KR102469681B1 - 인공지능 기반의 수면마취 안전도 예측 장치 및 방법 - Google Patents

인공지능 기반의 수면마취 안전도 예측 장치 및 방법 Download PDF

Info

Publication number
KR102469681B1
KR102469681B1 KR1020200121444A KR20200121444A KR102469681B1 KR 102469681 B1 KR102469681 B1 KR 102469681B1 KR 1020200121444 A KR1020200121444 A KR 1020200121444A KR 20200121444 A KR20200121444 A KR 20200121444A KR 102469681 B1 KR102469681 B1 KR 102469681B1
Authority
KR
South Korea
Prior art keywords
occurrence
patient
sleep anesthesia
anesthesia
safety
Prior art date
Application number
KR1020200121444A
Other languages
English (en)
Other versions
KR20220038968A (ko
Inventor
김남철
Original Assignee
주식회사 삼육오엠씨네트웍스
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 주식회사 삼육오엠씨네트웍스 filed Critical 주식회사 삼육오엠씨네트웍스
Priority to KR1020200121444A priority Critical patent/KR102469681B1/ko
Publication of KR20220038968A publication Critical patent/KR20220038968A/ko
Application granted granted Critical
Publication of KR102469681B1 publication Critical patent/KR102469681B1/ko

Links

Images

Classifications

    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/70—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for mining of medical data, e.g. analysing previous cases of other patients
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/48—Other medical applications
    • A61B5/4848—Monitoring or testing the effects of treatment, e.g. of medication
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
    • A61B5/7271—Specific aspects of physiological measurement analysis
    • A61B5/7275—Determining trends in physiological measurement data; Predicting development of a medical condition based on physiological measurements, e.g. determining a risk factor
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H10/00—ICT specially adapted for the handling or processing of patient-related medical or healthcare data
    • G16H10/60—ICT specially adapted for the handling or processing of patient-related medical or healthcare data for patient-specific data, e.g. for electronic patient records
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/50—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

Abstract

본 발명은 인공지능 기반의 수면마취 안전도 예측 장치 및 방법에 관한 것으로, 상기 장치는 환자의 사용자 정보에 기초하여 수면마취의 부작용에 관한 복수의 유발 요인들을 정의하는 유발 요인 정의부; 상기 환자의 수면마취 과정에서 상기 환자에 대한 생체활력지표를 수집하는 생체활력 수집부; 상기 복수의 유발 요인들과 상기 생체활력지표를 독립변수로 하고 상기 수면마취 과정에서 부작용의 발생유무를 종속변수로 하여 변수들 간의 상관관계에 관한 기계학습을 수행하는 학습 모델 구축부; 상기 기계학습의 결과로 생성된 학습 모델을 이용하여 특정 환자의 수면마취 과정에서 부작용 발생 가능성을 예측하는 부작용 예측부; 및 상기 부작용 발생 가능성을 기초로 상기 특정 환자의 수면마취 안전도를 산출하는 안전도 산출부를 포함한다.

