KR102525374B1 - 고위험 임신성 당뇨병 예측모델 설계 방법 및 장치 - Google Patents

고위험 임신성 당뇨병 예측모델 설계 방법 및 장치 Download PDF

Info

Publication number
KR102525374B1
KR102525374B1 KR1020200176288A KR20200176288A KR102525374B1 KR 102525374 B1 KR102525374 B1 KR 102525374B1 KR 1020200176288 A KR1020200176288 A KR 1020200176288A KR 20200176288 A KR20200176288 A KR 20200176288A KR 102525374 B1 KR102525374 B1 KR 102525374B1
Authority
KR
South Korea
Prior art keywords
risk
gestational diabetes
cohort
prediction model
level
Prior art date
Application number
KR1020200176288A
Other languages
English (en)
Other versions
KR20220086134A (ko
Inventor
이승환
한경도
조재형
김미경
Original Assignee
가톨릭대학교 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 가톨릭대학교 산학협력단 filed Critical 가톨릭대학교 산학협력단
Priority to KR1020200176288A priority Critical patent/KR102525374B1/ko
Priority to PCT/KR2021/015924 priority patent/WO2022131544A1/ko
Publication of KR20220086134A publication Critical patent/KR20220086134A/ko
Application granted granted Critical
Publication of KR102525374B1 publication Critical patent/KR102525374B1/ko

Links

Images

Classifications

    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/145—Measuring characteristics of blood in vivo, e.g. gas concentration, pH value; Measuring characteristics of body fluids or tissues, e.g. interstitial fluid, cerebral tissue
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/145—Measuring characteristics of blood in vivo, e.g. gas concentration, pH value; Measuring characteristics of body fluids or tissues, e.g. interstitial fluid, cerebral tissue
    • A61B5/14532—Measuring characteristics of blood in vivo, e.g. gas concentration, pH value; Measuring characteristics of body fluids or tissues, e.g. interstitial fluid, cerebral tissue for measuring glucose, e.g. by tissue impedance measurement
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/145—Measuring characteristics of blood in vivo, e.g. gas concentration, pH value; Measuring characteristics of body fluids or tissues, e.g. interstitial fluid, cerebral tissue
    • A61B5/14546—Measuring characteristics of blood in vivo, e.g. gas concentration, pH value; Measuring characteristics of body fluids or tissues, e.g. interstitial fluid, cerebral tissue for measuring analytes not otherwise provided for, e.g. ions, cytochromes
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/48—Other medical applications
    • A61B5/4869—Determining body composition
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
    • A61B5/7271—Specific aspects of physiological measurement analysis
    • A61B5/7275—Determining trends in physiological measurement data; Predicting development of a medical condition based on physiological measurements, e.g. determining a risk factor
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H10/00—ICT specially adapted for the handling or processing of patient-related medical or healthcare data
    • G16H10/60—ICT specially adapted for the handling or processing of patient-related medical or healthcare data for patient-specific data, e.g. for electronic patient records
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/20—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
    • 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

Abstract

본 발명은 고위험 임신성 당뇨병 예측모델 설계 방법 및 장치에 관한 것으로, 전자장치가 코호트(cohort) 데이터를 수집하는 단계, 전자장치가 코호트 데이터를 기반으로 임신 중에 발생할 수 있는 고위험 임신성 당뇨병을 임신 전에 예측하기 위한 고위험 임신성 당뇨병 예측모델의 설계 및 검증을 위한 개발 코호트(development cohort) 및 검증 코호트(validation cohort)를 구축하는 단계, 전자장치가 고위험 임신성 당뇨병에 대한 복수의 위험인자별 위험도를 산출하는 단계 및 전자장치가 위험인자별 위험도를 기반으로 위험인자별 기여도를 산출하여 예측모델을 설계하는 단계를 포함하며 다른 실시 예로도 적용이 가능하다.

