KR102504883B1 - 인공 지능 기반 기계 학습을 이용한 급성 신부전 발생 예측 장치 및 그 방법 - Google Patents

인공 지능 기반 기계 학습을 이용한 급성 신부전 발생 예측 장치 및 그 방법 Download PDF

Info

Publication number
KR102504883B1
KR102504883B1 KR1020200068147A KR20200068147A KR102504883B1 KR 102504883 B1 KR102504883 B1 KR 102504883B1 KR 1020200068147 A KR1020200068147 A KR 1020200068147A KR 20200068147 A KR20200068147 A KR 20200068147A KR 102504883 B1 KR102504883 B1 KR 102504883B1
Authority
KR
South Korea
Prior art keywords
renal failure
data
acute renal
patient
predicting
Prior art date
Application number
KR1020200068147A
Other languages
English (en)
Other versions
KR20210152047A (ko
Inventor
황선덕
송준호
김기표
Original Assignee
인하대학교 산학협력단
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 인하대학교 산학협력단 filed Critical 인하대학교 산학협력단
Priority to KR1020200068147A priority Critical patent/KR102504883B1/ko
Publication of KR20210152047A publication Critical patent/KR20210152047A/ko
Application granted granted Critical
Publication of KR102504883B1 publication Critical patent/KR102504883B1/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
    • A61B5/20—Measuring for diagnostic purposes; Identification of persons for measuring urological functions restricted to the evaluation of the urinary system
    • A61B5/201—Assessing renal or kidney functions
    • 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
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/042—Knowledge-based neural networks; Logical representations of neural networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • G06N3/0442—Recurrent networks, e.g. Hopfield networks characterised by memory or gating, e.g. long short-term memory [LSTM] or gated recurrent units [GRU]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/0464—Convolutional networks [CNN, ConvNet]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H10/00—ICT specially adapted for the handling or processing of patient-related medical or healthcare data
    • G16H10/60—ICT specially adapted for the handling or processing of patient-related medical or healthcare data for patient-specific data, e.g. for electronic patient records
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/30—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for calculating health indices; for individual health risk assessment
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/50—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for simulation or modelling of medical disorders
    • 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
    • G16H70/00—ICT specially adapted for the handling or processing of medical references

Landscapes

  • Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Public Health (AREA)
  • General Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biomedical Technology (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Pathology (AREA)
  • Theoretical Computer Science (AREA)
  • Epidemiology (AREA)
  • Primary Health Care (AREA)
  • Molecular Biology (AREA)
  • Biophysics (AREA)
  • Artificial Intelligence (AREA)
  • Databases & Information Systems (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Computing Systems (AREA)
  • Evolutionary Computation (AREA)
  • Computational Linguistics (AREA)
  • Animal Behavior & Ethology (AREA)
  • Veterinary Medicine (AREA)
  • Physiology (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Surgery (AREA)
  • Business, Economics & Management (AREA)
  • Economics (AREA)
  • Human Resources & Organizations (AREA)
  • Urology & Nephrology (AREA)
  • Signal Processing (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Psychiatry (AREA)
  • Strategic Management (AREA)
  • Development Economics (AREA)
  • Game Theory and Decision Science (AREA)
  • Entrepreneurship & Innovation (AREA)

Abstract

본 발명은 인공 지능 기반 기계 학습을 이용한 급성 신부전 발생 예측 장치 및 그 방법에 대한 것이다.
본 발명에 따른 인공 지능 기반 기계 학습을 이용한 급성 신부전 발생 예측 장치는 기 선정된 기준에 대응하여 후향적 연구로 수집된 환자 데이터를 입력받아 후향적 코호트를 구성하는 데이터 입력부; 상기 환자 데이터에서 신부전을 일으키는 데이터에 관한 항목들을 추출하고, 추출된 데이터를 기계 학습하여 급성 신부전 발생 여부를 예측하는 예측 모델을 생성하는 예측 모델 생성부; 및 예측하고자 하는 환자의 데이터 항목들을 상기 예측 모델에 반영하여 상기 환자의 급성 신부전 발생 여부를 예측하는 예측부를 포함한다.
이와 같이 본 발명에 따르면, 인공 지능 기반의 기계 학습 모델을 이용하여 집중치료실 환자의 임상적 상태에 따라 급성 신부전의 발생을 조기에 예측함으로써 급성 신부전으로 인한 사망 위험률을 감소시킬 수 있다.

