KR102517271B1 - 딥러닝을 이용한 fhir 의료 정보 표준 매핑 및 이를 통한 의료 정보 통합 서비스 제공 방법 - Google Patents

딥러닝을 이용한 fhir 의료 정보 표준 매핑 및 이를 통한 의료 정보 통합 서비스 제공 방법 Download PDF

Info

Publication number
KR102517271B1
KR102517271B1 KR1020200169388A KR20200169388A KR102517271B1 KR 102517271 B1 KR102517271 B1 KR 102517271B1 KR 1020200169388 A KR1020200169388 A KR 1020200169388A KR 20200169388 A KR20200169388 A KR 20200169388A KR 102517271 B1 KR102517271 B1 KR 102517271B1
Authority
KR
South Korea
Prior art keywords
fhir
mapping rule
item
medical information
mapping
Prior art date
Application number
KR1020200169388A
Other languages
English (en)
Other versions
KR20220080364A (ko
Inventor
박기호
류대선
최욱
이기택
정광철
Original Assignee
(주)미라벨소프트
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 (주)미라벨소프트 filed Critical (주)미라벨소프트
Priority to KR1020200169388A priority Critical patent/KR102517271B1/ko
Publication of KR20220080364A publication Critical patent/KR20220080364A/ko
Priority to KR1020230041193A priority patent/KR20230049592A/ko
Application granted granted Critical
Publication of KR102517271B1 publication Critical patent/KR102517271B1/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
    • G16H40/00—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices
    • G16H40/20—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices for the management or administration of healthcare resources or facilities, e.g. managing hospital staff or surgery rooms
    • 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
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/02—Detecting, measuring or recording pulse, heart rate, blood pressure or blood flow; Combined pulse/heart-rate/blood pressure determination; Evaluating a cardiovascular condition not otherwise provided for, e.g. using combinations of techniques provided for in this group with electrocardiography or electroauscultation; Heart catheters for measuring blood pressure
    • A61B5/021—Measuring pressure in heart or blood vessels
    • A61B5/02108—Measuring pressure in heart or blood vessels from analysis of pulse wave characteristics
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/68—Arrangements of detecting, measuring or recording means, e.g. sensors, in relation to patient
    • A61B5/6801—Arrangements of detecting, measuring or recording means, e.g. sensors, in relation to patient specially adapted to be attached to or worn on the body surface
    • A61B5/683—Means for maintaining contact with the body
    • A61B5/6831—Straps, bands or harnesses
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H10/00—ICT specially adapted for the handling or processing of patient-related medical or healthcare data
    • 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
    • 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
    • G16H70/60—ICT specially adapted for the handling or processing of medical references relating to pathologies
    • 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

본 발명은 의료 정보의 표준화 및 이를 통한 의료 정보의 통합 방법에 관한 것이다. 본 발명의 일실시예에 따른 이종 의료 데이터 기반 FHIR 리소스 생성 방법은 수집된 이종의 의료 정보 내 데이터의 필드명 및 필드값을 추출하는 단계; 상기 추출된 필드명의 유사도를 판단하고, 상기 유사도에 따라 상기 필드명과 FHIR(Fast Healthcare Interoperability Resources) 표준 항목간의 매핑 규칙을 정의하는 단계; 및 상기 정의된 매핑 규칙에 따라 상기 필드 값들을 저장하는 단계를 포함하는 것을 특징으로 하고, 상기 필드명과 표준 항목간의 매핑 규칙이 미정의된 경우 상기 필드값의 유사도를 판단하여, 상기 필드명을 표준 항목에 매핑시키는 것이 바람직하다. 본 발명에 따르면 FHIR의 표준에 맞는 의료 정보의 매핑을 통해 다양한 양식의 의료 정보를 표준화하고 이를 통해 빅데이터 기반의 의료 서비스를 제공할 수 있다.

