KR102526577B1 - Artificial intelligence based risk prediction system and method for patient management - Google Patents

Artificial intelligence based risk prediction system and method for patient management Download PDF

Info

Publication number
KR102526577B1
KR102526577B1 KR1020220122246A KR20220122246A KR102526577B1 KR 102526577 B1 KR102526577 B1 KR 102526577B1 KR 1020220122246 A KR1020220122246 A KR 1020220122246A KR 20220122246 A KR20220122246 A KR 20220122246A KR 102526577 B1 KR102526577 B1 KR 102526577B1
Authority
KR
South Korea
Prior art keywords
risk
patient
data
vital
prediction model
Prior art date
Application number
KR1020220122246A
Other languages
Korean (ko)
Inventor
조광원
김문영
마혜선
Original Assignee
주식회사 비투엔
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 주식회사 비투엔 filed Critical 주식회사 비투엔
Priority to KR1020220122246A priority Critical patent/KR102526577B1/en
Application granted granted Critical
Publication of KR102526577B1 publication Critical patent/KR102526577B1/en

Links

Images

Classifications

    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/50—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
    • 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
    • G08—SIGNALLING
    • G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
    • G08B21/00—Alarms responsive to a single specified undesired or abnormal condition and not otherwise provided for
    • G08B21/18—Status alarms
    • G08B21/182—Level alarms, e.g. alarms responsive to variables exceeding a threshold
    • 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

Abstract

환자 관리를 위한 인공지능 기반의 위험 예측 시스템 및 방법을 개시한다. 본 발명은 인공지능 기반의 예측 모델을 이용하여 환자의 바이탈 데이터와 EMR 데이터를 기반으로 실시간 위험 예측 값을 산출하여 위험 상태 발생에 따른 신속한 대응 정보를 제공할 수 있다.An artificial intelligence-based risk prediction system and method for patient management are disclosed. The present invention can provide prompt response information according to the occurrence of a dangerous state by calculating a real-time risk prediction value based on the patient's vital data and EMR data using an artificial intelligence-based predictive model.

Description

환자 관리를 위한 인공지능 기반의 위험 예측 시스템 및 방법{ARTIFICIAL INTELLIGENCE BASED RISK PREDICTION SYSTEM AND METHOD FOR PATIENT MANAGEMENT}AI-based risk prediction system and method for patient management {ARTIFICIAL INTELLIGENCE BASED RISK PREDICTION SYSTEM AND METHOD FOR PATIENT MANAGEMENT}

본 발명은 환자 관리를 위한 인공지능 기반의 위험 예측 시스템 및 방법에 관한 발명으로서, 더욱 상세하게는 인공지능 기반의 예측 모델을 이용하여 환자의 바이탈 데이터와 EMR 데이터를 기반으로 실시간 위험 예측 값을 산출하여 위험 상태 발생에 따른 신속한 대응 정보를 제공할 수 있는 환자 관리를 위한 인공지능 기반의 위험 예측 시스템 및 방법에 관한 것이다.The present invention relates to an artificial intelligence-based risk prediction system and method for patient management, and more particularly, calculates real-time risk prediction values based on patient vital data and EMR data using an artificial intelligence-based prediction model. It relates to an artificial intelligence-based risk prediction system and method for patient management that can provide rapid response information in accordance with the occurrence of a risky condition.

요양시설에 거주하는 입소자는 중복적인 질환, 기저질환의 악화, 물리적, 환경적 요인과, 입소자의 허약한 신체적 조건 등이 병합되어 평상시 입소자의 상태와는 변화된 이상 징후가 발생될 수 있다.Residents living in nursing facilities may develop abnormal symptoms that are different from those of ordinary residents due to a combination of overlapping diseases, exacerbation of underlying diseases, physical and environmental factors, and weak physical conditions of residents.

이러한 이상 징후가 발생되면 입소자에 대한 신속한 처치와 치료가 이루어져야 하고, 그렇지 못한 경우 입소자가 사망에 이르는 위기적 상황이 발생할 수도 있다. When these abnormal signs occur, prompt treatment and treatment must be performed on the resident, otherwise a crisis situation in which the resident can die may occur.

따라서, 요양시설에서 입소자의 안전과 건강 상태 및 이상 징후를 효과적으로 관리하기 위해서는 주의 깊고, 체계적인 관리가 이루어져야 하고, 특히 노인 입소자의 경우 이상 징후는 세심한 관찰이 필요하다.Therefore, in order to effectively manage the safety and health conditions and abnormal signs of residents in nursing facilities, careful and systematic management must be performed.

최근에는 병원이나 요양시설 등에 의료 서비스를 보조하기 위해 유비쿼터스 시스템을 이용한 다양한 정보통신 기술들이 사용되고 있다.Recently, various information and communication technologies using ubiquitous systems are being used to assist medical services in hospitals or nursing facilities.

이러한 유비쿼터스 시스템 기반의 환자 모니터링 시스템은 신체에 센서를 휴대하고, 센서를 통해 측정한 다양한 정보를 스마트폰 등의 단말에 표시함으로써, 관리가 이루어질 수 있도록 한다. A patient monitoring system based on such a ubiquitous system carries a sensor on the body and displays various information measured through the sensor on a terminal such as a smart phone so that management can be performed.

그러나, 종래 기술에 따른 모니터링 시스템은 환자 자신이 건강 정보를 관리하도록 구성되어 이상 징후 또는 응급 상황의 발생시 신속한 처리가 어려운 문제점이 있다.However, the monitoring system according to the prior art is configured so that the patient himself manages health information, so it is difficult to quickly process abnormal symptoms or emergency situations.

또한, 병원 또는 요양원과 같은 의료시설에 입소한 입소자의 경우, 다수의 입소자에 대하여 소수의 간호사 또는 요양 보호사가 관리하기에는 현실적으로 어려운 문제점이 있다.In addition, in the case of residents admitted to medical facilities such as hospitals or nursing homes, it is practically difficult for a small number of nurses or caregivers to manage a large number of residents.

한국 공개특허공보 공개번호 제10-2019-0018102호(발명의 명칭: 환자 관리 애플리케이션을 이용한 의료 서비스 제공 시스템)Korean Patent Laid-open Publication No. 10-2019-0018102 (Title of Invention: Medical service provision system using patient management application)

이러한 문제점을 해결하기 위하여, 본 발명은 인공지능 기반의 예측 모델을 이용하여 환자의 바이탈 데이터와 EMR 데이터를 기반으로 실시간 위험 예측 값을 산출하여 위험 상태 발생에 따른 신속한 대응 정보를 제공할 수 있는 환자 관리를 위한 인공지능 기반의 위험 예측 시스템 및 방법을 제공하는 것을 목적으로 한다.In order to solve this problem, the present invention calculates a real-time risk prediction value based on the patient's vital data and EMR data using an artificial intelligence-based predictive model, thereby providing a patient with rapid response information in response to the occurrence of a dangerous state. Its purpose is to provide an artificial intelligence-based risk prediction system and method for management.

상기한 목적을 달성하기 위하여 본 발명의 일 실시 예는 환자 관리를 위한 인공지능 기반의 위험 예측 시스템으로서, 하나 이상의 환자로부터 측정되는 환자 바이탈(Vital) 데이터와, 상기 환자별로 측정되는 환자 EMR(Electronic Medical Record) 데이터를 제공하는 환자 데이터부; 및 상기 환자 바이탈 데이터를 기반으로 위험 알람 예측 모델을 이용하여 환자별 바이탈 패턴, 위험군별 바이탈 위험 조건, 바이탈 위험 확률 분석을 통해 환자의 위험 상태를 예측하고, 상기 환자 EMR 데이터를 기반으로 위험 발생 예측 모델을 이용하여 환자별 위험 인자의 변동에 따른 위험 확률 분석을 통해 환자의 위험 발생 확률을 예측하며, 상기 환자의 위험 상태 예측 결과와 환자의 위험 발생 확률 예측 결과에 기반하여 환자별로 모니터링된 위험 발생 및 알람 정보를 제공하는 환자 관리 플랫폼 서버;를 포함한다.In order to achieve the above object, an embodiment of the present invention is an artificial intelligence-based risk prediction system for patient management, wherein patient vital data measured from one or more patients and patient EMR (Electronic Medical Record) patient data unit providing data; and using a risk alarm prediction model based on the patient's vital data to predict the risk state of the patient through vital pattern for each patient, vital risk condition for each risk group, and vital risk probability analysis, and risk occurrence prediction based on the patient's EMR data. Using the model, the patient's risk occurrence probability is predicted through risk probability analysis according to the change in risk factors for each patient. and a patient management platform server providing alarm information.

또한, 상기 실시 예에 따른 환자 데이터부는 환자에게 착장되어 일정 시간간격으로 측정된 체온, 심박수, 혈압, 호흡수, 뇌파, 근전도, 산소 포화도 중 하나 이상의 바이탈 데이터를 실시간 제공하는 환자 바이탈 데이터부; 및 상기 환자의 주 증상, 발명 시기, 발명 양상, 병력, 과거력, 이학적 검사, 증상/증후 검사, 추정 진단, 확정 진단, 추이 기록, 혈액 검사, 영상 검사, 환자 처치 명령 중 하나 이상의 EMR 데이터를 일 단위 또는 임의의 주기 단위로 제공하는 환자 EMR 데이터부;를 포함하는 것을 특징으로 한다.In addition, the patient data unit according to the embodiment is worn on the patient and provides at least one vital data of body temperature, heart rate, blood pressure, respiratory rate, brain wave, electromyography, and oxygen saturation measured at regular time intervals in real time. A patient vital data unit; And one or more EMR data of the patient's main symptom, invention time, invention aspect, medical history, past history, physical examination, symptom/symptom examination, presumptive diagnosis, definitive diagnosis, trend record, blood test, imaging test, and patient treatment order It is characterized in that it includes; a patient EMR data unit provided in units or arbitrary cycle units.

또한, 상기 실시 예에 따른 환자 관리 플랫폼 서버는 환자 바이탈 데이터와 환자 EMR 데이터를 수집하는 데이터 수집부; 상기 환자 바이탈 데이터를 기반으로 위험 알람 예측 모델을 이용하여 환자별 바이탈 패턴, 위험군별 바이탈 위험 조건, 바이탈 위험 확률 분석을 통해 환자의 위험 상태를 예측하고, 상기 환자 EMR 데이터를 기반으로 위험 발생 예측 모델을 이용하여 환자별 위험 인자의 변동에 따른 위험 확률 분석을 통해 환자의 위험 발생 확률을 예측하며, 상기 환자의 위험 상태 예측 결과 및 환자의 위험 발생 확률 예측 결과에 기반하여 환자별로 모니터링된 위험 발생 및 알람 정보를 출력하는 예측 모델부; 및 상기 환자의 위험 상태 예측 결과와 환자의 위험 발생 확률 예측 결과를 저장하는 데이터 저장부;를 포함하여 구성된 것을 특징으로 한다.In addition, the patient management platform server according to the embodiment includes a data collection unit for collecting patient vital data and patient EMR data; Using the risk alarm prediction model based on the patient's vital data, the patient's risk state is predicted through the vital pattern for each patient, the vital risk condition for each risk group, and the vital risk probability analysis, and the risk occurrence prediction model based on the patient's EMR data Predicting the risk occurrence probability of the patient through risk probability analysis according to the change in risk factors for each patient using the risk occurrence probability monitoring result for each patient based on the risk state prediction result of the patient and the risk occurrence probability prediction result of the patient, and a prediction model unit outputting alarm information; and a data storage unit for storing the patient's risk state prediction result and the patient's risk occurrence probability prediction result.

또한, 상기 실시 예에 따른 데이터 수집부는 수집된 데이터에 대한 결측 데이터, 이상 데이터 오류 데이터를 처리하는 전처리부; 상기 전처리를 통해 보정된 데이터 중에서 환자 바이탈 데이터를 분류하여 저장하는 바이탈 데이터부; 및 상기 전처리를 통해 보정된 데이터 중에서 환자 EMR 데이터를 분류하여 저장하는 EMR 데이터부;를 포함하는 것을 특징으로 한다.In addition, the data collection unit according to the embodiment may include a pre-processing unit for processing missing data and abnormal data error data for the collected data; a vital data unit configured to classify and store patient vital data among data corrected through the preprocessing; and an EMR data unit configured to classify and store patient EMR data among data corrected through the preprocessing.