Description

고위험 임신성 당뇨병 예측모델 설계 방법 및 장치{Method and Apparatus for Developing Risk Prediction Model of Insulin-Requiring Gestational Diabetes}
본 발명은 고위험 임신성 당뇨병 예측모델 설계 방법 및 장치에 관한 것이다.
임신성 당뇨병(gestational diabetes)은 임신 중 흔하게 발생하는 질병이다. 임신성 당뇨병은 산모와 태아 모두에게 다양한 의학적인 문제를 유발할 수 있으며, 임신성 당뇨병을 겪었던 여성은 출산 후에도 당뇨병을 앓을 확률이 높아진다. 특히 최근에는 비만의 증가, 식습관의 변화, 운동 부족, 고령 산모의 증가 등 다양한 원인으로 인해 임신성 당뇨병의 발생이 증가하고 있는 추세이다.
이러한 임신성 당뇨병은 대체적으로 식이요법 및 운동요법 등으로 조절이 가능하지만, 인슐린 치료가 필요한 고위험 임신성 당뇨병의 경우에는 주산기 합병증의 빈도도 증가하기 때문에 임신 이전에 임신성 당뇨병의 발생을 예측하여 예방하는 것이 가장 좋다. 그러나, 현재까지는 임신 중일 때의 공복혈당, 무작위혈당 또는 당화혈색소 측정을 통해 임신성 당뇨병의 유무를 확인하는 것이 일반적이기 때문에 임신을 계획하고 있는 여성의 경우, 임신성 당뇨병의 발생확률을 사전에 예측하여 임신 전부터 적극적으로 위험 요인을 관리할 수 있는 방법의 개발이 필요하다.
KR 2016-0092006 10
이러한 종래의 문제점을 해결하기 위한 본 발명의 실시 예들은 임신 전에 고위험 임신성 당뇨병을 예측할 수 있는 고위험 임신성 당뇨병 예측모델 설계 방법 및 장치를 제공하는 것이다.
또한, 본 발명의 실시 예들은 고위험 임신성 당뇨병 예측모델을 검증할 수 있는 고위험 임신성 당뇨병 예측모델 설계 방법 및 장치를 제공하는 것이다.
본 발명의 실시 예에 따른 고위험 임신성 당뇨병 예측모델 설계 방법은, 전자장치가 코호트(cohort) 데이터를 수집하는 단계, 상기 전자장치가 상기 코호트 데이터를 기반으로 임신 중에 발생할 수 있는 고위험 임신성 당뇨병을 임신 전에 예측하기 위한 고위험 임신성 당뇨병 예측모델의 설계 및 검증을 위한 개발 코호트(development cohort) 및 검증 코호트(validation cohort)를 구축하는 단계, 상기 전자장치가 상기 고위험 임신성 당뇨병에 대한 복수의 위험인자별 위험도를 산출하는 단계 및 상기 전자장치가 상기 위험인자별 위험도를 기반으로 위험인자별 기여도를 산출하여 상기 예측모델을 설계하는 단계를 포함하는 것을 특징으로 한다.
또한, 고위험 임신성 당뇨병에 대한 복수의 위험인자별 위험도를 산출하는 단계는, 나이, 흡연여부, BMI(body mass index) 수치, 공복혈당수치, 콜레스테롤 수치 및 간수치에 대한 위험도를 산출하는 단계인 것을 특징으로 한다.
또한, 예측모델을 설계하는 단계는, 상기 복수의 위험인자에 대한 기여도를 0 내지 100 사이의 점수로 환산하여 상기 예측모델을 설계하는 단계인 것을 특징으로 한다.
또한, 예측모델을 검증하는 단계를 더 포함하는 것을 특징으로 한다.
또한, 예측모델을 검증하는 단계는, 상기 복수의 위험인자별로 상기 환산된 점수를 복수개의 구간으로 분할하는 단계, 상기 각 구간에서 상기 고위험 임신성 당뇨병의 발생률을 확인하는 단계 및 상기 발생률과 상기 검증 코호트를 기반으로 상기 예측모델의 검증을 수행하는 단계를 포함하는 것을 특징으로 한다.
또한, 설계된 예측모델을 배포하는 단계를 더 포함하는 것을 특징으로 한다.
아울러, 본 발명의 실시 예에 따른 고위험 임신성 당뇨병 예측모델 설계 장치는, 임신 중에 발생할 수 있는 고위험 임신성 당뇨병을 임신 전에 예측하기 위한 고위험 임신성 당뇨병 예측모델의 설계신호에 따라 코호트(cohort) 데이터를 수신하는 통신부 및 상기 코호트 데이터를 기반으로 상기 예측모델의 설계 및 검증을 위한 개발 코호트(development cohort) 및 검증 코호트(validation cohort)를 구축하고, 상기 고위험 임신성 당뇨병에 대한 복수의 위험인자별 위험도를 산출한 후 상기 위험인자별 기여도를 산출하여 상기 예측모델을 설계하는 제어부를 포함하는 것을 특징으로 한다.
또한, 복수의 위험인자는, 나이, 흡연여부, BMI(body mass index) 수치, 공복혈당수치, 콜레스테롤 수치 및 간수치를 포함하는 것을 특징으로 한다.
또한, 제어부는, 상기 복수의 위험인자에 대한 기여도를 0 내지 100 사이의 점수로 환산하여 상기 예측모델을 설계하는 것을 특징으로 한다.
또한, 제어부는, 상기 복수의 위험인자별로 상기 환산된 점수를 복수개의 구간으로 분할하고, 상기 각 구간에서 고위험 임신성 당뇨병의 발생률을 확인하여 상기 발생률과 상기 검증 코호트를 기반으로 상기 예측모델의 검증을 수행하는 것을 특징으로 한다.
상술한 바와 같이 본 발명에 따른 고위험 임신성 당뇨병 예측모델 설계 방법 및 장치는, 임신 전에 고위험 임신성 당뇨병을 예측할 수 있는 고위험 임신성 당뇨병 예측모델을 설계함으로써 임신 전 여성의 고위험 임신성 당뇨병 발생확률을 예측할 수 있고, 임신 전에 고 위험군을 확인하여 임신성 당뇨병 예방을 위한 관리 계획을 세울 수 있는 효과가 있다.
또한, 본 발명에 따른 고위험 임신성 당뇨병 예측모델 설계 방법 및 장치는, 고위험 임신성 당뇨병 예측모델을 검증함으로써 임신성 당뇨병 발생확률의 정확도를 향상시킬 수 있는 효과가 있다.
