 이력에 포함된 질환 정보와 제 2 간병 서비스에 포함된 질환 정보를 기초로, 각 질환마다 상이한 기간을 설정하여 질환에 따른 환자 이동 여부를 판단할 수 있다. 상기 기간은 질환의 유사성이 낮을수록 짧아질 수 있으며, 질환의 유사성 정도에 따른 기간에 짧아짐 정도는 특정값에 국한되는 것이 아니며, 다양한 값을 가질 수 있음은 당연하다.
한편, 질환 정보의 유사성에 따른 기 설정된 기간은 상술한 바로 제한되는 것은 아니며, 다양한 방식으로 설정될 수 있다.
도 7 은 일 실시예에 따른 간병 서비스 데이터에 포함된 기간 정보에 기초하여 라벨링 데이터를 생성하는 것을 나타내는 도면이다.
일 실시예에 따르면, 병원 이동 경로를 예측하는 서버(200)는 간병 서비스 데이터를 이용하여 라벨링 데이터를 생성할 수 있으며, 라벨링 데이터에 기초하여 전원의 대상이 되는지 여부를 예측하는 뉴럴 네트워크(201)를 학습시킬 수 있다. 예를 들어, 라벨링 데이터는 제 1 간병 서비스 이력에 포함된 간병 서비스를 제공받은 제 1 기간에 관한 정보 및 제 2 간병 서비스 이력에 포함된 간병 서비스를 제공받은 제 2 기간에 관한 정보에 기초하여 제 1 병원에서 제 2 병원으로의 이동이 전원에 해당하는 지 여부를 나타내는 데이터에 해당할 수 있다.
예를 들어, 제 1 기간의 시작점 및 제 2 기간의 시작점 사이의 제 3 기간이 평균 간병 기간 이하인 경우, 라벨링 데이터는 제 1 병원에서 제 2 병원으로의 이동이 전원에 해당함을 나타내는 제 1 비트를 포함할 수 있다. 또한, 제 3 기간이 평균 간병 기간 초과인 경우, 라벨링 데이터는 제 1 병원에서 제 2 병원으로의 이동이 전원에 해당하지 않음을 나타내는 제 2 비트를 포함할 수 있다. 예를 들어, 제 1 비트는 1에 해당하고, 제 2 비트는 0에 해당할 수 있으나 이에 제한되는 것은 아니다.
도 7을 참고하면, 병원 이동 경로를 예측하는 서버(200)는 환자 A의 간병 서비스 데이터(700)에 포함된 병원 1에서의 제 1 간병 서비스 이력 및 병원 2에서의 제 2 간병 서비스 이력에 기초하여, 병원 1에서 병원 2로의 이동이 전원에 해당하는 지 여부를 판단하여 라벨링 데이터(710)를 생성할 수 있다. 제 1 간병 서비스 이력에 포함된 간병 서비스를 제공받은 제 1 기간은 2021.05.30에서 2021.06.03까지의 기간에 해당하고, 제 2 간병 서비스 이력에 포함된 간병 서비스를 제공받은 제 2 기간은 2021.07.01에서 2021.07.10까지의 기간에 해당할 수 있다. 제 1 기간의 시작점 및 제 2 기간의 시작점 사이의 제 3 기간은 2021.05.30에서 2021.07.01까지의 기간에 해당할 수 있으며, 병원 이동 경로를 예측하는 서버(200)는 제 3 기간이 평균 간병 기간 이하인지를 판단할 수 있다.
평균 간병 기간이 35일인 경우에 제 3 기간은 평균 간병 기간을 초과하며, 병원 이동 경로를 예측하는 서버(200)는 병원 1에서 병원 2로의 이동이 전원에 해당하지 않음을 나타내는 제 2 비트를 포함하는 라벨링 데이터(710)를 생성할 수 있다.
또는 일 실시예에서, 제 1 기간 및 제 2 기간 사이에 간병 서비스를 제공받지 않은 제 4 기간도 함께 고려하여 라벨링 데이터를 생성할 수 있다. 예를 들어, 제 3 기간이 평균 간병 기간을 초과하고, 제 4 기간이 기 설정된 기간 이하인 경우에는, 라벨링 데이터는 제 1 병원에서 제 2 병원으로의 이동이 전원에 해당함을 나타내는 제 1 비트를 포함할 수 있다. 상술한 실시예는, 환자의 간병 기간이 장기간일 경우에도 환자들이 간병 서비스를 요청하는 공고를 짧은 기간 단위로 여러 번 올리는 경우를 가정한 실시예에 해당할 수 있다.
일 실시예에 따르면, 평균 간병 기간은 강화학습 알고리즘을 이용하여 학습된 기간 산출 제 3 뉴럴 네트워크를 이용하여 산출될 수 있다. 기간 산출 제 3 뉴럴 네트워크는, 강화학습 알고리즘 아키텍처를 포함할 수 있다. 강화학습 알고리즘의 상태는 평균 간병 기간에 따른 병원 1에서 병원 2로의 이동이 전원에 해당하는 여부에 따라 생성된 라벨링 데이터에 기초하여 뉴럴 네트워크가 학습하는 것이며, 강화학습 알고리즘의 보상은 행동 전 뉴럴 네트워크가 이동 여부에 대해서 잘 예측 하는 지에 관한 예측율의 값이 되며, 강화학습 알고리즘의 행동은 기 설정된 기간의 조정이 될 수 있다.
여기서, 뉴럴 네트워크의 예측율의 값은 그 형태에 국한되어 해석되지 아니하며, 뉴럴 네트워크를 포함한 알고리즘 모델의 효율 또는 효과를 측정할 수 있는 어떠한 값도 모두 해당할 수 있다.
또한, 강화학습 알고리즘의 행동에서 평균 간병 기간은 각 질환별 기 설정된 기간이 모두 상이하게 조정될 수 있고, 그 조정폭 또한 질환 별로 각각 상이할 수 있음은 당연하다.
또는 일 실시예에 따르면, 평균 간병 기간은 병원 이동 경로를 예측하는 서버(200)가 임의로 설정한 기간에 해당할 수 있다.
한편, 도 3 내지 도 7에서 상술한 바와 같이, 라벨링 데이터는 환자의 간병 서비스 데이터에 기초하여 병원들 간의 이동이 전원에 해당하는 지 여부를 이동과 관련된 라벨링 데이터에 해당할 수 있다.
한편, 라벨링 데이터는 환자의 간병 서비스 데이터에 기초하여 병원들 간의 이동 방향과 관련된 라벨링 데이터를 더 포함할 수 있다. 병원들 간의 이동 방향과 관련된 라벨링 데이터은 간병 서비스 데이터에 포함된 간병 난이도에 기초하여 생성될 수 있다. 간병 난이도는 간병 서비스 데이터에 포함된 환자의 성별, 나이, 환자가 치료받는 병실, 환자의 마비 상태 또는 거동 상태를 포함하는 환자의 현재 상태 등 다양한 항목들에 기초하여 결정될 수 있으나, 이에 제한되는 것은 아니다.
예를 들어, 병원 이동 경로를 예측하는 서버(200)는 환자의 간병 서비스 데이터에 포함된 제 1 병원에서의 제 1 간병 서비스 이력 및 제 2 병원에서의 제 2 간병 서비스 이력에 기초하여, 제 1 병원에서의 간병 난이도보다 제 2 병원에서의 간병 난이도가 더 높은 경우에는 제 1 병원에서 제 2 병원으로의 이동은 환자의 상태가 악화된 방향으로의 이동임을 나타내는 제 1 비트를 포함하는 이동 방향과 관련된 라벨링 데이터를 추가로 생성할 수 있다. 또는, 병원 이동 경로를 예측하는 서버(200)는 제 1 병원에서의 간병 난이도보다 제 2 병원에서의 간병 난이도가 더 낮은 경우에는 제 1 병원에서 제 2 병원으로의 이동은 환자의 상태가 호전된 방향으로의 이동임을 나타내는 제 2 비트를 포함하는 이동 방향과 관련된 라벨링 데이터를 추가로 생성할 수 있다.
도 8은 일 실시예에 따른 전원의 대상이 되는 지 여부를 판단하기 위한 방법의 흐름도이다.
도 8에 도시된, 전원의 대상이 되는 지 여부를 판단하기 위한 방법은 앞서 설명된 도면들에서 설명된 실시예들에 관련되므로, 이하 생략된 내용이라 할지라도 앞서 도면들에서 설명된 내용들은 도 8의 방법에도 적용될 수 있다.
도 8을 참조하면, 단계 810에서 병원 이동 경로를 예측하는 서버(200)는 질환 정보 및 현재 이용하는 병원 정보를 포함하는 제 1 환자의 정보를 수신할 수 있다.
단계 820에서 병원 이동 경로를 예측하는 서버(200)는 제 1 환자의 정보를 제 1 뉴럴 네트워크에 입력하여 제 1 환자가 전원의 대상이 되는 지 여부를 판단할 수 있다.
일 실시예에서, 제 1 뉴럴 네트워크는, 간병 서비스 데이터를 이용하여 생성된 라벨링 데이터에 기초하여 학습된 뉴럴 네트워크에 해당할 수 있다, 또한, 라벨링 데이터는 간병 서비스 데이터에 포함된 제 1 병원에서의 제 1 간병 서비스 이력 및 제 2 병원에서의 제 2 간병 서비스 이력에 기초하여, 제 1 병원에서 제 2 병원으로의 이동이 전원에 해당하는 지 여부를 나타내는 데이터에 해당할 수 있다.
일 실시예에서, 라벨링 데이터는 제 1 간병 서비스 이력에 포함된 제 1 질환 정보 및 제 2 간병 서비스 이력에 포함된 제 2 질환 정보의 유사성에 기초하여 제 1 병원에서 제 2 병원으로의 이동이 전원에 해당하는 지 여부를 나타내는 데이터에 해당할 수 있다. 제 1 질환 정보 및 제 2 질환 정보의 유사성이 인정되는 경우, 라벨링 데이터는 제 1 병원에서 제 2 병원으로의 이동이 전원에 해당함을 나타내는 제 1 비트를 포함하고, 제 1 질환 정보 및 제 2 질환 정보의 유사성이 인정되지 않는 경우, 라벨링 데이터는 제 1 병원에서 제 2 병원으로의 이동이 전원에 해당하지 않음을 나타내는 제 2 비트를 포함할 수 있다.
일 실시예에서, 라벨링 데이터는, 제 1 간병 서비스 이력에 포함된 간병 서비스를 제공받은 제 1 기간에 관한 정보 및 제 2 간병 서비스 이력에 포함된 간병 서비스를 제공받은 제 2 기간에 관한 정보에 기초하여 제 1 병원에서 제 2 병원으로의 이동이 전원에 해당하는 지 여부를 나타내는 데이터에 해당할 수 있다.
일 실시예에서, 라벨링 데이터는, 제 1 기간 및 제 2 기간 사이에 간병 서비스를 제공받지 않은 제 3 기간이 기 설정된 기간 이하인 경우, 라벨링 데이터는 제 1 병원에서 제 2 병원으로의 이동이 전원에 해당함을 나타내는 제 1 비트를 포함할 수 있다. 또한, 제 3 기간이 기 설정된 기간 초과인 경우, 라벨링 데이터는 제 1 병원에서 제 2 병원으로의 이동이 전원에 해당하지 않음을 나타내는 제 2 비트를 포함할 수 있다.