또한, 상기 실시 예에 따른 예측 모델부는 환자의 체온, 심박수, 혈압, 호흡수, 뇌파, 근전도, 산소 포화도를 포함한 환자 바이탈 데이터와, 과거의 병력에 따른 위험군별 바이탈 위험 데이터를 기반으로 위험 알람 예측 모델을 이용하여 환자별 바이탈 패턴, 위험군별 바이탈 위험 조건, 바이탈 위험 확률 분석을 통해 실시간으로 환자의 위험 상태를 예측하는 위험 알람 모델부; 및 상기 환자의 주 증상, 발명 시기, 발명 양상, 병력, 과거력, 이학적 검사, 증상/증후 검사, 추정 진단, 확정 진단, 추이 기록, 혈액 검사, 영상 검사, 환자 처치 명령을 포함한 EMR 데이터를 기반으로 위험 발생 예측 모델을 이용하여 환자별 위험 인자의 변동에 따른 위험 확률 분석을 통해 일정 주기별로 환자의 위험 발생 확률을 예측하는 위험 예측 모델부;를 포함하는 것을 특징으로 한다.In addition, the prediction model unit according to the above embodiment predicts a danger alarm based on patient vital data including the patient's body temperature, heart rate, blood pressure, respiratory rate, brain wave, electromyography, and oxygen saturation, and vital risk data for each risk group according to past medical history. a risk alarm model unit that predicts a patient's risk state in real time through vital pattern for each patient, vital risk conditions for each risk group, and vital risk probability analysis using the model; And based on the EMR data including the patient's main symptoms, invention time, invention aspect, medical history, past history, physical examination, symptom / symptom examination, presumed diagnosis, confirmed diagnosis, trend record, blood test, imaging test, and patient treatment order It is characterized by including; a risk prediction model unit that predicts the risk occurrence probability of a patient at a certain period through risk probability analysis according to the change in risk factors for each patient using the risk occurrence prediction model.

또한, 상기 실시 예에 따른 위험 알람 모델부(221)의 위험 알람 예측 모델은 환자별 바이탈 패턴과, 위험군별 바이탈 위험 조건에 따른 룰(Rule) 기반의 위험 조건을 이용하여 위험 여부를 예측하는 제1 예측 모델과, 질병에 따른 위험군의 바이탈 위험 확률에 따라 위험 여부를 예측하는 제2 예측 모델로 이루어진 것을 특징으로 한다.In addition, the risk alarm prediction model of the risk alarm model unit 221 according to the embodiment predicts risk by using vital patterns for each patient and rule-based risk conditions according to vital risk conditions for each risk group. It is characterized in that it consists of a first predictive model and a second predictive model that predicts whether or not the risk is present according to the vital risk probability of the risk group according to the disease.

또한, 본 발명의 일 실시 예는 환자 관리를 위한 인공지능 기반의 위험 예측 방법으로서, a) 환자 관리 플랫폼 서버가 환자 데이터부를 통해 하나 이상의 환자로부터 측정되는 환자 바이탈 데이터와, 상기 환자별로 측정된 환자 EMR 데이터를 수집하는 단계; b) 상기 환자 관리 플랫폼 서버가 수집된 데이터 중에서 환자 바이탈 데이터는 위험 알람 예측 모델을 이용하여 환자별 바이탈 패턴, 위험군별 바이탈 위험 조건, 바이탈 위험 확률 분석을 통해 환자의 위험 상태를 예측하고, 상기 수집된 데이터 중에서 환자 EMR 데이터는 위험 발생 예측 모델을 이용하여 환자별 위험 인자의 변동에 따른 위험 확률 분석을 통해 환자의 위험 발생 확률을 예측하는 단계; 및 c) 상기 환자 관리 플랫폼 서버가 환자의 위험 상태 예측 결과와 환자의 위험 발생 확률 예측 결과에 기반하여 환자별로 모니터링된 위험 발생 및 알람 정보를 생성하여 저장하는 단계;를 포함한다.In addition, an embodiment of the present invention is an artificial intelligence-based risk prediction method for patient management, wherein a) patient management platform server provides patient vital data measured from one or more patients through a patient data unit, and patients measured for each patient collecting EMR data; b) Among the data collected by the patient management platform server, patient vital data predicts the patient's risk status through analysis of vital patterns for each patient, vital risk conditions for each risk group, and vital risk probability using a risk alarm prediction model, and the collected Predicting the patient's risk occurrence probability through risk probability analysis according to the variation of risk factors for each patient using a risk occurrence prediction model for patient EMR data among the collected data; and c) generating and storing, by the patient management platform server, risk occurrence and alarm information monitored for each patient based on the risk state prediction result of the patient and the risk occurrence probability prediction result of the patient.

또한, 상기 실시 예에 따른 a) 단계는 수집된 데이터에 대한 결측 데이터, 이상 데이터 오류 데이터를 처리하는 전처리 단계와, 상기 전처리 단계를 통해 보정된 데이터를 환자 바이탈 데이터와 환자 EMR 데이터로 분류하여 저장하는 단계를 더 포함하는 것을 특징으로 한다.In addition, step a) according to the embodiment includes a preprocessing step of processing missing data and abnormal data error data for the collected data, and classifying and storing the data corrected through the preprocessing step into patient vital data and patient EMR data. It is characterized in that it further comprises the step of doing.

또한, 상기 실시 예에 따른 b) 단계는 b-1) 수집된 데이터가 환자 바이탈 데이터이면, 상기 환자 관리 플랫폼 서버가 환자별 바이탈 패턴과, 위험군별 바이탈 위험 조건에 따른 룰(Rule) 기반의 위험 판단 조건인지 판단하는 단계; b-2) 상기 판단 결과, 위험 판단 조건이 룰 기반의 위험 판단 조건이면, 상기 환자 관리 플랫폼 서버가 바이탈 위험 조건을 검색하는 단계; 및 b-3) 상기 검색된 바이탈 위험 조건을 제1 예측 모델을 이용하여 위험 여부를 산출하고, 산출된 위험 분석 결과에 따라 위험 여부를 예측하는 단계;를 포함하는 것을 특징으로 한다.In addition, in step b) according to the embodiment, if the collected data is patient vital data, the patient management platform server determines the vital pattern for each patient and the rule-based risk condition according to the vital risk condition for each risk group. determining whether it is a judgment condition; b-2) searching for a vital risk condition by the patient management platform server if the risk determination condition is a rule-based risk determination condition as a result of the determination; and b-3) calculating whether the searched vital risk conditions are dangerous using a first predictive model, and predicting whether or not they are dangerous according to the calculated risk analysis result.

또한, 상기 실시 예에 따른 상기 판단 결과, b-4) 위험 판단 조건이 룰 기반의 위험 판단 조건이 아니면, 상기 환자 관리 플랫폼 서버가 제2 예측 모델을 이용하여 질병에 따른 위험군의 바이탈 위험 확률을 산출하고, 산출된 위험 확률 분석 결과에 따라 위험 여부를 예측하는 단계;를 더 포함하는 것을 특징으로 한다.In addition, as a result of the determination according to the embodiment, if the risk determination condition b-4) is not a rule-based risk determination condition, the patient management platform server determines the vital risk probability of the risk group according to the disease using the second prediction model It is characterized in that it further includes; calculating and predicting whether or not there is a risk according to the calculated risk probability analysis result.

또한, 상기 실시 예에 따른 b) 단계는 b-1') 수집된 데이터가 환자 EMR 데이터이면, 상기 환자 관리 플랫폼 서버가 미리 설정된 기준일인지 판단하는 단계; 및 b-2') 상기 판단 결과, 기준일이면, 상기 환자 관리 플랫폼 서버가 환자 EMR 데이터를 기반으로 위험 발생 예측 모델을 이용하여 위험 확률 분석 주기별 최초 위험 확률 분석을 통해 환자의 위험 발생 확률을 예측하는 단계;를 더 포함하는 것을 특징으로 한다.In addition, step b) according to the embodiment may include b-1') determining whether the patient management platform server is a preset reference date if the collected data is patient EMR data; and b-2') If the determination result is the reference date, the patient management platform server predicts the patient's risk occurrence probability through the first risk probability analysis for each risk probability analysis cycle using a risk occurrence prediction model based on patient EMR data. It is characterized in that it further comprises; the step of doing.

또한, 상기 실시 예에 따른 판단 결과, b-3') 기준일이 아니면, 상기 환자 관리 플랫폼 서버가 환자 EMR 데이터 중에서 위험 인자의 변동 발생 여부를 판단하는 단계; 및 b-4') 상기 위험 인자의 변동 발생이 판단되면, 상기 환자 관리 플랫폼 서버가 변동이 발생된 위험 인자를 포함한 환자 EMR 데이터를 기반으로 위험 발생 예측 모델을 이용하여 위험 확률 분석 주기별 재 위험 확률 분석을 통해 환자의 위험 발생 확률을 예측하되, 위험 인자의 변동 발생이 없으면, 최초 위험 확률 분석 결과를 유지하는 것을 특징으로 한다.In addition, as a result of the determination according to the embodiment, b-3') if it is not a reference date, the patient management platform server determining whether a risk factor changes in patient EMR data; and b-4') If it is determined that the change in the risk factor occurs, the patient management platform server re-risks per risk probability analysis period by using a risk occurrence prediction model based on patient EMR data including the risk factor in which the change has occurred. It is characterized in that the risk occurrence probability of the patient is predicted through probability analysis, but if there is no change in risk factors, the initial risk probability analysis result is maintained.

또한, 상기 실시 예에 따른 c) 단계는 상기 환자 관리 플랫폼 서버가 생성된 환자별 위험 발생 및 알람 정보를 임의의 시각적 포맷으로 변경하여 관리자 단말로 전송하는 단계를 더 포함하는 것을 특징으로 한다.In addition, step c) according to the embodiment may further include changing the generated risk occurrence and alarm information for each patient into an arbitrary visual format and transmitting the generated patient management platform server to an administrator terminal.

본 발명은 인공지능 기반의 예측 모델을 이용하여 환자의 바이탈 데이터와 EMR 데이터를 기반으로 실시간 위험 예측 값을 산출하여 위험 상태 발생에 따른 신속한 대응 정보를 제공할 수 있는 장점이 있다.The present invention has the advantage of providing prompt response information according to the occurrence of a dangerous state by calculating a real-time risk prediction value based on the patient's vital data and EMR data using an artificial intelligence-based predictive model.

또한, 본 발명은 실시간 수집되는 바이탈 데이터를 기반으로 이상 여부를 분석하는 위험 알람 모델과, 주기적으로 수집되는 EMR 데이터를 기반으로 위험 발생 확률을 예측하는 위험 예측 모델을 이용한 이원적 모델에 의한 관리를 통해 위험 발생의 적시(適時)성을 개선할 수 있는 장점이 있다.In addition, the present invention provides management by a binary model using a risk alarm model that analyzes abnormalities based on vital data collected in real time and a risk prediction model that predicts the probability of risk occurrence based on EMR data collected periodically. This has the advantage of improving the timeliness of risk occurrence.

