KR102455469B1 - 하부요로증상 진단보조 방법 - Google Patents

하부요로증상 진단보조 방법 Download PDF

Info

Publication number
KR102455469B1
KR102455469B1 KR1020190044896A KR20190044896A KR102455469B1 KR 102455469 B1 KR102455469 B1 KR 102455469B1 KR 1020190044896 A KR1020190044896 A KR 1020190044896A KR 20190044896 A KR20190044896 A KR 20190044896A KR 102455469 B1 KR102455469 B1 KR 102455469B1
Authority
KR
South Korea
Prior art keywords
data
neural network
urinary tract
lower urinary
tract symptom
Prior art date
Application number
KR1020190044896A
Other languages
English (en)
Other versions
KR20200122084A (ko
Inventor
이규성
한덕현
조백환
조경원
Original Assignee
사회복지법인 삼성생명공익재단
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 사회복지법인 삼성생명공익재단 filed Critical 사회복지법인 삼성생명공익재단
Priority to KR1020190044896A priority Critical patent/KR102455469B1/ko
Priority to US17/603,818 priority patent/US20220215960A1/en
Priority to JP2021561753A priority patent/JP7278415B2/ja
Priority to PCT/KR2020/001982 priority patent/WO2020213826A1/ko
Publication of KR20200122084A publication Critical patent/KR20200122084A/ko
Application granted granted Critical
Publication of KR102455469B1 publication Critical patent/KR102455469B1/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
    • G16H50/20—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
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/20—Measuring for diagnostic purposes; Identification of persons for measuring urological functions restricted to the evaluation of the urinary system
    • 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
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/30—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for calculating health indices; for individual health risk assessment
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/50—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for simulation or modelling of medical disorders

Landscapes

  • Health & Medical Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Public Health (AREA)
  • Medical Informatics (AREA)
  • Biomedical Technology (AREA)
  • General Health & Medical Sciences (AREA)
  • Pathology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Epidemiology (AREA)
  • Databases & Information Systems (AREA)
  • Primary Health Care (AREA)
  • Physics & Mathematics (AREA)
  • Biophysics (AREA)
  • Molecular Biology (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Urology & Nephrology (AREA)
  • Physiology (AREA)
  • Surgery (AREA)
  • Animal Behavior & Ethology (AREA)
  • Veterinary Medicine (AREA)
  • Theoretical Computer Science (AREA)
  • Computing Systems (AREA)
  • Evolutionary Computation (AREA)
  • Computational Linguistics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Medical Treatment And Welfare Office Work (AREA)
  • Measuring And Recording Apparatus For Diagnosis (AREA)
  • Investigating Or Analysing Biological Materials (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)

Abstract

본 발명의 일 실시 예에 따른 하부요로증상 진단보조 방법은 피검사자의 비뇨기계 데이터가 입력되는 단계, 입력된 비뇨기계 데이터에 대하여 하부요로증상 예측모델을 이용하여 피검사자에 대한 예측결과 데이터가 도출되는 단계 및 사용자 단말로 도출된 예측결과 데이터를 제공하는 단계가 포함될 수 있다.

