KR102450646B1 - 빅데이터 기반 딥러닝 모델을 이용한 응급실 환자 진단 시스템 및 방법 - Google Patents

빅데이터 기반 딥러닝 모델을 이용한 응급실 환자 진단 시스템 및 방법 Download PDF

Info

Publication number
KR102450646B1
KR102450646B1 KR1020220003090A KR20220003090A KR102450646B1 KR 102450646 B1 KR102450646 B1 KR 102450646B1 KR 1020220003090 A KR1020220003090 A KR 1020220003090A KR 20220003090 A KR20220003090 A KR 20220003090A KR 102450646 B1 KR102450646 B1 KR 102450646B1
Authority
KR
South Korea
Prior art keywords
diagnosis
patient
deep learning
learning model
emergency
Prior art date
Application number
KR1020220003090A
Other languages
English (en)
Other versions
KR20220101571A (ko
Inventor
김수연
Original Assignee
주식회사 코스모스메딕
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 코스모스메딕 filed Critical 주식회사 코스모스메딕
Publication of KR20220101571A publication Critical patent/KR20220101571A/ko
Application granted granted Critical
Publication of KR102450646B1 publication Critical patent/KR102450646B1/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
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • 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
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/50—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for simulation or modelling of medical disorders
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B2505/00—Evaluating, monitoring or diagnosing in the context of a particular type of medical care
    • A61B2505/01—Emergency care

Landscapes

  • Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Public Health (AREA)
  • Data Mining & Analysis (AREA)
  • Biomedical Technology (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Epidemiology (AREA)
  • Theoretical Computer Science (AREA)
  • Pathology (AREA)
  • Software Systems (AREA)
  • Databases & Information Systems (AREA)
  • Physics & Mathematics (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Molecular Biology (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Measuring And Recording Apparatus For Diagnosis (AREA)
  • Medical Treatment And Welfare Office Work (AREA)

Abstract

본 발명은 빅데이터 기반 딥러닝 모델을 이용한 응급실 환자 진단 시스템 및 방법에 관한 것이다.
본 발명에 따른 빅데이터 기반 딥러닝 모델을 이용한 응급실 환자 진단 방법은, 응급실에 찾아온 환자에 대하여, 진단 서버에 의해 환자의 신장 및 체중, 병력을 기입하고, 체계별 문진을 수행하는 단계와; 상기 신장 및 체중, 병력 및 문진 데이터를 바탕으로 인공지능 딥러닝 모델(일종의 소프트웨어 프로그램)을 이용하여 1차 추정진단 또는 의심진단과 함께 초기 계획을 제시하는 단계와; 1차 추정진단 또는 의심진단에 따른 추가적인 혈액 검사, X-ray 검사, 초음파 검사, CT 검사, MRI 검사 중 적어도 어느 하나의 검사를 수행하고 검사결과를 입력하는 단계; 및 추가 검사결과를 바탕으로 인공지능 딥러닝 모델을 이용하여 다시 최종 진단을 내리고, 최종 진단에 따른 질병의 적중률을 제시하는 단계를 포함한다.