Description

인공지능 기반의 수면마취 안전도 예측 장치 및 방법{ARTIFICIAL INTELLIGENCE-BASED SLEEP ANESTHESIA SAFETY PREDICTION DEVICE AND METHOD}
본 발명은 수면마취 안전도 예측 기술에 관한 것으로, 보다 상세하게는 수면마취 부작용의 다양한 유발 요인과 수면마취 과정에서 측정되는 생체활력지표를 통합 분석하여 호흡억제의 위험을 예측할 수 있는 인공지능 기반의 수면마취 안전도 예측 장치 및 방법에 관한 것이다.
자동차 사고의 경우 경험적으로 사고 확률이 높은 상황들이 많이 알려져 있다. 예를 들어, 운전 중 핸드폰 사용 빈도가 높을수록, 불법 주차 차량이 많은 길을 주로 이용할수록, 고장 및 오작동 위험도가 매우 높은 차량일수록, 안전 관련 기능이 전혀 없는 차량일수록, 야간 등 시야가 좋지 않은 시간대에 운행할수록, 운전자의 반응 시간이 느릴수록, 평균 운행속도가 매우 높은 과속 경향이 있는 운전자일수록 사고 발생 확률을 높아질 수 있다.
다만, 위와 같은 상황들을 개별로 판단한다면 사고 발생을 직관적으로 쉽게 예측할 수 있는 반면, 실제 운전자를 대상으로 상기의 열거된 모든 요소들을 종합하여 사고 위험도를 수치적으로 정확히 예측하는 것은 인간의 직관만으로는 불가능한 영역에 해당할 것이다.
마찬가지로, 의료계에서 광범위하게 사용되는 수면마취의 경우에 있어서도 수면마취로 인해 나타나는 대표적인 부작용인 호흡억제가 어떠한 조건에서 발생 확률이 높은지에 대해 잘 알려져 있다. 예를 들어, 수면마취제 투여 용량이 높을수록, 대상자가 비만일수록, 대상자의 목 길이가 짧을수록, 흡연자일수록, 호흡기 질환 과거력이 있을수록, 대상자의 혀 두께가 두꺼울수록, 기도 압박이 되기 쉬운 수술 체위(경추의 전굴)일수록, 수면 무호흡증 병력 보유자일수록, 수면마취 지속시간이 길어질수록, 대상자가 남성일수록, 대상자의 나이가 많을수록, 호흡기 알레르기 보유자일수록 호흡억제의 위험성은 높아질 수 있다.
따라서, 인간의 인지능력으로 판단이 쉽지 않은 수면마취의 부작용 발생을 보다 정확하게 예측할 수 있다면, 의료사고를 예방할 수 있을 뿐만 아니라 환자의 안전을 보장할 수 있다.
한국공개특허 제10-2012-0049337 (2012.05.16)호
본 발명의 일 실시예는 수면마취 부작용의 다양한 유발 요인과 수면마취 과정에서 측정되는 생체활력지표를 통합 분석하여 호흡억제의 위험을 예측할 수 있는 인공지능 기반의 수면마취 안전도 예측 장치 및 방법을 제공하고자 한다.
본 발명의 일 실시예는 인공지능 기반의 부작용 발생 예측을 수행하는 통계학적 확률기반의 학습 모델을 구축하고, 수면마취 대상자의 부작용 발생확률을 예측하여 위험발생을 알릴 수 있는 인공지능 기반의 수면마취 안전도 예측 장치 및 방법을 제공하고자 한다.
실시예들 중에서, 인공지능 기반의 수면마취 안전도 예측 장치는 환자의 사용자 정보에 기초하여 수면마취의 부작용에 관한 복수의 유발 요인들을 정의하는 유발 요인 정의부; 상기 환자의 수면마취 과정에서 상기 환자에 대한 생체활력지표를 수집하는 생체활력 수집부; 상기 복수의 유발 요인들과 상기 생체활력지표를 독립변수로 하고 상기 수면마취 과정에서 부작용의 발생유무를 종속변수로 하여 변수들 간의 상관관계에 관한 기계학습을 수행하는 학습 모델 구축부; 상기 기계학습의 결과로 생성된 학습 모델을 이용하여 특정 환자의 수면마취 과정에서 부작용 발생 가능성을 예측하는 부작용 예측부; 및 상기 부작용 발생 가능성을 기초로 상기 특정 환자의 수면마취 안전도를 산출하는 안전도 산출부를 포함한다.
상기 유발 요인 정의부는 수면마취제의 종류와 용량, 수면마취 시간, 환자의 개인정보, 신체정보 및 생활정보를 포함하여 상기 복수의 유발 요인들을 정의할 수 있다.
상기 생체활력 수집부는 상기 생체활력지표로서 상기 환자의 혈압, 호흡수, 심박수, 체온, 심전도 및 산소포화도 중 적어도 하나를 수집할 수 있다.
상기 학습 모델 구축부는 상기 독립변수에 관한 특징 벡터를 생성하는 특징 벡터 생성 모듈; 상기 특징 벡터를 기 구축된 학습 모델에 입력한 결과로서 기 정의된 복수의 부작용들의 발생확률을 포함하는 예측 벡터를 획득하는 예측 벡터 획득 모듈; 상기 독립변수에 대응되는 종속변수의 실제값과 상기 예측 벡터 간의 오차를 산출하는 오차 산출 모듈; 및 상기 오차를 줄이는 방향으로 상기 기 구축된 학습 모델의 가중치를 보정하는 가중치 보정 모듈을 포함할 수 있다.
상기 오차 산출 모듈은 상기 환자의 유전자 정보를 기초로 상기 종속변수를 구성하는 복수의 부작용들 각각에 유전 가중치를 적용한 후 상기 예측 벡터 간의 오차를 산출하고, 상기 가중치 보정 모듈은 상기 복수의 부작용들 각각에 대해 상기 유전 가중치에 따른 우선순위를 기준으로 오차 감소율을 차등적으로 적용하여 상기 보정을 수행할 수 있다.
상기 부작용 예측부는 상기 학습 모델로부터 상기 복수의 부작용들에 대한 발생확률을 획득하고 상기 발생확률을 통합하여 호흡억제에 관한 발생확률과 예상시점을 각각 예측하며, 상기 안전도 산출부는 상기 호흡억제에 관한 발생확률과 예상시점을 기초로 현재시점에서의 수면마취 안전도를 산출할 수 있다.
상기 안전도 산출부는 상기 수면마취 안전도가 기 설정된 값 미만인 경우 위험발생에 관한 알람을 제공할 수 있다.
실시예들 중에서, 인공지능 기반의 수면마취 안전도 예측 방법은 환자의 사용자 정보에 기초하여 수면마취의 부작용에 관한 복수의 유발 요인들을 정의하는 단계; 상기 환자의 수면마취 과정에서 상기 환자에 대한 생체활력지표를 수집하는 단계; 상기 복수의 유발 요인들과 상기 생체활력지표를 독립변수로 하고 상기 수면마취 과정에서 부작용의 발생유무를 종속변수로 하여 변수들 간의 상관관계에 관한 기계학습을 수행하는 단계; 상기 기계학습의 결과로 생성된 학습 모델을 이용하여 특정 환자의 수면마취 과정에서 부작용 발생 가능성을 예측하는 단계; 및 상기 부작용 발생 가능성을 기초로 상기 특정 환자의 수면마취 안전도를 산출하는 단계를 포함한다.
개시된 기술은 다음의 효과를 가질 수 있다. 다만, 특정 실시예가 다음의 효과를 전부 포함하여야 한다거나 다음의 효과만을 포함하여야 한다는 의미는 아니므로, 개시된 기술의 권리범위는 이에 의하여 제한되는 것으로 이해되어서는 아니 될 것이다.