도1은 본 발명의 일 실시 예에 따른 환자 관리를 위한 인공지능 기반의 위험 예측 시스템의 구성을 나타낸 블록도.
도2는 도1의 실시 예에 따른 환자 관리를 위한 인공지능 기반의 위험 예측 시스템의 데이터 수집부 구성을 나타낸 블록도.
도3은 도1의 실시 예에 따른 환자 관리를 위한 인공지능 기반의 위험 예측 시스템의 예측 모델부 구성을 나타낸 블록도.
도4는 본 발명의 일 실시 예에 따른 환자 관리를 위한 인공지능 기반의 위험 예측 방법을 설명하기 위해 나타낸 흐름도.
도5는 도4의 실시 예에 따른 환자 관리를 위한 인공지능 기반의 위험 예측 방법의 바이탈 데이터 기반 예측 과정을 설명하기 위해 나타낸 흐름도.
도6은 도4의 실시 예에 따른 환자 관리를 위한 인공지능 기반의 위험 예측 방법의 EMR 데이터 기반 예측 과정을 설명하기 위해 나타낸 흐름도.
도7은 본 발명의 일 실시 예에 따른 환자 관리를 위한 인공지능 기반의 위험 예측 방법의 실시간 위험 알람을 설명하기 위해 나타낸 예시도.
도8은 본 발명의 일 실시 예에 따른 환자 관리를 위한 인공지능 기반의 위험 예측 방법의 위험 발생 확률을 설명하기 위해 나타낸 예시도.
도9는 본 발명의 일 실시 예에 따른 환자 관리를 위한 인공지능 기반의 위험 예측 방법의 일일 모니터링을 설명하기 위해 나타낸 예시도.
도10은 본 발명의 일 실시 예에 따른 환자 관리를 위한 인공지능 기반의 위험 예측 방법의 위험 모니터링을 설명하기 위해 나타낸 예시도.1 is a block diagram showing the configuration of an artificial intelligence-based risk prediction system for patient management according to an embodiment of the present invention.
Figure 2 is a block diagram showing the configuration of the data collection unit of the artificial intelligence-based risk prediction system for patient management according to the embodiment of Figure 1;
Figure 3 is a block diagram showing the configuration of the prediction model unit of the artificial intelligence-based risk prediction system for patient management according to the embodiment of Figure 1;
4 is a flowchart illustrating an artificial intelligence-based risk prediction method for patient management according to an embodiment of the present invention.
5 is a flowchart illustrating a vital data-based prediction process of an artificial intelligence-based risk prediction method for patient management according to the embodiment of FIG. 4;
6 is a flowchart illustrating an EMR data-based prediction process of an artificial intelligence-based risk prediction method for patient management according to the embodiment of FIG. 4;
7 is an exemplary view illustrating a real-time risk alarm of an artificial intelligence-based risk prediction method for patient management according to an embodiment of the present invention.
8 is an exemplary view illustrating a risk occurrence probability of an artificial intelligence-based risk prediction method for patient management according to an embodiment of the present invention.
9 is an exemplary view illustrating daily monitoring of an artificial intelligence-based risk prediction method for patient management according to an embodiment of the present invention.
10 is an exemplary view illustrating risk monitoring of an artificial intelligence-based risk prediction method for patient management according to an embodiment of the present invention.

이하에서는 본 발명의 바람직한 실시 예 및 첨부하는 도면을 참조하여 본 발명을 상세히 설명하되, 도면의 동일한 참조부호는 동일한 구성요소를 지칭함을 전제하여 설명하기로 한다.Hereinafter, the present invention will be described in detail with reference to preferred embodiments of the present invention and accompanying drawings, but the same reference numerals in the drawings will be described on the premise that they refer to the same components.

본 발명의 실시를 위한 구체적인 내용을 설명하기에 앞서, 본 발명의 기술적 요지와 직접적 관련이 없는 구성에 대해서는 본 발명의 기술적 요지를 흩뜨리지 않는 범위 내에서 생략하였음에 유의하여야 할 것이다. Prior to describing specific details for the implementation of the present invention, it should be noted that configurations not directly related to the technical subject matter of the present invention are omitted within the scope of not disturbing the technical subject matter of the present invention.

또한, 본 명세서 및 청구범위에 사용된 용어 또는 단어는 발명자가 자신의 발명을 최선의 방법으로 설명하기 위해 적절한 용어의 개념을 정의할 수 있다는 원칙에 입각하여 발명의 기술적 사상에 부합하는 의미와 개념으로 해석되어야 할 것이다.In addition, the terms or words used in this specification and claims are meanings and concepts consistent with the technical idea of the invention based on the principle that the inventor can define the concept of appropriate terms to best describe his/her invention. should be interpreted as

본 명세서에서 어떤 부분이 어떤 구성요소를 "포함"한다는 표현은 다른 구성요소를 배제하는 것이 아니라 다른 구성요소를 더 포함할 수 있다는 것을 의미한다.In this specification, the expression that a certain part "includes" a certain component means that it may further include other components, rather than excluding other components.

또한, "‥부", "‥기", "‥모듈" 등의 용어는 적어도 하나의 기능이나 동작을 처리하는 단위를 의미하며, 이는 하드웨어나 소프트웨어, 또는 그 둘의 결합으로 구분될 수 있다.In addition, terms such as ".. unit", ".. unit", and ".. module" refer to units that process at least one function or operation, which may be classified as hardware, software, or a combination of the two.

또한, "적어도 하나의" 라는 용어는 단수 및 복수를 포함하는 용어로 정의되고, 적어도 하나의 라는 용어가 존재하지 않더라도 각 구성요소가 단수 또는 복수로 존재할 수 있고, 단수 또는 복수를 의미할 수 있음은 자명하다 할 것이다. In addition, the term "at least one" is defined as a term including singular and plural, and even if at least one term does not exist, each component may exist in singular or plural, and may mean singular or plural. would be self-evident.

이하, 첨부된 도면을 참조하여 본 발명의 일 실시 예에 따른 환자 관리를 위한 인공지능 기반의 위험 예측 시스템 및 방법의 바람직한 실시예를 상세하게 설명한다.Hereinafter, a preferred embodiment of an artificial intelligence-based risk prediction system and method for patient management according to an embodiment of the present invention will be described in detail with reference to the accompanying drawings.

도1은 본 발명의 일 실시 예에 따른 환자 관리를 위한 인공지능 기반의 위험 예측 시스템의 구성을 나타낸 블록도이고, 도2는 도1의 실시 예에 따른 환자 관리를 위한 인공지능 기반의 위험 예측 시스템의 데이터 수집부 구성을 나타낸 블록도이며, 도3은 도1의 실시 예에 따른 환자 관리를 위한 인공지능 기반의 위험 예측 시스템의 예측 모델부 구성을 나타낸 블록도이다.1 is a block diagram showing the configuration of an artificial intelligence-based risk prediction system for patient management according to an embodiment of the present invention, and FIG. 2 is an artificial intelligence-based risk prediction for patient management according to the embodiment of FIG. It is a block diagram showing the configuration of the data collection unit of the system, and FIG. 3 is a block diagram showing the configuration of the prediction model unit of the artificial intelligence-based risk prediction system for patient management according to the embodiment of FIG. 1 .

도1 내지 도3을 참조하면, 본 발명의 일 실시 예에 따른 환자 관리를 위한 인공지능 기반의 위험 예측 시스템은 인공지능 기반의 예측 모델을 이용하여 환자의 바이탈 데이터와 EMR 데이터를 기반으로 실시간 위험 예측 값을 산출하여 위험 상태 발생에 따른 신속한 대응 정보를 제공할 수 있도록, 환자 데이터부(100)와, 환자 관리 플랫폼 서버(200)를 포함하여 구성될 수 있다.1 to 3, an artificial intelligence-based risk prediction system for patient management according to an embodiment of the present invention uses an artificial intelligence-based predictive model to determine real-time risk based on patient vital data and EMR data. It may be configured to include a patient data unit 100 and a patient management platform server 200 so as to calculate a predicted value and provide prompt response information according to the occurrence of a dangerous state.

환자 데이터부(100)는 하나 이상의 환자로부터 측정되는 환자 바이탈(Vital) 데이터와, 상기 환자별로 측정되는 환자 EMR(Electronic Medical Record) 데이터를 제공하는 구성으로서, 환자 바이탈 데이터부(110)와, 환자 EMR 데이터부(120)로 구성될 수 있다.The patient data unit 100 is a component that provides patient vital data measured from one or more patients and patient electronic medical record (EMR) data measured for each patient, and includes the patient vital data unit 110, the patient It may be composed of the EMR data unit 120.

환자 바이탈 데이터부(110)는 환자의 신체에 착장되어 생체 정보를 측정하는 구성으로서, 일정 시간간격(예를 들어, 10분 ~ 20분)마다 측정된 체온, 심박수, 혈압, 호흡수, 뇌파, 맥파, 근전도, 산소 포화도 중 하나 이상의 바이탈 데이터를 실시간 감지하여 출력할 수 있다.The patient vital data unit 110 is a component worn on the patient's body to measure biometric information, such as body temperature, heart rate, blood pressure, respiratory rate, brain wave, One or more vital data among pulse wave, electromyogram, and oxygen saturation may be detected and output in real time.

즉, 환자 바이탈 데이터부(110)는 혈액이 심장에서 파상을 이루며 전파하는 파장 신호와 같은 맥파 신호를 측정하는 맥파(Plus wave) 센서, 델타, 세타, 알파, SMR, 저 베타, 고 베타, 감마 등의 뇌파 신호를 측정하는 뇌파 센서, 환자의 체온을 측정하는 체온 센서, 환자의 골격근 활동 전류를 측정하는 근전도 센서, 땀 등의 분비물을 측정하는 수분 센서, 심박수와 혈압 등을 측정하는 혈압 센서 등을 포함하여 구성될 수 있다.That is, the patient vital data unit 110 includes a pulse wave (Plus wave) sensor that measures a pulse wave signal, such as a wave signal that blood propagates in a wave form in the heart, delta, theta, alpha, SMR, low beta, high beta, and gamma. An EEG sensor that measures EEG signals from the back, a body temperature sensor that measures the body temperature of a patient, an EMG sensor that measures the active current of a patient's skeletal muscles, a moisture sensor that measures secretions such as sweat, and a blood pressure sensor that measures heart rate and blood pressure, etc. It can be configured to include.

또한, 환자 바이탈 데이터부(110)는 PPG(Photoolethysmongraphy) 측정장치로서, 비 침습적 방식을 이용하여 환자의 바이탈 데이터, 즉 생체 정보를 측정할 수도 있다.In addition, the patient vital data unit 110 is a PPG (Photoolethysmonography) measuring device, and may measure the patient's vital data, that is, biometric information, using a non-invasive method.

환자 EMR 데이터부(120)는 환자의 주 증상, 발명 시기, 발명 양상, 병력, 과거력, 이학적 검사, 증상/증후 검사, 추정 진단, 확정 진단, 추이 기록, 혈액 검사, 영상 검사, 환자 처치 명령 중 하나 이상의 EMR 데이터를 저장하고, 저장된 EMR 데이터를 일 단위, 주 단위 또는 월 단위 등의 일정 주기 단위로 제공할 수 있다.The patient EMR data unit 120 includes the patient's main symptom, invention time, invention aspect, medical history, past history, physical examination, symptom/symptom examination, presumptive diagnosis, definitive diagnosis, trend record, blood test, imaging test, and patient treatment order. One or more EMR data may be stored, and the stored EMR data may be provided at regular intervals such as daily, weekly, or monthly.

또한, 환자 데이터부(100)는 측정된 환자 바이탈 데이터와 환자 EMR 데이터를 각각 운영 데이터 저장소(Operational Data Store, ODS)에 저장할 수도 있다.In addition, the patient data unit 100 may store measured patient vital data and patient EMR data in an Operational Data Store (ODS), respectively.

또한, 환자 데이터부(100)는 측정된 환자 바이탈 데이터와 환자 EMR 데이터를 수신하고, 네트워크를 통해 연결된 환자 관리 플랫폼 서버(200)로 저장된 환자 바이탈 데이터와 환자 EMR 데이터를 전송할 수 있도록 데이터 통신수단을 더 포함하여 구성될 수 있다.In addition, the patient data unit 100 receives the measured patient vital data and patient EMR data, and transmits the stored patient vital data and patient EMR data to the patient management platform server 200 connected through a network. It may be further included.

환자 관리 플랫폼 서버(200)는 환자 바이탈 데이터를 기반으로 위험 알람 예측 모델을 이용하여 환자별 바이탈 패턴, 위험군별 바이탈 위험 조건, 바이탈 위험 확률 분석을 통해 환자의 위험 상태를 예측할 수 있다.The patient management platform server 200 may predict the risk state of the patient through vital pattern for each patient, vital risk condition for each risk group, and vital risk probability analysis using a risk alarm prediction model based on patient vital data.

