KR102541362B1 - 인공 지능을 이용한 혈액 투석 중 저혈압 예측 장치 및 그 방법 - Google Patents
인공 지능을 이용한 혈액 투석 중 저혈압 예측 장치 및 그 방법 Download PDFInfo
- Publication number
- KR102541362B1 KR102541362B1 KR1020210056279A KR20210056279A KR102541362B1 KR 102541362 B1 KR102541362 B1 KR 102541362B1 KR 1020210056279 A KR1020210056279 A KR 1020210056279A KR 20210056279 A KR20210056279 A KR 20210056279A KR 102541362 B1 KR102541362 B1 KR 102541362B1
- Authority
- KR
- South Korea
- Prior art keywords
- sbp
- variable
- variable data
- patient
- hypotension
- Prior art date
Links
- 208000001953 Hypotension Diseases 0.000 title claims abstract description 81
- 230000036543 hypotension Effects 0.000 title claims abstract description 76
- 238000000034 method Methods 0.000 title claims abstract description 23
- 238000001631 haemodialysis Methods 0.000 claims abstract description 113
- 230000000322 hemodialysis Effects 0.000 claims abstract description 113
- 230000035488 systolic blood pressure Effects 0.000 claims abstract description 63
- 238000000502 dialysis Methods 0.000 claims abstract description 32
- 230000036772 blood pressure Effects 0.000 claims abstract description 26
- 230000008859 change Effects 0.000 claims abstract description 17
- 238000013480 data collection Methods 0.000 claims abstract description 13
- 230000004872 arterial blood pressure Effects 0.000 claims abstract description 7
- 208000012866 low blood pressure Diseases 0.000 claims abstract description 4
- 238000013528 artificial neural network Methods 0.000 claims description 11
- 230000000306 recurrent effect Effects 0.000 claims description 9
- 230000017531 blood circulation Effects 0.000 claims description 7
- 230000036760 body temperature Effects 0.000 claims description 7
- 239000003814 drug Substances 0.000 claims description 7
- 229940079593 drug Drugs 0.000 claims description 7
- 238000009534 blood test Methods 0.000 claims description 6
- 239000000385 dialysis solution Substances 0.000 claims description 6
- 239000003792 electrolyte Substances 0.000 claims description 6
- 238000000108 ultra-filtration Methods 0.000 claims description 6
- 201000010099 disease Diseases 0.000 claims description 3
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 claims description 3
- 238000013473 artificial intelligence Methods 0.000 abstract description 19
- 238000004393 prognosis Methods 0.000 abstract description 6
- 238000010586 diagram Methods 0.000 description 12
- 206010062300 Procedural hypotension Diseases 0.000 description 7
- 230000004044 response Effects 0.000 description 6
- 238000004458 analytical method Methods 0.000 description 4
- 238000010801 machine learning Methods 0.000 description 4
- 208000024172 Cardiovascular disease Diseases 0.000 description 3
- 238000013135 deep learning Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000007477 logistic regression Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 101000960235 Dictyostelium discoideum Isocitrate dehydrogenase [NADP] cytoplasmic Proteins 0.000 description 1
- 101000599885 Dictyostelium discoideum Isocitrate dehydrogenase [NADP], mitochondrial Proteins 0.000 description 1
- 206010016717 Fistula Diseases 0.000 description 1
- 101000599886 Homo sapiens Isocitrate dehydrogenase [NADP], mitochondrial Proteins 0.000 description 1
- 102100037845 Isocitrate dehydrogenase [NADP], mitochondrial Human genes 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000010485 coping Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000003890 fistula Effects 0.000 description 1
- 208000021822 hypotensive Diseases 0.000 description 1
- 230000001077 hypotensive effect Effects 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000013179 statistical model Methods 0.000 description 1
- 208000011580 syndromic disease Diseases 0.000 description 1
- 238000012549 training Methods 0.000 description 1
Images
Classifications
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/02—Detecting, measuring or recording pulse, heart rate, blood pressure or blood flow; Combined pulse/heart-rate/blood pressure determination; Evaluating a cardiovascular condition not otherwise provided for, e.g. using combinations of techniques provided for in this group with electrocardiography or electroauscultation; Heart catheters for measuring blood pressure
- A61B5/024—Detecting, measuring or recording pulse rate or heart rate
- A61B5/0255—Recording instruments specially adapted therefor
-