본 발명의 일 실시예에 따른 인공지능 기반의 수면마취 안전도 예측 장치 및 방법은 수면마취 부작용의 다양한 유발 요인과 수면마취 과정에서 측정되는 생체활력지표를 통합 분석하여 호흡억제의 위험을 예측할 수 있다.
본 발명의 일 실시예에 따른 인공지능 기반의 수면마취 안전도 예측 장치 및 방법은 인공지능 기반의 부작용 발생 예측을 수행하는 통계학적 확률기반의 학습 모델을 구축하고, 수면마취 대상자의 부작용 발생확률을 예측하여 위험발생을 알릴 수 있다.
도 1은 본 발명에 따른 안전도 예측 시스템을 설명하는 도면이다.
도 2는 도 1의 안전도 예측 장치의 시스템 구성을 설명하는 도면이다.
도 3은 도 1의 안전도 예측 장치의 기능적 구성을 설명하는 도면이다.
도 4는 본 발명에 따른 인공지능 기반의 수면마취 안전도 예측 방법을 설명하는 순서도이다.
도 5는 도 3의 학습 모델 구축부의 기능적 구성을 설명하는 도면이다.
도 6은 도 3의 학습 모델 구축부에서 수행되는 학습 모델 구축 과정을 설명하는 순서도이다.
도 7은 도 3의 학습 모델 구축부에서 수행되는 특징 벡터 생성 과정의 일 실시예를 설명하는 도면이다.
본 발명에 관한 설명은 구조적 내지 기능적 설명을 위한 실시예에 불과하므로, 본 발명의 권리범위는 본문에 설명된 실시예에 의하여 제한되는 것으로 해석되어서는 아니 된다. 즉, 실시예는 다양한 변경이 가능하고 여러 가지 형태를 가질 수 있으므로 본 발명의 권리범위는 기술적 사상을 실현할 수 있는 균등물들을 포함하는 것으로 이해되어야 한다. 또한, 본 발명에서 제시된 목적 또는 효과는 특정 실시예가 이를 전부 포함하여야 한다거나 그러한 효과만을 포함하여야 한다는 의미는 아니므로, 본 발명의 권리범위는 이에 의하여 제한되는 것으로 이해되어서는 아니 될 것이다.
한편, 본 출원에서 서술되는 용어의 의미는 다음과 같이 이해되어야 할 것이다.
"제1", "제2" 등의 용어는 하나의 구성요소를 다른 구성요소로부터 구별하기 위한 것으로, 이들 용어들에 의해 권리범위가 한정되어서는 아니 된다. 예를 들어, 제1 구성요소는 제2 구성요소로 명명될 수 있고, 유사하게 제2 구성요소도 제1 구성요소로 명명될 수 있다.
어떤 구성요소가 다른 구성요소에 "연결되어"있다고 언급된 때에는, 그 다른 구성요소에 직접적으로 연결될 수도 있지만, 중간에 다른 구성요소가 존재할 수도 있다고 이해되어야 할 것이다. 반면에, 어떤 구성요소가 다른 구성요소에 "직접 연결되어"있다고 언급된 때에는 중간에 다른 구성요소가 존재하지 않는 것으로 이해되어야 할 것이다. 한편, 구성요소들 간의 관계를 설명하는 다른 표현들, 즉 "~사이에"와 "바로 ~사이에" 또는 "~에 이웃하는"과 "~에 직접 이웃하는" 등도 마찬가지로 해석되어야 한다.
단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한 복수의 표현을 포함하는 것으로 이해되어야 하고, "포함하다"또는 "가지다" 등의 용어는 실시된 특징, 숫자, 단계, 동작, 구성요소, 부분품 또는 이들을 조합한 것이 존재함을 지정하려는 것이며, 하나 또는 그 이상의 다른 특징이나 숫자, 단계, 동작, 구성요소, 부분품 또는 이들을 조합한 것들의 존재 또는 부가 가능성을 미리 배제하지 않는 것으로 이해되어야 한다.
각 단계들에 있어 식별부호(예를 들어, a, b, c 등)는 설명의 편의를 위하여 사용되는 것으로 식별부호는 각 단계들의 순서를 설명하는 것이 아니며, 각 단계들은 문맥상 명백하게 특정 순서를 기재하지 않는 이상 명기된 순서와 다르게 일어날 수 있다. 즉, 각 단계들은 명기된 순서와 동일하게 일어날 수도 있고 실질적으로 동시에 수행될 수도 있으며 반대의 순서대로 수행될 수도 있다.
본 발명은 컴퓨터가 읽을 수 있는 기록매체에 컴퓨터가 읽을 수 있는 코드로서 구현될 수 있고, 컴퓨터가 읽을 수 있는 기록 매체는 컴퓨터 시스템에 의하여 읽혀질 수 있는 데이터가 저장되는 모든 종류의 기록 장치를 포함한다. 컴퓨터가 읽을 수 있는 기록 매체의 예로는 ROM, RAM, CD-ROM, 자기 테이프, 플로피 디스크, 광 데이터 저장 장치 등이 있다. 또한, 컴퓨터가 읽을 수 있는 기록 매체는 네트워크로 연결된 컴퓨터 시스템에 분산되어, 분산 방식으로 컴퓨터가 읽을 수 있는 코드가 저장되고 실행될 수 있다.
여기서 사용되는 모든 용어들은 다르게 정의되지 않는 한, 본 발명이 속하는 분야에서 통상의 지식을 가진 자에 의해 일반적으로 이해되는 것과 동일한 의미를 가진다. 일반적으로 사용되는 사전에 정의되어 있는 용어들은 관련 기술의 문맥상 가지는 의미와 일치하는 것으로 해석되어야 하며, 본 출원에서 명백하게 정의하지 않는 한 이상적이거나 과도하게 형식적인 의미를 지니는 것으로 해석될 수 없다.
도 1은 본 발명에 따른 안전도 예측 시스템을 설명하는 도면이다.
도 1을 참조하면, 인공지능 기반의 수면마취 안전도 예측 시스템(이하 안전도 예측 시스템)(100)은 사용자 단말(110), 안전도 예측 장치(130) 및 데이터베이스(150)를 포함할 수 있다.
사용자 단말(110)은 수면마취 안전도 예측 결과를 확인할 수 있는 컴퓨팅 장치에 해당할 수 있고, 스마트폰, 노트북 또는 컴퓨터로 구현될 수 있으며, 반드시 이에 한정되지 않고, 태블릿 PC 등 다양한 디바이스로도 구현될 수 있다. 사용자 단말(110)은 안전도 예측 장치(130)와 네트워크를 통해 연결될 수 있고, 복수의 사용자 단말(110)들은 안전도 예측 장치(130)에 동시에 연결되어 데이터를 주고받을 수 있다. 한편, 사용자 단말(110)은 필요에 따라 안전도 예측 장치(130)와 연동하여 디스플레이의 역할을 수행할 수 있다. 이때, 사용자 단말(110)은 전용 프로그램을 통해 안전도 예측 장치(130)와 연동할 수 있다.
안전도 예측 장치(130)는 데이터베이스(150)와 연동하여 환자의 수면마취 과정에서 환자의 상태정보를 모니터링하고 수면마취의 부작용 발생을 예측하여 수면마취 안전도를 정확하게 예측할 수 있는 컴퓨터 또는 프로그램에 해당하는 서버로 구현될 수 있다. 여기에서, 수면마취는 환자의 의식을 수면 상태 수준으로 유지하는 마취에 해당할 수 있다. 안전도 예측 장치(130)는 사용자 단말(110)과 유선 네트워크 또는 블루투스, WiFi 등과 같은 무선 네트워크로 연결될 수 있고, 유선 또는 무선 네트워크를 통해 사용자 단말(110)과 통신을 수행할 수 있다.