Description

빅데이터 기반 딥러닝 모델을 이용한 응급실 환자 진단 시스템 및 방법{Diagnosis system and method for emergency department patient using deep learning model based on big data}
본 발명은 빅데이터 기반 딥러닝 모델을 이용한 응급실 환자 진단 시스템 및 방법에 관한 것으로서, 더 상세하게는 응급실 환자와 관련하여 응급 질환이나 사전 체크 사항이 입력되면 인공지능 딥러닝 모델을 이용하여 사전 진단과정을 거치게 함으로써, 오진 및 의료사고를 줄일 수 있는 빅데이터 기반 딥러닝 모델을 이용한 응급실 환자 진단 시스템 및 방법에 관한 것이다.
오늘날 의학적 지식이 인터넷에 많이 공개되어 있다 하더라도 비의료인이 이를 이해하고 적용하기에는 쉽지가 않다. 다른 분야에 비해 의료분야는 지식의 비대칭성이 심하고 진입장벽이 높으며, 의사, 간호사, 약사 면허 제도를 통하여 그 엄격성을 유지하고 있다. 생명과 직결되는 분야인 만큼 정규 의과대학, 간호대학, 약학대학을 나오지 않으면 그 자격을 획득하기가 어렵고 제대로 훈련을 받기도 힘들다. 즉, 지금까지의 의료계 및 의학지식은 대학에서의 정규교과 과정 이수 및 졸업 후 병원에서 실무 및 경험을 쌓는 방식으로 구성되고 있으며, 이에 따라 숙련되지 못한 의료인은 오랜 기간 경험을 쌓아야 한 사람의 의료인으로서 제대로 그 기능(역할)을 수행할 수 있다.
이 중에서 특히 응급의학은 환자들이 예고없이 병원에 오기 때문에 평소에 준비를 해야 되고 순간의 빠른 판단과 결정이 필요하다. 하지만 당시에 최선의 판단을 했다 하더라도 지나고 보면 더 나은 또는 좀 더 정확한 판단이 있는 경우가 많으며, 이는 많은 의료사고 및 소송의 원인으로 작용하고 있다.
일반적으로, 응급실에 내원하는 환자군과 일반 병원의 외래로 오는 환자군은 많이 다르다. 대부분 어떤 증상이나 현상이 갑작스럽게 발생하고, 강한 통증을 수반하는 경우가 많다. 환자들 또한 감정적으로 흥분 또는 격앙되어 있을 뿐만 아니라 각 지역에 따라 응급실을 내원하는 환자군은 더욱 달라진다.
예를 들면, 서울 대학병원에는 암환자들이, 바다지역에서는 해파리에 쏘여서 오는 환자들이 있고, 산간지역 응급실은 독버섯, 뱀 물림으로 인해 오는 환자들이 있다. 암의 종류, 해파리 종류, 독버섯 종류, 뱀 물림 종류 등에 대해 다양하게 대처해야 하는데 이 모든 것들에 대해 정확히 진단하기가 매우 어렵다. 이와 같은 진료의 어려움에도 불구하고 현재 응급실의 주된 인력은 막 대학을 졸업했거나 경력이 1, 2년 정도된 응급의학과 전공의들이 초진을 맡고 있다. 응급의학과 전문의가 상주하는 병원도 있지만, 의사 또한 사람이기에 오진 및 의료사고가 발생하는 것이 현실이다. 또한, 현재 많은 사람들이 인공지능을 이용하여 진단을 하려는 시도를 하고 있다. 하지만, 응급실 및 응급의학은 일반사람들이 접근 및 이해하기 힘든 구조이며 그 연구조차 힘들다. 따라서 이 분야는 다른 내과나 정형외과와 다르게 응급의학이라는 하나의 새로운 프레임으로 접근해야 하며, 숙련된 응급의학과 의사의 경험과 많은 데이터로 인공지능을 학습 및 훈련시켜 진단을 보조하는 시스템이 필요한 실정이다.
한편, 한국 공개특허공보 제10-2020-0106696호(특허문헌 1)에는 "빅데이터 분석 및 인공지능 문진을 통한 질병 예측 정보 제공 장치"가 개시되어 있는 바, 이에 따른 질병 예측 정보 제공 장치는, 통신부를 통해 의료 빅 데이터 제공 기관의 서버로부터 수신된 의료 빅 데이터를 딥 러닝 알고리즘으로 분석하여, 음성입력과 복수의 증상과의 대응 관계를 나타내는 제1 정보 테이블, 상기 복수의 증상과 복수의 질병과의 대응 관계를 나타내는 제2 정보 테이블, 상기 복수의 질병과 복수의 문진 정보와의 대응 관계를 나타내는 제3 정보 테이블 및 상기 복수의 질병과 복수의 인구학적 정보와의 대응 관계를 나타내는 제4 정보 테이블을 포함하는 제1 정보 그룹과, 상기 복수의 질병과 복수의 병원 정보와의 대응 관계를 나타내는 제5 정보 테이블을 포함하는 제2 정보 그룹을 생성하여 유지하는 정보 유지부; 및 통신부 및 상기 정보 유지부와 연결되며, 상기 정보 유지부로부터 상기 제1 정보 그룹을 판독하고 상기 통신부를 통하여 사용자 단말기로 전송하는 처리, 사용자 단말기로부터 상기 제1 정보 그룹을 기초로 생성된 사용자 질병 정보와 사용자 정보를 포함하는 정보 제공 요청을 상기 통신부를 통해 수신하는 처리, 상기 제2 정보 그룹을 이용하여 사용자 질병 정보 및 사용자 정보에 적합한 개인화된 질병 예측 정보를 생성하는 처리, 개인화된 질병 예측 정보를 통신부를 통해 사용자 단말기로 전송하는 처리를 수행하는 연산 처리부;를 포함하는 것을 특징으로 한다.
이상과 같은 특허문헌 1은 제1 정보 그룹을 사용자 단말기로 제공하는 것에 의해 증상 보유자가 사용자 단말기를 이용하여 보다 정확하고 용이하게 자신의 질병을 확인할 수 있고, 개인화된 질병 예측 정보를 사용자 단말기로 제공하는 것에 의해 증상 보유자가 자신의 질병에 대한 정확하고 공신력 있는 정보를 제공받을 수 있는 효과가 있기는 하나, 응급 환자와 응급실의 의료진 간에 응급 환자에 대한 정보 및 데이터를 실시간으로 공유할 수 있는 메커니즘이 마련되어 있지 않아 응급 환자에 대하여 신속하고 정확하게 사전 진단을 수행할 수 없는 문제점을 내포하고 있다.
한국 공개특허공보 제10-2020-0106696호(2020.09.15.)
본 발명은 상기와 같은 사항을 종합적으로 감안하여 창출된 것으로서, 누구나 쉽고 정확하게 응급 질환이나 사전 체크 사항을 입력하고 인공지능 딥러닝 모델을 이용하여 사전 진단과정을 거치게 함으로써, 오진 및 의료사고를 줄일 수 있는 빅데이터 기반 딥러닝 모델을 이용한 응급실 환자 진단 시스템 및 방법을 제공함에 그 목적이 있다.