Description

하부요로증상 진단보조 방법{THE AUXILIARY METHOD FOR LOWER URINARY TRACT SYMPTOM DIAGNOSIS}
본 발명은 하부요로증상 진단보조 방법에 관한 것으로, 더욱 상세하게는 피검사자의 비뇨기계 데이터에 대하여 하부요로증상 예측모델을 이용하여 피검사자에 대한 예측결과 데이터를 도출하여 사용자(Ex. 의사 등)에게 제공함으로써 진단 보조가 수행될 수 있는 하부요로증상 진단보조 방법에 관한 것이다.
하부요로증상(LUTS: Lower urinary tract symptom)은 소변의 저장 및 배출과정과 관련되어 나타나는 시작의 어려움, 잔뇨, 빈뇨, 세뇨, 배뇨시 긴장, 야뇨, 긴급뇨, 간헐적 소변 등의 다양한 증상들을 통칭한다. 하부요로증상은 특히, 동물성 지방섭취의 증가와 사회적 여건이 점차 복잡해지는데 따른 심리적 스트레스, 흡연, 음주, 체중증가, 휴식부족, 운동부족 등의 다양한 이유로 심각도가 증가하고 있다. 하부요로증상은 증상이 심해지면 활동에 제한을 가지게 되며 불안감과 긴장상태에 항시 놓이게 되어 정신적인 스트레스를 유발한다. 수면 중에 화장실을 출입하거나 이에 따른 수면부족은 물론 신체적 피로가 가중되어 각종 신체적인 문제도 유발한다.
하부요로증상은 증상만으로 질병의 기전을 정확하게 진단하는 것이 어렵고 또한 약물과 수술요법만으로는 치료가 효율적으로 이루어지지 않는 문제가 있다. 특히, 방광의 기능을 평가하기 위한 요역동학검사(UDS: Urodynamic study)를 이용하여 하부요로증상이 진단되고 있는데, 특히, 요역동학검사는 주로 전립선 수술의 결정을 위해 수행되며, 수술의 효과가 낮은 배뇨근저활동성(DUA: Detrusor under-activity)만을 가진 환자와 수술의 효과가 높다고 알려진 방광출구폐색(BOO: Bladder outlet obstruction)을 가진 환자를 판별하기 위하여 수행되었다.
상기 요역동학검사는 방광과 항문에 압력을 측정하는 관을 삽입하고, 식염수로 방광을 천천히 채우면서 압력을 측정한 후에 소변을 보면서 방광의 압력을 측정하는 과정으로 수행된다. 즉. 하부요로증상의 진단을 위한 요역동학검사(UDS)는 환자를 불편하고 당황하게 할 수 있음은 물론 장시간 카테터(catheter)를 삽관한 채 검사가 수행되므로 감염의 위험이 있고 환자는 고통스럽고 수치심을 느낄 수 있다.
이에 따라, 피검사자에 대하여 고통과 수치심을 덜어주고, 피검사자의 비뇨기계(Urinary system)의 정확한 상태를 파악할 수 있는 하부요로증상 진단보조 방법에 대한 개발이 지속적으로 요구되고 있는 실정이다.
대한민국 공개특허공보 제10-2007-0074288호 (공개일자: 2007.07.12)
본 발명은 전술한 문제점에 대한 일 대응방안으로써, 비침습적인 검사결과 데이터만을 이용하여 피검사자의 육체적/정신적 고통을 최소화하고 자동으로 하부요로증상의 유형을 예측할 수 있도록 함에 그 목적이 있다.
또한, 요역동학검사(UDS) 필요여부가 제공됨으로써 방광출구폐색(BOO)의 가능성이 낮은 피검사자에 대하여 요역동학검사(UDS)를 진행하지 않도록 함으로써 시간과 비용을 절감할 수 있도록 함에 그 목적이 있다.
본 발명의 일 실시 예로써, 하부요로증상 진단보조 방법이 제공될 수 있다.
본 발명의 일 실시 예에 따른 하부요로증상 진단보조 방법은 피검사자의 비뇨기계 데이터가 입력되는 단계, 입력된 비뇨기계 데이터에 대하여 하부요로증상 예측모델을 이용하여 피검사자에 대한 예측결과 데이터가 도출되는 단계 및 사용자 단말로 도출된 예측결과 데이터를 제공하는 단계가 포함될 수 있다.
본 발명의 일 실시 예에 따른 하부요로증상 진단보조 방법에는 데이터베이스에 미리 획득되어 저장된 비뇨기계 데이터와 진단결과 데이터 간 상관관계에 대하여 머신러닝 알고리즘을 이용하여 학습되는 단계 및 학습된 결과에 기초하여 하부요로증상 예측모델이 생성되는 단계가 더 포함될 수 있다.
본 발명의 일 실시 예에 따른 하부요로증상 진단보조 방법에 있어서, 비뇨기계 데이터에는 피검사자의 나이, 배뇨횟수, 잔뇨량, 요속검사지표, 전립선증상점수, 과거병력 및 배뇨효능 중 적어도 어느 하나 이상이 포함되고, 예측결과 데이터에는 예측진단명, 방광출구폐색 확률, 배뇨근저활동성 확률 및 요역동학검사(UDS) 필요여부 중 적어도 어느 하나 이상이 포함될 수 있다.
본 발명의 일 실시 예에 따른 하부요로증상 진단보조 방법에 있어서, 하부요로증상 예측모델에는 방광출구폐색 정도를 예측하기 위한 제 1 신경망 및 배뇨근저활동성 정도를 예측하기 위한 제 2 신경망이 더 포함될 수 있다.
본 발명의 일 실시 예에 따른 하부요로증상 진단보조 방법에 있어서, 하부요로증상 예측모델은 제 2 신경망이 제 1 신경망의 출력을 입력값으로 갖도록 형성되거나 제 1 신경망이 제 2 신경망의 출력을 입력값으로 갖도록 형성될 수 있다.
본 발명의 일 실시 예에 따른 하부요로증상 진단보조 방법에 있어서, 머신러닝 알고리즘에는 Artificial Neural Network(ANN), Stacked autoencoder, Deep Neural Network(DNN) 및 Long Short Term Memory(LSTM) 중 어느 하나가 포함될 수 있다.
본 발명의 일 실시 예로써, 하부요로증상 진단보조 시스템이 제공될 수 있다.