일 실시예에서, 라벨링 데이터는, 제 1 기간의 시작점 및 제 2 기간의 시작점 사이의 제 3 기간이 평균 간병 기간 이하인 경우, 라벨링 데이터는 제 1 병원에서 제 2 병원으로의 이동이 전원에 해당함을 나타내는 제 1 비트를 포함할 수 있다. 또한, 제 3 기간이 평균 간병 기간 초과인 경우, 라벨링 데이터는 제 1 병원에서 제 2 병원으로의 이동이 전원에 해당하지 않음을 나타내는 제 2 비트를 포함할 수 있다.
일 실시예에서, 제 1 기간의 시작점 및 제 2 기간의 시작점 사이의 제 3 기간이 평균 간병 기간을 초과하고, 제 1 기간 및 제 2 기간 사이에 간병 서비스를 제공받지 않은 제 4 기간이 기 설정된 기간 이하인 경우에는, 라벨링 데이터는 제 1 병원에서 제 2 병원으로의 이동이 전원에 해당함을 나타내는 제 1 비트를 포함할 수 있다.
일 실시예에서, 평균 간병 기간은, 강화학습 알고리즘을 이용하여 학습된 제 2 뉴럴 네트워크를 이용하여 설정될 수 있다.
정리하면 도 3 내지 도 8에서 상술한 바와 같이, 전원의 대상이 되는지 여부를 예측하는 뉴럴 네트워크(201)를 이용하여 환자가 전원의 대상이 된다고 판단된 경우에는, 해당 환자에 관한 정보를 유사 환자군으로 분류하는 뉴럴 네트워크(202)에 입력할 수 있다. 이에 따라, 병원 이동 경로를 예측하는 서버(200)는 환자를 특정 유사 환자군으로 분류하고, 특정 유사 환자군에 속한 환자들의 병원 이동 데이터에 기초하여 환자의 병원 이동 경로를 예측할 수 있다.
도 9은 일 실시예에 따른 환자들을 적어도 하나의 1차 유사 환자군으로 분류하는 것을 나타내는 도면이다.
일 실시예에 따르면, 유사 환자군으로 분류하는 뉴럴 네트워크(202)는 환자들 각각의 질환명 및 진단 내역을 포함하는 데이터 및 환자들 각각의 병원 이동 데이터를 기초로 하여 학습된 뉴럴 네트워크에 해당할 수 있다. 유사 환자군은 질환의 유사성이 인정되는 환자들을 분류한 그룹에 해당할 수 있다. 병원 이동 데이터는 환자들 각각의 간병 서비스 데이터를 이용하여 상술한 도 1 내지 도 8과 같이 생성될 수 있다. 병원 이동 경로를 예측하는 서버(200)는 환자들 각각의 질환명 및 진단 내역을 포함하는 데이터 및 환자들 각각의 병원 이동 데이터에 기초하여, 유사 환자군으로 분류하는 뉴럴 네트워크(202)를 학습시킬 수 있다.
구체적으로, 병원 이동 경로를 예측하는 서버(200)는 환자들 각각의 질환명 및 진단 내역을 포함하는 데이터에 기초하여 환자들을 적어도 하나의 1차 유사군으로 분류할 수 있다. 또한, 환자들 각각의 병원 이동 데이터에 기초하여 적어도 하나의 1차 유사 환자군으로 분류된 환자들을 적어도 하나의 2차 유사 환자군으로 재분류할 수 있다. 정리하면, 환자들 각각의 질환명 및 진단 내역을 포함하는 데이터, 환자들 각각의 병원 이동 데이터, 1차 유사 환자군 정보 및 2차 유사 환자군 정보는 유사 환자군으로 분류하는 뉴럴 네트워크(202)의 학습에 이용될 수 있다.
이에 따라, 유사 환자군으로 분류하는 뉴럴 네트워크(202)에 임의의 새로운 환자 정보가 입력된 경우, 해당 환자가 어느 2차 유사 환자군에 속하는 지를 나타내는 결과값이 출력될 수 있다.
먼저, 병원 이동 경로를 예측하는 서버(200)는 환자들 각각의 질환명 및 진단 내역을 포함하는 정보를 유사 환자군으로 분류하는 뉴럴 네트워크(202)에 입력하여 환자들을 적어도 하나의 1차 유사 환자군으로 분류할 수 있다.
도 9를 참고하면, 병원 이동 경로를 예측하는 서버(200)는 환자들 각각의 질환명 및 진단 내역을 포함하는 정보에 기초하여 환자들 각각에 대응하는 벡터들을 생성할 수 있다. 병원 이동 경로를 예측하는 서버(200)는 환자들 각각에 대응하는 벡터들을 벡터 공간(910) 상에 표시할 수 있다.
또한, 병원 이동 경로를 예측하는 서버(200)는 환자들 각각에 대응하는 벡터들에 대하여 K-평균 군집화(K-means Clustering) 알고리즘을 수행하여 환자들을 적어도 하나의 1차 유사 환자군으로 분류할 수 있다.
K-평균 군집화 알고리즘은 주어진　데이터를 k개의　클러스터로 묶는 알고리즘으로, 각 클러스터와 거리 차이의　분산을 최소화하는 방식으로 동작할 수 있다. 예를 들어, 병원 이동 경로를 예측하는 서버(200)는 벡터 공간(910) 상에 표시된 벡터들을 클러스터링하여 K개의 클러스터링 중심들(centeroids)를 획득할 수 있다.
도 9를 참고하면, 벡터 공간(910) 상에 표시된 벡터들에서 3개의 클러스터링 중심들을 획득하여 벡터들을 3개의 그룹들로 분류할 수 있다. 도 9에 도시된 그룹들 각각은 1차 유사 환자군에 해당할 수 있으며, 환자들은 3개의 1차 유사 환자군들로 분류되었음을 알 수 있다. 한편, 클러스터링 중심들의 개수 및 이에 따른 1차 유사 환자군들의 개수는 도 9에 도시된 바로 제한되는 것은 아니다.
정리하면, 병원 이동 경로를 예측하는 서버(200)는 환자들을 적어도 하나의 1차 유사 환자군으로 분류할 수 있다.
한편, 상술한 바와 달리 병원 이동 경로를 예측하는 서버(200)는 유사 환자군으로 분류하는 뉴럴 네트워크(202)를 이용하여 건강보험심사평가원에서 제공하는 환자 분류 체계 데이터에 따라 환자들을 적어도 하나의 1차 유사 환자군으로 분류할 수 있다. 건강보험심사평가원에서 제공하는 환자 분류 체계 데이터는 외래 환자나 입원환자를 자원 소모나 임상적 측면에서 유사한 그룹으로 분류하는 체계에 관한 데이터에 해당할 수 있다. 병원 이동 경로를 예측하는 서버(200)는 환자들 각각의 질환명 및 진단 내역을 포함하는 정보를 건강보험심사평가원에서 제공하는 환자 분류 체계 데이터에 기초하여 환자들을 적어도 하나의 1차 유사 환자군으로 분류할 수 있다.
도 10은 일 실시예에 따른 환자들을 적어도 하나의 2차 유사 환자군으로 재분류하는 것을 나타내는 도면이다.
일 실시예에서, 병원 이동 경로를 예측하는 서버(200)는 환자들 각각의 병원 이동 데이터에 기초하여 적어도 하나의 1차 유사 환자군으로 분류된 환자들을 적어도 하나의 2차 유사 환자군으로 재분류할 수 있다. 예를 들어, 환자들 중 제 1 환자 및 제 2 환자 각각이 서로 다른 1차 유사 환자군으로 분류되는 경우, 제 1 환자 및 제 2 환자 각각의 병원 이동 데이터의 유사성에 기초하여 제 1 환자 및 제 2 환자를 동일한 2차 유사 환자군으로 재분류할 수 있다.
또한, 앞서 상술한 경우와 다르게 제 1 환자 및 제 2 환자가 같은 1차 유사 환자군으로 분류되는 경우에도, 제 1 환자 및 제 2 환자 각각의 병원 이동 데이터 유사성에 기초하여 제 1 환자 및 제 2 환자를 동일한 2차 유사 환자군으로 재분류할 수 있다. 따라서 후술할 2차 유사 환자군으로 분류하는 방법에 관한 모든 기술은 제 1 환자 및 제 2 환자가 같은 1차 유사 환자군으로 분류되는 경우에도 활용 가능함은 당연하며, 중복된 기재를 피하기 위해 제 1 환자와 제 2 환자가 다른 1차 유사 환자군으로 분류되는 경우에 대해서 후술하도록 한다.
도 10을 참고하면, 도 9에서 상술한 바와 같이 환자들을 적어도 하나의 1차 유사 환자군으로 분류한 결과, 환자 A 및 환자 B는 각각 다른 1차 유사 환자군으로 분류될 수 있다.
한편, 도 3 내지 도 8에서 상술한 바에 따라서, 환자 A의 간병 서비스 데이터에 포함된 제 1 간병 서비스 이력 및 병원 2에서의 제 2 간병 서비스 이력에 기초하여, 병원 1에서 병원 2로의 이동이 전원에 해당한다고 판단할 수 있다. 이러한 경우, 병원 이동 경로를 예측하는 서버(200)는 환자 A의 병원 1에서 병원 2로의 병원 이동 데이터를 획득할 수 있다.
마찬가지로, 병원 이동 경로를 예측하는 서버(200)가 환자 B의 병원 1에서 병원 2로의 병원 이동 데이터를 획득한 경우에, 환자 A 및 환자 B 각각의 병원 이동 데이터는 서로 동일 또는 유사하다고 판단할 수 있다. 이러한 경우, 병원 이동 경로를 예측하는 서버(200)는 환자 A 및 환자 B 간의 병원 이동 데이터가 동일 또는 유사하다고 판단되므로, 1차 유사 환자군으로 분류되었던 환자 A 및 환자 B를 동일한 2차 유사 환자군으로 재분류할 수 있다.
또는 일 실시예에서, 환자들 중 제 1 환자 및 제 2 환자 각각이 서로 다른 1차 유사 환자군으로 분류되고, 제 1 환자에 대응하는 벡터 및 제 2 환자에 대응하는 벡터 간의 거리가 기 설정된 거리 이하인 경우, 제 1 환자 및 제 2 환자 각각의 병원 이동 데이터의 유사성에 기초하여 제 1 환자 및 제 2 환자를 동일한 2차 유사 환자군으로 재분류할 수 있다.
도 11은 일 실시예에 따른 환자들 각각에 대응하는 벡터들 간의 거리에 기초하여 환자들을 적어도 하나의 2차 유사 환자군으로 재분류하는 것을 나타내는 도면이다.
도 11의(a)를 참고하면, 환자들 중 환자 A 및 환자 B 각각이 서로 다른 1차 유사 환자군으로 분류될 수 있다. 병원 이동 경로를 예측하는 서버(200)는 환자 A에 대응하는 벡터 및 환자 B에 대응하는 벡터 간의 거리를 산정할 수 있다. 병원 이동 경로를 예측하는 서버(200)는 환자 A에 대응하는 벡터 및 환자 B에 대응하는 벡터 간의 거리가 기 설정된 거리 이하라고 판단한 경우, 환자 A 및 환자 B 각각의 병원 이동 데이터의 유사도를 판단할 수 있다. 기 설정된 거리는, 환자 A 및 환자 B 간의 질환 간 유사도가 매우 낮은 경우 병원 이동 데이터의 유사성만으로 환자 A 및 환자 B가 동일한 2차 유사 환자군으로 분류되는 경우를 방지하기 위해 병원 이동 경로를 예측하는 서버(200)가 설정한 값에 해당할 수 있다. 병원 이동 경로를 예측하는 서버(200)는 환자 A 및 환자 B 각각의 병원 이동 데이터의 유사도에 기초하여 환자 A 및 환자 B를 동일한 2차 유사 환자군으로 재분류할 수 있다.
