KR102527404B1 - Method of Controlling Insulin Dose - Google Patents
Method of Controlling Insulin Dose Download PDFInfo
- Publication number
- KR102527404B1 KR102527404B1 KR1020200141810A KR20200141810A KR102527404B1 KR 102527404 B1 KR102527404 B1 KR 102527404B1 KR 1020200141810 A KR1020200141810 A KR 1020200141810A KR 20200141810 A KR20200141810 A KR 20200141810A KR 102527404 B1 KR102527404 B1 KR 102527404B1
- Authority
- KR
- South Korea
- Prior art keywords
- insulin
- information
- patient
- dose
- blood sugar
- Prior art date
Links
- NOESYZHRGYRDHS-UHFFFAOYSA-N insulin Chemical compound N1C(=O)C(NC(=O)C(CCC(N)=O)NC(=O)C(CCC(O)=O)NC(=O)C(C(C)C)NC(=O)C(NC(=O)CN)C(C)CC)CSSCC(C(NC(CO)C(=O)NC(CC(C)C)C(=O)NC(CC=2C=CC(O)=CC=2)C(=O)NC(CCC(N)=O)C(=O)NC(CC(C)C)C(=O)NC(CCC(O)=O)C(=O)NC(CC(N)=O)C(=O)NC(CC=2C=CC(O)=CC=2)C(=O)NC(CSSCC(NC(=O)C(C(C)C)NC(=O)C(CC(C)C)NC(=O)C(CC=2C=CC(O)=CC=2)NC(=O)C(CC(C)C)NC(=O)C(C)NC(=O)C(CCC(O)=O)NC(=O)C(C(C)C)NC(=O)C(CC(C)C)NC(=O)C(CC=2NC=NC=2)NC(=O)C(CO)NC(=O)CNC2=O)C(=O)NCC(=O)NC(CCC(O)=O)C(=O)NC(CCCNC(N)=N)C(=O)NCC(=O)NC(CC=3C=CC=CC=3)C(=O)NC(CC=3C=CC=CC=3)C(=O)NC(CC=3C=CC(O)=CC=3)C(=O)NC(C(C)O)C(=O)N3C(CCC3)C(=O)NC(CCCCN)C(=O)NC(C)C(O)=O)C(=O)NC(CC(N)=O)C(O)=O)=O)NC(=O)C(C(C)CC)NC(=O)C(CO)NC(=O)C(C(C)O)NC(=O)C1CSSCC2NC(=O)C(CC(C)C)NC(=O)C(NC(=O)C(CCC(N)=O)NC(=O)C(CC(N)=O)NC(=O)C(NC(=O)C(N)CC=1C=CC=CC=1)C(C)C)CC1=CN=CN1 NOESYZHRGYRDHS-UHFFFAOYSA-N 0.000 title claims abstract description 154
- 102000004877 Insulin Human genes 0.000 title claims abstract description 77
- 108090001061 Insulin Proteins 0.000 title claims abstract description 77
- 229940125396 insulin Drugs 0.000 title claims abstract description 77
- 238000000034 method Methods 0.000 title claims abstract description 27
- 239000008280 blood Substances 0.000 claims abstract description 65
- 210000004369 blood Anatomy 0.000 claims abstract description 65
- 238000013473 artificial intelligence Methods 0.000 claims abstract description 30
- 208000013016 Hypoglycemia Diseases 0.000 claims abstract description 23
- 230000002218 hypoglycaemic effect Effects 0.000 claims abstract description 23
- WQZGKKKJIJFFOK-GASJEMHNSA-N Glucose Natural products OC[C@H]1OC(O)[C@H](O)[C@@H](O)[C@@H]1O WQZGKKKJIJFFOK-GASJEMHNSA-N 0.000 claims description 30
- 239000008103 glucose Substances 0.000 claims description 30
- 235000012054 meals Nutrition 0.000 claims description 28
- 206010012601 diabetes mellitus Diseases 0.000 claims description 15
- 238000012937 correction Methods 0.000 claims description 5
- 229940079593 drug Drugs 0.000 claims description 4
- 239000003814 drug Substances 0.000 claims description 4
- 238000005259 measurement Methods 0.000 claims description 4
- 238000012360 testing method Methods 0.000 claims description 4
- 208000002249 Diabetes Complications Diseases 0.000 claims description 3
- 206010012655 Diabetic complications Diseases 0.000 claims description 3
- 201000010099 disease Diseases 0.000 claims description 3
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 claims description 3
- 238000009534 blood test Methods 0.000 claims description 2
- 238000009535 clinical urine test Methods 0.000 claims description 2
- 235000005911 diet Nutrition 0.000 claims description 2
- 230000000378 dietary effect Effects 0.000 claims description 2
- 230000000474 nursing effect Effects 0.000 claims description 2
- 238000012545 processing Methods 0.000 claims description 2
- 238000010586 diagram Methods 0.000 description 8
- 230000009471 action Effects 0.000 description 7
- 230000002787 reinforcement Effects 0.000 description 7
- DDRJAANPRJIHGJ-UHFFFAOYSA-N creatinine Chemical compound CN1CC(=O)NC1=N DDRJAANPRJIHGJ-UHFFFAOYSA-N 0.000 description 4
- 238000002560 therapeutic procedure Methods 0.000 description 4
- 239000003472 antidiabetic agent Substances 0.000 description 3
- 230000008859 change Effects 0.000 description 3
- 238000003066 decision tree Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 229940126904 hypoglycaemic agent Drugs 0.000 description 3
- 230000003914 insulin secretion Effects 0.000 description 3
- 230000000291 postprandial effect Effects 0.000 description 3
- 235000011888 snacks Nutrition 0.000 description 3
- 208000024891 symptom Diseases 0.000 description 3
- 208000001072 type 2 diabetes mellitus Diseases 0.000 description 3
- 208000008454 Hyperhidrosis Diseases 0.000 description 2
- 206010022489 Insulin Resistance Diseases 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 2
- 150000001720 carbohydrates Chemical class 0.000 description 2
- 235000014633 carbohydrates Nutrition 0.000 description 2
- 229940109239 creatinine Drugs 0.000 description 2
- 208000002173 dizziness Diseases 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 210000000496 pancreas Anatomy 0.000 description 2
- 238000001356 surgical procedure Methods 0.000 description 2
- 230000035900 sweating Effects 0.000 description 2
- 238000002604 ultrasonography Methods 0.000 description 2
- VOUAQYXWVJDEQY-QENPJCQMSA-N 33017-11-7 Chemical compound OC(=O)CC[C@H](N)C(=O)N[C@@H](C)C(=O)N[C@@H](CCC(O)=O)C(=O)N[C@@H](CC(O)=O)C(=O)N[C@@H](CC(C)C)C(=O)N[C@@H](CCC(N)=O)C(=O)N[C@@H](C(C)C)C(=O)NCC(=O)N[C@@H](CCC(N)=O)C(=O)N[C@@H](C(C)C)C(=O)N[C@@H](CCC(O)=O)C(=O)N[C@@H](CC(C)C)C(=O)NCC(=O)NCC(=O)NCC(=O)N1CCC[C@H]1C(=O)NCC(=O)N[C@@H](C)C(=O)NCC(=O)N[C@@H](CO)C(=O)N[C@@H](CC(C)C)C(=O)N[C@@H](CCC(N)=O)C(=O)N1[C@H](C(=O)N[C@@H](CC(C)C)C(=O)N[C@@H](C)C(=O)N[C@@H](CC(C)C)C(=O)N[C@@H](CCC(O)=O)C(=O)NCC(=O)N[C@@H](CO)C(=O)N[C@@H](CC(C)C)C(=O)N[C@@H](CCC(N)=O)C(O)=O)CCC1 VOUAQYXWVJDEQY-QENPJCQMSA-N 0.000 description 1
- 108010075254 C-Peptide Proteins 0.000 description 1
- 208000008960 Diabetic foot Diseases 0.000 description 1