Description

딥러닝을 이용한 FHIR 의료 정보 표준 매핑 및 이를 통한 의료 정보 통합 서비스 제공 방법{Method for providing service integrating medical report and FHIR mapping using deep learning}
본 발명은 의료 정보의 표준화 및 이를 통한 의료 정보의 통합 방법에 관한 것이다.
다양한 터미놀로지에 따라 관리되는 의료 정보의 표현 방식의 차이는 현재 빅데이터 기반의 의료 서비스의 구현에 장벽이 되었으며 이에 따라 의료 정보들을 통합하고 관리할 필요성을 느끼게 되었다.
HL7은 V2 Message,V3 RIM, CDA 등의 다양한 표준을 개발하였으나, 최근에는 다양한 장치로 모바일이나, 클라우드, 사물 인터넷 기반의 웨어러블 디바이스 장치로 프레임이 확대됨에 따라 보다 유연한 대응이 필요하였으며 비 의료인이나 의료 시스템 전문 개발자가 아니더라도 데이터 구조를 이해하고 서비스를 구현할 필요성이 증대되고 있다.
따라서, HL7은 기존의 단점들을 보완하고 변화에 유연하게 대처하기 위하여 표준들을 통합함과 동시에 사용자가 자유롭게 확장 가능한 FHIR(Fast Healthcare Interoperability Resources) 프레임 워크를 개발하였다.
하지만, 그럼에도 불구하고 실제 의료시장에서는 FHIR로 직접 의료 정보들을 매핑시키기 위해서는 추가적인 작업이 필요하고 이에 따라 다양한 API들이 부가적으로 개발되고 있는 실정이다(미국공개특허공보 2019-0180862 (2019.06.13)).
마이크로소프트는 Azure API for FHIR을 사용하면 클라우드의 관리형 PaaS(Platform-as-a-Service) 제품에서 지원하는 FHIR API를 통해 데이터를 빠르게 교환할 수 있도록 하는 서비스를 제공하고 있다.
따라서, 이러한 흐름에 맞추어 딥러닝을 적용하여 효율적인 매핑 방법과 실제 사용환경을 바탕으로 동적으로 적용 가능한 매핑 솔루션의 개발이 요구되고 있다.
본 발명은 FHIR의 표준에 맞는 의료 정보의 매핑 방법을 제안하는 것을 목적으로 한다.
본 발명은 의료 정보의 손실이 없는 매핑 방법을 제안하는 것을 목적으로 한다.
또한 본 발명은 딥러닝을 이용하여 정의되지 않은 데이터를 매핑할 수 있는 규칙을 생성하여 표준화하는 방법을 제안하는 것을 목적으로 한다.
상기 기술적 과제를 해결하기 위한 본 발명의 일실시예에 따른 이종 의료 데이터 기반 FHIR 리소스 생성 방법은 수집된 이종의 의료 정보 내 데이터의 필드명 및 필드값을 추출하는 단계; 상기 추출된 필드명의 유사도를 판단하고, 상기 유사도에 따라 상기 필드명과 FHIR(Fast Healthcare Interoperability Resources) 표준 항목간의 매핑 규칙을 정의하는 단계; 및 상기 정의된 매핑 규칙에 따라 상기 필드 값들을 저장하는 단계를 포함하는 것을 특징으로 하고, 상기 필드명과 표준 항목간의 매핑 규칙이 미정의된 경우 상기 필드값의 유사도를 판단하여, 상기 필드명을 표준 항목에 매핑시키는 것이 바람직하다.
상기 매핑 규칙을 정의하는 단계는, 상기 의료 정보를 병리 검사 항목, 용어 체계 항목, 및 진단 코드 항목으로 구분된 제1 계층 항목으로 매핑시키는 단계; 및 상기 제1 계층 항목을 FHIR 표준 항목에 매핑시키는 단계를 포함하는 것이 바람직하다.
상기 병리 검사 항목은 LOINC((Logical Observation Identifiers Names and Codes)을 참조하여 생성되는 것이 바람직하다.
상기 용어 체계 항목은 SNOMED CT(Systematized Nomenclature of Medicine Clinical Terms)를 참조하여 생성되는 것이 바람직하다.
상기 진단 코드 항목은 ICD(International classification of diseases)-10을 참조하여 생성되는 것이 바람직하다.
상기 정의된 매핑 규칙을 저장하는 단계를 더 포함하고, 상기 매핑 규칙을 저장하는 단계는 필드값의 유사도의 판단에 따른 필드명의 신규 매핑 규칙에 대한 사용자의 컨펌을 수신하고, 컨펌된 신규 매핑 규칙을 정의된 매핑 규칙에 반영하는 것이 바람직하다.
상기 필드명 또는 필드값의 유사도는 텍스트의 의미 분석을 수행하는 신경망을 통해 산출되며, 상기 신경망은 상기 컨펌된 신규 매핑 규칙에 따른 필드값의 유사도를 이용하여 추가 학습되는 것이 바람직하다.
상기 의료 정보는 개인 건강 기록(PHR:Personal Health Record)을 포함하고,
상기 개인 건강 기록은 정보의 획득 주기를 기초로 정규화 되는 것이 바람직하다.
상기 개인 건강 기록은, EMR 기반의 제1 개인 건강 기록과 환자 개인의 자가 진단에 따른 제2 개인 건강 기록으로 구분되며, 제2 개인 건강 기록은 제1 개인 건강 기록에 따른 신뢰도가 부여되는 것이 바람직하다.
본 발명에 따르면 FHIR의 표준에 맞는 의료 정보의 매핑을 통해 다양한 양식의 의료 정보를 표준화하고 이를 통해 빅데이터 기반의 의료 서비스를 제공할 수 있다.