- 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
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/02—Detecting, measuring or recording pulse, heart rate, blood pressure or blood flow; Combined pulse/heart-rate/blood pressure determination; Evaluating a cardiovascular condition not otherwise provided for, e.g. using combinations of techniques provided for in this group with electrocardiography or electroauscultation; Heart catheters for measuring blood pressure
- A61B5/021—Measuring pressure in heart or blood vessels
-
- 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
- A61M1/00—Suction or pumping devices for medical purposes; Devices for carrying-off, for treatment of, or for carrying-over, body-liquids; Drainage systems
- A61M1/14—Dialysis systems; Artificial kidneys; Blood oxygenators ; Reciprocating systems for treatment of body fluids, e.g. single needle systems for hemofiltration or pheresis
- A61M1/16—Dialysis systems; Artificial kidneys; Blood oxygenators ; Reciprocating systems for treatment of body fluids, e.g. single needle systems for hemofiltration or pheresis with membranes
- A61M1/1601—Control or regulation
-
- 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
- A61M1/00—Suction or pumping devices for medical purposes; Devices for carrying-off, for treatment of, or for carrying-over, body-liquids; Drainage systems
- A61M1/36—Other treatment of blood in a by-pass of the natural circulatory system, e.g. temperature adaptation, irradiation ; Extra-corporeal blood circuits
- A61M1/3621—Extra-corporeal blood circuits
- A61M1/3639—Blood pressure control, pressure transducers specially adapted therefor
-
- 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
- G16H50/50—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
Landscapes
- Health & Medical Sciences (AREA)
- Engineering & Computer Science (AREA)
- Public Health (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Heart & Thoracic Surgery (AREA)
- Medical Informatics (AREA)
- General Health & Medical Sciences (AREA)
- Pathology (AREA)
- Animal Behavior & Ethology (AREA)
- Veterinary Medicine (AREA)
- Vascular Medicine (AREA)
- Cardiology (AREA)
- Physiology (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- Urology & Nephrology (AREA)
- Hematology (AREA)
- Epidemiology (AREA)
- Primary Health Care (AREA)
- Anesthesiology (AREA)
- Surgery (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- Emergency Medicine (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Psychiatry (AREA)
- Signal Processing (AREA)
- External Artificial Organs (AREA)
Abstract
본 발명은, 인공 지능을 이용한 혈액 투석 중 저혈압 예측 장치 및 그 방법에 관한 것이다. 본 발명에 따르면, 복수의 환자 별로 해당 환자와 관련한 신체 정보와 동반 질환 정보를 포함한 고정 변수 데이터, 혈액 투석 중 시간별 관측된 혈압과 투석 조건을 포함한 가변 변수 데이터를 각각 수집하는 데이터 수집부와, 상기 고정 변수 데이터 및 시간별 가변 변수 데이터를 입력 데이터로 하고, 각 시간별로 해당 시간에서 설정 시간 경과 후의 환자의 수축기 혈압(SBP), 단위시간당 수축기 혈압 변화량(ㅿSBP) 및 평균동맥혈압 변화량(ㅿMAP)을 출력 데이터로 하여 예측 모델을 학습시키는 모델 학습부와, 혈액 투석 중인 환자를 대상으로 상기 고정 변수 데이터와 현재 혈액 투석 중에 시간별 관측되는 가변 변수 데이터를 실시간 획득하는 데이터 획득부, 및 상기 고정 변수 데이터 및 시간별 관측되는 상기 가변 변수 데이터를 상기 예측 모델에 실시간으로 적용하여, 혈액 투석 중에 매 시간 별로 현재로부터 설정 시간 경과 후의 SBP, ㅿSBP, ㅿMAP 값을 예측하는 예측부를 포함하는 혈액 투석 중 저혈압 예측 장치를 제공한다.
본 발명에 따르면, 인공 지능을 기반으로 혈액 투석 중 발생할 수 있는 환자의 저혈압 가능성을 사전 예측하여 알릴 수 있어 혈액 투석 중 저혈압을 예방할 수 있고 혈액 투석 환자의 예후를 증진시킬 수 있다.
본 발명에 따르면, 인공 지능을 기반으로 혈액 투석 중 발생할 수 있는 환자의 저혈압 가능성을 사전 예측하여 알릴 수 있어 혈액 투석 중 저혈압을 예방할 수 있고 혈액 투석 환자의 예후를 증진시킬 수 있다.
Description
본 발명은 인공 지능을 이용한 혈액 투석 중 저혈압 예측 장치 및 그 방법에 관한 것으로서, 보다 상세하게는 인공 지능을 이용하여 혈액 투석 중에 환자의 저혈압 발생 가능성을 사전 예측할 수 있는 혈액 투석 중 저혈압 예측 장치 및 그 방법에 관한 것이다.
혈액 투석 환자의 사망률은 5년에 40%에 육박할 정도로 매우 높고, 사망 원인의 절반은 심뇌혈관질환과 연관성이 있다. 심뇌혈관질환 사망률을 낮추기 위해서는 혈액 투석 중 저혈압이 발생하지 않아야 하나, 아직까지 이를 예측하는 모델이나 이를 예방하기 위한 기법은 존재하지 않는다.
기존에는 혈액 투석 중 저혈압을 예측하는 모델이나 소프트웨어, 기기 등이 없기 때문에, 의료진과 간호진이 혈액 투석 중에 환자의 혈압을 대략 30분 ~ 1시간 간격으로 측정하면서 직접 모니터링하고 있다.
환자의 수는 급증하고 있기에, 이들의 업무량은 증가하고 있으며, 혈액 투석 중에 예측이 어려운 저혈압이 갑자기 발생하면 대처가 어려워 환자의 예후가 악화되게 된다.
특히, 혈액 투석 중 저혈압은 이미 저혈압이 발생한 다음에야 대처가 가능하였고, 대처 방법으로는 환자의 투석 조건, 환자의 체위 등을 변경하는 방식을 선택하였다. 하지만, 이미 혈압이 떨어진 다음에 대처하는 것이기 때문에, 저혈압과 관련한 부작용이 나타나고, 이에 따른 환자의 심뇌혈관질환 발생 및 사망 위험도가 증가하는 문제점이 있다.
이러한 문제를 해결하기 위해 예측 모델의 임상 적용이 필수인데, 그럼에도 아직까지 예측 모델이 개발되지 않는 이유는 일반적인 수학적 혹은 통계적 모델로는 투석 중 저혈압 예측이 어렵기 때문이다.
따라서 혈액 투석 중 환자의 저혈압을 효과적으로 예측할 수 있는 새로운 모델이 요구되는 실정이다.
본 발명의 배경이 되는 기술은 한국공개특허 제1995-0702440호(1995.07.29 공개)에 개시되어 있다.
본 발명은 인공 지능을 기반으로 혈액 투석 중에 환자의 저혈압 가능성을 사전 예측할 수 있는 인공 지능을 이용한 혈액 투석 중 저혈압 예측 장치 및 그 방법을 제공하는데 목적이 있다.