도 1은 본 발명의 실시 예에 따른 고위험 임신성 당뇨병 예측모델 설계 장치를 나타낸 도면이다.
도 2는 본 발명의 실시 예에 따른 고위험 임신성 당뇨병 예측모델 설계 방법을 설명하기 위한 순서도이다.
도 3은 본 발명의 실시 예에 따른 고위험 임신성 당뇨병을 발생시키는 위험인자별 기여도를 점수로 환산하기 위한 계산도표를 나타낸 도면이다.
도 4는 본 발명의 실시 예에 따른 위험인자별 기여도 점수로 산출된 총 점수를 기반으로 고위험 임신성 당뇨병 예측모델을 나타낸 도면이다.
도 5는 본 발명의 실시 예에 따른 ROC(receiver-operating characteristic) 곡선의 AUC(area under the ROC curve)가 나타내는 고위험 임신성 당뇨병 예측값에 의한 신뢰도를 나타낸 도면이다.
도 6은 본 발명의 실시 예에 따른 검증 코호트를 기반으로 고위험 임신성 당뇨병 예측모델의 검증결과를 나타낸 도면이다.
이하, 본 발명에 따른 바람직한 실시 형태를 첨부된 도면을 참조하여 상세하게 설명한다. 첨부된 도면과 함께 이하에 개시될 상세한 설명은 본 발명의 예시적인 실시형태를 설명하고자 하는 것이며, 본 발명이 실시될 수 있는 유일한 실시형태를 나타내고자 하는 것이 아니다. 도면에서 본 발명을 명확하게 설명하기 위해서 설명과 관계없는 부분은 생략할 수 있고, 명세서 전체를 통하여 동일 또는 유사한 구성 요소에 대해서는 동일한 참조 부호를 사용할 수 있다.
본 발명의 일 실시 예에서, “또는”, “적어도 하나” 등의 표현은 함께 나열된 단어들 중 하나를 나타내거나, 또는 둘 이상의 조합을 나타낼 수 있다. 예를 들어, “A 또는 B”, “A 및 B 중 적어도 하나”는 A 또는 B 중 하나만을 포함할 수 있고, A와 B를 모두 포함할 수도 있다.
도 1은 본 발명의 실시 예에 따른 고위험 임신성 당뇨병 예측모델 설계 장치를 나타낸 도면이다.
도 1을 참조하면, 본 발명에 따른 고위험 임신성 당뇨병 예측모델 설계 장치인 전자장치(100)는 통신부(110), 입력부(120), 표시부(130), 메모리(140) 및 제어부(150)를 포함한다. 아울러, 본 발명에서 기재되는 고위험 임신성 당뇨병 예측모델은, 임신 중에 발생할 수 있는 고위험 임신성 당뇨병을 임신 전에 예측하기 위한 모델을 의미한다.
통신부(110)는 코호트(cohort) 데이터를 제공하는 외부 장치(미도시) 예컨대, 국민건강보험공단에서 관리하는 서버와의 통신을 수행한다. 이를 위해, 통신부(110)는 5G(5th generation communication), LTE-A(long term evolution-advanced), LTE(long term evolution), Wi-Fi(wireless fidelity) 등의 통신을 수행할 수 있다.
입력부(120)는 전자장치(100)의 사용자 입력에 대응하여 입력데이터를 발생시킨다. 입력부(120)는 적어도 하나의 입력수단을 포함한다. 입력부(120)는 키보드(key board), 키패드(key pad), 돔 스위치(dome switch), 터치패널(touch panel), 터치 키(touch key), 마우스(mouse), 메뉴 버튼(menu button) 등을 포함할 수 있다.
표시부(130)는 전자장치(100)의 동작에 따른 표시 데이터를 표시한다. 표시부(130)는 액정 디스플레이(LCD; liquid crystal display), 발광 다이오드(LED; light emitting diode) 디스플레이, 유기 발광 다이오드(OLED; organic LED) 디스플레이, 마이크로 전자기계 시스템(MEMS; micro electro mechanical systems) 디스플레이 및 전자 종이(electronic paper) 디스플레이를 포함한다. 표시부(130)는 입력부(120)와 결합되어 터치 스크린(touch screen)으로 구현될 수 있다.
메모리(140)는 전자장치(100)의 동작 프로그램들을 저장한다. 메모리(140)는 국민건강보험공단으로부터 수신된 코호트 데이터를 저장할 수 있고, 제어부(150)에 의해 구축된 개발 코호트(development cohort) 및 검증 코호트(validation cohort)를 저장할 수 있다. 또한, 메모리(140)는 제어부(150)에 의해 산출된 고위험 임신성 당뇨병과 관련된 복수의 위험인자별 위험도를 저장하고, 위험도를 기반으로 점수로 환산된 위험인자별 기여도를 저장한다. 메모리(140)는 제어부(150)에 의해 설계된 고위험 임신성 당뇨병 예측모델을 저장하고, 제어부(150)에 의해 설계된 고위험 임신성 당뇨병 예측모델을 기반으로 생성된 프로그램을 저장한다.
제어부(150)는 입력부(120)로부터 고위험 임신성 당뇨병 예측모델을 설계하기 위한 설계신호가 수신되면 통신부(110)를 제어하여 국민건강보험공단으로부터 코호트(cohort) 데이터를 수집한다. 이때, 제어부(150)가 수집하는 코호트 데이터는 예컨대, 2011년에서 2015년 사이에 출산한 한국 여성 중 임신 이전 1년 이내에 건강검진을 받은 대상자에 대한 코호트 데이터일 수 있다. 제어부(150)는 12개의 위험인자를 기반으로 코호트 데이터를 분류하여 개발 코호트(development cohort)를 구축할 수 있고, 개발 코호트의 검증을 위한 검증 코호트(validation cohort)를 구축할 수 있다.