본 발명의 일 실시 예에 따른 하부요로증상 진단보조 시스템은 피검사자의 비뇨기계 데이터가 입력되는 데이터입력부, 입력된 비뇨기계 데이터에 대하여 하부요로증상 예측모델을 이용하여 피검사자에 대한 예측결과 데이터가 도출되는 진단예측부 및 사용자 단말로 도출된 예측결과 데이터를 제공하는 결과제공부가 포함될 수 있다.
본 발명의 일 실시 예에 따른 하부요로증상 진단보조 시스템에는 데이터베이스에 미리 획득되어 저장된 비뇨기계 데이터와 진단결과 데이터 간 상관관계에 대하여 머신러닝 알고리즘을 이용하여 학습되고, 학습된 결과에 기초하여 하부요로증상 예측모델이 생성되는 예측모델생성부가 더 포함될 수 있다.
본 발명의 일 실시 예에 따른 하부요로증상 진단보조 시스템에 있어서, 비뇨기계 데이터에는 피검사자의 나이, 배뇨횟수, 잔뇨량, 요속검사지표, 전립선증상점수, 과거병력 및 배뇨효능 중 적어도 어느 하나 이상이 포함되고, 예측결과 데이터에는 예측진단명, 방광출구폐색 확률, 배뇨근저활동성 확률 및 요역동학검사(UDS) 필요여부 중 적어도 어느 하나 이상이 포함될 수 있다.
본 발명의 일 실시 예에 따른 하부요로증상 진단보조 시스템에 있어서, 하부요로증상 예측모델에는 방광출구폐색 정도를 예측하기 위한 제 1 신경망 및 배뇨근저활동성 정도를 예측하기 위한 제 2 신경망이 더 포함될 수 있다.
본 발명의 일 실시 예에 따른 하부요로증상 진단보조 시스템에 있어서, 하부요로증상 예측모델은 제 2 신경망이 제 1 신경망의 출력을 입력값으로 갖도록 형성되거나 제 1 신경망이 제 2 신경망의 출력을 입력값으로 갖도록 형성될 수 있다.
본 발명의 일 실시 예에 따른 하부요로증상 진단보조 시스템에 있어서, 머신러닝 알고리즘에는 Artificial Neural Network(ANN), Stacked autoencoder, Deep Neural Network(DNN) 및 Long Short Term Memory(LSTM) 중 어느 하나가 포함될 수 있다.
본 발명의 일 실시 예로써, 전술한 방법을 구현하기 위한 프로그램이 기록된 컴퓨터로 판독 가능한 기록 매체가 제공될 수 있다.
본 발명의 일 실시 예에 따르면, 비침습적인 검사결과 데이터만을 이용하여 피검사자의 육체적/정신적 고통을 최소화하고 자동으로 하부요로증상의 유형을 예측할 수 있는 효과가 있다.
또한, 요역동학검사(UDS) 필요여부가 제공됨으로써 방광출구폐색(BOO)의 가능성이 낮은 피검사자에 대하여 요역동학검사(UDS)를 진행하지 않도록 함으로써 시간과 비용을 절감할 수 있는 효과가 있다.
도 1 및 도 2는 본 발명의 일 실시 예에 따른 하부요로증상 진단보조 방법을 나타낸 순서도이다.
도 3은 본 발명의 일 실시 예에 따른 하부요로증상 진단보조 시스템을 나타낸 블록도이다.
도 4는 본 발명의 일 실시 예에 따른 하부요로증상 진단보조 시스템을 나타낸 예시도이다.
도 5는 본 발명의 일 실시 예에 따른 하부요로증상 진단보조 시스템에 있어서, 하부요로증상 예측모델을 나타낸 블록도이다.
도 6은 본 발명의 일 실시 예에 따른 하부요로증상 진단보조 시스템에 있어서, 제 1 신경망(또는 제 2 신경망)의 출력이 제 2 신경망(또는 제 1 신경망)의 입력으로 인가됨으로써 형성되는 하부요로증상 예측모델을 나타낸 블록도이다.
도 7a 및 7b는 본 발명의 일 실시 예에 따른 하부요로증상 진단보조 시스템에 있어서, 제 1 신경망(또는 제 2 신경망)의 출력이 제 2 신경망(또는 제 1 신경망)의 입력으로 인가됨으로써 형성되는 하부요로증상 예측모델을 나타낸 예시도이다.
도 8 및 도 9는 본 발명의 일 실시 예에 따른 하부요로증상 진단보조 시스템에 있어서, 결과제공부를 통해 표시된 사용자 단말을 나타낸 예시도이다.
아래에서는 첨부한 도면을 참조하여 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자가 용이하게 실시할 수 있도록 본 발명의 실시예를 상세히 설명한다. 그러나 본 발명은 여러 가지 상이한 형태로 구현될 수 있으며 여기에서 설명하는 실시예에 한정되지 않는다. 그리고 도면에서 본 발명을 명확하게 설명하기 위해서 설명과 관계없는 부분은 생략하였으며, 명세서 전체를 통하여 유사한 부분에 대해서는 유사한 도면 부호를 붙였다.
본 명세서에서 사용되는 용어에 대해 간략히 설명하고, 본 발명에 대해 구체적으로 설명하기로 한다.
본 발명에서 사용되는 용어는 본 발명에서의 기능을 고려하면서 가능한 현재 널리 사용되는 일반적인 용어들을 선택하였으나, 이는 당 분야에 종사하는 기술자의 의도 또는 판례, 새로운 기술의 출현 등에 따라 달라질 수 있다. 또한, 특정한 경우는 출원인이 임의로 선정한 용어도 있으며, 이 경우 해당되는 발명의 설명 부분에서 상세히 그 의미를 기재할 것이다. 따라서 본 발명에서 사용되는 용어는 단순한 용어의 명칭이 아닌, 그 용어가 가지는 의미와 본 발명의 전반에 걸친 내용을 토대로 정의되어야 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 있음을 의미한다. 또한, 명세서에 기재된 "...부", "모듈" 등의 용어는 적어도 하나의 기능이나 동작을 처리하는 단위를 의미하며, 이는 하드웨어 또는 소프트웨어로 구현되거나 하드웨어와 소프트웨어의 결합으로 구현될 수 있다. 또한, 명세서 전체에서 어떤 부분이 다른 부분과 "연결"되어 있다고 할 때, 이는 "직접적으로 연결"되어 있는 경우뿐 아니라, "그 중간에 다른 소자를 사이에 두고" 연결되어 있는 경우도 포함한다.