본 발명은, 복수의 환자 별로 해당 환자와 관련한 신체 정보와 동반 질환 정보를 포함한 고정 변수 데이터, 혈액 투석 중 시간별 관측된 혈압과 투석 조건을 포함한 가변 변수 데이터를 각각 수집하는 데이터 수집부와, 상기 고정 변수 데이터 및 시간별 가변 변수 데이터를 입력 데이터로 하고, 각 시간별로 해당 시간에서 설정 시간 경과 후의 환자의 수축기 혈압(SBP), 단위시간당 수축기 혈압 변화량(ㅿSBP) 및 평균동맥혈압 변화량(ㅿMAP)을 출력 데이터로 하여 예측 모델을 학습시키는 모델 학습부와, 혈액 투석 중인 환자를 대상으로 상기 고정 변수 데이터와 현재 혈액 투석 중에 시간별 관측되는 가변 변수 데이터를 실시간 획득하는 데이터 획득부, 및 상기 고정 변수 데이터 및 시간별 관측되는 상기 가변 변수 데이터를 상기 예측 모델에 실시간으로 적용하여, 혈액 투석 중에 매 시간 별로 현재로부터 설정 시간 경과 후의 SBP, ㅿSBP, ㅿMAP 값을 예측하는 예측부를 포함하는 혈액 투석 중 저혈압 예측 장치를 제공한다.
또한, 상기 혈액 투석 중 저혈압 예측 장치는, 매 시간 별로 예측된 SBP, ㅿSBP, ㅿMAP 값을 기 설정된 각각의 임계 값과 비교하여, 혈액 투석 중 저혈압 가능성 여부를 실시간 판단하는 판단부를 더 포함할 수 있다.
또한, 상기 판단부는, 상기 예측된 SBP 값이 90 미만이거나 ㅿSBP 값이 20 이상이거나 ㅿMAP 값이 10 이상이면, 현재로부터 설정 시간 경과 후 환자의 저혈압 가능성이 있는 것으로 판단할 수 있다.
또한, 상기 예측 모델은, 순환 신경망(RNN) 알고리즘을 통하여 학습될 수 있다.
또한, 상기 설정 시간은, 혈액 투석 작업에 소요되는 총 투석 시간의 절반보다 작은 시간일 수 있다.
또한, 상기 고정 변수 데이터는 복용 약물 정보, 혈액 검사 정보, 환자의 저혈압 위험도 중 적어도 하나를 더 포함할 수 있다.
또한, 상기 가변 변수 데이터 중 상기 투석 조건은 혈류량, 초여과율, 투석액 전해질 농도 중 적어도 하나를 포함하며, 상기 가변 변수 데이터는 혈액 투석 중에 시간별 관측되는 맥박, 체온 중 적어도 하나를 더 포함할 수 있다.
그리고, 본 발명은, 혈액 투석 중 저혈압 예측 장치를 이용한 저혈압 예측 방법에 있어서, 복수의 환자 별로 해당 환자와 관련한 신체 정보와 동반 질환 정보를 포함한 고정 변수 데이터, 혈액 투석 중 시간별 관측된 혈압과 투석 조건을 포함한 가변 변수 데이터를 각각 수집하는 단계와, 상기 고정 변수 데이터 및 시간별 가변 변수 데이터를 입력 데이터로 하고, 각 시간별로 해당 시간에서 설정 시간 경과 후의 환자의 수축기 혈압(SBP), 단위시간당 수축기 혈압 변화량(ㅿSBP) 및 평균동맥혈압 변화량(ㅿMAP)을 출력 데이터로 하여 예측 모델을 학습시키는 단계와, 혈액 투석 중인 환자를 대상으로 상기 고정 변수 데이터와 현재 혈액 투석 중에 시간별 관측되는 가변 변수 데이터를 실시간 획득하는 단계, 및 상기 고정 변수 데이터 및 시간별 관측되는 상기 가변 변수 데이터를 상기 예측 모델에 실시간으로 적용하여, 혈액 투석 중에 매 시간 별로 현재로부터 설정 시간 경과 후의 SBP, ㅿSBP, ㅿMAP 값을 예측하는 단계를 포함하는 혈액 투석 중 저혈압 예측 방법을 제공한다.
또한, 혈액 투석 중 저혈압 예측 방법은, 매 시간 별로 예측된 SBP, ㅿSBP, ㅿMAP 값을 기 설정된 각각의 임계 값과 비교하여, 혈액 투석 중 저혈압 가능성 여부를 실시간 판단하는 단계를 더 포함할 수 있다.
또한, 상기 판단하는 단계는, 상기 예측된 SBP 값이 90 미만이거나 ㅿSBP 값이 20 이상이거나 ㅿMAP 값이 10 이상이면, 현재로부터 설정 시간 경과 후 환자의 저혈압 가능성이 있는 것으로 판단할 수 있다.
본 발명에 따르면, 인공 지능을 기반으로 혈액 투석 중 발생할 수 있는 환자의 저혈압 가능성을 사전 예측하여 알릴 수 있다. 이를 통해, 저혈압 발생 전에 환자에 대한 처치 및 평가가 가능해져 혈액 투석 중 저혈압을 예방할 수 있음은 물론, 혈액 투석 환자의 예후를 증진시킬 수 있다.
특히, 본 발명의 경우 혈액 투석 중에 실시간 가변하는 환자의 생체 신호와 투석 조건을 인공 지능 모델을 통하여 실시간 분석하여, 환자의 혈액 투석 시작 시점부터 종료 시점까지 1시간 이내에 저혈압 발생 가능성을 실시간으로 예측하여 제공할 수 있다.
도 1은 본 발명의 실시예에 따른 혈액 투석 중 저혈압 예측 장치의 구성을 나타낸 도면이다.
도 2는 도 1의 각 부의 기능과 데이터 흐름을 간략히 설명한 도면이다.
도 3은 본 발명의 실시예에 사용된 순환 신경망을 예시한 도면이다.
도 4는 본 발명의 실시예에서 혈액 투석 중 관측되는 혈압 파라미터를 예시한 도면이다.
도 5는 도 1의 장치를 이용한 혈액 투석 중 저혈압 예측 방법을 설명하는 도면이다.
도 6은 사용된 알고리즘 별 성능 결과를 비교한 도면이다.
도 2는 도 1의 각 부의 기능과 데이터 흐름을 간략히 설명한 도면이다.
