KR102456208B1 - 의약품 부작용 예측을 기반으로 한 의약품 부작용 관리 시스템 제공 방법 및 이러한 방법을 수행하는 장치 - Google Patents

Abstract

본 발명은 의약품 부작용 예측을 기반으로 한 의약품 부작용 관리 시스템 제공 방법 및 이러한 방법을 수행하는 장치에 관한 것이다. 의약품 부작용 예측을 기반으로 한 의약품 부작용 관리 시스템 제공 방법은 병원 정보 시스템이 병원에서 처방시 사용자의 의약품 부작용 가능성에 대해 미리 확인할 수 있도록 의약품 부작용 관리 시스템과 연동되는 단계, 약국 시스템이 약국에서 약을 제공시 사용자의 의약품 부작용 가능성에 대해 미리 확인할 수 있도록 의약품 부작용 관리 시스템과 연동되는 단계와 의약품 부작용 관리 시스템이 사용자 정보 및 처방된 의약품 성분을 기초로 사용자에게 발생 가능한 부작용의 가능성에 대한 정보를 사용자 장치, 병원 정보 시스템 및 약국 시스템과 연동하여 제공하는 단계를 포함할 수 있다.

Description

의약품 부작용 예측을 기반으로 한 의약품 부작용 관리 시스템 제공 방법 및 이러한 방법을 수행하는 장치{Method for providing medicine side effect management system based on prediction of medicine side effect and apparatus for performing the method}

본 발명은 의약품 부작용 예측을 기반으로 한 의약품 부작용 관리 시스템 제공 방법 및 이러한 방법을 수행하는 장치에 관한 것이다. 보다 상세하게는 빅데이터를 활용한 개인 맞춤형 의약품 부작용 예측 서비스를 제공하기 위한 의약품 부작용 예측을 기반으로 한 의약품 부작용 관리 시스템 제공 방법 및 이러한 방법을 수행하는 장치에 관한 것이다.

의약품 사용에 따라 나타나는 이상 사례(adverse event, AE)는 예측과 적절한 정보 제공으로 일정 부분 예방이 가능하다. 따라서, 약물 이상 반응 발현 빈도를 감소시키고, 환자 치료의 질을 향상시키며, 의료비를 절감시킬 수 있도록 약물 이상 반응 관리에 대한 노력이 필요하다. 의약품 허가 당시에는 유익성(benefit)이 위해성(risk)보다 크다는 것을 입증하여 허가가 이루어진다. 새로 개발된 약물이 시판 허가를 받으면 많은 수의 환자들이 장기간에 걸쳐 복용하게 된다. 따라서, 시판 전 임상 시험에서 발견되지 않았던 드물지만 중대한 유해 반응들이 나타날 수 있다. 시판 허가를 받기 위한 임상 시험은 가능한 빨리 허가를 받기 위해 관찰 기간이 제한되고, 연구 대상자의 수가 한정되어 드물게 발생하는 유해 반응을 관찰하기 어렵다.

따라서, 시판 후에도 대규모 인구 집단을 대상으로 장기간에 걸친 관찰을 통하여 그 약물의 안전성을 충분히 확인하는 것이 필수적이다. 허가 당시 얻을 수 있는 유익성과 위해성 정보의 양과 질에는 한계가 있고, 시판 후 조사 및 보고를 통한 보다 실질적이고 새로운 정보가 지속적으로 수집되면 추가되는 정보로 인해 유익성과 위해성의 균형이 변화하게 된다. 따라서, 의약품의 전주기를 통해 일정 시점에서 유익성과 위해성을 지속적으로 비교 평가할 필요가 있다.

개별 이상 사례 보고에 있어서 국제 조화된 표준 채택과 구조화된 데이터 확립이 가능하다면 약품안전성정보관리 개선에 기여할 수 있다. 또한 표준화된 데이터 구조의 이상 사례 정보가 국내와 국외 비교 분석되면 의약품을 사용하는데 있어 보다 효과적인 커뮤니케이션, 분석, 개선 방안이 제공될 수 있다.

관련기술로는 한국 출원 10-2021-0051752건이 있다.

본 발명은 상술한 문제점을 모두 해결하는 것을 그 목적으로 한다.

또한, 본 발명은, 의약품 데이터 및 부작용 데이터의 표준화를 통해 사용자별 의약품 부작용을 보다 정확하게 예측하고 관리하는 것을 목적으로 한다.

또한, 본 발명은, 부작용 데이터에 대한 학습을 기반으로 의약품 부작용을 표준화하고, 표준화된 부작용 데이터를 기초로 의약품 부작용을 보다 정확하게 예측하고 이를 기초로 의약품 부작용에 대한 알람 서비스를 제공하는 것을 목적으로 한다.

상기 목적을 달성하기 위한 본 발명의 대표적인 구성은 다음과 같다.

본 발명의 일 실시예에 따르면, 의약품 부작용 예측을 기반으로 한 의약품 부작용 관리 시스템 제공 방법은 병원 정보 시스템이 병원에서 처방시 사용자의 의약품 부작용 가능성에 대해 미리 확인할 수 있도록 의약품 부작용 관리 시스템과 연동되는 단계, 약국 시스템이 약국에서 약을 제공시 사용자의 의약품 부작용 가능성에 대해 미리 확인할 수 있도록 상기 의약품 부작용 관리 시스템과 연동되는 단계와 의약품 부작용 관리 시스템이 사용자 정보 및 처방된 의약품 성분을 기초로 사용자에게 발생 가능한 부작용의 가능성에 대한 정보를 사용자 장치, 상기 병원 정보 시스템 및 상기 약국 시스템과 연동하여 제공하는 단계를 포함할 수 있다.

한편, 의약품 부작용 관리 시스템은 의약품 표준화 데이터 구축을 위한 데이터베이스인 의약품 성분명 표준화 데이터베이스와 부작용 표준화 데이터베이스 및 의약품 부작용 예측 시스템을 포함할 수 있다.

또한, 상기 의약품 성분명 표준화 데이터베이스는 표준화 의약품 성분명을 결정하기 위해 구현되고, 상기 부작용 표준화 데이터베이스는 부작용 데이터를 기반으로 표준화 부작용 데이터를 결정하기 위해 구현될 수 있다.

본 발명의 다른 실시예에 따르면, 의약품 부작용 예측을 기반으로 한 의약품 부작용 관리 시스템은 사용자 정보 및 처방된 의약품 성분을 기초로 사용자에게 발생 가능한 부작용의 가능성에 대한 정보를 사용자 장치, 병원 정보 시스템 및 약국 시스템과 연동하여 제공하도록 구현되고, 상기 병원 정보 시스템은 병원에서 처방시 사용자의 의약품 부작용 가능성에 대해 미리 확인할 수 있도록 상기 의약품 부작용 관리 시스템과 연동되고, 상기 약국 시스템은 약국에서 약을 제공시 사용자의 의약품 부작용 가능성에 대해 미리 확인할 수 있도록 상기 의약품 부작용 관리 시스템과 연동될 수 있다.

한편, 상기 의약품 부작용 관리 시스템은 의약품 표준화 데이터 구축을 위한 데이터베이스인 의약품 성분명 표준화 데이터베이스와 부작용 표준화 데이터베이스 및 의약품 부작용 예측 시스템을 포함할 수 있다.

또한, 상기 의약품 성분명 표준화 데이터베이스는 표준화 의약품 성분명을 결정하기 위해 구현되고, 상기 부작용 표준화 데이터베이스는 부작용 데이터를 기반으로 표준화 부작용 데이터를 결정하기 위해 구현될 수 있다.

본 발명에 의하면, 의약품 데이터 및 부작용 데이터의 표준화를 통해 사용자별 의약품 부작용이 보다 정확하게 예측되고 관리될 수 있다.

또한, 본 발명에 의하면, 부작용 데이터에 대한 학습을 기반으로 의약품 부작용이 표준화되고, 표준화된 부작용 데이터를 기초로 의약품 부작용을 보다 정확하게 예측하고 이를 기초로 의약품 부작용에 대한 알람 서비스가 제공될 수 있다.