Description

인공 지능 기반 기계 학습을 이용한 급성 신부전 발생 예측 장치 및 그 방법{APPARATUS FOR PREDICTING ACUTE KIDNEY INJURY USING MACHINE LEARNING BASED ON ARTIFICIAL INTELLIGENCE AND METHOD THEREOF}
본 발명은 인공 지능 기반 기계 학습을 이용한 급성 신부전 발생 예측 장치 및 그 방법에 관한 것으로서, 더욱 상세하게는 집중치료실 환자의 임상적 상태에 따라 급성 신부전의 발생을 조기에 예측하는 인공 지능 기반 기계 학습을 이용한 급성 신부전 발생 예측 장치 및 그 방법에 관한 것이다.
급성 신부전(acute kidney injury, AKI)은 전체 입원 환자의 약 10% 정도에서 발생하며, 집중치료실(intensive care unit, ICU) 치료를 받는 환자의 경우에는 70%까지 발생하는 것으로 알려져 있으나, 복합적인 요인에 의해 발생하므로 조기에 발견 및 예측이 어려운 문제점이 있어 전세계적으로 급성 신부전의 발병률은 증가하고 있는 추세이다. 국내에서도 급성 신부전으로 진단 받은 환자의 수가 꾸준히 증가하고 있는 추세이며, 이로 인한 의료 비용 부담이 증가하고 있는 실정이다.
집중 치료실 환자에서 급성 신부전의 발생은 환자의 생존율을 15~60%까지 급격히 감소시키는 치명적인 합병증으로, 급성 신부전에서 회복하지 못하고 신대체요법을 요하게 될 경우에는 환자가 생존하더라도 향후 지속적인 신대체요법이 필요한 말기 신질환으로 이행할 가능성이 매우 높다.
최근에는 집중 치료실에서 발생하는 급성 신부전에 대해 많은 연구들이 진행되고 있으며, 이를 진단하고 그 정도를 세분화하는 노력들은 있었으나, 조기에 급성 신부전 발생을 예측하는 진단 알고리즘은 부재한 실정이다. 더욱이 급성 신부전을 일으키는 요인에는, 환자의 과거력, 약물 복용력, 중환자실 입실 원인, 생체 징후 등 매우 복합적인 요인들이 작용하므로 정확히 예측하는 데에 큰 어려움이 있는 문제점이 있다.
최근 들어 인공 지능(Artificial Intelligence)에 기반한 기계학습(Machine learning) 시스템은 질병의 진단 및 치료 알고리즘 개발에 새로운 패러다임을 불러일으킬 것으로 각광받고 있다.
이러한 인공 지능 기반 기계학습 시스템은 빅데이터 분석을 통하여 각종 질병의 발생 위험에 대한 예측 모델을 구현하고, 검사 직후 신속하게 치료 대응이 이루어지도록 하는 치료 의사 결정 모델을 구현하는 데에도 큰 기여를 할 수 있을 것으로 기대된다.
본 발명의 배경이 되는 기술은 대한민국 공개특허공보 제10-2014-0076571호(2014. 06. 20. 공개)에 개시되어 있다.
본 발명이 이루고자 하는 기술적 과제는 인공 지능 기반의 기계 학습 모델을 이용하여 집중치료실 환자의 임상적 상태에 따라 급성 신부전의 발생을 조기에 예측하여 진단 및 치료가 신속하게 이루어지도록 하는 인공 지능 기반 기계 학습을 이용한 급성 신부전 발생 예측 장치 및 그 방법을 제공하기 위한 것이다.
이러한 기술적 과제를 이루기 위한 본 발명의 실시 예에 따른 인공 지능 기반 기계 학습을 이용한 급성 신부전 발생 예측 장치는, 기 선정된 기준에 대응하여 후향적 연구로 수집된 환자 데이터를 입력받아 후향적 코호트(Retrospective cohort study)를 구성하는 데이터 입력부; 상기 환자 데이터에서 신부전을 일으키는 데이터에 관한 항목들을 추출하고, 추출된 데이터를 기계 학습하여 급성 신부전 발생 여부를 예측하는 예측 모델을 생성하는 예측 모델 생성부; 및 예측하고자 하는 환자의 데이터 항목들을 상기 예측 모델에 반영하여 상기 환자의 급성 신부전 발생 여부를 예측하는 예측부를 포함한다.
또한, 상기 예측 모델 생성부는 상기 추출된 항목들을 기 설정된 기준에 따라 정적(Static) 변수와 동적(dynamic) 변수로 구분하여, 상기 정적 변수에 대응하는 데이터들은 덴스 레이어(Dense Layer)를 이용하여 학습하고, 상기 동적 변수에 대응하는 데이터들은 LSTM 레이어(Long Short Term Memory Layer)를 이용하여 학습할 수 있다.
또한, 상기 정적 변수는 환자의 나이, 성별, 키, 체중, 입원일자, 퇴원일자, BMI, 기저병력, 입원 원인, 입원 당시 및 입원 기간 내의 혈청 크레아티닌, 투석 여부, 약제 투약력, 수술 여부 중 적어도 하나 이상을 포함하고, 상기 동적 변수는 백혈구 수치 변화 데이터, 검사 결과, 음식 섭취량, 배설량 중 적어도 어느 하나 이상을 하루 간격으로 측정한 데이터와, 혈압, 맥박, 음식 섭취량, 배설량 중 적어도 어느 하나 이상을 시간 단위로 측정한 데이터를 포함할 수 있다.