또한, 환자 관리 플랫폼 서버(200)는 환자 EMR 데이터를 기반으로 위험 발생 예측 모델을 이용하여 환자별 위험 인자의 변동에 따른 위험 확률 분석을 통해 환자의 위험 발생 확률을 예측할 수 있다.In addition, the patient management platform server 200 may predict the patient's risk occurrence probability through risk probability analysis according to changes in risk factors for each patient using a risk occurrence prediction model based on patient EMR data.

또한, 환자 관리 플랫폼 서버(200)는 환자의 위험 상태 예측 결과와 환자의 위험 발생 확률 예측 결과에 기반하여 환자별로 모니터링된 위험 발생 및 알람 정보를 제공할 수 있으며, 이를 위해, 데이터 수집부(210)와, 예측 모델부(220)와, 데이터 저장부(230)를 포함하여 구성될 수 있다.In addition, the patient management platform server 200 may provide monitored risk occurrence and alarm information for each patient based on the patient's risk state prediction result and the patient's risk occurrence probability prediction result. To this end, the data collection unit 210 ), a prediction model unit 220, and a data storage unit 230.

데이터 수집부(210)는 환자 데이터부(100)로부터 환자 바이탈 데이터와 환자 EMR 데이터를 수집하는 구성으로서, 전처리부(211)와, 바이탈 데이터부(212)와, EMR 데이터부(213)를 포함하여 구성될 수 있다.The data collection unit 210 is a component that collects patient vital data and patient EMR data from the patient data unit 100, and includes a pre-processing unit 211, a vital data unit 212, and an EMR data unit 213. can be configured.

전처리부(211)는 환자 데이터부(100)로부터 수집한 환자 바이탈 데이터와 같은 실시간 데이터와, 환자 EMR 데이터와 같은 일 단위를 동시에 수용하여 처리할 수도 있고, 환자 바이탈 데이터와 환자 EMR 데이터에 대한 데이터 가공, 데이터 클렌징, 데이터 피처링을 통해 결측 데이터, 이상 데이터 오류 데이터를 보정 처리할 수 있다.The pre-processing unit 211 may simultaneously accept and process real-time data such as patient vital data collected from the patient data unit 100 and daily data such as patient EMR data, or data related to patient vital data and patient EMR data. Through processing, data cleansing, and data featuring, missing data, abnormal data, and error data can be corrected.

바이탈 데이터부(212)는 전처리를 통해 보정된 데이터 중에서 환자 바이탈 데이터를 분류하여 저장하고, 환자 바이탈 데이터를 예측 모델부(220)로 제공할 수 있다.The vital data unit 212 may classify and store patient vital data among data corrected through preprocessing, and provide the patient vital data to the prediction model unit 220 .

EMR 데이터부(213)는 전처리를 통해 보정된 데이터 중에서 환자 EMR 데이터를 분류하여 저장하고, 환자 EMR 데이터를 예측 모델부(220)로 제공할 수 있다.The EMR data unit 213 may classify and store patient EMR data among data corrected through preprocessing, and provide the patient EMR data to the prediction model unit 220 .

예측 모델부(220)는 환자 바이탈 데이터를 기반으로 위험 알람 예측 모델을 이용하여 환자별 바이탈 패턴, 위험군별 바이탈 위험 조건, 바이탈 위험 확률 분석을 통해 환자의 위험 상태를 예측하고, 환자 EMR 데이터를 기반으로 위험 발생 예측 모델을 이용하여 환자별 위험 인자의 변동에 따른 위험 확률 분석을 통해 환자의 위험 발생 확률을 예측하며, 환자의 위험 상태 예측 결과 및 환자의 위험 발생 확률 예측 결과에 기반하여 환자별로 모니터링된 위험 발생 및 알람 정보를 출력하는 구성으로서, 위험 알람 모델부(221)와, 위험 예측 모델부(220)를 포함하여 구성될 수 있다.The prediction model unit 220 predicts the risk state of the patient through vital pattern for each patient, vital risk condition for each risk group, and vital risk probability analysis using a risk alarm prediction model based on patient vital data, and based on patient EMR data Using a risk occurrence prediction model, predict the risk occurrence probability of a patient through risk probability analysis according to the change in risk factors for each patient, and monitor each patient based on the prediction result of the patient's risk status and risk occurrence probability As a configuration for outputting risk occurrence and alarm information, it may include a risk alarm model unit 221 and a risk prediction model unit 220.

즉, 예측 모델부(220)는 위험 상태와 위험 발생 확률을 이용한 이원적 예측 관리를 통해 예측 값의 적시성이 강화될 수 있도록 구성될 수 있다.That is, the prediction model unit 220 may be configured to enhance the timeliness of the prediction value through binary prediction management using the risk state and the risk occurrence probability.

위험 알람 모델부(221)는 환자의 체온, 심박수, 혈압, 호흡수, 뇌파, 근전도, 산소 포화도를 포함한 환자 바이탈 데이터와, 과거의 병력에 따른 위험군별 바이탈 위험 데이터를 기반으로 위험 알람 예측 모델을 이용하여 환자별 바이탈 패턴, 위험군별 바이탈 위험 조건, 바이탈 위험 확률 분석을 통해 실시간으로 환자의 위험 상태를 예측할 수 있다.The danger alarm model unit 221 creates a danger alarm prediction model based on vital data of the patient, including the patient's body temperature, heart rate, blood pressure, respiratory rate, brain wave, electromyography, and oxygen saturation, and vital risk data for each risk group according to past medical history. It is possible to predict the patient's risk status in real time through vital pattern for each patient, vital risk conditions for each risk group, and vital risk probability analysis.

위험 알람 예측 모델은 과거 이벤트, 즉 임의의 위험 발생 이전에 유의미한 트랜드(Trend) 변화를 탐지하기 위한 의사결정트리 또는 커스텀 머신 러닝 모델을 이용하여 임의의 바이탈 데이터 및 환자 바이탈 데이터를 포함한 학습 데이터로부터 위험 상태를 학습할 수 있다.The risk alarm prediction model uses decision trees or custom machine learning models to detect past events, that is, significant trend changes prior to the occurrence of any risk, from learning data including random vital data and patient vital data. state can be learned.

또한, 위험 알람 예측 모델은 전문가 지식 기반의 주요 설명 인자, 예를 들어, 논문, 특허, 전문의 인터뷰 등의 정보로부터 추출한 위험 상태 관련 정보를 학습 데이터로 사용하여 학습할 수도 있다.In addition, the risk alarm prediction model may be learned by using, as learning data, risk state-related information extracted from information about key explanatory factors based on expert knowledge, such as papers, patents, and specialist interviews.

여기서, 위험 알람 예측 모델은 머신 러닝중에서 딥러닝(Deep learning)이라는 방법을 통해 만들어진 분석 모델들의 종류라고 볼 수 있다.Here, the risk alarm prediction model can be regarded as a type of analysis models created through a method called deep learning among machine learning.

또한, 위험 알람 예측 모델은 딥러닝 모델 또는 딥러닝 분석 모델의 표현으로 사용될 수도 있다.Also, the risk alarm prediction model may be used as an expression of a deep learning model or a deep learning analysis model.

또한, 머신 러닝은 복잡한 시스템이 명시적으로 프로그래밍되지 않고서, 경험으로부터 자동으로 학습하고 개선할 수 있게 하는 인공 지능의 응용이다.Machine learning is also an application of artificial intelligence that allows complex systems to learn and improve automatically from experience without being explicitly programmed.

또한, 머신 러닝 모델들의 정확도 및 유효성은 그들 모델들을 훈련시키는 데 사용되는 데이터에 부분적으로 의존할 수 있다.Also, the accuracy and effectiveness of machine learning models may depend in part on the data used to train them.

또한, 위험 알람 예측 모델은 환자별 바이탈 패턴과, 위험군별 바이탈 위험 조건에 따른 룰(Rule) 기반의 위험 조건을 이용하여 위험 여부를 예측하는 제1 예측 모델과, 질병에 따른 위험군의 바이탈 위험 확률에 따라 위험 여부를 예측하는 제2 예측 모델로 구성될 수 있다.In addition, the risk alarm prediction model is a first prediction model that predicts risk using rule-based risk conditions according to vital patterns for each patient and vital risk conditions for each risk group, and vital risk probability for risk groups according to disease It may be configured as a second prediction model that predicts whether or not there is a risk according to.

즉, 제1 예측 모델은 환자의 바이탈 패턴과, 심근경색, 고혈압 등과 같은 고위험군 환자의 바이탈 데이터를 기반으로 실시간 입력되는 환자의 바이탈 데이터에 대한 현재 시점의 바이탈 위험도를 미리 설정된 룰(Rule) 기반의 바이탈 위험 조건 정보와 비교 분석하여 환자의 위험 여부를 예측할 수 있다.That is, the first predictive model is based on the patient's vital pattern and the vital data of a high-risk patient such as myocardial infarction, hypertension, etc., based on the current vital risk of the patient's vital data input in real time based on a preset rule. It is possible to predict whether or not the patient is at risk by comparing and analyzing vital risk condition information.

또한, 제2 예측 모델은 환자의 질병, 예를 들어 심근경색을 앓고 있는 고위험군 환자의 경우, 의사결정트리 또는 커스텀 머신 러닝 모델을 이용하여 실시간 입력되는 환자의 바이탈 데이터에 기반한 현재 시점의 바이탈 위험 확률을 산출하고, 산출 결과에 기반하여 환자의 위험 여부를 예측할 수 있다.In addition, the second predictive model is a patient's disease, for example, in the case of a high-risk patient suffering from myocardial infarction, using a decision tree or a custom machine learning model, the current vital risk probability based on the patient's vital data input in real time is calculated, and based on the calculated result, whether or not the patient is at risk can be predicted.

이를 통해, 위험 알람 모델부(221)는 환자의 실시간 위험 상태를 '정상', '경고', '위험' 등의 단계로 분류한 예측 결과를 출력할 수 있다.Through this, the risk alarm model unit 221 may output prediction results by classifying the patient's real-time risk state into stages such as 'normal', 'warning', and 'dangerous'.

위험 예측 모델부(222)는 환자의 주 증상, 발명 시기, 발명 양상, 병력, 과거력, 이학적 검사, 증상/증후 검사, 추정 진단, 확정 진단, 추이 기록, 혈액 검사, 영상 검사, 환자 처치 명령을 포함한 EMR 데이터를 기반으로 위험 발생 예측 모델을 이용하여 환자별 위험 인자의 변동에 따른 위험 확률 분석을 통해 일정 주기별로 환자의 위험 발생 확률을 예측할 수 있다.The risk prediction model unit 222 provides the patient's main symptom, time of invention, aspect of invention, medical history, past history, physical examination, symptom/symptom examination, estimated diagnosis, definitive diagnosis, trend record, blood test, imaging test, and patient treatment order. Based on the included EMR data, it is possible to predict the patient's risk occurrence probability at regular intervals through risk probability analysis according to the change in risk factors for each patient using a risk occurrence prediction model.

즉, 위험 예측 모델부(222)는 주기적으로 입력되는 데이터 간의 상관관계(Correlation), 즉 과거 위험 발생 이전의 통계 기반 데이터의 상관 관계와, 머신 러닝 모델 기반의 Lasso(라쏘), 랜덤 포레스트 알고리즘 등을 이용하여 환자의 주기별 위험 발생 확률을 예측할 수 있다.That is, the risk prediction model unit 222 performs correlation between periodically input data, that is, correlation of statistics-based data prior to the occurrence of risk in the past, Lasso based on a machine learning model, random forest algorithm, etc. Using , it is possible to predict the probability of occurrence of risk for each cycle of the patient.

여기서, 위험 발생 예측 모델은 머신 러닝중에서 딥러닝(Deep learning)이라는 방법을 통해 만들어진 분석 모델들의 종류라고 볼 수 있다.Here, the risk occurrence prediction model can be regarded as a type of analysis models made through a method called deep learning among machine learning.