이하 첨부된 도면을 참고하여 본 발명을 상세히 설명하기로 한다.
본 발명의 일 실시 예로써, 하부요로증상 진단보조 방법이 제공될 수 있다. 또한, 상기 하부요로증상 진단보조 방법은 후술하는 하부요로증상 진단보조 시스템(10)에 의해서 수행될 수 있으며, 이하에서는 후술하는 하부요로증상 진단보조 시스템(10)에 의해 수행되는 하부요로증상 진단보조 방법에 관하여 설명한다.
본 명세서에서 하부요로증상(LUTS: Lower urinary tract symptom)은 비뇨기계(urinary system)에서 발생가능한 다양한 증상들을 통칭하는 것으로, 상기 하부요로증상에는 소변의 저장 및 배출과정과 관련되어 나타나는 시작의 어려움, 잔뇨, 빈뇨, 세뇨, 배뇨시 긴장, 야뇨, 긴급뇨, 간헐적 소변 등의 증상들이 포함될 수 있다. 또한, 상기 비뇨기계에는 신장, 요관, 방광, 요도 등의 기관이 포함될 수 있다.
도 1은 본 발명의 일 실시 예에 따른 하부요로증상 진단보조 방법을 나타낸 순서도이다.
도 1을 참조하면, 본 발명의 일 실시 예에 따른 하부요로증상 진단보조 방법은 피검사자의 비뇨기계 데이터(20)가 입력되는 단계(S100), 입력된 비뇨기계 데이터(20)에 대하여 하부요로증상 예측모델(410)을 이용하여 피검사자에 대한 예측결과 데이터(30)가 도출되는 단계(S200) 및 사용자 단말(80)로 도출된 예측결과 데이터(30)를 제공하는 단계(S100)가 포함될 수 있다.
또한, 본 발명의 일 실시 예에 따른 하부요로증상 진단보조 방법에 있어서, 피검사자의 비뇨기계 데이터(20)는 하부요로증상의 진단을 위해 피검사자로부터 획득된 데이터를 지칭하는 것으로, 상기 비뇨기계 데이터(20)에는 피검사자의 나이, 배뇨패턴(Ex. 배뇨횟수, 잔뇨량, 급박뇨횟수, 야간뇨횟수 등), 요속검사지표, 전립선증상점수, 과거병력 및 배뇨효능 중 적어도 어느 하나 이상이 포함될 수 있다. 또한, 비뇨기계 데이터(20)에는 하부요로증상 진단을 위한 설문조사 결과가 더 포함될 수 있다.
상기 배뇨효능(voiding efficacy)은 아래 [수학식 1]에 의해 도출될 수 있다.
[수학식 1]
Figure 112019039470906-pat00001
즉, 본 명세서에서 배뇨효능은 상기 [수학식 1]과 같이 배뇨량 값을 배뇨량과 잔뇨량을 합한 값으로 나눈 값을 지칭한다. 전술한 바와 같이 상기 배뇨효능도 피검사자의 비뇨기계 데이터(20)에 포함될 수 있고, 후술하는 바와 같이 하부요로증상 예측모델(410)의 학습에 활용될 수 있다.
또한, 비뇨기계 데이터(20)에는 이미지 특징 데이터가 더 포함될 수 있다. 상기 이미지 특징 데이터는 비뇨기계 영상 데이터에 대하여 미리 학습된 제 3 신경망을 이용하여 획득될 수 있다. 상기 비뇨기계 영상 데이터에는 경직장초음파(transrectal ultrasonography) 영상, 다중파라미터 MRI(Multiparametric MRI) 영상이 포함될 수 있다. 상기 제 3 신경망은 CNN(Convolutional Neural Network), DNN(Deep Neural Network) 등에 해당될 수 있다. 즉, 상기에서 언급한 바와 같이 비뇨기계 영상데이터에 대하여 CNN 등의 제 3 신경망을 이용하여 추출/획득된 이미지 특징 데이터가 비뇨기계 데이터(20)에 포함될 수 있고, 후술하는 바와 같이 하부요로증상 예측모델(410)의 학습에 활용될 수 있다.
예측결과 데이터(30)는 하부요로증상 예측모델(410)을 이용하여 예측진단이 수행된 결과를 나타내며, 상기 예측결과 데이터(30)에는 예측진단명, 방광출구폐색(BOO: Bladder outlet obstruction) 확률, 배뇨근저활동성(DUA: Detrusor under-activity) 확률 및 요역동학검사(UDS: urodynamic study)) 필요여부 중 적어도 어느 하나 이상이 포함될 수 있다. 즉, 예측결과 데이터(30)는 피검사자의 비뇨기계 데이터(20)로부터 판단된 하부요로증상 클래스(Ex. 방광출구폐색(BOO), 배뇨근저활동성(DUA), 정상 혹은 기타)을 구분하기 위한 데이터는 물론 구분된 클래스 별 확률, 요역동학검사 필요여부 등의 예측진단 결과에 관한 데이터가 포함될 수 있다.
도 8 및 도 9는 본 발명의 일 실시 예에 따른 하부요로증상 진단보조 시스템(10)에 있어서, 결과제공부를 통해 표시된 사용자 단말(80)을 나타낸 예시도이다.
도 8 및 도 9에 도시된 바와 같이 사용자 단말(80)에서는 전술한 예측결과 데이터(30)가 제공되어 표시될 수 있다. 즉, 사용자 단말(80)은 상기 예측결과 데이터(30)를 수신하여 사용자에게 표시할 수 있는 디바이스를 지칭한다. 또한, 상기 사용자 단말(80)은 사용자가 하부요로증상의 진단 시 보조적으로 활용가능한 디바이스일 수 있다. 사용자 단말(80)은 다양한 형태의 디바이스일 수 있으며, 상기 사용자 단말(80)에는 개인PC, 스마트폰, 태블릿PC 등이 포함될 수 있다.
또한, 본 명세서에서 사용자는 피검사자에 대하여 하부요로증상을 진단하는 의사 등의 의료인, 검사자 등을 지칭할 수 있으며, 피검사자(Examinee)는 하부요로증상을 겪고 있는 환자뿐만 아니라, 하부요로증상이 의심되어 자신의 비뇨기계 상태를 확인하고자 하는 일반인 등의 대상자도 포함될 수 있다.