또한, 상기 예측 모델 생성부는 순환 신경망(Recurrent Neural Network, RNN) 알고리즘 또는 합성곱 신경망(Convolutional Neural Network, CNN) 알고리즘을 포함하는 인공신경망(Artificial Neural Network, ANN) 알고리즘을 이용하여 상기 예측 모델을 학습할 수 있다.
또한, 상기 데이터 입력부는 상기 수집된 환자 데이터를 급성 신부전이 발생한 환자군과 발생하지 않은 환자군으로 구분하고, 구분된 데이터를 익명화 및 코드화하여 상기 후향적 코호트를 구성할 수 있다.
또한, 상기 예측부를 통해 급성 신부전이 발생한 것으로 예측된 경우, 해당 환자가 기 정의된 유효성 평가 단계 중 어느 단계에 해당하는지 판단하는 판단부를 더 포함할 수 있다.
또한, 상기 기 정의된 유효성 평가 단계는 혈청 크레아티닌이 기저수치보다 1.5배 이상 상승하거나 6시간 동안의 소변량이 0.5ml/kg 이하로 감소하는 경우 제1 단계로 구분하고, 혈청 크레아티닌이 기저수치보다 2배 이상 상승하거나 12시간 동안의 소변량이 0.5ml/kg 이하로 감소하는 경우 제2 단계로 구분하며, 혈청 크레아티닌이 기저수치보다 3배 이상 상승하거나 24시간 동안의 소변량이 0.3ml/kg 이하로 감소 또는 12시간 동안 무뇨인 경우 제3 단계로 구분하며 제3 단계로 갈수록 위험도가 높아지도록 설정될 수 있다.
또한, 본 발명의 다른 실시 예에 따른 인공 지능 기반 기계 학습을 이용한 급성 신부전 발생 예측 방법은 급성 신부전 발생 예측 장치는 기 선정된 기준에 대응하여 후향적 연구로 수집된 환자 데이터를 입력받아 후향적 코호트(Retrospective cohort study)를 구성하는 단계; 상기 환자 데이터에서 신부전을 일으키는 데이터에 관한 항목들을 추출하고, 추출된 데이터를 기계 학습하여 급성 신부전 발생 여부를 예측하는 예측 모델을 생성하는 단계; 및 예측하고자 하는 환자의 데이터 항목들을 상기 예측 모델에 반영하여 상기 환자의 급성 신부전 발생 여부를 예측하는 단계를 포함할 수 있다.
이와 같이 본 발명에 따르면, 인공 지능 기반의 기계 학습 모델을 이용하여 집중치료실 환자의 임상적 상태에 따라 급성 신부전의 발생을 조기에 예측함으로써 급성 신부전으로 인한 사망 위험률을 감소시킬 수 있다.
또한 본 발명에 따르면, 급성 신부전 발병시 진단 및 치료가 신속하게 이루어지도록 함으로써 평균 입원 기간을 단축시킬 수 있고, 환자의 의료 비용을 경감시킬 수 있다.
또한 본 발명에 따르면, 환자의 의료 정보를 지속적으로 학습하도록 하여 신뢰도 높은 예측 모델을 구축할 수 있고, 학습하는 데이터에 따라 신장 질환뿐만 아니라 타 만성 질환에도 확대 적용할 수 있어 미래 첨단 의료 보건 산업의 입지를 구축할 수 있는 효과가 있다.
도 1은 본 발명의 실시 예에 따른 인공 지능 기반 기계 학습을 이용한 급성 신부전 발생 예측 장치를 나타낸 블록구성도이다.
도 2는 덴스 레이어를 설명하기 위해 도시한 도면이다.
도 3은 LSTM 레이어를 설명하기 위해 도시한 도면이다.
도 4는 본 발명의 실시 예에 따른 인공 지능 기반 기계 학습을 이용한 급성 신부전 발생 예측 방법의 동작 흐름을 도시한 순서도이다.
도 5 내지 도 7은 본 발명의 실시 예에서 S420 단계를 설명하기 위해 도시한 도면이다.
도 8은 본 발명의 실시 예에서 S450 단계에서 기 정의된 유효성 평가 단계를 도시한 도면이다.
이하 첨부된 도면을 참조하여 본 발명에 따른 바람직한 실시 예를 상세히 설명하기로 한다. 이 과정에서 도면에 도시된 선들의 두께나 구성요소의 크기 등은 설명의 명료성과 편의상 과장되게 도시되어 있을 수 있다.
또한 후술되는 용어들은 본 발명에서의 기능을 고려하여 정의된 용어들로서, 이는 사용자, 운용자의 의도 또는 관례에 따라 달라질 수 있다. 그러므로 이러한 용어들에 대한 정의는 본 명세서 전반에 걸친 내용을 토대로 내려져야 할 것이다.
먼저, 도 1을 통해 본 발명의 실시 예에 따른 인공 지능 기반 기계 학습을 이용한 급성 신부전 발생 예측 장치에 대하여 설명한다.
도 1은 본 발명의 실시 예에 따른 인공 지능 기반 기계 학습을 이용한 급성 신부전 발생 예측 장치를 나타낸 블록구성도이다.
도 1에서와 같이 본 발명의 실시 예에 따른 인공 지능 기반 기계 학습을 이용한 급성 신부전 발생 예측 장치(100)는, 데이터 입력부(110), 예측 모델 생성부(120), 예측부(130) 및 판단부(140)를 포함한다.
먼저, 데이터 입력부(110)는 기 선정된 기준에 대응하여 후향적 연구(Retrospective Observational Study)로 수집된 환자 데이터를 입력받아 후향적 코호트(Retrospective cohort study)를 구성한다.