도 1은 본 발명의 실시예에 따른 의약품 표준화 데이터 구축을 위한 데이터베이스를 나타낸 개념도이다.
도 2는 본 발명의 실시예에 따른 의약품 성분명 표준화 데이터베이스의 구축을 나타낸 개념도이다.
도 3은 본 발명의 실시예에 따른 부작용 표준화 데이터베이스의 구축을 나타낸 개념도이다.
도 4는 본 발명의 실시예에 따른 부작용 표준화 데이터베이스에서 부작용 표준화를 수행하는 방법을 나타낸 개념도이다.
도 5는 본 발명의 실시예에 따른 증상학습 인공지능엔진의 학습 동작을 나타낸 개념도이다.
도 6은 본 발명의 실시예에 따른 신체영역학습 인공지능엔진의 동작을 나타낸 개념도이다.
도 7은 본 발명의 실시예에 따른 의약품 부작용 표준화 동작을 나타낸 개념도이다.
도 8은 본 발명의 실시예에 따른 부작용 데이터의 처리 방법을 나타낸 개념도이다.
도 9는 본 발명의 실시예에 따른 의약품 부작용 예측 시스템을 나타낸 개념도이다.
도 10은 본 발명의 실시예에 따른 부작용 증상을 수집하는 동작을 나타낸 개념도이다.
도 11은 본 발명의 실시예에 따른 부작용 증상을 예측하는 동작을 나타낸 개념도이다.
도 12는 본 발명의 실시예에 따른 부작용 증상을 예측하는 동작을 나타낸 개념도이다.
도 13은 본 발명의 실시예에 따른 부작용 증상을 예측하는 동작을 나타낸 개념도이다.
도 14는 본 발명의 실시예에 따른 부작용 증상을 예측하는 동작을 나타낸 개념도이다.
도 15는 본 발명의 실시예에 따른 부작용 증상을 예측하는 동작을 나타낸 개념도이다.
도 16은 본 발명의 실시예에 따른 부작용 예측부의 부작용 예측 동작을 나타낸 개념도이다.
도 17은 본 발명의 실시예에 따른 사용자 특성 종속 부작용 여부를 판단하는 방법을 나타낸 개념도이다.
도 18는 본 발명의 실시예에 따른 하위 부작용 예측부의 클러스터링 동작을 나타낸 개념도이다.
도 19는 본 발명의 실시예에 따른 부작용 증상 예측을 기반으로 한 의약품 부작용 관리 시스템을 나타낸 개념도이다.
도 20은 본 발명의 실시예에 따른 부작용 증상 예측을 기반으로 한 의약품 부작용 관리 시스템을 나타낸 개념도이다.

후술하는 본 발명에 대한 상세한 설명은, 본 발명이 실시될 수 있는 특정 실시예를 예시로서 도시하는 첨부 도면을 참조한다. 이러한 실시예는 당업자가 본 발명을 실시할 수 있기에 충분하도록 상세히 설명된다. 본 발명의 다양한 실시예는 서로 다르지만 상호 배타적일 필요는 없음이 이해되어야 한다. 예를 들어, 본 명세서에 기재되어 있는 특정 형상, 구조 및 특성은 본 발명의 정신과 범위를 벗어나지 않으면서 일 실시예로부터 다른 실시예로 변경되어 구현될 수 있다. 또한, 각각의 실시예 내의 개별 구성요소의 위치 또는 배치도 본 발명의 정신과 범위를 벗어나지 않으면서 변경될 수 있음이 이해되어야 한다. 따라서, 후술하는 상세한 설명은 한정적인 의미로서 행하여 지는 것이 아니며, 본 발명의 범위는 특허청구범위의 청구항들이 청구하는 범위 및 그와 균등한 모든 범위를 포괄하는 것으로 받아들여져야 한다. 도면에서 유사한 참조부호는 여러 측면에 걸쳐서 동일하거나 유사한 구성요소를 나타낸다.

이하에서는 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자가 본 발명을 용이하게 실시할 수 있도록 하기 위하여, 본 발명의 여러 바람직한 실시예에 관하여 첨부된 도면을 참조하여 상세히 설명하기로 한다.

도 1은 본 발명의 실시예에 따른 의약품 표준화 데이터 구축을 위한 데이터베이스를 나타낸 개념도이다.

도 1을 참조하면, 의약품 표준화 데이터 구축을 위한 데이터베이스는 의약품 성분명 표준화 데이터베이스(100)와 부작용 표준화 데이터베이스(120)를 포함할 수 있다.

의약품 성분명 표준화 데이터베이스(100)는 의약품 성분명에 대한 표준화를 위한 데이터베이스일 수 있다.

부작용 표준화 데이터베이스(120)는 의약품에 대한 부작용으로서 사용자의 부작용을 표준화하기 위한 데이터베이스일 수 있다.

의약품 성분명 표준화 데이터베이스(100)는 의약품의 성분명, 염(Salt), 투여 경로, 제형, 함량과 같은 속성별로 구축될 수 있다. 의약품의 속성별 코드를 기반으로 총 14자리의 코드가 구성되고, 각 성분별 고유 코드가 부여될 수 있다. 복합제는 모든 성분을 포함한 하나의 대표 성분으로 인식하여 구성될 수 있다.

유효 성분 1개당 함량, 적응증, 투여경로, 복용법 등이 매우 다양하며 이들은 상이한 부작용 발생의 변수이다. 따라서, 성분 1개마다 예상되는 부작용 증상을 매핑하기 위해 의약품 성분명 표준화 데이터베이스(100)는 속성별로 구축될 수 있다.

도 1의 하단과 같이 같은 성분이라도 염(Salt), 함량, 제형 등에 따라 부작용, 효능 효과, 상호 작용이 다르다. 정확한 부작용 예측을 위해 염(Salt), 함량, 제형 등에 따른 세분화된 데이터베이스 구축이 필요하다.

부작용 표준화 데이터베이스(120)는 다양한 사용자의 증상을 표준화하기 위해 구현될 수 있다. 부작용 데이터는 신체 영역 데이터와 증상 데이터를 포함할 수 있다. 사용자마다 본인의 신체 영역, 증상을 표현하는 단어 및 문장이 매우 다양하다. 따라서, 사용자 발화의 키워드(자연어)를 대표 키워드로 매칭하고 학습 데이터를 구축하는 것이 매우 중요하다. 부작용 표준화 데이터베이스(120)는 위와 같은 의약품 부작용에 대한 표준화를 위해 부작용 데이터를 표준화하기 위해 구현될 수 있다.

도 2는 본 발명의 실시예에 따른 의약품 성분명 표준화 데이터베이스의 구축을 나타낸 개념도이다.

도 2에서는 의약품 성분명 표준화 데이터베이스가 개시된다.

도 2를 참조하면, 의약품 성분명 표준화 데이터베이스는 성분명 표준화 데이터베이스이고, 유효 성분 1개마다 부작용 증상을 매핑하기 위해 성분명, 염(salt), 투여 경로, 제형, 함량의 변수별 데이터 구축이 필요하다.

글로벌 헬스케어 시스템과 용이하게 연결될 수 있도록 전세계 표준으로 사용하고 있는 의약품 코드와 연결이 필요하다. WHO ATC, EphMRA 등 글로벌 기준 코드 매핑 뿐 아니라, 각 국가에서 사용하고 있는 코드(예를 들어, 한국의 KD코드, EDI 코드, 주성분 코드)와도 매핑이 필요하다. PubMed의 MeSH 및 EMBASE의 emtree와도 매핑하여 논문 자료 및 ClinicalTrials.gov 등의 임상 시험 정보와도 용이하게 연결될 수 있도록 매핑이 수행될 수 있다.

도 3은 본 발명의 실시예에 따른 부작용 표준화 데이터베이스의 구축을 나타낸 개념도이다.

도 3에서는 부작용 표준화 데이터베이스가 개시된다.

도 3을 참조하면, 부작용은 신체, 증상에 대한 키워드로 이루어져 있으며, 사용자마다 본인의 신체, 증상을 표현하는 단어 및 문장이 매우 다양하다. 다양한 사용자 발화의 키워드(자연어)를 대표 키워드로 매칭하고 학습 데이터를 구축하는 것이 매우 중요하다.

마찬가지로 글로벌 헬스케어 시스템과 용이하게 연결될 수 있도록 전세계 표준으로 사용하고 있는 증상 코드/질병 코드와 연결이 필요하다. MedDRA, WHO-ART, SNOMED-CT, RxNorm, ICD-10 등 글로벌 코드 매핑 뿐 아니라, 각 국가에서 사용하고 있는 코드(예. 한국의 KCD)와도 매핑이 수행될 수 있다. PubMed의 MeSH 및 EMBASE의 emtree와도 매핑하여 논문자료 및 ClinicalTrials.gov 등의 임상시험 정보와도 용이하게 연결될 수 있도록 매핑이 수행될 수 있다.

도 4는 본 발명의 실시예에 따른 부작용 표준화 데이터베이스에서 부작용 표준화를 수행하는 방법을 나타낸 개념도이다.

도 4에서는 부작용 데이터에 대한 전처리를 통해 부작용 표준화 데이터베이스에서 부작용 표준화를 수행하는 방법이 개시된다.