도 2는 본 발명의 일 실시 예에 따른 하부요로증상 진단보조 방법을 나타낸 순서도이고, 도 3은 본 발명의 일 실시 예에 따른 하부요로증상 진단보조 시스템(10)을 나타낸 블록도이며, 도 4는 본 발명의 일 실시 예에 따른 하부요로증상 진단보조 시스템(10)을 나타낸 예시도이다.
도 2 내지 도 4를 참조하면, 본 발명의 일 실시 예에 따른 하부요로증상 진단보조 방법에는 전술한 S100단계 - S300 단계 이전에 데이터베이스(490)에 미리 획득되어 저장된 비뇨기계 데이터(20)와 진단결과 데이터(40) 간 상관관계에 대하여 머신러닝 알고리즘을 이용하여 학습되는 단계(S30) 및 학습된 결과에 기초하여 하부요로증상 예측모델(410)이 생성되는 단계(S50)가 더 포함될 수 있다.
즉, 본 발명의 일 실시 예에 따른 하부요로증상 진단보조 방법에 있어서, 하부요로증상 예측모델(410)은 S30의 과정 및 S50의 과정을 거쳐 생성될 수 있다.
먼저, 데이터베이스(490)에 미리 획득되어 저장된 비뇨기계 데이터(20)와 진단결과 데이터(40) 간 상관관계에 대하여 머신러닝 알고리즘을 이용하여 학습이 수행(S30)될 수 있다.
상기 데이터베이스(490)는 비뇨기계 데이터(20) 뿐 아니라 환자 혹은 피검사자들의 의료데이터를 저장하기 위한 데이터 저장소를 지칭하는 것으로, 상기 데이터베이스(490)에는 CDW(Clinical data warehouse), PACS(Picture archiving and communication system) 등의 의료 데이터 검색 시스템이 포함될 수 있다. 즉, 본 명세서에서 데이터베이스(490)는 피검사자들에 대한 의사의 진료기‹ 뿐만 아니라, 각종 검사 결과 등 피검사자들과 관련된 전반적인 데이터를 저장하는 서버에 해당될 수 있다.
즉, 데이터베이스(490)에 미리 저장된 비뇨기계 데이터(Ex. 피검사자의 나이, 배뇨패턴(배뇨횟수, 잔뇨량, 급박뇨횟수, 야간뇨횟수), 요속검사지표, 전립선증상점수, 과거병력 및 배뇨효능)와 진단결과 데이터(40) 간 상관관계에 대하여 학습이 수행될 수 있다. 상기 진단결과 데이터(40)에는 해당 비뇨기계 데이터(20)를 가진 피검사자에 대하여 요역동학검사(UDS) 검사 혹은 의료전문가의 진단 결과 판별된 방광출구폐색 지수(BOOI: BOO index), 방광수축지수(BCI: Bladder contractility index) 등이 포함될 수 있다. 또한, 상기 진단결과 데이터(40)에는 요속검사 데이터, 방광초음파 영상 데이터, 음경커프검사 데이터 등이 추가적으로 더 포함될 수 있다.
본 발명의 일 실시 예에 따른 하부요로증상 진단보조 방법에 있어서, 머신러닝 알고리즘에는 Artificial Neural Network(ANN), Stacked autoencoder, Deep Neural Network(DNN) 및 Long Short Term Memory(LSTM) 중 어느 하나가 포함될 수 있다. 다만, 이는 예시적인 것에 불과하고 전술한 알고리즘을 제외한 다양한 머신러닝 알고리즘 혹은 딥러닝 알고리즘들을 이용할 수 있다. 또한, 상기 머신러닝/딥러닝 알고리즘을 결합하거나 연결하여 새로운 예측모델을 형성할 수 있다.
또한, 상기 S30의 학습과정에서 비뇨기계 데이터(20)의 positive sample과 negative 샘플 간 불균형을 극복하기 위하여 데이터마이닝 과정이 추가적으로 수행될 수 있다. 상기 데이터마이닝 과정에는 Bootstrap aggregating 과정이 포함될 수 있다. 즉, Bootstrap aggregating 과정에 따라 비뇨기계 데이터(20)에 대하여 복수개의 bootstrap 데이터를 생성하고, 각 bootstrap 데이터를 모델링 및 결합함으로써 모델산출이 수행될 수 있다. 상기 bootstrap 데이터는 단순복원 임의추출법(random sampling)을 이용하여 원본 데이터(raw data)로부터 크기가 동일한 복수개의 표본 데이터를 지칭할 수 있다.
도 5는 본 발명의 일 실시 예에 따른 하부요로증상 진단보조 시스템(10)에 있어서, 하부요로증상 예측모델(410)을 나타낸 블록도이다.
도 5를 참조하면, 본 발명의 일 실시 예에 따른 하부요로증상 진단보조 방법에 있어서, 하부요로증상 예측모델(410)에는 방광출구폐색 정도를 예측하기 위한 제 1 신경망(411) 및 배뇨근저활동성 정도를 예측하기 위한 제 2 신경망이 더 포함될 수 있다. 다만, 상기와 같은 제 1 신경망(411) 및 제 2 신경망(412)의 구조뿐만 아니라, 상기 예측모델(410)은 방광출구폐색(BOO), 배뇨근저활동성(DUA), 방광출구폐색(BOO)과 배뇨근저활동성(DUA)의 병행 및 정상(normal)을 분류하기 위한 단일 신경망으로 구성될 수 있음은 당연하다.
도 6은 본 발명의 일 실시 예에 따른 하부요로증상 진단보조 시스템(10)에 있어서, 제 1 신경망(또는 제 2 신경망)의 출력이 제 2 신경망(또는 제 1 신경망)의 입력으로 인가됨으로써 형성되는 하부요로증상 예측모델(410)을 나타낸 블록도이고, 도 7a 및 7b는 본 발명의 일 실시 예에 따른 하부요로증상 진단보조 시스템(10)에 있어서, 제 1 신경망(또는 제 2 신경망)의 출력이 제 2 신경망(또는 제 1 신경망)의 입력으로 인가됨으로써 형성되는 하부요로증상 예측모델(410)을 나타낸 예시도이다.
도 6 내지 도 7b를 참조하면, 본 발명의 일 실시 예에 따른 하부요로증상 진단보조 방법에 있어서, 하부요로증상 예측모델(410)은 제 2 신경망(412)이 제 1 신경망(411)의 출력을 입력값으로 갖도록 형성되거나 제 1 신경망(411)이 제 2 신경망(412)의 출력을 입력값으로 갖도록 형성될 수 있다.