또한, 위험 발생 예측 모델은 딥러닝 모델 또는 딥러닝 분석 모델의 표현으로 사용될 수도 있다.Also, the risk occurrence prediction model may be used as an expression of a deep learning model or a deep learning analysis model.

또한, 위험 예측 모델부(222)는 전문가 지식 기반의 주요 설명 인자, 예를 들어, 논문, 특허, 전문의 인터뷰 등의 정보로부터 추출한 위험 발생 관련 정보를 주기별 위험 발생 확률 예측에 반영할 수도 있다.In addition, the risk prediction model unit 222 may reflect risk occurrence-related information extracted from information such as expert knowledge-based main explanatory factors, for example, papers, patents, expert interviews, etc., in predicting risk occurrence probability for each cycle. .

또한, 위험 예측 모델부(222)는 예를 들어, 매주 월요일 주 단위로 환자별 위험 발생 예측 값을 생성하여 출력할 수 있고, 위험 발생 예측 값의 변동을 유발할 위험 발생 인자의 변동이 생긴 경우, 환자의 주기별 위험 발생 확률의 예측 값을 새로 산출할 수도 있다.In addition, the risk prediction model unit 222 may generate and output a risk occurrence prediction value for each patient on a weekly basis, for example, every Monday, and if there is a change in a risk occurrence factor that causes a change in the risk occurrence prediction value, It is also possible to newly calculate the predicted value of the risk occurrence probability for each cycle of the patient.

또한, 위험 발생 확률 예측 값의 변동이 발생되면, 위험 예측 모델부(222)는 해당 주의 잔여 기간에 대하여 새로 산출된 위험 발생 확률의 예측 값이 반영되도록 변경할 수 있다.In addition, when a change occurs in the risk occurrence probability prediction value, the risk prediction model unit 222 may change the risk prediction model unit 222 to reflect the newly calculated risk occurrence probability prediction value for the remaining period of the corresponding week.

한편, 위험 발생 인자는 다음의 표와 같이 정의될 수 있다.On the other hand, risk factors can be defined as in the table below.

위험인자risk factor 설명explanation 사고발생유형accident type 주요설명인자main explanatory factor 낙상fall 환자가 입원 중 넘어지거나 미끄러짐 등으로 신체의 근결격계에 상처를 입는 사고
움직임이 많으면 낙상 위험이 높고, 심박수 실시간 관리 필요 등An accident in which the patient is injured in the musculoskeletal system of the body due to a fall or slip while hospitalized
If there is a lot of movement, the risk of falling is high, and the heart rate needs to be monitored in real time, etc. 늦은 밤 잠들지 못하고 침대를 이탈하는 경우
늦은 밤 취침 중 화장실 가기 위해 침대를 이탈하는 경우,
식사전후 화장실 가기 위해 침대를 이탈하는 경우 등If you can't fall asleep late at night and get out of bed
Getting out of bed to go to the bathroom late at night
Getting out of bed to go to the bathroom before or after eating 의식저하, 낮은 이동성 관련 인자
연령, 최대 맥박수, 중증환자 등록 여부, 활동성, 저나트륨혈정, 재원기간, 진료과, 병실 유형 등Decreased consciousness, low mobility-related factors
Age, maximum pulse rate, registration of severely ill patients, activity level, low sodium blood level, length of stay, department, type of hospital room, etc. 급사
심근경색sudden death
myocardial infarction 밤사이 주무시면서 사망에 이르는 경우If you die while sleeping through the night 질병으로 예상되는 급사와 예상치 못한 급사Expected sudden death from illness and unexpected sudden death 심근경색 재발 환자들의 단기사망률 예측 주요인자(키, 몸무게, BMI, 킬립클레스 4, 클레아티닌
기존 유의인자(NT-proBNP, 고감도 C반응성 단백 등Key factors predicting short-term mortality in patients with recurrent myocardial infarction (height, weight, BMI, chylipkles 4, cleatinine)
Existing significant factors (NT-proBNP, high-sensitivity C-reactive protein, etc. 감염관리infection control 입원중인 환자들이 고령이며 동시에 지병을 가지고 있는 상태로 코로나 등 감염병에 취약하고 때에 따라 위험할 수 있음Patients in hospital are elderly and have chronic diseases, so they are vulnerable to infectious diseases such as corona and can be dangerous at times 외부에서 코로나로 병원내 병원균 침입으로 환자가 감염되어 환자 사망사고 발생Infection of the patient due to the intrusion of pathogens in the hospital by corona from the outside, resulting in patient death 저혈당low blood sugar 혈당 지수 60이하면 위험
정상환자는 1주에 2번, 비정상환자는 매일 체크A glycemic index of less than 60 is dangerous.
Check normal patients twice a week, abnormal patients every day 외상 환자의 체위를 일정시간 단위로 변경시키지 않을 경우In case the position of the trauma patient is not changed on a regular basis 질식choke 음식물 섭취중 음식이 기도로 넘어가 갑작스런 질식 사고 발생Sudden suffocation accident due to food falling into the respiratory tract while eating 식사나 간식시 발생
혼자 먹을 수 있는 사람이 더 위함Occurs during meal or snack
For those who can eat alone

본 실시 예에서는 설명의 편의를 위해 간략하게 기재하지만, 이에 한정되는 것은 아니다.In this embodiment, it is briefly described for convenience of description, but is not limited thereto.

데이터 저장부(230)는 예측 모델부(220)에서 예측된 환자의 위험 상태 예측 결과와 환자의 위험 발생 확률 예측 결과를 저장할 수 있다.The data storage unit 230 may store a result of predicting the risk state of the patient predicted by the prediction model unit 220 and a result of predicting the risk occurrence probability of the patient.

또한, 데이터 저장부(230)에 저장된 환자의 위험 상태 예측 결과와 환자의 위험 발생 확률 예측 결과는 네트워크를 통해 연결된 환자의 주치의 또는 간호사 등의 단말기로 임의의 시각화 포맷으로 변경되어 전송될 수 있다.In addition, the patient's risk state prediction result and the patient's risk occurrence probability prediction result stored in the data storage unit 230 may be changed into an arbitrary visualization format and transmitted to a terminal such as a doctor or nurse of the patient connected through a network.

도4는 본 발명의 일 실시 예에 따른 환자 관리를 위한 인공지능 기반의 위험 예측 방법을 설명하기 위해 나타낸 흐름도이고, 도5는 도4의 실시 예에 따른 환자 관리를 위한 인공지능 기반의 위험 예측 방법의 바이탈 데이터 기반 예측 과정을 설명하기 위해 나타낸 흐름도이며, 도6은 도4의 실시 예에 따른 환자 관리를 위한 인공지능 기반의 위험 예측 방법의 EMR 데이터 기반 예측 과정을 설명하기 위해 나타낸 흐름도이다.4 is a flowchart illustrating an artificial intelligence-based risk prediction method for patient management according to an embodiment of the present invention, and FIG. 5 is an artificial intelligence-based risk prediction method for patient management according to the embodiment of FIG. 6 is a flowchart shown to explain the EMR data-based prediction process of the artificial intelligence-based risk prediction method for patient management according to the embodiment of FIG. 4 .

도 1 내지 도6을 참조하면, 본 발명의 일 실시 예에 따른 환자 관리를 위한 인공지능 기반의 위험 예측 방법은 환자 관리 플랫폼 서버(200)가 환자 데이터부(100)를 통해 하나 이상의 환자로부터 측정되는 환자 바이탈 데이터와, 환자별로 측정된 환자 EMR 데이터를 수집(S100)한다.1 to 6, in the artificial intelligence-based risk prediction method for patient management according to an embodiment of the present invention, the patient management platform server 200 measures data from one or more patients through the patient data unit 100. Patient vital data and patient EMR data measured for each patient are collected (S100).

S100 단계에서 환자 관리 플랫폼 서버(200)는 환자 데이터부(100)에서 수집된 데이터에 대하여 결측 데이터, 이상 데이터 오류 데이터 등을 보정 처리하는 전처리 과정을 추가 수행할 수 있다.In step S100 , the patient management platform server 200 may additionally perform a pre-processing process of correcting missing data, abnormal data, and error data with respect to the data collected in the patient data unit 100 .

또한, 환자 관리 플랫폼 서버(200)는 전처리 과정을 통해 보정된 데이터를 환자 바이탈 데이터와 환자 EMR 데이터로 분류하여 저장할 수 있다.In addition, the patient management platform server 200 may classify and store the data corrected through the preprocessing process into patient vital data and patient EMR data.

계속해서, 환자 관리 플랫폼 서버(200)는 S100 단계에서 수집된 데이터를 환자 바이탈 데이터와 환자 EMR 데이터로 분류(S200)할 수 있다.Subsequently, the patient management platform server 200 may classify the data collected in step S100 into patient vital data and patient EMR data (S200).

S200 단계에서 분류된 데이터 중, 환자 바이탈 데이터는 환자 관리 플랫폼 서버(200)가 위험 알람 예측 모델을 이용하여 환자별 바이탈 패턴, 위험군별 바이탈 위험 조건, 바이탈 위험 확률 분석을 통해 환자의 위험 상태를 예측(S300)할 수 있다.Among the data classified in step S200, the patient vital data is the patient management platform server 200 predicts the risk state of the patient through vital pattern for each patient, vital risk condition for each risk group, and vital risk probability analysis using the risk alarm prediction model. (S300).

S300 단계를 더욱 상세하게 설명하면, 분류된 데이터가 환자 바이탈 데이터이면, 환자 관리 플랫폼 서버(200)는 환자별 바이탈 패턴과, 위험군별 바이탈 위험 조건에 따른 룰(Rule) 기반의 위험 판단 조건인지 판단(S310)한다.To explain step S300 in more detail, if the classified data is patient vital data, the patient management platform server 200 determines whether it is a rule-based risk judgment condition according to the vital pattern for each patient and the vital risk condition for each risk group (S310).

즉, 환자의 바이탈 패턴과, 심근경색, 고혈압 등과 같은 고위험군 환자의 바이탈 데이터를 기반으로 실시간 입력되는 환자의 바이탈 데이터에 대한 현재 시점의 바이탈 위험도 분석을 위한 일반적인 룰 기반의 위험 판단 조건인지 판단한다.That is, based on the patient's vital pattern and the vital data of high-risk patients such as myocardial infarction and hypertension, it is determined whether the patient's vital data input in real time is a general rule-based risk judgment condition for analyzing the current vital risk.

또한, 룰 기반의 위험 판단 조건은 관리자에 의해 설정될 수도 있다.In addition, rule-based risk determination conditions may be set by an administrator.

S310 단계의 판단 결과, 룰 기반의 위험 판단 조건이면, 환자 관리 플랫폼 서버(200)는 바이탈 위험 조건을 검색(S320)하고, 검색된 바이탈 위험 조건을 제1 예측 모델을 이용하여 위험 여부를 분석(S330)할 수 있다.As a result of the determination in step S310, if it is a rule-based risk determination condition, the patient management platform server 200 searches for vital risk conditions (S320), and analyzes whether the vital risk conditions are dangerous using the first prediction model (S330 )can do.

즉, S330 단계에서 환자 관리 플랫폼 서버(200)는 환자의 바이탈 패턴과, 심근경색, 고혈압 등과 같은 고위험군 환자의 바이탈 데이터를 기반으로 실시간 입력되는 환자의 바이탈 데이터에 대한 현재 시점의 바이탈 위험도를 S320 단계에서 검색된 바이탈 위험 조건과 미리 설정된 룰(Rule) 기반의 바이탈 위험 조건 정보 등과 비교 분석하여 환자의 위험 여부를 예측할 수 있다.That is, in step S330, the patient management platform server 200 determines the current vital risk level for the patient's vital data input in real time based on the patient's vital pattern and the vital data of the high-risk patient, such as myocardial infarction and hypertension, at step S320. It is possible to predict whether or not the patient is at risk by comparing and analyzing vital risk conditions retrieved from the vital risk condition based on a preset rule.

