KR102462574B1 - Ai model learning method and system for predicting chronic disease patient’s trreat compliance and status - Google Patents
Ai model learning method and system for predicting chronic disease patient’s trreat compliance and status Download PDFInfo
- Publication number
- KR102462574B1 KR102462574B1 KR1020210139391A KR20210139391A KR102462574B1 KR 102462574 B1 KR102462574 B1 KR 102462574B1 KR 1020210139391 A KR1020210139391 A KR 1020210139391A KR 20210139391 A KR20210139391 A KR 20210139391A KR 102462574 B1 KR102462574 B1 KR 102462574B1
- Authority
- KR
- South Korea
- Prior art keywords
- patient
- compliance
- quantitative
- management
- data
- Prior art date
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
- G16H50/50—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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- 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
- G16H20/00—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance
- G16H20/10—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance relating to drugs or medications, e.g. for ensuring correct administration to patients
-
- 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
- G16H20/00—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance
- G16H20/30—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance relating to physical therapies or activities, e.g. physiotherapy, acupressure or exercising
-
- 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
- G16H50/30—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
- G16H50/70—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
- 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
- G16H80/00—ICT specially adapted for facilitating communication between medical practitioners or patients, e.g. for collaborative diagnosis, therapy or health monitoring
Abstract
Description
본 발명은 만성 질환 관리 방법에 관한 것으로서, 보다 구체적으로는 만성 질환자의 비정량 상태, 예를 들어 욕구를 정량화하고 이를 기반으로 치료적 개입에 대한 순응도 및 만성 질환자의 상태를 예측하기 위한 인공지능 학습모델의 학습 방법 및 그 시스템과 만성 질환 환자 관리 방법에 관한 것이다.The present invention relates to a chronic disease management method, and more specifically, artificial intelligence learning for quantifying the non-quantitative state of chronic disease patients, for example, desire and predicting adherence to therapeutic intervention and chronic disease state based on this. It relates to a method of learning a model, its system, and a method for managing patients with chronic diseases.
만성질환(慢性疾患, chronic disease)은 경과가 길고 저절로 낫지 않으며 완치가 어려운 질환으로, WHO는 만성질환을 감염성 질환에 대비되는 개념으로 비감염성 질환이라 표현한다. 만성질환은 심장병, 뇌졸중, 심혈관 질환, 당뇨병, 암, 관절염, 만성호흡기 질환과, 위험요인이면서 동시에 질병에 포함되는 고혈압, 고콜레스테롤증, 비만 등을 포함한다.Chronic disease (慢性疾患, chronic disease) is a disease that has a long course, does not heal on its own, and is difficult to cure. Chronic diseases include heart disease, stroke, cardiovascular disease, diabetes, cancer, arthritis, chronic respiratory disease, and high blood pressure, high cholesterol, and obesity, which are risk factors and diseases at the same time.
만성질환은 흡연, 음주, 식습관, 운동부족 등 생활습관과 밀접한 관련이 있는 것으로, 예방 및 관리가 중요하며 이를 위해 각국은 생활습관 교정, 지속적 관리 및 치명적 질병 예방을 위한 다양한 정책과 사업을 개발하여 시행해 오고 있다.Chronic diseases are closely related to lifestyle habits such as smoking, drinking, eating habits, and lack of exercise, and prevention and management are important. has been implemented
만성 질환의 관리를 위해 병원은 관리 목표를 설정하고 정기적 검진을 통해 경과를 보고 추후 치료 방향을 결정하게 된다. 병원에서 설정한 치료 목표 및 방향에 따라 처방을 하면, 환자는 일상 생활에서 복약, 식이, 운동, 생활습관을 스스로 관리하여 질환을 관리하게 된다. 만성질환은 특히 관리가 중요한 질병인데, 문제는 환자가 병원 진료 사이의 수개월간 자가관리를 하기 때문에 관리가 쉽지 않을 뿐 아니라 스스로 관리를 제대로 하고 있는지 판단하기도 어렵다. For the management of chronic diseases, the hospital sets management goals, monitors the progress through regular checkups, and determines the direction of treatment in the future. When a prescription is prescribed according to the treatment goal and direction set by the hospital, the patient manages the disease by self-management of medication, diet, exercise, and lifestyle in daily life. Chronic diseases are particularly important to manage, but the problem is that it is not easy to manage because patients self-manage for several months between hospital visits, and it is difficult to determine whether they are managing themselves properly.
만성질환 관리를 위해 자가 혈당 측정기와 같은 다양한 측정기구, 운동량, 식단, 음주량 흡연량, 그리고 임상 데이터 등의 정량 데이터를 이용하여 지속적인 관리를 하는 시스템의 구축이 필요하다. For chronic disease management, it is necessary to establish a system for continuous management using quantitative data such as various measuring instruments such as self-contained blood glucose meters, exercise amount, diet, alcohol consumption, smoking amount, and clinical data.
한편, 여러 연구에서 정서적 지지는 개인에게 긍정적 영향을 미치고 심리적, 신체적 적응에 도움을 주는 것으로 밝혀졌다(오선영, 2011; 이유정, 2014; Kaplan, Robbins & Martin, 1983; Krause, 2005; Krause, 2007a; McLoyd, & Smith, 2002). 정서적 지지는 사회적 지지 중 가장 중요한 요소로 손꼽히면서 스트레스에 대한 대처와 일생 동안의 안녕감 유지에 큰 역할을 하는 것으로 알려져 있다(Ryan, & La Guardia, 2000). On the other hand, various studies have found that emotional support has a positive effect on the individual and helps psychological and physical adaptation (Sun-Young Oh, 2011; Jung-Jeong Lee, 2014; Kaplan, Robbins & Martin, 1983; Krause, 2005; Krause, 2007a; McLoyd, & Smith, 2002). Emotional support is one of the most important elements of social support and is known to play a major role in coping with stress and maintaining lifelong well-being (Ryan, & La Guardia, 2000).
정량 데이터가 아닌 요인들, 즉 정서적, 사회적 요인인 환자의 사회적 정서적 욕구, 고립감, 사회적 관계, 스트레스, 정서적 안정감 등도 만성 질환 관리에 있어서 중요한 요소로 작용한다. 즉, 만성질환 환자가 식이, 운동, 복약 등의 지속적인 자기 관리를 함에 있어서, 비정량 요소의 작용이 중요함에도 불구하고 이 요소는 정량화가 곤란하여 정밀의료의 한 부분으로 도입이 되기 어려운 문제가 있다. Factors other than quantitative data, that is, emotional and social factors, such as the patient's social and emotional needs, feelings of isolation, social relationships, stress, and emotional stability also act as important factors in chronic disease management. In other words, in the continuous self-management of chronic disease patients, such as diet, exercise, and medication, although the action of non-quantitative factors is important, these factors are difficult to quantify and thus difficult to introduce as a part of precision medicine. .
본 발명은 상기 문제점을 해결하여, 만성질환 환자의 비정량 상태(욕구)를 정량화하고 이를 이용하여 순응도 예측 인공지능학습 모델을 훈련하는 방법을 제공하고자 한다. The present invention is to solve the above problems, quantify the non-quantitative state (needs) of chronic disease patients, and to provide a method for training an artificial intelligence learning model for predicting compliance using the quantification.
