KR102520383B1 - 인공지능 기반 병원 진료 및 처방 정보의 관리 및 처리 방법, 장치 및 시스템 - Google Patents
인공지능 기반 병원 진료 및 처방 정보의 관리 및 처리 방법, 장치 및 시스템 Download PDFInfo
- Publication number
- KR102520383B1 KR102520383B1 KR1020220013723A KR20220013723A KR102520383B1 KR 102520383 B1 KR102520383 B1 KR 102520383B1 KR 1020220013723 A KR1020220013723 A KR 1020220013723A KR 20220013723 A KR20220013723 A KR 20220013723A KR 102520383 B1 KR102520383 B1 KR 102520383B1
- Authority
- KR
- South Korea
- Prior art keywords
- information
- server
- insurance
- compensation
- hospital
- Prior art date
Links
- 238000012545 processing Methods 0.000 title claims abstract description 66
- 238000000034 method Methods 0.000 title claims abstract description 60
- 238000013473 artificial intelligence Methods 0.000 title claims abstract description 30
- 238000011282 treatment Methods 0.000 claims abstract description 109
- 238000013507 mapping Methods 0.000 claims abstract description 5
- 230000004048 modification Effects 0.000 claims description 44
- 238000012986 modification Methods 0.000 claims description 44
- 230000033001 locomotion Effects 0.000 claims description 20
- 238000007726 management method Methods 0.000 claims description 19
- 235000013305 food Nutrition 0.000 claims description 10
- 230000036541 health Effects 0.000 claims description 10
- 238000012795 verification Methods 0.000 claims description 7
- 238000011156 evaluation Methods 0.000 claims description 6
- 230000003862 health status Effects 0.000 claims description 5
- 238000003672 processing method Methods 0.000 claims description 4
- 201000010099 disease Diseases 0.000 claims description 3
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 claims description 3
- 238000012937 correction Methods 0.000 abstract description 6
- 238000013528 artificial neural network Methods 0.000 description 48
- 238000012549 training Methods 0.000 description 45
- 230000015654 memory Effects 0.000 description 21
- 238000004422 calculation algorithm Methods 0.000 description 20
- 238000010801 machine learning Methods 0.000 description 18
- 239000000284 extract Substances 0.000 description 17
- 238000004891 communication Methods 0.000 description 15
- 238000005516 engineering process Methods 0.000 description 15
- 230000008569 process Effects 0.000 description 11
- 230000006870 function Effects 0.000 description 10
- 238000013527 convolutional neural network Methods 0.000 description 8
- 238000010586 diagram Methods 0.000 description 8
- 239000013598 vector Substances 0.000 description 8
- 238000003062 neural network model Methods 0.000 description 7
- 230000036772 blood pressure Effects 0.000 description 5
- 238000013135 deep learning Methods 0.000 description 5
- 239000003814 drug Substances 0.000 description 5
- 230000014509 gene expression Effects 0.000 description 5
- 238000000605 extraction Methods 0.000 description 4
- 210000004556 brain Anatomy 0.000 description 3
- 229940079593 drug Drugs 0.000 description 3
- 230000004044 response Effects 0.000 description 3
- 229940036051 sojourn Drugs 0.000 description 3
- 210000000577 adipose tissue Anatomy 0.000 description 2
- 239000008280 blood Substances 0.000 description 2
- 210000004369 blood Anatomy 0.000 description 2
- 238000004590 computer program Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000007774 longterm Effects 0.000 description 2
- 230000003278 mimic effect Effects 0.000 description 2
- 210000002569 neuron Anatomy 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 240000008790 Musa x paradisiaca Species 0.000 description 1
- 235000018290 Musa x paradisiaca Nutrition 0.000 description 1
- 244000061456 Solanum tuberosum Species 0.000 description 1
- 235000002595 Solanum tuberosum Nutrition 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 230000002068 genetic effect Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 235000013336 milk Nutrition 0.000 description 1
- 239000008267 milk Substances 0.000 description 1
- 210000004080 milk Anatomy 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000000399 orthopedic effect Effects 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 238000011176 pooling Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000002787 reinforcement Effects 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 210000000225 synapse Anatomy 0.000 description 1
- 230000000946 synaptic effect Effects 0.000 description 1
- 238000003786 synthesis reaction Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
Images
Classifications
-
- 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
- G06Q40/00—Finance; Insurance; Tax strategies; Processing of corporate or income taxes
- G06Q40/08—Insurance
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- 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
- G06Q30/00—Commerce
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0282—Rating or review of business operators or products
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0012—Biomedical image inspection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/60—Analysis of geometric attributes
-
- 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
- G16H20/60—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance relating to nutrition control, e.g. diets
-
- 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
- G16H30/00—ICT specially adapted for the handling or processing of medical images
- G16H30/40—ICT specially adapted for the handling or processing of medical images for processing medical images, e.g. editing
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Public Health (AREA)
- Accounting & Taxation (AREA)
- Primary Health Care (AREA)
- Finance (AREA)
- Epidemiology (AREA)
- Development Economics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Strategic Management (AREA)
- Software Systems (AREA)
- Data Mining & Analysis (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Economics (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Game Theory and Decision Science (AREA)
- Technology Law (AREA)
- Biomedical Technology (AREA)
- Databases & Information Systems (AREA)
- Pathology (AREA)
- Entrepreneurship & Innovation (AREA)
- Mathematical Physics (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Nutrition Science (AREA)
- Quality & Reliability (AREA)
- Geometry (AREA)
- Financial Or Insurance-Related Operations Such As Payment And Settlement (AREA)
Abstract
인공지능 기반 병원 진료 및 처방 정보의 관리 및 처리 방법, 장치 및 시스템이 개시된다. 본 발명의 실시예에 따른 인공지능 기반 병원 진료 및 처방 정보의 관리 및 처리 방법은, 가입 보험 약관 정보를 수신하고, 다수의 병원 진료 및 처방 정보를 수신하며, 미리 설정된 기간 동안의 다수의 병원 진료 및 처방 정보를 포함하는 보험 보상 청구 정보를 보험사 서버로 전송하고, 보험사 서버로부터 보험 보상 처리 내역을 수신하며, 가입 보험 약관 정보 및 영수 정보와 보험 보상 처리 내역을 비교하여 가입 보험 약관 정보에 따라 보상금이 정상 지급되었는지 여부를 판단하고, 판단 결과 보상금이 정상 지급되지 않은 것으로 판단된 제1 병원 진료 및 처방 정보를 포함하는 보험 보상 수정 요청을 형성하며, 보험 보상 수정 요청을 보험사 서버로 전송하고, 보험사 서버로부터 보험 보상 수정 내역을 수신하며, 보험 보상 처리 내역 및 보험 보상 수정 내역을 매핑하여 저장한다.
Description
아래 실시예들은 사용자 단말에 저장된 병원 진료 및 처방 정보를 이용하여 보험 보상금을 자동으로 청구하고 보험 보상금의 정상 지급 여부를 판단할 수 있는 인공지능 기반 병원 진료 및 처방 정보의 관리 및 처리 방법, 장치 및 시스템에 관한 것이다.
실시예들과 관련된 배경기술로, 대한민국 공개특허공보 KR 10-2018-0053947 A는 휴대용 단말기를 이용한 진료 식별정보 기반의 병원 시스템 관리 방법 및 그 장치를 개시한다. 구체적으로, 선행문헌은 휴대용 단말기로 병원 어플리케이션을 제공하는 통신부와, 병원 어플리케이션을 통해 환자 정보가 등록되면, 환자 정보에 대응되는 진료 정보 입력에 따라, 진료 정보를 관리하기 위한 진료 식별정보를 생성하는 진료 정보 관리부와, 진료 식별정보에 대한 휴대용 단말기로부터 수신되는 결제 수단 입력에 따라, 암호화된 카드정보를 생성하는 결제 정보 관리부와 암호화된 카드 정보와 진료 식별정보를 매칭시켜 저장하는 매칭 관리 모듈을 포함하는 장치를 개시한다.
이를 통해, 선행문헌은 각 병원별 독립적으로 동작가능한 병원 어플리케이션을 제공할 수 있으며, 병원 어플리케이션을 통해 등록되는 동의서 정보와 결제 수단 정보를 이용하여, 가상 카드정보를 발급 및 관리하고, 토큰 정보와 같은 가상 카드정보에 기초한 병원 시스템의 진료 정보 및 결제 정보 관리 시스템을 제공함으로써, 실제 카드 정보를 저장하지 않아 개인정보 유출을 방지할 수 있으며 별도의 IC 카드 지원 단말기나 추가 인증 없이도 가상 카드정보 기반의 결제가 가능하여, 병원 관리 시스템의 인프라 설치 비용과 인증 비용 또한 저감시킬 수 있는 효과를 제공한다.
또한, 대한민국 공개특허공보 KR 10-2006-0119251 A는 진료정보 관리방법 및 진료정보 관리장치를 개시한다. 구체적으로, 선행문헌은 병원의 통신 단말기를 통하여 입력되는 환자 정보와 진료기관 정보와 처방전 정보와 진료비 정보를 수신하고, 수신된 환자 정보와 진료기관 정보와 처방전 정보와 진료비 정보를 데이터베이스에 저장하며, 약국의 통신 단말기를 통하여 입력되는 환자정보에 기초하여 데이터베이스에 저장된 환자 정보와 진료기관 정보와 처방전 정보를 약국의 통신 단말기로 전송하고, 약국의 통신 단말기를 통하여 입력되는 환자 정보와 약국 정보와 약제비 정보를 수신하고, 수신된 환자 정보와 약국 정보와 약제비 정보를 데이터베이스에 저장하는 구성을 개시한다.
이를 통해, 선행문헌은 환자, 병원, 약국을 하나의 시스템으로 체계적이고 효율적으로 관리할 수 있는 효과가 있다.
그러나 선행문헌들은 사용자 단말에 저장된 병원 진료 및 처방 정보를 이용하여 보험 보상금을 자동으로 청구하고 보험 보상금의 정상 지급 여부를 판단할 수 있는 인공지능 기반 병원 진료 및 처방 정보의 관리 및 처리 방법, 장치 및 시스템을 개시하지 않는다.
실시예들은 사용자 단말에 저장된 병원 진료 및 처방 정보를 이용하여 보험 보상금을 자동으로 청구하고 보험 보상금의 정상 지급 여부를 판단하고자 한다.
실시예들은 시술 전후의 이미지를 시계열 순서로 배열하고, 시술 부위의 크기를 이용하여 시계열 순서 배열에 대한 적정성 검증을 수행하고자 한다.
실시예들은 진료 기록을 기반으로 병의원을 추천하고, 건강 상태 정보를 사용자에게 제공하고자 한다.
본 발명의 실시예에 따른 인공지능 기반 병원 진료 및 처방 정보의 관리 및 처리 방법은, 가입 보험 약관 정보를 수신하는 단계; 다수의 병원 진료 및 처방 정보 - 상기 병원 진료 및 처방 정보는 질병 분류 코드 및 영수 정보를 포함함 - 를 수신하는 단계; 미리 설정된 기간 동안의 상기 다수의 병원 진료 및 처방 정보를 포함하는 보험 보상 청구 정보를 보험사 서버로 전송하는 단계; 상기 보험사 서버로부터 보험 보상 처리 내역을 수신하는 단계; 상기 가입 보험 약관 정보 및 상기 영수 정보와 상기 보험 보상 처리 내역을 비교하여 상기 가입 보험 약관 정보에 따라 보상금이 정상 지급되었는지 여부를 판단하는 단계; 상기 판단 결과 보상금이 정상 지급되지 않은 것으로 판단된 제1 병원 진료 및 처방 정보를 포함하는 보험 보상 수정 요청을 형성하는 단계; 상기 보험 보상 수정 요청을 상기 보험사 서버로 전송하는 단계; 상기 보험사 서버로부터 보험 보상 수정 내역을 수신하는 단계; 및 상기 보험 보상 처리 내역 및 상기 보험 보상 수정 내역을 매핑하여 저장하는 단계를 더 포함할 수 있다.