본 발명은 딥러닝을 이용하여 매핑 규칙이 정의되지 않은 데이터에 대해서도 FHIR 표준에 따라 매핑시키는 룰을 생성하도록 하고, 이를 통해 새로운 장치나 센서로부터 수집되는 정보들에 대해서도 유연하게 대처할 수 있다.
또한, 본 발명은 기타 정보들은 FHIR의 확장 가능한 영역에 포함하도록 하여 데이터의 유실 없는 관리 프레임을 제공할 수 있다.
도 1은 본 발명의 일실시예에 따른 이종 의료 데이터 기반 FHIR 리소스 생성 방법이 동작되는 시스템의 구현예를 나타내는 도이다.
도 2는 본 발명의 일실시예에 따른 FHIR 구조를 나타내는 도이다.
도 3a 및 3b는 본 발명의 일실시예에 따른 이종 의료 데이터 기반 FHIR 리소스 생성 방법이 동작되는 시스템의 흐름을 나타내는 도이다.
도 4 내지 7은 본 발명의 일실시예에 따른 FHIR 구조를 나타내는 도이다.
도 8은 본 발명의 일실시예에 따른 이종 의료 데이터 기반 FHIR 리소스 생성 방법이 동작되는 신경망의 구조를 나타내는 도이다.
도 9는 본 발명의 일실시예에 따른 FHIR 매핑을 위한 중간 제1 계층 항목을 나타내는 도이다.
도 10은 본 발명의 일실시예에 따른 매핑 서버의 구성을 나타내는 도이다.
이하의 내용은 단지 발명의 원리를 예시한다. 그러므로 당업자는 비록 본 명세서에 명확히 설명되거나 도시 되지 않았지만 발명의 원리를 구현하고 발명의 개념과 범위에 포함된 다양한 장치를 발명할 수 있는 것이다. 또한, 본 명세서에 열거된 모든 조건부 용어 및 실시 예들은 원칙적으로, 발명의 개념이 이해되도록 하기 위한 목적으로만 명백히 의도되고, 이외같이 특별히 열거된 실시 예들 및 상태들에 제한적이지 않는 것으로 이해되어야 한다.
상술한 목적, 특징 및 장점은 첨부된 도면과 관련한 다음의 상세한 설명을 통하여 보다 분명해질 것이며, 그에 따라 발명이 속하는 기술분야에서 통상의 지식을 가진 자가 발명의 기술적 사상을 용이하게 실시할 수 있을 것이다.
또한, 발명을 설명함에 있어서 발명과 관련된 공지 기술에 대한 구체적인 설명이 발명의 요지를 불필요하게 흐릴 수 있다고 판단되는 경우에 그 상세한 설명을 생략하기로 한다. 이하에는 첨부한 도면을 참조하여 본 발명의 바람직한 실시 예에 대해 상세하게 설명한다.
도 1은 본 발명의 일 실시예에 따른 이종 의료 데이터 기반 FHIR 리소스 생성 방법을 제공하는 시스템을 나타내는 도이다.
본 실시예에 따른 시스템은 의료 기관 또는 웨어러블 디바이스로부터 제공되는 다양한 의료 정보(50)를 수집하는 표준 매핑 서버(100)와, 목표로 하는 표준인 FHIR에 따라 가공된 정보를 제공받는 정보 요구 서버(200)로 구성된다.
즉, 표준 매핑 서버(100)는 다양한 기관이나 장치로부터 의료 정보를 수집하고 이를 표준에 따라 매핑한다.
기관은 병원 외에, 의료 보험 관련 공단이나 기타 질병 정보들을 관리하는 단체를 포함할 수 있으며 따라서 기존의 표준에 따라 코드화 된 정보를 제공할 수 있으며 추가적인 판단 정보들을 별도의 항목으로 제공할 수 있다.
그 외에도 최근에는 사물 인터넷, 모바일 통신 시장의 증가와 센서의 소형화에 따라 다양한 생체 센서들이 접목된 장치들이 출시되고 있으며 이를 통해 개인의 건강 상태 정보를 수집할 수 있다.
센싱되는 정보는 센싱된 값 자체일 수 있으며 또는 센싱된 값을 기준으로 웨어러블 장치에서 진단한 진단 정보일 수 있다.
다만 이러한 개인화된 장치는 전문 의료 지식에 따른 판단이 아니므로 별도의 데이터 정제 과정을 거칠 수 있으며, 예를 들어 최고/최저 혈압의 판단 결과는 병원에서 진단한 값을 기준으로 재조정될 수 있다.
이상의 다양한 소스로부터 수집된 의료 정보를 표준 매핑 서버(100)는 FHIR에 맞게 매핑한다.
FHIR는 전자 건강 기록을 교환하기 위한 데이터 형식 및 요소와 응용 프로그래밍 인터페이스를 설명하는 표준이다.
구체적으로 도 2를 참조하면, 본 매핑 서버(100)에서 목표로 하는 표준은 FHIR로 Release 4의 경우 5가지 항목으로 구분되며, 항목 내에서도 각각 정의된 구조를 갖는다FHIR는 리소스를 사람이나 기관을 의미할 수 있는 'Clinical, Diagnostics, Medication' 등으로 구분하며, 약과 관련된 내용을 포함하는 'Medication' 내에는 면역과 관련된 내용을 'Immunization'으로 정의하고 있다.
즉, FHIR는 환자의 의료 데이터를 체계화하여 다양한 의료 기관 외에 의료 정보를 활용하는 기업이나, 개인들도 건강 정보를 편리하게 획득하고 이에 따라 원격 진료나 처방 등의 서비스를 지원받을 수 있도록 한다.
따라서, 본 실시예에 따른 표준 매핑 서버(100)는 획득된 의료 정보들을 FHIR에 따른 리소스에 저장함에 있어 저장된 룰(Rule, 규칙) 또는 신경망을 이용한 의미 해석 기반의 매핑 규칙을 생성한다.
이하, 도 3a를 참조하여 구체적인 동작에 대하여 설명한다.