또한, 환자 관리 플랫폼 서버(200)는 S330 단계에서 분석된 위험 분석 결과에 따라 환자 상태에 대한 위험 여부를 판단한 예측 결과를 생성(S340)한다.In addition, the patient management platform server 200 generates a prediction result of determining whether or not there is a risk to the patient's condition according to the risk analysis result analyzed in step S330 (S340).

또한, S310 단계의 판단 결과, 룰 기반의 위험 판단 조건이 아니면, 환자 관리 플랫폼 서버(200)는 의사결정트리 또는 커스텀 머신 러닝 모델 등으로 이루어진 제2 예측 모델을 이용하여 질병에 따른 위험군의 바이탈 위험 확률의 산출을 위해, 실시간 입력되는 환자의 바이탈 데이터에 기반한 현재 시점의 바이탈 위험 확률을 산출(S321)하고, 산출된 위험 확률 분석 결과에 기반하여 환자의 위험 여부를 판단한 예측 결과를 생성(S322)한다.In addition, as a result of the determination in step S310, if the rule-based risk determination condition is not met, the patient management platform server 200 determines the vital risk of the risk group according to the disease by using a second prediction model made of a decision tree or a custom machine learning model. To calculate the probability, the current vital risk probability is calculated based on the patient's vital data input in real time (S321), and a prediction result that determines whether the patient is at risk is generated based on the calculated risk probability analysis result (S322) do.

또한, S200 단계에서 분류된 데이터 중, 환자 EMR 데이터는 환자 관리 플랫폼 서버(200)가 위험 발생 예측 모델을 이용하여 환자별 위험 인자의 변동에 따른 위험 확률 분석을 통해 환자의 위험 발생 확률을 예측(S400)할 수 있다.In addition, among the data classified in step S200, the patient EMR data is predicted by the patient management platform server 200 to predict the patient's risk occurrence probability through risk probability analysis according to the change in risk factors for each patient using a risk occurrence prediction model ( S400) can be done.

S400 단계를 더욱 상세하게 설명하면, 분류된 데이터가 환자 EMR 데이터이면, 환자 관리 플랫폼 서버(200)는 미리 설정된 기준일, 예를 들어 '월요일'인지 판단(S410)할 수 있다.Describing step S400 in more detail, if the classified data is patient EMR data, the patient management platform server 200 may determine whether it is a preset reference date, for example, 'Monday' (S410).

S410 단계의 판단 결과, 기준일이면, 환자 관리 플랫폼 서버(200)는 환자 EMR 데이터를 기반으로 위험 발생 예측 모델을 이용하여 위험 확률 분석 주기별 최초 위험 확률 분석을 통해 환자의 위험 발생 확률을 예측(S420)한다.As a result of the determination in step S410, if it is the base date, the patient management platform server 200 predicts the patient's risk occurrence probability through the first risk probability analysis for each risk probability analysis cycle using the risk occurrence prediction model based on the patient EMR data (S420 )do.

이를 통해 환자 관리 플랫폼 서버(200)는 환자의 주 증상, 발명 시기, 발명 양상, 병력, 과거력, 이학적 검사, 증상/증후 검사, 추정 진단, 확정 진단, 추이 기록, 혈액 검사, 영상 검사, 환자 처치 명령을 포함한 EMR 데이터를 기반으로 위험 발생 예측 모델을 이용하여 환자별 위험 인자의 변동에 따른 위험 확률 분석을 통해 일정 주기별로 환자의 위험 발생 확률을 예측(S430)한다.Through this, the patient management platform server 200 provides the patient's main symptom, invention time, invention aspect, medical history, past history, physical examination, symptom/symptom examination, presumptive diagnosis, definitive diagnosis, trend record, blood test, imaging test, and patient treatment. Based on the EMR data including the command, a risk occurrence prediction model is used to predict the patient's risk occurrence probability for each regular period through risk probability analysis according to the change in risk factors for each patient (S430).

즉, S430 단계에서 환자 관리 플랫폼 서버(200)는 주기적으로 입력되는 데이터 간의 상관관계(Correlation), 즉 과거 위험 발생 이전의 통계 기반 데이터의 상관 관계와, 머신 러닝 모델 기반의 Lasso(라쏘), 랜덤 포레스트 알고리즘 등을 이용하여 환자의 주기별 위험 발생 확률을 예측할 수 있다.That is, in step S430, the patient management platform server 200 performs correlation between periodically input data, that is, correlation of statistics-based data before the occurrence of risk in the past, Lasso based on a machine learning model, and random It is possible to predict the probability of occurrence of risk for each period of the patient using a forest algorithm or the like.

또한, 환자 관리 플랫폼 서버(200)는 S430 단계에서 분석된 위험 발생 확률 결과에 따라 환자의 위험 발생 확률에 대한 예측 결과를 생성(S440)한다.In addition, the patient management platform server 200 generates a prediction result for the patient's risk occurrence probability according to the risk occurrence probability result analyzed in step S430 (S440).

또한, S410 단계의 판단 결과, 기준일이 아니면, 환자 관리 플랫폼 서버(200)는 환자 EMR 데이터 중에서 위험 인자의 변동 발생 여부를 판단(S411)한다.In addition, as a result of the determination in step S410, if it is not the reference date, the patient management platform server 200 determines whether a change occurs in the risk factor among the patient's EMR data (S411).

S411 단계의 판단 결과, 위험 인자의 변동 발생이 판단되면, 환자 관리 플랫폼 서버(200)는 주기별 또는 주간 재위험 확률 분석을 통해 환자의 위험 발생 확률을 재예측(S421)되도록 하되, 위험 인자의 변동 정보를 포함한 EMR 데이터를 기반으로 위험 발생 예측 모델을 이용하여 S430 단계가 수행되도록 한다.As a result of the determination in step S411, when it is determined that the risk factor changes, the patient management platform server 200 re-predicts the risk occurrence probability of the patient through periodic or weekly re-risk probability analysis (S421), but the risk factor Step S430 is performed using a risk occurrence prediction model based on EMR data including change information.

또한, S411 단계에서 위험 인자의 변동 발생이 없으면, 최초 위험 확률 분석 결과가 유지(S412)되도록 한다.하는 것을 특징으로 한다.In addition, if there is no change in the risk factor in step S411, the initial risk probability analysis result is maintained (S412).

계속해서, 환자 관리 플랫폼 서버(200)는, S300 단계와 S400 단계에서 예측된 환자의 위험 상태 예측 결과와 환자의 위험 발생 확률 예측 결과에 기반하여 환자별로 모니터링된 위험 발생 및 알람 정보를 생성하여 저장(S500)한다.Continuing, the patient management platform server 200 generates and stores the monitored risk occurrence and alarm information for each patient based on the patient's risk state prediction result predicted in steps S300 and S400 and the risk occurrence probability prediction result of the patient. (S500).

S500 단계는 예측된 환자의 위험 상태 예측 결과에 대하여, 도7의 환자의 실시간 위험 알람 이미지(300)와 같이 임의의 포맷으로 생성한 후 저장될 수 있다.In step S500, the predicted risk state prediction result of the patient may be generated and stored in an arbitrary format, such as the patient's real-time risk alarm image 300 of FIG. 7 .

또한, 환자의 위험 상태에 대한 변동이 발생된 경우, 위험 상태 변동 정보(310)를 반영하여 저장될 수 있다.In addition, when a change in the risk state of the patient occurs, the risk state change information 310 may be reflected and stored.

또한, S500 단계는 예측된 환자의 위험 발생 확률 예측 결과를 도8의 환자의 위험 발생 확률 이미지(400)와 같이 임의의 포맷으로 생성한 후 저장될 수 있다.In addition, in step S500, the predicted risk occurrence probability prediction result of the patient may be generated in an arbitrary format, such as the patient risk occurrence probability image 400 of FIG. 8, and then stored.

또한, 환자 EMR 데이터 중에서 위험 인자의 변동 발생이 발생되면, 최초 생성된 환자의 위험 발생 확률 이미지(400)에서 잔여 기간에 대하여 새로 산출된 위험 발생 확률의 예측 값이 새로 산출된 확률 값 변동 정보(410)로 변경되도록 반영하여 저장될 수 있다.In addition, when a risk factor change occurs in the patient EMR data, the predicted value of the risk occurrence probability newly calculated for the remaining period in the initially generated risk occurrence probability image 400 of the patient is the newly calculated probability value change information ( 410) may be reflected and stored.

또한, 환자 관리 플랫폼 서버(200)는 S500 단계에서 생성된 환자별 위험 발생 및 알람 정보를 임의의 시각적 포맷으로 변경하여 관리자 단말로 전송할 수 있다.In addition, the patient management platform server 200 may change the risk occurrence and alarm information for each patient generated in step S500 into an arbitrary visual format and transmit it to the manager terminal.

즉, 담당 주치의 또는 간호사 등의 관리자 단말로 도9와 같이, 일일 모니터링 이미지(500)에 '날짜', '위험확률', '환자별 위험 정보' 등을 포함하여 전송될 수 있다.That is, the daily monitoring image 500 may include 'date', 'risk probability', 'risk information for each patient' and the like as shown in FIG.

또한, 도10과 같이, 환자별로 '주간 위험 정보', '실시간 위험 정보' 등이 포함된 위험 모니터링 이미지(600)를 담당 주치의 또는 간호사 등의 관리자 단말로 전송할 수 있다.In addition, as shown in FIG. 10 , a risk monitoring image 600 including 'weekly risk information' and 'real-time risk information' for each patient may be transmitted to an administrator's terminal such as a doctor or nurse in charge.

따라서, 인공지능 기반의 예측 모델을 이용하여 환자의 바이탈 데이터와 EMR 데이터를 기반으로 실시간 위험 예측 값을 산출하여 위험 상태 발생에 따른 신속한 대응 정보를 제공할 수 있다.Therefore, it is possible to provide prompt response information according to the occurrence of a dangerous state by calculating a real-time risk prediction value based on the patient's vital data and EMR data using an artificial intelligence-based predictive model.

또한, 실시간 수집되는 바이탈 데이터를 기반으로 이상 여부를 분석하는 위험 알람 모델과, 주기적으로 수집되는 EMR 데이터를 기반으로 위험 발생 확률을 예측하는 위험 예측 모델을 이용한 이원적 모델에 의한 관리를 통해 위험 발생의 적시(適時)성을 개선할 수 있다.In addition, risk occurrence is managed by a binary model using a risk alarm model that analyzes abnormalities based on vital data collected in real time and a risk prediction model that predicts the probability of risk occurrence based on EMR data collected periodically. can improve the timeliness of

상기와 같이, 본 발명의 바람직한 실시 예를 참조하여 설명하였지만 해당 기술 분야의 숙련된 당업자라면 하기의 특허청구범위에 기재된 본 발명의 사상 및 영역으로부터 벗어나지 않는 범위 내에서 본 발명을 다양하게 수정 및 변경시킬 수 있음을 이해할 수 있을 것이다.As described above, although it has been described with reference to the preferred embodiments of the present invention, those skilled in the art will variously modify and change the present invention within the scope not departing from the spirit and scope of the present invention described in the claims below. You will understand that it can be done.

또한, 본 발명의 특허청구범위에 기재된 도면번호는 설명의 명료성과 편의를 위해 기재한 것일 뿐 이에 한정되는 것은 아니며, 실시예를 설명하는 과정에서 도면에 도시된 선들의 두께나 구성요소의 크기 등은 설명의 명료성과 편의상 과장되게 도시되어 있을 수 있다.In addition, the drawing numbers described in the claims of the present invention are only described for clarity and convenience of explanation, but are not limited thereto, and in the process of describing the embodiments, the thickness of lines or the size of components shown in the drawings, etc. may be exaggerated for clarity and convenience of description.

또한, 상술된 용어들은 본 발명에서의 기능을 고려하여 정의된 용어들로서 이는 사용자, 운용자의 의도 또는 관례에 따라 달라질 수 있으므로, 이러한 용어들에 대한 해석은 본 명세서 전반에 걸친 내용을 토대로 내려져야 할 것이다.In addition, the above-mentioned terms are terms defined in consideration of functions in the present invention, which may change according to the intention or custom of the user or operator, so the interpretation of these terms should be made based on the contents throughout this specification. .