본 발명의 다른 목적은 환자의 비정량 상태(욕구)를 고려한 만성질환 환자 관리 방법을 제공하는 것이다. Another object of the present invention is to provide a method for managing a chronic disease patient in consideration of the patient's non-quantitative state (need).
상기 과제를 해결하기 위해, 본 발명의 바람직한 실시예에 따른 인공지능학습 모델의 학습 방법이 게시된다. In order to solve the above problem, a learning method of an artificial intelligence learning model according to a preferred embodiment of the present invention is published.
순응도 예측을 위한 인공지능학습 모델의 학습 방법은 환자의 임상 정보를 포함하는 정량 데이터를 획득하는 단계; 환자의 비정량 상태 정보를 수집하고 이에 기반하여 인공지능학습을 위한 하나 이상의 특징값을 획득하는 단계; 환자 단말기로 치료적 개입을 제공하는 단계; 환자 단말기에 입력되는 상기 치료적 개입에 대한 응답에 기초하여 순응도를 산출하는 단계; 및 상기 특징값과 상기 순응도를 학습 데이터로 이용하여 인공지능학습 모델의 학습을 수행하여 순응도 예측 인공지능학습 모델을 생성하는 단계;를 포함한다.A learning method of an artificial intelligence learning model for predicting compliance includes: acquiring quantitative data including clinical information of a patient; collecting non-quantitative state information of the patient and acquiring one or more feature values for artificial intelligence learning based thereon; providing a therapeutic intervention to the patient terminal; calculating a degree of compliance based on a response to the therapeutic intervention input to the patient terminal; and generating an artificial intelligence learning model predicting compliance by performing learning of the artificial intelligence learning model using the feature value and the degree of compliance as learning data.
상기 치료적 개입은, 상기 환자 단말기의 사용자 인터페이스를 통해 제공되고, 정량 데이터에 기초하여 생성되어, 처방 의약품의 복약 알림 메시지, 운동 권유 메시지, 흡연 금지 메시지 중 하나 이상의 제공을 포함한다.The therapeutic intervention is provided through the user interface of the patient terminal, is generated based on quantitative data, and includes provision of at least one of a prescription medication reminder message, an exercise recommendation message, and a smoking ban message.
상기 정량 데이터는 환자 단말기로부터 수집되는 센싱 데이터와, 임상 데이터 중 하나 이상을 포함하고, 상기 순응도는 메시지에 대한 응답에 기초하여 산정된다. The quantitative data includes at least one of sensing data collected from a patient terminal and clinical data, and the degree of compliance is calculated based on a response to a message.
상기 하나 이상의 특징값은 질문에 대한 환자의 답변에 의존하고, 질문, 질문에 대한 답변 및 답변에 따른 특징값은 테이블로 미리 정해져 저장되어 있고, 상기 질문은 환자의 욕구나 기분과 같은 비정량 상태에 대한 것이다.The one or more feature values depend on the patient's answer to a question, and the question, the answer to the question, and the feature value according to the answer are predetermined and stored in a table, and the question is a non-quantitative state such as a patient's desire or mood. it is about
본 발명의 일 실시예에 따른 정보처리장치에 의한 만성질환 환자 관리 방법은, 정량 데이터 및 관리 목표를 수집하는 단계; 수집된 정량 데이터와 관리 목표에 기초하여 만성 질환 관리 계획을 생성하는 단계; 생성된 관리 계획에 대한 승인을 의료진 단말기로 요청하는 단계; 의료진 단말기로부터 관리 계획 승인을 수신하고 관리 계획을 확정하는 단계; 관리 계획에 따른 치료적 개입을 생성하는 단계; 치료적 개입을 환자 단말기로 전송하는 단계; 상기 치료적 개입에 대한 응답을 환자 단말기로부터 수신하는 단계; 및 상기 응답에 기초하여 순응도를 산출하는 단계;를 포함한다. 상기 정량 데이터는 만성질환 환자의 임상 정보, 생체 정보, 운동 정보 중 하나 이상을 포함한다.A chronic disease patient management method by an information processing device according to an embodiment of the present invention comprises: collecting quantitative data and management goals; generating a chronic disease management plan based on the collected quantitative data and management goals; requesting approval for the created management plan to the medical staff terminal; receiving a management plan approval from the medical staff terminal and confirming the management plan; generating a therapeutic intervention according to the management plan; transmitting the therapeutic intervention to the patient terminal; receiving a response to the therapeutic intervention from a patient terminal; and calculating a degree of compliance based on the response. The quantitative data includes one or more of clinical information, biometric information, and exercise information of a chronic disease patient.
추가로, 환자 단말기로 비정량 상태 관련 질문을 송신하는 단계; 환자 단말기로부터 비정량 상태 관련 답변을 수신하는 단계; 상기 비정량 상태 관련 답변에 기초하여 특징값을 획득하는 단계; 및 상기 특징값을 순응도 예측 인공지능학습 모델에 적용하여 순응도를 예측하는 단계;를 더 포함할 수 있다. 상기 비정량 상태 관련 질문, 답변 및 답변에 따른 특징값은 테이블로 미리 저장되어 있고, 상기 순응도 예측 인공지능학습 모델은 상기 순응도와 상기 특징값을 이용하여 인공지능학습을 수행함으로써 생성되되, 특징값을 입력값으로 순응도를 출력값으로 하여 학습된다.Additionally, sending a non-quantitative condition related question to the patient terminal; Receiving a non-quantitative state related answer from the patient terminal; obtaining a feature value based on the non-quantitative state related answer; and predicting conformance by applying the feature value to the conformance prediction artificial intelligence learning model. Feature values according to the non-quantitative state-related questions, answers and answers are stored in advance in a table, and the conformance prediction artificial intelligence learning model is generated by performing artificial intelligence learning using the conformance and the feature value. It is learned with conformance as an input value and compliance as an output value.
치료적 개입을 환자 단말기로 전송하는 단계 전에, 관리 계획에 따라 생성된 치료적 개입을 예측된 순응도에 의해 수정하는 단계가 추가되는 것이 바람직하다. Before the step of transmitting the therapeutic intervention to the patient terminal, the step of modifying the therapeutic intervention generated according to the management plan according to the predicted compliance is preferably added.
상기 방법은, 정량 데이터를 제1 특징값으로 획득하고, 상기 제1 특징값 및 제2 특징값을 환자 경과 예측 인공지능학습모델에 적용하여 환자의 상태를 예측하는 단계;를 더 포함한다. The method further includes: acquiring quantitative data as a first feature value, and predicting the patient's condition by applying the first feature value and the second feature value to an artificial intelligence learning model for predicting patient progress.
상기 제2 특징값을 획득하는 단계는, 환자 단말기로 비정량 상태 관련 질문을 송신하는 단계; 환자 단말기로부터 비정량 상태 관련 답변을 수신하는 단계; 및 상기 비정량 상태 관련 답변에 기초하여 제2 특징값을 획득하는 단계;를 포함하고, 상기 비정량 상태 관련 질문, 답변 및 답변에 따른 특징값은 테이블로 미리 저장되어 있다. The acquiring of the second characteristic value may include: transmitting a non-quantitative state related question to the patient terminal; Receiving a non-quantitative state related answer from the patient terminal; and obtaining a second feature value based on the non-quantitative state-related answer, wherein feature values according to the non-quantitative state-related question, answer, and answer are pre-stored in a table.