도 3은 본 발명의 실시예에 사용된 순환 신경망을 예시한 도면이다.
도 4는 본 발명의 실시예에서 혈액 투석 중 관측되는 혈압 파라미터를 예시한 도면이다.
도 5는 도 1의 장치를 이용한 혈액 투석 중 저혈압 예측 방법을 설명하는 도면이다.
도 6은 사용된 알고리즘 별 성능 결과를 비교한 도면이다.
그러면 첨부한 도면을 참고로 하여 본 발명의 실시 예에 대하여 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자가 용이하게 실시할 수 있도록 상세히 설명한다. 그러나 본 발명은 여러 가지 상이한 형태로 구현될 수 있으며 여기에서 설명하는 실시 예에 한정되지 않는다. 그리고 도면에서 본 발명을 명확하게 설명하기 위해서 설명과 관계없는 부분은 생략하였으며, 명세서 전체를 통하여 유사한 부분에 대해서는 유사한 도면 부호를 붙였다.
명세서 전체에서, 어떤 부분이 다른 부분과 "연결"되어 있다고 할 때, 이는 "직접적으로 연결"되어 있는 경우뿐 아니라, 그 중간에 다른 소자를 사이에 두고 "전기적으로 연결"되어 있는 경우도 포함한다. 또한 어떤 부분이 어떤 구성요소를 "포함"한다고 할 때, 이는 특별히 반대되는 기재가 없는 한 다른 구성요소를 제외하는 것이 아니라 다른 구성요소를 더 포함할 수 있는 것을 의미한다.
본 발명은 인공 지능을 이용한 혈액 투석 중 저혈압 예측 기법으로, 혈액 투석 중에 실시간 변화하는 생체 신호와 투석 조건을 인공 지능을 통하여 분석함으로써 혈액 투석 중에도 1시간 이내 저혈압 발생 가능성을 예측하여 실시간으로 제공할 수 있고, 저혈압 발생 전에 미리 처치가 가능하게 하여 혈액 투석 중 저혈압을 예방하고 환자 예후를 증진시키는 기법을 제안한다.
도 1은 본 발명의 실시예에 따른 혈액 투석 중 저혈압 예측 장치의 구성을 나타낸 도면이고, 도 2는 도 1의 각 부의 기능과 데이터 흐름을 간략히 설명한 도면이다.
도 1 및 도 2를 참조하면, 본 발명의 실시예에 따른 투석 중 저혈압 예측 장치(100)(이하, 예측 장치)는 데이터 수집부(110), 모델 학습부(120), 데이터 획득부(130), 예측부(140), 판단부(150), 출력부(160)를 포함한다.
여기서 각 부(110~160)의 동작 및 각 부 간의 데이터 흐름은 제어부(미도시)에 의해 제어될 수 있다.
데이터 수집부(110)는 과거 혈액 투석을 진행한 복수의 환자(혈액 투석 환자) 별로 고정 변수 데이터와 가변 변수 데이터를 수집한다. 여기서 고정 변수 데이터는 환자와 관련한 신체 정보(나이, 성별) 및 동반 질환 정보를 포함하며, 그 밖에도 복용 약물 정보, 혈액 검사 정보, 환자의 저혈압 위험도 등을 포함할 수 있다.
가변 변수 데이터는 시간에 따라 가변하는 변수로서, 혈액 투석 중에 시간별로 주기적으로 측정된 환자의 혈압과 환자의 투석 조건(혈류량, 초여과율, 투석액 전해질 농도)을 포함하며, 생체 신호의 경우 혈압 이외에도 혈액 투석 중 관측되는 맥박, 체온 중 적어도 하나를 더 포함할 수 있다.
이러한 데이터 수집부(110)는 환자의 의료 정보를 관리 및 저장하는 EMR 또는 병원 서버 등으로부터 환자의 기초 데이터를 수집할 수 있다.
전자의무기록시스템인 EMR은 병원 서버에 포함되거나 병원 서버와 상호 연계하여 동작될 수 있다. EMR 또는 병원 서버는 환자의 개인 정보, 신체 정보, 과거 수개월 혹은 수년간 진료 기록, 병력, 각종 검사 정보, 혈액 투석 측정 기록 등을 포함한 환자의 의료 정보(의료 정보 DB) 이력을 시간 별로 관리할 수 있다. 이처럼 환자 별 기초 데이터는 EMR, 병원 서버 등을 통하여 수집될 수 있고 이로부터 예측 모델 학습에 필요한 빅데이터를 구축할 수 있다.
여기서, 데이터 수집부(110)는 모델 학습을 위하여, 과거 환자의 혈액 투석 중에 측정된 혈압 데이터 기록으로부터 획득되는 시간별 혈압 파라미터인 SBP, ㅿSBP, ㅿMAP 값을 추가로 수집할 수 있다.
이때, SBP는 수축기 혈압(Systolic Blood Pressure), MBP는 평균동맥혈압(Mean arterial pressure)이고, ㅿSBP는 단위시간당 수축기 혈압 변화량, ㅿMAP는 단위시간당 평균동맥혈압을 나타낸다.
따라서, 시간별 혈압 파라미터 중에서 SBP는 환자의 수축기 혈압, ㅿSBP는 단위시간당 수축기 혈압 변화량, ㅿMAP는 단위시간당 평균동맥혈압을 나타낸다.
여기서 ㅿSBP는 시간에 따른 SBP 값으로부터 실시간 얻어지고, ㅿMAP 시간에 따른 MBP로부터 실시간 얻어질 수 있다. 예를 들어, ㅿSBP는 매 시간 별로 시간 t인 현재 SBP 값(SBP)을 그로부터 1시간 전의 SBP 값(SBP')에서 뺀 값에 해당할 수 있다(ㅿSBP=SBP'-SBP). ㅿ값은 현재 값이 단위 시간 전의 값보다 낮을 때 양수로 도출된다.