도 4를 참조하면, 부작용 표준화를 위해 의약품 부작용 중 서로 다른 부작용으로 분류될 수 있는 부작용들에 대해 분류 작업이 수행될 수 있다.

부작용 데이터(400)는 신체 영역과 신체 영역에 발생된 증상으로서 하나의 {신체 영역 데이터, 증상 데이터}로서 데이터 세트를 형성할 수 있다.

본 발명의 실시예에 따르면, 증상A, 증상B가 존재하는 경우, 증상A에 대한 신체 영역 분류와 증상B에 대한 신체 영역 분류는 서로 다를 수 있다. 따라서, 증상A에 대한 신체 영역 분류, 증상B에 대한 신체 영역 분류가 서로 다르게 수행될 필요가 있을 수도 있다. 또한, 의약품 별로 증상, 신체 영역에 대한 서로 다른 표준화가 필요할 수도 있다.

본 발명에서는 증상별, 신체 영역별로 표준화를 위한 인공지능엔진이 활용될 수 있다. 복수의 인공지능엔진(증상학습 인공지능엔진(410), 신체영역학습 인공지능엔진(420)) 각각은 사용자로부터 입력되는 부작용 데이터를 토큰화하여 신체 영역 데이터와 증상 데이터를 분류하고, 신체 영역 데이터와 증상 데이터 각각에 대한 표준화를 위한 학습이 수행될 수 있다. 학습 이후, 증상학습 인공지능엔진(410) 및 신체영역학습 인공지능엔진(420) 각각은 부작용 데이터가 입력시 표준화 증상 데이터, 표준화 신체 영역 데이터를 출력할 수 있다.

본 발명의 실시예에 따르면, 신체 영역은 복수의 신체 계층으로 구분될 수 있고, 복수의 신체 계층 중 하나의 신체 계층이 증상과 매핑되어 증상 표준화를 위해 활용될 수 있다. 즉, 부작용 데이터(400)를 기반으로 증상학습 인공지능엔진(410)과 신체영역학습 인공지능엔진(420)은 연동되어 증상 데이터에 맞는 신체 계층이 결정되어 증상별 서로 다른 신체 계층을 기반으로 한 표준화가 수행될 수 있다. 특정 의약품에 대한 부작용 데이터를 기반으로 신체 영역 학습 인공 지능 엔진은 특정 의약품에 대응되는 신체 계층을 결정하고, 이를 기초로 한 표준화된 신체 영역 데이터를 출력할 수 있다.

보다 구체적으로 가장 높은 제1 신체 계층으로는 상반신과 하반신, 그 다음 제2 신체 계층으로는 상반신에 대해서는 머리, 목, 어깨, 가슴, 등, 배, 하반신에 대해서는 엉덩이, 다리, 발 등으로 구분될 수 있다. 제3 신체 계층은 제2 신체 계층에서 분류된 신체에 대해 추가적으로 분류한 것으로서 머리의 경우, 이마, 눈, 코, 귀, 입 등으로 추가적으로 분할될 수 있다. 이러한 방식으로 신체는 n 개의 신체 계층으로 분류될 수 있고, 증상에 따라 증상을 표준화하기 위해 하나의 신체 계층(예를 들어, 제2 신체 계층 또는 제3 신체 계층)이 선택되어 활용될 수 있다. 이러한 신체 계층은 증상에 따른 부작용에 따라 적응적으로 조정될 수 있다.

부작용이 제n 신체 계층에 일어나는 의약품, 부작용이 제n+1 신체 계층에서 일어나는 의약품은 서로 다르게 설정되어 표준화된 신체 영역 데이터가 출력될 수 있다.

신체 계층을 결정하기 위해 신체영역학습 인공지능엔진(410)은 신체와 관련된 용어(머리, 헤드, head, 이마, 두통, 복통 등)을 신체 계층 정보를 추가하여 학습할 수 있다. 예를 들어, 머리의 경우 {제1 계층: 상반신, 제2 계층: 머리}와 같이 해당 단어에 대응되는 신체 계층이 존재하고, 단어와 신체 계층 정보가 함께 입력되어 학습이 수행될 수 있다. 신체 계층은 사용자가 입력하는 단어에 따라 적응적으로 변화될 수도 있고, 이러한 계속적인 변화를 신체영역학습 인공지능엔진(410)은 반영하여 학습할 수 있다.

단어가 표준화된 단어가 아닌 경우(예를 들어, 머리통), 비표준화된 단어와 매칭되는 표준화된 단어(예를 들어, 머리)와 함께 입력하여 사용자가 비표준화된 단어를 입력하더라도 표준화된 단어로 변경 가능하고, 표준화된 단어의 계층에 대한 확인이 가능하도록 신체영역학습 인공지능엔진(420)의 학습이 수행될 수 있다.

이러한 방식으로 신체영역학습 인공지능엔진(420)에 특정 단어가 입력되는 경우, 표준화된 신체 영역 데이터 및 표준화된 신체 영역 데이터에 대응되는 신체 계층 정보가 출력될 수 있다. 표준화 수행시 증상 데이터를 고려하여 증상 데이터에 맞는 신체 레벨에 대응되는 표준화 신체 영역 데이터가 생성될 수 있다.

증상학습 인공지능엔진(410)은 증상에 대한 정보를 학습하기 위해 구현될 수 있다. 증상학습 인공지능엔진의 동작은 도 5에서 후술한다.

도 5는 본 발명의 실시예에 따른 증상학습 인공지능엔진의 학습 동작을 나타낸 개념도이다.

도 5에서는 증상학습 인공지능엔진의 학습 동작이 개시된다.

도 5를 참조하면, 증상학습 인공지능엔진은 증상 타입을 구분하여 제1 증상 타입 또는 제2 증상 타입을 기반으로 증상에 대한 학습을 수행할 수 있다.

증상 데이터는 전처리를 통해 제1 증상 타입, 제2 증상 타입으로 분류되고, 제1 증상 타입의 학습을 위한 증상학습 인공지능엔진(제1 증상 타입)(510), 제2 증상 타입의 학습을 위한 증상학습 인공지능엔진(제2 증상 타입)(520) 각각을 기반으로 한 학습이 수행될 수 있다.

증상은 주관적인 표현에 해당하는 제1 증상 타입과 객관적인 사실에 기초한 제2 증상 타입으로 구분될 수 있다. 제1 증상 타입은 통증, 가려움, 이물감, 작열감 등과 같이 사용자가 주관적으로 느끼는 증상을 포함할 수 있다. 제2 증상 타입은 발진, 수포, 열, 두드러기 등과 같은 객관적으로 확인할 수 있는 증상을 포함할 수 있다.

제1 증상 타입은 주관적인 느낌에 해당할 수가 있다. 따라서, 제1 증상 타입 간에 증상 유사도를 고려한 학습이 수행될 수 있다. 예를 들어, 통증, 작열감 간의 증상 유사도가 존재할 수 있고, 사용자들에 입력되는 부작용 데이터를 고려하여 사용자가 입력한 증상에 대한 보다 정확한 표준화가 수행될 수 있다.

증상 데이터 중 '쓰라린다'의 경우, 통증, 작열감에 모두 해당할 수 있는 단어일 수 있고, 이러한 단어는 초기에는 복수의 제1 증상 타입(통증, 작열감)으로 설정되나, 다른 사용자들의 해당 의약품에 따른 부작용의 빈도를 고려하여 복수의 제1 증상 타입 중 하나의 증상(작열감)으로 통합되거나 계속적으로 복수의 증상에 대응되도록 설정될 수 있다.

예를 들어, 의약품A에 대하여 통증에 대응되는 다른 단어(예를 들어, 아프다), 작열감에 대응되는 단어(예를 들어, 화끈거린다)가 모두 제1 임계 퍼센트 이상 계속적으로 입력되는 경우가 가정될 수 있다. 이후, 의약품A에 대하여 통증, 작열감에 모두 해당할 수 있는 '쓰라림'이 입력되는 경우, 제1 증상 타입(통증, 작열감)으로 표준화될 수 있다.

반대로, 의약품B에 대하여 통증에 대응되는 다른 단어(예를 들어, 아프다)가 제1 임계 퍼센트 이상로 입력되고, 작열감에 대응되는 단어(예를 들어, 화끈거린다)가 제2 임계 퍼센트 이하로 입력되는 경우가 가정될 수 있다. 이후, 의약품B에 대하여 통증, 작열감에 모두 해당할 수 있는 쓰라림이 입력되는 경우, 제1 증상 타입(통증)으로 통합되어 표준화될 수 있다.

증상 통합 여부를 결정하기 위한 제1 임계 퍼센트 및 제2 임계 퍼센트를 결정하기 위해 기초가 되는 전체 부작용 케이스 수는 의약품 사용 빈도, 부작용을 입력한 사용자가 의사, 약사와 같은 별도의 라이센스를 가진 인력인지 여부를 고려하여 서로 다르게 설정될 수 있다.