일 실시예로서, 상기 병원 진료 및 처방 정보는, 진료에 따른 시술 전후에 촬영된 다수의 이미지를 더 포함하되, 시술 경과 디스플레이 요청을 수신하는 단계; 상기 시술 경과 디스플레이 요청에 따라서 상기 다수의 이미지를 시계열 순서로 배열하여 디스플레이하는 단계; 상기 다수의 이미지 중 연속된 제1 및 제2 이미지를 추출하는 단계; 상기 제1 및 제2 이미지에서 동일한 시술 부위를 각각 추출하여 제1 및 제2 크기를 산출하는 단계; 상기 제1 및 제2 크기를 이용하여 상기 제1 및 제2 이미지의 시계열 순서 배열에 대한 적정성 검증을 수행하는 단계; 및 상기 적정성 검증 결과에 기초하여 상기 제1 및 제2 이미지의 배열 순서를 수정하는 단계를 더 포함할 수 있다.
일 실시예로서, 상기 병원 진료 및 처방 정보는, 사용자가 방문한 병의원 정보 및 사용자의 건강 상태 정보를 더 포함하되, 상기 병의원 정보를 이용하여 미리 설정된 기간 동안 방문 횟수가 가장 높은 진료 과목 정보를 산출하는 단계; 상기 진료 과목 정보를 이용하여 동일 진료 과목의 병의원 중 평가 지수가 가장 높은 병의원을 포함하는 병의원 추천 정보를 형성하는 단계; 상기 병의원 추천 정보를 사용자 단말로 전송하는 단계; 상기 건강 상태 정보와 제1 임계값과의 비교를 수행하는 단계; 상기 건강 상태 정보 중 상기 제1 임계값을 초과하는 제1 상태 지표를 추출하는 단계; 상기 제1 상태 지표가 상기 제1 임계값을 초과하는 제1 비율 및 상기 제1 비율에 따른 사망 위험율을 산출하는 단계; 상기 제1 상태 지표를 호전시키기 위한 식품 추천 정보를 형성하는 단계; 및 상기 제1 비율, 상기 사망 위험율 및 상기 식품 추천 정보를 상기 사용자 단말로 전송하는 단계를 더 포함할 수 있다.
일 실시예로서, 상기 병원 진료 및 처방 정보는, 상기 사용자의 이동 경로 정보를 더 포함하되, 다수 병의원의 광고 정보를 수신하여 저장하는 단계; 상기 이동 경로 정보 이용하여 상기 사용자의 이동 경로로부터 소정 거리 이내에 위치한 소정 개수의 제1 병의원 정보를 추출하는 단계; 상기 제1 병의원 중 상기 진료 과목 정보와 일치하는 제2 병의원을 추출하는 단계; 및 상기 제2 병의원의 광고 정보를 상기 사용자 단말로 전송하는 단계를 더 포함할 수 있다.
일 실시예로서, 상기 이동 경로 정보를 통해 상기 사용자의 사용자 체류 내역을 획득하는 단계; 상기 사용자 체류 내역을 기초로, 사용자 별로 체류 시간을 확인하여, 상기 사용자의 평균 체류 시간을 산출하는 단계; 상기 사용자의 평균 체류 시간의 길이에 따라, 기준치를 설정하는 단계; 상기 사용자의 평균 체류 시간에서 상기 기준치를 차감한 값으로, 상기 사용자 허용 범위의 최소 시간을 산출하는 단계; 상기 사용자의 평균 체류 시간에 상기 기준치를 가산한 값으로, 상기 사용자 허용 범위의 최대 시간을 산출하는 단계; 및 상기 사용자 허용 범위의 최소 시간 및 상기 사용자 허용 범위의 최대 시간을 기초로, 상기 사용자 허용 범위를 설정하는 단계를 더 포함할 수 있다.
일실시예에 따른 장치는 하드웨어와 결합되어 상술한 방법들 중 어느 하나의 항의 방법을 실행시키기 위하여 매체에 저장된 컴퓨터 프로그램에 의해 제어될 수 있다.
실시예들은 사용자 단말에 저장된 병원 진료 및 처방 정보를 이용하여 보험 보상금을 자동으로 청구하고 보험 보상금의 정상 지급 여부를 판단하여 사용자의 착오로 보험 보상금 청구가 누락되는 것을 방지할 수 있고, 보험 보상금이 보험 약관에 따라서 올바르게 지급되었는지 여부를 파악할 수 있다. 또한, 사용자의 이동 경로와 근거리에 위치하면서 사용자의 진료 과목과 일치하는 병의원의 광고를 사용자에게 제공하여 병의원 광고의 효율성을 향상시킬 수 있다.
도 1은 일실시예에 따른 병원 진료 및 처방 정보의 관리 및 처리 시스템을 설명하기 위한 도면이다.
도 2는 일실시예에 따른 서버를 설명하기 위한 도면이다.
도 3은 일실시예에 따른 뉴럴 네트워크의 학습을 설명하기 위한 도면이다.
도 4는 일실시예에 따른 이용자 병원 진료 및 처방 정보의 관리 및 처리 방법의 흐름도이다.
도 5는 일실시예에 따른 장치의 구성의 예시도이다.
도 2는 일실시예에 따른 서버를 설명하기 위한 도면이다.
도 3은 일실시예에 따른 뉴럴 네트워크의 학습을 설명하기 위한 도면이다.
도 4는 일실시예에 따른 이용자 병원 진료 및 처방 정보의 관리 및 처리 방법의 흐름도이다.
도 5는 일실시예에 따른 장치의 구성의 예시도이다.
이하에서, 첨부된 도면을 참조하여 실시예들을 상세하게 설명한다. 그러나, 실시예들에는 다양한 변경이 가해질 수 있어서 특허출원의 권리 범위가 이러한 실시예들에 의해 제한되거나 한정되는 것은 아니다. 실시예들에 대한 모든 변경, 균등물 내지 대체물이 권리 범위에 포함되는 것으로 이해되어야 한다.
실시예들에 대한 특정한 구조적 또는 기능적 설명들은 단지 예시를 위한 목적으로 개시된 것으로서, 다양한 형태로 변경되어 실시될 수 있다. 따라서, 실시예들은 특정한 개시형태로 한정되는 것이 아니며, 본 명세서의 범위는 기술적 사상에 포함되는 변경, 균등물, 또는 대체물을 포함한다.
제1 또는 제2 등의 용어를 다양한 구성요소들을 설명하는데 사용될 수 있지만, 이런 용어들은 하나의 구성요소를 다른 구성요소로부터 구별하는 목적으로만 해석되어야 한다. 예를 들어, 제1 구성요소는 제2 구성요소로 명명될 수 있고, 유사하게 제2 구성요소는 제1 구성요소로도 명명될 수 있다.
어떤 구성요소가 다른 구성요소에 "연결되어" 있다고 언급된 때에는, 그 다른 구성요소에 직접적으로 연결되어 있거나 또는 접속되어 있을 수도 있지만, 중간에 다른 구성요소가 존재할 수도 있다고 이해되어야 할 것이다.
실시예에서 사용한 용어는 단지 설명을 목적으로 사용된 것으로, 한정하려는 의도로 해석되어서는 안된다. 단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 복수의 표현을 포함한다. 본 명세서에서, "포함하다" 또는 "가지다" 등의 용어는 명세서 상에 기재된 특징, 숫자, 단계, 동작, 구성요소, 부품 또는 이들을 조합한 것이 존재함을 지정하려는 것이지, 하나 또는 그 이상의 다른 특징들이나 숫자, 단계, 동작, 구성요소, 부품 또는 이들을 조합한 것들의 존재 또는 부가 가능성을 미리 배제하지 않는 것으로 이해되어야 한다.
다르게 정의되지 않는 한, 기술적이거나 과학적인 용어를 포함해서 여기서 사용되는 모든 용어들은 실시예가 속하는 기술 분야에서 통상의 지식을 가진 자에 의해 일반적으로 이해되는 것과 동일한 의미를 가지고 있다. 일반적으로 사용되는 사전에 정의되어 있는 것과 같은 용어들은 관련 기술의 문맥 상 가지는 의미와 일치하는 의미를 가지는 것으로 해석되어야 하며, 본 출원에서 명백하게 정의하지 않는 한, 이상적이거나 과도하게 형식적인 의미로 해석되지 않는다.
또한, 첨부 도면을 참조하여 설명함에 있어, 도면 부호에 관계없이 동일한 구성 요소는 동일한 참조부호를 부여하고 이에 대한 중복되는 설명은 생략하기로 한다. 실시예를 설명함에 있어서 관련된 공지 기술에 대한 구체적인 설명이 실시예의 요지를 불필요하게 흐릴 수 있다고 판단되는 경우 그 상세한 설명을 생략한다.
실시예들은 퍼스널 컴퓨터, 랩톱 컴퓨터, 태블릿 컴퓨터, 스마트 폰, 텔레비전, 스마트 가전 기기, 지능형 자동차, 키오스크, 웨어러블 장치 등 다양한 형태의 제품으로 구현될 수 있다.
인공지능(Artificial Intelligence, AI) 시스템은 인간 수준의 지능을 구현하는 컴퓨터 시스템이며, 기존 규칙(Rule) 기반의 스마트 시스템과 달리 기계가 스스로 학습하고 판단하는 시스템이다. 인공지능 시스템은 사용할수록 인식률이 향상되고 사용자 취향을 보다 정확하게 이해할 수 있게 되어, 기존 규칙 기반의 스마트 시스템은 점차 심층 학습(Deep Learning) 기반 인공지능 시스템으로 대체되고 있다.
인공지능 기술은 기계 학습 및 기계 학습을 활용한 요소기술들로 구성된다. 기계 학습은 입력 데이터들의 특징을 스스로 분류/학습하는 알고리즘 기술이며, 요소기술은 심층 학습 등의 기계 학습 알고리즘을 활용하여 인간 두뇌의 인지, 판단 등의 기능을 모사하는 기술로서, 언어적 이해, 시각적 이해, 추론/예측, 지식 표현, 동작 제어 등의 기술 분야로 구성된다.
인공지능 기술이 응용되는 다양한 분야는 다음과 같다. 언어적 이해는 인간의 언어/문자를 인식하고 응용/처리하는 기술로서, 자연어 처리, 기계 번역, 대화시스템, 질의 응답, 음성 인식/합성 등을 포함한다. 시각적 이해는 사물을 인간의 시각처럼 인식하여 처리하는 기술로서, 객체 인식, 객체 추적, 영상 검색, 사람 인식, 장면 이해, 공간 이해, 영상 개선 등을 포함한다. 추론 예측은 정보를 판단하여 논리적으로 추론하고 예측하는 기술로서, 지식/확률 기반 추론, 최적화 예측, 선호 기반 계획, 추천 등을 포함한다. 지식 표현은 인간의 경험정보를 지식데이터로 자동화 처리하는 기술로서, 지식 구축(데이터 생성/분류), 지식 관리(데이터 활용) 등을 포함한다. 동작 제어는 차량의 자율 주행, 로봇의 움직임을 제어하는 기술로서, 움직임 제어(항법, 충돌, 주행), 조작 제어(행동 제어) 등을 포함한다.