이때, 데이터 입력부(110)는 입력받은 환자 데이터를 급성 신부전이 발생한 환자군과 발생하지 않은 환자군으로 구분하고, 구분된 데이터를 익명화 및 코드화하여 상기 후향적 코호트를 구성한다.
자세히는, 일반적으로 중환자실 입실 환자에서 급성 신부전 발생률이 약 30% 내지 40%인 것을 고려했을 때 충분한 학습 모델 성능을 확보할 수 있도록, 설정 기간 동안 중환자실에 입원했던 만 18세 이상의 환자(3만명)를 대상으로 급성 신부전이 발생한 환자군과 발생하지 않은 환자군으로 환자 데이터를 구분하고, 구분된 데이터를 익명화 및 코드화하여 후향적 코호트를 구성한다.
이때, 환자 데이터에는 각 대상자의 기본 인구학적 정보와 각 대상자가 처음 중환자실에 입실한 후의 병력청취기록, 문진기록, 약제 투약력, 혈액 검사, 소변 검사 및 영상 자료가 포함될 수 있다.
단, 중환자실 입원 당시 입원시 혈청 크레아티닌이 4.0 mg/Dl 이상 또는 사구체 여과율(eGFR)이 15 ml/min/1.73m2 미만이거나 말기신부전으로 신대체요법을 받고 있는 환자 또는 중환자실 입원 24시간 이내에 사망한 환자 또는 해당 자료가 누락되어 분석이 불가한 환자는 수집 대상에서 제외되는 것이 바람직하다.
그리고 예측 모델 생성부(120)는 데이터 입력부(110)에서 입력받은 환자 데이터에서 신부전을 일으키는 데이터에 관한 항목들을 추출하고, 추출된 데이터를 기계 학습하여 급성 신부전 발생 여부를 예측하는 예측 모델을 생성한다.
예측 모델 생성부(120)는 추출된 항목들을 기 설정된 기준에 따라 정적(Static) 변수와 동적(dynamic) 변수로 각각 구분한다.
먼저, 정적 변수는 환자의 나이, 성별, 키, 체중, 입원일자, 퇴원일자, BMI, 기저병력, 입원 원인, 입원 당시 및 입원 기간 내의 혈청 크레아티닌, 투석 여부, 약제 투약력, 수술 여부 중 적어도 하나 이상을 포함한다.
이때, 정적 변수에 대응하는 데이터들은 덴스 레이어(Dense Layer)를 이용하여 학습한다.
여기서 덴스 레이어는 전결합층(fully conntected layer, FC Layer)이라고도 하며, 모든 입력 뉴런과 출력 뉴런을 연결하여 학습할 수 있도록 설계된 신경망이다.
도 2는 덴스 레이어를 설명하기 위해 도시한 도면이다.
도 2에서와 같이, 덴스 레이어는 입력과 출력을 모두 연결해주며, 입력과 출력을 각각 연결해주는 가중치를 포함하고 있다. 즉, 입력이 4개, 출력이 8개이면 가중치는 총 32개가 존재한다. 덴스 레이어는 머신러닝에서 가장 기본적인 층으로 영상이나 서로 연속적으로 상관관계가 있는 데이터가 아니라면 이 층을 통해 학습 시킬 수 있는 데이터가 많다. 이러한 덴스 레이어는 모델을 설계하고 추가를 통해 레이어층을 추가할 수 있는 특징이 있다.
그리고 동적 변수는 백혈구 수치 변화 데이터, 검사 결과, 음식 섭취량, 배설량 중 적어도 어느 하나 이상을 하루 간격으로 측정한 데이터와, 혈압, 맥박, 음식 섭취량, 배설량 중 적어도 어느 하나 이상을 시간 단위로 측정한 데이터를 포함한다.
이때, 동적 변수에 대응하는 데이터들은 LSTM 레이어(Long Short Term Memory Layer)를 이용하여 학습한다.
여기서 LSTM 레이어는 다양한 시간 단위의 시계열 데이터 분석 레이어를 의미하며, 순환 신경망의 특별한 종류로 순차적인 입력 데이터 간의 거리가 멀어도 더 잘 기억하고 학습할 수 있도록 설계된 신경망이다.
도 3은 LSTM 레이어를 설명하기 위해 도시한 도면이다.
도 3에서와 같이, LSTM 레이어는 맨 위에 컨베이너 벨트처럼 흐르는 CC값이 셀 스테이트(cell state)이며, LSTM은 이 셀 스테이트를 보호하고 컨트롤 하기 위한 세 가지 게이트(Forget gate, Input gate, Output gate)를 통해 그래디언트 소실(vanishing gradient)을 방지하고 그래디언트가 효과적으로 흐를 수 있게 한다.
세 가지 게이트 중 과거 정보를 잊기 위한 게이트(Forget gate ftft)는 시그모이드 함수의 출력 범위가 0 ~ 1 이기 때문에 그 값이 0이라면 이전 상태의 정보는 잊고, 1이라면 이전 상태의 정보를 온전히 기억하게 된다.
그리고 현재 정보를 기억하기 위한 게이트(Input gate itit)는 값이 시그모이드 이므로 0 ~ 1 이지만 아다마르 곱(hadamard product)을 하는 ~CtC~t는 쌍곡선 탄젠트(hyperbolic tangent)의 결과이므로 -1 ~ 1 이 된다. 따라서 결과는 음수가 될 수도 있다.
마지막으로 최종 결과 htht를 위한 게이트(Output gate otot)는 셀 스테이트의 쌍곡선 탄젠트를 아다마르 곱을 한 값이 LSTM 레이어의 최종 결과가 된다.