일반적으로 혈액 투석은 총 4 시간 소요되므로, 혈액 투석을 진행하는 4 시간 동안에 매 시간(예: 수초, 수분) 별로 혈압 파라미터 값이 주기적으로 획득될 수 있다. 데이터 수집부(110)는 이와 같이 혈액 투석 중 실시간 측정되는 시간별 혈압 파라미터 값인 SBP, ㅿSBP, ㅿMAP를 추가로 수집하여 모델 학습부(120)로 제공할 수 있다.
데이터 수집부(110)에서 수집한 과거 환자별 데이터들은 환자의 혈액 투석 중 저혈압(intradialytic hypotension)을 예측하는 모델을 구축하기 위한 학습 데이터로 사용된다.
수집된 데이터 중 환자의 고정 변수 데이터(환자의 나이, 성별, 복용 약물, 동반 질병 등)와 투석 중 시간별로 관측된 가변 변수 데이터(혈압, 맥박, 체온, 혈류량, 초여과율, 투석액 전해질 농도 등)는 예측 모델의 학습 시에 입력 데이터로 활용되고, 각 시간에 대한 설정 시간(예: 1시간) 후의 혈압 파라미터(SBP, ㅿSBP, ㅿMAP)는 출력 데이터로 활용한다. 예측 모델은 이들 입력 데이터와 출력 데이터 간의 관계를 딥러닝을 기반으로 학습하게 된다.
이에 따르면, 혈액 투석 중 해당 환자에 대응되는 고정 변수 데이터와 시간 별 측정되는 가변 변수 데이터를 딥러닝 분석하여 현재로부터 1시간 후에 예상되는 SBP, ㅿSBP, ㅿMAP 값을 실시간 도출해낼 수 있게 된다. 물론, 모델 학습 시에 어떤 시점의 출력 데이터를 적용하는지에 따라 1시간 후가 아닌 30분 후에 예상되는 혈압 파라미터를 도출해낼 수도 있다.
구체적으로, 모델 학습부(120)는 앞서 수집된 환자의 고정 변수 데이터(시간 고정 변수) 및 시간별 가변 변수 데이터를 입력 데이터로 하고, 각 시간별로 해당 시간에서 설정 시간 경과 후의 환자의 수축기 압력(SBP), 단위 시간당 SBP 변화량(ㅿSBP) 및 MAP 변화량(ㅿMAP)을 출력 데이터로 하여 예측 모델을 학습시킨다.
이러한 모델 학습부(120)는 인공지능 기반의 분석을 통하여 혈액 투석 중인 환자의 1시간 이내 저혈압 발생 가능성을 예측하기 위한 예측 모델을 생성할 수 있다.
예측 모델 생성에는 다양한 기법이 사용될 수 있는데, 순환 신경망(Recurrent neural network, RNN), 다층 퍼셉트론(Multi-Layer Perceptron, MLP), LightGBM, 로지스틱 회귀(LR; logistic regression) 알고리즘 등이 사용될 수 있다.
본 발명의 실시예는 순환 신경망(RNN)을 이용한 것을 대표 예시로 한다. 예측 모델의 입력 데이터는 과거에 혈액 투석을 진행한 환자들에 대해 수집된 고정변수 데이터 및 혈액 투석 중 관측된 가변 변수 데이터를 포함하고, 출력 데이터는 각 시간으로부터 설정 시간(예: 1시간) 후 관측된 환자의 혈압 파라미터들 즉, SBP, ㅿSBP, ㅿMAP를 포함한다. 설정 시간은 혈액 투석에 소요되는 총 투석 시간 보다 작으며 이를 통하여 혈액 투석 중에도 수시간 또는 수분 이내의 저혈압 가능성 예측이 이루어진다.
예측 모델은 이러한 입력 데이터와 출력 데이터 간의 관계를 RNN 딥러닝 알고리즘을 통하여 학습할 수 있다. 즉, 예측 모델은 환자의 고정 변수 데이터, 투석 중 시간에 따라 가변하는 가변 변수 데이터의 입력에 대응하여 그로부터 예상되는 매시간 별로 설정 시간 후의 SBP, ㅿSBP, ㅿMAP 파라미터를 각각 도출하도록 학습된다.
모델 학습부(120)는 입력 데이터와 출력 데이터 간의 관계를 지도 학습을 기반으로 지속적으로 머신 러닝 분석하여 신경망 내 가중치를 수정 및 최적화할 수 있다. 물론 그 과정에서 측정 값과 예측 값 간에 오차가 임계치 이하에 들어올 때까지 학습을 수행할 수 있다.
학습을 통하여 예측 모델이 완성되면, 현재 투석 중인 환자에 대한 고정 변수 데이터 및 투석 중 시간에 따라 가변하는 가변 변수 데이터를 해당 모델에 적용하는 것만으로 해당 환자의 투석 중 저혈압 가능성을 예상할 수 있다.
이를 위해, 데이터 획득부(130)는 혈액 투석 환자를 대상으로 고정 변수 데이터와 혈액 투석 중에 시간별 관측되는 가변 변수 데이터를 실시간 획득한다.
데이터 획득부(130)는 병원 서버, 투석 장비, 의료 정보 서버, 컴퓨터 등과 연동하여 혈액 투석 환자와 관련한 고정 변수 데이터 및 가변 변수 데이터를 획득할 수 있다. 여기서, 고정 데이터의 경우 관리자 등으로부터 관련 데이터를 입력 인터페이스, 유무선 인터페이스 등을 통하여 입력받을 수도 있다. 또한 혈액 투석 중 실시간 관찰되는 가변 변수 데이터의 경우, 투석 장비 또는 그와 연결된 컴퓨터 등과 같은 사용자 단말기 등으로부터 실시간 획득될 수 있다.
또한, 본 발명의 예측 장치(100)는 투석 진행 중 환자의 저혈압을 예측하는 웹 서버 또는 앱 서버 등의 온오프라인 플랫폼으로 구현되거나 사용자 단말 등에 응용 프로그램, 어플리케이션(Application) 등의 형태로 구현될 수 있다.