반면, 도 11의(b)를 참고하면, 병원 이동 경로를 예측하는 서버(200)는 환자 A에 대응하는 벡터 및 환자 B에 대응하는 벡터 간의 거리가 기 설정된 거리를 초과한다고 판단한 경우, 환자 A 및 환자 B 각각의 병원 이동 데이터의 유사도를 판단하지 않을 수 있다. 즉, 환자 A 및 환자 B 각각의 병원 이동 데이터가 매우 유사하더라도, 환자 A 및 환자 B를 동일한 2차 유사 환자군으로 재분류하지 않을 수 있다. 이를 통해 환자 이동 데이터에 기초하여 2차 유사 환자군으로 재분류 하더라도, 질환 간 유사도를 배제하지 않고, 적극적으로 고려할 수 있는 효과가 있다. 한편, 벡터 간의 거리에 대한 기준값이 되는 기 설정된 거리는 질환 별로 상이할 수 있으며, 질환 별로 기 설정된 거리는 고정된 값이 아님은 당연하다.
도 12는 일 실시예에 따른 환자들을 적어도 하나의 2차 유사 환자군으로 재분류하는 것을 나타내는 도면이다.
일 실시예에서, 병원 이동 데이터는 상기 제 1 환자가 제 1 병원에서 제 2 병원으로 전원한 병원 이동 데이터 및 제 2 환자가 상기 제 1 병원에서 제 3 병원으로 전원한 병원 이동 데이터를 포함할 수 있다. 병원 이동 경로를 예측하는 서버(200)는 제 2 병원 및 상기 제 3 병원 간의 유사도가 기 설정된 값 이상인지 여부에 기초하여 상기 제 1 환자 및 상기 제 2 환자를 동일한 2차 유사 환자군으로 재분류할 수 있다.
도 12를 참고하면, 도 3 내지 도 8에서 상술한 바에 따라서, 병원 이동 경로를 예측하는 서버(200)는 환자 A의 간병 서비스 데이터에 포함된 제 1 간병 서비스 이력 및 병원 2에서의 제 2 간병 서비스 이력에 기초하여, 병원 1에서 병원 2로의 이동이 전원에 해당한다고 판단할 수 있다. 이러한 경우, 병원 이동 경로를 예측하는 서버(200)는 환자 A의 병원 1에서 병원 2로의 병원 이동 데이터를 획득할 수 있다.
또한, 도 3 내지 도 8에서 상술한 바에 따라서, 병원 이동 경로를 예측하는 서버(200)는 환자 B의 간병 서비스 데이터에 포함된 제 1 간병 서비스 이력 및 병원 3에서의 제 2 간병 서비스 이력에 기초하여, 병원 1에서 병원 3로의 이동이 전원에 해당한다고 판단할 수 있다. 이러한 경우, 병원 이동 경로를 예측하는 서버(200)는 환자 B의 병원 1에서 병원 3로의 병원 이동 데이터를 획득할 수 있다
이러한 경우, 병원 이동 경로를 예측하는 서버(200)는 병원 2 및 병원 3 간의 유사도를 판단할 수 있다. 구체적으로, 병원 2 및 병원 3의 유사도는 도 14 내지 도 19에서 후술하는 방법에 따라 산출할 수 있다. 병원 이동 경로를 예측하는 서버(200)는 병원 2 및 병원 3 간의 유사도가 기 설정된 값 이상인 경우에는, 1차 유사 환자군으로 분류되었던 환자 A 및 환자 B를 동일한 2차 유사 환자군으로 재분류할 수 있다.
또는 일 실시예에서, 도 11에서 상술한 바와 마찬가지로, 환자들 중 제 1환자 및 제 2 환자 각각이 서로 다른 1차 유사 환자군으로 분류되고, 제 1 환자에 대응하는 벡터 및 제 2 환자에 대응하는 벡터 간의 거리가 기 설정된 거리를 초과하는 경우에는, 병원 이동 경로를 예측하는 서버(200)는 제 1 환자 및 제 2 환자 각각의 병원 이동 데이터의 유사도를 판단하지 않을 수 있다. 즉, 1 환자 및 제 2 환자 각각의 병원 이동 데이터가 매우 유사하더라도, 1 환자 및 제 2 환자를 동일한 2차 유사 환자군으로 재분류하지 않을 수 있다.
벡터 간의 거리에 대한 기준값이 되는 기 설정된 거리는 질환 별로 상이할 수 있으며, 질환 별로 기 설정된 거리는 고정된 값이 아님은 당연하다.
도 13은 일 실시예에 따른 환자들을 적어도 하나의 유사 환자군으로 분류하는 방법의 흐름도이다.
도 13에 도시된, 환자들을 적어도 하나의 유사 환자군으로 분류하는 방법은 앞서 설명된 도면들에서 설명된 실시예들에 관련되므로, 이하 생략된 내용이라 할지라도 앞서 도면들에서 설명된 내용들은 도 13의 방법에도 적용될 수 있다.
도 13을 참조하면, 단계 1310에서 병원 이동 경로를 예측하는 서버(200)는 환자들 각각의 질환명 및 진단 내역을 포함하는 정보를 기초로 하여 환자들을 적어도 하나의 1차 유사 환자군으로 분류할 수 있다.
일 실시예에서, 병원 이동 경로를 예측하는 서버(200)는 환자들 각각의 질환명 및 진단 내역을 포함하는 정보에 환자들 각각에 대응하는 벡터들을 생성할 수 있다. 병원 이동 경로를 예측하는 서버(200)는 벡터들에 대하여 K-평균 군집화(K-means Clustering) 알고리즘을 수행하여 환자들을 적어도 하나의 1차 유사 환자군으로 분류할 수 있다.
단계 1320에서 병원 이동 경로를 예측하는 서버(200)는 환자들 각각의 병원 이동 데이터에 기초하여 적어도 하나의 1차 유사 환자군으로 분류된 환자들을 적어도 하나의 2차 유사 환자군으로 재분류할 수 있다.
일 실시예에서, 병원 이동 경로를 예측하는 서버(200)는 환자들 중 제 1 환자 및 제 2 환자 각각은 서로 다른 1차 유사 환자군으로 분류되는 경우, 제 1 환자 및 제 2 환자 각각의 병원 이동 데이터의 유사성에 기초하여 제 1 환자 및 제 2 환자를 같은 2차 유사 환자군으로 재분류할 수 있다.
일 실시예에서, 병원 이동 데이터가 제 1 환자가 제 1 병원에서 제 2 병원으로 전원한 병원 이동 데이터 및 제 2 환자가 제 1 병원에서 제 3 병원으로 전원한 병원 이동 데이터를 포함하는 경우, 병원 이동 경로를 예측하는 서버(200)는 제 2 병원 및 제 3 병원 간의 유사도가 기 설정된 값 이상인지 여부에 기초하여 제 1 환자 및 제 2 환자를 같은 2차 유사 환자군으로 재분류할 수 있다.
정리하면 도 9 내지 도 13에서 상술한 바와 같이, 유사 환자군으로 분류하는 뉴럴 네트워크(202)를 이용하여 환자를 특정 유사 환자군으로 분류할 수 있다. 또한, 병원 이동 경로를 예측하는 서버(200)는 유사 환자군으로 분류하는 뉴럴 네트워크(202)를 이용하여 해당 환자의 병원 이동 경로를 예측할 수 있다. 예를 들어, 병원 이동 경로를 예측하는 서버(200)는 특정 유사 환자군에 속하는 환자들의 병원 이동 데이터들에 기초하여 해당 환자의 병원 이동 경로를 예측할 수 있다. 병원 이동 경로를 예측하는 서버(200)는 예측한 병원 이동 경로에 기초하여, 해당 환자에게 다음 병원으로 적합하다고 판단되는 병원을 제안할 수 있다.
한편, 환자가 선호하는 지역이나 환자가 선호하는 병원의 종류 등을 고려할 때, 다음 병원으로 적합하다고 판단되는 병원을 대체할 필요성이 있다. 이러한 경우, 병원 이동 경로를 예측하는 서버(200)는 병원들 간 유사도를 산출하는 뉴럴 네트워크(203)을 이용하여 환자의 조건에 부합하는 병원으로 대체하여 제안할 수 있다.
도 14는 일 실시예에 따른 병원들 간의 유사도를 산출하는 것을 나타내는 도면이다.
일 실시예에 따르면, 병원 이동 경로를 예측하는 서버(200)는 병원들 간 유사도를 산출하는 뉴럴 네트워크(203)를 이용하여, 병원들 간의 유사도를 산출할 수 있다. 예를 들어, 병원 이동 경로를 예측하는 서버(200)는 병원들 간 유사도를 산출하는 뉴럴 네트워크(203)를 이용하여 병원들의 기본 정보 및 평가 정보에 기초하여 병원들 간의 1차 유사도를 산출하고, 환자들 각각의 병원 이동 데이터에 기초하여 1차 유사도를 조정하여 2차 유사도를 산출할 수 있다. 병원 이동 경로를 예측하는 서버(200)는 2차 유사도를 병원들 간의 최종 유사도로 설정할 수 있다.
도 14를 참고하면, 병원 이동 경로를 예측하는 서버(200)는 병원들의 기본 정보 및 평가 정보를 병원들 간 유사도를 산출하는 뉴럴 네트워크(203)에 입력할 수 있다. 예를 들어, 병원들의 기본 정보 및 평가 정보는 건강보험심사평가원에서 제공하는 정보에 해당할 수 있으나, 이에 제한되는 것은 아니다.
병원들의 기본 정보는 종류별 병상 수, 진료 과목별 의사 수, 간호 등급, 의료 장비 보유 목록, 응급실 여부, 식대 가산 및 주소 중 적어도 하나에 대한 정보를 포함할 수 있다. 또한, 병원들의 평가 정보는 관상동맥우회술, 급성기 뇌졸중, 고혈압, 당뇨병, 간암, 대장암, 주사제 처방률 등의 항목들 중 적어도 하나에 대한 평가 정보를 포함할 수 있다.
병원 이동 경로를 예측하는 서버(200)는 병원들의 기본 정보 및 평가 정보에 기초하여, 병원들 각각에 대응하는 벡터들을 생성할 수 있다. 병원 이동 경로를 예측하는 서버(200)는 벡터들 간의 피어슨 상관 계수(Pearson Correlation Coefficient)를 연산할 수 있고, 피어슨 상관 계수를 병원들 간의 1차 유사도로 산출할 수 있다. 피어슨 상관 계수는 두 변수의 선형 상관 관계를 계량화된 수치로 표현한 값에 해당할 수 있다. 병원들 간의 1차 유사도는 하기 수학식 1에 기초하여 산출될 수 있다.
Figure 112022026711207-pat00021
상기 수학식 1에서,
Figure 112022026711207-pat00022
는 병원 1의 기본 정보 및 평가 정보에 기초하여 생성된 변수인 벡터 X 및 병원 2의 기본 정보 및 평가 정보에 기초하여 생성된 변수인 벡터 Y 를 이용하여 산출된 피어슨 상관계수에 해당할 수 있다. 또한,