일반적으로 기계 학습 알고리즘을 실생활에 적용하기 위해서는 기계 학습의 기본 방법론의 특성상 Trial and Error 방식으로 학습을 수행하게 된다. 특히, 심층 학습의 경우 수십만 번의 반복 실행을 필요로 한다. 이를 실제 물리적인 외부 환경에서 실행하기는 불가능하여 대신 실제 물리적인 외부 환경을 컴퓨터상에서 가상으로 구현하여 시뮬레이션을 통해 학습을 수행한다.
도 1은 일실시예에 따른 병원 진료 및 처방 정보의 관리 및 처리 시스템을 설명하기 위한 도면이다.
도 1에 도시한 바와 같이, 병원 진료 및 처방 정보의 관리 및 처리 시스템(100)은, 사용자 단말(110), 서버(120), 데이터베이스(130), 병원 서버(140) 및 보험사 서버(150)를 포함할 수 있다. 일 실시예에 따르면, 데이터베이스(130)는 서버(120)와 별도로 구성된 것으로 도시되었지만 이에 한정되지 않고, 데이터베이스(130)가 서버(120)내에 구비될 수도 있다. 예를 들어, 서버(120)는, 기계 학습 알고리즘의 수행을 위한 다수의 인공지능을 포함할 수 있다. 일 실시예에 따르면, 사용자 단말(110), 서버(120), 데이터베이스(130), 병원 서버(140) 및 보험사 서버(150)는 네트워크(N)를 통하여 서로 통신 가능하도록 연결될 수 있다.
서버(120)는, 사용자 단말(110)로부터 가입 보험 약관 정보를 수신할 수 있다. 일 실시예에 따르면, 사용자 단말(110)은 사용자의 동의 하에 사용자의 가입 보험 약관 정보를 수집할 수 있고, 수집된 가입 보험 약관 정보를 주기적 또는 비주기적으로 네트워크(N)를 통하여 서버(120)로 전송할 수 있다.
서버(120)는, 사용자 단말(110)로부터 다수의 병원 진료 및 처방 정보를 수신할 수 있다. 일 실시예에 따르면, 사용자 단말(110)은 사용자가 병원 진료를 마치고 진료 비용을 계산할 경우 병원 서버(140)로부터 병원 진료 및 처방 정보를 수신할 수 있고, 수신된 병원 진료 및 처방 정보를 서버(120)로 전송할 수 있다. 예를 들어, 병원 진료 및 처방 정보는, 질병 분류 코드, 영수 정보, 진료에 따른 시술 전후에 촬영된 다수의 이미지, 사용자가 방문한 병의원 정보, 사용자의 건강 상태 정보, 사용자의 이동 경로 정보 등을 포함할 수 있지만, 이에 한정되지 않는다. 일 실시예에 따르면, 사용자 단말(110)은 사용자의 동의 하에 사용자의 위치 정보를 수집할 수 있고, 미리 설정된 기간 동안의 사용자의 위치 정보를 이용하여 이동 경로 정보를 형성할 수 있다.
서버(120)는, 미리 설정된 기간 동안의 다수의 병원 진료 및 처방 정보를 포함하는 보험 보상 청구 정보를 보험사 서버(150)로 전송할 수 있다. 일 실시예에 따르면, 서버(120)는 미리 설정된 기간(예를 들어, 1개월, 6개월, 1년 등) 동안의 다수의 병원 진료 및 처방 정보를 포함하는 보험 보상 청구 정보를 형성하고, 형성된 보험 보상 청구 정보를 네트워크(N)를 통하여 보험사 서버(150)로 전송할 수 있다.
보험사 서버(150)는, 서버(120)로부터 전송된 보험 보상 청구 정보에 기초하여 해당 사용자에게 보험 약관에 따라서 보험 보상금을 지급하고, 지급된 보험 보상금의 내역을 포함하는 보험 보상 처리 내역을 형성하며, 형성된 보험 보상 처리 내역을 네트워크(N)를 통하여 서버(120)로 전송할 수 있다.
서버(120)는, 보험사 서버(150)로부터 보험 보상 처리 내역을 수신할 수 있다. 일 실시예에 따르면, 서버(120)는 네트워크(N)를 통하여 보험사 서버(150)로부터 보험 보상 처리 내역을 수신할 수 있다.
서버(120)는, 가입 보험 약관 정보 및 영수 정보와 보험 보상 처리 내역을 비교하여 가입 보험 약관 정보에 따라 보상금이 정상 지급되었는지 여부를 판단할 수 있다. 일 실시예에 따르면, 서버(120)는 가입 보험 약관 정보를 제1 인공지능에 입력하여 자기 부담금 및 보상율을 출력하고, 영수 정보를 제2 인공지능에 입력하여 납부금을 출력하며, 다음의 수학식 1을 이용하여 보상금을 산출할 수 있다.
또한, 서버(120)는 산출된 보상금과 보험 보상 처리 내역을 비교하여 가입 보험 약관 정보에 따라 보상금이 정상 지급되었는지 여부를 판단할 수 있다.
서버(120)는, 판단 결과 보상금이 정상 지급되지 않은 것으로 판단된 제1 병원 진료 및 처방 정보를 포함하는 보험 보상 수정 요청을 형성하고, 형성된 보험 보상 수정 요청을 보험사 서버(150)로 전송할 수 있다. 일 실시예에 따르면, 서버(120)는 보상금이 정상 지급되지 않은 것으로 판단된 제1 병원 진료 및 처방 정보와 지급되지 않은 것으로 산출된 보상금 정보를 포함하는 보험 보상 수정 요청을 형성하고, 형성된 보험 보상 수정 요청을 네트워크(N)를 통하여 보험사 서버(150)로 전송할 수 있다.
보험사 서버(140)는 수신된 보험 보상 수정 요청을 확인하여 보험 보상 수정 요청이 정당하다고 판단한 경우 지급되지 않은 것으로 산출된 보상금을 추가 지급하고, 추가 지급된 보상금 정보를 포함하는 보험 보상 수정 내역을 형성하여 네트워크(N)를 통하여 서버(120)로 전송할 수 있다.
서버(120)는, 보험 보상 수정 내역을 수신하고, 보험 보상 처리 내역 및 보험 보상 수정 내역을 매핑하여 데이터베이스(130)에 저장하도록 할 수 있다. 일 실시예에 따르면, 서버(120)는 보험사 서버(150)로부터 보험 보상 수정 내역을 수신하고, 수신된 보험 보상 수정 내역에 대응하는 보험 보상 처리 내역을 매핑하여 데이터베이스(130)에 저장하도록 할 수 있다. 예를 들어, 서버(120)는 보험 보상 처리 내역 및 보험 보상 수정 내역을 각각 이미지로 형성하고, 형성된 이미지를 매핑한 후 저장하여 추후 사용자의 요청 시 보험 보상 처리 내역 및 보험 보상 수정 내역에 대한 확인이 용이하도록 할 수 있다.
서버(120)는, 사용자 단말(110)로부터 시술 경과 디스플레이 요청을 수신할 수 있다. 일 실시예에 따르면, 사용자 단말(110)은 사용자 요청을 입력 받아 형성된 시술 경과 디스플레이 요청을 네트워크(N)를 통하여 서버(120)로 전송할 수 있다.
서버(120)는, 시술 경과 디스플레이 요청에 따라서 다수의 이미지를 시계열 순서로 배열하여 디스플레이 할 수 있다. 일 실시예에 따르면, 시술 전후에 촬영된 다수의 이미지는 촬영 시간 정보를 포함할 수 있고, 서버(120)는 촬영 시간 정보를 이용하여 다수의 이미지를 시계열 순서로 배열하여 사용자 단말(110)에 디스플레이하도록 할 수 있다.
서버(120)는, 다수의 이미지 중 연속된 제1 및 제2 이미지를 추출할 수 있다. 일 실시예에 따르면, 서버(120)는 시계열 순서로 배열된 다수의 이미지 중 임의의 연속된 2개의 이미지인 제1 및 제2 이미지를 추출할 수 있다.
서버(120)는, 제1 및 제2 이미지에서 동일한 시술 부위를 각각 추출하여 제1 및 제2 크기를 산출할 수 있다. 일 실시예에 따르면, 서버(120)는 제1 이미지를 제3 인공지능에 입력하여 시술 부위를 추출하고 해당 시술 부위의 제1 크기를 산출할 수 있다. 또한, 서버(120)는 제2 이미지를 제4 인공지능에 입력하여 제1 이미지에서와 동일한 시술 부위를 추출하고 해당 시술 부위의 제2 크기를 산출할 수 있다.
서버(120)는, 산출된 제1 및 제2 크기를 이용하여 제1 및 제2 이미지의 시계열 순서 배열에 대한 적정성 검증을 수행할 수 있다. 일 실시예에 따르면, 서버(120)는 제1 이미지가 제2 이미지에 비하여 시계열 상 앞서는 이미지이므로, 제1 크기가 제2 크기에 비하여 크거나 같을 경우 시계열 순서 배열이 적정하게 이루어진 것으로 확인하고, 제1 크기가 제2 크기에 비하여 작을 경우 시계열 순서 배열이 적정하게 이루어지지 않은 것으로 확인하여 시계열 순서 배열에 대한 적정성 검증을 수행할 수 있다.
서버(120)는, 적정성 검증 결과에 기초하여 제1 및 제2 이미지의 배열 순서를 수정할 수 있다. 일 실시예에 따르면, 서버(120)는 적정성 검증 결과에 기초하여 제1 크기가 제2 크기에 비하여 작을 경우 제1 및 제2 이미지의 배열 순서를 수정하여 제2 이미지가 제1 이미지보다 시계열 순서가 앞서도록 배열 순서를 수정하고, 적정성 검증 결과에 기초하여 제1 크기가 제2 크기에 비하여 크거나 같을 경우 제1 및 제2 이미지의 배열 순서를 수정하지 않을 수 있다.
서버(120)는, 병의원 정보를 이용하여 미리 설정된 기간 동안 방문 횟수가 가장 높은 진료 과목 정보를 산출할 수 있다. 일 실시예에 따르면, 사용자가 방문한 병의원 정보는 진료 과목 정보(예를 들어, 내과, 정형외과, 이비인후과, 피부과, 치과 등)를 포함하고, 사용자의 건강 상태 정보는 사용자의 신장, 체중, 체지방율, 혈압, 혈당 등의 다양한 상태 지표를 포함할 수 있다.
서버(120)는, 산출된 진료 과목 정보를 이용하여 동일 진료 과목의 병의원 중 평가 지수가 가장 높은 병의원을 포함하는 병의원 추천 정보를 형성할 수 있다. 일 실시예에 따르면, 서버(120)는 병의원의 평가 지수를 다음의 수학식 2를 이용하여 산출할 수 있다.
수학식 2에서 사용자 평가 점수는 SNS(Social Network Service)에서의 해당 병의원에 대한 사용자 평가 별점을 점수화하여 형성할 수 있고, 의료 사고 발생 횟수는 공공 기관 서버에 기록된 정보를 추출하여 형성할 수 있다. 또한, 제1 가중치는 양의 가중치를 포함하고, 제2 가중치는 음의 가중치를 포함할 수 있다.
서버(120)는, 형성된 병의원 추천 정보를 사용자 단말로 전송할 수 있다. 일 실시예에 따르면, 서버(120)는 형성된 병의원 추천 정보를 네트워크(N)를 통하여 사용자 단말(110)로 전송할 수 있다.