위와 같은 방식으로 특정 증상으로 분류하기 어려워서 복수의 제1 증상 타입에 대응되는 증상 표현 단어인 복수 증상 단어는 초기에는 복수의 제1 증상 타입으로 표준화될 수 있다. 추후에 의약품별 부작용 데이터의 누적에 따라 복수 증상 단어를 유지하거나, 하나의 제1 증상 타입에 대응되는 단일 증상 단어로 적응적으로 변화될 수 있다.

제1 임계 퍼센트와 제2 임계 퍼센트는 해당 의약품의 부작용 케이스 수에 따라 조정될 수 있다. 예를 들어, 부작용으로 입력된 케이스의 개수가 상대적으로 많을수록 부작용이 제1 임계 퍼센트는 상대적으로 높아지고, 제2 임계 퍼센트는 상대적으로 낮아지도록 설정되어 보다 정확한 기준으로 의약품별 증상으로 입력되는 복수 증상 단어가 복수 증상 단어로 유지되거나 단일 증상 단어로 변화될 수 있다.

즉, 본 발명의 증상학습 인공지능엔진(510, 520)은 증상 타입(제1 증상 타입 및 제2 증상 타입)별로 의약품 정보별로 서로 다른 증상 표준화가 가능하도록 학습을 수행하고, 학습된 증상학습 인공지능엔진(510, 520)은 입력되는 부작용 데이터에서 증상 타입을 분류하고, 의약품에 대한 정보를 고려하여 표준화된 증상 단어를 추출할 수 있다.

도 6은 본 발명의 실시예에 따른 신체영역학습 인공지능엔진의 동작을 나타낸 개념도이다.

도 6에서는 신체영역학습 인공지능엔진에 대한 학습을 위한 신체 계층 설정 방법이 개시된다.

도 6을 참조하면, 신체영역학습 인공지능엔진(600)의 학습을 위해 1차적으로 디폴트 신체 계층이 설정될 수 있다.

전술한 바와 같이 가장 높은 제1 신체 계층(610)으로는 상반신과 하반신, 그 다음 제2 신체 계층(620)으로는 상반신에 대해서는 머리, 목, 어깨, 가슴, 등, 배, 하반신에 대해서는 엉덩이, 다리, 발 등으로 구분될 수 있다. 제3 신체 계층(630)은 제2 신체 계층(620)에서 분류된 신체에 대해 추가적으로 분류한 것으로서 머리의 경우, 이마, 눈, 코, 귀, 입 등으로 추가적으로 분할될 수 있다. 이러한 방식으로 신체는 n 개의 신체 계층으로 분류될 수 있고, 증상에 따라 증상을 표준화하기 위해 하나의 계층(예를 들어, 제2 신체 계층(620) 또는 제3 신체 계층(630))이 선택되어 활용될 수 있다. 신체 계층은 증상에 따른 부작용에 따라 적응적으로 조정될 수 있다.

예를 들어, 의약품은 부작용이 발생되는 신체 정보를 고려하여 그룹핑되고, 의약품 그룹을 기준으로 디폴트 신체 계층을 적응적으로 변화시킨 서로 다른 신체 계층이 설정될 수 있다.

의약품 그룹은 부작용이 발생되는 신체 계층에 따라서 구분될 수 있다. 만약, 입력된 부작용 데이터를 기반으로 의약품A에 대하여 부작용이 제3 신체 계층(630)까지의 신체 영역에 발생된다면, 의약품 A는 의약품 그룹(제3 신체 계층)으로 그룹핑될 수 있다. 입력된 부작용 데이터를 기반으로 의약품B에 대하여 부작용이 제2 신체 계층(620)까지의 신체 영역에 발생다면, 의약품 B는 의약품 그룹(제2 신체 계층)로 그룹핑될 수 있다.

신체 계층은 신체영역학습 인공지능엔진으로 입력되는 의약품별 부작용 데이터에 따라 변화될 수 있다. 의약품 그룹(제2 신체 계층)에 포함되는 의약품B의 제3 신체 계층(630)에 대응되는 신체에 대응되는 증상이 임계 증상 비율 이상 입력되는 경우가 가정될 수 있다. 이러한 경우 의약품B는 의약품 그룹(제2 신체 계층)에서 의약품 그룹(제3 신체 계층)으로 전환되어 제3 신체 계층(630)에 대응되는 부작용에 대한 예측이 수행될 수 있다.

또한, 본 발명의 실시예에 따르면, 부작용의 발생되는 영역에 따라 특정 신체 계층에 대응되는 특정 신체의 하위 계층으로만 신체 계층이 부분 확장이 될 수도 있다. 예를 들어, 제2 신체 계층(620)의 얼굴에서만 증상이 발생되는 경우, 제2 신체 계층(620)의 얼굴에 대한 하위 제3 신체 계층(630)인 눈, 코, 입으로만 부분 확장되어 의약품 그룹이 설정될 수도 있다.

이뿐만 아니라, 의약품의 부작용이 상대적으로 많이 발생하는 신체 영역일수록 보다 구체적인 동일 계층 내에서 보다 구체적인 신체 영역 세분화를 통해 보다 정확하게 표준화 신체 영역 데이터가 형성되도록 할 수 있다.

부작용 데이터가 임계 데이터 개수 이상 쌓이지 않은 의약품의 경우, 가장 유사한 성분의 의약품 데이터의 의약품 그룹에 대응되는 신체 계층이 디폴트 신체 계층으로 설정되어 초기에 설정될 수도 있다.

즉, 신체영역학습 인공지능엔진은 의약품 정보 및 의약품이 포함되는 의약품 그룹에 대응되는 계층을 고려하여 신체 레벨을 결정하고, 신체 레벨에 다른 표준화된 신체 단어를 출력할 수 있다.

도 7은 본 발명의 실시예에 따른 의약품 부작용 표준화 동작을 나타낸 개념도이다.

도 7에서는 신체영역학습 인공지능엔진과 증상학습 인공지능엔진의 부작용 데이터에 대한 표준화된 결과를 출력하는 방법이 개시된다.

도 7을 참조하면, 신체영역학습 인공지능엔진과 증상학습 인공지능엔진으로 복용한 의약품 데이터(700), 부작용 데이터(710)가 입력될 수 있다. 부작용 데이터(710)는 텍스트로서 "머리가 아프다", "팔, 다리에 발진이 발생되었다"와 같은 증상, 증상이 발생한 신체 정보를 포함하는 문장 정보일 수 있다.

부작용 데이터(710)는 토큰화되어 신체 영역 데이터와 증상 데이터로 분류되고, 분류된 신체 영역 데이터 및 증상 데이터 각각은 신체영역학습 인공지능엔진(760) 및 증상학습 인공지능엔진(750)으로 입력되어 표준화 신체 영역 데이터, 표준화 증상 데이터로서 출력될 수 있다.

증상학습 인공지능엔진(750)은 의약품 데이터와 부작용 데이터를 기반으로 표준화된 증상 정보(두통, 발진)을 출력하고, 신체영역학습 인공지능엔진(760)은 의약품 데이터와 부작용 데이터를 기반으로 표준화된 신체 정보(머리, 팔, 다리)를 출력할 수 있다.

이러한 의약품에 대한 부작용 데이터는 증상 표준화 데이터베이스로 입력되고, 추후 발생될 수 있는 의약품에 대한 부작용 데이터를 예측하여 제공하기 위한 기초 정보로서 활용될 수 있다.

도 8은 본 발명의 실시예에 따른 부작용 데이터의 처리 방법을 나타낸 개념도이다.

도 8에서는 부작용 데이터를 보다 정확하게 처리하기 위한 방법이 개시된다.

도 8을 참조하면, 의약품 그룹(제n 신체 계층)을 결정하거나, 복수 증상 단어를 복수 증상 단어로 유지하거나 단일 증상 단어로 변화시키기 위해서는 부작용 데이터의 시간을 고려한 처리가 필요하다.

의약품을 복용을 수행하는 전체 인원을 고려하여 부작용 데이터를 판단하기 위한 부작용 데이터 판단 주기(800)가 결정될 수 있다. 의약품을 복용을 수행하는 전체 인원의 수가 상대적으로 적을수록 부작용 데이터 판단 주기(800)가 짧아질 수 있고, 반대로, 의약품을 복용을 수행하는 전체 인원의 수가 상대적으로 적을수록 부작용 데이터 판단 주기(800)가 길어질 수 있다.