Figure 112022026711207-pat00023
는 병원 1의 기본 정보 및 평가 정보에 해당하는 총 n개 항목들에 대한 정보들 중 i번째 항목에 대한 정보에 해당하고,
Figure 112022026711207-pat00024
는 병원 2의 기본 정보 및 평가 정보에 해당하는 총 n개 항목들에 대한 정보들 중 i번째 항목에 대한 정보에 해당할 수 있다. 또한,
Figure 112022026711207-pat00025
는
Figure 112022026711207-pat00026
내지
Figure 112022026711207-pat00027
벡터들의 평균에 해당하고,
Figure 112022026711207-pat00028
는
Figure 112022026711207-pat00029
내지
Figure 112022026711207-pat00030
벡터들의 평균에 해당할 수 있다. 예를 들어,
Figure 112022026711207-pat00031
은 병원 1의 주소가 서울에 위치하는지 여부에 대한 정보에 해당할 수 있고, 병원 1의 주소가 서울에 위치하는 경우
Figure 112022026711207-pat00032
은 1이고, 병원 1의 주소가 서울에 위치하지 않는 경우
Figure 112022026711207-pat00033
은 0일 수 있다. 마찬가지로,
Figure 112022026711207-pat00034
은 병원 2의 주소가 서울에 위치하는지 여부에 대한 정보에 해당할 수 있고, 병원 2의 주소가 서울에 위치하는 경우
Figure 112022026711207-pat00035
은 1이고, 병원 2의 주소가 서울에 위치하지 않는 경우
Figure 112022026711207-pat00036
은 0일 수 있다.
또한, 병원 이동 경로를 예측하는 서버(200)는 환자들 각각의 병원 이동 데이터에 기초하여 1차 유사도를 조정하여 2차 유사도를 산출할 수 있다. 예를 들어, 병원 이동 경로를 예측하는 서버(200)는 환자들 각각의 병원 이동 데이터에 기초하여 임의의 어느 두 병원 간의 1차 유사도에 가중치를 반영하여 2차 유사도를 산출할 수 있다.
도 15는 일 실시예에 따른 병원 이동 데이터에 기초하여 병원들 간의 유사도를 산출하는 것을 나타내는 도면이다.
일 실시예에 따르면, 병원 이동 경로를 예측하는 서버(200)는 병원 이동 데이터가 환자들 중 제 1 환자가 제 1 병원에서 제 2 병원으로 전원한 병원 이동 데이터 및 제 2 환자가 제 1 병원에서 제 3 병원으로 전원한 병원 이동 데이터를 포함하는 경우, 제 2 병원 및 제 3 병원 간의 1차 유사도에 기 설정된 가중치를 반영하여 제 2 병원 및 제 3 병원 간의 2차 유사도를 산출할 수 있다.
도 15를 참고하면, 도 3 내지 도 8에서 상술한 바에 따라서, 병원 이동 경로를 예측하는 서버(200)는 환자 A의 간병 서비스 데이터에 포함된 병원 1에서의 제 1 간병 서비스 이력 및 병원 2에서의 제 2 간병 서비스 이력에 기초하여, 병원 1에서 병원 2로의 이동이 전원에 해당한다고 판단할 수 있다. 이러한 경우, 병원 이동 경로를 예측하는 서버(200)는 환자 A의 병원 1에서 병원 2로의 병원 이동 데이터를 획득할 수 있다.
또한, 병원 이동 경로를 예측하는 서버(200)는 환자 B의 간병 서비스 데이터에 포함된 병원 1에서의 제 1 간병 서비스 이력 및 병원 3에서의 제 2 간병 서비스 이력에 기초하여, 병원 1에서 병원 3으로의 이동이 전원에 해당한다고 판단할 수 있다. 이러한 경우, 병원 이동 경로를 예측하는 서버(200)는 환자 B의 병원 1에서 병원 3로의 병원 이동 데이터를 획득할 수 있다.
이러한 경우, 병원 이동 경로를 예측하는 서버(200)는 병원 2 및 병원 3 간의 1차 유사도에 기 설정된 가중치 w1(>1)을 반영하여 병원 2 및 병원 3 간의 2차 유사도를 산출할 수 있다. 병원 이동 경로를 예측하는 서버(200)는 병원 2 및 병원 3 간의 2차 유사도를 병원 2 및 병원 3 간의 최종 유사도로 설정할 수 있다. 병원 2 및 병원 3 간의 2차 유사도는 하기 수학식 2에 기초하여 산출될 수 있다.
Figure 112022026711207-pat00037
상기 수학식 2에서,
Figure 112022026711207-pat00038
는 병원 2의 기본 정보 및 평가 정보에 기초하여 생성된 변수인 벡터 X 및 병원 3의 기본 정보 및 평가 정보에 기초하여 생성된 변수인 벡터 Y 를 이용하여 산출된 피어슨 상관계수에 해당할 수 있다. 또한,
Figure 112022026711207-pat00039
는 병원 2의 기본 정보 및 평가 정보에 해당하는 총 n개 항목들에 대한 정보들 중 i번째 항목에 대한 정보에 해당하고,
Figure 112022026711207-pat00040
는 병원 3의 기본 정보 및 평가 정보에 해당하는 총 n개 항목들에 대한 정보들 중 i번째 항목에 대한 정보에 해당할 수 있다. 또한,
Figure 112022026711207-pat00041
는
Figure 112022026711207-pat00042
내지
Figure 112022026711207-pat00043
벡터들의 평균에 해당하고,
Figure 112022026711207-pat00044
는
Figure 112022026711207-pat00045
내지
Figure 112022026711207-pat00046
벡터들의 평균에 해당할 수 있다. 또한, w1은 1보다 큰 실수인 기 설정된 가중치에 해당할 수 있다.
상술한 바와 같이, 환자들의 병원 이동 데이터에서 출발 병원이 동일하고 도착 병원이 다른 경우 도착 병원들 간의 1차 유사도에 기 설정된 가중치 w1(>1)을 반영하여 2차 유사도를 산출하였으나, 출발 병원이 다르고 도착 병원이 동일한 경우에도 마찬가지로 출발 병원들 간의 1차 유사도에 기 설정된 가중치 w1(>1)을 반영하여 2차 유사도를 산출할 수 있다.
또는 일 실시예에서, 병원 이동 경로를 예측하는 서버(200)는 제 1 환자 및 제 2 환자 간의 질환 유사도를 판단하고, 질환 유사도에 기초하여 병원들 간 1차 유사도에 반영할 가중치를 결정할 수 있다. 예를 들어, 병원 이동 데이터가 환자들 중 제 1 환자가 제 1 병원에서 제 2 병원으로 전원한 병원 이동 데이터 및 제 2 환자가 제 1 병원에서 제 3 병원으로 전원한 병원 이동 데이터를 포함하는 경우, 병원 이동 경로를 예측하는 서버(200)는 제 1 환자 및 제 2 환자 간의 질환 유사도가 높을수록 제 2 병원 및 제 3 병원 간의 1차 유사도에 더 높은 가중치를 반영하여 제 2 병원 및 제 3 병원 간의 2차 유사도를 산출할 수 있다. 한편, 제 1 환자 및 제 2 환자 간의 질환 유사도는 도 11에서 상술한 바와 같이, 제 1 환자에 대응하는 벡터 및 제 2 환자에 대응하는 벡터 간의 거리에 기초하여 판단할 수 있다. 벡터들은 환자들 각각의 질환명 및 진단 내역을 포함하는 정보에 기초하여 생성될 수 있다.
도 16은 일 실시예에 따른 질환 유사도에 기초하여 가중치를 결정하는 것을 나타내는 도면이다.
도 16의 (a) 및 (b)를 참고하면, 병원 이동 경로를 예측하는 서버(200)는 환자들 각각의 질환명 및 진단 내역을 포함하는 정보에 기초하여 환자들 각각에 대응하는 벡터들을 생성할 수 있다. 병원 이동 경로를 예측하는 서버(200)는 환자 A에 대응하는 벡터 및 환자 B에 대응하는 벡터 간의 거리를 산정하여 환자 A 및 환자 B 간의 유사도를 판단할 수 있다.
도 16의 (a)의 경우 환자 A에 대응하는 벡터 및 환자 B에 대응하는 벡터 간의 거리는 짧으며, 제 1 환자 및 제 2 환자 간의 유사도가 높다고 판단할 수 있다. 이러한 경우, 병원 이동 경로를 예측하는 서버(200)는 제 2 병원 및 제 3 병원 간의 1차 유사도에 반영할 가중치를 1.5로 설정할 수 있다.
도 16의 (b)의 경우 환자 A에 대응하는 벡터 및 환자 B에 대응하는 벡터 간의 거리는 길고, 제 1 환자 및 제 2 환자 간의 유사도가 낮다고 판단할 수 있다. 이러한 경우, 병원 이동 경로를 예측하는 서버(200)는 제 2 병원 및 제 3 병원 간의 1차 유사도에 반영할 가중치를 1.1로 설정할 수 있다.
앞서 제 1 환자 및 제 2 환자 간의 유사도는 도 9 내지 도 13 에서 설명한 유사도와 같은 개념이며, 도 9 내지 도 13에서 적용한 모든 기술적 내용이 적용될 수 있음은 당연하다.
한편, 환자들 각각에 대응하는 벡터들 간의 거리에 기초한 가중치 값은 상술한 바로 제한되는 것은 아니며, 다양한 값으로 설정될 수 있다.
도 17은 일 실시예에 따른 병원 이동 데이터에 기초하여 병원들 간의 유사도를 산출하는 것을 나타내는 도면이다.
일 실시예에 따르면, 병원 이동 경로를 예측하는 서버(200)는 병원 이동 데이터가 환자들 중 제 1 환자가 제 1 병원에서 제 2 병원을 거쳐 제 3 병원으로 전원한 병원 이동 데이터 및 제 2 환자가 제 1 병원에서 제 4 병원으로 전원한 병원 이동 데이터를 포함하는 경우, 제 3 병원 및 제 4 병원 간의 1차 유사도에 기 설정된 가중치를 반영하여 제 3 병원 및 제 4 병원 간의 2차 유사도를 산출할 수 있다.