상기의 목적을 달성하기 위하여 본 발명에 따른 빅데이터 기반 딥러닝 모델을 이용한 응급실 환자 진단 시스템은,
인공지능 프로그램으로 구성된 응급환자 진단용 앱을 다운로드 받아 실행시킨 상태에서, 응급실에서 대기 시 또는 응급실로 이송 중에 환자 자신 또는 보호자에 의해 환자의 응급 질환이나 증상을 입력하는 수단으로서의 사용자 단말기와;
상기 사용자 단말기와 인터넷을 통해 연결되며, 응급실에 찾아온 환자에 대하여 환자의 신장 및 체중, 병력을 기입하고, 체계별 문진을 수행하며, 신장 및 체중, 병력 및 문진 데이터를 바탕으로 인공지능 딥러닝 모델을 이용하여 1차 추정진단 또는 의심진단과 함께 초기 계획을 제시하고, 상기 1차 추정진단 또는 의심진단에 따른 추가적인 혈액 검사, X-ray 검사, 초음파 검사, CT 검사, MRI 검사 중 적어도 어느 하나의 검사를 수행하고 검사결과를 입력하며, 상기 추가 검사결과를 바탕으로 상기 인공지능 딥러닝 모델을 이용하여 다시 최종 진단을 내리고, 최종 진단에 따른 질병의 적중률을 제시하는 진단 서버; 및
상기 진단 서버와 인터넷을 통해 연결되며, 다양한 유형의 응급 환자, 응급 증상 및 치료와 관련한 빅 데이터와 정보가 저장되어 있는 데이터베이스를 구비하며, 외부로부터의 데이터 또는 정보의 요청에 따라 해당 데이터 또는 정보를 제공하는 클라우드 서버를 포함하는 점에 그 특징이 있다.
여기서, 상기 진단 서버는 응급실에 찾아온 환자에 대하여 환자의 신장 및 체중, 병력을 기입함과 함께 혈압, 맥박, 호흡, 체온을 포함한 활력징후(vital sign)와 통증의 강도에 대한 내용을 더 기입할 수 있다.
또한, 상기 진단 서버는 주호소(chief complaint; 환자의 호소 중 가장 중요한 호소)에 대한 내용을 더 기입할 수 있다.
또한, 상기 병력은 현재 질병의 증상이나 현재에 이르기까지의 경위, 받은 치료 및 그 효과에 대한 정보를 포함하는 현재병력(present illness)과, 과거에 앓았던 병에 대한 이력인 과거병력(medical history)과, 기저질환, 복용중인 약, 입원/수술 기왕력을 포함할 수 있다.
또한, 상기 진단 서버는 상기 문진을 수행한 후, 신체검사 및 신경학적 (neurologic) 검사를 더 수행할 수 있다.
또한, 상기 인공지능 딥러닝 모델은 사전에 준지도 학습(semi supervised learning; SSL)으로 학습을 받을 수 있다.
또한, 상기의 목적을 달성하기 위하여 본 발명에 따른 빅데이터 기반 딥러닝모델을 이용한 응급실 환자 진단 방법은,
컴퓨터 시스템으로 구성된 진단 서버에 의해 각 단계가 수행되는 것으로,
a) 응급실에 찾아온 환자에 대하여, 상기 진단 서버가 환자의 신장 및 체중, 병력을 기입하고, 체계별 문진을 수행하는 단계와;
b) 상기 진단 서버가 상기 단계 a)에서의 신장 및 체중, 병력 및 문진 데이터를 바탕으로 인공지능 딥러닝 모델을 이용하여 1차 추정진단 또는 의심진단과 함께 초기 계획을 제시하는 단계와;
c) 상기 진단 서버가 상기 1차 추정진단 또는 의심진단에 따른 추가적인 혈액 검사, X-ray 검사, 초음파 검사, CT 검사, MRI 검사 중 적어도 어느 하나의 검사를 수행하고 검사결과를 입력하는 단계; 및
d) 상기 진단 서버가 상기 추가 검사결과를 바탕으로 상기 인공지능 딥러닝 모델을 이용하여 다시 최종 진단을 내리고, 최종 진단에 따른 질병의 적중률을 제시하는 단계를 포함하는 점에 그 특징이 있다.
여기서, 상기 단계 a)에서 상기 진단 서버는 혈압, 맥박, 호흡, 체온을 포함한 활력징후(vital sign)와 통증의 강도에 대한 내용을 더 기입할 수 있다.
또한, 상기 단계 a)에서 상기 진단 서버는 주호소(chief complaint; 환자의 호소 중 가장 중요한 호소)에 대한 내용을 더 기입할 수 있다.
또한, 상기 단계 a)에서 상기 병력은 현재 질병의 증상이나 현재에 이르기까지의 경위, 받은 치료 및 그 효과에 대한 정보를 포함하는 현재병력(present illness)과, 과거에 앓았던 병에 대한 이력인 과거병력(medical history)과, 기저질환, 복용중인 약, 입원/수술 기왕력을 포함할 수 있다.
또한, 상기 단계 a)에서 상기 문진을 수행한 후, 신체검사 및 신경학적 (neurologic) 검사를 더 수행할 수 있다.
또한, 상기 단계 b)에서 상기 인공지능 딥러닝 모델은 사전에 준지도 학습(semi supervised learning; SSL)으로 학습시킬 수 있다.
이와 같은 본 발명에 의하면, 누구나 쉽고 정확하게 응급 질환이나 사전 체크 사항을 입력하고 인공지능 딥러닝 모델을 이용하여 사전 진단과정을 거치게 함으로써, 추후에 의사가 실제 진료 또는 치료 시 오진 및 의료사고를 줄일 수 있는 효과가 있다.
도 1은 본 발명에 따른 빅데이터 기반 딥러닝 모델을 이용한 응급실 환자 진단 시스템의 구성을 개략적으로 나타낸 도면이다.
도 2는 본 발명에 따른 빅데이터 기반 딥러닝 모델을 이용한 응급실 환자 진단 방법의 실행 과정을 나타낸 흐름도이다.
도 3은 본 발명에 채용되는 인공지능 프로그램(앱)을 이용하여 1차 중증환자를 선별하는 과정을 나타낸 도면이다.
도 4는 본 발명에 채용되는 인공지능 프로그램(앱)을 이용하여 2차 중증환자를 선별 및 환자를 파악하는 과정을 나타낸 도면이다.
도 5는 본 발명에 채용되는 인공지능 프로그램(앱)을 통해 외상 및 비외상에 따라 각각 아픈 부위를 체크(클릭)하는 것을 나타낸 도면이다.