서버(120)는, 건강 상태 정보와 제1 임계값과의 비교를 수행할 수 있다. 일 실시예에 따르면, 서버(120)는 건강 상태 정보가 포함하는 다양한 상태 지표(예를 들어, 신장, 체중, 체지방율, 혈압, 혈당 등)와 다양한 상태 지표의 권장 범위를 나타내는 제1 임계값과의 비교를 수행할 수 있다.
서버(120)는, 건강 상태 정보 중 제1 임계값을 초과하는 제1 상태 지표를 추출할 수 있다. 일 실시예에 따르면, 서버(120)는 다양한 상태 지표 중 특정 상태 지표가 권장 범위인 제1 임계값을 초과할 경우 해당 상태 지표(예를 들어, 혈압)를 제1 상태 지표로 추출할 수 있다.
서버(120)는, 제1 상태 지표가 제1 임계값을 초과하는 제1 비율 및 제1 비율에 따른 사망 위험율을 산출할 수 있다. 일 실시예에 따르면, 서버(120)는 제1 상태 지표(혈압)가 150mmHG이고, 제1 상태 지표의 제1 임계값이 120mmHG인 경우 제1 비율을 25%{(150-120)*100/120}로 산출할 수 있다. 또한, 서버(120)는 혈압과 사망 위험율 간의 상관 관계를 나타내는 매핑 테이블(예를 들어, 식품의약품안전처와 같은 공공 기관 서버에서 검색 가능함)을 확인하여 제1 비율에 따른 사망 위험율을 산출할 수 있다.
서버(120)는, 제1 상태 지표를 호전시키기 위한 식품 추천 정보를 형성할 수 있다. 일 실시예에 따르면, 서버(120)는 식품의약품안전처와 같은 공공 기관 서버를 검색하여 제1 상태 지표인 혈압을 호전시키기 위한 식품 추천 정보(예를 들어, 바나나, 우유, 감자 등)를 형성할 수 있다.
서버(120)는, 제1 비율, 사망 위험율 및 식품 추천 정보를 사용자 단말로 전송할 수 있다. 일 실시예에 따르면, 서버(120)는 산출된 제1 비율 및 사망 위험율과 함께 식품 추천 정보를 사용자 단말(110)로 전송하여 사용자가 건강에 경각심을 갖고 건강 관리에 신경쓰도록 정보를 제공할 수 있다.
서버(120)는, 다수 병의원의 광고 정보를 수신하여 저장할 수 있다. 일 실시예에 따르면, 서버(120)는 다수 병의원들이 관리하는 사용자 단말(110)로부터 네트워크(N)를 통하여 광고 정보를 수신하여 데이터베이스(130)에 저장할 수 있다.
서버(120)는, 이동 경로 정보 이용하여 사용자의 이동 경로로부터 소정 거리 이내에 위치한 소정 개수의 제1 병의원 정보를 추출할 수 있다. 일 실시예에 따르면, 서버(120)는 병원 진료 및 처방 정보가 포함하는 사용자의 이동 경로 정보를 이용하여 사용자의 동선을 파악할 수 있고, 사용자의 동선으로부터 소정 거리(예를 들어, 500m, 1km, 1.5km 등) 이내에 위치한 소정 개수(예를 들어, 10개, 20개, 50개 등)의 제1 병의원 정보를 추출할 수 있다.
서버(120)는, 제1 병의원 중 진료 과목 정보와 일치하는 제2 병의원을 추출할 수 있다. 일 실시예에 따르면, 서버(120)는 추출된 제1 병의원 중 병원 진료 및 처방 정보로부터 추출된 진료 과목 정보(예를 들어, 내과)와 일치하는 제2 병의원을 추출할 수 있다.
서버(120)는, 추출된 제2 병의원의 광고 정보를 사용자 단말로 전송할 수 있다. 일 실시예에 따르면, 서버(120)는 추출된 제2 병의원의 광고 정보를 데이터베이스(130)로부터 인출하여 사용자 단말(110)로 전송할 수 있다.
서버(120)는, 병원 진료 및 처방 정보가 포함하는 이동 경로 정보를 통해 사용자의 사용자 체류 내역을 획득하고, 사용자 체류 내역을 기초로, 사용자 별로 체류 시간을 확인하여, 사용자의 평균 체류 시간을 산출하며, 사용자의 평균 체류 시간의 길이에 따라, 기준치를 설정하고, 사용자의 평균 체류 시간에서 기준치를 차감한 값으로, 사용자 허용 범위의 최소 시간을 산출하며, 사용자의 평균 체류 시간에 기준치를 가산한 값으로, 사용자 허용 범위의 최대 시간을 산출하고, 사용자 허용 범위의 최소 시간 및 사용자 허용 범위의 최대 시간을 기초로, 사용자 허용 범위를 설정할 수 있다.
서버(120)는, 이동 경로 정보로부터 사용자 체류 내역을 획득할 수 있다. 일 실시예에 따르면, 서버(120)는 딥러닝(Deep learning)과 같은 기계 학습 알고리즘을 이용하여 이동 경로 정보로부터 사용자 체류 내역을 추출할 수 있다. 예를 들어, 서버(120)는 이동 경로 정보로부터 사용자의 위도 및 경도가 일정 시간 이상 변동하지 않은 장소들을 사용자 체류 내역으로 추출할 수 있다.
네트워크(N)는, 사용자 단말(110), 서버(120), 데이터베이스(130), 병원 서버(140), 보험사 서버(150) 등 간의 무선 또는 유선 통신을 수행하도록 할 수 있다. 예를 들어, 네트워크는 LTE(long-term evolution), LTE-A(LTE Advanced), CDMA(code division multiple access), WCDMA(wideband CDMA), WiBro(Wireless BroadBand), WiFi(wireless fidelity), 블루투스(Bluetooth), NFC(near field communication), GPS(Global Positioning System) 또는 GNSS(global navigation satellite system) 등의 방식에 따른 무선 통신을 수행하도록 할 수 있다. 예를 들어, 네트워크는 USB(universal serial bus), HDMI(high definition multimedia interface), RS-232(recommended standard 232) 또는 POTS(plain old telephone service) 등의 방식에 따른 유선 통신을 수행하도록 할 수도 있다.
데이터베이스(130)는, 다양한 데이터를 저장할 수 있다. 데이터베이스(130)에 저장되는 데이터는, 사용자 단말(110), 서버(120), 병원 서버(140), 보험사 서버(150)의 적어도 하나의 구성요소에 의해 획득되거나, 처리되거나, 사용되는 데이터로서, 소프트웨어(예를 들어: 프로그램)를 포함할 수 있다. 데이터베이스(130)는, 휘발성 및/또는 비휘발성 메모리를 포함할 수 있다. 일 실시예로서, 데이터베이스(130)는, 사용자 단말(110)로부터 수신된 가입 보험 약관 정보, 병원 진료 및 처방 정보, 보험사 서버(150)로부터 수신된 보험 보상 처리 내역, 보험 보상 수정 내역 및 서버(120)에서 형성된 보험 보상 청구 정보, 보험 보상 수정 요청 등을 저장할 수 있다.
본 발명에서, 인공지능(Artificial Intelligence, AI)은 인간의 학습능력, 추론능력, 지각능력 등을 모방하고, 이를 컴퓨터로 구현하는 기술을 의미하고, 기계 학습, 심볼릭 로직(Symbolic Logic) 등의 개념을 포함할 수 있다. 기계 학습(Machine Learning, ML)은 입력 데이터들의 특징을 스스로 분류 또는 학습하는 알고리즘 기술이다. 인공지능의 기술은 기계 학습의 알고리즘으로써 입력 데이터를 분석하고, 그 분석의 결과를 학습하며, 그 학습의 결과에 기초하여 판단이나 예측을 할 수 있다. 또한, 기계 학습의 알고리즘을 활용하여 인간 두뇌의 인지, 판단 등의 기능을 모사하는 기술들 역시 인공지능의 범주로 이해될 수 있다. 예를 들어, 언어적 이해, 시각적 이해, 추론/예측, 지식 표현, 동작 제어 등의 기술 분야가 포함될 수 있다.
기계 학습은 데이터를 처리한 경험을 이용해 신경망 모델을 훈련시키는 처리를 의미할 수 있다. 기계 학습을 통해 컴퓨터 소프트웨어는 스스로 데이터 처리 능력을 향상시키는 것을 의미할 수 있다. 신경망 모델은 데이터 사이의 상관 관계를 모델링하여 구축된 것으로서, 그 상관 관계는 복수의 파라미터에 의해 표현될 수 있다. 신경망 모델은 주어진 데이터로부터 특징들을 추출하고 분석하여 데이터 간의 상관 관계를 도출하는데, 이러한 과정을 반복하여 신경망 모델의 파라미터를 최적화해 나가는 것이 기계 학습이라고 할 수 있다. 예를 들어, 신경망 모델은 입출력 쌍으로 주어지는 데이터에 대하여, 입력과 출력 사이의 매핑(상관 관계)을 학습할 수 있다. 또는, 신경망 모델은 입력 데이터만 주어지는 경우에도 주어진 데이터 사이의 규칙성을 도출하여 그 관계를 학습할 수도 있다.
인공지능 학습모델 또는 신경망 모델은 인간의 뇌 구조를 컴퓨터 상에서 구현하도록 설계될 수 있으며, 인간의 신경망의 뉴런(neuron)을 모의하며 가중치를 가지는 복수의 네트워크 노드들을 포함할 수 있다. 복수의 네트워크 노드들은 뉴런이 시냅스(synapse)를 통하여 신호를 주고받는 뉴런의 시냅틱(synaptic) 활동을 모의하여, 서로 간의 연결 관계를 가질 수 있다. 인공지능 학습모델에서 복수의 네트워크 노드들은 서로 다른 깊이의 레이어에 위치하면서 컨볼루션(convolution) 연결 관계에 따라 데이터를 주고받을 수 있다. 인공지능 학습모델은, 예를 들어, 인공 신경망 모델(Artificial Neural Network), 컨볼루션 신경망 모델(Convolution Neural Network: CNN) 등일 수 있다. 일 실시예로서, 인공지능 학습모델은, 지도학습(Supervised Learning), 비지도 학습(Unsupervised Learning), 강화 학습(Reinforcement Learning) 등의 방식에 따라 기계 학습될 수 있다. 기계 학습을 수행하기 위한 기계 학습 알고리즘에는, 의사결정트리(Decision Tree), 베이지안 망(Bayesian Network), 서포트 벡터 머신(Support Vector Machine), 인공 신경망(Artificial Neural Network), 에이다부스트(Ada-boost), 퍼셉트론(Perceptron), 유전자 프로그래밍(Genetic Programming), 군집화(Clustering) 등이 사용될 수 있다.
이중, CNN은 최소한의 전처리(preprocess)를 사용하도록 설계된 다계층 퍼셉트론(multilayer perceptrons)의 한 종류이다. CNN은 하나 또는 여러 개의 합성곱 계층과 그 위에 올려진 일반적인 인공 신경망 계층들로 이루어져 있으며, 가중치와 통합 계층(pooling layer)들을 추가로 활용한다. 이러한 구조 덕분에 CNN은 2차원 구조의 입력 데이터를 충분히 활용할 수 있다. 다른 딥러닝 구조들과 비교해서, CNN은 영상, 음성 분야 모두에서 좋은 성능을 보여준다. CNN은 또한 표준 역전달을 통해 훈련될 수 있다. CNN은 다른 피드포워드 인공신경망 기법들보다 쉽게 훈련되는 편이고 적은 수의 매개변수를 사용한다는 이점이 있다.