도 3a를 참조하면 표준 매핑 서버(100)는, 다양한 표준이나 비정형 의료 정보를 수집하고, 의료 정보의 데이터를 정의하는 필드명과 실제 데이터 값인 필드 값을 추출한다(S100).
따라서, 필드명을 참조하여 우선적으로 매핑 규칙을 결정하되 필드명의 규칙이 없는 경우에는 필드값을 순차적으로 참조하여 매핑 규칙을 결정할 수 있다.
즉, 추출된 정보를 이용하여 표준에 따라 미리 정해진 매핑 규칙이 있는 경우에는 직접 매핑을 수행한다.
구체적으로 본 실시예에서 매핑은 로(raw) 데이터에 해당하는 의료 정보를 직접 FHIR에 매핑하는 대신, 중간 항목으로 매핑 시킨 이후에 FHIR 표준으로 저장하는 방식으로 수행될 수 있다.
다만, 매핑 규칙이 결정되지 않은 경우 추출된 필드명의 유사도를 판단하고 유사도에 따라 필드명과 FHIR 표준 항목 간의 매핑 규칙을 정의한다(S200).
도 3b를 참조하면 매핑 규칙을 정의하기 위해 의료 정보를 제1 계층 항목으로 매핑하고 매핑 된 제1 계층 항목을 기반으로 FHIR 리소스화 할 수 있다(S210).
매핑 규칙이 없는 경우 본 실시예에 따른 표준 매핑 서버(100)는 의미 해석을 기반으로 룰을 직접 정의할 수 있다.
이때, 새롭게 정의되는 매핑 규칙은 수집된 의료 정보의 데이터 필드 명, 필드 값을 각각 참조하여 생성될 수 있다.
즉, 본 실시예에서는 필드명과 필드 값의 신경망을 통한 의미해석을 기반으로 새로운 매핑 규칙을 재 정의한다.
구체적으로는 해석된 의미적 특징 간의 유사도를 이용하여 기존의 매핑 규칙에 유사한 필드명이 존재하는 경우는 기존 규칙을 그대로 적용하도록 할 수 있다.
반면 필드명의 유사도가 기준 임계 값 이하로, 적용할 수 있는 종래의 규칙이 없는 경우에는 필드 값을 참조한다.
즉, 필드명을 통해 표준 항목과 유사도를 판단하여 기준 이상의 유사도가 산출되는 경우 매핑 규칙으로 정의할 수 있으나, 그렇지 않은 경우에는 필드 값을 2차적으로 이용하여 유사도를 판단하여 표준 항목으로 매핑한다(S300).
이때에는 필드 값의 의미해석을 기반으로 기존의 규칙에서 필드 값이 유사한 항목을 찾고 역으로 상위 필드명을 매핑 시키는 규칙을 참조하도록 할 수 있다.
이때의 정의되는 규칙은 직접 FHIR 리소스에 대응하도록 설정되는 대신, 제1 계층 항목으로 매핑 되도록 할 수 있다.
제1 계층 항목으로 매핑되면, 제1 계층 항목은 FHIR 리소스에 직접 정의되므로 FHIR에 따라 입력된 의료 정보들을 매핑한다(S220).
이상의 과정을 통해 생성된 신규 매핑 규칙은 저장되어 추후 입력되는 의료 정보의 매핑에 이용될 수 있다.
또한, 추가적으로 도시하지는 않았으나 매핑 규칙을 저장하는 단계는 필드값의 유사도의 판단에 따른 필드명의 신규 매핑 규칙에 대한 사용자의 컨펌을 수신하고, 컨펌된 신규 매핑 규칙을 정의된 매핑 규칙에 반영함으로써 매핑 규칙에 대한 검증을 수행하는 것도 가능하다.
이하, 본 실시예에 따른 제1 계층 항목의 구조에 대하여 설명한다.
이를 위해 도 4를 참조하여 먼저 FHIR 구조에 대해 설명하면, 예를 들어 약물처치(Medication) 항목의 경우 도 4와 같은 구조로 데이터가 정의된다.
이때, 코드 정보는 다른 표준인 SNOMED 코드 정보를 이용하여 매핑하도록 정의된다. SNOMED는 임상 문서 및 보고체계를 정의한 코드, 용어, 동의어 및 정의를 제공하는 의료용어 모음에 대한 표준이다. 따라서, 제1 계층 항목은 우선적으로 SNOMED에 따른 코드로 매핑 되도록 규칙을 설정할 수 있으며 매핑 된 정보들은 FHIR 표준에 맞게 'Medication'에서 참조할 수 있도록 한다.
또한, 도 5를 참조하면 또한 진단리포트(Diagnostic Report) 항목의 경우 도 5와 같은 구조로 데이터가 정의된다.
이때, 코드 정보는 다른 표준인 LOINC 코드 정보를 이용하여 매핑하도록 정의된다. LOINC는 실험실 및 임상검사 결과를 식별하기 위해 정의된 코드이다.
따라서 매핑 규칙을 본 실시예에 따른 매핑 서버(100)가 LOINC로 정의할 수 있도록 한다.
구체적으로 실험 결과나 수치적인 의료 정보에 대해서는 필드 명과 필드 값을 참조하여 LOINC로 매핑하는 규칙을 생성할 수 있으며 이는 FHIR 내의 진단 리포트에 저장되어 참조할 수 있다.
도 6을 참조하면, 그 외에도 FHIR에는 다른 표준의 참조 및 이용 규칙에 대해서 미리 정의하고 있다.
다만, 이에 정의되지 않은 표준이나 비정형 데이터들의 경우에는 별도의 매핑 규칙을 생성할 필요가 있다.
도 7을 참조하면 예를 들어 가족력(Familymemberhistory)과 관련하여서도, reasonCode는 상술한 SNOMED를 이용하는 것으로 정의되어 있으나, 가족력에 따른 Condition 내 결과(outcome)로 사망(deceased), 영구적 장애(permanent Disability) 에 대한 구분, 또는 죽음 기여도(Contributedtodeath) 필드에 대한 규칙은 정의되어 있지 않다.
따라서, 본 매핑 서버(100)는 FHIR 내 데이터 정의 기준 또는 과거 매핑된 데이터와의 유사도를 기초로 SNOMED로 매핑할 수 있으나, 가족력에 의한 결과 나 죽음 기여도와 관련된 값에 연관된 의료 정보를 인식하여 신경망을 이용하여 새로운 매핑 규칙을 생성하는 것도 가능하다.