도 6은 본 발명에 채용되는 인공지능 프로그램(앱)을 통해 통증의 강도와 동반 증상 체크 및 증상을 말로 설명하여 텍스트화 하는 것을 나타낸 도면이다.
도 7은 본 발명에 채용되는 앱을 통해 획득한 환자에 대한 정보를 바탕으로 인공지능 딥러닝 모델에 의해 중증도를 결정하는 과정을 나타낸 도면이다.
도 8은 본 발명에 따른 빅데이터 기반 딥러닝 모델을 이용한 응급실 환자 진단 방법을 적용한 응급실에서의 1단계 진료 과정을 나타낸 흐름도이다.
도 9는 본 발명에 따른 빅데이터 기반 딥러닝 모델을 이용한 응급실 환자 진단 방법을 적용한 응급실에서의 2단계 진료 과정을 나타낸 흐름도이다.
본 명세서 및 청구범위에 사용된 용어나 단어는 통상적이거나 사전적인 의미로 한정되어 해석되지 말아야 하며, 발명자는 그 자신의 발명을 가장 최선의 방법으로 설명하기 위해 용어의 개념을 적절하게 정의할 수 있다는 원칙에 입각하여 본 발명의 기술적 사상에 부합하는 의미와 개념으로 해석되어야 한다.
명세서 전체에서, 어떤 부분이 어떤 구성요소를 "포함"한다고 할 때, 이는 특별히 반대되는 기재가 없는 한 다른 구성요소를 제외하는 것이 아니라 다른 구성요소를 더 포함할 수 있다는 것을 의미한다. 또한, 명세서에 기재된 "…부", "…기", "모듈", "장치" 등의 용어는 적어도 하나의 기능이나 동작을 처리하는 단위를 의미하며, 이는 하드웨어나 소프트웨어 또는 하드웨어 및 소프트웨어의 결합으로 구현될 수 있다.
이하 첨부된 도면을 참조하여 본 발명의 실시예를 상세히 설명한다.
도 1은 본 발명의 실시예에 따른 빅데이터 기반 딥러닝 모델을 이용한 응급실 환자 진단 시스템의 구성을 개략적으로 나타낸 도면이다.
도 1을 참조하면, 본 발명에 따른 빅데이터 기반 딥러닝 모델을 이용한 응급실 환자 진단 시스템(100)은 사용자 단말기(110), 진단 서버(120) 및 클라우드 서버(130)를 포함하여 구성된다.
사용자 단말기(110)는 인공지능 프로그램으로 구성된 응급환자 진단용 앱(이 앱은 본 발명의 진단 시스템 및 방법의 서비스 제공 업체에서 제공함)을 다운로드 받아 실행시킨 상태에서, 응급실에서 대기 시 또는 응급실로 이송 중에 환자 자신 또는 보호자에 의해 환자의 응급 질환이나 증상을 입력하는 수단으로서의 역할을 한다. 이와 같은 사용자 단말기(110)는 휴대폰(스마트폰)(110a), 노트북 PC(110b), 태블릿 PC, 데스크탑 PC, PDA(personal digital assistant), 응급 키오스크(kiosk) 등을 포함할 수 있다. 여기서, 또한 이와 같은 사용자 단말기(110)는 환자 자신이나 환자의 보호자, 응급 구급대원, 기타 응급환자 신고자의 단말기일 수 있다.
진단 서버(120)는 상기 사용자 단말기(110)와 인터넷을 통해 연결되며, 응급실에 찾아온 환자에 대하여 환자의 신장 및 체중, 병력을 기입하고, 체계별 문진을 수행하며, 신장 및 체중, 병력 및 문진 데이터를 바탕으로 인공지능 딥러닝 모델(일종의 소프트웨어 프로그램)을 이용하여 1차 추정진단 또는 의심진단과 함께 초기 계획을 제시하고, 상기 1차 추정진단 또는 의심진단에 따른 추가적인 혈액 검사, X-ray 검사, 초음파 검사, CT 검사, MRI 검사 중 적어도 어느 하나의 검사를 수행하고 검사결과를 입력하며, 상기 추가 검사결과를 바탕으로 상기 인공지능 딥러닝 모델을 이용하여 다시 최종 진단을 내리고, 최종 진단에 따른 질병의 적중률을 제시한다. 이때, 진단 서버(120)는 질병의 적중률을 제시함에 있어서, 확률(%)로 제시할 수 있다. 예를 들면, 최종(추가) 검사 결과 "맹장염일 확률 95%입니다.", "장염일 확률 40%입니다.", "변비일 확률 20%입니다."와 같이 질병의 적중률을 확률(%)로 제시할 수 있다. 이상과 같은 진단 서버(120)는 컴퓨터 시스템으로 구성될 수 있다. 여기서, 또한 진단 서버(120)는 응급실에 찾아온 환자에 대하여 환자의 신장 및 체중, 병력을 기입함과 함께 혈압, 맥박, 호흡, 체온을 포함한 활력징후(vital sign)와 통증의 강도에 대한 내용을 더 기입할 수 있다. 또한, 진단 서버 (120)는 주호소(chief complaint; 환자의 호소 중 가장 중요한 호소)에 대한 내용을 더 기입할 수 있다. 또한, 상기 병력은 현재 질병의 증상이나 현재에 이르기까지의 경위, 받은 치료 및 그 효과에 대한 정보를 포함하는 현재병력(present illness)과, 과거에 앓았던 병에 대한 이력인 과거병력(medical history)과, 기저질환, 복용중인 약, 입원/수술 기왕력을 포함할 수 있다. 또한, 상기 진단 서버 (120)는 상기 문진을 수행한 후, 신체검사 및 신경학적(neurologic) 검사를 더 수행할 수 있다. 또한, 상기 인공지능 딥러닝 모델은 사전에 준지도 학습(semi supervised learning; SSL)으로 학습을 받을 수 있다. 여기서, 이상과 같은 인공지능 딥러닝 모델과 관련하여 조금 더 설명을 부가해 보기로 한다.
상기 인공지능 딥러닝 모델의 학습에 있어서, 타겟(target) 값은 중증도가 "중증" 혹은 퇴실 결과가 "입원", "전원/이송", "수술"인 경우에는 포지티브 (positive)로 정의하고, 이외의 경우는 모두 네거티브(negative)로 정의한다. 또한, 인공지능 모델의 기계학습 방법론 측면에서는 먼저 정형 데이터만을 이용하여 증상별 질환 분류가 가능한지를 검증하고, PyCaret 라이브러리를 활용하여 자동 기계학습(Auto ML) 방식으로 다수의 모델 성능을 검증한다. 해당 라이브러리는 일반적으로 많이 사용되는 분류 모델(Logistic regression, XGBoost, AdaBoost, Decision tree 등)을 학습, 하이퍼 파라미터 튜닝을 자동으로 진행한다. 그리고 AUC(Area under curve) 기준, 가장 성능이 우수한 모델 3종류를 선정하고, 3개의 모델의 예측 결과를 종합하는 최종 모델을 학습시킨다. 또한, 멀티-모달(Multi-modal) 모델 측면에서는 정형 데이터와 비정형 데이터(현병력)를 이용하여 분류 가능 여부를 검증한다. 또한, 텐서플로우(Tensorflow) 라이브러리를 이용한 딥 뉴럴 네트워크(Deep Neural Network)를 설계하고, "Bidirectional GRU layer"와 "fully connected layer"를 이용한다.