일 실시예에서, 안전도 예측 장치(130)는 데이터베이스(150)와 연동하여 수면마취 안전도 예측에 필요한 정보를 저장할 수 있다. 한편, 안전도 예측 장치(130)는 도 1과 달리, 데이터베이스(150)를 내부에 포함하여 구현될 수 있다. 또한, 안전도 예측 장치(130)는 프로세서, 메모리, 사용자 입출력부 및 네트워크 입출력부를 포함하여 구현될 수 있으며, 이에 대해서는 도 2에서 보다 자세히 설명한다.
일 실시예에서, 안전도 예측 장치(130)는 수면마취를 수행하는 환자의 상태를 파악하기 위한 다양한 센서들을 포함하여 구현될 수 있다. 예를 들어, 안전도 예측 장치(130)는 환자의 혈압, 체온, 심박수, 호흡수, 산소포화도 및 심전도 등을 측정하기 위한 센서들과 연동하여 환자의 수면마취 과정에서 다양한 생체정보를 획득할 수 있다.
또한, 안전도 예측 장치(130)는 외부 시스템(도면에 미도시함)과 연동하여 환자의 사용자 정보를 획득할 수 있다. 예를 들어, 안전도 예측 장치(130)는 건강보험 시스템, 행정 시스템 또는 병원 시스템과 연동하여 동작할 수 있으며, 필요에 따라 환자의 개인정보, 신체정보, 질병이력 및 사고이력 등을 획득할 수 있다.
데이터베이스(150)는 안전도 예측 장치(130)가 환자의 수면마취 과정에서 수면마취 안전도를 예측하기 위한 다양한 정보들을 저장할 수 있다. 예를 들어, 데이터베이스(150)는 환자의 생체정보에 관한 데이터를 저장할 수 있고, 수면마취 안전도 예측을 위한 학습 데이터셋 및 학습 모델에 관한 데이터를 저장할 수 있으며, 반드시 이에 한정되지 않고, 인공지능 기반의 수면마취 안전도 예측 과정에서 다양한 형태로 수집 또는 가공된 정보들을 저장할 수 있다.
도 2는 도 1의 안전도 예측 장치의 시스템 구성을 설명하는 도면이다.
도 2를 참조하면, 안전도 예측 장치(130)는 프로세서(210), 메모리(230), 사용자 입출력부(250) 및 네트워크 입출력부(270)를 포함하여 구현될 수 있다.
프로세서(210)는 안전도 예측 장치(130)가 동작하는 과정에서의 각 단계들을 처리하는 프로시저를 실행할 수 있고, 그 과정 전반에서 읽혀지거나 작성되는 메모리(230)를 관리할 수 있으며, 메모리(230)에 있는 휘발성 메모리와 비휘발성 메모리 간의 동기화 시간을 스케줄할 수 있다. 프로세서(210)는 안전도 예측 장치(130)의 동작 전반을 제어할 수 있고, 메모리(230), 사용자 입출력부(250) 및 네트워크 입출력부(270)와 전기적으로 연결되어 이들 간의 데이터 흐름을 제어할 수 있다. 프로세서(210)는 안전도 예측 장치(130)의 CPU(Central Processing Unit)로 구현될 수 있다.
메모리(230)는 SSD(Solid State Drive) 또는 HDD(Hard Disk Drive)와 같은 비휘발성 메모리로 구현되어 안전도 예측 장치(130)에 필요한 데이터 전반을 저장하는데 사용되는 보조기억장치를 포함할 수 있고, RAM(Random Access Memory)과 같은 휘발성 메모리로 구현된 주기억장치를 포함할 수 있다.
사용자 입출력부(250)는 사용자 입력을 수신하기 위한 환경 및 사용자에게 특정 정보를 출력하기 위한 환경을 포함할 수 있다. 예를 들어, 사용자 입출력부(250)는 터치 패드, 터치 스크린, 화상 키보드 또는 포인팅 장치와 같은 어댑터를 포함하는 입력장치 및 모니터 또는 터치스크린과 같은 어댑터를 포함하는 출력장치를 포함할 수 있다. 일 실시예에서, 사용자 입출력부(250)는 원격 접속을 통해 접속되는 컴퓨팅 장치에 해당할 수 있고, 그러한 경우, 안전도 예측 장치(130)는 서버로서 수행될 수 있다.
네트워크 입출력부(270)은 네트워크를 통해 외부 장치 또는 시스템과 연결하기 위한 환경을 포함하고, 예를 들어, LAN(Local Area Network), MAN(Metropolitan Area Network), WAN(Wide Area Network) 및 VAN(Value Added Network) 등의 통신을 위한 어댑터를 포함할 수 있다.
도 3은 도 1의 안전도 예측 장치의 기능적 구성을 설명하는 도면이다.
도 3을 참조하면, 안전도 예측 장치(130)는 유발 요인 정의부(310), 생체활력 수집부(320), 학습 모델 구축부(330), 부작용 예측부(340), 안전도 산출부(350) 및 제어부(360)를 포함할 수 있다.
유발 요인 정의부(310)는 환자의 사용자 정보에 기초하여 수면마취의 부작용에 관한 복수의 유발 요인들을 정의할 수 있다. 여기에서, 유발 요인은 수면마취 과정에서 부작용을 유발하는 원인요소들에 해당할 수 있다. 유발 요인은 환자의 건강상태, 수면마취 조건 등을 포함하여 다양하게 정의될 수 있으며, 여기서는 수면마취의 부작용 발생에 큰 영향을 주는 것으로 알려진 대표적인 요소들을 예로 들어 설명하지만, 반드시 이에 한정되는 것은 아니다.
일 실시예에서, 유발 요인 정의부(310)는 수면마취제의 종류와 용량, 수면마취 시간, 환자의 개인정보, 신체정보 및 생활정보를 포함하여 복수의 유발 요인들을 정의할 수 있다. 보다 구체적으로, 환자의 개인정보에 관한 유발 요인은 성별, 나이 등을 포함할 수 있고, 환자의 신체정보에 관한 유발 요인은 환자의 체중, 목의 길이, 혀의 두께, 수술 중 기도 확보가 가능한 체위 등을 포함할 수 있으며, 환자의 생활정보에 관한 유발 요인 흡연 여부, 결핵 등 호흡기 질환의 과거력, 수면 무호흡증이나 코골이 유무, 호흡기 알레르기 유무 등을 포함할 수 있다. 유발 요인 정의부(310)에 의해 정의된 복수의 유발 요인들은 수 만건의 수면마취 과정들에서 다양한 방식으로 측정 및 수집될 수 있고, 기계학습을 위한 학습 데이터로 활용될 수 있다.
생체활력 수집부(320)는 환자의 수면마취 과정에서 환자에 대한 생체활력지표를 수집할 수 있다. 여기에서, 생체활력지표는 생명을 유지해주는 신체의 기능이 어떤 상태인지를 보여주는 생체신호에 해당할 수 있다. 일 실시예에서, 생체활력 수집부(320)는 수면마취 중인 환자의 생체활력지표로서 환자의 혈압, 호흡수, 심박수, 체온, 심전도 및 산소포화도 중 적어도 하나를 수집할 수 있다. 생체활력 수집부(320)는 보다 정확도 높은 신호 수집을 위하여 수집된 데이터에 대한 전처리 연산을 수행할 수도 있다. 예를 들어, 생체활력 수집부(320)는 노이즈 제거(noise filtering), 신호 증폭, 정규화(normalization), 재샘플링(resampling) 등의 전처리 연산을 통해 이후 동작에 보다 적합한 형태로 데이터를 변환할 수 있다.