또한, 명시적으로 도시되거나 설명되지 아니하였다 하여도 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자가 본 발명의 기재사항으로부터 본 발명에 의한 기술적 사상을 포함하는 다양한 형태의 변형을 할 수 있음은 자명하며, 이는 여전히 본 발명의 권리범위에 속한다. In addition, even if it is not explicitly shown or described, a person skilled in the art to which the present invention belongs can make various modifications from the description of the present invention to the technical idea according to the present invention. Obviously, it is still within the scope of the present invention.

또한, 첨부하는 도면을 참조하여 설명된 상기의 실시예들은 본 발명을 설명하기 위한 목적으로 기술된 것이며 본 발명의 권리범위는 이러한 실시예에 국한되지 아니한다.In addition, the above embodiments described with reference to the accompanying drawings are described for the purpose of explaining the present invention, and the scope of the present invention is not limited to these embodiments.

100 : 환자 데이터부 110 : 환자 바이탈 데이터부
120 : 환자 EMR 데이터부 200 : 환자 관리 플랫폼 서버
210 : 데이터 수집부 211 : 전처리부
212 ; 바이탈 데이터부 213 : EMR 데이터부
220 : 예측 모델부 221 : 위험 알람 모델부
222 : 위험 예측 모델부 230 : 데이터 저장부
300 : 환자의 실시간 위험 알람 이미지 310 : 위험 상태 변동 정보
400 : 환자의 위험 발생 확률 이미지 410 : 확률값 변동 정보
500 : 일일 모니터링 이미지 600 : 위험 모니터링 이미지100: patient data unit 110: patient vital data unit
120: patient EMR data unit 200: patient management platform server
210: data collection unit 211: pre-processing unit
212; Vital data unit 213: EMR data unit
220: prediction model unit 221: risk alarm model unit
222: risk prediction model unit 230: data storage unit
300: Patient's real-time risk alarm image 310: Risk status change information
400: patient's risk occurrence probability image 410: probability value change information
500: daily monitoring image 600: risk monitoring image

Claims (13)

하나 이상의 환자로부터 측정되는 환자 바이탈(Vital) 데이터와, 상기 환자별로 측정되는 환자 EMR(Electronic Medical Record) 데이터를 제공하는 환자 데이터부(100); 및
상기 환자 바이탈 데이터를 기반으로 위험 알람 예측 모델을 이용하여 환자별 바이탈 패턴, 위험군별 바이탈 위험 조건, 바이탈 위험 확률 분석을 통해 환자의 위험 상태를 예측하고, 상기 환자 EMR 데이터를 기반으로 위험 발생 예측 모델을 이용하여 환자별 위험 인자의 변동에 따른 위험 확률 분석을 통해 환자의 위험 발생 확률을 예측하며, 상기 환자의 위험 상태 예측 결과와 환자의 위험 발생 확률 예측 결과에 기반하여 환자별로 모니터링된 위험 발생 및 알람 정보를 제공하는 환자 관리 플랫폼 서버(200);를 포함하고,
상기 환자 관리 플랫폼 서버(200)는 환자 바이탈 데이터와 환자 EMR 데이터를 수집하는 데이터 수집부(210);
상기 환자 바이탈 데이터를 기반으로 위험 알람 예측 모델을 이용하여 환자별 바이탈 패턴, 위험군별 바이탈 위험 조건, 바이탈 위험 확률 분석을 통해 환자의 위험 상태를 예측하고, 상기 환자 EMR 데이터를 기반으로 위험 발생 예측 모델을 이용하여 환자별 위험 인자의 변동에 따른 위험 확률 분석을 통해 환자의 위험 발생 확률을 예측하며, 상기 환자의 위험 상태 예측 결과 및 환자의 위험 발생 확률 예측 결과에 기반하여 환자별로 모니터링된 위험 발생 및 알람 정보를 출력하는 예측 모델부(220); 및
상기 환자의 위험 상태 예측 결과와 환자의 위험 발생 확률 예측 결과를 저장하는 데이터 저장부(230);를 포함하고,
상기 위험 알람 예측 모델은 환자별 바이탈 패턴과, 위험군별 바이탈 위험 조건에 따른 룰(Rule) 기반의 위험 조건을 이용하여 위험 여부를 예측하는 제1 예측 모델과, 질병에 따른 위험군의 바이탈 위험 확률에 따라 위험 여부를 예측하는 제2 예측 모델로 이루어지며,
상기 위험 발생 예측 모델은 환자 EMR 데이터를 기반으로 미리 설정된 일정 주기 단위로 환자별 위험 발생 예측 값을 생성하여 출력하되,
상기 위험 발생 예측 값의 변동을 유발할 위험 발생 인자의 변동이 발생되면, 상기 변동이 발생된 위험 인자를 포함한 환자 EMR 데이터를 기반으로 위험 발생 예측 모델을 이용한 환자의 주기별 위험 발생 예측 값을 새로 산출하여 디스플레이함으로써, 실시간 데이터를 이용한 위험 알람 예측 모델과 일정 기간 단위 데이터를 이용한 위험 발생 예측 모델의 이원적 예측 모델에 기반한 분석을 통해 환자의 위험 발생에 대한 적시(適時)성을 제공하는 것을 특징으로 하는 환자 관리를 위한 인공지능 기반의 위험 예측 시스템.a patient data unit 100 providing patient vital data measured from one or more patients and patient electronic medical record (EMR) data measured for each patient; and
Using the risk alarm prediction model based on the patient's vital data, the patient's risk state is predicted through the vital pattern for each patient, the vital risk condition for each risk group, and the vital risk probability analysis, and the risk occurrence prediction model based on the patient's EMR data Predicting the patient's risk occurrence probability through risk probability analysis according to the change in risk factors for each patient using the risk occurrence probability monitoring result for each patient based on the patient's risk state prediction result and the patient's risk occurrence probability prediction result, and A patient management platform server 200 providing alarm information; includes,
The patient management platform server 200 includes a data collection unit 210 that collects patient vital data and patient EMR data;
Using the risk alarm prediction model based on the patient's vital data, the patient's risk state is predicted through the vital pattern for each patient, the vital risk condition for each risk group, and the vital risk probability analysis, and the risk occurrence prediction model based on the patient's EMR data Predicting the risk occurrence probability of the patient through risk probability analysis according to the change in risk factors for each patient using the risk occurrence probability monitoring result for each patient based on the risk state prediction result of the patient and the risk occurrence probability prediction result of the patient, and a prediction model unit 220 outputting alarm information; and
A data storage unit 230 for storing the risk state prediction result of the patient and the risk occurrence probability prediction result of the patient;
The risk alarm prediction model is a first prediction model that predicts risk using a rule-based risk condition according to a vital pattern for each patient and a vital risk condition for each risk group, and a vital risk probability for a risk group according to a disease It consists of a second prediction model that predicts whether there is a risk according to
The risk occurrence prediction model generates and outputs a risk occurrence prediction value for each patient based on patient EMR data in a predetermined periodic unit,
If there is a change in the risk occurrence factor that causes the change in the risk occurrence prediction value, a risk occurrence prediction value for each cycle of the patient is newly calculated using a risk occurrence prediction model based on patient EMR data including the risk factor in which the change occurred. By displaying it, it is characterized by providing timeliness for the patient's risk occurrence through an analysis based on a binary prediction model of a risk alarm prediction model using real-time data and a risk occurrence prediction model using data of a certain period of time. AI-based risk prediction system for patient management. 제 1 항에 있어서,
상기 환자 데이터부(100)는 환자에게 착장되어 일정 시간간격으로 측정된 체온, 심박수, 혈압, 호흡수, 뇌파, 근전도, 산소 포화도 중 하나 이상의 바이탈 데이터를 실시간 제공하는 환자 바이탈 데이터부(110); 및
상기 환자의 주 증상, 발명 시기, 발명 양상, 병력, 과거력, 이학적 검사, 증상/증후 검사, 추정 진단, 확정 진단, 추이 기록, 혈액 검사, 영상 검사, 환자 처치 명령 중 하나 이상의 EMR 데이터를 일 단위 또는 임의의 주기 단위로 제공하는 환자 EMR 데이터부(120);를 포함하는 것을 특징으로 하는 환자 관리를 위한 인공지능 기반의 위험 예측 시스템.According to claim 1,
The patient data unit 100 includes a patient vital data unit 110 that is worn on the patient and provides real-time vital data of one or more of body temperature, heart rate, blood pressure, respiratory rate, brain wave, electromyogram, and oxygen saturation measured at regular time intervals; and
EMR data of one or more of the patient's main symptom, time of invention, aspect of invention, medical history, past history, physical examination, symptom/symptom examination, presumptive diagnosis, definitive diagnosis, trend record, blood test, imaging test, and patient treatment order is collected on a daily basis. Or an artificial intelligence-based risk prediction system for patient management comprising a; patient EMR data unit 120 provided in units of arbitrary cycles. 삭제delete 제 1 항에 있어서,
상기 데이터 수집부(210)는 수집된 데이터에 대한 결측 데이터, 이상 데이터 오류 데이터를 처리하는 전처리부(211);
상기 전처리를 통해 보정된 데이터 중에서 환자 바이탈 데이터를 분류하여 저장하는 바이탈 데이터부(212); 및
상기 전처리를 통해 보정된 데이터 중에서 환자 EMR 데이터를 분류하여 저장하는 EMR 데이터부(213);를 포함하는 것을 특징으로 하는 환자 관리를 위한 인공지능 기반의 위험 예측 시스템.According to claim 1,
The data collection unit 210 includes a pre-processing unit 211 for processing missing data, abnormal data and error data for the collected data;
a vital data unit 212 for classifying and storing patient vital data among data corrected through the preprocessing; and
An artificial intelligence-based risk prediction system for patient management, comprising: an EMR data unit 213 for classifying and storing patient EMR data among data corrected through the preprocessing. 제 1 항에 있어서,
상기 예측 모델부(220)는 환자의 체온, 심박수, 혈압, 호흡수, 뇌파, 근전도, 산소 포화도를 포함한 환자 바이탈 데이터와, 과거의 병력에 따른 위험군별 바이탈 위험 데이터를 기반으로 위험 알람 예측 모델을 이용하여 환자별 바이탈 패턴, 위험군별 바이탈 위험 조건, 바이탈 위험 확률 분석을 통해 실시간으로 환자의 위험 상태를 예측하는 위험 알람 모델부(221); 및
상기 환자의 주 증상, 발명 시기, 발명 양상, 병력, 과거력, 이학적 검사, 증상/증후 검사, 추정 진단, 확정 진단, 추이 기록, 혈액 검사, 영상 검사, 환자 처치 명령을 포함한 EMR 데이터를 기반으로 위험 발생 예측 모델을 이용하여 환자별 위험 인자의 변동에 따른 위험 확률 분석을 통해 일정 주기별로 환자의 위험 발생 확률을 예측하는 위험 예측 모델부(222);를 포함하는 것을 특징으로 하는 환자 관리를 위한 인공지능 기반의 위험 예측 시스템.According to claim 1,
The prediction model unit 220 creates a risk alarm prediction model based on patient vital data including the patient's body temperature, heart rate, blood pressure, respiration rate, brain wave, electromyography, and oxygen saturation, and vital risk data for each risk group according to past medical history. a risk alarm model unit 221 that predicts a risk state of a patient in real time through vital pattern for each patient, vital risk conditions for each risk group, and vital risk probability analysis; and
Risk based on EMR data including main symptom, time of invention, aspect of invention, medical history, past history, physical examination, symptom/symptom examination, presumptive diagnosis, definitive diagnosis, trend record, blood test, imaging test, and patient treatment order of the patient A risk prediction model unit 222 that predicts the risk occurrence probability of a patient at regular intervals through risk probability analysis according to fluctuations in risk factors for each patient using an occurrence prediction model; Intelligence based risk prediction system. 삭제delete a) 환자 관리 플랫폼 서버(200)가, 환자 데이터부(100)를 통해 하나 이상의 환자로부터 측정되는 환자 바이탈 데이터와, 상기 환자별로 측정된 환자 EMR 데이터를 수집하는 단계;
b) 상기 환자 관리 플랫폼 서버(200)가, 수집된 데이터 중에서 환자 바이탈 데이터는 위험 알람 예측 모델을 이용하여 환자별 바이탈 패턴, 위험군별 바이탈 위험 조건, 바이탈 위험 확률 분석을 통해 환자의 위험 상태를 예측하되,
상기 예측된 환자의 위험 상태가 룰(Rule) 기반의 위험 판단 조건인지 판단하여 판단 결과에 따라, 상기 환자 관리 플랫폼 서버(200)가 바이탈 위험 조건을 검색하고 검색된 바이탈 위험 조건은 제1 예측 모델을 이용하여 산출되는 위험 분석 결과에 따른 위험 여부를 예측하며, 상기 위험 판단 조건이 룰 기반의 위험 판단 조건이 아니면, 제2 예측 모델을 이용하여 질병에 따른 위험군의 바이탈 위험 확률을 산출하고, 산출된 위험 확률 분석 결과에 따라 위험 여부를 예측하고, 상기 수집된 데이터 중에서 환자 EMR 데이터는 위험 발생 예측 모델을 이용하여 환자별 위험 인자의 변동에 따른 위험 확률 분석을 통해 환자의 위험 발생 확률을 예측하며,
상기 수집된 데이터가 환자 EMR 데이터이면, 상기 환자 관리 플랫폼 서버(200)가, 미리 설정된 일정 주기 단위의 기준일인지 판단하되, 상기 기준일이면, 상기 환자 관리 플랫폼 서버(200)가 환자 EMR 데이터를 기반으로 위험 발생 예측 모델을 이용하여 위험 확률 분석 주기별 최초 위험 확률 분석을 통해 환자의 위험 발생 확률을 예측하고, 상기 기준일이 아니면, 상기 환자 관리 플랫폼 서버(200)가 환자 EMR 데이터 중에서 위험 인자의 변동 발생 여부를 판단하여 상기 위험 인자의 변동 발생 여부에 따라 변동이 발생된 위험 인자를 포함한 환자 EMR 데이터를 기반으로 위험 발생 예측 모델을 이용한 위험 확률 분석 주기별 위험 확률 예측 값을 새로 산출하여 디스플레이하며, 위험 인자의 변동 발생이 없으면 최초 위험 확률 분석 결과를 유지하는 단계; 및
c) 상기 환자 관리 플랫폼 서버(200)가, 환자의 위험 상태 예측 결과와 환자의 위험 발생 확률 예측 결과에 기반하여 환자별로 모니터링된 위험 발생 및 알람 정보를 생성하여 저장하는 단계;를 포함하고,
상기 환자 관리 플랫폼 서버(200)는 실시간 데이터를 이용한 위험 알람 예측 모델과 일정 기간 단위 데이터를 이용한 위험 발생 예측 모델의 이원적 예측 모델에 기반한 분석을 통해 환자의 위험 발생에 대한 적시(適時)성을 제공하는 것을 특징으로 하는 환자 관리를 위한 인공지능 기반의 위험 예측 방법.a) collecting, by the patient management platform server 200, patient vital data measured from one or more patients through the patient data unit 100 and patient EMR data measured for each patient;
b) Among the collected data, the patient management platform server 200 predicts the patient's risk status by analyzing vital patterns for each patient, vital risk conditions for each risk group, and vital risk probability using a risk alarm prediction model. but
It is determined whether the predicted risk condition of the patient is a rule-based risk judgment condition, and according to the determination result, the patient management platform server 200 searches for vital risk conditions, and the retrieved vital risk conditions generate a first predictive model. If the risk determination condition is not a rule-based risk determination condition, the vital risk probability of the risk group according to the disease is calculated using the second prediction model, and the calculated Risk is predicted according to the risk probability analysis result, and patient EMR data among the collected data predicts the patient's risk occurrence probability through risk probability analysis according to the variation of risk factors for each patient using a risk occurrence prediction model,
If the collected data is patient EMR data, the patient management platform server 200 determines whether it is a reference date of a predetermined periodic unit, and if it is the reference date, the patient management platform server 200 determines based on the patient EMR data Using the risk occurrence prediction model, the patient's risk occurrence probability is predicted through the first risk probability analysis for each cycle of risk probability analysis, and if it is not the reference date, the patient management platform server 200 generates a change in risk factor among patient EMR data. risk probability analysis using a risk occurrence prediction model based on patient EMR data including the risk factors that have changed according to whether or not the risk factors have changed, and a new risk probability prediction value for each cycle is calculated and displayed. Maintaining the initial risk probability analysis result if there is no change in the factor; and
c) generating and storing, by the patient management platform server 200, risk occurrence and alarm information monitored for each patient based on the risk state prediction result of the patient and the risk occurrence probability prediction result of the patient;
The patient management platform server 200 determines the timeliness of the patient's risk occurrence through analysis based on a binary prediction model of a risk alarm prediction model using real-time data and a risk occurrence prediction model using data of a certain period of time. An artificial intelligence-based risk prediction method for patient management, characterized in that it provides. 제 7 항에 있어서,
상기 a) 단계는 수집된 데이터에 대한 결측 데이터, 이상 데이터 오류 데이터를 처리하는 전처리 단계와, 상기 전처리 단계를 통해 보정된 데이터를 환자 바이탈 데이터와 환자 EMR 데이터로 분류하여 저장하는 단계를 더 포함하는 것을 특징으로 하는 환자 관리를 위한 인공지능 기반의 위험 예측 방법.According to claim 7,
The step a) further comprises a preprocessing step of processing missing data and abnormal data error data for the collected data, and classifying and storing the data corrected through the preprocessing step into patient vital data and patient EMR data. An artificial intelligence-based risk prediction method for patient management, characterized in that. 삭제delete 삭제delete 삭제delete 삭제delete 제 7 항에 있어서,
상기 c) 단계는 상기 환자 관리 플랫폼 서버(200)가, 생성된 환자별 위험 발생 및 알람 정보를 임의의 시각적 포맷으로 변경하여 관리자 단말로 전송하는 단계를 더 포함하는 것을 특징으로 하는 환자 관리를 위한 인공지능 기반의 위험 예측 방법.According to claim 7,
The step c) further comprises the step of, by the patient management platform server 200, changing the generated patient-specific risk occurrence and alarm information into an arbitrary visual format and transmitting it to an administrator terminal. Artificial intelligence-based risk prediction method.
KR1020220122246A 2022-09-27 2022-09-27 Artificial intelligence based risk prediction system and method for patient management KR102526577B1 (en)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020220122246A KR102526577B1 (en) 2022-09-27 2022-09-27 Artificial intelligence based risk prediction system and method for patient management