상기 환자 경과 예측 인공지능학습모델은 경과 데이터, 제1 특징값, 제2 특징값을 이용하여 멀티 레벨 기계 학습(Multi-Level Machine Learning)에 의해 생성되되, 입력 데이터 셋은 제1 특징값, 제2 특징값이고, 경과 데이터가 출력 데이터 셋(data set)이다. 경과 데이터는 관리 목표인 수치가 이전 측정값과 비교하여 향상, 동일, 악화되었는지를 기준으로 결정되는 것이다.The patient progress prediction artificial intelligence learning model is generated by multi-level machine learning using progress data, first feature values, and second feature values, and the input data set includes first feature values, first feature values, and second feature values. 2 feature values, and the historical data is an output data set. Progress data is determined based on whether the numerical value, which is the management target, has improved, is the same, or has deteriorated compared to the previous measured value.
상기 임상 정보는 실측된 혈당, 당화혈색소 수치, 혈압, 콜레스테롤 수치 중 하나 이상을 포함하고, 상기 생체 정보는 사용자 단말기에 의해 수집된 실측 생체 수치이고, 상기 운동 정보는 환자 단말기에 의해 획득되는 환자 생활 로그 데이터에 기초하여 생성되는 운동 지수일 수 있다.The clinical information includes at least one of actually measured blood sugar, glycated hemoglobin level, blood pressure, and cholesterol level, the biometric information is an actual biometric value collected by a user terminal, and the exercise information is a patient life acquired by a patient terminal It may be an exercise index generated based on log data.
본 발명의 바람직한 실시예에 의하면, 만성질환 환자에 대한 개별화된 관리를 자동화하고, 관리에 대한 환자 순응도를 높일 수 있다.According to a preferred embodiment of the present invention, it is possible to automate the individualized management of patients with chronic diseases, and to increase patient compliance with the management.
본 발명의 다른 측면에 의하면, 만성질환 환자의 비정량 상태(욕구)를 정량화하고 이를 고려한 순응도 예측 인공지능학습 모델을 훈련하는 방법을 제공한다. According to another aspect of the present invention, there is provided a method for quantifying a non-quantitative state (need) of a chronic disease patient and training an artificial intelligence learning model for predicting compliance in consideration of this.
본 발명은 또한 환자의 비정량 상태를 고려한 만성질환 환자 관리 방법을 제공한다. The present invention also provides a method for managing a chronic disease patient in consideration of the patient's non-quantitative state.
도 1은 본 발명의 만성질환 환자 관리 시스템의 구성을 나타낸 도면이다.
도 2는 본 발명의 만성질환 환자 관리 서버의 구성을 개략적으로 나타낸 블록도이다.
도 3은 본 발명의 환자 관리 서버와 환자 단말기, 의료진 단말기 간의 데이터 흐름을 나타낸 도면이다.
도 4는 제1 특징값과 제2 특징값을 이용한 인공지능학습 모델의 생성 과정 및 인공지능학습모델(Wx)의 학습 데이터들의 관계를 나타낸 개념도이다.
도 5는 제2 특징값(feature value)을 획득하기 위해 미리 설정한 질문, 답변 및 특징값 대응 테이블을 예시적으로 나타낸 것이다.
도 6은 특징값(feature value)을 획득하기 위해 복수의 계층적 질문 및 답변 과정을 통해 욕구 상태를 확인하는 과정을 나타낸 순서도이다.
도 7은 본 발명의 욕구 상태에 기반한 순응도 예측과 그 결과값을 이용한 RNN 모델을 도식적으로 나타낸 것이다.
도 8은 본 발명의 다른 실시예에 따른 제1 특징값과 제2 특징값을 이용한 경과 예측 인공지능학습 모델의 학습 데이터들의 관계를 나타낸 개념도이다.1 is a view showing the configuration of a chronic disease patient management system of the present invention.
2 is a block diagram schematically showing the configuration of a chronic disease patient management server of the present invention.
3 is a diagram illustrating a data flow between a patient management server, a patient terminal, and a medical staff terminal according to the present invention.
4 is a conceptual diagram illustrating a process of generating an artificial intelligence learning model using a first feature value and a second feature value and a relationship between learning data of the artificial intelligence learning model ( Wx) .
FIG. 5 exemplarily illustrates a question, answer, and feature value correspondence table set in advance to obtain a second feature value.
6 is a flowchart illustrating a process of confirming a desire state through a plurality of hierarchical question and answer processes in order to acquire a feature value.
7 schematically shows an RNN model using the prediction of compliance based on the desire state of the present invention and the result.
8 is a conceptual diagram illustrating a relationship between learning data of a progress prediction artificial intelligence learning model using a first feature value and a second feature value according to another embodiment of the present invention.
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.DETAILED DESCRIPTION OF THE PREFERRED EMBODIMENTS Hereinafter, embodiments of the present invention will be described in detail with reference to the accompanying drawings so that those skilled in the art can easily carry out the present invention. However, the present invention may be embodied in several different forms and is not limited to the embodiments described herein. And in order to clearly explain the present invention in the drawings, parts irrelevant to the description are omitted, and similar reference numerals are attached to similar parts throughout the specification.
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 있는 것을 의미한다. Throughout the specification, when a part "includes" a certain component, it means that other components may be further included, rather than excluding other components, unless otherwise stated.
이하에서, 본 발명의 실시예를 첨부된 도면을 참조하여 상세하게 설명한다. 그러나, 본 발명이 실시예들에 의해 제한되거나 한정되는 것은 아니다. Hereinafter, embodiments of the present invention will be described in detail with reference to the accompanying drawings. However, the present invention is not limited or limited by the examples.
도 1은 본 발명의 일실시예에 따른 만성질환 환자 관리 시스템의 개략적 구성을 나타낸 블럭도이다.1 is a block diagram showing a schematic configuration of a chronic disease patient management system according to an embodiment of the present invention.