학습 모델 구축부(330)는 복수의 유발 요인들과 생체활력지표를 독립변수로 하고 수면마취 과정에서 부작용의 발생유무를 종속변수로 하여 변수들 간의 상관관계에 관한 기계학습을 수행할 수 있다. 즉, 학습 모델 구축부(330)는 복수의 유발 요인들과 생체활력지표의 다양한 조합들에서 부작용의 발생유무에 관한 다양한 사례들을 학습하여 수면마취 중인 환자의 호흡억제 부작용의 발생을 비교적 정확히 예측할 수 있는 학습 모델을 구축할 수 있다. 한편, 기계학습을 위한 학습 알고리즘은 상황별 또는 용도별 다양하게 사용 가능하며, 대표적으로 SVM(Support Vector Machine), LSTM(Long Short-Term Memory), 오토인코더(autoencoder) 등이 사용될 수 있다.
일 실시예에서, 학습 모델 구축부(330)는 독립변수에 관한 특징 벡터를 생성하는 특징 벡터 생성 모듈, 특징 벡터를 기 구축된 학습 모델에 입력한 결과로서 기 정의된 복수의 부작용들의 발생확률을 포함하는 예측 벡터를 획득하는 예측 벡터 획득 모듈, 독립변수에 대응되는 종속변수의 실제값과 예측 벡터 간의 오차를 산출하는 오차 산출 모듈 및 오차를 줄이는 방향으로 기 구축된 학습 모델의 가중치를 보정하는 가중치 보정 모듈을 포함할 수 있다. 이에 대해서는 도 5 및 6에서 보다 자세히 설명한다.
부작용 예측부(340)는 기계학습의 결과로 생성된 학습 모델을 이용하여 특정 환자의 수면마취 과정에서 부작용 발생 가능성을 예측할 수 있다. 부작용 예측부(340)는 수면마취 중인 환자로부터 수집되는 생체신호와 환자의 개인정보, 생활정보를 학습 모델에 입력한 결과를 이용하여 부작용 발생 가능성을 예측할 수 있다. 즉, 안전도 예측 장치(130)는 부작용 예측부(340)를 통해 환자의 부작용 발생을 사전에 예측하여 그에 대한 대응을 준비하도록 알림으로써 수면마취의 안전성을 높이고 환자의 안전을 보장하는 효과를 제공할 수 있다.
일 실시예에서, 부작용 예측부(340)는 학습 모델로부터 복수의 부작용들에 대한 발생확률을 획득하고 발생확률을 통합하여 호흡억제에 관한 발생확률과 예상시점을 각각 예측할 수 있다. 수면마취의 부작용은 호흡억제, 심정지, 두통, 구토 등을 포함할 수 있으며, 학습 모델은 입력 조건 하에서 각 부작용들에 대한 발생확률을 생성하여 출력으로 제공할 수 있다. 부작용 예측부(340)는 다양한 방법을 사용하여 복수의 부작용들 각각의 발생확률을 하나로 통합할 수 있다.
예를 들어, 부작용 예측부(340)는 발생확률들의 평균을 통해 호흡억제에 관한 발생확률을 결정하거나 또는 가장 높거나 낮은 발생확률을 제외시킨 후 평균을 통해 호흡억제에 관한 발생확률을 결정할 수도 있다. 또한, 부작용 예측부(340)는 복수의 부작용들에 대해 호흡억제 부작용과의 연관성을 기초로 차등적으로 적용되는 가중치를 각 발생확률에 적용한 후 하나로 통합하여 호흡억제에 관한 발생확률을 결정할 수도 있다.
안전도 산출부(350)는 부작용 발생 가능성을 기초로 특정 환자의 수면마취 안전도를 산출할 수 있다. 수면마취 안전도는 수면마취 과정에서 부작용이 발생할 확률을 통합적으로 고려하여 산출되는 안전성에 관한 수치화된 값에 해당할 수 있다. 안전도 산출부(350)는 학습 모델을 통해 도출되는 부작용 발생 가능성을 기초로 현재 시점에서 해당 환자의 생체활력지표를 반영하여 수면마취 안전도를 산출할 수 있다. 예를 들어, 안전도 산출부(350)는 부작용 발생 가능성 p와 환자의 생체활력지표에 따른 가중치 w를 적용하여 수면마취 안전도를 수치화할 수 있다. 이때, 생체활력지표에 따른 가중치 w는 생체활력지표를 구성하는 다양한 생체정보, 예를 들어, 체온, 심박수, 호흡수, 혈압 등의 측정값을 각 생체정보별로 등급화 한 후 도출되는 등급별 가중점수를 통합한 결과로서 산출될 수 있다.
일 실시예에서, 안전도 산출부(350)는 호흡억제에 관한 발생확률과 예상시점을 기초로 현재시점에서의 수면마취 안전도를 산출할 수 있다. 안전도 산출부(350)는 부작용 예측부(340)에 의해 예측된 결과를 이용하여 수면마취 안전도를 산출할 수 있으며, 수면마취 안전도는 호흡억제에 관한 발생확률이 높을수록, 예상시점이 빠를수록 높게 산출될 수 있다.
일 실시예에서, 안전도 산출부(350)는 수면마취 안전도가 기 설정된 값 미만인 경우 위험발생에 관한 알람을 제공할 수 있다. 안전도 산출부(350)는 수면마취 안전도를 기준으로 환자의 부작용 위험발생을 예측할 수 있고, 사전 설정된 값과 비교하여 환자에 대한 위험율이 높은 경우 알람을 제공할 수 있다. 이때, 알람은 시각적, 청각적, 촉각적 정보로서 구현되어 전달될 수 있다.
예를 들어, 알람은 소정의 소리를 재생하는 방식으로 제공되거나 또는 소정의 광원을 출력하는 방식으로 제공되거나 또는 소정의 진동을 발생시키는 방식으로 제공될 수 있다. 한편, 안전도 예측 장치(130)는 관련 정보를 출력하는 디스플레이를 포함하여 구현될 수 있으며, 안전도 산출부(350)는 디스플레이와 연동하여 알람에 관한 정보를 다양하게 구현된 인터페이스를 통해 출력할 수도 있다.
제어부(360)는 안전도 예측 장치(130)의 전체적인 동작을 제어하고, 유발 요인 정의부(310), 생체활력 수집부(320), 학습 모델 구축부(330), 부작용 예측부(340) 및 안전도 산출부(350) 간의 제어 흐름 또는 데이터 흐름을 관리할 수 있다.
도 4는 본 발명에 따른 인공지능 기반의 수면마취 안전도 예측 방법을 설명하는 순서도이다.
도 4를 참조하면, 안전도 예측 장치(130)는 유발 요인 정의부(310)를 통해 환자의 사용자 정보에 기초하여 수면마취의 부작용에 관한 복수의 유발 요인들을 정의할 수 있다(단계 S410). 안전도 예측 장치(130)는 생체활력 수집부(320)를 통해 환자의 수면마취 과정에서 환자에 대한 생체활력지표를 수집할 수 있다(단계 S430). 안전도 예측 장치(130)는 학습 모델 구축부(330)를 통해 복수의 유발 요인들과 생체활력지표를 독립변수로 하고 수면마취 과정에서 부작용의 발생유무를 종속변수로 하여 변수들 간의 상관관계에 관한 기계학습을 수행할 수 있다(단계 S450).