또한, 부작용 데이터 판단 주기(800)는 전체 누적된 부작용 데이터의 양을 고려하여 변화될 수 있다. 의약품B의 출시일이 의약품A보다 오래되어 누적된 부작용 데이터의 양이 상대적으로 많은 경우, 의약품B의 부작용 데이터 판단 주기(800)는 의약품A의 부작용 데이터 판단 주기(800)보다 상대적으로 길어질 수 있다.

위와 같은 방식으로 부작용 데이터 판단 주기(800)가 길어져서 임계 판단 주기 이상이 되는 경우, 해당 의약품에 대한 부작용에 대한 판단은 대략적으로 판단된 것으로 결정되어 기준 의약품(820)으로 변경될 수 있다. 기준 의약품(820)은 추후 다른 의약품의 초기 부작용 데이터 판단 주기를 결정하기 위해 활용될 수 있다. 기준 의약품으로 설정된 경우, 기준 의약품(820)의 의약품 그룹(제n 신체 계층)을 결정하거나, 기준 의약품(820)의 복수 증상 단어를 복수 증상 단어로 유지하거나 단일 증상 단어로 변화시킬지 여부를 결정하기 위한 제1 임계 퍼센트, 임계 증상 비율을 상대적으로 높게 설정할 수 있다.

또한, 본 발명의 실시예에 따르면, 판단 대상 의약품의 초기 부작용 데이터 판단 주기는 의약품의 성분 유사도를 고려하여 설정될 수 있다. 판단 대상 의약품과 가장 높은 유사도를 가지는 기준 의약품(820)을 찾고, 의약품 유사도값(0~1)을 고려하여 초기 부작용 데이터 판단 주기가 결정될 수 있다. 유사도는 판단 대상 의약품과 기준 의약품(820)의 성분명, 염(Salt), 투여경로, 제형, 함량의 변수 등을 고려하여 결정될 수 있다. 의약품 유사도가 상대적으로 높을수록 초기 부작용 데이터 판단 주기는 상대적으로 길게 설정될 수 있다.

부작용 데이터 판단 주기 내에서 발생하는 복수의 부작용 데이터는 의약품 그룹(제n 신체 계층)을 결정하거나, 복수 증상 단어를 복수 증상 단어로 유지하거나 단일 증상 단어로 변화시킬지 여부를 결정하기 위한 하나의 부작용 데이터 세트로 결정될 수 있다.

의약품 그룹(제n 신체 계층)을 결정하거나, 복수 증상 단어를 복수 증상 단어로 유지하거나 단일 증상 단어로 변화시키는 부작용 데이터는 타겟 부작용 데이터라는 용어로 표현될 수 있다.

타겟 부작용 데이터를 결정하기 위해 부작용 데이터 세트 내에서 포함되는 복수의 부작용 데이터에 대한 1차 필터링이 수행될 수 있다. 1차 필터링은 신체에 대한 정보만 입력되어 있거나, 증상에 대한 정보만 입력되어서 {신체 영역 데이터, 증상 데이터}로서 데이터 세트가 형성되지 않는 데이터를 필터링하는 절차일 수 있다.

2차 필터링은 임계 횟수 이상으로 발생한 증상 데이터, 신체 데이터만을 필터링하기 위한 것으로서 노이즈를 제거하는 단계일 수 있다. 증상별로 노이즈를 제거하기 위한 임계 횟수는 서로 다르게 설정될 수 있다. 부작용 중 심각성이 높은 부작용일수록 임계 횟수는 낮게 설정되어 이러한 부작용에 대한 고려가 이루어질 수 있도록 설정될 수 있다.

3차 필터링은 타겟 부작용 데이터로서 활용된 데이터를 필터링하는 절차일 수 있다.

4차 필터링은 이전 부작용 데이터 판단 주기에서 설정된 부작용 데이터 중 타겟 부작용 데이터로서 활용되지 못한 부작용 데이터를 추출하기 위해 수행될 수 있다. 후보 타겟 부작용 데이터는 이전 부작용 데이터 판단 주기에서도 발생되었으나, 후보 타겟 부작용 데이터로서 활용되지 못한 부작용 데이터이다. 후보 후보 부작용 데이터는 이후 부작용 데이터 판단 주기에서 발생된 동일한 후보 타겟 부작용 데이터와 합쳐져서 타겟 부작용 데이터로서 동작할지 여부가 결정될 수 있다.

후보 타겟 부작용 데이터는 이전 부작용 데이터 판단 주기별 가중치를 현재 부작용 데이터 판단 주기를 기준으로 가까울수록 높게 설정하여 이전 부작용 데이터 판단 주기의 후보 타겟 부작용 데이터에 가중치를 할당한 후, 현재 부작용 데이터 판단 주기의 후보 타겟 부작용 데이터와 종합하여 타겟 부작용 데이터로서 동작할지 여부가 결정될 수 있다. 이러한 방법으로 이전 부작용 데이터 판단 주기에서 계속적으로 발생된 부작용 데이터의 개수가 적더라도 계속적으로 발생되는 부작용 데이터인 경우, 현재에 반영되어 타겟 부작용 데이터로서 활용되게 할 수 있다.

또한, 기준 의약품의 의약품 그룹(제n 신체 계층)을 결정하거나, 기준 의약품의 복수 증상 단어를 복수 증상 단어로 유지하거나 단일 증상 단어로 변화시킬지 여부를 결정하기 위한 제1 임계 퍼센트, 임계 증상 비율은 부작용 데이터 판단 주기가 계속적으로 누적됨에 따라 상대적으로 높게 설정되어 부작용이 지속적으로 발생되되, 유의미한 비율로 발생되었을 경우에만 타겟 부작용 데이터로서 동작하도록 설정할 수 있다.

도 9는 본 발명의 실시예에 따른 의약품 부작용 예측 시스템을 나타낸 개념도이다.

도 9에서는 의약품에 대한 부작용을 예측하기 위한 의약품 부작용 예측 시스템이 개시된다.

도 9를 참조하면, 의약품 부작용 예측 시스템은 사용자 데이터 수집부(910), 의료 데이터 수집부(920), 데이터 전처리부(930), 부작용 예측부(940) 및 부작용 관리부(950)를 포함할 수 있다.

사용자 데이터 수집부(910)는 사용자 데이터를 수집하기 위해 구현될 수 있다. 사용자 데이터는 이름, 나이, 성별, 복용 중인 의약품, 질병/상태/증상, 부작용 이력(약품명, 심각도, 증상)에 대한 정보를 포함할 수 있다.

의료 데이터 수집부(920)는 의료 데이터를 수집하기 위해 구현될 수 있다. 의료 데이터는 성별, 연령대, 발생률, 약품명, 증상에 대한 정보를 포함할 수 있다. 의료데이터는 전술한 표준화 절차를 기반으로 생성된 표준화 신체 영역 데이터, 표준화 증상 데이터를 기반으로 생성될 수 있다.

데이터 전처리부(930)는 부작용 예측을 위한 데이터 전처리를 위해 구현될 수 있다.

부작용 예측부(940)는 사용자 데이터 및 의료 데이터를 기반으로 사용자에게 발생 가능한 부작용을 예측하기 위해 구현될 수 있다.

부작용 예측부(940)는 발생 가능한 부작용에 대한 알람을 제공하고, 복용 기간 내 또는 복용 완료시 부작용 유무를 확인할 수 있다.

부작용 관리부(950)는 부작용 발현시 부작용 증상을　확인하고, 부작용 심각도 평가 및 심각도에 따른 액션 플랜(Action Plan)을 제시할 수 있다. 또한, 부작용 관리부(950)는 환자별 약물 및 부작용 관리 기록지 생성하여 EMR(electronic medical record) 등 헬스케어 시스템과 연동하여 부작용에 대한 관리를 수행할 수 있다.

도 10은 본 발명의 실시예에 따른 부작용 증상을 수집하는 동작을 나타낸 개념도이다.

도 10을 참조하면, 처방약 복약 후 사용자로부터 직접 이상증세 및 통증도 데이터가 수집될 수 있다. 이상증세 발현 후 복용중단여부, 회복정도, 후유증 등의 데이터가 수집되고, 생활습관, 병력, 알러지 정보 등의 개인 건강 데이터가 수집될 수 있다.

도 11은 본 발명의 실시예에 따른 부작용 증상을 예측하는 동작을 나타낸 개념도이다.

도 11을 참조하면, 수집된 사용자 데이터와 의료 빅데이터를 활용해 복용 의약품 별 부작용 발현 빈도 정보가 제공될 수 있다.

부작용 발생 후 증상의 심각도에 따른 액션 플랜이 제시될 수 있다.

부작용 의심 의약품, 대체 가능한 의약품 성분명 및 상품명이 제시되고 의약품 간 동일 증상 발현에 대한 교차위험비(OR)가 제시될 수 있다.