- LFQSCWFLJHTTHZ-UHFFFAOYSA-N Ethanol Chemical compound CCO LFQSCWFLJHTTHZ-UHFFFAOYSA-N 0.000 description 1
- 102000017011 Glycated Hemoglobin A Human genes 0.000 description 1
- 208000031226 Hyperlipidaemia Diseases 0.000 description 1
- 206010020772 Hypertension Diseases 0.000 description 1
- WQZGKKKJIJFFOK-VSOAQEOCSA-N L-altropyranose Chemical compound OC[C@@H]1OC(O)[C@H](O)[C@@H](O)[C@H]1O WQZGKKKJIJFFOK-VSOAQEOCSA-N 0.000 description 1
- 206010028980 Neoplasm Diseases 0.000 description 1
- 206010067584 Type 1 diabetes mellitus Diseases 0.000 description 1
- 210000003423 ankle Anatomy 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- HPYIIXJJVYSMCV-MGDXKYBTSA-N astressin Chemical compound C([C@@H](C(=O)N[C@@H](CC(C)C)C(=O)N[C@@H](CC(C)C)C(=O)N[C@@H](CCCNC(N)=N)C(=O)N[C@@H](CCC(O)=O)C(=O)N[C@H](C(=O)N[C@@H](CC(C)C)C(=O)N[C@@H](CCC(O)=O)C(=O)N[C@@H](CCCC)C(=O)N[C@@H](C)C(=O)N[C@@H](CCCNC(N)=N)C(=O)N[C@@H](C)C(=O)N[C@@H](CCC(O)=O)C(=O)N[C@@H](CCC(N)=O)C(=O)N[C@@H](CC(C)C)C(=O)N[C@@H](C)C(=O)N[C@@H](CCC(N)=O)C(=O)N[C@@H]1C(N[C@@H](C)C(=O)N[C@@H](CC=2N=CNC=2)C(=O)N[C@@H](CCCCNC(=O)CC1)C(=O)N[C@@H](CC(N)=O)C(=O)N[C@@H](CCCNC(N)=N)C(=O)N[C@@H](CCCCN)C(=O)N[C@@H](CC(C)C)C(=O)N[C@@H](CCCC)C(=O)N[C@@H](CCC(O)=O)C(=O)N[C@@H]([C@@H](C)CC)C(=O)N[C@@H]([C@@H](C)CC)C(N)=O)=O)C(C)C)NC(=O)[C@H](N)CC=1C=CC=CC=1)C1=CNC=N1 HPYIIXJJVYSMCV-MGDXKYBTSA-N 0.000 description 1
- 230000036772 blood pressure Effects 0.000 description 1
- 230000036760 body temperature Effects 0.000 description 1
- 230000037396 body weight Effects 0.000 description 1
- 210000004556 brain Anatomy 0.000 description 1
- 239000003795 chemical substances by application Substances 0.000 description 1
- 238000002586 coronary angiography Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 208000016097 disease of metabolism Diseases 0.000 description 1
- 238000002592 echocardiography Methods 0.000 description 1
- 230000002526 effect on cardiovascular system Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000013110 gastrectomy Methods 0.000 description 1
- 108091005995 glycated hemoglobin Proteins 0.000 description 1
- 201000001421 hyperglycemia Diseases 0.000 description 1
- 229960003444 immunosuppressant agent Drugs 0.000 description 1
- 239000003018 immunosuppressive agent Substances 0.000 description 1
- 208000015181 infectious disease Diseases 0.000 description 1
- 230000036210 malignancy Effects 0.000 description 1
- 208000030159 metabolic disease Diseases 0.000 description 1
- 230000007830 nerve conduction Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 102000004169 proteins and genes Human genes 0.000 description 1
- 108090000623 proteins and genes Proteins 0.000 description 1
- 230000002207 retinal effect Effects 0.000 description 1
- 230000000391 smoking effect Effects 0.000 description 1
- 150000003431 steroids Chemical class 0.000 description 1
- 230000002485 urinary effect Effects 0.000 description 1
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
- G16H20/00—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance
- G16H20/10—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance relating to drugs or medications, e.g. for ensuring correct administration to patients
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61M—DEVICES FOR INTRODUCING MEDIA INTO, OR ONTO, THE BODY; DEVICES FOR TRANSDUCING BODY MEDIA OR FOR TAKING MEDIA FROM THE BODY; DEVICES FOR PRODUCING OR ENDING SLEEP OR STUPOR
- A61M5/00—Devices for bringing media into the body in a subcutaneous, intra-vascular or intramuscular way; Accessories therefor, e.g. filling or cleaning devices, arm-rests
- A61M5/14—Infusion devices, e.g. infusing by gravity; Blood infusion; Accessories therefor
- A61M5/168—Means for controlling media flow to the body or for metering media to the body, e.g. drip meters, counters ; Monitoring media flow to the body
- A61M5/172—Means for controlling media flow to the body or for metering media to the body, e.g. drip meters, counters ; Monitoring media flow to the body electrical or electronic
- A61M5/1723—Means for controlling media flow to the body or for metering media to the body, e.g. drip meters, counters ; Monitoring media flow to the body electrical or electronic using feedback of body parameters, e.g. blood-sugar, pressure
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61M—DEVICES FOR INTRODUCING MEDIA INTO, OR ONTO, THE BODY; DEVICES FOR TRANSDUCING BODY MEDIA OR FOR TAKING MEDIA FROM THE BODY; DEVICES FOR PRODUCING OR ENDING SLEEP OR STUPOR
- A61M5/00—Devices for bringing media into the body in a subcutaneous, intra-vascular or intramuscular way; Accessories therefor, e.g. filling or cleaning devices, arm-rests
- A61M5/178—Syringes
- A61M5/31—Details
- A61M5/315—Pistons; Piston-rods; Guiding, blocking or restricting the movement of the rod or piston; Appliances on the rod for facilitating dosing ; Dosing mechanisms
- A61M5/31533—Dosing mechanisms, i.e. setting a dose
- A61M5/31535—Means improving security or handling thereof, e.g. blocking means, means preventing insufficient dosing, means allowing correction of overset dose
-
- 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
- G16H50/70—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for mining of medical data, e.g. analysing previous cases of other patients
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61M—DEVICES FOR INTRODUCING MEDIA INTO, OR ONTO, THE BODY; DEVICES FOR TRANSDUCING BODY MEDIA OR FOR TAKING MEDIA FROM THE BODY; DEVICES FOR PRODUCING OR ENDING SLEEP OR STUPOR
- A61M5/00—Devices for bringing media into the body in a subcutaneous, intra-vascular or intramuscular way; Accessories therefor, e.g. filling or cleaning devices, arm-rests