이어서, 제어부(150)는 12개의 위험인자 중에서 고위험 임신성 당뇨병을 발생시키는 주된 6개의 위험인자를 추출하여 해당 위험인자의 위험도(95% confidence intervals)를 산출한다. 제어부(150)는 산출된 위험인자의 위험도를 위험인자별 기여도로 환산하여 고위험 임신성 당뇨병 예측모델의 설계를 완료한다. 보다 구체적으로, 제어부(150)는 나이, 흡연여부, BMI 수치, 공복혈당수치, 콜레스테롤 수치 및 간수치 등의 6개의 위험인자에 가중치를 부여하여 각 위험인자에 대한 기여도를 0 내지 100 사이의 점수로 환산한다.
제어부(150)는 고위험 임신성 당뇨병 예측모델의 설계가 완료되면, 설계가 완료된 고위험 임신성 당뇨병 예측모델의 검증을 수행한다. 제어부(150)는 복수의 위험인자별로 환산된 점수를 복수개의 예컨대, 10개의 구간으로 분할하고, 분할된 각 구간에서의 고위험 임신성 당뇨병 발생 예측률을 개발 코호트 및 검증 코호트를 기반으로 각각 산출한다. 제어부(150)는 동일한 구간에서의 개발 코호트와 검증 코호트를 기반으로 산출된 고위험 임신성 당뇨병 발생 예측률을 비교하여 고위험 임신성 당뇨병 예측모델의 검증을 수행한다. 아울러, 제어부(150)는 검증이 완료된 고위험 임신성 당뇨병 예측모델을 웹 기반의 프로그램으로 생성하여 의료진 및 일반인에게 배포한다.
도 2는 본 발명의 실시 예에 따른 고위험 임신성 당뇨병 예측모델 설계 방법을 설명하기 위한 순서도이다.
도 2를 참조하면, 201단계에서 제어부(150)는 입력부(120)로부터 고위험 임신성 당뇨병 예측모델을 설계하기 위한 설계신호의 수신여부를 확인한다. 201단계의 확인결과, 설계신호가 수신되면 제어부(150)는 203단계를 수행하고, 설계신호가 수신되지 않으면 제어부(150)는 설계신호의 수신을 대기한다.
203단계에서 제어부(150)는 통신부(110)를 제어하여 국민건강보험공단으로부터 코호트(cohort) 데이터를 수집한다. 이때, 제어부(150)가 수집하는 코호트 데이터는 예컨대, 2011년에서 2015년 사이에 출산한 한국 여성 중 임신 이전 1년 이내에 건강검진을 받은 대상자에 대한 코호트 데이터일 수 있다. 205단계에서 제어부(150)는 코호트 데이터를 기반으로 개발 코호트(development cohort)를 구축하고 207단계를 수행한다. 207단계에서 제어부(150)는 검증 코호트(validation cohort)를 구축한다.
보다 구체적으로, 제어부(150)는 수집된 292,048명에 대한 코호트 데이터를 기반으로 개발 코호트와 검증 코호트를 구축할 수 있다. 이때, 개발 코호트는 고위험 임신성 당뇨병이 걸린 피험자 2,024명과, 고위험 임신성 당뇨병이 걸리지 않은 피험자 290,024명으로 분류될 수 있다. 제어부(150)는 추출된 개발 코호트에 대한 데이터를 12개의 위험인자를 기반으로 코호트 데이터를 분류하여 하기의 표 1과 같은 개발 코호트를 구축할 수 있고, 예측모델을 검증하기 위한 검증 코호트를 구축할 수 있다. 이때, 검증 코호트는 125,162명에 대한 데이터로 구축될 수 있다.
하기의 표 1을 살펴보면, 제어부(150)는 개발 코호트를 구축하기 위해 연령 범위를 4단계(25세 미만, 25세-29세, 30세-34세, 35세 이상)로 구분하여 확인하고, 흡연여부, 음주 수준 및 운동 수준을 확인한다. 제어부(150)는 BMI(body mass index) 수치를 5단계(18.5 미만, 18.5-22.9, 23-24.9, 25-29.9, 30이상)로 구분하여 확인하고, 허리 둘레를 2단계(85cm미만, 85cm이상)으로 구분하여 확인한다. 제어부(150)는 고혈압 여부를 확인하고, 공복혈당수치를 4단계(90미만, 90-100, 101-110, 111-125)로 구분하여 확인하고, 총 콜레스테롤 수치를 4단계(160미만, 160-200, 201-240, 241이상)로 구분하여 확인하며, 트리글리세리드 수치를 2단계(150미만, 150이상)으로 구분하여 확인한다. 아울러, 제어부(150)는 고밀도지단백 콜레스테롤 수치를 2단계(50미만, 50이상)로 구분하여 확인하고, 간수치(감마지티피)를 3단계(10미만, 10-19, 20이상)로 구분하여 확인한다.
개발 코호트(n=292,048) 검증 코호트(n=125,162)
GDM(-) GDM(+) P-value GDM(-) GDM(+) P-value
N 290,024 2,024 124,295 867
Age(y) <.0001 <.0001
<25 14,395(5.0) 29(1.4) 6,193(5.0) 16(1.9)
25-29 115,476(39.8) 447(22.1) 49,452(39.8) 194(22.4)
30-34 126,465(43.6) 946(46.7) 54,351(43.7) 413(47.6)
>=35 33,688(11.6) 602(29.7) 14,299(11.5) 244(28.1)
Smoking status <.0001 <.0001
Current 10,310(3.6) 145(7.2) 4,433(3.6) 68(7.8)
Alcohol consumption 0.2858 0.5676
None 155,240(53.5) 1,108(54.7) 568(53.6) 480(55.4)
Mild 129,331(44.6) 872(43.1) 55,309(44.5) 371(42.8)