또한, 예측 모델 생성부(120)는 순환 신경망(Recurrent Neural Network, RNN) 알고리즘 또는 합성곱 신경망(Convolutional Neural Network, CNN) 알고리즘을 포함하는 인공신경망(Artificial Neural Network, ANN) 알고리즘을 이용하여 예측 모델을 학습할 수도 있다.
그리고 예측부(130)는 예측하고자 하는 환자의 데이터 항목들을 예측 모델 생성부(120)에서 생성한 예측 모델에 반영하여 환자의 급성 신부전 발생 여부를 예측한다.
즉, 예측하고자 하는 환자의 데이터에서 신부전을 일으키는 데이터에 관한 항목들을 예측 모델에 입력하면, 예측부(130)는 해당 환자의 급성 신부전 발생 여부를 예측할 수 있다.
마지막으로 판단부(140)는 예측부(130)를 통해 해당 환자에게서 급성 신부전이 발생한 것으로 예측된 경우, 해당 환자가 기 정의된 유효성 평가 단계 중 어느 단계에 해당하는지 판단한다.
이때, 유효성 평가 단계는 혈청 크레아티닌이 기저수치보다 1.5배 이상 상승하거나 6시간 동안의 소변량이 0.5ml/kg 이하로 감소하는 경우 제1 단계(경증, Risk)로 구분하고, 혈청 크레아티닌이 기저수치보다 2배 이상 상승하거나 12시간 동안의 소변량이 0.5ml/kg 이하로 감소하는 경우 제2 단계(중등도, Injury)로 구분하며, 혈청 크레아티닌이 기저수치보다 3배 이상 상승하거나 24시간 동안의 소변량이 0.3ml/kg 이하로 감소 또는 12시간 동안 무뇨인 경우 제3 단계(중증, Failure)로 구분할 수 있으며, 제3 단계로 갈수록 위험도가 높아지도록 설정된다.
이하에서는 도 4 내지 도 8을 통해 본 발명의 실시 예에 따른 인공 지능 기반 기계 학습을 이용한 급성 신부전 발생 예측 방법에 대하여 설명한다.
도 4는 본 발명의 실시 예에 따른 인공 지능 기반 기계 학습을 이용한 급성 신부전 발생 예측 방법의 동작 흐름을 도시한 순서도로서, 이를 참조하여 본 발명의 구체적인 동작을 설명한다.
본 발명의 실시 예에 따르면, 먼저 급성 신부전 발생 예측 장치(100)의 데이터 입력부(110)는 기 선정된 기준에 대응하여 후향적 연구로 수집된 환자 데이터를 입력받아 후향적 코호트를 구성한다(S410).
이때, 데이터 입력부(110)는 입력받은 환자 데이터를 급성 신부전이 발생한 환자군과 발생하지 않은 환자군으로 구분하고, 구분된 데이터를 익명화 및 코드화하여 상기 후향적 코호트를 구성한다.
그 다음 예측 모델 생성부(120)는 S410 단계에서 입력받은 환자 데이터에서 신부전을 일으키는 데이터에 관한 항목들을 추출하고, 추출된 데이터를 기계 학습하여 급성 신부전 발생 여부를 예측하는 예측 모델을 생성한다(S420).
이때, 예측 모델 생성부(120)는 추출된 항목들을 기 설정된 기준에 따라 정적 변수와 동적 변수로 각각 구분한다.
먼저, 정적 변수는 환자의 나이, 성별, 키, 체중, 입원일자, 퇴원일자, BMI, 기저병력, 입원 원인, 입원 당시 및 입원 기간 내의 혈청 크레아티닌, 투석 여부, 약제 투약력, 수술 여부 중 적어도 하나 이상을 포함한다.
이때, 정적 변수에 대응하는 데이터들은 덴스 레이어를 이용하여 학습한다.
그리고 동적 변수는 백혈구 수치 변화 데이터, 검사 결과, 음식 섭취량, 배설량 중 적어도 어느 하나 이상을 하루 간격으로 측정한 데이터와, 혈압, 맥박, 음식 섭취량, 배설량 중 적어도 어느 하나 이상을 시간 단위로 측정한 데이터를 포함한다.
이때, 동적 변수에 대응하는 데이터들은 LSTM 레이어를 이용하여 학습한다.
도 5 내지 도 7은 본 발명의 실시 예에서 S420 단계를 설명하기 위해 도시한 도면이다.
도 5는 데이터 유시지 셋(Data Usage Set) 구성을 도시한 도면이고, 도 6은 수집 시계열 데이터를 지도 학습 데이터 구조로 전환한 것으로 도시한 도면으로, 구체적인 데이터 분석 방법은 도 5에서와 같이, 급성 신부전 발생 시점까지 갱신된 데이터를 이용하여 다음 시점에서의 급성 신부전 발생 여부에 대한 예측 모델을 구성하며, 기본 인구학적 정보와 한시간 단위로 자른 생체 징후와 검사 결과를 하나로 묶어서 다음날의 급성 신손상 발생 여부를 반응 변수로 하는 개개의 케이스 형태로 데이터를 전처리한다. 이때, 정제된 데이터에 대해 예측 모델을 구성한다.
그리고 도 6에서와 같이, 48시간 이후의 미래를 예측하기 위하여 48시간 이후 결과 학습을 이용하여 48시간 미래를 예측(Past History Time(48 hour) + Forecast Time(48 hour)) 할 수 있다.