- A61M5/14—Infusion devices, e.g. infusing by gravity; Blood infusion; Accessories therefor
- A61M5/142—Pressure infusion, e.g. using pumps
- A61M2005/14208—Pressure infusion, e.g. using pumps with a programmable infusion control system, characterised by the infusion program
Landscapes
- Health & Medical Sciences (AREA)
- Engineering & Computer Science (AREA)
- Public Health (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Primary Health Care (AREA)
- Epidemiology (AREA)
- Biomedical Technology (AREA)
- Heart & Thoracic Surgery (AREA)
- Anesthesiology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Hematology (AREA)
- Veterinary Medicine (AREA)
- Data Mining & Analysis (AREA)
- Vascular Medicine (AREA)
- Animal Behavior & Ethology (AREA)
- Pathology (AREA)
- Databases & Information Systems (AREA)
- Diabetes (AREA)
- Chemical & Material Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Medicinal Chemistry (AREA)
- Medicines That Contain Protein Lipid Enzymes And Other Medicines (AREA)
- Medical Treatment And Welfare Office Work (AREA)
Abstract
본 발명의 일 실시예에 따른 인슐린 투여량 조절 방법은, 환자의 의무기록 데이터를 입력받는 단계; 상기 환자의 의무기록 데이터에서 저혈당 위험인자를 도출하는 단계; 상기 환자의 의무기록 데이터에서 목표혈당 개별화 정보를 판별하는 단계; 상기 저혈당 위험인자 및 상기 목표혈당 개별화 정보를 고려하여 인슐린 투여량 정보를 제공하는 단계; 상기 환자의 의무기록, 저혈당 위험인자, 목표혈당 개별화 정보, 및 인슐린 투여량 정보를 이용하여 인공지능 알고리즘을 학습시키는 단계; 및 학습된 인공지능 알고리즘을 통해 인슐린 투여량을 조절하는 단계를 포함할 수 있다.Insulin dose adjustment method according to an embodiment of the present invention, comprising the steps of receiving medical record data of a patient; Deriving a hypoglycemia risk factor from the medical record data of the patient; determining target blood sugar individualization information from the medical record data of the patient; providing insulin dosage information in consideration of the hypoglycemia risk factor and the target blood sugar individualization information; Learning an artificial intelligence algorithm using the patient's medical records, hypoglycemia risk factors, target blood sugar individualization information, and insulin dosage information; and adjusting the insulin dose through the learned artificial intelligence algorithm.
Description
본 출원은 인슐린 투여량 조절 방법에 관한 것이다.This application relates to a method for adjusting insulin dosage.
당뇨병은 인슐린의 분비량이 부족하거나 정상적인 기능이 이루어지지 않는 등의 대사질환의 일종으로, 혈중 포도당 농도가 높은 것이 특징인 질환이다. Diabetes mellitus is a type of metabolic disease in which insulin secretion is insufficient or normal function is not achieved, and is characterized by high blood glucose concentration.
췌장에서 인슐린이 전혀 분비되지 않아서 발생한 당뇨병을 제1형 당뇨병이라고 하고, 인슐린 분비기능은 일부 남아있지만 여러 가지 원인에 의해 상대적으로 인슐린 저항성이 증가하여 발생하는 경우를 제2형 당뇨병이라 하며, 제1형이냐, 제2형이냐에 따라 치료와 관리에 있어 여러 차이가 있다.Type 1 diabetes occurs when the pancreas does not secrete insulin at all, and type 2 diabetes occurs when the pancreas does not secrete insulin at all. There are many differences in treatment and management depending on whether it is the older brother or the second type.
당뇨병의 치료를 위해 인슐린을 투여하는 경우, 하루 1~2회 인슐린을 주입하면 식후 혈당 상승을 막는데 충분하지 않고, 저혈당 발생 가능성이 높아진다. 이에, 최근에는 하루에 4회 인슐린을 투여하는 다회 인슐린 요법이 널리 사용되고 있다. In the case of administering insulin for the treatment of diabetes, injecting insulin once or twice a day is not sufficient to prevent postprandial blood sugar rise, and the possibility of hypoglycemia increases. Accordingly, in recent years, multiple insulin therapy in which insulin is administered four times a day has been widely used.
그러나, 개인별로 생리적 특성이 상이하고 개인별로 다양한 생활 습관 또는 환경 인자에 의한 영향을 받으므로, 의료진의 입장에서 다회 인슐린 요법을 위해 개개인의 다양한 인자들을 고려하여 매번 인슐린 투여량을 적절하게 조절하는데 어려움이 있는 실정이다.However, since each individual's physiological characteristics are different and each individual is affected by various lifestyle or environmental factors, it is difficult for medical staff to appropriately adjust the insulin dosage each time by considering the various factors of each individual for multiple doses of insulin therapy. There is a situation.
따라서, 당해 기술분야에서는 당뇨병 환자에 대한 다양한 정보를 기초로 다회 인슐린 요법을 위한 인슐린 투여량을 자동으로 조절하기 위한 방안이 요구되고 있다.Therefore, in the art, there is a need for a method for automatically adjusting an insulin dose for multiple doses of insulin therapy based on various information about a diabetic patient.
상기 과제를 해결하기 위해서, 본 발명의 일 실시예는 인슐린 투여량 조절 방법을 제공한다.In order to solve the above problems, one embodiment of the present invention provides a method for adjusting insulin dosage.
상기 인슐린 투여량 조절 방법은, 환자의 의무기록 데이터를 입력받는 단계; 상기 환자의 의무기록 데이터에서 저혈당 위험인자를 도출하는 단계; 상기 환자의 의무기록 데이터에서 목표혈당 개별화 정보를 판별하는 단계; 상기 저혈당 위험인자 및 상기 목표혈당 개별화 정보를 고려하여 인슐린 투여량 정보를 제공하는 단계; 상기 환자의 의무기록, 저혈당 위험인자, 목표혈당 개별화 정보, 및 인슐린 투여량 정보를 이용하여 인공지능 알고리즘을 학습시키는 단계; 및 학습된 인공지능 알고리즘을 통해 인슐린 투여량을 조절하는 단계를 포함할 수 있다.The insulin dosage control method may include receiving medical record data of a patient; Deriving a hypoglycemia risk factor from the medical record data of the patient; determining target blood sugar individualization information from the medical record data of the patient; providing insulin dosage information in consideration of the hypoglycemia risk factor and the target blood sugar individualization information; Learning an artificial intelligence algorithm using the patient's medical records, hypoglycemia risk factors, target blood sugar individualization information, and insulin dosage information; and adjusting the insulin dose through the learned artificial intelligence algorithm.
덧붙여 상기한 과제의 해결수단은, 본 발명의 특징을 모두 열거한 것이 아니다. 본 발명의 다양한 특징과 그에 따른 장점과 효과는 아래의 구체적인 실시형태를 참조하여 보다 상세하게 이해될 수 있을 것이다.In addition, the solution to the above problem does not enumerate all the features of the present invention. Various features of the present invention and the advantages and effects thereof will be understood in more detail with reference to specific embodiments below.