컨볼루션 네트워크는 묶인 파라미터들을 가지는 노드들의 집합들을 포함하는 신경 네트워크들이다. 사용 가능한 트레이닝 데이터의 크기 증가와 연산 능력의 가용성이, 구분적 선형 단위 및 드롭아웃 트레이닝과 같은 알고리즘 발전과 결합되어, 많은 컴퓨터 비전 작업들이 크게 개선되었다. 오늘날 많은 작업에 사용할 수 있는 데이터 세트들과 같은 엄청난 양의 데이터 세트에서는 초과 맞춤(outfitting)이 중요하지 않으며, 네트워크의 크기를 늘리면 테스트 정확도가 향상된다. 컴퓨팅 리소스들의 최적 사용은 제한 요소가 된다. 이를 위해, 심층 신경 네트워크들의 분산된, 확장 가능한 구현예가 사용될 수 있다.
도 2는 일실시예에 따른 서버를 설명하기 위한 도면이다.
도 2에 도시한 바와 같이, 서버(120)는 하나 이상의 프로세서(122), 하나 이상의 메모리(124) 및/또는 송수신기(126)를 포함할 수 있다. 일 실시예로서, 서버(120)의 이 구성요소들 중 적어도 하나가 생략되거나, 다른 구성요소가 서버(120)에 추가될 수 있다. 추가적으로(additionally) 또는 대체적으로(alternatively), 일부의 구성요소들이 통합되어 구현되거나, 단수 또는 복수의 개체로 구현될 수 있다. 서버(120) 내, 외부의 구성요소들 중 적어도 일부의 구성요소들은 버스, GPIO(general purpose input/output), SPI(serial peripheral interface) 또는 MIPI(mobile industry processor interface) 등을 통해 서로 연결되어, 데이터 및/또는 시그널을 주고받을 수 있다.
하나 이상의 프로세서(122)는 소프트웨어(예: 명령, 프로그램 등)를 구동하여 프로세서(122)에 연결된 서버(120)의 적어도 하나의 구성요소를 제어할 수 있다. 또한, 프로세서(122)는 본 발명과 관련된 다양한 연산, 처리, 데이터 생성, 가공 등의 동작을 수행할 수 있다. 또한, 프로세서(122)는 데이터 등을 하나 이상의 메모리(124)로부터 로드하거나, 하나 이상의 메모리(124)에 저장할 수 있다.
하나 이상의 프로세서(122)는, 송수신기(126)를 통해서 사용자 단말(110)로부터 가입 보험 약관 정보를 수신할 수 있다. 일 실시예에 따르면, 사용자 단말(110)은 사용자의 동의 하에 사용자의 가입 보험 약관 정보를 수집할 수 있고, 수집된 가입 보험 약관 정보를 주기적 또는 비주기적으로 송수신기(126)를 통하여 하나 이상의 프로세서(122)로 전송할 수 있다.
하나 이상의 프로세서(122)는, 송수신기(126)를 통해서 사용자 단말(110)로부터 다수의 병원 진료 및 처방 정보를 수신할 수 있다. 일 실시예에 따르면, 사용자 단말(110)은 사용자가 병원 진료를 마치고 진료 비용을 계산할 경우 병원 서버(140)로부터 병원 진료 및 처방 정보를 수신할 수 있고, 수신된 병원 진료 및 처방 정보를 서버(120)로 전송할 수 있다.
하나 이상의 프로세서(122)는, 미리 설정된 기간 동안의 다수의 병원 진료 및 처방 정보를 포함하는 보험 보상 청구 정보를 송수신기(126)를 통해서 보험사 서버(150)로 전송할 수 있다. 일 실시예에 따르면, 프로세서(122)는 미리 설정된 기간(예를 들어, 1개월, 6개월, 1년 등) 동안의 다수의 병원 진료 및 처방 정보를 포함하는 보험 보상 청구 정보를 형성하고, 형성된 보험 보상 청구 정보를 송수신기(126)를 통해서 보험사 서버(150)로 전송할 수 있다.
하나 이상의 프로세서(122)는, 송수신기(126)를 통해서 보험사 서버(150)로부터 보험 보상 처리 내역을 수신할 수 있다.
하나 이상의 프로세서(122)는, 가입 보험 약관 정보 및 영수 정보와 보험 보상 처리 내역을 비교하여 가입 보험 약관 정보에 따라 보상금이 정상 지급되었는지 여부를 판단할 수 있다. 일 실시예에 따르면, 프로세서(122)는 가입 보험 약관 정보를 제1 인공지능에 입력하여 자기 부담금 및 보상율을 출력하고, 영수 정보를 제2 인공지능에 입력하여 납부금을 출력하며, 수학식 1을 이용하여 보상금을 산출할 수 있다. 또한, 하나 이상의 프로세서(122)는, 산출된 보상금과 보험 보상 처리 내역을 비교하여 가입 보험 약관 정보에 따라 보상금이 정상 지급되었는지 여부를 판단할 수 있다.
하나 이상의 프로세서(122)는, 판단 결과 보상금이 정상 지급되지 않은 것으로 판단된 제1 병원 진료 및 처방 정보를 포함하는 보험 보상 수정 요청을 형성하고, 형성된 보험 보상 수정 요청을 보험사 서버(150)로 전송할 수 있다. 일 실시예에 따르면, 프로세서(122)는 보상금이 정상 지급되지 않은 것으로 판단된 제1 병원 진료 및 처방 정보와 지급되지 않은 것으로 산출된 보상금 정보를 포함하는 보험 보상 수정 요청을 형성하고, 형성된 보험 보상 수정 요청을 송수신기(126)를 통하여 보험사 서버(150)로 전송할 수 있다.
하나 이상의 프로세서(122)는, 송수신기(126)를 통하여 보험 보상 수정 내역을 수신하고, 보험 보상 처리 내역 및 보험 보상 수정 내역을 매핑하여 하나 이상의 메모리(124)에 저장하도록 할 수 있다. 일 실시예에 따르면, 프로세서(122)는 보험사 서버(150)로부터 보험 보상 수정 내역을 수신하고, 수신된 보험 보상 수정 내역에 대응하는 보험 보상 처리 내역을 매핑하여 하나 이상의 메모리(124)에 저장하도록 할 수 있다. 예를 들어, 프로세서(122)는 보험 보상 처리 내역 및 보험 보상 수정 내역을 각각 이미지로 형성하고, 형성된 이미지를 매핑한 후 저장하여 추후 사용자의 요청 시 보험 보상 처리 내역 및 보험 보상 수정 내역에 대한 확인이 용이하도록 할 수 있다.
하나 이상의 메모리(124)는 다양한 데이터를 저장할 수 있다. 메모리(124)에 저장되는 데이터는, 서버(120)의 적어도 하나의 구성요소에 의해 획득되거나, 처리되거나, 사용되는 데이터로서, 소프트웨어(예: 명령, 프로그램 등)를 포함할 수 있다. 메모리(124)는 휘발성 및/또는 비휘발성 메모리를 포함할 수 있다. 본 발명에서, 명령 내지 프로그램은 메모리(124)에 저장되는 소프트웨어로서, 서버(120)의 리소스를 제어하기 위한 운영체제, 어플리케이션 및/또는 어플리케이션이 서버(120)의 리소스들을 활용할 수 있도록 다양한 기능을 어플리케이션에 제공하는 미들 웨어 등을 포함할 수 있다.
하나 이상의 메모리(124)는 상술한 사용자 단말(110)로부터 수신된 가입 보험 약관 정보, 병원 진료 및 처방 정보, 보험사 서버(150)로부터 수신된 보험 보상 처리 내역, 보험 보상 수정 내역 및 서버(120)에서 형성된 보험 보상 청구 정보, 보험 보상 수정 요청 등을 저장할 수 있다. 또한, 하나 이상의 메모리(124)는, 하나 이상의 프로세서(122)에 의한 실행 시, 하나 이상의 프로세서(122)가 연산을 수행하도록 하는 명령들을 저장할 수 있다.
일 실시예로서, 서버(120)는 송수신기(126)를 더 포함할 수 있다. 송수신기(126)는, 사용자 단말(110), 서버(120), 데이터베이스(130), 병원 서버(140), 보험사 서버(150) 및/또는 기타 다른 장치 간의 무선 또는 유선 통신을 수행할 수 있다. 예를 들어, 송수신기(126)는 eMBB(enhanced Mobile Broadband), URLLC(Ultra Reliable Low-Latency Communications), MMTC(Massive Machine Type Communications), LTE(long-term evolution), LTE-A(LTE Advance), UMTS(Universal Mobile Telecommunications System), GSM(Global System for Mobile communications), CDMA(code division multiple access), WCDMA(wideband CDMA), WiBro(Wireless Broadband), WiFi(wireless fidelity), 블루투스(Bluetooth), NFC(near field communication), GPS(Global Positioning System) 또는 GNSS(global navigation satellite system) 등의 방식에 따른 무선 통신을 수행할 수 있다. 예를 들어, 송수신기(126)는 USB(universal serial bus), HDMI(high definition multimedia interface), RS-232(recommended standard232) 또는 POTS(plain old telephone service) 등의 방식에 따른 유선 통신을 수행할 수 있다.
일 실시예로서, 하나 이상의 프로세서(122)는 송수신기(126)를 제어하여 사용자 단말(110), 서버(120), 데이터베이스(130), 병원 서버(140), 보험사 서버(150)로부터 정보를 획득할 수 있다. 사 용자 단말(110), 서버(120), 데이터베이스(130), 병원 서버(140), 보험사 서버(150)로부터 획득된 정보는 하나 이상의 메모리(124)에 저장될 수 있다.
일 실시예로서, 서버(120)는 다양한 형태의 장치가 될 수 있다. 예를 들어, 서버(120)는 휴대용 통신 장치, 컴퓨터 장치, 또는 상술한 장치들 중 하나 또는 그 이상의 조합에 따른 장치일 수 있다. 본 발명의 서버(120)는 전술한 장치들에 한정되지 않는다.
본 발명에 따른 서버(120)의 다양한 실시예들은 서로 조합될 수 있다. 각 실시예들은 경우의 수에 따라 조합될 수 있으며, 조합되어 만들어진 서버(120)의 실시예 역시 본 발명의 범위에 속한다. 또한 전술한 본 발명에 따른 서버(120)의 내/외부 구성 요소들은 실시예에 따라 추가, 변경, 대체 또는 삭제될 수 있다. 또한 전술한 서버(120)의 내/외부 구성 요소들은 하드웨어 컴포넌트로 구현될 수 있다.
도 3은 일실시예에 따른 뉴럴 네트워크의 학습을 설명하기 위한 도면이다.
도 3에 도시한 바와 같이, 학습 장치는 가입 보험 약관 정보로부터 자기 부담금 및 보상율을 출력하기 위하여, 영수 정보로부터 납부금을 출력하기 위하여, 제1 및 제2 이미지로부터 시술 부위를 추출하기 위하여 뉴럴 네트워크(123)를 학습시킬 수 있다. 또한, 학습 장치는 이동 경로 정보로부터 사용자 체류 내역 산출하기 위하여 뉴럴 네트워크(123)를 학습시킬 수도 있다. 일 실시예에 따르면, 학습 장치는 서버(120)와 다른 별개의 주체일 수 있지만, 이에 제한되는 것은 아니다.