본 발명의 경우 혈액 투석 중인 환자에 대한 기 획득된 고정 변수 데이터(나이, 성별, 동반질환, 이전 저혈압 위험도, 혈액 검사, 사용 약물 등)와 현재 투석 중에 실시간 변화하여 관측되는 가변 변수 데이터(혈압, 맥박, 체온, 혈류량, 초여과율, 투석액 전해질 농도 등)를 이용하여 혈액 투석 중에 현재로부터 1시간 후 예상되는 혈압 파라미터 예측 결과를 지속적으로 제공하고 이로부터 저혈압 가능성 여부를 실시간 확인할 수 있다.
예측부(140)는 고정 변수 데이터 및 시간별 관측되는 상기 가변 변수 데이터를 상기 예측 모델에 실시간으로 적용하여, 혈액 투석 중에 매 시간 별로 현재로부터 설정 시간 경과 후의 SBP, ㅿSBP, ㅿMAP 값을 예측한다.
여기서 설정 시간이란, 앞서 설명한 바와 같이, 혈액 투석 작업에 소요되는 총 투석 시간(예: 4시간)의 절반 보다는 작은 시간에 해당하고 이를 통해 투석 중 저혈압 가능성을 미리 예측할 수 있다. 예를 들어, 설정 시간은 10분, 30분, 1시간 등 다양할 수 있으며, 본 발명의 실시예는 1 시간인 것을 예시한다.
예측부(140)는 혈액 투석 환자의 고정 변수 인자(나이, 성별, 동반질환, 이전 저혈압 위험도, 혈액 검사, 사용 약물 등)와 현재 투석 중 실시간 관측되는 가변 변수 인자(혈압, 맥박, 체온, 혈류량, 초여과율, 투석액 전해질 농도 등)를 RNN 기반의 예측 모델에 입력 파라미터로 적용하여, 매 시간마다 현재로부터 1시간 경과 시 예상되는 혈액 파라미터 값들(SBP, ㅿSBP, ㅿMAP)을 인공 지능 분석을 통하여 실시간 도출하여 제공할 수 있다.
도 3은 본 발명의 실시예에 사용된 순환 신경망을 예시한 도면이다. 도 3과 같이, 본 발명의 경우 순환 신경망에 입력되는 시간별 입력 벡터에 대응하여 출력 데이터를 시간 별로 실시간 도출한다.
이때, 시간 고정 변수(time-invariant feature) 및 시간 가변 변수(time-varying feature)를 정규화하여 인공 지능 모델에 학습 시킬 수 있는 형태로 변환한 다음, RNN 레이어에 통과시킬 수 있으며, 이후에 은닉층을 거쳐 최종적으로 투석 중 저혈압을 예측할 수 있다. 예측된 값은 실제 저혈압 발생 여부를 잘 예측할 수 있을 때까지 반복적으로 학습될 수 있다.
여기서, 모델 학습부(120)와 예측부(140)는 도 2와 같이 프로세서(Processor)에 포함 또는 내장될 수 있다. 이러한 프로세서는 인공지능을 이용한 예측 모델을 탑재하고 관련 예측 결과를 제공할 수 있으며, 외부 플랫폼 및 관련 서버 등에 연결되어 인공지능 학습 데이터 및 예측 모델을 업데이트 및 갱신할 수도 있다.
또한 프로세서는 인공지능 알고리즘을 내장하고 머신러닝에 기반한 연산을 수행할 수 있다. 예를 들어 프로세서는 알고리즘의 사전 학습에 있어 고도로 다층화된 인공 신경망에 근거한 머신러닝 알고리즘을 사용할 수 있다. 프로세서는 인공지능 알고리즘을 통해 사전 학습된 가중치를 기반으로 현재 분석 대상이 되는 환자의 입력 데이터에 대응하여 예상되는 결과 값을 예측해 낼 수 있다.
판단부(150)는 매 시간 별로 예측된 SBP, ㅿSBP, ㅿMAP 값을 기 설정된 각각의 임계 값과 비교하여, 혈액 투석 중 저혈압 가능성 여부를 실시간 판단한다.
구체적으로, 판단부(150)는, 현재 예측된 SBP 값이 90 미만(SBP < 90)이거나, ㅿSBP 값이 20 이상(ㅿSBP ≥ 20) 이거나, ㅿMAP 값이 10 이상(ㅿMBP ≥ 10)인 조건 중 적어도 하나를 만족하는 경우에, 현재로부터 설정 시간(예:1 시간) 경과 후 투석 중 환자의 저혈압 발생 가능성이 있는 것으로 판단한다. 물론 이러한 예측 결과는 현 시점으로부터 1 시간 이내에 저혈압 가능성이 있는 상황으로 간주될 수 있다.
이에 따르면, 혈액 투석 중 저혈압이 발생하기 1 시간 전에 미리 저혈압 발생을 예측하고 그에 대한 사전 조치가 가능하게 함으로써, 투석 부작용 중 하나인 투석 중 저혈압을 사전 예방할 수 있고 응급 상황 발생 전에 빠른 대응이 가능하게 할 수 있다.
도 4는 본 발명의 실시예에서 혈액 투석 중 관측된 시계열 혈압 파라미터를 예시한 도면이다.
도 4의 좌측 그림은 4 시간 동안의 혈액 투석 중에 저혈압이 발생하지 않은 케이스이고, 우측 그림은 3 시간 째에서 저혈압이 발생한 케이스를 나타낸다. 우측 그림의 경우 2시간 째에 관측된 SBP 값은 102 mmHg이고, 그로부터 1시간 후 3시간 째에 관측된 SBP 값은 81 mmHg로, ㅿSBP 값이 20을 초과한 경우이다.