도 17을 참고하면, 도 3 내지 도 9에서 상술한 바에 따라서, 병원 이동 경로를 예측하는 서버(200)는 환자 A의 간병 서비스 데이터에 포함된 병원 1에서의 제 1 간병 서비스 이력, 병원 2에서의 제 2 간병 서비스 이력 및 병원 3에서의 제 3 간병 서비스 이력에 기초하여, 병원 1에서 병원 2를 거쳐 병원 3으로의 이동이 전원에 해당한다고 판단할 수 있다. 이러한 경우, 병원 이동 경로를 예측하는 서버(200)는 환자 A의 병원 1에서 병원 2를 거쳐 병원 3으로의 병원 이동 데이터를 획득할 수 있다.
또한, 병원 이동 경로를 예측하는 서버(200)는 환자 B의 간병 서비스 데이터에 포함된 병원 1에서의 제 1 간병 서비스 이력 및 병원 4에서의 제 2 간병 서비스 이력에 기초하여, 병원 1에서 병원 4로의 이동이 전원에 해당한다고 판단할 수 있다. 이러한 경우, 병원 이동 경로를 예측하는 서버(200)는 환자 B의 병원 1에서 병원 4로의 병원 이동 데이터를 획득할 수 있다.
이러한 경우, 병원 이동 경로를 예측하는 서버(200)는 병원 3 및 병원 4 간의 1차 유사도에 기 설정된 가중치 w2(>1)을 반영하여 병원 3 및 병원 4 간의 2차 유사도를 산출할 수 있다. 병원 이동 경로를 예측하는 서버(200)는 병원 3 및 병원 4 간의 2차 유사도를 병원 3 및 병원 4 간의 최종 유사도로 설정할 수 있다. 병원 3 및 병원 4 간의 2차 유사도는 하기 수학식 3에 기초하여 산출될 수 있다.
Figure 112022026711207-pat00047
상기 수학식 3에서,
Figure 112022026711207-pat00048
는 병원 3의 기본 정보 및 평가 정보에 기초하여 생성된 변수인 벡터 X 및 병원 4의 기본 정보 및 평가 정보에 기초하여 생성된 변수인 벡터 Y 를 이용하여 산출된 피어슨 상관계수에 해당할 수 있다. 또한,
Figure 112022026711207-pat00049
는 병원 3의 기본 정보 및 평가 정보에 해당하는 총 n개 항목들에 대한 정보들 중 i번째 항목에 대한 정보에 해당하고,
Figure 112022026711207-pat00050
는 병원 4의 기본 정보 및 평가 정보에 해당하는 총 n개 항목들에 대한 정보들 중 i번째 항목에 대한 정보에 해당할 수 있다. 또한,
Figure 112022026711207-pat00051
는
Figure 112022026711207-pat00052
내지
Figure 112022026711207-pat00053
벡터들의 평균에 해당하고,
Figure 112022026711207-pat00054
는
Figure 112022026711207-pat00055
내지
Figure 112022026711207-pat00056
벡터들의 평균에 해당할 수 있다. 또한, w2는 1보다 큰 실수인 기 설정된 가중치에 해당할 수 있다.
한편, 기 설정된 가중치 w2(>1)는 도 15에서 상술한 기 설정된 가중치 w1(>1)과 다른 값에 해당할 수 있으나, 이에 제한되는 것은 아니다.
추가적으로, 도 17에서 병원 2와 병원 4 간의 최종 유사도도 병원 2와 병원 4의 1차 유사도에서 기 설정된 가중치 w2*에 따라 산출할 수 있다. 상기 w2* 값은 앞서 상술한 w1과 w2와는 다른 값에 해당할 수 있고, 상기 w2 값 보다는 작은 값을 가질 수 있다. 또는 w2 값 보다는 큰 값을 가질 수 있음은 당연하다.
또한, 가중치 값인 w2와 w2*은 특정 관계에 기초하여 변화할 수 있다. 예를 들어, w2와 w2* 값이 1을 기준으로 변화하는 값 수치만큼 각 값의 변화가 반대 급부로 변화할 수 있다. 보다 구체적으로, w2값이 1.4인 경우, w2*값은 0.6의 값을 가질 수 있으나, 이러한 값은 하나의 예시에 해당할 뿐, 이에 한정되어 해석되는 것은 아니다.
또는 일 실시예에서, 병원 이동 경로를 예측하는 서버(200)는 제 1 환자 및 제 2 환자 간의 유사도를 판단하고, 유사도에 기초하여 병원들 간 1차 유사도에 반영할 가중치를 결정할 수 있다.
도 18은 일 실시예에 따른 병원 이동 데이터에 기초하여 병원들 간의 유사도를 산출하는 것을 나타내는 도면이다.
일 실시예에 따르면, 병원 이동 경로를 예측하는 서버(200)는 병원 이동 데이터가 환자들 중 제 1 환자가 제 1 병원에서 제 2 병원으로 전원한 병원 이동 데이터 및 제 2 환자가 제 3 병원에서 제 4 병원으로 전원한 병원 이동 데이터를 포함하고, 제 1 병원 및 제 3 병원 간의 1차 유사도 또는 2차 유사도가 기 설정된 값 이상인 경우, 제 2 병원 및 상기 제 4 병원 간의 1차 유사도에 기 설정된 가중치를 반영하여 제 2 병원 및 제 4 병원 간의 2차 유사도를 산출할 수 있다.
도 18을 참고하면, 도 3 내지 도 8에서 상술한 바에 따라서, 병원 이동 경로를 예측하는 서버(200)는 환자 A의 간병 서비스 데이터에 포함된 제 1 간병 서비스 이력 및 병원 2에서의 제 2 간병 서비스 이력에 기초하여, 병원 1에서 병원 2로의 이동이 전원에 해당한다고 판단할 수 있다. 이러한 경우, 병원 이동 경로를 예측하는 서버(200)는 환자 A의 병원 1에서 병원 2로의 병원 이동 데이터를 획득할 수 있다.
또한, 병원 이동 경로를 예측하는 서버(200)는 환자 B의 간병 서비스 데이터에 포함된 병원 3에서의 제 1 간병 서비스 이력 및 병원 4에서의 제 2 간병 서비스 이력에 기초하여, 병원 3에서 병원 4로의 이동이 전원에 해당한다고 판단할 수 있다. 이러한 경우, 병원 이동 경로를 예측하는 서버(200)는 환자 B의 병원 3에서 병원 4로의 병원 이동 데이터를 획득할 수 있다.
이러한 경우, 병원 이동 경로를 예측하는 서버(200)는 병원 1 및 병원 3 간의 1차 유사도 또는 2차 유사도가 기 설정된 값 이상인지를 판단할 수 있다. 병원 1 및 병원 3 간의 1차 유사도 또는 2차 유사도가 기 설정된 값 이상인 경우에, 병원 이동 경로를 예측하는 서버(200)는 병원 2 및 병원 4 간의 1차 유사도에 기 설정된 가중치 w3(>1)을 반영하여 병원 2 및 병원 4 간의 2차 유사도를 산출할 수 있다. 병원 이동 경로를 예측하는 서버(200)는 병원 2 및 병원 4 간의 2차 유사도를 병원 2 및 병원 4 간의 최종 유사도로 설정할 수 있다. 병원 2 및 병원 4 간의 2차 유사도는 하기 수학식 4에 기초하여 산출될 수 있다.
Figure 112022026711207-pat00057
상기 수학식 4에서,
Figure 112022026711207-pat00058
는 병원 2의 기본 정보 및 평가 정보에 기초하여 생성된 변수인 벡터 X 및 병원 4의 기본 정보 및 평가 정보에 기초하여 생성된 변수인 벡터 Y 를 이용하여 산출된 피어슨 상관계수에 해당할 수 있다. 또한,
Figure 112022026711207-pat00059
는 병원 2의 기본 정보 및 평가 정보에 해당하는 총 n개 항목들에 대한 정보들 중 i번째 항목에 대한 정보에 해당하고,
Figure 112022026711207-pat00060
는 병원 4의 기본 정보 및 평가 정보에 해당하는 총 n개 항목들에 대한 정보들 중 i번째 항목에 대한 정보에 해당할 수 있다. 또한,
Figure 112022026711207-pat00061
는
Figure 112022026711207-pat00062
내지
Figure 112022026711207-pat00063
벡터들의 평균에 해당하고,
Figure 112022026711207-pat00064
는
Figure 112022026711207-pat00065
내지
Figure 112022026711207-pat00066
벡터들의 평균에 해당할 수 있다. 또한, w3은 1보다 큰 실수인 기 설정된 가중치에 해당할 수 있다.
한편, 기 설정된 가중치 w3(>1)는 도 15에서 상술한 기 설정된 가중치 w1(>1), 도 17에서 상술한 기 설정된 가중치 w2(>1) 및 도 17에서 상술한 기 설정된 가중치 w2*과 다른 값에 해당할 수 있으나, 이에 제한되는 것은 아니다.
또는 일 실시예에서, 병원 이동 경로를 예측하는 서버(200)는 제 1 환자 및 제 2 환자 간의 질환 유사도를 판단하고, 질환 유사도에 기초하여 병원들 간 1차 유사도에 반영할 가중치를 결정할 수 있다.
한편, 병원 이동 경로를 예측하는 서버(200)는, 환자들 각각의 병원 이동 데이터에 기초하여 병원들 간의 1차 유사도를 조정하여 2차 유사도를 산출하고, 2차 유사도를 병원들 간의 최종 유사도로 설정할 수 있다.
병원 이동 데이터는 도 3 내지 도 8에서 상술한 라벨링 데이터에 기초하여 생성될 수 있다, 즉, 환자의 간병 서비스 데이터에 기초하여 병원들 간의 이동이 전원에 해당함을 나타내는 라벨링 데이터에 기초하여 병원 이동 데이터가 생성될 수 있다. 한편, 도 7에서 상술한 바와 같이 라벨링 데이터는 환자의 간병 서비스 데이터에 기초하여 병원들 간의 이동이 전원에 해당하는 지 여부를 이동과 관련된 라벨링 데이터뿐만 아니라 병원들 간의 이동 방향과 관련된 라벨링 데이터를 더 포함할 수 있다.
따라서, 병원들 간의 1차 유사도를 조정하여 2차 유사도를 산출함에 있어서, 병원들 간의 이동 방향과 관련된 라벨링 데이터도 추가적으로 고려할 수 있다.