도 1에 의하면, 만성질환 환자 관리 시스템은 환자 관리 서버(150)와 환자가 소지하는 환자 단말기(110)를 포함한다. 환자 관리 시스템은 추가로 의료진 장치(120) 및/또는 제3자 장치(140)을 더 포함할 수 있다. 본 발명의 환자 관리 시스템의 각종 단말기와 서버들은 통신 네트워크에 의해 유무선통신이 가능하다. Referring to FIG. 1 , the chronic disease patient management system includes a
환자 관리 서버(150)는 프로세서와 메모리, 통신모듈을 포함하는 단일 정보처리장치일 수 있으나, 이에 한정되지 않고 다수 정보처리장치가 통신 네트워크에 의해 연결된 시스템일 수도 있다. 또한, 환자 관리 서버(150)는 관리자가 단말로 접속하는 클라우드 시스템일 수 있다. The
환자 관리 서버(150)는 만성질환 환자가 소지하는 환자 단말기로부터 환자 정보를 수집하고, 치료적 개입을 포함한 각종 정보를 환자 단말로 제공하고 환자 장치로부터 응답 또는 반응 데이터를 수집하여 처리함으로써 환자의 자가 관리를 돕는다. 추가로, 의료진 장치(120) 및/또는 제3자 장치(140)로부터 처방 정보 또는 각종 의료 정보, 환경 정보를 수집하고 이를 처리한다. 제3자 장치(140)는 예를 들어 EMR(electronic medical record)을 제공할 수 있다. The
환자 단말기(110)는 건강 정보를 체크하는 앱이나 위치정보, 운동정보 또는 바이오 정보를 감지하는 센서가 추가된 단말기(예를 들면, 스마트폰, 스마트 워치 등)일 수 있다. 환자 단말기(110)는 예를 들어, 스마트 밴드와 같이 사용자의 신체에 착용되어 다양한 혈압, 심박수 등 환자의 생체 정보를 감지할 수도 있고, 무선 통신에 의해 환자 정보를 환자 관리 서버(150)로 제공하고 환자 관리 서버로부터 각종 정보를 수신할 수 있다. The
도 2에 의하면, 환자 관리 서버(150)는 통신부(151), 환자 데이터베이스(152), 관리계획부(153), 치료개입부(155), 순응도관리부(156), 비정량 데이터 관리부(157), 입출력 인터페이스(158), 신경망 모델링부(159) 및 제어부(154)를 포함한다. Referring to FIG. 2 , the
상기 통신부(151)는 통신 네트워트를 통해 환자 단말기(110), 의료진 단말기(120) 및/또는 제3자 장치(140)와 유선 또는 무선 통신을 할 수 있다.The communication unit 151 may perform wired or wireless communication with the
상기 제어부(154)는 환자 단말기를 포함한 외부 장치로 각종 데이터를 수집하고 서버에서 각종 데이터 처리를 제어하고 처리된 데이터를 외부 장치로 제공한다. 각각의 구성요소들은 소프트웨어, 하드웨어 또는 소프트웨어 및 하드웨어가 결합된 형태로 구성될 수 있다. 이하 구성요소 별로 구체적으로 기술하도록 한다. 하드웨어는 메모리, 프로세서 등을 포함한다. The control unit 154 collects various data from an external device including a patient terminal, controls various data processing in the server, and provides the processed data to an external device. Each component may be configured in a form in which software, hardware, or software and hardware are combined. Hereinafter, each component will be described in detail. Hardware includes memory, processors, and the like.
상기 환자 데이터베이스부(152)는 환자 정보가 저장된 환자 데이터베이스를 포함하고, 만성질환 환자의 임상정보, 처방 정보, 생체 정보, 운동 정보, 관리 목표, 관리 항목 등을 환자 단말기, 의료진 단말기 등의 외부 장치로부터 수신하여 관리 저장한다. The patient database unit 152 includes a patient database in which patient information is stored, and provides clinical information, prescription information, biometric information, exercise information, management goals, and management items of chronic disease patients to external devices such as patient terminals and medical staff terminals. Received from and managed and stored.
처방 정보는 처방 의약품 정보와 복약 지도 정보를 포함하고, 상기 생체 정보는 혈당, 혈압, 심박수, 생리주기, 콜레스테롤 수치 등이고, 상기 운동 정보는 환자 단말기에 의해 획득되는 환자 생활 로그 데이터에 기초하여 생성된다. 환자 단말기(110)는 혈당 수치, 혈압, 심박수, 체중, 맥박, 심전도 등의 다양한 생체 정보를 감지할 수 있으며, 사용자의 위치기반서비스에 대한 동의가 있는 경우, 사용자의 움직임을 감지하여 사용자의 운동량, 수면시간, 이동거리 등을 포함하는 생활 정보를 생성할 수 있다.The prescription information includes prescription drug information and medication guidance information, the biometric information is blood sugar, blood pressure, heart rate, menstrual cycle, cholesterol level, etc., and the exercise information is generated based on patient life log data acquired by the patient terminal . The
도 2, 3을 참조하면, 관리계획부(153)는 상기 데이터베이스부(152)에 저장된 만성질환 환자의 임상 정보, 운동 정보, 생체 정보, 관리 목표, 관리 항목 등의 정량 데이터를 기초로 정해진 알고리즘에 의해 관리계획을 생성한다. 제어부는 의료진 단말기로 생성된 관리 계획의 승인 요청의 쿼리(query)를 전송한다. 의료진은 의료진 단말기를 통해 특정 만성질환 환자 관리 계획을 승인하고, 승인 여부는 환자 관리 서버로 전송된다. 환자 관리 계획은 관리 목표(예를 들어 혈압 120/80mmHg 또는 당화혈색소 수치 6.5)를 달성하기 위해 복약, 식이, 운동, 수면 등의 관리 항목을 환자별로 스케쥴링한 것이다. 관리 계획에 대해 승인을 수신하면, 환자관리서버에 의한 치료적 개입을 포함한 자동 관리가 시작된다. 승인 입력은 단말기 인터페이스에 제공되는 승인 입력 방식에 의하고, 버튼 터치, 음성 입력 등 다양한 방식으로 이루어질 수 있다. 2 and 3, the management planning unit 153 is an algorithm determined based on quantitative data such as clinical information, exercise information, biometric information, management goals, management items, etc. of the chronic disease patient stored in the database unit 152. Create a management plan by The control unit transmits a query of a request for approval of the management plan generated to the medical staff terminal. The medical staff approves the specific chronic disease patient management plan through the medical staff terminal, and the approval is transmitted to the patient management server. A patient management plan is a schedule of management items such as medication, diet, exercise, and sleep for each patient in order to achieve a management goal (eg, blood pressure of 120/80 mmHg or glycated hemoglobin level of 6.5). Upon receipt of approval for the management plan, automatic management including therapeutic intervention by the patient management server is initiated. The approval input may be performed in various ways, such as a button touch or voice input, according to an approval input method provided on the terminal interface.
이 환자 관리 계획에 따라 치료 개입부(155)는 환자의 복약, 운동, 식이, 수면 등의 관리 항목에 관한 치료적 개입 정보를 생성하고 치료적 개입 메시지를 환자 단말기로 전송한다. According to the patient management plan, the treatment intervention unit 155 generates therapeutic intervention information on management items such as medication, exercise, diet, and sleep of the patient and transmits a therapeutic intervention message to the patient terminal.
대안적으로, 치료 개입부는 환자 단말기에 저장된 어플리케이션 프로그램의 형태로 구현될 수도 있다. 즉, 별도의 서버에서 생성된 치료적 개입 프로그램이 당뇨 환자 관리용 어플리케이션 프로그램과 연동되거나 그 일부로 포함될 수 있다. Alternatively, the treatment intervention unit may be implemented in the form of an application program stored in the patient terminal. That is, the therapeutic intervention program generated in a separate server may be linked with or included as a part of the diabetic patient management application program.