본 발명의 일 실시예에 따르면, 당뇨병 환자에 대한 다양한 정보를 기초로 다회 인슐린 요법을 위한 인슐린 투여량을 자동으로 조절함으로써, 의료진의 의사 결정을 지원할 수 있다.According to one embodiment of the present invention, by automatically adjusting the insulin dose for multiple doses of insulin therapy based on various information about a diabetic patient, it is possible to support medical staff's decision-making.
도 1은 본 발명에서 제안하는 인슐린 투여량 조절 기술의 개념도이다.
도 2는 본 발명의 일 실시예에 따른 인슐린 투여량 조절 방법의 흐름도이다.
도 3은 도 2에 도시된 S160 단계의 일 실시예에 따른 상세 흐름도이다.
도 4는 도 2에 도시된 S160 단계의 다른 실시예에 따른 상세 흐름도이다.
도 5는 본 발명의 일 실시예에 따라 기저 인슐린 투여량을 조절하는 방법을 설명하기 위한 도면이다.
도 6은 본 발명의 일 실시예에 따라 식전 인슐린 투여량을 조절하는 방법을 설명하기 위한 도면이다.
도 7은 본 발명의 일 실시예에 따라 의사결정나무를 이용하여 혈당량을 예측하는 모델을 설명하기 위한 도면이다.
도 8은 본 발명의 일 실시예에 따라 사용되는 심층강화학습의 개념을 설명하기 위한 도면이다.1 is a conceptual diagram of an insulin dose control technique proposed in the present invention.
2 is a flowchart of a method for adjusting insulin dosage according to an embodiment of the present invention.
3 is a detailed flowchart according to an embodiment of step S160 shown in FIG. 2 .
4 is a detailed flowchart according to another embodiment of step S160 shown in FIG. 2 .
5 is a view for explaining a method of adjusting a basal insulin dosage according to an embodiment of the present invention.
6 is a diagram for explaining a method of adjusting a pre-meal insulin dose according to an embodiment of the present invention.
7 is a diagram for explaining a model for predicting a blood glucose level using a decision tree according to an embodiment of the present invention.
8 is a diagram for explaining the concept of deep reinforcement learning used according to an embodiment of the present invention.
이하, 첨부된 도면을 참조하여 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자가 본 발명을 용이하게 실시할 수 있도록 바람직한 실시예를 상세히 설명한다. 다만, 본 발명의 바람직한 실시예를 상세하게 설명함에 있어, 관련된 공지 기능 또는 구성에 대한 구체적인 설명이 본 발명의 요지를 불필요하게 흐릴 수 있다고 판단되는 경우에는 그 상세한 설명을 생략한다. 또한, 유사한 기능 및 작용을 하는 부분에 대해서는 도면 전체에 걸쳐 동일한 부호를 사용한다.Hereinafter, preferred embodiments will be described in detail so that those skilled in the art can easily practice the present invention with reference to the accompanying drawings. However, in describing a preferred embodiment of the present invention in detail, if it is determined that a detailed description of a related known function or configuration may unnecessarily obscure the gist of the present invention, the detailed description will be omitted. In addition, the same reference numerals are used throughout the drawings for parts having similar functions and actions.
덧붙여, 명세서 전체에서, 어떤 부분이 다른 부분과 '연결'되어 있다고 할 때, 이는 '직접적으로 연결'되어 있는 경우뿐만 아니라, 그 중간에 다른 소자를 사이에 두고 '간접적으로 연결'되어 있는 경우도 포함한다. 또한, 어떤 구성요소를 '포함'한다는 것은, 특별히 반대되는 기재가 없는 한 다른 구성요소를 제외하는 것이 아니라 다른 구성요소를 더 포함할 수 있다는 것을 의미한다.In addition, throughout the specification, when a part is said to be 'connected' to another part, this is not only the case where it is 'directly connected', but also the case where it is 'indirectly connected' with another element in between. include In addition, 'including' a certain component means that other components may be further included, rather than excluding other components unless otherwise stated.
본 발명에서는 인슐린을 투여하는 입원 환자를 대상으로 전·후향 의무기록 분석을 토대로 저혈당 위험인자를 도출하고 목표혈당 개별화 정보를 판별하여 인슐린 투여량 정보를 제공하며, 이에 대한 정보를 이용하여 인공지능 알고리즘을 학습함으로써 인슐린 투여량을 자동으로 조절하는 기술을 제안한다.In the present invention, hypoglycemia risk factors are derived based on forward and retrospective medical record analysis for inpatients who administer insulin, and insulin dosage information is provided by discriminating target blood sugar individualization information, and artificial intelligence algorithms are used using this information. We propose a technique to automatically adjust the insulin dose by learning.
도 1은 본 발명에서 제안하는 인슐린 투여량 조절 기술의 개념도이다.1 is a conceptual diagram of an insulin dose control technique proposed in the present invention.
도 1을 참조하면, 본 발명에서는 후향적 연구를 통해 당뇨병 환자의 과거 입원기록을 분석하고 다양한 혈당 관련 임상변수 데이터베이스를 구축함과 더불어(S10), 전향적 연구를 통해 입원환자의 연속혈당검사 결과를 연구하고 인슐린 투여 중 혈당 변동 기초 데이터베이스를 구축할 수 있다(S20).Referring to FIG. 1, in the present invention, past hospitalization records of diabetic patients are analyzed through a retrospective study, and a database of various blood sugar-related clinical variables is established (S10), and continuous blood glucose test results of inpatients are analyzed through a prospective study. It is possible to study and build a database based on blood glucose fluctuations during insulin administration (S20).
또한, 이와 같이 구축된 데이터베이스를 기초로 혈당예측 인공지능 모델을 개발할 수 있다(S30),In addition, an artificial intelligence model for predicting blood sugar can be developed based on the database constructed in this way (S30).
이후, 개발된 혈당예측 인공지능 모델을 이용하여 인슐린 투여 중인 외래 환자의 혈당값을 예측하여 인공지능 모델의 유효성을 평가하고(S40), 평가 결과를 토대로 인공지능 모델의 고도화를 수행할 수 있다(S50).Thereafter, the effectiveness of the artificial intelligence model is evaluated by predicting the blood glucose value of an outpatient receiving insulin using the developed blood glucose prediction artificial intelligence model (S40), and the artificial intelligence model can be advanced based on the evaluation result (S40). S50).
이하, 도 2 내지 도 8을 참조하여 본 발명의 실시예에 따른 인슐린 투여량 조절 방법에 대해 구체적으로 설명한다.Hereinafter, a method for adjusting insulin dosage according to an embodiment of the present invention will be described in detail with reference to FIGS. 2 to 8 .
도 2는 본 발명의 일 실시예에 따른 인슐린 투여량 조절 방법의 흐름도이고, 도 3은 도 2에 도시된 S160 단계의 일 실시예에 따른 상세 흐름도이며, 도 4는 도 2에 도시된 S160 단계의 다른 실시예에 따른 상세 흐름도이다.2 is a flow chart of a method for adjusting insulin dosage according to an embodiment of the present invention, FIG. 3 is a detailed flowchart according to an embodiment of step S160 shown in FIG. 2, and FIG. 4 is step S160 shown in FIG. It is a detailed flowchart according to another embodiment of.