도 7은 다변량 시퀸스 분류를 위해 정적 변수와 동적 변수가 결합되는 과정을 설명하기 위한 도면이다.
도 7에서와 같이, 덴스 레이어(Static Layer)는 정적 변수를 입력(Input: Static Variable)받아 다음 레이어에 전달하는데, 이때 시계열을 맞추기 위해 리피트벡터(Repeat Vector)를 사용하여 결합 레이어(concatenate Layer)로 전달하고, LSTM 레이어는 동적 변수(Dynamic Variable)를 입력(Input: Dynamic Day Variable, Input: Dynamic Hour Variable)받아 시간 단위 시계열 분석을 한 후 결합 레이어(concatenate Layer)로 전달한다. 이때, 결합 레이어(concatenate Layer)는 정적 변수와 동적 변수를 통합하여 최종 출력 레이어에서 클래스(Class)를 분류(Output: Static Variable, Output: Dynamic Day Variable, Output: Dynamic Hour Variable)하는 방법으로 구성된다.
따라서, 예측 모델 생성부(120)는 이와 같은 학습 과정을 통해 급성 신부전 발생 여부를 예측하는 예측 모델을 생성 및 학습할 수 있다.
또한, 예측 모델 생성부(120)는 순환 신경망(Recurrent Neural Network, RNN) 알고리즘 또는 합성곱 신경망(Convolutional Neural Network, CNN) 알고리즘을 포함하는 인공신경망(Artificial Neural Network, ANN) 알고리즘을 이용하여 예측 모델을 학습할 수도 있다.
그 다음 예측부(130)는 예측하고자 하는 환자의 데이터 항목들을 S420 단계에서 생성된 예측 모델에 반영하여 해당 환자의 급성 신부전 발생 여부를 예측한다(S430).
즉, 예측하고자 하는 환자의 데이터에서 신부전을 일으키는 데이터에 관한 항목들을 예측 모델에 입력하면, 예측부(130)는 해당 환자의 급성 신부전 발생 여부를 예측할 수 있다.
마지막으로 판단부(140)는 S430 단계의 예측 결과, 해당 환자에게서 신부전이 발생한 것으로 예측된 경우(S440), 해당 환자가 기 정의된 유효성 평가 단계 중 어느 단계에 해당하는지 판단한다(S450).
이때, 유효성 평가 단계는 세계 신장 학회(KDIGO)에서 제시하는 가이드 라인(RIFLE criteria)을 참고하여 정의할 수 있다.
도 8은 본 발명의 실시 예에서 S450 단계에서 기 정의된 유효성 평가 단계를 도시한 도면이다.
도 8에서와 같이, 혈청 크레아티닌이 기저수치보다 1.5배 이상 상승하거나 6시간 동안의 소변량이 0.5ml/kg 이하로 감소하는 경우 제1 단계(경증, Risk)로 구분하고, 혈청 크레아티닌이 기저수치보다 2배 이상 상승하거나 12시간 동안의 소변량이 0.5ml/kg 이하로 감소하는 경우 제2 단계(중등도, Injury)로 구분하며, 혈청 크레아티닌이 기저수치보다 3배 이상 상승하거나 24시간 동안의 소변량이 0.3ml/kg 이하로 감소 또는 12시간 동안 무뇨인 경우 제3 단계(중증, Failure)로 구분할 수 있으며, 제3 단계로 갈수록 위험도가 높아지도록 설정된다.
따라서, 급성 신부전 발생 예측 장치(100)는 S450 단계의 판단 결과에 대응하여 해당 환자의 치료가 적절하게 이루어지도록 치료 의사 결정을 제공할 수도 있다.
상술한 바와 같이, 본 발명의 실시 예에 따른 인공 지능 기반 기계 학습을 이용한 급성 신부전 발생 예측 장치 및 그 방법은 인공 지능 기반의 기계 학습 모델을 이용하여 집중치료실 환자의 임상적 상태에 따라 급성 신부전의 발생을 조기에 예측함으로써 급성 신부전으로 인한 사망 위험률을 감소시킬 수 있다.
또한 본 발명의 실시 예에 따르면, 급성 신부전 발병시 진단 및 치료가 신속하게 이루어지도록 함으로써 평균 입원 기간을 단축시킬 수 있고, 환자의 의료 비용을 경감시킬 수 있다.
또한 본 발명의 실시 예에 따르면, 환자의 의료 정보를 지속적으로 학습하도록 하여 신뢰도 높은 예측 모델을 구축할 수 있고, 학습하는 데이터에 따라 신장 질환뿐만 아니라 타 만성 질환에도 확대 적용할 수 있어 미래 첨단 의료 보건 산업의 입지를 구축할 수 있는 효과가 있다.
본 발명은 도면에 도시된 실시 예를 참고로 하여 설명되었으나 이는 예시적인 것에 불과하며, 당해 기술이 속하는 분야에서 통상의 지식을 가진 자라면 이로부터 다양한 변형 및 균등한 타 실시 예가 가능하다는 점을 이해할 것이다. 따라서 본 발명의 진정한 기술적 보호범위는 아래의 특허청구범위의 기술적 사상에 의하여 정해져야 할 것이다.
100 : 급성 신부전 발생 예측 장치 110 : 데이터 입력부
120 : 예측 모델 생성부 130 : 예측부
140 : 판단부