뉴럴 네트워크(123)는 트레이닝 샘플들이 입력되는 입력 레이어(121)와 트레이닝 출력들을 출력하는 출력 레이어(125)를 포함하고, 트레이닝 출력들과 레이블들 사이의 차이에 기초하여 학습될 수 있다. 여기서, 레이블들은 가입 보험 약관 정보에 대응하는 자기 부담금 및 보상율, 영수 정보에 대응하는 납부금, 제1 및 제2 이미지에 대응하는 시술 부위 및 이동 경로 정보에 대응하는 사용자 체류 내역에 기초하여 정의될 수 있다. 뉴럴 네트워크(123)는 복수의 노드들의 그룹으로 연결되어 있고, 연결된 노드들 사이의 가중치들과 노드들을 활성화시키는 활성화 함수에 의해 정의된다.
학습 장치는 GD(Gradient Decent) 기법 또는 SGD(Stochastic Gradient Descent) 기법을 이용하여 뉴럴 네트워크(123)를 학습시킬 수 있다. 학습 장치는 뉴럴 네트워크의 출력들 및 레이블들 의해 설계된 손실 함수(Loss Function)를 이용할 수 있다.
학습 장치는 미리 정의된 손실 함수를 이용하여 트레이닝 에러를 계산할 수 있다. 손실 함수는 레이블, 출력 및 파라미터를 입력 변수로 미리 정의될 수 있고, 여기서 파라미터는 뉴럴 네트워크(123) 내 가중치들에 의해 설정될 수 있다. 예를 들어, 손실 함수는 MSE(Mean Square Error) 형태, 엔트로피(entropy) 형태 등으로 설계될 수 있는데, 손실 함수가 설계되는 실시예에는 다양한 기법 또는 방식이 채용될 수 있다.
학습 장치는 역전파(Backpropagation) 기법을 이용하여 트레이닝 에러에 영향을 주는 가중치들을 찾아낼 수 있다. 여기서, 가중치들은 뉴럴 네트워크(123) 내 노드들 사이의 관계들이다. 학습 장치는 역전파 기법을 통해 찾아낸 가중치들을 최적화시키기 위해 레이블들 및 출력들을 이용한 SGD 기법을 이용할 수 있다. 예를 들어, 학습 장치는 레이블들, 출력들 및 가중치들에 기초하여 정의된 손실 함수의 가중치들을 SGD 기법을 이용하여 갱신할 수 있다.
일 실시예에 따르면, 학습 장치는 가입 보험 약관 정보로부터 제1 텍스트 객체들을 추출하며, 제1 텍스트 객체들에 대응하는 자기 부담금 및 보상율인 제1 레이블들을 획득하고, 제1 텍스트 객체들을 제1 뉴럴 네트워크로 적용하여, 제1 텍스트 객체들에 대응하는 제1 트레이닝 출력들을 생성하며, 제1 트레이닝 출력들, 제1 레이블들에 기초하여, 제1 뉴럴 네트워크를 학습시킬 수 있다.
학습 장치는 영수 정보로부터 제2 텍스트 객체들을 추출하며, 제2 텍스트 객체들에 대응하는 납부금 정보인 제2 레이블들을 획득하고, 제2 텍스트 객체들을 제2 뉴럴 네트워크로 적용하여, 제2 텍스트 객체들에 대응하는 제2 트레이닝 출력들을 생성하며, 제2 트레이닝 출력들, 제2 레이블들에 기초하여, 제2 뉴럴 네트워크를 학습시킬 수 있다.
학습 장치는 제1 이미지로부터 제1 객체들을 추출하며, 제1 객체들에 대응하는 시술 부위 객체인 제3 레이블들을 획득하고, 제1 객체들을 제3 뉴럴 네트워크로 적용하여, 제1 객체들에 대응하는 제3 트레이닝 출력들을 생성하며, 제3 트레이닝 출력들, 제3 레이블들에 기초하여, 제3 뉴럴 네트워크를 학습시킬 수 있다.
학습 장치는 제2 이미지로부터 제2 객체들을 추출하며, 제2 객체들에 대응하는 시술 부위 객체인 제4 레이블들을 획득하고, 제2 객체들을 제4 뉴럴 네트워크로 적용하여, 제2 객체들에 대응하는 제4 트레이닝 출력들을 생성하며, 제4 트레이닝 출력들, 제4 레이블들에 기초하여, 제4 뉴럴 네트워크를 학습시킬 수 있다.
학습 장치는 이동 경로 정보로부터 제1 위치 정보들을 추출하며, 제1 위치 정보들에 대응하는 사용자 체류 내역 객체인 제5 레이블들을 획득하고, 제1 위치 정보들을 제5 뉴럴 네트워크로 적용하여, 제1 위치 정보들에 대응하는 제5 트레이닝 출력들을 생성하며, 제5 트레이닝 출력들, 제5 레이블들에 기초하여, 제5 뉴럴 네트워크를 학습시킬 수 있다.
일 실시예에 따르면, 학습 장치는 가입 보험 약관 정보의 구성 특징들, 길이 특징들 및 패턴 특징들에 기초하여 트레이닝 특징 벡터들을 생성할 수 있다. 특징을 추출하는 데는 다양한 방식이 채용될 수 있다.
일 실시예에 따르면, 학습 장치는 영수 정보의 구성 특징들, 위치 특징들 및 패턴 특징들에 기초하여 트레이닝 특징 벡터들을 생성할 수 있다. 특징을 추출하는 데는 다양한 방식이 채용될 수 있다.
일 실시예에 따르면, 학습 장치는 제1 및 제2 이미지의 구성 특징들, 색상 특징들, 위치 특징들 및 패턴 특징들에 기초하여 트레이닝 특징 벡터들을 생성할 수 있다. 특징을 추출하는 데는 다양한 방식이 채용될 수 있다.
일 실시예에 따르면, 학습 장치는 이동 경로 정보의 구성 특징들, 길이 특징들 및 패턴 특징들에 기초하여 트레이닝 특징 벡터들을 생성할 수 있다. 특징을 추출하는 데는 다양한 방식이 채용될 수 있다.
일 실시예에 따르면, 학습 장치는 트레이닝 특징 벡터들을 뉴럴 네트워크(123)에 적용하여 트레이닝 출력들을 획득할 수 있다. 학습 장치는 트레이닝 출력들과 제1 레이블들에 기초하여 뉴럴 네트워크(123)의 자기 부담금 및 보상율 산출 알고리즘을 학습시킬 수 있다. 학습 장치는 트레이닝 출력들에 대응하는 트레이닝 에러들을 계산하고, 그 트레이닝 에러들을 최소화하기 위해 뉴럴 네트워크(123) 내 노드들의 연결 관계를 최적화하여 뉴럴 네트워크(123)의 자기 부담금 및 보상율 산출 알고리즘을 학습시킬 수 있다. 서버(120)는 학습이 완료된 제1 뉴럴 네트워크를 이용하여 가입 보험 약관 정보로부터 자기 부담금 및 보상율을 산출할 수 있다.
일 실시예에 따르면, 학습 장치는 트레이닝 특징 벡터들을 뉴럴 네트워크(123)에 적용하여 트레이닝 출력들을 획득할 수 있다. 학습 장치는 트레이닝 출력들과 제2 레이블들에 기초하여 뉴럴 네트워크(123)의 납부금 산출 알고리즘을 학습시킬 수 있다. 학습 장치는 트레이닝 출력들에 대응하는 트레이닝 에러들을 계산하고, 그 트레이닝 에러들을 최소화하기 위해 뉴럴 네트워크(123) 내 노드들의 연결 관계를 최적화하여 뉴럴 네트워크(123)의 납부금 산출 알고리즘을 학습시킬 수 있다. 서버(120)는 학습이 완료된 제2 뉴럴 네트워크를 이용하여 영수 정보로부터 납부금을 산출할 수 있다.
일 실시예에 따르면, 학습 장치는 트레이닝 특징 벡터들을 뉴럴 네트워크(123)에 적용하여 트레이닝 출력들을 획득할 수 있다. 학습 장치는 트레이닝 출력들과 제3 레이블들에 기초하여 뉴럴 네트워크(123)의 시술 부위 추출 알고리즘을 학습시킬 수 있다. 학습 장치는 트레이닝 출력들에 대응하는 트레이닝 에러들을 계산하고, 그 트레이닝 에러들을 최소화하기 위해 뉴럴 네트워크(123) 내 노드들의 연결 관계를 최적화하여 뉴럴 네트워크(123)의 시술 부위 추출 알고리즘을 학습시킬 수 있다. 서버(120)는 학습이 완료된 제3 뉴럴 네트워크를 이용하여 제1 이미지로부터 시술 부위를 추출할 수 있다.
일 실시예에 따르면, 학습 장치는 트레이닝 특징 벡터들을 뉴럴 네트워크(123)에 적용하여 트레이닝 출력들을 획득할 수 있다. 학습 장치는 트레이닝 출력들과 제4 레이블들에 기초하여 뉴럴 네트워크(123)의 시술 부위 추출 알고리즘을 학습시킬 수 있다. 학습 장치는 트레이닝 출력들에 대응하는 트레이닝 에러들을 계산하고, 그 트레이닝 에러들을 최소화하기 위해 뉴럴 네트워크(123) 내 노드들의 연결 관계를 최적화하여 뉴럴 네트워크(123)의 시술 부위 추출 알고리즘을 학습시킬 수 있다. 서버(120)는 학습이 완료된 제4 뉴럴 네트워크를 이용하여 제2 이미지로부터 시술 부위를 추출할 수 있다.
도 4는 일실시예에 따른 이용자 병원 진료 및 처방 정보의 관리 및 처리 방법의 흐름도이다.
도 4의 흐름도에서 프로세스 단계들, 방법 단계들, 알고리즘들 등이 순차적인 순서로 설명되었지만, 그러한 프로세스들, 방법들 및 알고리즘들은 임의의 적합한 순서로 작동하도록 구성될 수 있다. 다시 말하면, 본 발명의 다양한 실시예들에서 설명되는 프로세스들, 방법들 및 알고리즘들의 단계들이 본 발명에서 기술된 순서로 수행될 필요는 없다. 또한, 일부 단계들이 비동시적으로 수행되는 것으로서 설명되더라도, 다른 실시예에서는 이러한 일부 단계들이 동시에 수행될 수 있다. 또한, 도면에서의 묘사에 의한 프로세스의 예시는 예시된 프로세스가 그에 대한 다른 변화들 및 수정들을 제외하는 것을 의미하지 않으며, 예시된 프로세스 또는 그의 단계들 중 임의의 것이 본 발명의 다양한 실시예들 중 하나 이상에 필수적임을 의미하지 않으며, 예시된 프로세스가 바람직하다는 것을 의미하지 않는다.
도 4에 도시한 바와 같이, 단계(S410)에서, 가입 보험 약관 정보가 수신된다. 예를 들어, 도 1 내지 도 3을 참조하면, 병원 진료 및 처방 정보의 관리 및 처리 시스템 (100)의 서버(120)는 사용자 단말(110)로부터 가입 보험 약관 정보를 수신할 수 있다. 일 실시예에 따르면, 사용자 단말(110)은 사용자의 동의 하에 사용자의 가입 보험 약관 정보를 수집할 수 있고, 수집된 가입 보험 약관 정보를 주기적 또는 비주기적으로 네트워크(N)를 통하여 서버(120)로 전송할 수 있다.