클라우드 서버(130)는 상기 진단 서버(120)와 인터넷을 통해 연결되며, 다양한 유형의 응급 환자, 응급 증상 및 치료와 관련한 빅 데이터와 정보가 저장되어 있는 데이터베이스(DB)를 구비하며, 외부로부터의 데이터 또는 정보의 요청에 따라 해당 데이터 또는 정보를 제공한다. 이와 같은 클라우드 서버(130)는 한 개의 서버로 구성될 수도 있고, 여러 개의 분산 서버로 구성될 수도 있다. 또한, 경우에 따라서는 이와 같은 클라우드 서버(130)와 상기 진단 서버(120)는 하나의 서버로 통합되어 구축될 수도 있다.
그러면, 이하에서는 이상과 같은 구성을 가지는 본 발명에 따른 빅데이터 기반 딥러닝 모델을 이용한 응급실 환자 진단 시스템을 바탕으로 한 응급실 환자 진단 방법에 대해 설명해 보기로 한다.
도 2는 본 발명의 실시예에 따른 빅데이터 기반 딥러닝모델을 이용한 응급실 환자 진단 방법의 실행 과정을 나타낸 흐름도이다.
도 2를 참조하면, 본 발명에 따른 빅데이터 기반 딥러닝모델을 이용한 응급실 환자 진단 방법은, 컴퓨터 시스템으로 구성된 진단 서버(120)에 의해 각 단계가 수행되는 것으로, 먼저 응급실에 찾아온 환자에 대하여, 상기 진단 서버(120)가 환자의 신장 및 체중, 병력을 기입하고, 체계별 문진을 수행한다(단계 S201). 여기서, 환자에 대한 사항을 기입함에 있어서, 상기 진단 서버(120)는 혈압, 맥박, 호흡, 체온을 포함한 활력징후(vital sign)와 통증의 강도에 대한 내용을 더 기입할 수 있다. 또한, 상기 진단 서버(120)는 주호소(chief complaint; 환자의 호소 중 가장 중요한 호소)에 대한 내용을 더 기입할 수 있다. 또한, 상기 병력은 현재 질병의 증상이나 현재에 이르기까지의 경위, 받은 치료 및 그 효과에 대한 정보를 포함하는 현재병력(present illness)과, 과거에 앓았던 병에 대한 이력인 과거병력(medical history)과, 기저질환, 복용중인 약, 입원/수술 기왕력을 포함할 수 있다. 또한, 상기 진단 서버(120)는 상기 문진을 수행한 후, 신체검사 및 신경학적(neurologic) 검사를 더 수행할 수 있다.
이렇게 하여 환자의 신장 및 체중, 병력의 기입과 체계별 문진 수행이 완료되면, 상기 진단 서버(120)는 그와 같은 신장 및 체중, 병력 및 문진 데이터를 바탕으로 인공지능 딥러닝 모델(일종의 소프트웨어 프로그램)을 이용하여 1차 추정진단 또는 의심진단과 함께 초기 계획(예컨대, 초기 응급 조치 또는 치료 계획)을 제시한다(단계 S202). 여기서, 이상과 같은 추정진단 또는 의심진단을 할 수 있도록 하기 위해 상기 인공지능 딥러닝 모델을 사전에 준지도 학습(semi supervised learning; SSL)으로 학습시킬 수 있다.
이상에 의해 1차 추정진단 또는 의심진단이 완료되면, 상기 진단 서버(120)는 그 1차 추정진단 또는 의심진단의 결과에 따른 추가적인 혈액 검사, X-ray 검사, 초음파 검사, CT 검사, MRI 검사 중 적어도 어느 하나의 검사를 수행하고 검사결과를 입력한다(단계 S203). 예를 들면, 1차 추정진단 또는 의심진단의 결과가 맹장염이 의심되는 것으로 나왔을 경우, 추가적으로 혈액 검사, X-ray 검사, CT 검사를 수행하게 된다.
이후, 상기 진단 서버(120)는 상기 추가 검사결과를 바탕으로 상기 인공지능 딥러닝 모델을 이용하여 다시 최종 진단을 내리고, 최종 진단에 따른 질병의 적중률을 제시한다(단계 S204). 이때, 진단 서버(120)는 질병의 적중률을 제시함에 있어서, 확률(%)로 제시할 수 있다. 예를 들면, 최종(추가) 검사 결과 "맹장염일 확률 95%입니다.", "장염일 확률 40%입니다.", "변비일 확률 20%입니다."와 같이 질병의 적중률을 확률(%)로 제시할 수 있다.
도 3은 본 발명에 채용되는 인공지능 프로그램(앱)을 이용하여 1차 중증환자를 선별하는 과정을 나타낸 도면이다.
도 3을 참조하면, 우선 응급실 방문 시, 환자나 그 보호자는 (a)와 같이 QR 코드나 전화로 인공지능 프로그램(앱)을 운용하는 진단 서버(120)에 접속한다. 환자가, 예를 들면, 심한 가슴 통증과 같은 중증 증상이 있는 경우, (b)와 같이 앱을 통해 환자(또는 보호자)가 중증 증상을 입력(체크)하면, 그러한 증상만으로 우선 선별하게 된다. 즉, 환자(또는 보호자)가 중증 증상을 입력(체크)하면, (c)와 같이 대기 번호가 부여되고, 잠시 대기하고 있으면 담당 의사가 해당 번호의 환자를 호출하여 진료를 시작하게 된다.
도 4는 본 발명에 채용되는 인공지능 프로그램(앱)을 이용하여 2차 중증환자를 선별 및 환자를 파악하는 과정을 나타낸 도면이다.
도 4를 참조하면, 위의 도 3에서의 1차 중증환자 선별 과정에 해당되지 않는 환자의 경우는 (d)와 같이 개인정보를 입력하고, (e)와 같이 기저질환을 입력하며, (f)와 같이 현재 증상을 입력하여, 인공지능 딥러닝 모델에 의해 한번 더(2차) 중증환자를 선별하게 된다.