구체적으로 제공되는 의료 정보는, 데이터에 대한 데이터로 메타 데이터와 실제 정보 값을 가지고 있는데 메타 데이터에 해당하는 데이터 필드명과 정보 값으로 필드 값을 미리 학습된 신경망을 이용하여 의미를 추론할 수 있다. 이때 의미는 신경망을 이용하여 각각 특징 값으로 출력되며 해당 특징 값을 데이터 정의를 위해 학습된 기준 값과의 유사도를 이용하여 매핑 시킬 수 있다.
이상의 과정을 통해 규칙이 정해진 의료 정보는 직접 FHIR 에 매핑하여 저장하되, 그렇지 않은 의료 정보에 대해서는 필드명 및 필드값의 유사도에 따라 제1 계층 항목의 매핑 규칙을 정의하고 이을 이용하여 FHIR 리소스로 저장한다(S400).
도 8을 참조하면, 신경망은 입력된 의료 정보로서 데이터 필드명과 필드 값을 이용하여 특징정보를 추출한다. 신경망 내부의 레이어들은 의료 정보 내에서 의미를 갖는 표현이나 특징들을 강조하도록 연산 되며 예를 들어 CNN기반의 구조로 생성되는 경우에는 합성곱 연산을 통해 특징들은 더욱 강조된다.
즉 내부의 히든 레이어는 중간 특징 정보로서 데이터 필드명에 대한 제1 특징 값과 필드 값에 대한 제2 특징 값을 생성할 수 있다. 이상의 특징 값들은 출력층의 완전 연결 레이어로 평탄화 되어 출력될 수 있으며 해당 출력 값은 제1 분류에 따른 항목들과의 유사도를 기초로 분류될 수 있다. 바람직하게 제1 분류는 제1 계층 항목에 따른 값으로 구분되며 신경망은 출력 값을 통해 제1 분류를 생성할 수 있다.
도 9를 참조하면, 본 실시예에서 제1 분류는 정보를 병리 검사 항목, 용어 체계 항목, 및 진단 코드 항목으로 구분된다.
구체적으로, 병리 검사 항목은 상술한 예에서 LOINC((Logical Observation Identifiers Names and Codes)을 참조하여 생성되는 것일 수 있다.
용어 체계 항목은 SNOMED CT(Systematized Nomenclature of Medicine Clinical Terms)를 참조하여 생성되는 것일 수 있다.
진단 코드 항목은 ICD(International classification of diseases)-10을 참조하여 생성되는 것일 수 있다. 이상의 제1 계층 항목은 내부에서 FHIR에 따른 참조 구조를 가질 수 있다.
LOINC의 경우 검사와 임상관찰(test and observations)을 명명하는 시스템(naming system)으로 예를 들어 헤모글로빈 수치, serum K (potassium), 활력징후(vital signs), 섭취/배설량(intake/output) 등의 신체관찰소견을 정의한다.
구체적으로 수행되는 검사 항목은 일반 화학검사, 혈액검사, 혈청검사, 미생물검사, 독성검사, 항생제 민감도검사 등일 수 있으며 해당 검사 항목에 대한 결과를 항목에 따라 관리할 수 있도록 한다.
SNOMED CT의 항목들은 아래의 테이블로 정의되며, 신경망은 관계 테이블에 해당하는 내용을 학습한다. 이를 통해 의료 정보를 매핑하는 규칙을 생성한다(아래 표 1 참고).
테이블 이름 설명
개념 테이블
(Concepts Table)		 개념(concept) 테이블의 각 열은 임상 개념을 나타낸다.
각각의 개념은 그 개념의 유일한 식별자와 그 개념의 성격을 특징짓는 Fully Specified Name을 가진다.
동의어 테이블
(Descriptions Table)		 동의어(description) 테이블의 용어는 임상 개념과 연관된 것으로 임상 개념을 나타내는 데 쓰인다.
각 용어는 식별자를 가지고 있으며, 용어가 표현하는 개념의 식별자도 포함한다.
관계 테이블
(Relationships Table)		 두 개념간의 관계를 나타낸다.
다른 개념을 참조하는 방식에 의해 관계 유형이 결정된다.
ICD-10은 질병의 징후보다는 원인에 근거를 둔 질병 분류에 대한 것으로 건강상태(V)나 사망요인(E), 종양형태(M) 분류한다.또한, WHO가 권고한 국제질병분류(ICD-10)와 종양학국제질병분류(ICD-O)의 최근 변경내용을 반영한 우리나라의 KCD-7도 병행하여 참조하는 것으로 각국의 의료 체계를 반영하여 매핑할 수 있도록 한다.
이 외에 제1 분류로 규칙이 결정되지 않은 의료 정보들을 재 분류하여 동일 분류로 판단된 의료 정보들의 빈도 수가 임계 이상인 경우에는 신경망은 제1 분류에 추가 항목을 생성할 수 있으며 이를 통해 능동적으로 신규 데이터에 대해 반응할 수 있도록 한다.
즉 본 실시예에서는 중간 항목인 제1 계층 항목의 추가나 수정을 통해 새롭게 수집되는 의료 정보에 대응할 수 있으며, FHIR의 확장성에 대응하여 시스템을 업데이트 할 수 있도록 한다.
또한, 신규 항목의 FHIR 내부의 규칙은 사용자가 직접 정의할 수 있으며 사용자 확인을 통해 의료 정보들은 FHIR에 맞추어 저장될 수 있다.