Heavy 5,453(1.9) 44(2.2) 2,418(2.0) 16(1.9)
Regular exercise 0.1255 0.2342
YES 28,022(9.7) 216(10.7) 11,988(9.6) 94(10.8)
BMI(kg/
Figure 112020136671909-pat00001
)		 <.0001 <.0001
<18.5 45,073(15.5) 124(6.1) 19,372(15.6) 45(5.2)
18.5-22.9 190,175(65.6) 952(47.0) 81,273(65.4) 406(46.8)
23-24.9 30,109(10.4) 355(17.5) 12,928(10.4) 141(16.3)
25-29.9 21,056(7.3) 443(21.9) 9,147(7.4) 198(22.8)
>=30 3,611(1.3) 150(7.4) 1,575(1.3) 77(8.9)
Waist circumference(cm) <.0001 <.0001
<85 277,844(95.8) 1,700(84.0) 118,999(95.7) 713(82.2)
>=85 12,180(4.2) 324(16.0) 5,296(4.3) 154(17.8)
Hypertension <.0001 <.0001
Yes 3,971(1.4) 96(4.7) 1,705(1.4) 32(3.7)
Fasting blood glucose(mg/dL) <.0001 <.0001
<90 175,327(60.5) 637(315.) 74,952(60.3) 262(30.2)
90-100 88,971(30.7) 697(34.4) 38,234(30.8) 303(35.0)
101-110 20,823(7.2) 406(20.2) 8,954(7.2) 178(20.5)
111-125 4,903(1.7) 218(13.9) 2,155(1.7) 124(14.3)
Total cholesterol(mg/dL) <.0001 <.0001
<160 83,330(28.7) 415(20.5) 35,633(28.7) 148(17.1)
160-200 149,028(51.4) 925(45.7) 64,102(51.6) 417(48.1)
201-240 19,805(17.2) 527(26.0) 21,140(17.0) 233(26.9)
>=241 7,861(2.7) 157(7.8) 3,420(2.8) 69(8.0)
Triglyceride(mg/dL) <.0001 <.0001
<150 274,301(94.6) 1,619(80.0) 117,688(94.7) 702(81.0)
>=150 15,723(5.4) 405(20.0) 6607(5.3) 165(19.0)
HDL-cholesterol(mg/dL) <.0001 <.0001
<50 44,461(15.3) 602(29.7) 19,150(15.4) 237(27.3)
>=50 245,563(84.7) 1,422(70.3) 105,145(84.6) 630(72.7)
r-GTP(IU/L) <.0001 <.0001
<10 34,424(11.9) 121(60.) 14,628(11.8) 40(4.6)
10-19 202,386(69.8) 1,110(54.8) 86,658(69.7) 451(52.0)
>=20 53,214(18.4) 793(39.2) 23,009(18.5) 376(43.4)
이어서, 209단계에서 제어부(150)는 12개의 위험인자 중에서 하기의 표 2와 같이 6개의 위험인자를 추출하여 해당 위험인자의 위험도(95% confidence intervals)를 산출한다. 이때, 6개의 위험인자는 고위험 임신성 당뇨병을 발생시키는 주된 위험인자일 수 있다. 하기의 표 2를 참조하면, Univariate 상태에서 30-34세의 여성에게 고위험 임신성 당뇨병의 발생 위험도는 3.71(95% CI 2.57-5.38)이고, Multivariate 상태에서 동일 그룹의 고위험 임신성 당뇨병의 발생 위험도는 3.36(95% CI 2.32-4.87)이다.
Events n(%) Univariate Multivariate
Age(y)
<25 29(0.2) 1(ref.) 1(ref.)
25-29 447(0.39) 1.92(1.32-2.80) 20.2(1.39-2.95)
30-34 946(0.74) 3.71(2.57-5.38) 3.36(2.32-4.87)
>=35 602(1.76) 8.87(6.11-12.88) 6.18(4.25-9.00)
Smoking status
No 1,879(0.67) 1(ref.) 1(ref.)
Current 145(1.39) 2.10(1.77-2.48) 1.62(1.36-1.93)
BMI(kg/
Figure 112020136671909-pat00002
)
<18.5 124(0.27) 0.55(0.46-0.66) 0.64(0.53-0.77)
18.5-22.9 952(0.5) 1(ref.) 1(ref.)
23-24.9 355(1.17) 2.36(2.08-2.66) 1.76(1.56-2.00)
25-29.9 443(2.06) 4.20(3.75-4.71) 2.36(2.09-2.67)
>=30 150(3.99) 8.30(6.97-9.89) 3.30(2.73-3.98)
Fasting blood glucose(mg/dL)
<90 637(0.36) 1(ref.) 1(ref.)
90-100 697(0.78) 2.16(1.94-2.40) 1.82(1.63-2.03)
101-110 409(1.93) 5.41(4.77-6.13) 3.72(3.27-4.23)