즉, 하부요로증상 예측모델(410)의 예측가능성 또는 정확성이 향상되도록 하기 위하여 상기 내용 및 도 6 내지 도7b의 구조와 같이 하부요로증상 예측모델(410)이 생성될 수 있다.
도 6의 (a)의 하부요로증상 예측모델(410)은 제 1 신경망(411)의 출력이 제 2 신경망(412)의 입력으로 인가됨으로써 형성될 수 있고, 이는 도 7a에 도시된 바와 같은 구조로 형성될 수 있다. 마찬가지로, 도 6의 (b)의 하부요로증상 예측모델(410)은 제 2 신경망(412)의 출력이 제 1 신경망(411)의 입력으로 인가됨으로써 형성될 수 있고, 이는 도 7b에 도시된 바와 같은 구조로 형성될 수 있다.
본 발명의 일 실시 예로써, 하부요로증상 진단보조 시스템(10)이 제공될 수 있다. 이하에서 설명될 하부요로증상 진단보조 시스템(10)과 관련하여서는 전술한 방법에 대한 내용이 적용될 수 있다. 따라서, 시스템과 관련하여 전술한 내용과 동일한 내용에 대하여는 설명을 생략하였다.
본 발명의 일 실시 예에 따른 하부요로증상 진단보조 시스템(10)은 피검사자의 비뇨기계 데이터(20)가 입력되는 데이터입력부(100), 입력된 비뇨기계 데이터(20)에 대하여 하부요로증상 예측모델(410)을 이용하여 피검사자에 대한 예측결과 데이터(30)가 도출되는 진단예측부(200) 및 사용자 단말(80)로 도출된 예측결과 데이터(30)를 제공하는 결과제공부(300)가 포함될 수 있다.
본 발명의 일 실시 예에 따른 하부요로증상 진단보조 시스템(10)에는 데이터베이스(490)에 미리 획득되어 저장된 비뇨기계 데이터(20)와 진단결과 데이터(40) 간 상관관계에 대하여 머신러닝 알고리즘을 이용하여 학습되고, 학습된 결과에 기초하여 하부요로증상 예측모델(410)이 생성되는 예측모델생성부(400)가 더 포함될 수 있다.
본 발명의 일 실시 예에 따른 하부요로증상 진단보조 시스템(10)에 있어서, 비뇨기계 데이터(20)에는 피검사자의 나이, 배뇨횟수, 잔뇨량, 요속검사지표, 전립선증상점수, 과거병력 및 배뇨효능 중 적어도 어느 하나 이상이 포함되고, 예측결과 데이터(30)에는 예측진단명, 방광출구폐색 확률, 배뇨근저활동성 확률 및 요역동학검사(UDS) 필요여부 중 적어도 어느 하나 이상이 포함될 수 있다.
본 발명의 일 실시 예에 따른 하부요로증상 진단보조 시스템(10)에 있어서, 하부요로증상 예측모델(410)에는 방광출구폐색 정도를 예측하기 위한 제 1 신경망 및 배뇨근저활동성 정도를 예측하기 위한 제 2 신경망이 더 포함될 수 있다.
본 발명의 일 실시 예에 따른 하부요로증상 진단보조 시스템(10)에 있어서, 하부요로증상 예측모델(410)은 제 2 신경망이 제 1 신경망의 출력을 입력값으로 갖도록 형성되거나 제 1 신경망이 제 2 신경망의 출력을 입력값으로 갖도록 형성될 수 있다.
본 발명의 일 실시 예에 따른 하부요로증상 진단보조 시스템(10)에 있어서, 머신러닝 알고리즘에는 Artificial Neural Network(ANN), Stacked autoencoder, Deep Neural Network(DNN) 및 Long Short Term Memory(LSTM) 중 어느 하나가 포함될 수 있다.
본 발명의 일 실시 예로써, 전술한 방법을 구현하기 위한 프로그램이 기록된 컴퓨터로 판독 가능한 기록 매체가 제공될 수 있다.
한편, 전술한 방법은 컴퓨터에서 실행될 수 있는 프로그램으로 작성 가능하고, 컴퓨터 판독 가능 매체를 이용하여 상기 프로그램을 동작시키는 범용 디지털 컴퓨터에서 구현될 수 있다. 또한, 상술한 방법에서 사용된 데이터의 구조는 컴퓨터 판독 가능 매체에 여러 수단을 통하여 기록될 수 있다. 본 발명의 다양한 방법들을 수행하기 위한 실행 가능한 컴퓨터 프로그램이나 코드를 기록하는 기록 매체는, 반송파(carrier waves)나 신호들과 같이 일시적인 대상들은 포함하는 것으로 이해되지는 않아야 한다. 상기 컴퓨터 판독 가능 매체는 마그네틱 저장매체(예를 들면, 롬, 플로피 디스크, 하드 디스크 등), 광학적 판독 매체(예를 들면, 시디롬, DVD 등)와 같은 저장 매체를 포함할 수 있다.
전술한 본 발명의 설명은 예시를 위한 것이며, 본 발명이 속하는 기술분야의 통상의 지식을 가진 자는 본 발명의 기술적 사상이나 필수적인 특징을 변경하지 않고서 다른 구체적인 형태로 쉽게 변형이 가능하다는 것을 이해할 수 있을 것이다. 그러므로 이상에서 기술한 실시예들은 모든 면에서 예시적인 것이며 한정적이 아닌 것으로 이해해야만 한다. 예를 들어, 단일형으로 설명되어 있는 각 구성 요소는 분산되어 실시될 수도 있으며, 마찬가지로 분산된 것으로 설명되어 있는 구성 요소들도 결합된 형태로 실시될 수 있다.
본 발명의 범위는 상기 상세한 설명보다는 후술하는 특허청구범위에 의하여 나타내어지며, 특허청구범위의 의미 및 범위 그리고 그 균등 개념으로부터 도출되는 모든 변경 또는 변형된 형태가 본 발명의 범위에 포함되는 것으로 해석되어야 한다.
10: 하부요로증상 진단보조 시스템
20: 비뇨기계 데이터 30: 예측결과 데이터
40: 진단결과 데이터
80: 사용자 단말
100: 데이터입력부 200: 진단예측부
300: 결과제공부 400: 예측모델생성부
410: 하부요로증상 예측모델 411: 제 1 신경망
412: 제 2 신경망 490: 데이터베이스