도 2 내지 도 4를 참조하면, 우선 환자의 의무기록 데이터(S110)를 입력받을 수 있다. 일 실시예에 따르면, 병원정보 시스템, 의무기록 데이터베이스 또는 의료진 단말 등으로부터 환자의 의무기록 데이터를 입력받을 수 있다. Referring to FIGS. 2 to 4 , first, medical record data S110 of a patient may be input. According to an embodiment, medical record data of a patient may be received from a hospital information system, a medical record database, or a medical staff terminal.
여기서, 의무기록 데이터는 환자의 기본정보, 상태정보, 생활습관정보 및 치료정보 등을 포함할 수 있다. 환자의 기본정보는 환자의 나이, 성별, 키, 체중, BMI(Body Mass Index) 등을 포함할 수 있고, 환자의 상태정보는 혈당 변화 정보, 저혈당 발생 여부, 이상 증상(발한, 어지럼증) 발생 여부 등을 포함할 수 있고, 환자의 생활습관정보는 식사 관련 정보, 간식 섭취 정보 등을 포함할 수 있고, 환자의 치료정보는 인슐린 투여 정보, 복약 정보, 목표 혈당 정보 등을 포함할 수 있다.Here, the medical record data may include patient basic information, condition information, lifestyle information, treatment information, and the like. The patient's basic information may include the patient's age, gender, height, weight, BMI (Body Mass Index), etc., and the patient's condition information may include blood sugar change information, hypoglycemia, and abnormal symptoms (sweating and dizziness). The patient's lifestyle information may include meal-related information, snack intake information, and the like, and the patient's treatment information may include insulin administration information, medication information, target blood sugar information, and the like.
하기의 표 1은 본 발명의 일 실시예에 따른 의무기록 데이터의 구체적인 항목과 각 항목에 대한 설명을 나타내는 것이다.Table 1 below shows specific items of medical record data and descriptions of each item according to an embodiment of the present invention.
이후, 입력받은 환자의 의무기록 데이터에서 저혈당 위험인자를 도출할 수 있다(S120). 일 실시예에 따르면, 기 저장된 제1 규칙 기반으로 저혈당 위험인자를 도출할 수 있다. 여기서, 기 저장된 제1 규칙은 환자의 의무기록 데이터에 포함된 다양한 인자 중에서 저혈당 위험성을 높일 수 있는 인자의 종류를 포함하며, 추가로 해당 인자에 대한 임계값을 포함할 수 있다. 이와 같이 기 저장된 제1 규칙에 따라 환자의 의무기록 데이터에서 저혈당 위험인자를 도출할 수 있다.Thereafter, hypoglycemia risk factors may be derived from the input patient's medical record data (S120). According to one embodiment, a risk factor for hypoglycemia may be derived based on a pre-stored first rule. Here, the pre-stored first rule includes types of factors that may increase the risk of hypoglycemia among various factors included in the patient's medical record data, and may further include a threshold value for the factor. According to the pre-stored first rule, a hypoglycemia risk factor may be derived from the patient's medical record data.
이후, 입력받은 환자의 의무기록 데이터에서 목표혈당 개별화 정보를 판별할 수 있다(S130). 일 실시예에 따르면, 기 저장된 제2 규칙 기반으로 목표혈당 개별화 정보를 판별할 수 있다. 기 저장된 제2 규칙은 환자의 의무기록 데이터에 포함된 다양한 인자 중에서 목표혈당에 영향을 미칠 수 있는 인자의 종류를 포함하며, 추가로 해당 인자에 대한 임계값을 포함할 수 있다. 이와 같이 기 저장된 제2 규칙에 따라 환자의 의무기록 데이터에서 목표혈당 개별화 정보를 판별할 수 있다.Thereafter, target blood sugar individualization information may be determined from the input patient's medical record data (S130). According to an embodiment, target blood sugar individualization information may be determined based on the pre-stored second rule. The pre-stored second rule includes types of factors that may affect target blood sugar among various factors included in the patient's medical record data, and may additionally include a threshold value for the factor. According to the pre-stored second rule, individualized target blood glucose information may be determined from the patient's medical record data.
이후, 저혈당 위험인자 및 목표혈당 개별화 정보를 고려하여 인슐린 투여량 정보를 제공할 수 있다(S140). 일 실시예에 따르면, 기저 인슐린의 경우와 식전 인슐린의 경우에 대하여 각각 도 5 및 도 6에 도시된 바에 따라 투여량을 조절할 수 있다.Thereafter, insulin dosage information may be provided in consideration of hypoglycemia risk factors and target blood sugar individualization information (S140). According to one embodiment, the dosage of basal insulin and pre-meal insulin may be adjusted as shown in FIGS. 5 and 6, respectively.
구체적으로, 도 5는 본 발명의 일 실시예에 따라 기저 인슐린 투여량을 조절하는 방법을 설명하기 위한 도면으로, 도 5를 참조하면, 우선 기저 인슐린 투여전의 환자의 혈당이 속하는 범위에 따라서 전날의 인슐린 투여량을 그대로 유지하거나 또는 기 정해진 교정단위만큼 전날의 인슐린 투여량에 가감하여 투여량을 결정할 수 있다.Specifically, FIG. 5 is a view for explaining a method of adjusting the basal insulin dosage according to an embodiment of the present invention. Referring to FIG. 5, first, according to the range to which the patient's blood sugar before basal insulin administration belongs, The dose may be determined by maintaining the insulin dose as it is or by adding or subtracting from the previous day's insulin dose by a predetermined correction unit.
또한, 도 5에 도시된 바와 같이 기저 인슐린 투여량 조절 알고리즘에서는 개인별로 하기의 인자를 포함하는지 여부에 대한 정보를 추가로 고려하여 후술하는 인공지능 알고리즘을 학습시킬 수 있다.In addition, as shown in FIG. 5 , in the basal insulin dose adjustment algorithm, an artificial intelligence algorithm described later may be trained by additionally considering information on whether the following factors are included for each individual.
* 전날 저혈당 발생여부* Whether or not hypoglycemia occurred the previous day
* 전날 저녁 식후 혈당 측정 이후,* After measuring blood sugar after eating the previous evening,
- 간식 섭취 여부- Whether to eat snacks
- 발한, 어지럼증 등의 이상 증상 여부- Abnormal symptoms such as sweating and dizziness
* 전날 저녁 식후 혈당에서 공복 혈당까지 감소폭* Decrease in fasting blood glucose from postprandial blood glucose the previous evening
* 당일 금식 예정 여부* Whether you plan to fast on the day
한편, 도 6은 본 발명의 일 실시예에 따라 식전 인슐린 투여량을 조절하는 방법을 설명하기 위한 도면으로, 도 6을 참조하면, 식전 인슐린 투여량 조절을 위해서는 식사기반 식전 용량과 개별화된 교정 용량을 각각 산출하고 산출된 식사기반 식전 용량과 개별화된 교정 용량을 합산하여 식전 인슐린 투여량을 결정할 수 있다.Meanwhile, FIG. 6 is a diagram for explaining a method for adjusting the pre-meal insulin dose according to an embodiment of the present invention. Referring to FIG. 6, for adjusting the pre-meal insulin dose, a meal-based pre-meal dose and an individualized correction dose The pre-meal insulin dose can be determined by calculating each and adding the calculated meal-based pre-meal dose and the individualized correction dose.