단계(S420)에서, 병원 진료 및 처방 정보가 수신된다. 예를 들어, 도 1 내지 도 3을 참조하면, 도 1 내지 도 3을 참조하면, 병원 진료 및 처방 정보의 관리 및 처리 시스템 (100)의 서버(120)는 사용자 단말(110)로부터 다수의 병원 진료 및 처방 정보를 수신할 수 있다. 일 실시예에 따르면, 사용자 단말(110)은 사용자가 병원 진료를 마치고 진료 비용을 계산할 경우 병원 서버(140)로부터 병원 진료 및 처방 정보를 수신할 수 있고, 수신된 병원 진료 및 처방 정보를 서버(120)로 전송할 수 있다.
단계(S430)에서, 보험 보상 청구 정보가 전송된다. 예를 들어, 도 1 내지 도 3을 참조하면, 도 1 내지 도 3을 참조하면, 병원 진료 및 처방 정보의 관리 및 처리 시스템 (100)의 서버(120)는 미리 설정된 기간 동안의 다수의 병원 진료 및 처방 정보를 포함하는 보험 보상 청구 정보를 보험사 서버(150)로 전송할 수 있다. 일 실시예에 따르면, 서버(120)는 미리 설정된 기간(예를 들어, 1개월, 6개월, 1년 등) 동안의 다수의 병원 진료 및 처방 정보를 포함하는 보험 보상 청구 정보를 형성하고, 형성된 보험 보상 청구 정보를 네트워크(N)를 통하여 보험사 서버(150)로 전송할 수 있다.
단계(S440)에서, 보험 보상 처리 내역이 수신된다. 예를 들어, 도 1 내지 도 3을 참조하면, 도 1 내지 도 3을 참조하면, 병원 진료 및 처방 정보의 관리 및 처리 시스템 (100)의 서버(120)는 보험사 서버(150)로부터 보험 보상 처리 내역을 수신할 수 있다. 일 실시예에 따르면, 서버(120)는 단계 S430에서 전송된 보험 보상 청구 정보에 대응하여 보험사 서버(150)에서 형성된 보험 보상 처리 내역을 네트워크(N)를 통하여 보험사 서버(150)로부터 수신할 수 있다.
단계(S450)에서, 보상금 정상 지급 여부가 판단된다. 예를 들어, 도 1 내지 도 3을 참조하면, 도 1 내지 도 3을 참조하면, 병원 진료 및 처방 정보의 관리 및 처리 시스템 (100)의 서버(120)는 단계 S410에서 수신된 가입 보험 약관 정보 및 영수 정보와 단계 S440에서 수신된 보험 보상 처리 내역을 비교하여 가입 보험 약관 정보에 따라 보상금이 정상 지급되었는지 여부를 판단할 수 있다. 일 실시예에 따르면, 서버(120)는 가입 보험 약관 정보를 제1 인공지능에 입력하여 자기 부담금 및 보상율을 출력하고, 영수 정보를 제2 인공지능에 입력하여 납부금을 출력하며, 수학식 1을 이용하여 보상금을 산출할 수 있다. 또한, 서버(120)는 산출된 보상금과 보험 보상 처리 내역을 비교하여 가입 보험 약관 정보에 따라 보상금이 정상 지급되었는지 여부를 판단할 수 있다.
단계(S460)에서, 보험 보상 수정 요청이 형성된다. 예를 들어, 도 1 내지 도 3을 참조하면, 도 1 내지 도 3을 참조하면, 병원 진료 및 처방 정보의 관리 및 처리 시스템 (100)의 서버(120)는 단계 S450에서의 판단 결과 보상금이 정상 지급되지 않은 것으로 판단된 제1 병원 진료 및 처방 정보를 포함하는 보험 보상 수정 요청을 형성할 수 있다.
단계(S470)에서, 보험 보상 수정 요청이 전송된다. 예를 들어, 도 1 내지 도 3을 참조하면, 도 1 내지 도 3을 참조하면, 병원 진료 및 처방 정보의 관리 및 처리 시스템 (100)의 서버(120)는 단계 S460에서 형성된 보험 보상 수정 요청을 네트워크(N)를 통하여 보험사 서버(150)로 전송할 수 있다.
단계(S480)에서, 보험 보상 수정 내역이 수신된다. 예를 들어, 도 1 내지 도 3을 참조하면, 도 1 내지 도 3을 참조하면, 병원 진료 및 처방 정보의 관리 및 처리 시스템 (100)의 서버(120)는 단계 S470에서 보험사 서버(150)로 전송된 보험 보상 수정 요청에 응답하여 보험사 서버(150)로부터 보험 보상 수정 내역을 수신할 수 있다.
단계(S490)에서, 보험 보상 처리/수정 내역이 저장된다. 예를 들어, 도 1 내지 도 3을 참조하면, 도 1 내지 도 3을 참조하면, 병원 진료 및 처방 정보의 관리 및 처리 시스템 (100)의 서버(120)는 단계 S480에서 보험사 서버(150)로부터 수신된 보험 보상 수정 내역과 보험 보상 처리 내역을 매핑하여 데이터베이스(130)에 저장하도록 할 수 있다. 일 실시예에 따르면, 서버(120)는 보험 보상 처리 내역 및 보험 보상 수정 내역을 각각 이미지로 형성하고, 형성된 이미지를 매핑한 후 저장하여 추후 사용자의 요청 시 보험 보상 처리 내역 및 보험 보상 수정 내역에 대한 확인이 용이하도록 할 수 있다.
도 5는 일실시예에 따른 장치의 구성의 예시도이다.
일실시예에 따른 장치(501)는 프로세서(502) 및 메모리(503)를 포함한다. 일실시예에 따른 장치(501)는 상술한 서버 또는 단말일 수 있다. 프로세서는 도 1 내지 도 4를 통하여 전술한 적어도 하나의 장치들을 포함하거나, 도 1 내지 도 4를 통하여 전술한 적어도 하나의 방법을 수행할 수 있다. 메모리(503)는 상술한 방법과 관련된 정보를 저장하거나 상술한 방법이 구현된 프로그램을 저장할 수 있다. 메모리(503)는 휘발성 메모리 또는 비휘발성 메모리일 수 있다.
프로세서(502)는 프로그램을 실행하고, 장치(501)를 제어할 수 있다. 프로세서(502)에 의하여 실행되는 프로그램의 코드는 메모리(503)에 저장될 수 있다. 장치(501)는 입출력 장치(도면 미 표시)를 통하여 외부 장치(예를 들어, 퍼스널 컴퓨터 또는 네트워크)에 연결되고, 데이터를 교환할 수 있다.
이상에서 설명된 실시예들은 하드웨어 구성요소, 소프트웨어 구성요소, 및/또는 하드웨어 구성요소 및 소프트웨어 구성요소의 조합으로 구현될 수 있다. 예를 들어, 실시예들에서 설명된 장치, 방법 및 구성요소는, 예를 들어, 프로세서, 콘트롤러, ALU(arithmetic logic unit), 디지털 신호 프로세서(digital signal processor), 마이크로컴퓨터, FPGA(field programmable gate array), PLU(programmable logic unit), 마이크로프로세서, 또는 명령(instruction)을 실행하고 응답할 수 있는 다른 어떠한 장치와 같이, 하나 이상의 범용 컴퓨터 또는 특수 목적 컴퓨터를 이용하여 구현될 수 있다. 처리 장치는 운영 체제(OS) 및 상기 운영 체제 상에서 수행되는 하나 이상의 소프트웨어 애플리케이션을 수행할 수 있다. 또한, 처리 장치는 소프트웨어의 실행에 응답하여, 데이터를 접근, 저장, 조작, 처리 및 생성할 수도 있다. 이해의 편의를 위하여, 처리 장치는 하나가 사용되는 것으로 설명된 경우도 있지만, 해당 기술분야에서 통상의 지식을 가진 자는, 처리 장치가 복수 개의 처리 요소(processing element) 및/또는 복수 유형의 처리 요소를 포함할 수 있음을 알 수 있다. 예를 들어, 처리 장치는 복수 개의 프로세서 또는 하나의 프로세서 및 하나의 콘트롤러를 포함할 수 있다. 또한, 병렬 프로세서(parallel processor)와 같은, 다른 처리 구성(processing configuration)도 가능하다.
실시예에 따른 방법은 다양한 컴퓨터 수단을 통하여 수행될 수 있는 프로그램 명령 형태로 구현되어 컴퓨터 판독 가능 매체에 기록될 수 있다. 상기 컴퓨터 판독 가능 매체는 프로그램 명령, 데이터 파일, 데이터 구조 등을 단독으로 또는 조합하여 포함할 수 있다. 상기 매체에 기록되는 프로그램 명령은 실시예를 위하여 특별히 설계되고 구성된 것들이거나 컴퓨터 소프트웨어 당업자에게 공지되어 사용 가능한 것일 수도 있다. 컴퓨터 판독 가능 기록 매체의 예에는 하드 디스크, 플로피 디스크 및 자기 테이프와 같은 자기 매체(magnetic media), CD-ROM, DVD와 같은 광기록 매체(optical media), 플롭티컬 디스크(floptical disk)와 같은 자기-광 매체(magneto-optical media), 및 롬(ROM), 램(RAM), 플래시 메모리 등과 같은 프로그램 명령을 저장하고 수행하도록 특별히 구성된 하드웨어 장치가 포함된다. 프로그램 명령의 예에는 컴파일러에 의해 만들어지는 것과 같은 기계어 코드뿐만 아니라 인터프리터 등을 사용해서 컴퓨터에 의해서 실행될 수 있는 고급 언어 코드를 포함한다. 상기된 하드웨어 장치는 실시예의 동작을 수행하기 위해 하나 이상의 소프트웨어 모듈로서 작동하도록 구성될 수 있으며, 그 역도 마찬가지이다.
소프트웨어는 컴퓨터 프로그램(computer program), 코드(code), 명령(instruction), 또는 이들 중 하나 이상의 조합을 포함할 수 있으며, 원하는 대로 동작하도록 처리 장치를 구성하거나 독립적으로 또는 결합적으로(collectively) 처리 장치를 명령할 수 있다. 소프트웨어 및/또는 데이터는, 처리 장치에 의하여 해석되거나 처리 장치에 명령 또는 데이터를 제공하기 위하여, 어떤 유형의 기계, 구성요소(component), 물리적 장치, 가상 장치(virtual equipment), 컴퓨터 저장 매체 또는 장치, 또는 전송되는 신호 파(signal wave)에 영구적으로, 또는 일시적으로 구체화(embody)될 수 있다. 소프트웨어는 네트워크로 연결된 컴퓨터 시스템 상에 분산되어서, 분산된 방법으로 저장되거나 실행될 수도 있다. 소프트웨어 및 데이터는 하나 이상의 컴퓨터 판독 가능 기록 매체에 저장될 수 있다.
이상과 같이 실시예들이 비록 한정된 도면에 의해 설명되었으나, 해당 기술분야에서 통상의 지식을 가진 자라면 상기를 기초로 다양한 기술적 수정 및 변형을 적용할 수 있다. 예를 들어, 설명된 기술들이 설명된 방법과 다른 순서로 수행되거나, 및/또는 설명된 시스템, 구조, 장치, 회로 등의 구성요소들이 설명된 방법과 다른 형태로 결합 또는 조합되거나, 다른 구성요소 또는 균등물에 의하여 대치되거나 치환되더라도 적절한 결과가 달성될 수 있다.
그러므로, 다른 구현들, 다른 실시예들 및 특허청구범위와 균등한 것들도 후술하는 청구범위의 범위에 속한다.