나아가 본 실시예에서 의료 정보는 웨어러블 장치를 통해 수집되는 개인 건강 기록(PHR:Personal Health Record)을 포함하는데, 이러한 개인 건강 기록은 정보의 획득 주기를 기초로 정규화 될 수 있다.
즉 개인 건강 기록은 웨어러블 장치에 이용되는 센서의 종류나 버전에 따라 다양한 단위의 값을 가질 수 있으므로 정규화하여 매핑 시킬 수 있다.
또한 개인 건강 기록은 전문화된 의료 기관의 검증 여부에 따라 신뢰도를 부여하고 이를 반영하여 매핑하는 것도 가능하다.
즉, 개인 건강 기록을 EMR 기반의 제1 개인 건강 기록과 환자 개인의 자가 진단에 따른 제2 개인 건강 기록으로 구분하여 제2 개인 건강 기록은 제1 개인 건강 기록에 따른 신뢰도가 부여할 수 있다.
상술한 예에서 웨어러블 스마트 밴드에서 측정한 혈압을 그대로 이용하는 경우는 제2 개인 건강 기록일 수 있으며 맥박 파형을 기준 혈압과 비교 분석하여 재조정된 정보는 제1 개인 건강 기록으로 관리될 수 있다.
도 10을 참조하면, 이상의 매핑 서버(100)는 도 10과 같은 형태로 구성될 수 있다.
먼저 의료 정보 수집부(110)는 상술한 의료 기관 또는 웨어러블 디바이스로부터 제공되는 다양한 의료 정보(50)를 수집한다.
의료 정보 특징 추출부(120)는 신경망(125)을 이용하여 매핑 규칙이 미 정의된 의료 정보의 필드명 또는 필드값을 참조하여 새로운 매핑 규칙을 정의할 수있다.
구체적으로 본 실시예에서 신경망(125)은 직접 FIHR 터미놀로지에 따라 매핑시키는 대신, 제1 계층 항목에 따른 분류로 먼저 의료 정보를 매핑하도록 하고 분류된 정보를 FHIR에 매핑 시킴으로써 의료정보의 유실을 최소화한다.
이상의 과정을 통해 생성된 매핑 규칙들은 매핑 규칙 저장부(130)에 저장되며, 매핑 규칙 저장부는 FHIR 터미놀로지(135)에 따른 규칙들도 미리 저장함으로써 입력되는 의료 정보에 대한 매핑 규칙이 존재하는지를 판단하여 중복 정의를 방지한다.
데이터 제공부(140)는 FHIR 리소스를 생성하여 출력한다. 따라서 정보를 수신하는 정보 요구 서버(200)는 FHIR 기반의 수집된 데이터들을 가공하고 처리하여 진단, 보험 산정 등의 다양한 분야에 활용할 수 있도록 한다.
이상 본 발명에 따르면 FHIR의 표준에 맞는 의료 정보의 매핑을 통해 다양한 양식의 의료 정보를 표준화하고 이를 통해 빅데이터 기반의 의료 서비스를 제공할 수 있다.
본 발명은 딥러닝을 이용하여 매핑 규칙이 정의되지 않은 데이터에 대해서도 FHIR 표준에 따라 매핑시키는 룰을 생성하도록 하고, 이를 통해 새로운 장치나 센서로부터 수집되는 정보들에 대해서도 유연하게 대처할 수 있다.
또한, 본 발명은 기타 정보들은 FHIR의 확장 가능한 영역에 포함하도록 하여 데이터의 유실 없는 관리 프레임을 제공할 수 있다.
나아가, 여기에 설명되는 다양한 실시예는 예를 들어, 소프트웨어, 하드웨어 또는 이들의 조합된 것을 이용하여 컴퓨터 또는 이와 유사한 장치로 읽을 수 있는 기록매체 내에서 구현될 수 있다.
하드웨어적인 구현에 의하면, 여기에 설명되는 실시예는 ASICs (application specific integrated circuits), DSPs (digital signal processors), DSPDs (digital signal processing devices), PLDs (programmable logic devices), FPGAs (field programmable gate arrays, 프로세서(processors), 제어기(controllers), 마이크로 컨트롤러(micro-controllers), 마이크로 프로세서(microprocessors), 기타 기능 수행을 위한 전기적인 유닛 중 적어도 하나를 이용하여 구현될 수 있다. 일부의 경우에 본 명세서에서 설명되는 실시예들이 제어 모듈 자체로 구현될 수 있다.
소프트웨어적인 구현에 의하면, 본 명세서에서 설명되는 절차 및 기능과 같은 실시예들은 별도의 소프트웨어 모듈들로 구현될 수 있다. 상기 소프트웨어 모듈들 각각은 본 명세서에서 설명되는 하나 이상의 기능 및 작동을 수행할 수 있다. 적절한 프로그램 언어로 씌여진 소프트웨어 어플리케이션으로 소프트웨어 코드가 구현될 수 있다. 상기 소프트웨어 코드는 메모리 모듈에 저장되고, 제어모듈에 의해 실행될 수 있다.
이상의 설명은 본 발명의 기술 사상을 예시적으로 설명한 것에 불과한 것으로서, 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자라면 본 발명의 본질적인 특성에서 벗어나지 않는 범위 내에서 다양한 수정, 변경 및 치환이 가능할 것이다.
따라서, 본 발명에 개시된 실시 예 및 첨부된 도면들은 본 발명의 기술 사상을 한정하기 위한 것이 아니라 설명하기 위한 것이고, 이러한 실시 예 및 첨부된 도면에 의하여 본 발명의 기술 사상의 범위가 한정되는 것은 아니다. 본 발명의 보호 범위는 아래의 청구 범위에 의하여 해석되어야 하며, 그와 동등한 범위 내에 있는 모든 기술 사상은 본 발명의 권리 범위에 포함되는 것으로 해석되어야 할 것이다.