여기서, 식사기반 식전 용량은 환자의 체중, 식사내 탄수화물함량, 식사량, 전날 혈당변화와 비교, 인슐린저항성, 잔여 인슐린분비능, 다른 혈당강하제 복용여부, 기저인슐린 작용 등을 복합적으로 고려하여 결정될 수 있다.Here, the meal-based pre-meal dose may be determined in complex consideration of the patient's body weight, carbohydrate content in the meal, meal amount, comparison with blood glucose change of the previous day, insulin resistance, residual insulin secretion capacity, use of other hypoglycemic agents, basal insulin action, and the like.
또한, 개별화된 교정 용량은 전날 총인슐린 용량, 식전 혈당과 목표혈당의 비교, 체중, 전달 혈당변화와 비교, 인슐린 저항성, 잔여 인슐린분비능, 다른 혈당강하제 및 기저인슐린 작용 등을 복합적으로 고려하여 결정될 수 있다.In addition, the individualized correction dose may be determined by considering the total insulin dose of the previous day, comparison of pre-meal blood glucose and target blood glucose, weight, comparison of delivered blood glucose change, insulin resistance, residual insulin secretion capacity, other hypoglycemic agents and basal insulin action, etc. there is.
또한, 도 6에 도시된 바와 같이 식전 인슐린 투여량 조절 알고리즘에서 고려되는 각각의 인자는 후술하는 인공지능 알고리즘을 학습시키기 위해 사용될 수 있다.In addition, as shown in FIG. 6 , each factor considered in the pre-meal insulin dose control algorithm may be used to train an artificial intelligence algorithm to be described later.
다시 말해, 도 5 및 도 6을 참조하여 상술한 인자들이 제1 규칙 또는 제 2 규칙에 의해 저혈당 위험인자 또는 목표혈당 개별화 정보로 판별되어 기저 인슐린 투여량 또는 식전 인슐린 투여량을 조절하는데 고려될 수 있다.In other words, the factors described above with reference to FIGS. 5 and 6 may be determined as hypoglycemia risk factors or individualized information on target blood sugar by the first rule or the second rule, and may be considered in adjusting the basal insulin dose or pre-meal insulin dose. there is.
이후, 상술한 S110 내지 S140 단계에서의 데이터를 이용하여 인공지능 알고리즘을 학습시킬 수 있으며(S150), 인공지능 알고리즘의 학습이 완료될 때까지 상술한 S110 내지 S140 단계를 반복하여 수행할 수 있다. Thereafter, the artificial intelligence algorithm can be learned using the data in the above-described steps S110 to S140 (S150), and the above-described steps S110 to S140 can be repeatedly performed until the learning of the artificial intelligence algorithm is completed.
예를 들어, 상술한 바와 같이 인슐린을 투여하는 입원 환자의 전·후향 의무기록 데이터를 이용하여 인공지능 알고리즘을 학습시킬 경우, 환자의 입원 기간 중에 일정 기간(예를 들어, 2주 내지 4주 등) 동안 축적된 데이터에 대한 학습이 완료될 때까지 반복하여 수행할 수 있다. 이를 통해, 개인별로 상이한 생리적 특성을 충분히 학습하여 보다 정확한 결과를 출력하도록 할 수 있다.For example, as described above, when an artificial intelligence algorithm is trained using forward and backward medical record data of inpatients who administer insulin, a certain period of time (e.g., 2 to 4 weeks, etc.) ), it can be performed repeatedly until learning about the accumulated data is completed. Through this, it is possible to output more accurate results by sufficiently learning different physiological characteristics for each individual.
또한, 상술한 본 발명의 실시예에 따른 인슐린 투여량 조절 방법은 제1형 및 제2형 당뇨병 환자에 모두 적용될 수 있으며, 환자 분류에 따라 입력받는 의무기록 데이터에 차이가 있을 수 있다. In addition, the insulin dosage control method according to the embodiment of the present invention described above can be applied to both type 1 and type 2 diabetic patients, and there may be differences in input medical record data according to patient classification.
예를 들어, 제1형 당뇨병 환자의 경우 연속혈당계에 의해 혈당이 측정될 수 있으며, 이 경우 시계열적인 혈당 측정 데이터(예를 들어, 5분 간격으로 측정된 시계열적 혈당 데이터)를 입력받아 인공지능 알고리즘을 학습시킬 수 있다. 반면, 제2형 당뇨병 환자의 경우 자가혈당계에 의해 혈당이 측정될 수 있으며, 이 경우 자가혈당계에 의해 측정된 혈당 측정 데이터(예를 들어, 1일 복수회 측정된 혈당 데이터)를 입력받아 인공지능 알고리즘을 학습시킬 수 있다.For example, in the case of a type 1 diabetic patient, blood sugar may be measured by a continuous blood glucose meter. In this case, artificial intelligence receives time-series blood glucose measurement data (eg, time-series blood glucose data measured at 5-minute intervals) as input. Algorithms can be trained. On the other hand, in the case of a type 2 diabetic patient, blood sugar can be measured by a blood glucose meter, and in this case, blood glucose measurement data measured by the self blood glucose meter (eg, blood sugar data measured multiple times a day) are input and artificial intelligence Algorithms can be trained.
일 실시예에 따르면, 인공지능 알고리즘은 예를 들어 심층강화학습(Deep Reinforcement Learning) 기법에 의해 구현될 수 있으나, 본 발명이 이로 제한되는 것은 아니다. 강화학습이란 알려지지 않은 환경에서 액션(Action)을 수행하는 경험을 반복하며 얻는 보상(Reward)을 통해 학습해 나가는 방법으로, 심층강화학습은 강화학습(Reinforcement Learning)에 딥러닝(Deep Learning)을 적용한 학습 기법을 말한다. According to one embodiment, the artificial intelligence algorithm may be implemented by, for example, a deep reinforcement learning (Deep Reinforcement Learning) technique, but the present invention is not limited thereto. Reinforcement learning is a method of learning through rewards obtained by repeating the experience of performing actions in an unknown environment. Deep reinforcement learning is an application of deep learning to reinforcement learning. refers to learning techniques.
도 8은 본 발명의 일 실시예에 따라 사용되는 심층강화학습의 개념을 설명하기 위한 도면으로, 에이전트(Agent)에서는 임의의 환자 상태(State S)에서 DNN(Deep Neural Network)에 의해 결정된 액션(Action a)을 수행하여 인공지능 알고리즘(혈당예측 AI)에 의해 혈당을 예측할 수 있다. 이후, 혈당 예측치와 목표 혈당치의 차이에 따라 보상(Reward r)을 얻으며, 이와 같은 과정을 반복적으로 수행하여 최상의 보상을 얻을 수 있는 액션을 스스로 학습할 수 있다.8 is a diagram for explaining the concept of deep reinforcement learning used according to an embodiment of the present invention. In an agent, an action determined by a deep neural network (DNN) in an arbitrary patient state (State S) ( By performing Action a), blood sugar can be predicted by an artificial intelligence algorithm (blood sugar prediction AI). Thereafter, a reward (Reward r) is obtained according to the difference between the predicted blood glucose level and the target blood glucose level, and by repeatedly performing such a process, the user can learn an action to obtain the best reward by himself.