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020220122246A KR102526577B1 (en) 2022-09-27 2022-09-27 Artificial intelligence based risk prediction system and method for patient management

Publications (1)

Publication Number Publication Date
KR102526577B1 true KR102526577B1 (en) 2023-04-27

Family

ID=86100359

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020220122246A KR102526577B1 (en) 2022-09-27 2022-09-27 Artificial intelligence based risk prediction system and method for patient management

Country Status (1)

Country Link
KR (1) KR102526577B1 (en)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116978570A (en) * 2023-09-25 2023-10-31 之江实验室 Online real-time patient critical degree assessment and vital sign parameter prediction system
CN117153380A (en) * 2023-11-01 2023-12-01 北京大学第一医院 Method, system and equipment for predicting postoperative acute kidney injury of non-cardiac surgery patient

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20190018102A (en) 2017-08-11 2019-02-21 안동대학교 산학협력단 System for providing medical service using patient management application
KR20190030876A (en) * 2017-09-15 2019-03-25 주식회사 셀바스에이아이 Method for prediting health risk
KR20200003407A (en) * 2017-07-28 2020-01-09 구글 엘엘씨 Systems and methods for predicting and summarizing medical events from electronic health records
KR102285597B1 (en) * 2020-11-02 2021-08-05 유종근 Wearable terminal and system for supporting nursing care using the same
KR20220076618A (en) * 2020-12-01 2022-06-08 가톨릭대학교 산학협력단 Apparatus, method, and recording medium for disease prediction
KR20220091653A (en) * 2020-12-23 2022-07-01 (주)인투씨엔에스 Companion animal disease type and probability analysis system using artificial intelligence-based analysis engine

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20200003407A (en) * 2017-07-28 2020-01-09 구글 엘엘씨 Systems and methods for predicting and summarizing medical events from electronic health records
KR20190018102A (en) 2017-08-11 2019-02-21 안동대학교 산학협력단 System for providing medical service using patient management application
KR20190030876A (en) * 2017-09-15 2019-03-25 주식회사 셀바스에이아이 Method for prediting health risk
KR102285597B1 (en) * 2020-11-02 2021-08-05 유종근 Wearable terminal and system for supporting nursing care using the same
KR20220076618A (en) * 2020-12-01 2022-06-08 가톨릭대학교 산학협력단 Apparatus, method, and recording medium for disease prediction
KR20220091653A (en) * 2020-12-23 2022-07-01 (주)인투씨엔에스 Companion animal disease type and probability analysis system using artificial intelligence-based analysis engine

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116978570A (en) * 2023-09-25 2023-10-31 之江实验室 Online real-time patient critical degree assessment and vital sign parameter prediction system
CN116978570B (en) * 2023-09-25 2024-02-06 之江实验室 Online real-time patient critical degree assessment and vital sign parameter prediction system
CN117153380A (en) * 2023-11-01 2023-12-01 北京大学第一医院 Method, system and equipment for predicting postoperative acute kidney injury of non-cardiac surgery patient
CN117153380B (en) * 2023-11-01 2024-02-06 北京大学第一医院 Method, system and equipment for predicting postoperative acute kidney injury of non-cardiac surgery patient

Similar Documents

Publication Publication Date Title
Alazzam et al. A novel smart healthcare monitoring system using machine learning and the Internet of Things
Hussain et al. Big-ECG: Cardiographic predictive cyber-physical system for stroke management
KR102526577B1 (en) Artificial intelligence based risk prediction system and method for patient management
JP7108267B2 (en) Biological information processing system, biological information processing method, and computer program
US11051768B1 (en) Determining when to emit an alarm
CN108899084A (en) A kind of wisdom endowment health monitoring system
CA2932204A1 (en) Method for predicting adverse events for home healthcare of remotely monitored patients
CN104823195B (en) A kind of method and system of impairment alarm load in reduction clinical settings
Yadav et al. Machine learning algorithms for disease prediction using iot environment
CN115769302A (en) Epidemic disease monitoring system
US20200178903A1 (en) Patient monitoring system and method having severity prediction and visualization for a medical condition
CN114883006A (en) Health monitoring and dynamic management system based on big data and application
Josephine et al. Monitoring and sensing COVID-19 symptoms as a precaution using electronic wearable devices
Paviglianiti et al. VITAL-ECG: A de-bias algorithm embedded in a gender-immune device
CN116098595B (en) System and method for monitoring and preventing sudden cardiac death and sudden cerebral death
Ebada et al. Applying apache spark on streaming big data for health status prediction
Sujin et al. Public e-health network system using arduino controller
Ganapathy et al. Medical intelligence for quality improvement in service oriented architecture
Valsalan et al. Remote healthcare monitoring using expert system
Bellmunt et al. Experimental frailty model towards an adaptable service delivery for aging people
Aburukba et al. Remote monitoring framework for elderly care home centers in UAE
Al_Zuhairi et al. Intelligent mobile cloud platform for monitoring patients of covid-19 in their home-quarantines
Qomariyah et al. IoT-based COVID-19 Patient Vital Sign Monitoring
Rammo et al. Comatose patient monitoring system based on (IoT)
Pipke et al. Feasibility of personalized nonparametric analytics for predictive monitoring of heart failure patients using continuous mobile telemetry

Legal Events

Date Code Title Description
E701 Decision to grant or registration of patent right
GRNT Written decision to grant