예를 들면, 도 15에서 상술한 바와 같이, 병원 이동 데이터가 환자들 중 제 1 환자가 제 1 병원에서 제 2 병원으로 전원한 병원 이동 데이터 및 제 2 환자가 제 1 병원에서 제 3 병원으로 전원한 병원 이동 데이터를 포함하는 경우, 병원 이동 경로를 예측하는 서버(200)는 제 2 병원 및 제 3 병원 간의 1차 유사도에 기 설정된 가중치를 반영하여 제 2 병원 및 제 3 병원 간의 2차 유사도를 산출할 수 있다. 이 때, 제 1 병원에서 제 2 병원으로의 이동 데이터에 포함된 이동 방향과 관련된 라벨링 데이터와 제 1 병원에서 제 3 병원으로의 이동 데이터에 포함된 이동 방향과 관련된 라벨링 데이터가 동일한 경우에는, 제 2 병원 및 제 3 병원 간의 1차 유사도에 더 높은 가중치가 반영되어 2차 유사도가 산출될 수 있다. 반면, 제 1 병원에서 제 2 병원으로의 이동 데이터에 포함된 이동 방향과 관련된 라벨링 데이터와 제 1 병원에서 제 3 병원으로의 이동 데이터에 포함된 이동 방향과 관련된 라벨링 데이터가 서로 다른 경우에는, 제 2 병원 및 제 3 병원 간의 1차 유사도에 더 낮은 가중치가 반영되어 2차 유사도가 산출될 수 있다. 예를 들어, 제 1 병원에서 제 2 병원으로의 이동 데이터에 포함된 이동 방향과 관련된 라벨링 데이터와 제 1 병원에서 제 3 병원으로의 이동 데이터에 포함된 이동 방향과 관련된 라벨링 데이터가 동일한 경우에 적용되는 가중치 값은 제 1 병원에서 제 2 병원으로의 이동 데이터에 포함된 이동 방향과 관련된 라벨링 데이터와 제 1 병원에서 제 3 병원으로의 이동 데이터에 포함된 이동 방향과 관련된 라벨링 데이터가 서로 다른 경우에 적용되는 가중치 값에 기 설정된 값인 k(>1)를 곱한 값에 해당할 수 있다.
이와 같이, 병원 이동 데이터에 포함된 이동 방향과 관련된 라벨링 데이터를 추가적으로 고려하여 병원들 간의 1차 유사도에 적용되는 가중치가 조정될 수 있다. 상술한 실시예는 도 14 내지 도 18에서 기재한 실시예들에 모두 적용될 수 있다.
도 19는 일 실시예에 따른 병원들 간의 유사도를 산출하는 방법의 흐름도이다.
도 19에 도시된, 병원들 간의 유사도를 산출하기 위한 방법은 앞서 설명된 도면들에서 설명된 실시예들에 관련되므로, 이하 생략된 내용이라 할지라도 앞서 도면들에서 설명된 내용들은 도 19의 방법에도 적용될 수 있다.
도 19를 참조하면, 단계 1910에서 병원 이동 경로를 예측하는 서버(200)는 병원들의 기본 정보 및 평가 정보에 기초하여 병원들 간의 1차 유사도를 산출할 수 있다.
일 실시예에서, 병원 이동 경로를 예측하는 서버(200)는 기본 정보 및 평가 정보에 기초하여 병원들에 대응하는 벡터들을 생성하고, 벡터들 간의 피어슨 상관 계수(Pearson Correlation Coefficient)를 1차 유사도로 산출할 수 있다.
단계 1920에서 병원 이동 경로를 예측하는 서버(200)는 환자들 각각의 병원 이동 데이터에 기초하여 1차 유사도를 조정하여 2차 유사도를 산출할 수 있다.
일 실시예에서, 병원 이동 경로를 예측하는 서버(200)는 병원 이동 데이터가 환자들 중 제 1 환자가 제 1 병원에서 제 2 병원으로 전원한 병원 이동 데이터 및 제 2 환자가 제 1 병원에서 제 3 병원으로 전원한 병원 이동 데이터를 포함하는 경우, 제 2 병원 및 제 3 병원 간의 1차 유사도에 기 설정된 가중치를 반영하여 제 2 병원 및 제 3 병원 간의 2차 유사도를 산출할 수 있다.
일 실시예에서, 병원 이동 경로를 예측하는 서버(200)는 병원 이동 데이터가 환자들 중 제 1 환자가 제 1 병원에서 제 2 병원을 거쳐 제 3 병원으로 전원한 병원 이동 데이터 및 제 2 환자가 제 1 병원에서 제 4 병원으로 전원한 병원 이동 데이터를 포함하는 경우, 제 3 병원 및 제 4 병원 간의 1차 유사도에 기 설정된 가중치를 반영하여 제 3 병원 및 제 4 병원 간의 2차 유사도를 산출할 수 있다.
일 실시예에서, 병원 이동 경로를 예측하는 서버(200)는 병원 이동 데이터가 환자들 중 제 1 환자가 제 1 병원에서 제 2 병원으로 전원한 병원 이동 데이터 및 제 2 환자가 제 3 병원에서 제 4 병원으로 전원한 병원 이동 데이터를 포함하고, 제 1 병원 및 제 3 병원 간의 1차 유사도 또는 2차 유사도가 기 설정된 값 이상인 경우, 제 2 병원 및 제 4 병원 간의 1차 유사도에 기 설정된 가중치를 반영하여 제 2 병원 및 제 4 병원 간의 2차 유사도를 산출할 수 있다.
단계 1930에서 병원 이동 경로를 예측하는 서버(200)는 2차 유사도를 병원들 간의 최종 유사도로 설정 할 수 있다.
도 20은 일 실시예에 따른 병원 이동 경로를 예측하는 서버의 블록도이다.
도 20를 참고하면, 병원 이동 경로를 예측하는 서버(2000)는 통신부(2010), 프로세서(2020) 및 DB(2030)를 포함할 수 있다. 도 20의 간병 서비스 제공 서버(2000)에는 실시예와 관련된 구성요소들만이 도시되어 있다. 따라서, 도 20에 도시된 구성요소들 외에 다른 범용적인 구성요소들이 더 포함될 수 있음을 당해 기술분야의 통상의 기술자라면 이해할 수 있다.
통신부(2010)는 병원 이동 경로를 예측하는 서버(2000)와 유선/무선 통신을 하게 하는 하나 이상의 구성 요소를 포함할 수 있다. 예를 들어, 통신부(2010)는, 근거리 통신부(미도시), 이동 통신부(미도시) 및 방송 수신부(미도시) 중 적어도 하나를 포함할 수 있다.
DB(2030)는 병원 이동 경로를 예측하는 서버(2000) 내에서 처리되는 각종 데이터들을 저장하는 하드웨어로서, 프로세서(2020)의 처리 및 제어를 위한 프로그램을 저장할 수 있다.
DB(2030)는 DRAM(dynamic random access memory), SRAM(static random access memory) 등과 같은 RAM(random access memory), ROM(read-only memory), EEPROM(electrically erasable programmable read-only memory), CD-ROM, 블루레이 또는 다른 광학 디스크 스토리지, HDD(hard disk drive), SSD(solid state drive), 또는 플래시 메모리를 포함할 수 있다. 프로세서(2020)는 병원 이동 경로를 예측하는 서버(2000)의 전반적인 동작을 제어한다. 예를 들어, 프로세서(2020)는 DB(2030)에 저장된 프로그램들을 실행함으로써, 입력부(미도시), 디스플레이(미도시), 통신부(2010), DB(2030) 등을 전반적으로 제어할 수 있다. 프로세서(2020)는, DB(2030)에 저장된 프로그램들을 실행함으로써, 병원 이동 경로를 예측하는 서버(2000)의 동작을 제어할 수 있다.
프로세서(2020)는 ASICs (application specific integrated circuits), DSPs(digital signal processors), DSPDs(digital signal processing devices), PLDs(programmable logic devices), FPGAs(field programmable gate arrays), 제어기(controllers), 마이크로 컨트롤러(micro-controllers), 마이크로 프로세서(microprocessors), 기타 기능 수행을 위한 전기적 유닛 중 적어도 하나를 이용하여 구현될 수 있다.
본 개시의 다양한 실시예들은 기기(machine) 의해 읽을 수 있는 저장 매체(storage medium)에 저장된 하나 이상의 명령어들을 포함하는 소프트웨어(예:　프로그램))로서 구현될 수 있다. 예를 들면, 기기의 프로세서는, 저장 매체로부터 저장된 하나 이상의 명령어들 중 적어도 하나의 명령을 호출하고, 그것을 실행할 수 있다. 이것은 기기가 상기 호출된 적어도 하나의 명령어에 따라 적어도 하나의 기능을 수행하도록 운영되는 것을 가능하게 한다. 상기 하나 이상의 명령어들은 컴파일러에 의해 생성된 코드 또는 인터프리터에 의해 실행될 수 있는 코드를 포함할 수 있다. 기기로 읽을 수 있는 저장매체는, 비일시적(non-transitory) 저장매체의 형태로 제공될 수 있다. 여기서, ‘비일시적’은 저장매체가 실재(tangible)하는 장치이고, 신호(signal)(예: 전자기파)를 포함하지 않는다는 것을 의미할 뿐이며, 이 용어는 데이터가 저장매체에 반영구적으로 저장되는 경우와 임시적으로 저장되는 경우를 구분하지 않는다.
일 실시예에 따르면, 본 개시의 다양한 실시예들에 따른 방법은　컴퓨터　프로그램　제품(computer program product)에 포함되어 제공될 수 있다.　컴퓨터　프로그램　제품은 상품으로서 판매자 및 구매자 간에 거래될 수 있다.　컴퓨터　프로그램　제품은 기기로 읽을 수 있는 저장 매체(예: compact disc read only memory (CD-ROM))의 형태로 배포되거나, 또는 어플리케이션 스토어(예: 플레이 스토어TM)를 통해 또는 두 개의 사용자 장치들 간에 직접, 온라인으로 배포(예: 다운로드 또는 업로드)될 수 있다. 온라인 배포의 경우에,　컴퓨터　프로그램　제품의 적어도 일부는 제조사의 서버, 어플리케이션 스토어의 서버, 또는 중계 서버의 메모리와 같은 기기로 읽을 수 있는 저장 매체에 적어도 일시 저장되거나, 임시적으로 생성될 수 있다.
또한, 본 명세서에서, “부”는 프로세서 또는 회로와 같은 하드웨어 구성(hardware component), 및/또는 프로세서와 같은 하드웨어 구성에 의해 실행되는 소프트웨어 구성(software component)일 수 있다.
본 실시예의 범위는 상기 상세한 설명보다는 후술하는 특허청구범위에 의하여 나타내어지며, 특허청구범위의 의미 및 범위 그리고 그 균등 개념으로부터 도출되는 모든 변경 또는 변형된 형태가 포함되는 것으로 해석되어야 한다.