또한, 안전도 예측 장치(130)는 부작용 예측부(340)를 통해 기계학습의 결과로 생성된 학습 모델을 이용하여 특정 환자의 수면마취 과정에서 부작용 발생 가능성을 예측할 수 있다(단계 S470). 안전도 예측 장치(130)는 안전도 산출부(350)를 통해 부작용 발생 가능성을 기초로 특정 환자의 수면마취 안전도를 산출할 수 있다(단계 S490).
도 5는 도 3의 학습 모델 구축부의 기능적 구성을 설명하는 도면이다.
도 5를 참조하면, 학습 모델 구축부(330)는 특징 벡터 생성 모듈(510), 예측 벡터 획득 모듈(530), 오차 산출 모듈(550), 가중치 보정 모듈(570) 및 제어 모듈(590)를 포함할 수 있다.
특징 벡터 생성 모듈(510)은 독립변수에 관한 특징 벡터를 생성할 수 있다. 독립변수는 복수의 유발 요인들과 생체활력지표를 포함할 수 있으며, 특징 벡터는 독립변수들로부터 도출되는 매개 변수를 기초로 생성될 수 있다. 복수의 유발 요인들은 특정 범위 내의 값으로 수치화되어 표현될 수 있고, 생체활력지표는 생체신호를 기초로 변환되는 값으로 표현될 수 있다. 즉, 특징 벡터는 독립변수들 각각에 대응되는 값들의 집합으로 정의될 수 있다.
한편, 복수의 유발 요인들 및 생체활력지표 중 일부는 이미지 데이터 변형을 통해 수치화된 값으로 변환될 수 있다. 도 7에서, 생체신호는 측정 센서를 통해 시간에 따라 연속되는 시계열 값으로 측정될 수 있고, 기준 시간에 따른 2차원 그래프와 같은 이미지화된 데이터로 표현될 수 있다(a). 2차원 그래프는 소정의 절차를 이미지 정보로 변환될 수 있다(b). 예를 들어, 2차원 그래프는 학습 전 이미지 특징을 가지면서 연산을 최소화하는 크기로 수정될 수 있다. 변환된 이미지 정보는 인코딩(encoding)을 통해 숫자형 벡터로 변환될 수 있다(c). 숫자형 벡터는 필요에 따라 소정의 범위 내의 값으로 정규화(normalization)되어 최종적인 특징 벡터로 생성될 수 있다(d).
예측 벡터 획득 모듈(530)은 특징 벡터를 기 구축된 학습 모델에 입력한 결과로서 기 정의된 복수의 부작용들의 발생확률을 포함하는 예측 벡터를 획득할 수 있다. 학습 모델은 특징 벡터를 입력 데이터로 하여 예측 벡터를 출력 데이터로 생성할 수 있으며, 해당 과정에서 특징 벡터와 예측 벡터 간의 차원 축소가 발생할 수 있다. 즉, 예측 벡터의 차원수는 예측하고자 하는 부작용의 개수에 대응될 수 있고, 안전도 예측 장치(130)를 통해 사전에 설정될 수 있다.
오차 산출 모듈(550)은 독립변수에 대응되는 종속변수의 실제값과 예측 벡터 간의 오차를 산출할 수 있다. 오차 산출 모듈(550)은 학습 모델에 의해 예측된 정보와 실제 환자의 수면마취 과정에서 수집된 부작용 발생 사례를 비교하여 그 오차를 산출할 수 있다. 오차는 종속변수에 대응되는 부작용 별로 각각 산출될 수 있으며, 부작용별 오차들은 하나로 통합되어 전체 오차율에 대한 정보로 변환될 수 있다.
일 실시예에서, 오차 산출 모듈(550)은 환자의 유전자 정보를 기초로 종속변수를 구성하는 복수의 부작용들 각각에 유전 가중치를 적용한 후 예측 벡터 간의 오차를 산출할 수 있다. 즉, 유전자 정보의 특성에 따라 특정 부작용의 발생확률이 높은 경우, 오차 산출 모듈(550)은 해당 특정 부작용의 유전 가중치를 다른 부작용보다 상대적으로 높게 적용한 후 예측 결과에 대한 오차를 산출할 수 있다. 예를 들어, 제1 부작용, 제3 부작용 및 제2 부작용 순으로 발생확률이 높은 유전자 정보를 가진 환자의 경우, 오차 산출 모듈(550)은 제1 부작용, 제3 부작용 및 제2 부작용 순으로 높은 유전 가중치를 적용할 수 있다. 이를 통해, 학습된 학습 모델은 환자의 유전자 정보에 따른 발생확률의 차이를 반영하여 보다 정확한 예측 결과를 생성할 수 있다.
다른 실시예에서, 오차 산출 모듈(550)은 환자의 유전자 정보를 기초로 유사한 유전자 정보를 가진 사용자 그룹을 결정할 수 있고, 해당 사용자 그룹에 관한 유전 가중치를 종속변수를 구성하는 복수의 부작용들 각각에 적용한 후 예측 벡터 간의 오차를 산출할 수 있다.
가중치 보정 모듈(570)은 오차를 줄이는 방향으로 기 구축된 학습 모델의 가중치를 보정할 수 있다. 일 실시예에서, 가중치 보정 모듈(570)은 복수의 부작용들 각각에 대해 유전 가중치에 따른 우선순위를 기준으로 오차 감소율을 차등적으로 적용하여 가중치 보정을 수행할 수 있다. 즉, 가중치 보정 모듈(570)은 우선순위가 높은 유전 가중치를 중심으로 더 높은 오차 감소율을 적용하여 유전적 요인에 따른 예측 불확실성을 줄일 수 있다.
제어 모듈(590)은 학습 모델 구축부(330)의 전체적인 동작을 제어하고, 특징 벡터 생성 모듈(510), 예측 벡터 획득 모듈(530), 오차 산출 모듈(550) 및 가중치 보정 모듈(570)) 간의 제어 흐름 또는 데이터 흐름을 관리할 수 있다.
도 6은 도 3의 학습 모델 구축부에서 수행되는 학습 모델 구축 과정을 설명하는 순서도이다.
도 6을 참조하면, 학습 모델 구축부(330)는 특징 벡터 생성 모듈(510)을 통해 독립변수에 관한 특징 벡터를 생성할 수 있다(단계 S610). 학습 모델 구축부(330)는 예측 벡터 획득 모듈(530)을 통해 특징 벡터를 기 구축된 학습 모델에 입력한 결과로서 기 정의된 복수의 부작용들의 발생확률을 포함하는 예측 벡터를 획득할 수 있다(단계 S630).
또한, 학습 모델 구축부(330)는 오차 산출 모듈(530)을 통해 독립변수에 대응되는 종속변수의 실제값과 예측 벡터 간의 오차를 산출할 수 있다(단계 S650). 학습 모델 구축부(330)는 가중치 보정 모듈(570)을 통해 오차를 줄이는 방향으로 기 구축된 학습 모델의 가중치를 보정할 수 있다(단계 S670).
상기에서는 본 발명의 바람직한 실시예를 참조하여 설명하였지만, 해당 기술 분야의 숙련된 당업자는 하기의 특허 청구의 범위에 기재된 본 발명의 사상 및 영역으로부터 벗어나지 않는 범위 내에서 본 발명을 다양하게 수정 및 변경시킬 수 있음을 이해할 수 있을 것이다.
100: 안전도 예측 시스템
110: 사용자 단말 130: 안전도 예측 장치
150: 데이터베이스
210: 프로세서 230: 메모리
250: 사용자 입출력부 270: 네트워크 입출력부
310: 유발 요인 정의부 320: 생체활력 수집부
330: 학습 모델 구축부 340: 부작용 예측부
350: 안전도 산출부 360: 제어부
510: 특징 벡터 생성 모듈 530: 예측 벡터 획득 모듈
550: 오차 산출 모듈 570: 가중치 보정 모듈
590: 제어 모듈