도 12는 본 발명의 실시예에 따른 부작용 증상을 예측하는 동작을 나타낸 개념도이다.

도 12를 참조하면, 사용자에게 부작용을 발생시킨 특정 약에 대하여 동일한 약 또는 유사한 약이 처방된 경우, 사용자에게 부작용에 대한 정보가 전달될 수 있다.

또한, 의사의 진료 및 처방시 부작용 이력에 대한 정보가 제공되고 의사는 부작용 이력 정보를 기초로 환자에게 처방을 제공할 수 있다.

도 13은 본 발명의 실시예에 따른 부작용 증상을 예측하는 동작을 나타낸 개념도이다.

도 13을 참조하면, 적응증에 대해 약품 선택이 이루어질 수 있다.

적응증에 따른 약품 선택이 이루어지고, 약품A, 약품B 및 약품C와 같은 약품이 선택될 수 있다.

적응증에 따른 약품 1개에 대한 기저질환별, 인구사회학적 변수에 대한　부작용　빈도 및 발생률이 산출될 수 있다.

또한, 동일한 적응증의　n개 의약품 선택 시 T-test, ANOVA, Chi-square test 등을 이용하여 부작용별　단순 비교위험도가 제시될 수 있다. N개의 의약품 선택 시, 사용자데이터 추출　변수를 콘트롤하여　다중회귀분석　등으로 부작용별 비교 위험도가 제시될 수 있다.

도 14는 본 발명의 실시예에 따른 부작용 증상을 예측하는 동작을 나타낸 개념도이다.

도 14를 참조하면, 보건의료빅데이터 및 학술데이터에서 수집한 부작용 데이터로 의약품별-증상별　발현율　데이터가 구축될 수 있다.

사용자 데이터로부터 수집한 의약품부작용 증상과　질환명, 인구사회학적 요소(연령, 성별, 지역 등)별 데이터 셋이 구축될 수 있다.

사용자 데이터로부터 수집한 의약품부작용 발생 후 사후관리 정보로 증상의 심각도, 복용지속유무, 증상 소실 데이터가 구축될 수 있다.

도 15는 본 발명의 실시예에 따른 부작용 증상을 예측하는 동작을 나타낸 개념도이다.

도 15를 참조하면, N개 의약품별 부작용에 대한　단순 비교위험도를 산출하여 의약품별　동일 부작용　발생을　예측하고　대체 의약품이 제시될 수 있다.

부작용 증상에 대한 사용자 데이터 변수(node)간 AI 적용한 네트워크 분석으로　부작용 위험 정도(degree)가 예측될 수 있다.

빅데이터 기반 변수별(용량, 연령, 성별 등) 부작용 간 단순/다중 회귀분석을 통해 발생 위험도가 예측될 수 있다.

도 16은 본 발명의 실시예에 따른 부작용 예측부의 부작용 예측 동작을 나타낸 개념도이다.

도 16에서는 부작용 예측부가 사용자 데이터를 고려하여 부작용을 예측하는 동작이 개시된다.

도 16을 참조하면, 부작용 예측부는 부작용예측 인공지능엔진을 기초로 사용자에게 발생가능한 부작용에 대한 예측을 수행할 수 있다.

부작용 예측부는 제1 부작용 예측 데이터(1616)와 제2 부작용 예측 데이터(1626)를 생성할 수 있다.

제1 부작용 예측 데이터(1616)는 기존에 발생된 사용자의 약물 부작용 기록 데이터 없이 사용자에게 발생할 수 있는 일반적인 부작용에 대한 예측 데이터일 수 있다. 제2 부작용 예측 데이터(1626)는 기존에 사용자에게 발생된 사용자 약물 부작용 기록 데이터를 고려한 사용자에게 발생할 수 있는 부작용에 대한 예측 데이터일 수 있다.

부작용 예측부는 제1 하위 부작용 예측부(1610)와 제2 하위 부작용 예측부(1620)를 포함할 수 있다.

제1 하위 부작용 예측부(1610)는 제1 부작용 예측 데이터(1616)를 생성할 수 있다. 제1 하위 부작용 예측부(1610)는 의약품에 기존에 발생한 부작용이 사용자 특성에 따라 변화되는 사용자 특성 종속 부작용인지 여부를 판단할 수 있다. 의약품에 기존에 발생한 부작용이 사용자 특성 종속 부작용인 경우, 제1 사용자 그룹 클러스터링(1613)을 통해 제1 부작용 예측 데이터(1616)를 생성할 수 있다.

제2 하위 부작용 예측부(1620)는 제2 부작용 예측 데이터(1626)를 생성할 수 있다. 제2 하위 부작용 예측부(1620)는 기존에 사용자에게 부작용을 발생시킨 의약품과 판단 대상 의약품의 의약품 유사도를 기반으로 제2 사용자 그룹 클러스터링(1623)을 통해 제2 부작용 예측 데이터를 생성할 수 있다.

제1 하위 부작용 예측부(1610)의 제1 사용자 그룹 클러스터링(1613)과 제2 하위 부작용 예측부(1620)의 제2 사용자 그룹 클러스터링(1623)은 서로 다를 수 있다.

제1 사용자 그룹 클러스터링(1613)은 사용자 특성(나이, 성별 등)만을 고려한 클러스터링이고, 제2 사용자 그룹 클러스터링(1623)은 사용자의 기존 부작용 기록을 고려한 클러스터링일 수 있다. 제1 사용자 그룹 클러스터링(1613)와 제2 사용자 그룹 클러스터링(1623)의 차이는 후술한다.

도 17은 본 발명의 실시예에 따른 사용자 특성 종속 부작용 여부를 판단하는 방법을 나타낸 개념도이다.

도 17에서는 사용자 특성 종속 부작용을 판단하기 위한 방법이 개시된다.

도 17을 참조하면, 의약품에 기존에 발생한 부작용이 사용자 특성에 따라 변화되는 사용자 특성 종속 부작용인지 여부를 판단하기 위해서는 계층적 사용자 특성 레벨을 설정하여 사용자 특성 레벨을 변화시키면서 특정 사용자 그룹에 부작용이 발생되는지 여부가 판단될 수 있다.

사용자 특성은 성별, 나이, 인종 등과 같은 다양한 복수의 하위 사용자 특성을 포함할 수 있다. 구체적으로 복수의 하위 사용자 특성 각각이 제1 사용자 특성 레벨로 설정될 수 있다. 제1 사용자 특성 레벨(1710)에서는 단독으로 특정 성별, 특정 나이, 특정 인종에서 부작용이 많이 발생하는지 여부를 판단할 수 있다.

복수의 하위 사용자 특성 각각 별로 비율 임계값이 설정되어 특정 비율 임계값을 넘은 경우, 해당 하위 사용자 특성에 대하여 사용자 특성 종속 부작용을 가진다고 판단할 수 있다. 예를 들어, 특정 의약품에 대하여 남자의 부작용 비율이 여자의 부작용 비율보다 60% 높고, 비율 임계값이 30%인 경우, 남자라는 특성에 사용자 특성 종속 부작용을 가지는 의약품으로 판단할 수 있다.

제1 사용자 특성 레벨(1710)에서 복수의 하위 사용자 특성 중 비율 임계값을 만족하는 모든 하위 사용자 특성은 사용자 특성 종속 부작용을 가진다고 판단되고, 후술할 제2 사용자 특성 레벨(1720) 기준의 추가적인 판단이 수행될 수 있다.

위와 같은 방식으로 개별 하위 사용자 특성에 대해 사용자 특성 종속 부작용이 판단된 이후, 하위 레벨로 나머지 다른 하위 사용자 특성에 대한 제2 사용자 특성 레벨(1720)이 설정되어 추가적인 사용자 특성 종속 부작용을 판단할 수 있다.

예를 들어, 제1 사용자 특성 레벨(1710)에서 특정 성별에 대해 사용자 특성 종속 부작용이 존재하는 것으로 판단된 이후, 제2 사용자 특성 레벨(1720)에서는 특정 성별을 기준으로 나이별/인종별로로 사용자 특성 종속 부작용이 존재하는지 여부를 판단할 수 있다.

위와 같은 방식을 통해 비율 임계값을 넘지 못할때까지 계속적으로 제n 사용자 특성 레벨로 확장될 수 있다.

위와 같은 방식으로 특정 의약품은 비율 임계값을 넘은 적어도 하나의 하위 사용자 특성의 그룹(예를 들어, 남자, 30대, 동양인)에 대하여 사용자 특성 종속 부작용을 가진다고 판단될 수 있다.

복수의 하위 사용자 특성 각각에 대한 사용자 특성 레벨 설정을 통해 비율 임계값이 높은 순서로 하위 사용자 특성이 나열되어, 영향을 많이 끼치는 하위 사용자 특성 순으로 정렬되어 부작용 예측이 수행될 수 있다.