Claims (11)

  1. 서버에서 수행되는 FHIR 리소스 생성 방법에 있어서,
    수집된 이종의 의료 정보 내 데이터의 필드명 및 필드값을 추출하는 단계;
    상기 추출된 필드명의 유사도를 판단하고, 상기 유사도에 따라 상기 필드명과 FHIR(Fast Healthcare Interoperability Resources) 표준 항목간의 매핑 규칙을 정의하는 단계; 및
    상기 정의된 매핑 규칙에 따라 상기 필드 값들을 저장하는 단계를 포함하는 것을 특징으로 하고,
    상기 필드명과 표준 항목간의 매핑 규칙이 미정의된 경우 상기 필드값의 유사도를 판단하여 상기 필드명을 표준 항목에 매핑시키되,
    상기 의료 정보는 정보의 획득 주기를 기초로 정규화 되는 개인 건강 기록(PHR:Personal Health Record)을 포함하고,
    상기 개인 건강 기록은, EMR 기반의 제1 개인 건강 기록과 환자 개인의 자가 진단에 따른 제2 개인 건강 기록으로 구분되며,
    제2 개인 건강 기록은 제1 개인 건강 기록에 따른 신뢰도가 부여되는 것을 특징으로 하는 이종 의료 데이터 기반 FHIR 리소스 생성 방법.
  2. 제 1 항에 있어서,
    상기 매핑 규칙을 정의하는 단계는,
    상기 의료 정보를 병리 검사 항목, 용어 체계 항목, 및 진단 코드 항목으로 구분된 제1 계층 항목으로 매핑시키는 단계; 및
    상기 제1 계층 항목을 FHIR 표준 항목에 매핑시키는 단계를 포함하는 것을 특징으로 하는 이종 의료 데이터 기반 FHIR 리소스 생성 방법.
  3. 제 2 항에 있어서,
    상기 병리 검사 항목은 LOINC((Logical Observation Identifiers Names and Codes)을 참조하여 생성되는 것을 특징으로 하는 이종 의료 데이터 기반 FHIR 리소스 생성 방법.
  4. 제 2 항에 있어서,
    상기 용어 체계 항목은 SNOMED CT(Systematized Nomenclature of Medicine Clinical Terms)를 참조하여 생성되는 것을 특징으로 하는 이종 의료 데이터 기반 FHIR 리소스 생성 방법.
  5. 제 2 항에 있어서,
    상기 진단 코드 항목은 ICD(International classification of diseases)-10을 참조하여 생성되는 것을 특징으로 하는 이종 의료 데이터 기반 FHIR 리소스 생성 방법.
  6. 제 1 항에 있어서,
    상기 정의된 매핑 규칙을 저장하는 단계를 더 포함하고,
    상기 매핑 규칙을 저장하는 단계는 필드값의 유사도의 판단에 따른 필드명의 신규 매핑 규칙에 대한 사용자의 컨펌을 수신하고, 컨펌된 신규 매핑 규칙을 정의된 매핑 규칙에 반영하는 것을 특징으로 하는 이종 의료 데이터 기반 FHIR 리소스 생성 방법.
  7. 제 6 항에 있어서,
    상기 필드명 또는 필드값의 유사도는 텍스트의 의미 분석을 수행하는 신경망을 통해 산출되며,
    상기 신경망은 상기 컨펌된 신규 매핑 규칙에 따른 필드값의 유사도를 이용하여 추가 학습되는 것을 특징으로 하는 이종 의료 데이터 기반 FHIR 리소스 생성 방법.
  8. 삭제
  9. 삭제
  10. 의료 정보를 수집하는 의료 정보 수집부;
    수집된 이종의 의료 정보 내 데이터의 필드명 및 필드값을 추출하고, 신경망을 이용하여 미리 결정된 제1 계층 항목과 상기 추출된 필드명의 특징 정보 간의 유사도를 판단하고, 상기 유사도에 따라 상기 필드명과 FHIR(Fast Healthcare Interoperability Resources) 표준 항목간의 매핑 규칙을 정의하는 의료 정보 특징 추출부;
    상기 정의된 매핑 규칙을 저장하는 매핑 규칙 저장부; 및
    상기 매핑 규칙에 따라 생성된 FHIR 리소스를 제공하는 데이터 제공부를 포함하는 것을 특징으로 하고,
    상기 의료 정보 특징 추출부는 필드명과 표준 항목간의 매핑 규칙이 미정의된 경우 상기 필드값의 유사도를 판단하여 상기 필드명을 표준 항목에 매핑시키되,
    상기 의료 정보는 정보의 획득 주기를 기초로 정규화 되는 개인 건강 기록(PHR:Personal Health Record)을 포함하고,
    상기 개인 건강 기록은, EMR 기반의 제1 개인 건강 기록과 환자 개인의 자가 진단에 따른 제2 개인 건강 기록으로 구분되며,
    제2 개인 건강 기록은 제1 개인 건강 기록에 따른 신뢰도가 부여되는 것을 특징으로 하는 이종 의료 데이터 기반 FHIR 리소스 생성 서버.
  11. 제 1 항에 따른 이종 의료 데이터 기반 FHIR 리소스 생성 방법을 수행하는 컴퓨터 판독가능한 기록 매체에 저장된 프로그램.
KR1020200169388A 2020-12-07 2020-12-07 딥러닝을 이용한 fhir 의료 정보 표준 매핑 및 이를 통한 의료 정보 통합 서비스 제공 방법 KR102517271B1 (ko)