Claims (8)

  1. 환자의 사용자 정보에 기초하여 수면마취의 부작용에 관한 복수의 유발 요인들을 정의하는 유발 요인 정의부;
    상기 환자의 수면마취 과정에서 상기 환자에 대한 생체활력지표를 수집하는 생체활력 수집부;
    상기 복수의 유발 요인들과 상기 생체활력지표를 독립변수로 하고 상기 수면마취 과정에서 부작용의 발생유무를 종속변수로 하여 변수들 간의 상관관계에 관한 기계학습을 수행하는 학습 모델 구축부;
    상기 기계학습의 결과로 생성된 학습 모델을 이용하여 특정 환자의 수면마취 과정에서 부작용 발생 가능성을 예측하는 부작용 예측부; 및
    상기 부작용 발생 가능성을 기초로 상기 특정 환자의 수면마취 안전도를 산출하고, 상기 수면마취 안전도가 기 설정된 값 미만인 경우 위험발생에 관한 알람을 제공하는 안전도 산출부를 포함하는 인공지능 기반의 수면마취 안전도 예측 장치.
  2. 제1항에 있어서, 상기 유발 요인 정의부는
    수면마취제의 종류와 용량, 수면마취 시간, 환자의 개인정보, 신체정보 및 생활정보를 포함하여 상기 복수의 유발 요인들을 정의하는 것을 특징으로 하는 인공지능 기반의 수면마취 안전도 예측 장치.
  3. 제1항에 있어서, 상기 생체활력 수집부는
    상기 생체활력지표로서 상기 환자의 혈압, 호흡수, 심박수, 체온, 심전도 및 산소포화도 중 적어도 하나를 수집하는 것을 특징으로 하는 인공지능 기반의 수면마취 안전도 예측 장치.
  4. 제1항에 있어서, 상기 학습 모델 구축부는
    상기 독립변수에 관한 특징 벡터를 생성하는 특징 벡터 생성 모듈;
    상기 특징 벡터를 기 구축된 학습 모델에 입력한 결과로서 기 정의된 복수의 부작용들의 발생확률을 포함하는 예측 벡터를 획득하는 예측 벡터 획득 모듈;
    상기 독립변수에 대응되는 종속변수의 실제값과 상기 예측 벡터 간의 오차를 산출하는 오차 산출 모듈; 및
    상기 오차를 줄이는 방향으로 상기 기 구축된 학습 모델의 가중치를 보정하는 가중치 보정 모듈을 포함하는 것을 특징으로 하는 인공지능 기반의 수면마취 안전도 예측 장치.
  5. 삭제
  6. 제1항에 있어서, 상기 부작용 예측부는
    상기 학습 모델로부터 상기 복수의 부작용들에 대한 발생확률을 획득하고 상기 발생확률을 통합하여 호흡억제에 관한 발생확률과 예상시점을 각각 예측하며,
    상기 안전도 산출부는 상기 호흡억제에 관한 발생확률과 예상시점을 기초로 현재시점에서의 수면마취 안전도를 산출하는 것을 특징으로 하는 인공지능 기반의 수면마취 안전도 예측 장치.
  7. 삭제
  8. 유발 요인 정의부를 통해, 환자의 사용자 정보에 기초하여 수면마취의 부작용에 관한 복수의 유발 요인들을 정의하는 단계;
    생체활력 수집부를 통해, 상기 환자의 수면마취 과정에서 상기 환자에 대한 생체활력지표를 수집하는 단계;
    학습 모델 구축부를 통해, 상기 복수의 유발 요인들과 상기 생체활력지표를 독립변수로 하고 상기 수면마취 과정에서 부작용의 발생유무를 종속변수로 하여 변수들 간의 상관관계에 관한 기계학습을 수행하는 단계;
    부작용 예측부를 통해, 상기 기계학습의 결과로 생성된 학습 모델을 이용하여 특정 환자의 수면마취 과정에서 부작용 발생 가능성을 예측하는 단계; 및
    안전도 산출부를 통해, 상기 부작용 발생 가능성을 기초로 상기 특정 환자의 수면마취 안전도를 산출하고, 상기 수면마취 안전도가 기 설정된 값 미만인 경우 위험발생에 관한 알람을 제공하는 단계를 포함하는 인공지능 기반의 수면마취 안전도 예측 방법.
KR1020200121444A 2020-09-21 2020-09-21 인공지능 기반의 수면마취 안전도 예측 장치 및 방법 KR102469681B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020200121444A KR102469681B1 (ko) 2020-09-21 2020-09-21 인공지능 기반의 수면마취 안전도 예측 장치 및 방법