또한, 복수의 하위 사용자 특성 각각에 대한 사용자 특성 레벨 설정을 기반으로 해당 변수의 종속성에 대한 값이 추출되고, 종속성이 높은 값일 수록 부작용 예측시 낮은 가중치를 줄 수 있다. 예를 들어, 제1 사용자 특성 레벨이 10~20대이고, 제2 사용자 특성 레벨이 남자인 경우, 남자의 부작용비율과 제1 사용자 특성 레벨이 남자이고, 제2 사용자 특성 레벨이 10~20대인 경우, 남자의 부작용비율을 기준으로 남자라는 변수, 나이(10~20대)라는 변수의 종속성과 독립성이 결정되고, 이를 기초로 부작용 예측시 각 변수의 가중치가 결정될 수도 있다.

도 18는 본 발명의 실시예에 따른 하위 부작용 예측부의 클러스터링 동작을 나타낸 개념도이다.

도 18에서는 제1 하위 부작용 예측부의 제1 사용자 그룹 클러스터링과 제2 하위 부작용 예측부의 제2 사용자 그룹 클러스터링이 개시된다.

도 18를 참조하면, 제1 사용자 그룹 클러스터링(1810)은 복수의 하위 사용자 특성 각각을 벡터화하고, 복수의 하위 사용자 특성별로 발생되는 부작용에 대한 클러스터링일 수 있다.

제1 사용자 그룹 클러스터링(1810)은 비율 임계값이 높은 하위 사용자 특성일수록 짧은 단위 거리를 설정하여 상대적인 거리의 차이를 두고 벡터화를 수행할 수 있다. 이러한 하위 사용자 특성별 적응적인 단위 거리 설정을 기반으로 부작용을 발생시킬 수 있는 가능성이 높을수록 하나의 클러스터로 묶일 확률이 높도록 설정할 수 있다.

또한, 제1 사용자 그룹 클러스터링(1810)은 특정 의약품에 대해 사용자 특성 종속 부작용을 판단시 사용한 비율 임계값을 넘은 적어도 하나의 하위 사용자 특성이 클러스터링의 초기 중심점으로 설정되어 수행될 수 있다. 즉, 기존에 사용자 특성 종속 부작용이 존재한다고 판단된 하위 사용자 특성이 클러스터링의 초기 중심점으로 설정되어 빠른 클러스터링이 수행될 수 있다.

이러한 방법을 통해 복수의 하위 사용자 특성이 의약품 부작용에 미치는 영향을 고려한 사용자 클러스터가 형성되고, 사용자 클러스터별 의약품 부작용 가능성에 대한 예측이 가능할 수 있다.

제2 사용자 그룹 클러스터링(1820)은 사용자가 부작용을 발생시켰던 의약품의 특성과 판단 대상 의약품 간의 유사도를 판단하기 위한 클러스터링일 수 있다. 의약품이 가진 하위 의약품 특성(성분명, 염(Salt), 투여경로, 제형, 함량의 변수 등)을 기준으로 벡터를 형성하여 클러스터링이 수행될 수 있다.

이때, 하위 의약품 특성들 중 부작용과 가장 관련도가 높은 하위 의약품 특성일수록 상대적으로 짧은 단위 거리로 설정되어 벡터화가 수행될 수 있다.

벡터화를 수행시 정량적인 변수(함량)의 경우, 범위를 나누어 단위 거리 설정이 수행될 수도 있다. 예를 들어, 함량 유사도가 90~100%인 경우, 제1 단위 거리, 함량 유사도가 80~90%인 경우, 제2 단위 거리, 함량 유사도가 70~80%인 경우, 제3 단위 거리 등과 같이 함량 유사도 범위 별로 서로 단위 거리 설정을 함으로써 유사도가 높을수록 동일한 클러스터에 포함될수록 정량적 범위별 단위 거리의 설정이 이루어질 수도 있다.

도 19는 본 발명의 실시예에 따른 부작용 증상 예측을 기반으로 한 의약품 부작용 관리 시스템을 나타낸 개념도이다.

도 19를 참조하면, 의약품 부작용 관리 시스템(1930)은 병원 정보 시스템(1910), 약국 시스템(1920), 사용자 장치(1940)과 연동되어 빅데이터를 활용한 개인 특성에 맞춘 부작용 발생 가능성 예측이 수행될 수 있다. 의약품 부작용 관리 시스템(1930)은 약 성분명 및 증상/상태/질병의 표준화된 데이터 구축을 통해 병원 정보 시스템(1910), 약국 시스템(1920) 등과 연결 가능한 데이터 융합 시스템일 수 있다.

병원 정보 시스템(1910)은 병원에서 처방시 사용자의 의약품 부작용 가능성에 대해 미리 확인할 수 있도록 의약품 부작용 관리 시스템(1930)와 연동되어 동작할 수 있다.

약국 시스템(1920)은 약국에서 약을 제공시 사용자의 의약품 부작용 가능성에 대해 미리 확인할 수 있도록 의약품 부작용 관리 시스템(1930)와 연동되어 동작할 수 있다.

의약품 부작용 관리 시스템(1930)은 전술한 의약품 표준화 데이터 구축을 위한 데이터베이스인 의약품 성분명 표준화 데이터베이스와 부작용 표준화 데이터베이스 및 의약품 부작용 예측 시스템을 포함할 수 있다.

의약품 부작용 관리 시스템(1930)은 사용자 정보 및 처방된 의약품 성분을 기초로 사용자에게 발생 가능한 부작용의 가능성에 대한 정보를 사용자 장치(1940), 병원 정보 시스템(1910), 약국 시스템(1920)과 연동하여 제공할 수 있다.

사용자 장치(1940)는 본인의 사용자 정보 및 기존 의료 기록(부작용 관련 기록)에 대한 정보를 기반으로 의약품 복용시 발생할 수 있는 부작용에 대한 정보를 의약품 부작용 관리 앱 등을 통해 제공받을 수 있다.

도 20은 본 발명의 실시예에 따른 부작용 증상 예측을 기반으로 한 의약품 부작용 관리 시스템을 나타낸 개념도이다.

도 20을 참조하면, 의약품 부작용 관리 시스템에서 병원 정보 시스템의 연동 방법이 개시된다.

HL7 FHIR(fast healthcare interoperable resource)를 활용하여 EMR에서 개인의 의료데이터를 주고 받을 수 있는 API가 사용될 수 있다.

사용자 장치를 통해 병원 정보 시스템에 요청하여 EMR에서 의료 데이터를 전달받을 수 있다. 사용자 장치 또는 병원 정보 시스템은 의약품 부작용 관리 시스템으로 의료 데이터를 전달할 수 있다.

정보 보안에 취약한 개인 병원에서 의료 데이터 전송시, 암호화 처리 및 안전한 데이터 전송을 위한 암호화 서비스 서버가 활용될 수 있다.

비대칭키를 활용한 개인정보 암호화 및 복호화를 통해 데이터 보안이 구축될 수 있다. 의약품 부작용 관리 시스템은 의료데이터를 제공받아 시스템에 저장하는 경우 비대칭키 암호화를 활용하여 데이터 저장을 수행할 수 있다. 모든 장치 또는 네트워크에 저장된 비활성 데이터는 보호될 수 있다.

개인정보 비식별화를 활용하여 분석을 위한 데이터가 수집될 수 있다.

의약품 부작용 관리 시스템은 개인의 동의를 받아 데이터를 비식별화하여 수집하고 분석할 수 있다.

이상 설명된 본 발명에 따른 실시예는 다양한 컴퓨터 구성요소를 통하여 실행될 수 있는 프로그램 명령어의 형태로 구현되어 컴퓨터 판독 가능한 기록 매체에 기록될 수 있다. 상기 컴퓨터 판독 가능한 기록 매체는 프로그램 명령어, 데이터 파일, 데이터 구조 등을 단독으로 또는 조합하여 포함할 수 있다. 상기 컴퓨터 판독 가능한 기록 매체에 기록되는 프로그램 명령어는 본 발명을 위하여 특별히 설계되고 구성된 것이거나 컴퓨터 소프트웨어 분야의 당업자에게 공지되어 사용 가능한 것일 수 있다. 컴퓨터 판독 가능한 기록 매체의 예에는, 하드 디스크, 플로피 디스크 및 자기 테이프와 같은 자기 매체, CD-ROM 및 DVD와 같은 광기록 매체, 플롭티컬 디스크(floptical disk)와 같은 자기-광 매체(magneto-optical medium), 및 ROM, RAM, 플래시 메모리 등과 같은, 프로그램 명령어를 저장하고 실행하도록 특별히 구성된 하드웨어 장치가 포함된다. 프로그램 명령어의 예에는, 컴파일러에 의하여 만들어지는 것과 같은 기계어 코드뿐만 아니라 인터프리터 등을 사용하여 컴퓨터에 의해서 실행될 수 있는 고급 언어 코드도 포함된다. 하드웨어 장치는 본 발명에 따른 처리를 수행하기 위하여 하나 이상의 소프트웨어 모듈로 변경될 수 있으며, 그 역도 마찬가지이다.