Priority Applications (2)

Application Number Priority Date Filing Date Title
KR1020200169388A KR102517271B1 (ko) 2020-12-07 2020-12-07 딥러닝을 이용한 fhir 의료 정보 표준 매핑 및 이를 통한 의료 정보 통합 서비스 제공 방법
KR1020230041193A KR20230049592A (ko) 2020-12-07 2023-03-29 자가 진단 연계 건강 기록 관리 방법 및 이를 통한 의료 정보 서비스 제공 플랫폼

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020200169388A KR102517271B1 (ko) 2020-12-07 2020-12-07 딥러닝을 이용한 fhir 의료 정보 표준 매핑 및 이를 통한 의료 정보 통합 서비스 제공 방법

Related Child Applications (1)

Application Number Title Priority Date Filing Date
KR1020230041193A Division KR20230049592A (ko) 2020-12-07 2023-03-29 자가 진단 연계 건강 기록 관리 방법 및 이를 통한 의료 정보 서비스 제공 플랫폼

Publications (2)

Publication Number Publication Date
KR20220080364A KR20220080364A (ko) 2022-06-14
KR102517271B1 true KR102517271B1 (ko) 2023-04-04

Family

ID=81980320

Family Applications (2)

Application Number Title Priority Date Filing Date
KR1020200169388A KR102517271B1 (ko) 2020-12-07 2020-12-07 딥러닝을 이용한 fhir 의료 정보 표준 매핑 및 이를 통한 의료 정보 통합 서비스 제공 방법
KR1020230041193A KR20230049592A (ko) 2020-12-07 2023-03-29 자가 진단 연계 건강 기록 관리 방법 및 이를 통한 의료 정보 서비스 제공 플랫폼

Family Applications After (1)

Application Number Title Priority Date Filing Date
KR1020230041193A KR20230049592A (ko) 2020-12-07 2023-03-29 자가 진단 연계 건강 기록 관리 방법 및 이를 통한 의료 정보 서비스 제공 플랫폼

Country Status (1)

Country Link
KR (2) KR102517271B1 (ko)

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101878217B1 (ko) * 2016-11-07 2018-07-13 경희대학교 산학협력단 의료 데이터의 매핑 방법, 장치 및 컴퓨터 프로그램
EP3634204A4 (en) * 2017-07-28 2021-01-20 Google LLC SYSTEM AND METHOD FOR PREDICTING AND RECAPITULATING MEDICAL EVENTS FROM ELECTRONIC HEALTH RECORDS

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
"HL7 FHIR Release 5 Draft Ballot". HFHIR 홈페이지, [online], [2022년 5월 31일 검색], 인터넷:<URL: https://web.archive.org/web/20200805163030/https://build.fhir.org/conceptmap.html>(2020.08.05.) 1부*
"보건의료정보화를 위한 진료정보교류 기반 구축 및 활성화 - 고객중심형 의료정보시스템을 위한 HL7 FHIR 표준 기술 활용 가이드라인 개발". 보건복지부·한국보건산업진흥원. 2016년 11월 공개 1부.*

Also Published As

Publication number Publication date
KR20230049592A (ko) 2023-04-13
KR20220080364A (ko) 2022-06-14

Similar Documents

Publication Publication Date Title
CA3098998C (en) Managing data objects for graph-based data structures
Jayaraman et al. Healthcare 4.0: A review of frontiers in digital health
Dhayne et al. In search of big medical data integration solutions-a comprehensive survey
US20170357760A1 (en) Clinical decision supporting ensemble system and clinical decision supporting method using the same
CN111492437A (zh) 支持医学决策的方法和系统
CA2465706A1 (en) Patient data mining
JP2018060529A (ja) コンテキストベースの患者類似性の方法及び装置
Metzger et al. The use of regional platforms for managing electronic health records for the production of regional public health indicators in France
JP2020501278A (ja) 健康状態の計算解析を容易化するシステム及び方法
JP2022036125A (ja) 検査値のコンテキストによるフィルタリング
Asghari A diagnostic prediction model for colorectal cancer in elderlies via internet of medical things
US20220310260A1 (en) System and Methods for Knowledge Representation and Reasoning in Clinical Procedures
Zhang et al. DBNet: a novel deep learning framework for mechanical ventilation prediction using electronic health records
KR102517271B1 (ko) 딥러닝을 이용한 fhir 의료 정보 표준 매핑 및 이를 통한 의료 정보 통합 서비스 제공 방법
Hueso et al. Leveraging data science for a personalized haemodialysis
Data et al. Defining the patient cohort
Mokgetse Need of ontology‐based systems in healthcare system
Reddy et al. Big data analytics for healthcare
Landi et al. The evolution of mining electronic health records in the era of deep learning
Melhem et al. Patient care classification using machine learning techniques
EP4068168A1 (en) System and methods for knowledge representation and reasoning in clinical procedures
Hooda et al. Semantic Driven Healthcare Monitoring and Disease Detection Framework from Heterogeneous Sensor Data
Alekhya et al. Early Strokes Detection of Patient and Health Monitoring System Based On Data Analytics Using K-Means Algorithm
Tommola Automated Risk Prediction from Health Data
Shamsabadi et al. Identifying Techniques and Models for COVID-19 Prediction

Legal Events

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