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020200121444A KR102469681B1 (ko) 2020-09-21 2020-09-21 인공지능 기반의 수면마취 안전도 예측 장치 및 방법

Publications (2)

Publication Number Publication Date
KR20220038968A KR20220038968A (ko) 2022-03-29
KR102469681B1 true KR102469681B1 (ko) 2022-11-23

Family

ID=80997443

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020200121444A KR102469681B1 (ko) 2020-09-21 2020-09-21 인공지능 기반의 수면마취 안전도 예측 장치 및 방법

Country Status (1)

Country Link
KR (1) KR102469681B1 (ko)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117457229B (zh) * 2023-12-26 2024-03-08 吉林大学 基于人工智能的麻醉深度监测系统及方法

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10595772B2 (en) 2009-08-14 2020-03-24 David Burton Anaesthesia and consciousness depth monitoring system
KR102129730B1 (ko) * 2018-02-21 2020-07-06 주식회사 삼육오엠씨네트웍스 인공지능 기반의 환자상태 예측 장치 및 이를 이용한 환자상태 예측 방법

Also Published As

Publication number Publication date
KR20220038968A (ko) 2022-03-29

Similar Documents

Publication Publication Date Title
US11877830B2 (en) Machine learning health analysis with a mobile device
CN109448862B (zh) 一种健康监测预警方法及装置
CN109310317A (zh) 用于自动医学诊断的系统和方法
US20150148621A1 (en) Methods and systems for creating a preventative care plan in mental illness treatment
US20200265950A1 (en) Biological information processing system, biological information processing method, and computer program recording medium
WO2019071201A1 (en) CONTINUOUS MONITORING OF THE HEALTH OF A USER WITH A MOBILE DEVICE
JP6692355B2 (ja) バイタルサインサンプリング周波数が限定されるときのスコア信頼区間推定に関する方法
EP3254213A1 (en) Pain management wearable device
KR20190105163A (ko) 인공지능 기반의 환자상태 예측 장치 및 이를 이용한 환자상태 예측 방법
CN101340846A (zh) 医学状况的检测和报警装置
KR102471086B1 (ko) Ai 기반 심전도 판독 시스템
US11278246B1 (en) Determining respiratory deterioration and decision support tool
CN116964680A (zh) 用于情境敏感引导的复苏护理系统
KR102469681B1 (ko) 인공지능 기반의 수면마취 안전도 예측 장치 및 방법
Spanakis et al. Congestive heart failure risk assessment monitoring through internet of things and mobile personal health systems
JP2013148996A (ja) 重症度判定装置、及び、重症度判定方法
US20220005570A1 (en) Medication assistance information providing device, method, and non-transitory recording medium recording program
JP7171797B2 (ja) 治療推奨を提供するための医療システム
EP3160328B1 (en) Device, system and computer program for detecting a health condition of a subject
Jin et al. Improving diagnostic accuracy using multiparameter patient monitoring based on data fusion in the cloud
Panagiotou et al. A multi: modal decision making system for an ambient assisted living environment
CN111816296A (zh) 生理状态判断系统
WO2020073012A1 (en) Continuous monitoring of a user's health with a mobile device
KR20120072464A (ko) 환자 및 의료진을 위한 모바일 기반 천식 관리 시스템 및 방법
EP3762944A1 (en) Method and apparatus for monitoring a human or animal subject

Legal Events

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