이상에서 본 발명이 구체적인 구성요소 등과 같은 특정 사항과 한정된 실시예 및 도면에 의하여 설명되었으나, 이는 본 발명의 보다 전반적인 이해를 돕기 위하여 제공된 것일 뿐, 본 발명이 상기 실시예에 한정되는 것은 아니며, 본 발명이 속하는 기술분야에서 통상적인 지식을 가진 자라면 이러한 기재로부터 다양한 수정과 변경을 꾀할 수 있다.

따라서, 본 발명의 사상은 상기 설명된 실시예에 국한되어 정해져서는 아니 되며, 후술하는 특허청구범위뿐만 아니라 이 특허청구범위와 균등한 또는 이로부터 등가적으로 변경된 모든 범위는 본 발명의 사상의 범주에 속한다고 할 것이다.

Claims (6)

1. 의약품 부작용 예측을 기반으로 한 의약품 부작용 관리 시스템 제공 방법은,
   병원 정보 시스템이 병원에서 처방시 사용자의 의약품 부작용 가능성에 대해 미리 확인할 수 있도록 의약품 부작용 관리 시스템과 연동되는 단계;
   약국 시스템이 약국에서 약을 제공시 사용자의 의약품 부작용 가능성에 대해 미리 확인할 수 있도록 상기 의약품 부작용 관리 시스템과 연동되는 단계; 및
   의약품 부작용 관리 시스템이 사용자 정보 및 처방된 의약품 성분을 기초로 사용자에게 발생 가능한 부작용의 가능성에 대한 정보를 사용자 장치, 상기 병원 정보 시스템 및 상기 약국 시스템과 연동하여 제공하는 단계를 포함하되,
   상기 의약품 부작용 관리 시스템은 의약품 표준화 데이터 구축을 위한 데이터베이스인 의약품 성분명 표준화 데이터베이스와 부작용 표준화 데이터베이스 및 의약품 부작용 예측 시스템을 포함하고,
   상기 의약품 성분명 표준화 데이터베이스는 표준화 의약품 성분명을 결정하기 위해 구현되고,
   상기 부작용 표준화 데이터베이스는 부작용 데이터를 기반으로 표준화 부작용 데이터를 결정하기 위해 구현되고,
   상기 부작용 표준화 데이터베이스는 증상학습 인공지능엔진 및 신체영역학습 인공지능엔진을 기초로 상기 표준화 부작용 데이터를 결정하고,
   상기 증상학습 인공지능엔진, 상기 신체영역학습 인공지능엔진 각각은 입력되는 상기 부작용 데이터를 토큰화하여 신체 영역 데이터와 증상 데이터를 분류하고, 상기 신체 영역 데이터와 상기 증상 데이터 각각에 대한 표준화를 위한 학습을 수행한 엔진이고,
   상기 신체영역학습 인공지능엔진은 신체 계층을 고려한 학습을 수행하고,
   상기 증상학습 인공지능엔진은 제1 증상 타입의 학습을 위한 증상학습 인공지능엔진(제1 증상 타입), 제2 증상 타입의 학습을 위한 증상학습 인공지능엔진(제2 증상 타입)을 포함하고,
   상기 제1 증상 타입은 사용자가 주관적으로 느끼는 증상 타입이고,
   상기 제2 증상 타입은 사용자가 객관적으로 확인되는 증상 타입인 것을 특징으로 하는 의약품 부작용 관리 시스템 제공 방법.
2. 제1항에 있어서,
   상기 신체 계층은 상기 신체영역학습 인공지능엔진으로 입력되는 의약품별 부작용 데이터에 따라 변화되고,
   상기 신체 계층은 의약품 그룹을 기준으로 상기 의약품 그룹별로 디폴트 신체 계층을 적응적으로 변화시켜 설정되고,
   상기 의약품 그룹은 의약품별 부작용이 발생되는 신체 정보를 고려하여 의약품을 그룹핑하여 결정되는 것을 특징으로 하는 의약품 부작용 관리 시스템 제공 방법.
3. 제2항에 있어서,
   상기 증상학습 인공지능엔진(제1 증상 타입)은 제1 증상 타입 간에 증상 유사도를 고려한 학습을 수행하고,
   상기 증상학습 인공지능엔진(제1 증상 타입)은 의약품별 복수의 증상의 증상 통합 여부를 복수의 증상 각각의 입력이 발생하는 임계 퍼센트를 고려하여 결정하고,
   상기 임계 퍼센트는 의약품별 부작용 케이스의 수를 고려하여 설정되는 것을 특징으로 하는 의약품 부작용 관리 시스템 제공 방법.
4. 의약품 부작용 예측을 기반으로 한 의약품 부작용 관리 시스템은,
   사용자 정보 및 처방된 의약품 성분을 기초로 사용자에게 발생 가능한 부작용의 가능성에 대한 정보를 사용자 장치, 병원 정보 시스템 및 약국 시스템과 연동하여 제공하도록 구현되고,
   상기 병원 정보 시스템은 병원에서 처방시 사용자의 의약품 부작용 가능성에 대해 미리 확인할 수 있도록 상기 의약품 부작용 관리 시스템과 연동되고,
   상기 약국 시스템은 약국에서 약을 제공시 사용자의 의약품 부작용 가능성에 대해 미리 확인할 수 있도록 상기 의약품 부작용 관리 시스템과 연동되고,
   상기 의약품 부작용 관리 시스템은 의약품 표준화 데이터 구축을 위한 데이터베이스인 의약품 성분명 표준화 데이터베이스와 부작용 표준화 데이터베이스 및 의약품 부작용 예측 시스템을 포함하고,
   상기 의약품 성분명 표준화 데이터베이스는 표준화 의약품 성분명을 결정하기 위해 구현되고,
   상기 부작용 표준화 데이터베이스는 부작용 데이터를 기반으로 표준화 부작용 데이터를 결정하기 위해 구현되고,
   상기 부작용 표준화 데이터베이스는 증상학습 인공지능엔진 및 신체영역학습 인공지능엔진을 기초로 상기 표준화 부작용 데이터를 결정하고,
   상기 증상학습 인공지능엔진, 상기 신체영역학습 인공지능엔진 각각은 입력되는 상기 부작용 데이터를 토큰화하여 신체 영역 데이터와 증상 데이터를 분류하고, 상기 신체 영역 데이터와 상기 증상 데이터 각각에 대한 표준화를 위한 학습을 수행한 엔진이고,
   상기 신체영역학습 인공지능엔진은 신체 계층을 고려한 학습을 수행하고,
   상기 증상학습 인공지능엔진은 제1 증상 타입의 학습을 위한 증상학습 인공지능엔진(제1 증상 타입), 제2 증상 타입의 학습을 위한 증상학습 인공지능엔진(제2 증상 타입)을 포함하고,
   상기 제1 증상 타입은 사용자가 주관적으로 느끼는 증상 타입이고,
   상기 제2 증상 타입은 사용자가 객관적으로 확인되는 증상 타입인 것을 특징으로 하는 의약품 부작용 관리 시스템.
5. 제4항에 있어서,
   상기 신체 계층은 상기 신체영역학습 인공지능엔진으로 입력되는 의약품별 부작용 데이터에 따라 변화되고,
   상기 신체 계층은 의약품 그룹을 기준으로 상기 의약품 그룹별로 디폴트 신체 계층을 적응적으로 변화시켜 설정되고,
   상기 의약품 그룹은 의약품별 부작용이 발생되는 신체 정보를 고려하여 의약품을 그룹핑하여 결정되는 것을 특징으로 하는 의약품 부작용 관리 시스템.
6. 제5항에 있어서,
   상기 증상학습 인공지능엔진(제1 증상 타입)은 제1 증상 타입 간에 증상 유사도를 고려한 학습을 수행하고,
   상기 증상학습 인공지능엔진(제1 증상 타입)은 의약품별 복수의 증상의 증상 통합 여부를 복수의 증상 각각의 입력이 발생하는 임계 퍼센트를 고려하여 결정하고,
   상기 임계 퍼센트는 의약품별 부작용 케이스의 수를 고려하여 설정되는 것을 특징으로 하는 의약품 부작용 관리 시스템.

Images