Claims (13)

  1. 병원들 간의 유사도를 산출하기 위한 방법으로서,
    상기 병원들의 기본 정보 및 평가 정보에 기초하여 상기 병원들 간의 1차 유사도를 산출하는 단계;
    환자들 각각의 병원 이동 데이터에 기초하여 상기 1차 유사도를 조정하여 2차 유사도를 산출하는 단계; 및
    상기 2차 유사도를 상기 병원들 간의 최종 유사도로 설정하는 단계;를 포함하고,
    상기 병원 이동 데이터가 상기 환자들 중 제 1 환자가 제 1 병원에서 제 2 병원으로 전원한 병원 이동 데이터 및 제 2 환자가 상기 제 1 병원에서 제 3 병원으로 전원한 병원 이동 데이터를 포함하는 경우,
    상기 2차 유사도를 산출하는 단계는,
    상기 제 2 병원 및 상기 제 3 병원 간의 1차 유사도에 기 설정된 가중치를 반영하여 상기 제 2 병원 및 상기 제 3 병원 간의 2차 유사도를 산출하는, 방법.
  2. 병원들 간의 유사도를 산출하기 위한 방법으로서,
    상기 병원들의 기본 정보 및 평가 정보에 기초하여 상기 병원들 간의 1차 유사도를 산출하는 단계;
    환자들 각각의 병원 이동 데이터에 기초하여 상기 1차 유사도를 조정하여 2차 유사도를 산출하는 단계; 및
    상기 2차 유사도를 상기 병원들 간의 최종 유사도로 설정하는 단계;를 포함하고,
    상기 병원 이동 데이터가 상기 환자들 중 제 1 환자가 제 1 병원에서 제 2 병원을 거쳐 제 3 병원으로 전원한 병원 이동 데이터 및 제 2 환자가 제 1 병원에서 제 4 병원으로 전원한 병원 이동 데이터를 포함하는 경우,
    상기 2차 유사도를 산출하는 단계는,
    상기 제 3 병원 및 상기 제 4 병원 간의 1차 유사도에 기 설정된 가중치를 반영하여 상기 제 3 병원 및 상기 제 4 병원 간의 2차 유사도를 산출하는, 방법.
  3. 병원들 간의 유사도를 산출하기 위한 방법으로서,
    상기 병원들의 기본 정보 및 평가 정보에 기초하여 상기 병원들 간의 1차 유사도를 산출하는 단계;
    환자들 각각의 병원 이동 데이터에 기초하여 상기 1차 유사도를 조정하여 2차 유사도를 산출하는 단계; 및
    상기 2차 유사도를 상기 병원들 간의 최종 유사도로 설정하는 단계;를 포함하고,
    상기 병원 이동 데이터가 상기 환자들 중 제 1 환자가 제 1 병원에서 제 2 병원으로 전원한 병원 이동 데이터 및 제 2 환자가 제 3 병원에서 제 4 병원으로 전원한 병원 이동 데이터를 포함하고, 상기 제 1 병원 및 상기 제 3 병원 간의 1차 유사도 또는 2차 유사도가 기 설정된 값 이상인 경우,
    상기 2차 유사도를 산출하는 단계는,
    상기 제 2 병원 및 상기 제 4 병원 간의 1차 유사도에 기 설정된 가중치를 반영하여 상기 제 2 병원 및 상기 제 4 병원 간의 2차 유사도를 산출하는, 방법.
  4. 제 1 항 내지 제 3 항 중 어느 하나에 있어서,
    상기 1차 유사도를 산출하는 단계는,
    상기 기본 정보 및 평가 정보에 기초하여 상기 병원들에 대응하는 벡터들을 생성하는 단계; 및
    상기 벡터들 간의 피어슨 상관 계수(Pearson Correlation Coefficient)를 상기 1차 유사도로 산출하는 단계;를 포함하는, 방법.
  5. 제 1 항 내지 제 3 항 중 어느 하나에 있어서,
    상기 환자들 각각의 병원 이동 데이터는,
    상기 환자들 각각의 간병 서비스 데이터에 포함된 간병 서비스 이력들에 기초하여 생성되는, 방법.
  6. 제 1 항 내지 제 3 항 중 어느 하나의 방법을 컴퓨터에서 실행하기 위한 프로그램을 기록한 컴퓨터로 읽을 수 있는 기록매체.
  7. 병원들 간의 유사도를 산출하는 장치에 있어서,
    적어도 하나의 프로그램이 저장된 메모리; 및
    상기 적어도 하나의 프로그램을 실행함으로써 연산을 수행하는 프로세서를 포함하고,
    상기 프로세서는,
    상기 병원들의 기본 정보 및 평가 정보에 기초하여 상기 병원들 간의 1차 유사도를 산출하고,
    환자들 각각의 병원 이동 데이터에 기초하여 상기 1차 유사도를 조정하여 2차 유사도를 산출하고,
    상기 2차 유사도를 상기 병원들 간의 최종 유사도로 설정하고,
    상기 병원 이동 데이터가 상기 환자들 중 제 1 환자가 제 1 병원에서 제 2 병원으로 전원한 병원 이동 데이터 및 제 2 환자가 상기 제 1 병원에서 제 3 병원으로 전원한 병원 이동 데이터를 포함하는 경우,
    상기 프로세서는,
    상기 제 2 병원 및 상기 제 3 병원 간의 1차 유사도에 기 설정된 가중치를 반영하여 상기 제 2 병원 및 상기 제 3 병원 간의 2차 유사도를 산출하는, 장치.
  8. 병원들 간의 유사도를 산출하는 장치에 있어서,
    적어도 하나의 프로그램이 저장된 메모리; 및
    상기 적어도 하나의 프로그램을 실행함으로써 연산을 수행하는 프로세서를 포함하고,
    상기 프로세서는,
    상기 병원들의 기본 정보 및 평가 정보에 기초하여 상기 병원들 간의 1차 유사도를 산출하고,
    환자들 각각의 병원 이동 데이터에 기초하여 상기 1차 유사도를 조정하여 2차 유사도를 산출하고,
    상기 2차 유사도를 상기 병원들 간의 최종 유사도로 설정하고,
    상기 병원 이동 데이터가 상기 환자들 중 제 1 환자가 제 1 병원에서 제 2 병원을 거쳐 제 3 병원으로 전원한 병원 이동 데이터 및 제 2 환자가 제 1 병원에서 제 4 병원으로 전원한 병원 이동 데이터를 포함하는 경우,
    상기 프로세서는,
    상기 제 3 병원 및 상기 제 4 병원 간의 1차 유사도에 기 설정된 가중치를 반영하여 상기 제 3 병원 및 상기 제 4 병원 간의 2차 유사도를 산출하는, 장치.
  9. 병원들 간의 유사도를 산출하는 장치에 있어서,
    적어도 하나의 프로그램이 저장된 메모리; 및
    상기 적어도 하나의 프로그램을 실행함으로써 연산을 수행하는 프로세서를 포함하고,
    상기 프로세서는,
    상기 병원들의 기본 정보 및 평가 정보에 기초하여 상기 병원들 간의 1차 유사도를 산출하고,
    환자들 각각의 병원 이동 데이터에 기초하여 상기 1차 유사도를 조정하여 2차 유사도를 산출하고,
    상기 2차 유사도를 상기 병원들 간의 최종 유사도로 설정하고,
    상기 병원 이동 데이터가 상기 환자들 중 제 1 환자가 제 1 병원에서 제 2 병원으로 전원한 병원 이동 데이터 및 제 2 환자가 제 3 병원에서 제 4 병원으로 전원한 병원 이동 데이터를 포함하고, 상기 제 1 병원 및 상기 제 3 병원 간의 1차 유사도 또는 2차 유사도가 기 설정된 값 이상인 경우,
    상기 프로세서는,
    상기 제 2 병원 및 상기 제 4 병원 간의 1차 유사도에 기 설정된 가중치를 반영하여 상기 제 2 병원 및 상기 제 4 병원 간의 2차 유사도를 산출하는, 장치.
  10. 제 7 항 내지 제 9 항 중 어느 하나에 있어서,
    상기 프로세서는,
    상기 기본 정보 및 평가 정보에 기초하여 상기 병원들에 대응하는 벡터들을 생성하고,
    상기 벡터들 간의 피어슨 상관 계수(Pearson Correlation Coefficient)를 상기 1차 유사도로 산출하는, 장치.
  11. 제 7 항 내지 제 9 항 중 어느 하나에 있어서,
    상기 환자들 각각의 병원 이동 데이터는,
    상기 환자들 각각의 간병 서비스 데이터에 포함된 간병 서비스 이력들에 기초하여 생성되는, 장치.
  12. 삭제
  13. 삭제
KR1020210144444A 2021-10-27 2021-10-27 병원들 간의 유사도를 산출하기 위한 방법 및 장치 KR102447681B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020210144444A KR102447681B1 (ko) 2021-10-27 2021-10-27 병원들 간의 유사도를 산출하기 위한 방법 및 장치