이 경우, S110 내지 S140의 각 단계에서의 데이터, 즉 환자의 의무기록, 저혈당 위험인자, 목표혈당 개별화 정보, 및 인슐린 투여량 정보를 이용하여 인공지능 알고리즘을 학습시킬 수 있다.In this case, the artificial intelligence algorithm may be trained using the data at each step from S110 to S140, that is, the patient's medical record, hypoglycemia risk factor, target blood sugar individualization information, and insulin dosage information.
이후, 인공지능 알고리즘의 학습이 완료되면(S150), 학습된 인공지능 알고리즘을 통해 인슐린 투여량을 조절할 수 있다(S160). 일 실시예에 따르면, 학습된 인공지능 알고리즘은 상술한 환자의 의무기록 데이터 중 일부의 정보, 예를 들어 환자의 기본정보, 상태정보, 생활습관정보 및 치료정보 중 적어도 하나만을 입력받아서 개인별로 상이한 다양한 인자에 대한 혈당값을 예측할 수 있고, 이를 기초로 환자의 혈당이 목표혈당이 되도록 하기 위한 최적의 인슐린 투여량을 결정할 수 있다.Thereafter, when learning of the artificial intelligence algorithm is completed (S150), the insulin dosage can be adjusted through the learned artificial intelligence algorithm (S160). According to an embodiment, the learned artificial intelligence algorithm receives at least one of the patient's basic information, condition information, lifestyle information, and treatment information, for example, some of the above-described patient's medical record data, so that each individual has different information. It is possible to predict blood glucose values for various factors, and based on this, it is possible to determine an optimal insulin dosage to achieve a target blood sugar level of a patient.
본 발명의 일 실시예에 따르면, 도 3에 도시된 바와 같이, 제1형 및 제2형 당뇨병 환자의 임상 정보와 식사 정보를 입력받고(S161), 학습된 인공지능 알고리즘에 의해 혈당을 예측할 수 있으며(S162, S163), 이를 토대로 환자의 인슐린 투여량을 추천할 수 있다(S164).According to one embodiment of the present invention, as shown in FIG. 3, clinical information and meal information of type 1 and type 2 diabetic patients are received (S161), and blood sugar can be predicted by the learned artificial intelligence algorithm. There is (S162, S163), and based on this, the patient's insulin dosage can be recommended (S164).
본 발명의 다른 실시예에 따르면, 도 4에 도시된 바와 같이, 제1형 및 제2형 당뇨병 환자의 임상 정보와 식사 정보를 입력받고(S161), 학습된 인공지능 알고리즘에 의해 혈당을 예측할 수 있다(S162, S163). 또한, 이와 병행하여, 환자가 식사 또는 운동 등의 일상생활을 수행하면서(S171), 혈당을 측정할 수 있다(S172).According to another embodiment of the present invention, as shown in FIG. 4, clinical information and meal information of type 1 and type 2 diabetic patients are received (S161), and blood sugar can be predicted by the learned artificial intelligence algorithm. Yes (S162, S163). Also, in parallel, while the patient performs daily activities such as eating or exercising (S171), blood sugar can be measured (S172).
이후, 예측된 혈당과 측정한 혈당 데이터를 비교하여(S173), 양 혈당 데이터의 차이가 기 설정된 임계치 이상인 경우(S174), 인공지능 알고리즘을 재학습하여 고도화시킬 수 있다.Thereafter, the predicted blood glucose data is compared with the measured blood glucose data (S173), and when the difference between the blood glucose data is greater than a predetermined threshold (S174), the artificial intelligence algorithm can be relearned and advanced.
도 7은 본 발명의 일 실시예에 따라 의사결정나무를 이용하여 혈당량을 예측하는 모델을 설명하기 위한 도면으로, 도 7에 도시된 바와 같이 환자의 기본정보 중에서 나이 및 체중에 따라 혈당량이 예측될 수 있다.7 is a diagram for explaining a model for predicting blood glucose level using a decision tree according to an embodiment of the present invention. As shown in FIG. can
본 발명의 실시예에 따르면, 상술한 바와 같은 인공지능 알고리즘의 학습을 통해서 최적의 인슐린 투여량을 결정할 수 있으며, 이는 도 7에 도시된 의사결정나무에 의한 혈당량 예측 이상의 정확도를 보장할 수 있다.According to an embodiment of the present invention, an optimal insulin dosage can be determined through learning of the artificial intelligence algorithm as described above, which can guarantee accuracy higher than the prediction of the blood glucose level by the decision tree shown in FIG. 7 .
도 2를 참조하여 상술한 인슐린 투여량 조절 방법은 입력된 데이터를 이용하여 규칙 기반의 판단 및 인공지능 알고리즘의 학습이 가능한 프로세싱 장치에 의해 수행될 수 있다.The insulin dosage control method described above with reference to FIG. 2 may be performed by a processing device capable of rule-based judgment and artificial intelligence algorithm learning using input data.
본 발명은 전술한 실시예 및 첨부된 도면에 의해 한정되는 것이 아니다. 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자에게 있어, 본 발명의 기술적 사상을 벗어나지 않는 범위 내에서 본 발명에 따른 구성요소를 치환, 변형 및 변경할 수 있다는 것이 명백할 것이다.The present invention is not limited by the foregoing embodiments and accompanying drawings. It will be clear to those skilled in the art that the components according to the present invention can be substituted, modified, and changed without departing from the technical spirit of the present invention.
Claims (5)
환자의 의무기록 데이터를 입력받는 단계;
상기 환자의 의무기록 데이터에서 저혈당 위험인자를 도출하는 단계;
상기 환자의 의무기록 데이터에서 목표혈당 개별화 정보를 판별하는 단계;
상기 저혈당 위험인자 및 상기 목표혈당 개별화 정보를 고려하여 인슐린 투여량 정보를 제공하는 단계;
상기 환자의 의무기록, 저혈당 위험인자, 목표혈당 개별화 정보, 및 인슐린 투여량 정보를 이용하여 인공지능 알고리즘을 학습시키는 단계; 및
학습된 인공지능 알고리즘을 통해 인슐린 투여량을 조절하는 단계를 포함하며,
상기 환자의 의무기록 데이터는 환자의 당뇨병과 관련된 상병자료, 입원 사유, 입원 병동, 당뇨병 병력, 수술력, 투약정보, 신체계측, 혈액검사, 소변검사, 당뇨병 합병증 관련 검사, 식이정보, 간호기록을 포함하고,
상기 인슐린 투여량 정보를 제공하는 단계는,
식사기반 식전 용량과 개별화된 교정 용량을 각각 산출하고 산출된 식사기반 식전 용량과 개별화된 교정 용량을 합산하여 식전 인슐린 투여량을 결정하는 인슐린 투여량 조절 방법.