본 발명의 실시예에 따르면, 인공 지능 기반의 예측 알고리즘을 적용함에 따라, 실제 혈압이 떨어지는 시점(우측 그림에서 3시간째 시점) 보다 1시간 더 일찍(2시간째 시점) 저혈압 가능성을 예측할 수 있다. 이러한 알고리즘은 임상 의사에게 저혈압에 대해 좀 더 신속하게 대응하고 환자의 문제를 평가할 수 있는 기회를 제공한다.
출력부(160)는 예측 모델을 통해 도출된 실시간 SBP, ㅿSBP, ㅿMAP 값 및 그에 따른 저혈압 가능성 분류 결과를 디스플레이 또는 네트워크 연결된 사용자 단말기 등을 통하여 출력하여 제공할 수 있다. 여기서 사용자 단말기는 데스크탑, 태블릿 PC, 스마트폰, 스마트 패드, 노트북 등을 포함할 수 있다.
이와 같이, 예측 장치(100)는 혈액 투석 중 저혈압 예측과 관련한 프로세스를 실행시키고 해당 결과를 제공함으로써, 혈액 투석 환자의 투석 중 발생 가능한 저혈압 발생 상황에 대한 신속한 처치는 물론 효율적 예후 관리가 가능하게 한다.
도 3은 본 발명의 실시예에서 혈액 투석 중 저혈압 발생 관련 데이터를 설명하는 도면이다.
먼저, 데이터 수집부(110)는 과거 혈액 투석 이력이 있는 환자 별로, 환자와 관련한 고정 변수 데이터와 혈액 투석 중 시간별 관측된 가변 변수 데이터를 각각 학습 데이터로 수집한다(S510).
또한, 데이터 수집부(110)는 과거 환자의 혈액 투석 중에 측정된 혈압 데이터 기록으로부터 획득되는 시간별 혈압 파라미터인 SBP, ㅿSBP, ㅿMAP를 추가로 수집한다. 데이터 수집부(110)는 이를 기반으로 모델 학습을 위한 빅데이터를 구축한다.
다음, 모델 학습부(120)는 수집된 고정 변수 데이터 및 시간별 가변 변수 데이터를 입력 데이터로 하고, 각 시간별로 설정 시간 경과 후의 환자의 SBP, ㅿSBP, ㅿMAP를 출력 데이터로 하여 예측 모델을 학습시킨다(S520).
이때, 모델 학습부(120)는 순환 신경망(RNN)을 이용하여 모델을 학습시킬 수 있으며, 관련 환자들에 대한 빅데이터 학습을 통하여 모델의 신뢰성을 높일 수 있다.
학습이 완료된 이후부터는, 실제 혈액 투석 환자에 대한 현재의 인자들에 대응하여 혈액 투석 중 현재루부터 1시간 이내의 저혈압 가능성 여부를 예측하여 제공할 수 있다.
구체적으로, 데이터 획득부(130)는 혈액 투석 중인 환자에 대한 고정 변수 데이터 및 가변 변수 데이터를 실시간 획득하고(S530), 이를 예측부(140)로 전달한다.
그리고, 예측부(140)는 혈액 투석 중인 환자에 대응하여 수신한 고정 변수 데이터와 시간에 따른 가변 변수 데이터를 예측 모델에 실시간으로 적용하여, 혈액 투석 중에 매 시간 별로 현재로부터 설정 시간 경과 후의 SBP, ㅿSBP, ㅿMAP 값을 예측하여 도출한다(S540).
이후, 판단부(150)는 예측된 값들을 각각의 임계값과 비교하여 투석 중 저혈압 가능성 여부 실시간 판단한다(S550). 그리고 출력부(160)는 혈압 파라미터 예측 결과 및 이에 기반한 투석 중 혈압 저하증 가능성 판단 결과를 디스플레이 등을 통하여 출력할 수 있다(S560).
다음은 예측 모델 생성에 사용된 머신 러닝 알고리즘의 종류에 따른 예측 성능을 비교한 결과를 설명한다.
도 6은 사용된 알고리즘 별 성능 결과를 비교한 도면이다. 도 6에서 IDH-1, IDH-2, IDH-3은 각각 SBP, ㅿSBP, ㅿMBP 값에 대한 성능 결과로서, 모든 경우에 있어서 RNN 알고리즘을 이용하여 예측 모델을 구성한 경우가 가장 우수한 성능을 나타내었다.
이상과 같은 본 발명에 따르면, 인공 지능을 기반으로 혈액 투석 중 발생할 수 있는 환자의 저혈압 가능성을 사전 예측하여 알릴 수 있다. 이를 통해, 저혈압 발생 전에 환자에 대한 처치 및 평가가 가능해져 혈액 투석 중 저혈압을 예방할 수 있고 혈액 투석 환자의 예후를 증진시킬 수 있다.
특히, 본 발명의 경우 혈액 투석 중에 실시간 가변하는 환자의 생체 신호와 투석 조건을 RNN 인공 지능 모델을 통하여 실시간 분석하여, 환자의 혈액 투석 시작 시점부터 종료 시점까지 1시간 이내에 저혈압 발생 가능성을 실시간으로 예측하여 제공할 수 있고 혈액 투석 중 발생 가능한 응급 상황에 신속히 대처할 수 있도록 한다.
본 발명은 도면에 도시된 실시 예를 참고로 설명되었으나 이는 예시적인 것에 불과하며, 본 기술 분야의 통상의 지식을 가진 자라면 이로부터 다양한 변형 및 균등한 다른 실시 예가 가능하다는 점을 이해할 것이다. 따라서, 본 발명의 진정한 기술적 보호 범위는 첨부된 특허청구범위의 기술적 사상에 의하여 정해져야 할 것이다.