111-125 281(5.42) 7(16.37-18.20) 9.15(7.88-10.64)
Total cholesterol(mg/dL)
<160 415(0.5) 1(ref.) 1(ref.)
160-200 925(0.62) 1.25(1.11-1.40) 1.02(0.91-1.15)
201-240 527(1.05) 2.13(1.87-2.42) 1.26(1.10-1.44)
>=241 157(1.96) 4.01(3.33-4.83) 1.62(1.34-1.97)
r-GTP(IU/L)
<10 121(0.35) 1(ref.) 1(ref.)
10-19 1,110(0.55) 1.56(1.29-1.88) 1.37(1.13-1.65)
>=20 793(1.47) 4.24(3.50-5.14) 2.17(1.78-2.65)
211단계에서 제어부(150)는 표 2와 같이 위험인자별 위험도가 산출되면, 이를 이용하여 위험인자별 기여도를 환산하여 고위험 임신성 당뇨병 예측모델의 설계를 완료한다. 보다 구체적으로, 제어부(150)는 나이, 흡연여부, BMI 수치, 공복혈당수치, 콜레스테롤 수치 및 간수치 등의 6개의 위험인자에 가중치를 부여하여 각 위험인자에 대한 기여도를 0 내지 100 사이의 점수로 환산한다. 이때, 각 위험인자의 기여도는 도 3과 같은 계산도표를 이용하여 하기의 표 3과 같이 산출된다. 도 3은 본 발명의 실시 예에 따른 고위험 임신성 당뇨병을 발생시키는 위험인자별 기여도를 점수로 환산하기 위한 계산도표를 나타낸 도면이다. 도 4는 본 발명의 실시 예에 따른 위험인자별 기여도 점수로 산출된 총 점수를 기반으로 고위험 임신성 당뇨병 예측모델을 나타낸 도면이다. 도 5는 본 발명의 실시 예에 따른 ROC(receiver-operating characteristic) 곡선의 AUC(area under the ROC curve)가 나타내는 고위험 임신성 당뇨병 예측값에 의한 신뢰도를 나타낸 도면이다.
Variable Categories and score
Age (y) <25 25-29 30-34 >=35
0 32 55 82
BMI <18.5 18.5-22.9 23-24.9 25-29.9 >=30
0 20 46 59 74
Current smoking No Yes
0 22
Fasting blood glucose <90 90-100 101-110 111-125
0 27 59 100
Total cholesterol <160 160-200 201-240 >=241
0 1 10 22
r-GTP <10 10-19 >=20
0 14 35
표 3, 도 3 및 도 4를 예로 들면, 피험자의 조건이 36세(82점), BMI수치가 28.0(59점), 비흡연자(0점), 공복혈당수치가 120(100점), 총 콜레스테롤이 220(10점), 간수치가 12(14점)이면 이 여성의 총 점수는 265점이 된다. 도 3 및 도 4를 참조하면, 상기와 같은 조건을 갖는 여성이 고위험 임신성 당뇨병에 걸릴 위험은 0.105 이상 0.205 사이의 값임을 확인할 수 있다. 이때, 도 3의 Predicted Value는 도 4의 y축과 동일하며, 도 3의 Total Points는 도 4의 x축과 동일하다. 아울러, 도 3 및 도 4와 같이 설계된 예측모델에 대한 신뢰도는 도 5와 같이 AUC가 0.7826이므로 종래의 예측모델에 비해 신뢰도가 매우 향상된 것을 확인할 수 있다. 213단계에서 제어부(150)는 고위험 임신성 당뇨병 예측모델의 설계완료가 확인되면 215단계를 수행하고, 설계완료가 확인되지 않으면 205단계로 회귀하여 상기의 동작들을 재수행할 수 있다. 215단계에서 제어부(150)는 설계가 완료된 예측모델의 검증을 수행한다. 이는 하기의 도 6을 이용하여 구체적으로 설명하기로 한다. 도 6은 본 발명의 실시 예에 따른 검증 코호트를 기반으로 고위험 임신성 당뇨병 예측모델의 검증결과를 나타낸 도면이다.
도 6을 참조하면, 제어부(150)는 도 3에서 표시된 위험도 점수(Total Points)를 10개의 구간(D1-D10)으로 분할하고 각 구간별로 개발 코호트 및 검증 코호트를 기반으로 고위험 임신성 당뇨병 발생 예측률을 산출할 수 있다. 예컨대, D1 내지 D10에서 개발 코호트에 의해 산출된 y축 값과, 검증 코호트에 의해 산출된 y축 값이 매우 유사한 것으로 확인되므로 고위험 임신성 당뇨병 예측모델이 매우 정확한 수준임을 확인할 수 있다.
이어서, 217단계에서 제어부(150)는 입력부(120)로부터 검증이 완료된 예측모델을 배포하기 위한 배포신호가 수신되면 219단계를 수행한다. 219단계에서 제어부(150)는 예측모델을 웹 기반의 프로그램으로 생성하여 의료진 및 일반인에게 배포할 수 있다. 이를 통해, 누구나 손쉽게 임신 전에 고위험 임신성 당뇨병의 발생여부를 예측할 수 있고, 예측결과에 따라 관리 계획을 수립하여 임신 이후에 발생할 수 있는 고위험 임신성 당뇨병을 보다 쉽게 예방할 수 있는 효과가 있다.
본 명세서와 도면에 개시된 본 발명의 실시 예들은 본 발명의 기술 내용을 쉽게 설명하고 본 발명의 이해를 돕기 위해 특정 예를 제시한 것일 뿐이며, 본 발명의 범위를 한정하고자 하는 것은 아니다. 따라서 본 발명의 범위는 여기에 개시된 실시 예들 이외에도 본 발명의 기술적 사상을 바탕으로 도출되는 모든 변경 또는 변형된 형태가 본 발명의 범위에 포함되는 것으로 해석되어야 한다.