도 5는 본 발명에 채용되는 인공지능 프로그램(앱)을 통해 외상 및 비외상에 따라 각각 아픈 부위를 체크(클릭)하는 것을 나타낸 도면이다.
도 5를 참조하면, (a)와 같이 현재 증상 입력은 외상과 비외상으로 구분하여 입력하게 되며, (b)와 같이 외상의 경우 인체 모형에 아픈 부위를 체크(클릭)하고, (c)와 같이 비외상의 경우에도 아픈 부위를 체크(클릭)하게 된다. 이와 같은 비외상의 경우 아픈 부위를 체크(클릭)하는 것 외에도, 도 6의 (d)와 같이 통증의 강도와 동반 증상을 체크(클릭)할 수 있고, (e) 및 (f)와 같이 앱의 음성인식 기능을 통해 증상을 말로 진술하면(예컨대, 가슴이 아프고 숨쉬기가 너무 힘듭니다.), 이러한 진술이 앱의 음성/텍스트(speech to text) 변환 기능에 의해 자동으로 텍스트화 되어 환자가 자신의 증상을 의료진에게 전달할 수 있다.
도 7은 본 발명에 채용되는 앱을 통해 획득한 환자에 대한 정보를 바탕으로 인공지능 딥러닝 모델에 의해 중증도를 결정하는 과정을 나타낸 도면이다.
도 7을 참조하면, 인공지능 딥러닝 모델은 앱을 통해 입력된 정보를 중증도 레벨 1∼5까지로 분류하여, 각 레벨에 따라 치료 가능한 병원으로 이송할 수 있도록 한다. 아래의 표 1은 레벨 1∼5까지의 한국형 중증도 분류체계의 구체적인 내용을 나타낸 것이다. 표 1의 한국형 중증도 분류체계를 통해 알 수 있는 바와 같이, 응급 1 단계(소생)는 생명이 위급하여 즉시 진료해야 할 환자에 해당하고, 응급 2단계(긴급)는 생명이 위급해질 수 있어 10분 이내에 진료가 필요한 환자에 해당하며, 응급 3단계(응급)는 현재 생명이 위독하지 않지만 좀 더 심각한 상태가 발생할 수 있어 30분 이내에 진료해야 하는 환자에 해당한다. 또한, 응급 4단계(준응급)는 위중한 상태가 아니고, 60분 이내에 진료해도 환자의 상태가 악화될 가능성이 적은 환자에 해당하며, 응급 5단계(비응급)는 비응급 환자로 120분 이내에 진료해야 할 환자에 해당한다.
단계 단계별 환자의 상태
Level Ⅰ
응급 1단계: 소생 		생명이 위급하여 즉시 진료해야 할 환자
Level Ⅱ
응급 2단계: 긴급		 생명이 위급해질 수 있어 10분 이내에 진료가 필요한 환자
Level Ⅲ
응급 3단계: 응급		 현재 생명이 위독하지 않지만 좀 더 심각한 상태가 발생할 수 있어
30분 이내에 진료해야 하는 환자
Level Ⅳ
응급 4단계: 준응급		 위중한 상태가 아니고, 60분 이내에 진료해도 환자의 상태가 악화될 가능성이 적은 환자
Level Ⅴ
응급 5단계: 비응급		 비응급 환자로 120분 이내에 진료해야 할 환자
한편, 도 8은 본 발명에 따른 빅데이터 기반 딥러닝모델을 이용한 응급실 환자 진단 방법을 적용한 응급실에서의 1단계 진료 과정을 나타낸 흐름도이고, 도 9는 본 발명에 따른 빅데이터 기반 딥러닝모델을 이용한 응급실 환자 진단 방법을 적용한 응급실에서의 2단계 진료 과정을 나타낸 흐름도이다.
도 8을 참조하면, 먼저 환자가 응급실에 도착하면(단계 S811), 간호사가 1차적으로 중증도를 판단한다(단계 S812, S813). 이 판단에서 중증환자이면, 의사가 바로 진료를 시작한다(단계 S814). 그리고 상기 판단에서 중증환자가 아니면(즉, 경증환자이면), 환자가 대기 중, 본 발명에 채용되는 응급질환에 특화된 인공지능 프로그램(앱)을 이용하여 환자 본인의 증상을 입력한다(단계 S815).
이렇게 하여 환자가 자신의 증상을 입력하면, 진단 서버(120)는 인공지능 프로그램(앱)을 통해 환자가 미리 입력한 의무기록을 토대로 대기 환자 중 분류되지 않은 중증환자를 더블 체크한다. 이와 같은 더블 체크에 의해 중증환자로 판단된 경우, 의료진에게 알람이 울리고, 의료진은 해당 환자를 빠르게 진료하게 된다(단계 S816). 또한, 경증환자로 1차 분류되어 대기하는 중에 환자가 자신의 현재 증상을 실시간으로 입력함으로써, 중증환자로 판단될 경우 의사에 의해 빠른 진료가 가능하고, 이때 앱은 추천검사, 추정진단, 치료법을 또한 제시할 수 있다(단계 S817).
도 9를 참조하면, 이는 의사와 진료 및 검사 완료된 후(단계 S911), 환자가 검사 결과 대기 중, 본 발명에 채용되는 응급질환에 특화된 인공지능 프로그램(앱)을 통해 검사 결과(예를 들면, CT, MRI 검사 결과)를 분석한다(단계 S912).
분석 결과가 응급 결과일 경우, 의료진에게 알람이 울리고, 의료진은 해당 환자를 빠르게 진료하게 된다(단계 S913). 그리고 분석 결과가 비응급 결과(긴급하지 않은 결과)일 경우, 환자는 일정 시간 대기 후 의사의 진료를 받게 된다(단계 S914). 이때, 앱은 추천검사, 추정진단, 치료법을 또한 제시할 수 있다.
이상의 설명과 같이, 본 발명에 따른 빅데이터 기반 딥러닝 모델을 이용한 응급실 환자 진단 시스템 및 방법은 환자나 보호자에 의해 응급 질환이나 사전 체크 사항을 입력하고 인공지능 딥러닝 모델을 이용하여 사전 진단과정을 거치게 함으로써, 추후에 의사가 실제 진료 또는 치료 시 오진 및 의료사고를 줄일 수 있는 효과가 있다.
이상, 바람직한 실시예를 통하여 본 발명에 관하여 상세히 설명하였으나, 본 발명은 이에 한정되는 것은 아니며, 본 발명의 기술적 사상을 벗어나지 않는 범위 내에서 다양하게 변경, 응용될 수 있음은 당해 기술분야의 통상의 기술자에게 자명하다. 따라서, 본 발명의 진정한 보호 범위는 다음의 청구범위에 의하여 해석되어야 하며, 그와 동등한 범위 내에 있는 모든 기술적 사상은 본 발명의 권리 범위에 포함되는 것으로 해석되어야 할 것이다.
100:(본 발명)빅데이터 기반 딥러닝 모델을 이용한 응급실 환자 진단 시스템
110: 사용자 단말기 120: 진단 서버
130: 클라우드 서버