In the insulin dosage control method performed by a processing device capable of learning a rule-based judgment and an artificial intelligence algorithm using input data, the method comprising:
receiving patient medical record data;
Deriving a hypoglycemia risk factor from the medical record data of the patient;
determining target blood sugar individualization information from the medical record data of the patient;
providing insulin dosage information in consideration of the hypoglycemia risk factor and the target blood sugar individualization information;
Learning an artificial intelligence algorithm using the patient's medical records, hypoglycemia risk factors, target blood sugar individualization information, and insulin dosage information; and
Including adjusting the insulin dose through the learned artificial intelligence algorithm,
The patient's medical record data includes the patient's diabetes related disease data, hospitalization reason, hospitalization ward, diabetes history, surgical history, medication information, body measurement, blood test, urine test, diabetic complication-related test, dietary information, and nursing records do,
The step of providing the insulin dosage information,
An insulin dose control method comprising calculating a meal-based pre-meal dose and an individualized corrected dose, respectively, and determining a pre-meal insulin dose by adding the calculated meal-based pre-meal dose and individualized corrected dose.
상기 저혈당 위험인자를 도출하는 단계는 기 저장된 제1 규칙 기반으로 상기 저혈당 위험인자를 도출하는 것을 특징으로 하는 인슐린 투여량 조절 방법.
According to claim 1,
In the step of deriving the hypoglycemia risk factor, insulin dosage control method, characterized in that for deriving the hypoglycemia risk factor based on a pre-stored first rule.
상기 목표혈당 개별화 정보를 판별하는 단계는 기 저장된 제2 규칙 기반으로 상기 목표혈당 개별화 정보를 판별하는 것을 특징으로 하는 인슐린 투여량 조절 방법.
According to claim 1,
Wherein the step of determining the individualized information on blood glucose level comprises determining the individualized information on blood glucose level based on a pre-stored second rule.
상기 인슐린 투여량 정보를 제공하는 단계는,
기저 인슐린 투여전의 환자의 혈당이 속하는 범위에 따라서 전날의 인슐린 투여량을 그대로 유지하거나 또는 기 정해진 교정단위만큼 전날의 인슐린 투여량에 가감하여 기저 인슐린 투여량을 결정하는 것을 특징으로 하는 인슐린 투여량 조절 방법.
According to claim 1,
The step of providing the insulin dosage information,
Insulin dose control characterized in that the basal insulin dose is determined by maintaining the previous day's insulin dose or adding or subtracting the previous day's insulin dose by a predetermined correction unit according to the range to which the patient's blood sugar before basal insulin administration belongs method.
Applications Claiming Priority (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020190135637 | 2019-10-29 | ||
| KR20190135637 | 2019-10-29 |
Publications (3)
| Publication Number | Publication Date |
|---|---|
| KR20210052319A KR20210052319A (en) | 2021-05-10 |
| KR102527404B1 true KR102527404B1 (en) | 2023-05-02 |
| KR102527404B9 KR102527404B9 (en) | 2023-12-08 |
Family
ID=75918294
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020200141810A KR102527404B1 (en) | 2019-10-29 | 2020-10-29 | Method of Controlling Insulin Dose |
Country Status (1)
| Country | Link |
|---|---|
| KR (1) | KR102527404B1 (en) |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR102481888B1 (en) * | 2020-09-01 | 2022-12-28 | 고려대학교 산학협력단 | Method and device for the prediction of dosage of sleep inducer using deep learning |
| CN116705230B (en) * | 2023-06-15 | 2023-12-19 | 北京理工大学 | MDI decision system and method with insulin sensitivity adaptive estimation |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2008510542A (en) * | 2004-08-26 | 2008-04-10 | ディセトロニック・ライセンシング・アクチェンゲゼルシャフト | Insulin bolus recommendation system |
| KR101600379B1 (en) * | 2015-08-03 | 2016-03-07 | (주) 비비비 | Blood glucose management method for the diabetic |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| SG11201502616WA (en) * | 2012-10-05 | 2015-05-28 | Baysient LLC | System and method for providing patient-specific dosing as a function of mathematical models |
-
2020
- 2020-10-29 KR KR1020200141810A patent/KR102527404B1/en active IP Right Grant
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2008510542A (en) * | 2004-08-26 | 2008-04-10 | ディセトロニック・ライセンシング・アクチェンゲゼルシャフト | Insulin bolus recommendation system |
| KR101600379B1 (en) * | 2015-08-03 | 2016-03-07 | (주) 비비비 | Blood glucose management method for the diabetic |
Also Published As
| Publication number | Publication date |
|---|---|
| KR102527404B9 (en) | 2023-12-08 |
| KR20210052319A (en) | 2021-05-10 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Tejedor et al. | Reinforcement learning application in diabetes blood glucose control: A systematic review | |
| Olafsdottir et al. | A clinical trial of the accuracy and treatment experience of the flash glucose monitor FreeStyle Libre in adults with type 1 diabetes | |
| Turksoy et al. | Multivariable adaptive closed-loop control of an artificial pancreas without meal and activity announcement | |
| Bailey et al. | Clinical accuracy of a continuous glucose monitoring system with an advanced algorithm | |
| US6835175B1 (en) | Medical devices for contemporaneous decision support in metabolic control | |
| Klonoff | Continuous glucose monitoring: roadmap for 21st century diabetes therapy | |
| US10463789B2 (en) | System, method, and computer readable medium for dynamic insulin sensitivity in diabetic pump users | |
| Georga et al. | A glucose model based on support vector regression for the prediction of hypoglycemic events under free-living conditions | |
| Percival et al. | Development of a multi-parametric model predictive control algorithm for insulin delivery in type 1 diabetes mellitus using clinical parameters | |
| Lanspa et al. | Percentage of time in range 70 to 139 mg/dL is associated with reduced mortality among critically ill patients receiving IV insulin infusion | |
| Cinar | Multivariable adaptive artificial pancreas system in type 1 diabetes | |
| Pinsker et al. | Evaluation of an artificial pancreas with enhanced model predictive control and a glucose prediction trust index with unannounced exercise | |
| KR102527404B1 (en) | Method of Controlling Insulin Dose | |
| Forlenza et al. | Current status and emerging options for automated insulin delivery systems | |
| CN112927802B (en) | Expert experience assisted preprandial insulin dosage learning optimization decision system | |
| Rodriguez-Rodriguez et al. | Variables to Be Monitored via Biomedical Sensors for Complete Type 1 Diabetes Mellitus Management: An Extension of the “On‐Board” Concept | |
| Le Compte et al. | Impact of variation in patient response on model-based control of glycaemia in critically ill patients | |
| Herrero et al. | Automatic adaptation of basal insulin using sensor-augmented pump therapy | |
| Haas et al. | The two-bag method for treatment of diabetic ketoacidosis in adults | |
| Schoelwer et al. | Safety and efficacy of initializing the control-IQ artificial pancreas system based on total daily insulin in adolescents with type 1 diabetes | |
| Campos-Náñez et al. | Effect of BGM accuracy on the clinical performance of CGM: an in-silico study | |
| Weissberg-Benchell et al. | Impact of an automated bihormonal delivery system on psychosocial outcomes in adults with type 1 diabetes | |
| Takahashi et al. | A Survey of Insulin‐Dependent Diabetes—Part II: Control Methods | |
| Yasini et al. | Agent-based simulation for blood glucose control in diabetic patients | |
| Hettiarachchi et al. | A reinforcement learning based system for blood glucose control without carbohydrate estimation in type 1 diabetes: In silico validation |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| E902 | Notification of reason for refusal | ||
| E701 | Decision to grant or registration of patent right | ||
| GRNT | Written decision to grant | ||
| G170 | Re-publication after modification of scope of protection [patent] |