Claims (13)

  1. 하부요로증상 진단보조 시스템에 의한 진단보조 방법에 있어서,
    데이터베이스에 미리 저장된 비뇨기계 데이터와 진단결과 데이터 간 상관관계에 대하여, 머신러닝 알고리즘을 이용하여 학습을 수행하는 단계;
    학습된 결과에 기초하여 하부요로증상 예측모델을 생성하는 단계;
    진단대상인 피검사자의 비뇨기계 데이터를 입력받는 단계;
    입력된 비뇨기계 데이터에 대하여 하부요로증상 예측모델을 이용하여 분석을 수행하여 상기 피검사자에 대한 예측결과 데이터를 도출하는 단계; 및
    사용자 단말로 도출된 예측결과 데이터를 제공하는 단계를 포함하고,
    상기 하부요로증상 예측모델에는,
    방광출구폐색 정도를 예측하기 위한 제 1 신경망, 배뇨근저활동성 정도를 예측하기 위한 제 2 신경망 및, 비뇨기계 데이터에 대하여 학습을 위한 이미지 특징 데이터를 추출하는 제3 신경망을 포함하고,
    상기 학습을 수행하는 단계는,
    포지티브 샘플 및 네가티브 샘플간 불균형을 극복하기 위해, 비뇨기계 데이터에 대한 복수개의 부트 스트립 데이터를 생성하고, 각 부트 스랩 데이터를 모델링 및 결합하여 모델을 산출하는 데이터마이닝 과정의 추가 수행을 포함하는 하부요로증상 진단보조 방법.
  2. 삭제
  3. 제 1 항에 있어서,
    상기 비뇨기계 데이터는 상기 피검사자의 나이, 배뇨횟수, 잔뇨량, 요속검사지표, 전립선증상점수, 과거병력 및 배뇨효능 중, 하나 이상을 포함하고,
    상기 예측결과 데이터는 예측진단명, 방광출구폐색 확률, 배뇨근저활동성 확률 및 요역동학검사(UDS) 필요여부 중, 하나 이상을 포함하는 하부요로증상 진단보조 방법.
  4. 삭제
  5. 제 1 항에 있어서,
    상기 하부요로증상 예측모델은,
    상기 제1 신경망의 출력값이 상기 제2 신경망의 입력값으로 설정되거나, 상기 제2 신경망의 출력값이 상기 제1 신경망의 입력값으로 설정되는 것인, 하부요로증상 진단보조 방법.
  6. 제 1 항에 있어서,
    상기 머신러닝 알고리즘에는 Artificial Neural Network(ANN), Stacked autoencoder, Deep Neural Network(DNN) 및 Long Short Term Memory(LSTM) 중 어느 하나가 포함되는 하부요로증상 진단보조 방법.
  7. 하부요로증상 진단보조 시스템에 있어서,
    데이터베이스에 미리 저장된 비뇨기계 데이터와 진단결과 데이터 간 상관관계에 대하여, 머신러닝 알고리즘을 이용하여 학습을 수행하고, 상기 학습된 결과에 기초하여 하부요로증상 예측모델을 생성하는 예측모델생성부;
    진단대상인 피검사자의 비뇨기계 데이터를 입력받는 데이터입력부;
    입력된 비뇨기계 데이터에 대하여 하부요로증상 예측모델을 이용하여 분석을 수행하여 상기 피검사자에 대한 예측결과 데이터를 도출하는 진단예측부; 및
    사용자 단말로 도출된 예측결과 데이터를 제공하는 결과제공부를 포함하고,
    상기 하부요로증상 예측모델은 방광출구폐색 정도를 예측하기 위한 제 1 신경망, 배뇨근저활동성 정도를 예측하기 위한 제 2 신경망 및, 비뇨기계 데이터에 대하여 학습을 위한 이미지 특징 데이터를 추출하는 제3 신경망 을 포함하고,
    상기 예측모델 생성부는,
    포지티브 샘플 및 네가티브 샘플간 불균형을 극복하기 위해, 비뇨기계 데이터에 대한 복수개의 부트 스트립 데이터를 생성하고, 각 부트 스랩 데이터를 모델링 및 결합하여 모델을 산출하는 데이터마이닝 과정을 추가 수행하는 것인, 하부요로증상 진단보조 시스템.
  8. 삭제
  9. 제 7 항에 있어서,
    상기 비뇨기계 데이터에는 상기 피검사자의 나이, 배뇨횟수, 잔뇨량, 요속검사지표, 전립선증상점수, 과거병력 및 배뇨효능 중 적어도 어느 하나 이상이 포함되고,
    상기 예측결과 데이터에는 예측진단명, 방광출구폐색 확률, 배뇨근저활동성 확률 및 요역동학검사(UDS) 필요여부 중 적어도 어느 하나 이상이 포함되는 하부요로증상 진단보조 시스템.
  10. 삭제
  11. 제 7 항에 있어서,
    상기 하부요로증상 예측모델은,
    상기 제1 신경망의 출력값이 상기 제2 신경망의 입력값으로 설정되거나, 상기 제2 신경망의 출력값이 상기 제1 신경망의 입력값으로 설정되는 것인, 하부요로증상 진단보조 시스템.
  12. 제 7 항에 있어서,
    상기 머신러닝 알고리즘에는 Artificial Neural Network(ANN), Stacked autoencoder, Deep Neural Network(DNN) 및 Long Short Term Memory(LSTM) 중 어느 하나가 포함되는 하부요로증상 진단보조 시스템.
  13. 제 1 항, 제 3 항, 제 5 항 또는 제 6 항 중 어느 한 항의 방법을 구현하기 위한 프로그램이 기록된 컴퓨터로 판독 가능한 기록 매체.
KR1020190044896A 2019-04-17 2019-04-17 하부요로증상 진단보조 방법 KR102455469B1 (ko)