치료적 개입은 시간에 맞춘 복약 지도, 운동 권유, 식이 조절 요청, 위험 경고 등을 포함하고, 환자 단말의 사용자 인터페이스를 통해 제공될 수 있다. 구체적으로 환자 단말기의 사용자 인터페이스를 통해 문자, SNS 메시지, 음성 메시지, 푸쉬 메시지, 어플리케이션 프로그램의 알람 메시지 등의 형태로 제공될 수 있다. 치료적 개입 중 복약 지도를 일 예로서 설명하면, 아침 식후 의약품 1을 복용하는 치료적 개입 정보를 이용하여 아침 8시에 의약품 1을 복용하라는 복약 지도 메시지 또는 복약 알림 메시지를 출력하도록 하라는 요청을 환자 단말기로 전송할 수 있다.The therapeutic intervention may include timed medication guidance, exercise recommendation, dietary adjustment request, risk warning, and the like, and may be provided through a user interface of the patient terminal. Specifically, it may be provided in the form of a text message, an SNS message, a voice message, a push message, or an alarm message of an application program through the user interface of the patient terminal. Taking medication guidance during therapeutic intervention as an example, the patient receives a request to print a medication instruction message or a medication reminder message to take
치료개입부는 환자 관리 계획에 기초하여 치료적 개입 정보를 생성하고, 제어부는 상기 치료적 개입 정보를 통신부가 환자 단말기로 전송하도록 제어한다. 순응도관리부는 상기 환자 단말기로 제공된 치료적 개입 정보에 대한 응답에 기초하여 치료적 개입에 대한 순응도를 산정한다. The treatment intervention unit generates therapeutic intervention information based on the patient management plan, and the controller controls the communication unit to transmit the therapeutic intervention information to the patient terminal. The compliance management unit calculates compliance with the therapeutic intervention based on the response to the therapeutic intervention information provided to the patient terminal.
상기 순응도는 상기 환자 단말기의 사용자 인터페이스를 통해 제공되는 치료적 개입에 대한 확인 여부, 응답 여부, 응답 시간 중 하나 이상에 기초하여 산정된다. The degree of compliance is calculated based on at least one of confirmation, response, and response time for the therapeutic intervention provided through the user interface of the patient terminal.
한편, 비정량 데이터 관리부(157)는 환자의 사회적 정서적 욕구, 고립감, 사회적 관계, 스트레스, 정서적 안정감, 컨디션 등의 상태를 정량화하는 작업을 수행한다. 환자의 사회적 정서적 욕구, 고립감, 사회적 관계, 스트레스, 정서적 안정감, 컨디션 등의 상태(이하, ‘욕구 상태’라 함)는 상기 만성질환 환자가 환자 관리 계획에 따른 치료적 개입에 대한 순응도에 영향을 미칠 수 있다. 그러나, 환자의 욕구 상태는 수치화되기 어렵고 순응도와의 상관 관계도 또한 정량적으로 수립하기 어려운 문제가 있었다.Meanwhile, the non-quantitative data management unit 157 performs a task of quantifying the patient's social and emotional needs, feelings of isolation, social relationships, stress, emotional stability, condition, and the like. The patient's social and emotional needs, feelings of isolation, social relationships, stress, emotional stability, and physical condition (hereinafter referred to as the 'need state') affect the patient's adherence to therapeutic intervention according to the patient management plan. can go crazy However, there is a problem in that it is difficult to quantify the patient's desire state and to establish a correlation with compliance in a quantitative way.
본 발명자는 이러한 문제를 해결하기 위해 비정량 데이터를 미리 정해진 특성값 테이블을 이용하여 정량화하되, 테이블은 질문과 라벨링된 답변을 포함하고, 이를 순응도를 예측하는 인공지능학습 모델의 학습용 데이터로 사용한다. 다수 환자의 반복된 정량화된 데이터를 이용한 지도 학습의 결과는 순응도와 욕구 상태의 유의미한 관련성을 도출할 수 있다. In order to solve this problem, the present inventor quantifies non-quantitative data using a predetermined characteristic value table, but the table includes a question and a labeled answer, and uses it as training data for an artificial intelligence learning model that predicts compliance. . The results of supervised learning using repeated quantified data of multiple patients can derive a significant correlation between compliance and desire status.
비정량 데이터 관리부(157)에는 미리 정해진 욕구 상태 관련 질문, 답변 및 이에 매칭되는 특징값을 포함하는 테이블이 저장된다. 비정량 데이터 관리부(157)은 상기 특징값 테이블의 욕구 상태 관련 질문을 환자 단말기로 전송하여 사용자 인터페이스로 표시한다. 환자는 이 질문에 대한 답변을 사용자 인터페이스로 입력하고 환자 단말기는 이 답변을 환자 관리 서버로 전송한다. 비정량 데이터 관리부(157)는 수신한 답변에 매칭된 특징값을 신경망모델링부(159)로 전달하여 인공지능학습 데이터로 이용되게 한다. The non-quantitative data management unit 157 stores a table including a predetermined request state related question and answer, and feature values matching the same. The non-quantitative data management unit 157 transmits the question related to the desired state of the feature value table to the patient terminal and displays it on the user interface. The patient inputs an answer to this question into the user interface, and the patient terminal transmits the answer to the patient management server. The non-quantitative data management unit 157 transmits the feature value matched to the received answer to the neural network modeling unit 159 to be used as artificial intelligence learning data.
대안적으로, 비정량 데이터 관리부(157)는 환자 단말기에 저장된 어플리케이션 프로그램의 형태로 구현될 수도 있다. 이 경우 환자 단말기로부터 특징값이 관리 서버로 전송될 수 있다.Alternatively, the non-quantitative data management unit 157 may be implemented in the form of an application program stored in the patient terminal. In this case, the feature value may be transmitted from the patient terminal to the management server.
도 5는 비정량 데이터 관리부(157)에 저장된 상기 특징값 테이블의 일 예시이다. 도 5를 참조하면, 식사를 혼자 하나요? 라는 질문을 환자 단말기로 전송하고, 환자가 ‘예’ 라는 답변을 단말기로 입력하면 이 답변이 서버로 전송된다. 전송된 답변은 특징값 F23=0으로 되어 인공지능학습을 위해 이용된다. 5 is an example of the feature value table stored in the non-quantitative data management unit 157 . Referring to Figure 5, do you eat alone? question is sent to the patient terminal, and when the patient inputs the answer 'yes' to the terminal, this answer is transmitted to the server. The transmitted answer becomes the feature value F23 = 0 and is used for artificial intelligence learning.
본 발명의 다른 실시예에 의하면, 특성값 확인을 위한 질문은 다층 질문 및 답변들로 구성될 수 있다(도 6 참조). 도 6을 참조하면, 하나의 특성값을 도출하기 위한 질문은 서로 시간 차를 두고 환자 단말기로 제공되는 기초 질의, 심화질의 및 확정 질의를 포함할 수 있다. 이러한 다층 질의는 환자가 인식하지 못하거나 직접적으로 공개하지 않는 숨겨진 욕구를 발굴하여 보다 정확한 욕구 상태를 확인하고 이를 정량화하기 위한 것이다. 도 6에 의하면, 기초질의 1 ‘식사는 누구와 하나요?’는 10월 1일에 환자 단말기로 제공되고 답변이 ‘혼자’인 경우에 심화 질의가 10월 2일에 제공된다. 심화 질의 ‘오늘도 혼자 식사를 했나요?’에 대한 답변이 yes인 경우 추후 확정 질의 ‘식사를 같이 하고 싶은 분이 있나요?’를 제공한다. 이에 대한 답변이 yes인 경우 사회성 욕구의 존재가 있는 것으로 보아 F24=0의 특징값을 획득한다. According to another embodiment of the present invention, a question for identifying a characteristic value may be composed of multi-layered questions and answers (see FIG. 6 ). Referring to FIG. 6 , the question for deriving one characteristic value may include a basic query, an in-depth query, and a definitive query provided to the patient terminal with a time difference from each other. This multi-layered query is to identify and quantify a more accurate desire state by discovering hidden desires that the patient is not aware of or does not directly disclose. Referring to FIG. 6 , basic query 1 'who do you eat with?' is provided to the patient terminal on October 1, and in case the answer is 'alone', an in-depth query is provided on October 2nd. If the answer to the in-depth question 'Did you eat alone today?' is yes, the final question 'Does anyone want to eat with you?' is provided. If the answer to this is yes, it is assumed that social needs exist and a feature value of F24=0 is obtained.