Claims (14)

  1. 인공 지능 기반 기계 학습을 이용한 급성 신부전 발생 예측 장치에 있어서,
    기 선정된 기준에 대응하여 후향적 연구로 수집된 환자 데이터를 입력받아 후향적 코호트(Retrospective cohort study)를 구성하는 데이터 입력부;
    상기 환자 데이터에서 신부전을 일으키는 데이터에 관한 항목들을 추출하고, 추출된 데이터를 기계 학습하여 급성 신부전 발생 여부를 예측하는 예측 모델을 생성하는 예측 모델 생성부; 및
    예측하고자 하는 환자의 데이터 항목들을 상기 예측 모델에 반영하여 상기 환자의 급성 신부전 발생 여부를 예측하는 예측부를 포함하며,
    상기 예측 모델 생성부는,
    상기 추출된 항목들을 기 설정된 기준에 따라 정적(Static) 변수와 동적(dynamic) 변수로 구분하여, 상기 정적 변수에 대응하는 데이터들은 덴스 레이어(Dense Layer)를 이용하여 학습하고, 상기 동적 변수에 대응하는 데이터들은 LSTM 레이어(Long Short Term Memory Layer)를 이용하여 학습하는 급성 신부전 발생 예측 장치.
  2. 삭제
  3. 제1항에 있어서,
    상기 정적 변수는,
    환자의 나이, 성별, 키, 체중, 입원일자, 퇴원일자, BMI, 기저병력, 입원 원인, 입원 당시 및 입원 기간 내의 혈청 크레아티닌, 투석 여부, 약제 투약력, 수술 여부 중 적어도 하나 이상을 포함하고,
    상기 동적 변수는,
    백혈구 수치 변화 데이터, 검사 결과, 음식 섭취량, 배설량 중 적어도 어느 하나 이상을 하루 간격으로 측정한 데이터와, 혈압, 맥박, 음식 섭취량, 배설량 중 적어도 어느 하나 이상을 시간 단위로 측정한 데이터를 포함하는 급성 신부전 발생 예측 장치.
  4. 제1항에 있어서,
    상기 예측 모델 생성부는,
    순환 신경망(Recurrent Neural Network, RNN) 알고리즘 또는 합성곱 신경망(Convolutional Neural Network, CNN) 알고리즘을 포함하는 인공신경망(Artificial Neural Network, ANN) 알고리즘을 이용하여 상기 예측 모델을 학습하는 급성 신부전 발생 예측 장치.
  5. 제1항에 있어서,
    상기 데이터 입력부는,
    상기 수집된 환자 데이터를 급성 신부전이 발생한 환자군과 발생하지 않은 환자군으로 구분하고, 구분된 데이터를 익명화 및 코드화하여 상기 후향적 코호트를 구성하는 급성 신부전 발생 예측 장치.
  6. 제1항에 있어서,
    상기 예측부를 통해 급성 신부전이 발생한 것으로 예측된 경우,
    해당 환자가 기 정의된 유효성 평가 단계 중 어느 단계에 해당하는지 판단하는 판단부를 더 포함하는 급성 신부전 발생 예측 장치.
  7. 제6항에 있어서,
    상기 기 정의된 유효성 평가 단계는,
    혈청 크레아티닌이 기저수치보다 1.5배 이상 상승하거나 6시간 동안의 소변량이 0.5ml/kg 이하로 감소하는 경우 제1 단계로 구분하고,
    혈청 크레아티닌이 기저수치보다 2배 이상 상승하거나 12시간 동안의 소변량이 0.5ml/kg 이하로 감소하는 경우 제2 단계로 구분하며,
    혈청 크레아티닌이 기저수치보다 3배 이상 상승하거나 24시간 동안의 소변량이 0.3ml/kg 이하로 감소 또는 12시간 동안 무뇨인 경우 제3 단계로 구분하며 제3 단계로 갈수록 위험도가 높아지도록 설정되는 급성 신부전 발생 예측 장치.
  8. 인공 지능 기반 기계 학습을 이용한 급성 신부전 발생 예측 방법에 있어서,
    급성 신부전 발생 예측 장치는 기 선정된 기준에 대응하여 후향적 연구로 수집된 환자 데이터를 입력받아 후향적 코호트(Retrospective cohort study)를 구성하는 단계;
    상기 환자 데이터에서 신부전을 일으키는 데이터에 관한 항목들을 추출하고, 추출된 데이터를 기계 학습하여 급성 신부전 발생 여부를 예측하는 예측 모델을 생성하는 단계; 및
    예측하고자 하는 환자의 데이터 항목들을 상기 예측 모델에 반영하여 상기 환자의 급성 신부전 발생 여부를 예측하는 단계를 포함하며,
    상기 예측 모델을 생성하는 단계는,
    상기 추출된 항목들을 기 설정된 기준에 따라 정적(Static) 변수와 동적(dynamic) 변수로 구분하여, 상기 정적 변수에 대응하는 데이터들은 덴스 레이어(Dense Layer)를 이용하여 학습하고, 상기 동적 변수에 대응하는 데이터들은 LSTM 레이어(Long Short Term Memory Layer)를 이용하여 학습하는 급성 신부전 발생 예측 방법.
  9. 삭제
  10. 제8항에 있어서,
    상기 정적 변수는,
    환자의 나이, 성별, 키, 체중, 입원일자, 퇴원일자, BMI, 기저병력, 입원 원인, 입원 당시 및 입원 기간 내의 혈청 크레아티닌, 투석 여부, 약제 투약력, 수술 여부 중 적어도 하나 이상을 포함하고,
    상기 동적 변수는,
    백혈구 수치 변화 데이터, 검사 결과, 음식 섭취량, 배설량 중 적어도 어느 하나 이상을 하루 간격으로 측정한 데이터와, 혈압, 맥박, 음식 섭취량, 배설량 중 적어도 어느 하나 이상을 시간 단위로 측정한 데이터를 포함하는 급성 신부전 발생 예측 방법.
  11. 제8항에 있어서,
    상기 예측 모델을 생성하는 단계는,
    순환 신경망(Recurrent Neural Network, RNN) 알고리즘 또는 합성곱 신경망(Convolutional Neural Network, CNN) 알고리즘을 포함하는 인공신경망(Artificial Neural Network, ANN) 알고리즘을 이용하여 상기 예측 모델을 학습하는 급성 신부전 발생 예측 방법.
  12. 제8항에 있어서,
    상기 후향적 코호트를 구성하는 단계는,
    상기 수집된 환자 데이터를 급성 신부전이 발생한 환자군과 발생하지 않은 환자군으로 구분하고, 구분된 데이터를 익명화 및 코드화하여 상기 후향적 코호트를 구성하는 급성 신부전 발생 예측 방법.
  13. 제8항에 있어서,
    상기 예측하는 단계에서 신부전이 발생한 것으로 예측된 경우,
    해당 환자가 기 정의된 유효성 평가 단계 중 어느 단계에 해당하는지 판단하는 단계를 더 포함하는 급성 신부전 발생 예측 방법.
  14. 제13항에 있어서,
    상기 기 정의된 유효성 평가 단계는,
    혈청 크레아티닌이 기저수치보다 1.5배 이상 상승하거나 6시간 동안의 소변량이 0.5ml/kg 이하로 감소하는 경우 제1 단계로 구분하고,
    혈청 크레아티닌이 기저수치보다 2배 이상 상승하거나 12시간 동안의 소변량이 0.5ml/kg 이하로 감소하는 경우 제2 단계로 구분하며,
    혈청 크레아티닌이 기저수치보다 3배 이상 상승하거나 24시간 동안의 소변량이 0.3ml/kg 이하로 감소 또는 12시간 동안 무뇨인 경우 제3 단계로 구분하며 제3 단계로 갈수록 위험도가 높아지도록 설정되는 급성 신부전 발생 예측 방법.
KR1020200068147A 2020-06-05 2020-06-05 인공 지능 기반 기계 학습을 이용한 급성 신부전 발생 예측 장치 및 그 방법 KR102504883B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020200068147A KR102504883B1 (ko) 2020-06-05 2020-06-05 인공 지능 기반 기계 학습을 이용한 급성 신부전 발생 예측 장치 및 그 방법