Priority Applications (4)

Application Number Priority Date Filing Date Title
KR1020190044896A KR102455469B1 (ko) 2019-04-17 2019-04-17 하부요로증상 진단보조 방법
US17/603,818 US20220215960A1 (en) 2019-04-17 2020-02-12 Auxiliary method for diagnosis of lower urinary tract symptoms
JP2021561753A JP7278415B2 (ja) 2019-04-17 2020-02-12 下部尿路症状診断補助システムの動作方法、該方法を実現するプログラムが記録されたコンピュータ読取可能な記録媒体、及び下部尿路症状診断補助システム
PCT/KR2020/001982 WO2020213826A1 (ko) 2019-04-17 2020-02-12 하부요로증상 진단보조 방법

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020190044896A KR102455469B1 (ko) 2019-04-17 2019-04-17 하부요로증상 진단보조 방법

Publications (2)

Publication Number Publication Date
KR20200122084A KR20200122084A (ko) 2020-10-27
KR102455469B1 true KR102455469B1 (ko) 2022-10-17

Family

ID=72837433

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020190044896A KR102455469B1 (ko) 2019-04-17 2019-04-17 하부요로증상 진단보조 방법

Country Status (4)

Country Link
US (1) US20220215960A1 (ko)
JP (1) JP7278415B2 (ko)
KR (1) KR102455469B1 (ko)
WO (1) WO2020213826A1 (ko)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2024090651A1 (ko) * 2022-10-27 2024-05-02 주식회사 아이도트 요로위치 추정 시스템

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
TW202213261A (zh) * 2020-09-28 2022-04-01 林易霆 無引導者機器學習模型輔助之醫病共享決策系統及其共享方法
KR102564572B1 (ko) * 2021-02-05 2023-08-09 연세대학교 원주산학협력단 요류 검사 방법
KR20240008577A (ko) 2022-07-12 2024-01-19 연세대학교 산학협력단 인공지능 기반의 비침습적 요역동학 검사 방법 및 장치

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20040260163A1 (en) 2001-09-17 2004-12-23 Kron Reuben E. Non-invasive diagnostic systems for lower urinary tract disorders
US20160113562A1 (en) * 2014-10-27 2016-04-28 Edward Belotserkovsky Method of Diagnosing Urological Disorders

Family Cites Families (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7431701B2 (en) * 2000-09-13 2008-10-07 Schmidt Richard A Method and system for diagnosis of lower urinary tract dysregulation and related conditions
KR100763453B1 (ko) 2006-01-09 2007-10-08 (주) 엠큐브테크놀로지 방광 진단용 초음파 진단 장치 및 초음파 진단 방법
JP2009066090A (ja) * 2007-09-12 2009-04-02 Npo Comfortable Urology Network 下部尿路障害を診断する方法
US10859579B2 (en) * 2016-03-31 2020-12-08 William Beaumont Hospital Methods for detecting, diagnosing and treating ulcerative interstitial cystitis
KR101884609B1 (ko) * 2017-05-08 2018-08-02 (주)헬스허브 모듈화된 강화학습을 통한 질병 진단 시스템
US10854335B2 (en) * 2017-06-16 2020-12-01 Htc Corporation Computer aided medical method and medical system for medical prediction
US11694769B2 (en) * 2017-07-17 2023-07-04 Bioinformatics Solutions Inc. Systems and methods for de novo peptide sequencing from data-independent acquisition using deep learning
GB201802653D0 (en) * 2018-02-19 2018-04-04 Univ Of Portsmouth Higher Education Corporation Method

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20040260163A1 (en) 2001-09-17 2004-12-23 Kron Reuben E. Non-invasive diagnostic systems for lower urinary tract disorders
US20160113562A1 (en) * 2014-10-27 2016-04-28 Edward Belotserkovsky Method of Diagnosing Urological Disorders

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
Bassem S.Wadie 등. Application of artificial neural network in prediction of bladder outlet obstruction: A model based on objective, noninvasive parameters. Urology. Vol. 69, Issue 6, 1211-1214면 2006.
Davod Gil 등 Application of artificial neural networks in the diagnosis of urological dysfunctions. Expert Systems with Applications. Vol. 35, Issue 3, Part 2, 5754-5760면 2009. 4.*

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2024090651A1 (ko) * 2022-10-27 2024-05-02 주식회사 아이도트 요로위치 추정 시스템

Also Published As

Publication number Publication date
KR20200122084A (ko) 2020-10-27
JP7278415B2 (ja) 2023-05-19
US20220215960A1 (en) 2022-07-07
WO2020213826A1 (ko) 2020-10-22
JP2022529460A (ja) 2022-06-22

Similar Documents

Publication Publication Date Title
KR102455469B1 (ko) 하부요로증상 진단보조 방법
CN104305961B (zh) 肠鸣音监测识别系统
KR20170061222A (ko) 건강데이터 패턴의 일반화를 통한 건강수치 예측 방법 및 그 장치
Abelson et al. Ambulatory urodynamic monitoring: state of the art and future directions
KR102354674B1 (ko) 요속과 잔뇨를 동시에 측정함으로써 배뇨 장애를 진단하기 위한 방법 및 장치
US20200330046A1 (en) Digital twin updating
JP2023530883A (ja) 早産予測
KR102261408B1 (ko) 의료영상을 이용한 질환정보 제공 방법
CN114121266A (zh) 一种智能化的辅助诊断方法和系统
Ge et al. Design of a rapid diagnostic model for bladder compliance based on real-time intravesical pressure monitoring system
CN111933285B (zh) 一种器官年龄预测系统、方法、装置及存储介质
JP4651271B2 (ja) コンピュータ援用患者診断決定支援システム
US20230309931A1 (en) Deep learning-based simple urine flow test result learning method and lower urinary tract symptom diagnosis method
KR101009083B1 (ko) 욕창발생 위험예측 베이지안 네트워크 시스템
CN111430037B (zh) 相似病历查找方法及系统
CN113017572B (zh) 一种重症预警方法、装置、电子设备及存储介质
CN113658651B (zh) 尿失禁自动诊断方法、装置及存储介质
Qureshi et al. Utilization of artificial intelligence for diagnosis and management of urinary incontinence in women residing in areas with low resources: An overview
Church Functional Disorders of the Ileal–Anal Pouch: A Systematic Review
Mehdizadeh et al. Role of invasive urodynamic testing in benign prostatic hyperplasia and male lower urinary tract symptoms
CN116584962B (zh) 一种基于胃肠电信号的睡眠障碍预测系统及其构建方法
CN115517682B (zh) 基于胃肠电信号的认知功能障碍预测系统及构建方法
CN113658687B (zh) 盆腔器官脱垂自动诊断方法、装置及存储介质
Rahman Stroke prediction using machine learning techniques
Tambunan et al. Analysis diagnostic of inguinal hernia disease using method certainty factor

Legal Events

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