도 4에 의하면, 신경망모델링부(159)에서는 비정량 데이터관리부(157)가 획득한 욕구 상태를 정량화한 제2 특징값(F21, F22, F23, F24, ....)을 학습 데이터로 이용한다. According to FIG. 4 , the neural network modeling unit 159 uses the second feature values (F21, F22, F23, F24, ...) obtained by quantifying the desire state acquired by the non-quantitative data management unit 157 as learning data. .
한편, 순응도관리부(156)가 산정한 치료적 개입에 대한 순응도는 상기 제2 특징값과 함께 신경망모델링부(159)에 제공되어 순응도 예측 인공지능학습모델의 지도 학습을 위해 이용된다. On the other hand, the degree of compliance with the therapeutic intervention calculated by the compliance management unit 156 is provided to the neural network modeling unit 159 together with the second feature value and used for supervised learning of the compliance prediction AI learning model.
도 4에 의하면, 서버는 환자 단말기, 의료진 단말기 등의 외부장치로부터 수집된 정량 데이터 및 욕구 데이터로부터 제1 및 제2 특징값을 획득한다. 신경망모델링부(159)는 순응도, 제2 특징값을 이용하여 욕구 가중치 WE(x,y)를 얻을 수 있다. 따라서, 욕구 데이터를 순응도 예측 인공지능학습모델에 적용하여 예측 순응도를 얻을 수 있다. 이렇게 예측된 순응도를 기초로 치료개입부는 치료적 개입을 결정할 수 있다. 즉, 목표 수치 및 정량 데이터에 따른 치료적 개입을 생성하였으나, 예측된 순응도가 낮을 경우 순응도가 높아지는 방향으로 치료적 개입을 수정하여 환자 단말기로 제공할 수 있다. Referring to FIG. 4 , the server acquires first and second characteristic values from quantitative data and desire data collected from external devices such as a patient terminal and a medical staff terminal. The neural network modeling unit 159 may obtain the desire weight W E (x,y) by using the degree of compliance and the second feature value. Therefore, it is possible to obtain predictive compliance by applying the desire data to the conformance prediction artificial intelligence learning model. Based on this predicted compliance, the interventional unit may determine a therapeutic intervention. That is, although the therapeutic intervention is generated according to the target numerical value and quantitative data, when the predicted compliance is low, the therapeutic intervention may be modified in a direction to increase the compliance and provided to the patient terminal.
도 7에 의하면, 욕구 상태(제2 데이터)를 이용하여 RNN(Recurrent Neural Network) 알고리즘에 의한 학습이 이루어진다. 즉, 욕구 상태를 이용하여 순응도를 예측하고, 실재 산정된 순응도를 다시 욕구 상태와 함께 인공지능학습에 이용하는 과정을 시간 경과에 따라 순환반복함으로써 욕구 상태에 따른 순응도 예측 인공지능학습모델이 생성된다. Referring to FIG. 7 , learning by a Recurrent Neural Network (RNN) algorithm is performed using a desire state (second data). That is, by using the desire state to predict the degree of compliance, and repeating the process of using the actually calculated degree of compliance again together with the desire state for artificial intelligence learning over time, an artificial intelligence learning model for predicting compliance according to the desire state is created.
한편, 본 발명의 다른 실시예에 의하면, 환자 데이터베이스(152)에 의해 구축된 정량 데이터인 제1 특징값(F11, F12, F13, F14, ...)과, 제2 특징값, 및 환자의 경과 데이터(시간 경과에 따른 관리 목표의 향상, 동일, 악화)를 이용하여 환자 경과 예측을 위한 인공지능학습모델을 생성할 수 있다.On the other hand, according to another embodiment of the present invention, the first feature values (F11, F12, F13, F14, ...) that are quantitative data constructed by the patient database 152, the second feature value, and the patient's An artificial intelligence learning model for predicting patient progress can be created using progress data (improvement, the same, or worsening of management goals over time).
예를 들어, 고혈압 환자의 관리 목표인 혈압 수치는 주기적으로 측정되고 이를 기준으로 환자 관리가 이루어진다. 관리 목표인 혈압 수치가 이전회 측정값 보다 향상, 동일, 악화되었는지를 기준으로 경과 데이터 값을 결정할 수 있다. 이 경과 데이터, 제1 특징값, 제2 특징값을 이용하여 환자 경과 예측을 위한 인공지능학습 모델의 학습을 할 수 있다. 상기 학습을 위한 데이터 셋은 입력 데이터 셋과 출력 데이터 셋을 포함하고, 입력 데이터 셋은 제1 특징값, 제2 특징값이고, 경과 데이터가 출력 데이터 셋(data set)이다. 이때, 경과 데이터는 순응도와 관련성이 있을 것이고, 순응도는 욕구 상태와 관련된 것이므로, 다층 레이어에 의한 인공지능학습 알고리즘을 학습할 수 있다. For example, a blood pressure level, which is a management goal for a hypertensive patient, is periodically measured and patient management is performed based on this. The progress data value can be determined based on whether the blood pressure level, which is the management goal, has improved, is the same, or has deteriorated compared to the previous measurement value. Using the progress data, the first feature value, and the second feature value, it is possible to learn an artificial intelligence learning model for predicting the patient's progress. The data set for learning includes an input data set and an output data set, the input data set is a first feature value and a second feature value, and the elapsed data is an output data set. At this time, the progress data will be related to the degree of compliance, and since the degree of compliance is related to the desire state, it is possible to learn the artificial intelligence learning algorithm by the multi-layered layer.
위 데이터들을 멀티 레벨 기계 학습(Multi-Level Machine Learning)에 적용하여 학습 결과, 욕구가중치 WE(X,Y), 순응도가중치 WC(X,Y)를 얻을 수 있다. By applying the above data to multi-level machine learning, learning results, desire weights W E(X,Y), compliance weights We can get W C(X,Y) .
신경망모델링부는 환자 관리 서버(150)에 포함되는 것이 바람직하지만, 이에 한정되지 않고 별도의 하드웨어 및 소프트웨어로 구현될 수도 있다. The neural network modeling unit is preferably included in the
환자 관리 서버는 환자 관리 방법을 실행하고, 이 방법은 일련의 명령어들을 포함하는 프로그램으로 구현될 수 있다. The patient management server executes a patient management method, which may be implemented as a program including a series of instructions.
환자 관리 방법은 환자 장치로부터 질문에 대한 답변을 수신하는 단계; 상기 답변에 대응되는 특성값을 인공지능학습 모델에 적용하여 순응도를 예측하는 단계; 및 상기 예측된 순응도에 기초하여 치료적 개입을 제공하는 단계;를 포함한다. A patient management method may include receiving an answer to a question from a patient device; predicting compliance by applying a characteristic value corresponding to the answer to an artificial intelligence learning model; and providing a therapeutic intervention based on the predicted compliance.