502:프로세서
Claims (3)
- 서버에 의해서, 가입 보험 약관 정보를 수신하는 단계;
상기 서버에 의해서, 다수의 병원 진료 및 처방 정보 - 상기 병원 진료 및 처방 정보는 질병 분류 코드 및 영수 정보를 포함함 - 를 수신하는 단계;
상기 서버에 의해서, 미리 설정된 기간 동안의 보험 보상 청구 정보 - 상기 보험 보상 청구 정보는 상기 다수의 병원 진료 및 처방 정보를 포함함 - 를 보험사 서버로 전송하는 단계;
상기 서버에 의해서, 상기 보험사 서버로부터 보험 보상 처리 내역을 수신하는 단계;
상기 서버에 의해서, 상기 가입 보험 약관 정보를 제1 인공지능에 입력하여 자기 부담금 및 보상율을 출력하고 상기 영수 정보를 제2 인공지능에 입력하여 납부금을 출력하여 보상금을 산출하며, 상기 보상금이 상기 가입 보험 약관 정보에 따라 정상 지급되었는지 여부를 판단하는 단계;
상기 서버에 의해서, 상기 판단 결과 보상금이 정상 지급되지 않은 것으로 판단된 제1 병원 진료 및 처방 정보를 포함하는 보험 보상 수정 요청을 형성하는 단계;
상기 서버에 의해서, 상기 보험 보상 수정 요청을 상기 보험사 서버로 전송하는 단계;
상기 서버에 의해서, 상기 보험사 서버로부터 보험 보상 수정 내역을 수신하는 단계; 및
상기 서버에 의해서, 상기 보험 보상 처리 내역 및 상기 보험 보상 수정 내역을 매핑하여 저장하는 단계를 포함하고,
상기 병원 진료 및 처방 정보는,
사용자가 방문한 병의원 정보 및 사용자의 건강 상태 정보를 더 포함하되,
상기 서버에 의해서, 상기 병의원 정보를 이용하여 미리 설정된 기간 동안의 방문 횟수가 가장 높은 진료 과목 정보를 산출하는 단계;
상기 서버에 의해서, 상기 진료 과목 정보를 이용하여 상기 진료 과목과 동일한 진료 과목의 병의원 중 평가 지수가 가장 높은 병의원을 포함하는 병의원 추천 정보를 형성하는 단계;
상기 서버에 의해서, 상기 병의원 추천 정보를 사용자 단말로 전송하는 단계;
상기 서버에 의해서, 상기 건강 상태 정보와 제1 임계값과의 비교를 수행하는 단계;
상기 서버에 의해서, 상기 건강 상태 정보 중 상기 제1 임계값을 초과하는 제1 상태 지표를 추출하는 단계;
상기 서버에 의해서, 상기 제1 상태 지표가 상기 제1 임계값을 초과하는 제1 비율을 산출하는 단계
상기 서버에 의해서, 상기 제1 상태 지표를 호전시키기 위한 식품 추천 정보를 형성하는 단계; 및
상기 서버에 의해서, 상기 제1 비율 및 상기 식품 추천 정보를 상기 사용자 단말로 전송하는 단계를 더 포함하고,
상기 병원 진료 및 처방 정보는,
상기 사용자의 이동 경로 정보를 더 포함하되,
상기 서버에 의해서, 다수 병의원의 광고 정보를 수신하여 저장하는 단계;
상기 서버에 의해서, 상기 이동 경로 정보 이용하여 상기 사용자의 이동 경로로부터 소정 거리 이내에 위치한 소정 개수의 제1 병의원 정보를 추출하는 단계;
상기 서버에 의해서, 상기 제1 병의원 중 상기 진료 과목 정보와 일치하는 제2 병의원을 추출하는 단계; 및
상기 서버에 의해서, 상기 제2 병의원의 광고 정보를 상기 사용자 단말로 전송하는 단계를 더 포함하며,
상기 병원 진료 및 처방 정보는,
진료에 따른 시술 전후에 촬영된 다수의 이미지를 더 포함하되,
상기 서버에 의해서, 시술 경과 디스플레이 요청을 수신하는 단계;
상기 서버에 의해서, 상기 시술 경과 디스플레이 요청에 따라서 상기 다수의 이미지를 시계열 순서로 배열하여 디스플레이하는 단계;
상기 서버에 의해서, 상기 다수의 이미지 중 연속된 제1 및 제2 이미지를 추출하는 단계;
상기 서버에 의해서, 상기 제1 및 제2 이미지에서 동일한 시술 부위를 각각 추출하여 제1 및 제2 크기를 산출하는 단계;
상기 서버에 의해서, 상기 제1 및 제2 크기를 이용하여 상기 제1 및 제2 이미지의 시계열 순서 배열에 대한 적정성 검증을 수행하는 단계; 및
상기 서버에 의해서, 상기 적정성 검증 결과에 기초하여 상기 제1 및 제2 이미지의 배열 순서를 수정하는 단계를 더 포함하는,
인공지능 기반 병원 진료 및 처방 정보의 관리 및 처리 방법. - 삭제
- 삭제
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020220013723A KR102520383B1 (ko) | 2022-01-28 | 2022-01-28 | 인공지능 기반 병원 진료 및 처방 정보의 관리 및 처리 방법, 장치 및 시스템 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020220013723A KR102520383B1 (ko) | 2022-01-28 | 2022-01-28 | 인공지능 기반 병원 진료 및 처방 정보의 관리 및 처리 방법, 장치 및 시스템 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| KR102520383B1 true KR102520383B1 (ko) | 2023-04-12 |
Family
ID=85984326
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020220013723A KR102520383B1 (ko) | 2022-01-28 | 2022-01-28 | 인공지능 기반 병원 진료 및 처방 정보의 관리 및 처리 방법, 장치 및 시스템 |
Country Status (1)
| Country | Link |
|---|---|
| KR (1) | KR102520383B1 (ko) |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20060119251A (ko) | 2005-05-19 | 2006-11-24 | 김윤정 | 진료정보 관리방법 및 진료정보 관리장치 |
| KR20180003696A (ko) * | 2016-06-30 | 2018-01-10 | 삼성생명보험주식회사 | 건강검진 결과 분석을 통한 맞춤 금융정보 제공 서버 |
| KR20180053947A (ko) | 2016-11-14 | 2018-05-24 | 최경석 | 휴대용 단말기를 이용한 진료 식별정보 기반의 병원 시스템 관리 방법 및 그 장치 |
| KR20180122506A (ko) * | 2017-05-02 | 2018-11-13 | 기웅정보통신 주식회사 | 스크래핑 기반의 보험금 자동 청구 서비스 제공 방법 및 그 장치 |
-
2022
- 2022-01-28 KR KR1020220013723A patent/KR102520383B1/ko active IP Right Grant
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20060119251A (ko) | 2005-05-19 | 2006-11-24 | 김윤정 | 진료정보 관리방법 및 진료정보 관리장치 |
| KR20180003696A (ko) * | 2016-06-30 | 2018-01-10 | 삼성생명보험주식회사 | 건강검진 결과 분석을 통한 맞춤 금융정보 제공 서버 |
| KR20180053947A (ko) | 2016-11-14 | 2018-05-24 | 최경석 | 휴대용 단말기를 이용한 진료 식별정보 기반의 병원 시스템 관리 방법 및 그 장치 |
| KR20180122506A (ko) * | 2017-05-02 | 2018-11-13 | 기웅정보통신 주식회사 | 스크래핑 기반의 보험금 자동 청구 서비스 제공 방법 및 그 장치 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US20210319914A1 (en) | Virtual telemedicine mechanism | |
| US20210256615A1 (en) | Implementing Machine Learning For Life And Health Insurance Loss Mitigation And Claims Handling | |
| KR102404511B1 (ko) | 인공지능 기반 사용자 맞춤형 상품 정보 추천 방법, 장치 및 시스템 | |
| KR102289256B1 (ko) | 자가진단 기반 건강기능식품 추천 서비스 제공 방법, 장치 및 시스템 | |
| US11853901B2 (en) | Learning method of AI model and electronic apparatus | |
| KR102506472B1 (ko) | 인공지능 기반 초개인화 맞춤형 식품 구매 추천 서비스 제공 방법, 장치 및 시스템 | |
| US20200234829A1 (en) | Systems and methods for facilitating response prediction for a condition | |
| KR102494264B1 (ko) | 기저귀 대변 이미지를 활용한 아기 건강 진단 솔루션 제공 방법, 장치 및 시스템 | |
| Priyadarshini et al. | Artificial intelligence: applications and innovations | |
| KR102601446B1 (ko) | 인공지능 모델을 활용한 인플루언서 기반 판매 제품매칭 플랫폼 서비스 제공 방법, 장치 및 시스템 | |
| KR102564996B1 (ko) | 인공지능 기반 사용자 맞춤형 건강기능식품 큐레이션 서비스 제공 방법, 장치 및 시스템 | |
| KR102552856B1 (ko) | 커머스 연계 콘텐츠 제공 플랫폼 서비스를 위한 키워드 추출 및 콘텐츠 템플릿 생성 자동화 방법, 장치 및 시스템 | |
| KR102520383B1 (ko) | 인공지능 기반 병원 진료 및 처방 정보의 관리 및 처리 방법, 장치 및 시스템 | |
| KR102518329B1 (ko) | 인공지능 기반 병원 진료 및 처방 정보의 관리 및 처리 방법, 장치 및 시스템 | |
| KR102410460B1 (ko) | 인공지능 기반 뷰티샵 예약 플랫폼 서비스 제공 방법, 장치 및 시스템 | |
| KR102546355B1 (ko) | 대변 이미지 분석 기반 영양 정보 제공 방법, 장치 및 시스템 | |
| KR102416034B1 (ko) | 소독 장치를 통해 수집된 정보 기반 이용자 동선 관리 정보 제공 방법, 장치 및 시스템 | |
| KR102593868B1 (ko) | 손톱 및 발톱 케어 정보 제공 및 전문가 매칭 플랫폼서비스 구동 방법, 장치 및 시스템 | |
| KR102603914B1 (ko) | 이미지 분석 기반 사용자 맞춤형 해부학을 활용한 요가 운동 가이드 및 커리큘럼 제공 방법, 장치 및 시스템 | |
| KR102530527B1 (ko) | 건강 정보 기반 식당 추천 서비스 제공 방법, 장치 및 시스템 | |
| KR102543570B1 (ko) | 사용자 위치 기반 반려동물 뷰티샵 예약 방법, 장치 및 시스템 | |
| KR102505380B1 (ko) | 인공지능을 활용한 사용자 과거 불안유발상황 파악 및 선제적 행동치료 제시 서비스 제공 방법, 장치 및 시스템 | |
| KR102536069B1 (ko) | 인공지능 기반 반려동물 뷰티 디자이너 및 뷰티샵 매칭 방법, 장치 및 시스템 | |
| KR102563687B1 (ko) | 보청기 사용자 및 보호자를 위한 보청기 관리 플랫폼 서비스 제공 방법, 장치 및 시스템 | |
| KR102650574B1 (ko) | 트랜드 및 이슈 데이터 수집 및 분석을 기반으로 한 기업 관련 언론 보도 및 홍보 자료 기획 및 생성 방법, 장치 및 시스템 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| AMND | Amendment | ||
| AMND | Amendment | ||
| AMND | Amendment | ||
| AMND | Amendment | ||
| AMND | Amendment | ||
| E90F | Notification of reason for final refusal | ||
| AMND | Amendment | ||
| X701 | Decision to grant (after re-examination) | ||
| GRNT | Written decision to grant |