Claims (12)

  1. 인공지능 프로그램으로 구성된 응급환자 진단용 앱을 다운로드 받아 실행시킨 상태에서, 응급실에서 대기 시 또는 응급실로 이송 중에 환자 자신 또는 보호자에 의해 환자의 응급 질환이나 증상을 입력하는 수단으로서의 사용자 단말기와;
    상기 사용자 단말기와 인터넷을 통해 연결되며, 응급실에 찾아온 환자에 대하여 환자의 신장 및 체중, 병력을 기입하고, 체계별 문진을 수행하며, 신장 및 체중, 병력 및 문진 데이터를 바탕으로 인공지능 딥러닝 모델을 이용하여 1차 추정진단 또는 의심진단과 함께 초기 계획을 제시하고, 상기 1차 추정진단 또는 의심진단에 따른 추가적인 혈액 검사, X-ray 검사, 초음파 검사, CT 검사, MRI 검사 중 적어도 어느 하나의 검사를 수행하고 검사결과를 입력하며, 상기 추가 검사결과를 바탕으로 상기 인공지능 딥러닝 모델을 이용하여 다시 최종 진단을 내리고, 최종 진단에 따른 질병의 적중률을 제시하는 진단 서버; 및
    상기 진단 서버와 인터넷을 통해 연결되며, 다양한 유형의 응급 환자, 응급 증상 및 치료와 관련한 빅 데이터와 정보가 저장되어 있는 데이터베이스를 구비하며, 외부로부터의 데이터 또는 정보의 요청에 따라 해당 데이터 또는 정보를 제공하는 클라우드 서버를 포함하고,
    상기 진단 서버는 응급실에 찾아온 환자에 대하여 환자의 신장 및 체중, 병력을 기입함과 함께 혈압, 맥박, 호흡, 체온을 포함한 활력징후(vital sign)와 통증의 강도에 대한 내용을 더 기입하며,
    상기 인공지능 딥러닝 모델은 사전에 준지도 학습(semi supervised learning; SSL)으로 학습을 받되,
    상기 인공지능 딥러닝 모델의 학습에 있어서, 타겟(target) 값은 중증도가 "중증" 혹은 퇴실 결과가 "입원", "전원/이송", "수술"인 경우에는 포지티브(positive)로 정의하고, 이외의 경우는 모두 네거티브(negative)로 정의하며, 먼저 정형 데이터만을 이용하여 증상별 질환 분류가 가능한지를 검증하고, PyCaret 라이브러리를 활용하여 자동 기계학습(Auto ML) 방식으로 다수의 모델 성능을 검증하며, AUC(Area under curve) 기준, 가장 성능이 우수한 모델 3종류를 선정하고, 3개의 모델의 예측 결과를 종합하는 최종 모델을 학습시키는 빅데이터 기반 딥러닝 모델을 이용한 응급실 환자 진단 시스템.
  2. 삭제
  3. 제1항에 있어서,
    상기 진단 서버는 주호소(chief complaint; 환자의 호소 중 가장 중요한 호소)에 대한 내용을 더 기입하는 빅데이터 기반 딥러닝 모델을 이용한 응급실 환자 진단 시스템.
  4. 제1항에 있어서,
    상기 병력은 현재 질병의 증상이나 현재에 이르기까지의 경위, 받은 치료 및 그 효과에 대한 정보를 포함하는 현재병력(present illness)과, 과거에 앓았던 병에 대한 이력인 과거병력(medical history)과, 기저질환, 복용중인 약, 입원/수술 기왕력을 포함하는 빅데이터 기반 딥러닝 모델을 이용한 응급실 환자 진단 시스템.
  5. 제1항에 있어서,
    상기 진단 서버는 상기 문진을 수행한 후, 신체검사 및 신경학적 (neurologic) 검사를 더 수행하는 빅데이터 기반 딥러닝 모델을 이용한 응급실 환자 진단 시스템.
  6. 삭제
  7. 컴퓨터 시스템으로 구성된 진단 서버에 의해 각 단계가 수행되는 것으로,
    a) 응급실에 찾아온 환자에 대하여, 상기 진단 서버가 환자의 신장 및 체중, 병력을 기입하고, 체계별 문진을 수행하는 단계와;
    b) 상기 진단 서버가 상기 단계 a)에서의 신장 및 체중, 병력 및 문진 데이터를 바탕으로 인공지능 딥러닝 모델을 이용하여 1차 추정진단 또는 의심진단과 함께 초기 계획을 제시하는 단계와;
    c) 상기 진단 서버가 상기 1차 추정진단 또는 의심진단에 따른 추가적인 혈액 검사, X-ray 검사, 초음파 검사, CT 검사, MRI 검사 중 적어도 어느 하나의 검사를 수행하고 검사결과를 입력하는 단계; 및
    d) 상기 진단 서버가 상기 추가 검사결과를 바탕으로 상기 인공지능 딥러닝 모델을 이용하여 다시 최종 진단을 내리고, 최종 진단에 따른 질병의 적중률을 제시하는 단계를 포함하고,
    상기 단계 a)에서 상기 진단 서버는 혈압, 맥박, 호흡, 체온을 포함한 활력징후(vital sign)와 통증의 강도에 대한 내용을 더 기입하며,
    상기 단계 b)에서 상기 인공지능 딥러닝 모델은 사전에 준지도 학습(semi supervised learning; SSL)으로 학습을 받되,
    상기 인공지능 딥러닝 모델의 학습에 있어서, 타겟(target) 값은 중증도가 "중증" 혹은 퇴실 결과가 "입원", "전원/이송", "수술"인 경우에는 포지티브(positive)로 정의하고, 이외의 경우는 모두 네거티브(negative)로 정의하며, 먼저 정형 데이터만을 이용하여 증상별 질환 분류가 가능한지를 검증하고, PyCaret 라이브러리를 활용하여 자동 기계학습(Auto ML) 방식으로 다수의 모델 성능을 검증하며, AUC(Area under curve) 기준, 가장 성능이 우수한 모델 3종류를 선정하고, 3개의 모델의 예측 결과를 종합하는 최종 모델을 학습시키는 빅데이터 기반 딥러닝 모델을 이용한 응급실 환자 진단 방법.
  8. 삭제
  9. 제7항에 있어서,
    상기 단계 a)에서 상기 진단 서버는 주호소(chief complaint; 환자의 호소 중 가장 중요한 호소)에 대한 내용을 더 기입하는 빅데이터 기반 딥러닝 모델을 이용한 응급실 환자 진단 방법.
  10. 제7항에 있어서,
    상기 단계 a)에서 상기 병력은 현재 질병의 증상이나 현재에 이르기까지의 경위, 받은 치료 및 그 효과에 대한 정보를 포함하는 현재병력(present illness)과, 과거에 앓았던 병에 대한 이력인 과거병력(medical history)과, 기저질환, 복용중인 약, 입원/수술 기왕력을 포함하는 빅데이터 기반 딥러닝 모델을 이용한 응급실 환자 진단 방법.
  11. 제7항에 있어서,
    상기 단계 a)에서 상기 진단 서버는 상기 문진을 수행한 후, 신체검사 및 신경학적 (neurologic) 검사를 더 수행하는 빅데이터 기반 딥러닝 모델을 이용한 응급실 환자 진단 방법.
  12. 삭제
KR1020220003090A 2021-01-11 2022-01-10 빅데이터 기반 딥러닝 모델을 이용한 응급실 환자 진단 시스템 및 방법 KR102450646B1 (ko)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
KR20210002989 2021-01-11
KR1020210002989 2021-01-11