이와 같은 구성에 의하여 본 발명이 제한되지는 아니하며, 어떠한 형태로 구성되더라도 본 발명의 구성요소를 이용하여 당화혈색소 수치를 추정할 수 있는 효과를 얻을 수 있도록 구성되는 것이라면 본 발명의 권리범위에 속한다.The present invention is not limited by such a configuration, and no matter what type of configuration it is, if it is configured to obtain the effect of estimating the glycated hemoglobin level using the elements of the present invention, it falls within the scope of the present invention.
150: 환자 관리 서버150: patient management server
Claims (8)
환자 단말기로부터 환자의 비정량 상태 정보를 수집하고 이에 기반하여 인공지능학습을 위한 특징값을 획득하는 단계;
환자 단말기에 입력되는 치료적 개입에 대한 응답에 기초하여 순응도를 산출하는 단계; 및
상기 특징값과 상기 순응도를 학습 데이터로 이용하여 인공지능학습 모델의 학습을 수행하여 순응도 예측 인공지능학습 모델을 생성하는 단계;를 포함하고,
상기 특징값은, 환자 단말기의 사용자 인터페이스를 통해 제공되는 비정량 상태 관련 질문에 대하여 상기 사용자 인터페이스를 통해 입력되는 답변에 매칭되는 값으로 획득되고,
상기 비정량 상태 관련 질문은 환자의 욕구나 기분에 대한 질문이고,
상기 비정량 상태 관련 질문, 답변 및 매칭되는 특징값은 테이블로 상기 정보처리장치에 미리 저장되어 있고,
상기 순응도는, 환자 관리 계획에 따라 생성되어 환자 단말기의 사용자 인터페이스를 통해 제공되는 치료적 개입에 대한 응답에 기초하여 산출되며,
상기 환자 관리 계획은 수집된 환자의 정량 데이터를 기초로 정해진 알고리즘에 의해 생성되는 것을 특징으로 하는 순응도 예측 인공지능학습 모델의 학습 방법.
As a learning method of an artificial intelligence learning model for predicting compliance executed by an information processing device including a processor, a memory and a communication module,
collecting non-quantitative state information of a patient from a patient terminal and obtaining a feature value for artificial intelligence learning based thereon;
calculating a degree of compliance based on a response to the therapeutic intervention input to the patient terminal; and
Including; performing learning of the artificial intelligence learning model using the feature value and the degree of compliance as learning data to generate an artificial intelligence learning model predicting compliance;
The feature value is obtained as a value matching an answer input through the user interface to a non-quantitative state related question provided through a user interface of the patient terminal,
The non-quantitative state-related question is a question about the patient's desire or mood,
The non-quantitative state related questions, answers, and matching feature values are stored in advance in the information processing device as a table,
The adherence is calculated based on a response to a therapeutic intervention generated according to a patient management plan and provided through a user interface of the patient terminal,
The patient management plan is a learning method of an artificial intelligence learning model for predicting compliance, characterized in that it is generated by a predetermined algorithm based on the collected quantitative data of the patient.
상기 치료적 개입은 처방 의약품의 복약 알림 메시지, 운동 권유 메시지, 흡연 금지 메시지 중 하나 이상을 포함하고,
상기 정량 데이터는 환자 단말기로부터 수집되는 센싱 데이터와, 임상 데이터 중 하나 이상을 포함하고,
상기 순응도를 산출하는 단계는,
상기 환자 관리 계획에 따른 치료적 개입을 생성하는 단계;
치료적 개입을 환자 단말기로 전송하는 단계;
상기 치료적 개입이 환자 단말기의 사용자 인터페이스를 통해 제공되는 단계;
상기 치료적 개입에 대한 응답을 환자 단말기로부터 수신하는 단계; 및
상기 응답에 기초하여 순응도를 산출하는 단계;를 포함하는 것을 특징으로 하는 순응도 예측 인공지능학습 모델의 학습 방법.
According to claim 1,
The therapeutic intervention includes at least one of a prescription drug medication reminder message, an exercise recommendation message, and a smoking ban message,
The quantitative data includes at least one of sensing data collected from a patient terminal and clinical data,
The step of calculating the compliance is,
generating a therapeutic intervention according to the patient care plan;
transmitting the therapeutic intervention to the patient terminal;
providing the therapeutic intervention through a user interface of the patient terminal;
receiving a response to the therapeutic intervention from a patient terminal; and
Calculating a degree of compliance based on the response; a learning method of an AI learning model predicting compliance, comprising: a.
외부 장치로부터 정량 데이터 및 관리 목표를 수집하는 단계;
수집된 정량 데이터와 관리 목표에 기초하여 환자 관리 계획을 생성하는 단계;
환자 관리 계획에 따른 치료적 개입을 생성하는 단계;
생성된 치료적 개입을 예측된 순응도에 의해 수정하는 단계: 및
수정된 치료적 개입을 환자 단말기로 전송하는 단계;를 포함하고,
상기 순응도의 예측은,
환자 단말기로 비정량 상태 관련 질문을 송신하는 단계;
환자 단말기로부터 비정량 상태 관련 답변을 수신하는 단계;
상기 비정량 상태 관련 답변에 기초하여 특징값을 획득하는 단계; 및
상기 특징값을 청구항 제1항의 방법에 의해 생성된 순응도 예측 인공지능학습 모델에 적용하여 순응도를 예측하는 단계;에 의해 이루어지고,
상기 정량 데이터는 만성질환 환자의 임상 정보, 생체 정보, 운동 정보 중 하나 이상을 포함하며,
상기 비정량 상태 관련 질문, 답변 및 답변에 따른 특징값은 테이블로 미리 저장되어 있는 것을 특징으로 하는 만성질환 환자 관리 방법.
As a chronic disease patient management method executed by an information processing device including a processor, a memory and a communication module,
collecting quantitative data and management goals from external devices;
generating a patient management plan based on the collected quantitative data and management goals;
generating a therapeutic intervention according to the patient management plan;
modifying the resulting therapeutic intervention by the predicted compliance: and
transmitting the modified therapeutic intervention to the patient terminal;
The prediction of compliance is:
sending a non-quantitative condition related question to the patient terminal;
Receiving a non-quantitative state related answer from the patient terminal;
obtaining a feature value based on the non-quantitative state related answer; and
The step of predicting compliance by applying the feature value to the compliance prediction artificial intelligence learning model generated by the method of claim 1;
The quantitative data includes one or more of clinical information, biometric information, and exercise information of a chronic disease patient,
The chronic disease patient management method, characterized in that the characteristic values according to the non-quantitative state related questions, answers, and answers are stored in advance in a table.
생성된 환자 관리 계획에 대한 승인을 의료진 단말기로 요청하는 단계; 및
의료진 단말기로부터 환자 관리 계획 승인을 수신하고 관리 계획을 확정하는 단계;를 더 포함하는 것을 특징으로 하는 만성질환 환자 관리 방법.
5. The method of claim 4,
requesting approval for the created patient management plan to the medical staff terminal; and
Receiving approval of the patient management plan from the medical staff terminal and confirming the management plan; Chronic disease patient management method further comprising a.