Claims (10)

  1. 전자장치가 코호트(cohort) 데이터를 수집하는 단계;
    상기 전자장치가 상기 코호트 데이터를 기반으로 임신 중에 발생할 수 있는 고위험 임신성 당뇨병을 임신 전에 예측하기 위한 고위험 임신성 당뇨병 예측모델의 설계 및 검증을 위한 개발 코호트(development cohort) 및 검증 코호트(validation cohort)를 구축하는 단계;
    상기 전자장치가 나이, 흡연여부, BMI(body mass index) 수치, 공복혈당수치, 콜레스테롤 수치 및 간수치를 포함하는 복수의 위험인자에 대한 위험도를 산출하는 단계;
    상기 전자장치가 상기 위험인자별 위험도를 기반으로 상기 복수의 위험인자 각각에 가중치를 부여하여 각 위험인자에 대한 기여도를 0에서 100 점수로 환산하여 위험인자별 기여도를 산출하여 상기 예측모델을 설계하는 단계;
    상기 환산된 점수를 복수개의 구간으로 분할하고, 동일한 구간에서의 상기 개발 코호트와 상기 검증 코호트를 기반으로 각각 산출된 고위험 임신성 당뇨병 발생 예측률을 비교하여 상기 예측모델의 검증을 수행하는 단계; 및
    상기 예측모델을 웹 기반의 프로그램으로 생성하여 배포하는 단계;
    를 포함하는 것을 특징으로 하는 고위험 임신성 당뇨병 예측모델 설계 방법.
  2. 삭제
  3. 삭제
  4. 삭제
  5. 삭제
  6. 삭제
  7. 임신 중에 발생할 수 있는 고위험 임신성 당뇨병을 임신 전에 예측하기 위한 고위험 임신성 당뇨병 예측모델의 설계신호에 따라 코호트(cohort) 데이터를 수신하는 통신부; 및
    상기 코호트 데이터를 기반으로 상기 예측모델의 설계 및 검증을 위한 개발 코호트(development cohort) 및 검증 코호트(validation cohort)를 구축하고, 나이, 흡연여부, BMI(body mass index) 수치, 공복혈당수치, 콜레스테롤 수치 및 간수치를 포함하는 복수의 위험인자에 대한 위험도를 산출하고, 상기 위험인자별 위험도를 기반으로 상기 복수의 위험인자 각각에 가중치를 부여하여 각 위험인자에 대한 기여도를 0에서 100 점수로 환산하여 위험인자별 기여도를 산출하여 상기 예측모델을 설계하고,
    상기 환산된 점수를 복수개의 구간으로 분할하여 동일한 구간에서의 상기 개발 코호트와 상기 검증 코호트를 기반으로 각각 산출된 고위험 임신성 당뇨병 발생 예측률을 비교하여 상기 예측모델의 검증을 수행하고, 상기 예측모델을 웹 기반의 프로그램으로 생성하여 배포하는 제어부;
    를 포함하는 것을 특징으로 하는 고위험 임신성 당뇨병 예측모델 설계 장치.
  8. 삭제
  9. 삭제
  10. 삭제
KR1020200176288A 2020-12-16 2020-12-16 고위험 임신성 당뇨병 예측모델 설계 방법 및 장치 KR102525374B1 (ko)