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020200068147A KR102504883B1 (ko) 2020-06-05 2020-06-05 인공 지능 기반 기계 학습을 이용한 급성 신부전 발생 예측 장치 및 그 방법

Publications (2)

Publication Number Publication Date
KR20210152047A KR20210152047A (ko) 2021-12-14
KR102504883B1 true KR102504883B1 (ko) 2023-03-02

Family

ID=78935071

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020200068147A KR102504883B1 (ko) 2020-06-05 2020-06-05 인공 지능 기반 기계 학습을 이용한 급성 신부전 발생 예측 장치 및 그 방법

Country Status (1)

Country Link
KR (1) KR102504883B1 (ko)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117894466B (zh) * 2024-03-15 2024-05-17 四川大学华西医院 基于循环神经网络的急性肾炎风险连续预测方法和系统

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105740641A (zh) * 2009-10-19 2016-07-06 提拉诺斯公司 集成的健康数据采集和分析系统
WO2018124831A1 (ko) * 2016-12-30 2018-07-05 서울대학교 산학협력단 대사이상 질환의 질병 위험도를 예측하는 장치 및 방법
KR101944859B1 (ko) * 2017-04-27 2019-02-01 (주)빅데이터연구소 질병 분석 및 예측 시스템
KR20200003407A (ko) * 2017-07-28 2020-01-09 구글 엘엘씨 전자 건강 기록으로부터 의료 이벤트를 예측 및 요약하기 위한 시스템 및 방법

Also Published As

Publication number Publication date
KR20210152047A (ko) 2021-12-14

Similar Documents

Publication Publication Date Title
Rady et al. Prediction of kidney disease stages using data mining algorithms
Gonsalves et al. Prediction of coronary heart disease using machine learning: an experimental analysis
Murugesan et al. Fuzzy logic-based systems for the diagnosis of chronic kidney disease
Devi et al. A novel hybrid approach for diagnosing diabetes mellitus using farthest first and support vector machine algorithms
Hina et al. Analyzing diabetes datasets using data mining
Bakar et al. A review: heart disease prediction in machine learning & deep learning
Reddy et al. Diabetes correlated renal fault prediction through deep learning
KR102504883B1 (ko) 인공 지능 기반 기계 학습을 이용한 급성 신부전 발생 예측 장치 및 그 방법
Yogish Prediction of Chronic kidney disease using machine learning technique
Saif et al. Deep-kidney: an effective deep learning framework for chronic kidney disease prediction
Shanmugarajeshwari et al. Intelligent Decision Support for Identifying Chronic Kidney Disease Stages: Machine Learning Algorithms
Pati et al. An ensemble deep learning approach for Chronic kidney disease (CKD) prediction
Jayashree et al. Hybrid swarm intelligent redundancy relevance (RR) with convolution trained compositional pattern neural network expert system for diagnosis of diabetes
Abuomar et al. Classification and detection of chronic kidney disease (CKD) using machine learning algorithms
Turiac et al. Data mining approach in diagnosis and treatment of chronic kidney disease
Liu et al. A predictive model for acute allograft rejection of liver transplantation
Sumathi et al. Machine learning based pattern detection technique for diabetes mellitus prediction
Anil et al. Prediction of Chronic Kidney Disease Using Various Machine Learning Algorithms
Sood et al. Performance Comparison of Artificial Intelligence-Based Recommendation Systems based on Healthcare Dataset
Teixeira et al. A goal-based framework for supporting medical assistance: The case of chronic diseases
Pathak et al. Application of machine learning in chronic kidney disease risk prediction using electronic health records (EHR)
Godfrey et al. Fuzzy Logic-Based Driven Model for Detection and Prediction of Diabetes Mellitus Type 2
Usharani et al. A Comparative Analysis of Classical Machine Learning and Deep Learning Approaches for Diabetic Peripheral Neuropathy Prediction
Apostolopoulos et al. Towards an Internet of Things application for the prognosis of Coronary Artery Disease using Machine Learning and Fuzzy Logic
Aruna et al. Diagnosis of gastrointestinal disorders using DIAGNET

Legal Events

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