Publications (2)

Publication Number Publication Date
KR20220101571A KR20220101571A (ko) 2022-07-19
KR102450646B1 true KR102450646B1 (ko) 2022-10-06

Family

ID=82607377

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020220003090A KR102450646B1 (ko) 2021-01-11 2022-01-10 빅데이터 기반 딥러닝 모델을 이용한 응급실 환자 진단 시스템 및 방법

Country Status (1)

Country Link
KR (1) KR102450646B1 (ko)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102689466B1 (ko) * 2023-04-26 2024-07-29 주식회사 뷰노 패혈증을 진단하기 위한 중증도 예측 방법

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101721528B1 (ko) * 2015-05-28 2017-03-31 아주대학교산학협력단 질병 네트워크로부터 동반 발병 확률을 제공하는 방법
KR101855117B1 (ko) * 2016-09-30 2018-05-04 주식회사 셀바스에이아이 질병에 대한 발병 확률 예측 방법 및 장치
KR102237449B1 (ko) * 2018-05-18 2021-04-07 주식회사 송아리아이티 환자 진단 학습 방법, 서버 및 프로그램
KR102202865B1 (ko) 2019-03-05 2021-01-15 (주)비바이노베이션 빅데이터 분석 및 인공지능 문진을 통한 질병 예측 정보 제공 장치

Also Published As

Publication number Publication date
KR20220101571A (ko) 2022-07-19

Similar Documents

Publication Publication Date Title
Jayaraman et al. Healthcare 4.0: A review of frontiers in digital health
US11735294B2 (en) Client management tool system and method
Tursunbayeva et al. Artificial intelligence in health‐care: implications for the job design of healthcare professionals
Vega et al. Lifetime prevalence of DSM-III-R psychiatric disorders among urban and rural Mexican Americans in California
US9536052B2 (en) Clinical predictive and monitoring system and method
US10496788B2 (en) Holistic hospital patient care and management system and method for automated patient monitoring
US10593426B2 (en) Holistic hospital patient care and management system and method for automated facial biological recognition
US20170132371A1 (en) Automated Patient Chart Review System and Method
US20170109477A1 (en) System and Method for Identifying Inconsistent and/or Duplicate Data in Health Records
US20150106123A1 (en) Intelligent continuity of care information system and method
US20170091391A1 (en) Patient Protected Information De-Identification System and Method
US20150213217A1 (en) Holistic hospital patient care and management system and method for telemedicine
US20150213202A1 (en) Holistic hospital patient care and management system and method for patient and family engagement
US20150213223A1 (en) Holistic hospital patient care and management system and method for situation analysis simulation
US20210294946A1 (en) Selecting and applying digital twin models
US20020035486A1 (en) Computerized clinical questionnaire with dynamically presented questions
US20210334462A1 (en) System and Method for Processing Negation Expressions in Natural Language Processing
WO2009015008A1 (en) Method and apparatus for automated differentiated diagnosis of illness
US20220157474A1 (en) Automated susceptibility identification and alerting in infectious disease outbreaks
KR102479692B1 (ko) 빅데이터 및 클라우드 시스템 기반 인공지능 응급의료 의사결정 및 응급환자 이송 시스템과 그 방법
WO2016010997A1 (en) Client management tool system and method
KR102450646B1 (ko) 빅데이터 기반 딥러닝 모델을 이용한 응급실 환자 진단 시스템 및 방법
Lichtenstein et al. Nonverbal cognitive assessment of children in Tanzania with and without HIV
US20220189637A1 (en) Automatic early prediction of neurodegenerative diseases
Sax et al. Automated analysis of unstructured clinical assessments improves emergency department triage performance: A retrospective deep learning analysis

Legal Events

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