외부 장치로부터 환자의 정량 데이터 및 관리 목표를 수집하는 단계;
정량 데이터를 제1 특징값으로 획득하는 단계;
관리 목표인 수치를 이전 측정값과 비교하여 향상, 동일, 악화되었는지를 기준으로 경과 데이터를 결정하는 단계;
제2 특징값을 획득하는 단계; 및
경과 데이터, 제1 특징값 및 제2 특징값을 학습 데이터로 이용하여 멀티 레벨 기계 학습(Multi-Level Machine Learning)을 수행하여 환자 경과 예측 인공지능학습모델을 생성하는 단계;를 포함하고,
상기 학습 데이터의 입력 데이터 셋은 제1 특징값, 제2 특징값이고, 출력 데이터 셋(data set)은 경과 데이터이고,
상기 제2 특징값은, 환자 단말기의 사용자 인터페이스를 통해 제공되는 비정량 상태 관련 질문에 대하여 상기 사용자 인터페이스를 통해 입력되는 답변에 매칭되는 값으로 획득되고,
상기 비정량 상태 관련 질문은 환자의 욕구나 기분에 대한 질문이고,
상기 비정량 상태 관련 질문, 답변 및 매칭되는 특징값은 테이블로 상기 정보처리장치에 미리 저장되어 있는 것을 특징으로 하는 환자 경과 예측 인공지능학습모델의 학습 방법.
As a learning method of a patient progress prediction artificial intelligence learning model executed by an information processing device including a processor, a memory and a communication module,
collecting quantitative data and management goals of the patient from an external device;
acquiring quantitative data as a first feature value;
determining progress data based on whether the numerical value, which is a management goal, is improved, the same, or deteriorated by comparing the numerical value with the previous measurement value;
obtaining a second feature value; and
Including; performing multi-level machine learning using progress data, first feature values, and second feature values as learning data to generate an artificial intelligence learning model for predicting patient progress;
The input data set of the training data is a first feature value and a second feature value, and the output data set is the elapsed data,
The second characteristic value is obtained as a value matching an answer input through the user interface to a non-quantitative state related question provided through a user interface of the patient terminal;
The non-quantitative state-related question is a question about the patient's desire or mood,
The non-quantitative state-related questions, answers, and matching feature values are pre-stored in the information processing device as a table.
상기 제2 특징값을 획득하는 단계는,
환자 단말기로 비정량 상태 관련 질문을 송신하는 단계;
환자 단말기로부터 비정량 상태 관련 답변을 수신하는 단계; 및
상기 비정량 상태 관련 답변에 기초하여 제2 특징값을 획득하는 단계;를 포함하는 것을 특징으로 하는 환자 경과 예측 인공지능학습모델의 학습 방법.
7. The method of claim 6,
The step of obtaining the second feature value includes:
sending a non-quantitative condition related question to the patient terminal;
Receiving a non-quantitative state related answer from the patient terminal; and
Acquiring a second feature value based on the non-quantitative state-related answer; A learning method of an artificial intelligence learning model for predicting patient progress, comprising: a.
A computer program stored in a computer-readable recording medium, comprising instructions for executing the chronic disease patient management method according to claim 4 by a computer.
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020210139391A KR102462574B1 (en) | 2021-10-19 | 2021-10-19 | Ai model learning method and system for predicting chronic disease patient’s trreat compliance and status |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020210139391A KR102462574B1 (en) | 2021-10-19 | 2021-10-19 | Ai model learning method and system for predicting chronic disease patient’s trreat compliance and status |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| KR102462574B1 true KR102462574B1 (en) | 2022-11-03 |
Family
ID=84040898
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020210139391A KR102462574B1 (en) | 2021-10-19 | 2021-10-19 | Ai model learning method and system for predicting chronic disease patient’s trreat compliance and status |
Country Status (1)
| Country | Link |
|---|---|
| KR (1) | KR102462574B1 (en) |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2009533729A (en) * | 2006-04-07 | 2009-09-17 | コーニンクレッカ フィリップス エレクトロニクス エヌ ヴィ | Self-adaptive health management plan goal module |
| KR20110088233A (en) * | 2010-01-28 | 2011-08-03 | 삼성전자주식회사 | Remote health care method and remote health care system employing the same |
| KR20180126911A (en) * | 2017-05-19 | 2018-11-28 | (주)오상헬스케어 | Method and apparatus for mananing health |
-
2021
- 2021-10-19 KR KR1020210139391A patent/KR102462574B1/en active IP Right Grant
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2009533729A (en) * | 2006-04-07 | 2009-09-17 | コーニンクレッカ フィリップス エレクトロニクス エヌ ヴィ | Self-adaptive health management plan goal module |
| KR20110088233A (en) * | 2010-01-28 | 2011-08-03 | 삼성전자주식회사 | Remote health care method and remote health care system employing the same |
| KR20180126911A (en) * | 2017-05-19 | 2018-11-28 | (주)오상헬스케어 | Method and apparatus for mananing health |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| JP6466422B2 (en) | Medical support system and method | |
| US9370689B2 (en) | System and methods for providing dynamic integrated wellness assessment | |
| US20070106129A1 (en) | Dietary monitoring system for comprehensive patient management | |
| US20080319272A1 (en) | System and method for remotely evaluating patient compliance status | |
| CN105190666A (en) | Systems and methods for facilitating integrated behavioral support | |
| KR102400740B1 (en) | System for monitoring health condition of user and analysis method thereof | |
| CN109659017A (en) | A kind of intelligent medical treatment system predicted, distribute physician visits amount | |
| CN105279362A (en) | Personal health monitoring system | |
| CN108198594A (en) | Electronic health record management method and system | |
| CN107106029A (en) | System from Health ＆ Fitness Tip to person under inspection, equipment, method and computer program for providing | |
| Kario et al. | State-of-the-art rapid review of the current landscape of digital hypertension | |
| US20210193324A1 (en) | Evaluating patient risk using an adjustable weighting parameter | |
| KR101555541B1 (en) | Method for producing wellbeing life care index model in Ubiquitous environment | |
| KR102462574B1 (en) | Ai model learning method and system for predicting chronic disease patient’s trreat compliance and status | |
| US20200075160A1 (en) | Systems and methods for seva: senior's virtual assistant | |
| CN115547483A (en) | Remote monitoring method and system for monitoring patients suffering from chronic inflammatory diseases | |
| CN114388089A (en) | Personal health management method and system based on artificial intelligence | |
| US20180174669A1 (en) | Method, computer program product, and system for exchanging health data | |
| WO2021247557A1 (en) | Artificial intelligence and/or machine learning based systems, devices, and methods for designing patient prescriptions | |
| KR102382659B1 (en) | Method and system for training artificial intelligence model for estimation of glycolytic hemoglobin levels | |
| US20140188507A1 (en) | Lifestyle progression models for use in preventative care | |
| TWI788696B (en) | A system that introduces personal diagnosis and treatment, health management information and health promotion to optimize the allocation of health care resources | |
| Manarvi et al. | Investigating Information Needs of Saudi Diabetic Patients | |
| US20230238145A1 (en) | Health score and predictive analysis | |
| US20230307126A1 (en) | Computation of a quality of life metric |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| GRNT | Written decision to grant |