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020210144444A KR102447681B1 (ko) 2021-10-27 2021-10-27 병원들 간의 유사도를 산출하기 위한 방법 및 장치

Publications (1)

Publication Number Publication Date
KR102447681B1 true KR102447681B1 (ko) 2022-09-29

Family

ID=83462050

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020210144444A KR102447681B1 (ko) 2021-10-27 2021-10-27 병원들 간의 유사도를 산출하기 위한 방법 및 장치

Country Status (1)

Country Link
KR (1) KR102447681B1 (ko)

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101968200B1 (ko) * 2018-10-20 2019-04-12 최정민 진단명, 수술명 및 치료명에 기초한 의료정보 추천시스템
JP2019117108A (ja) * 2017-12-27 2019-07-18 日本電気株式会社 訪問先推薦装置、訪問先推薦方法および訪問先推薦プログラム
WO2019239642A1 (ja) * 2018-06-12 2019-12-19 オリンパス株式会社 医療支援装置および情報処理装置

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2019117108A (ja) * 2017-12-27 2019-07-18 日本電気株式会社 訪問先推薦装置、訪問先推薦方法および訪問先推薦プログラム
WO2019239642A1 (ja) * 2018-06-12 2019-12-19 オリンパス株式会社 医療支援装置および情報処理装置
KR101968200B1 (ko) * 2018-10-20 2019-04-12 최정민 진단명, 수술명 및 치료명에 기초한 의료정보 추천시스템

Similar Documents

Publication Publication Date Title
Leema et al. Neural network classifier optimization using differential evolution with global information and back propagation algorithm for clinical datasets
US10217048B2 (en) Predictive assignments that relate to genetic information and leverage machine learning models
Papageorgiou et al. Multi-step prediction of pulmonary infection with the use of evolutionary fuzzy cognitive maps
KR102434375B1 (ko) 환자들을 적어도 하나의 유사 환자군으로 분류하기 위한 방법 및 장치
Subbulakshmi et al. Medical dataset classification: a machine learning paradigm integrating particle swarm optimization with extreme learning machine classifier
JP2022527536A (ja) 強化学習を通じた公平性の改善
Siristatidis et al. Predicting IVF outcome: a proposed web-based system using artificial intelligence
Liu et al. Learning the dynamic treatment regimes from medical registry data through deep Q-network
JP2023533587A (ja) モデルを訓練する訓練データセットの選択
Kalaiselvi et al. Machine learning for healthcare diagnostics
US11568213B2 (en) Analyzing apparatus, analysis method and analysis program
Khorsandi et al. Artificial intelligence in liver transplantation
Baechle et al. A framework for the estimation and reduction of hospital readmission penalties using predictive analytics
Drysdale et al. Personalized application of machine learning algorithms to identify pediatric patients at risk for recurrent ureteropelvic junction obstruction after dismembered pyeloplasty
Bing et al. Conditional generation of medical time series for extrapolation to underrepresented populations
Togunwa et al. Deep hybrid model for maternal health risk classification in pregnancy: synergy of ANN and random forest
Rodríguez-Merchán The current role of the virtual elements of artificial intelligence in total knee arthroplasty
Ranjini et al. An ensemble of heterogeneous incremental classifiers for assisted reproductive technology outcome prediction
KR102447681B1 (ko) 병원들 간의 유사도를 산출하기 위한 방법 및 장치
Khan et al. Applying feature selection and weight optimization techniques to enhance artificial neural network for heart disease diagnosis
KR102417926B1 (ko) 환자가 전원의 대상인지 여부를 예측하는 방법 및 장치
Bishop et al. Improving patient flow during infectious disease outbreaks using machine learning for real-time prediction of patient readiness for discharge
Wong et al. Patient centered care for prostate cancer—how can artificial intelligence and machine learning help make the right decision for the right patient?
Doyle et al. Bridging paradigms: hybrid mechanistic-discriminative predictive models
KR102434367B1 (ko) 비대면 진료 상담 서비스를 제공하는 방법 및 장치

Legal Events

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