Priority Applications (2)

Application Number Priority Date Filing Date Title
KR1020200176288A KR102525374B1 (ko) 2020-12-16 2020-12-16 고위험 임신성 당뇨병 예측모델 설계 방법 및 장치
PCT/KR2021/015924 WO2022131544A1 (ko) 2020-12-16 2021-11-04 고위험 임신성 당뇨병 예측모델 설계 방법 및 장치

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020200176288A KR102525374B1 (ko) 2020-12-16 2020-12-16 고위험 임신성 당뇨병 예측모델 설계 방법 및 장치

Publications (2)

Publication Number Publication Date
KR20220086134A KR20220086134A (ko) 2022-06-23
KR102525374B1 true KR102525374B1 (ko) 2023-04-24

Family

ID=82059631

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020200176288A KR102525374B1 (ko) 2020-12-16 2020-12-16 고위험 임신성 당뇨병 예측모델 설계 방법 및 장치

Country Status (2)

Country Link
KR (1) KR102525374B1 (ko)
WO (1) WO2022131544A1 (ko)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117316445A (zh) * 2023-09-22 2023-12-29 无锡市妇幼保健院 一种用于预测妊娠期糖尿病风险的评估模型及其应用

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2020240543A1 (en) * 2019-05-24 2020-12-03 Yeda Research And Development Co. Ltd. Method and system for predicting gestational diabetes

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109917125A (zh) 2013-12-03 2019-06-21 哈佛大学董事会 用于评估妊娠糖尿病的方法和试剂
KR101835471B1 (ko) * 2017-10-26 2018-03-08 강원대학교산학협력단 분만 취약지 임산부의 임신주기별 고위험 임산부 선별검사 서비스 제공방법, 장치 및 시스템
JP7097570B2 (ja) * 2018-08-27 2022-07-08 株式会社Ｎｔｔドコモ データ収集解析装置及びデータ収集解析方法
KR102233909B1 (ko) * 2020-07-13 2021-03-30 서울대학교산학협력단 임신성 당뇨 및 임신 중 고혈압 예측을 위한 바이오마커

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2020240543A1 (en) * 2019-05-24 2020-12-03 Yeda Research And Development Co. Ltd. Method and system for predicting gestational diabetes

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
Chien K-L, etc., Constructing the Prediction Model for the Risk of Stroke in a Chinese Population(Report From a Cohort Study in Taiwan). Stroke. Vol.41, pp.1858~1864 (September, 2010)*

Also Published As

Publication number Publication date
WO2022131544A1 (ko) 2022-06-23
KR20220086134A (ko) 2022-06-23

Similar Documents

Publication Publication Date Title
KR102024373B1 (ko) 대사이상 질환의 질병 위험도를 예측하는 장치 및 방법
Muraro et al. The urgent need for a harmonized severity scoring system for acute allergic reactions
Passantino et al. Predicting mortality in patients with acute heart failure: role of risk scores
Hasin et al. Heart failure after myocardial infarction is associated with increased risk of cancer
CN104335211B (zh) 用于数据收集和传输的具有多个健康监测设备、交互式语音识别和移动接口的健康监测系统
Carrà et al. Do they actually work across borders? Evaluation of two measures of psychological distress as screening instruments in a non Anglo-Saxon country
US20040243443A1 (en) Healthcare support apparatus, health care support system, health care support method and health care support program
KR102131973B1 (ko) 개인 건강관리 방법 및 시스템
KR102282720B1 (ko) 당뇨병 환자의 뇌졸중 위험 예측모델 설계 방법 및 장치
CN110838366A (zh) 一种患病风险的预测方法及装置
Yang et al. The disease burden of bronchiectasis in comparison with chronic obstructive pulmonary disease: a national database study in Korea
CN114023418B (zh) 胰岛素推荐方法和装置、监控血糖水平的系统
WO2012116334A2 (en) Methods and systems for assessing latent traits using probabilistic scoring
KR102525374B1 (ko) 고위험 임신성 당뇨병 예측모델 설계 방법 및 장치
US20090177405A1 (en) Method, a computer program and a computer system for determination whether a subject has an increased risk for acquiring a disease
US20210192365A1 (en) Computer device, system, readable storage medium and medical data analysis method
Gu et al. Burden of atrial fibrillation in Māori and Pacific people in New Zealand: a cohort study
Muro et al. Weighting experience-based decision support on the basis of clinical outcomes' assessment
CN114822838A (zh) 一种脑卒中患者跌倒风险预测模型的构建方法及系统
Crawford et al. Electronic health record documentation times among emergency medicine trainees
US20150019470A1 (en) Clinical decision support system and device supporting the same
Lee et al. Impact of data extraction errors in meta-analyses on the association between depression and peripheral inflammatory biomarkers: an umbrella review
CN113643798A (zh) 为失能人员匹配照护人员的方法、装置及计算机设备
Vallipakorn et al. Risk prediction score for death of traumatised and injured children
EP4201325A1 (en) System and method for hearing tests

Legal Events

Date Code Title Description
E902 Notification of reason for refusal
AMND Amendment
E601 Decision to refuse application
X091 Application refused [patent]
AMND Amendment
X701 Decision to grant (after re-examination)
GRNT Written decision to grant