100: 투석 중 저혈압 예측 장치 110: 데이터 수집부
120: 모델 학습부 130: 데이터 획득부
140: 예측부 150: 판단부
160: 출력부
120: 모델 학습부 130: 데이터 획득부
140: 예측부 150: 판단부
160: 출력부
Claims (12)
- 복수의 환자 별로 해당 환자와 관련한 신체 정보와 동반 질환 정보를 포함한 고정 변수 데이터, 혈액 투석 중 시간별 관측된 혈압과 투석 조건을 포함한 가변 변수 데이터를 각각 수집하는 데이터 수집부;
상기 고정 변수 데이터 및 시간별 가변 변수 데이터를 입력 데이터로 하고, 각 시간별로 해당 시간에서 설정 시간 경과 후의 환자의 수축기 압력(SBP), 단위 시간당 SBP 변화량(ㅿSBP) 및 MAP 변화량(ㅿMAP)을 출력 데이터로 하여 예측 모델을 학습시키는 모델 학습부;
혈액 투석 중인 환자를 대상으로 상기 고정 변수 데이터와 현재 혈액 투석 중에 시간별 관측되는 가변 변수 데이터를 실시간 획득하는 데이터 획득부;
상기 고정 변수 데이터 및 시간별 관측되는 상기 가변 변수 데이터를 상기 예측 모델에 실시간으로 적용하여, 혈액 투석 중에 매 시간 별로 현재로부터 설정 시간 경과 후의 SBP, ㅿSBP, ㅿMAP 값을 예측하는 예측부; 및
매 시간 별로 예측된 SBP, ㅿSBP, ㅿMAP 값을 기 설정된 각각의 임계 값과 비교하여, 혈액 투석 중 저혈압 가능성 여부를 실시간 판단하되, 상기 예측된 SBP 값이 90 미만이거나 ㅿSBP 값이 20 이상이거나 ㅿMAP 값이 10 이상이면, 현재로부터 설정 시간 경과 후 환자의 저혈압 가능성이 있는 것으로 판단하는 판단부를 포함하며,
상기 가변 변수 데이터 중 상기 투석 조건은 혈류량, 초여과율 및 투석액 전해질 농도를 포함하고,
상기 예측 모델은 순환 신경망(RNN) 알고리즘을 통하여 학습되고,
상기 설정 시간은 혈액 투석 작업에 소요되는 총 투석 시간의 절반보다 작은 혈액 투석 중 저혈압 예측 장치. - 삭제
- 삭제
- 삭제
- 삭제
- 청구항 1에 있어서,
상기 고정 변수 데이터는 복용 약물 정보, 혈액 검사 정보, 환자의 저혈압 위험도 중 적어도 하나를 더 포함하는 혈액 투석 중 저혈압 예측 장치. - 청구항 1에 있어서,
상기 가변 변수 데이터는 혈액 투석 중에 시간별 관측되는 맥박, 체온 중 적어도 하나를 더 포함하는 혈액 투석 중 저혈압 예측 장치. - 혈액 투석 중 저혈압 예측 장치에 의해 수행되는 저혈압 예측 방법에 있어서,
복수의 환자 별로 해당 환자와 관련한 신체 정보와 동반 질환 정보를 포함한 고정 변수 데이터, 혈액 투석 중 시간별 관측된 혈압과 투석 조건을 포함한 가변 변수 데이터를 각각 수집하는 단계;
상기 고정 변수 데이터 및 시간별 가변 변수 데이터를 입력 데이터로 하고, 각 시간별로 해당 시간에서 설정 시간 경과 후의 환자의 수축기 혈압(SBP), 단위시간당 수축기 혈압 변화량(ㅿSBP) 및 평균동맥혈압 변화량(ㅿMAP)을 출력 데이터로 하여 예측 모델을 학습시키는 단계;
혈액 투석 중인 환자를 대상으로 상기 고정 변수 데이터와 현재 혈액 투석 중에 시간별 관측되는 가변 변수 데이터를 실시간 획득하는 단계;
상기 고정 변수 데이터 및 시간별 관측되는 상기 가변 변수 데이터를 상기 예측 모델에 실시간으로 적용하여, 혈액 투석 중에 매 시간 별로 현재로부터 설정 시간 경과 후의 SBP, ㅿSBP, ㅿMAP 값을 예측하는 단계; 및
매 시간 별로 예측된 SBP, ㅿSBP, ㅿMAP 값을 기 설정된 각각의 임계 값과 비교하여, 혈액 투석 중 저혈압 가능성 여부를 실시간 판단하되, 상기 예측된 SBP 값이 90 미만이거나 ㅿSBP 값이 20 이상이거나 ㅿMAP 값이 10 이상이면, 현재로부터 설정 시간 경과 후 환자의 저혈압 가능성이 있는 것으로 판단하는 단계를 포함하며,
상기 가변 변수 데이터 중 상기 투석 조건은 혈류량, 초여과율 및 투석액 전해질 농도를 포함하고,
상기 예측 모델은 순환 신경망(RNN) 알고리즘을 통하여 학습되고,
상기 설정 시간은 혈액 투석 작업에 소요되는 총 투석 시간의 절반보다 작은 혈액 투석 중 저혈압 예측 장치에 의해 수행되는 저혈압 예측 방법. - 삭제
- 삭제
- 삭제
- 청구항 8에 있어서,
상기 고정 변수 데이터는 복용 약물 정보, 혈액 검사 정보, 환자의 저혈압 위험도 중 적어도 하나를 더 포함하며,
상기 가변 변수 데이터는 혈액 투석 중에 시간별 관측되는 맥박, 체온 중 적어도 하나를 더 포함하는 혈액 투석 중 저혈압 예측 장치에 의해 수행되는 저혈압 예측 방법.
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020210056279A KR102541362B1 (ko) | 2021-04-30 | 2021-04-30 | 인공 지능을 이용한 혈액 투석 중 저혈압 예측 장치 및 그 방법 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020210056279A KR102541362B1 (ko) | 2021-04-30 | 2021-04-30 | 인공 지능을 이용한 혈액 투석 중 저혈압 예측 장치 및 그 방법 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| KR20220149093A KR20220149093A (ko) | 2022-11-08 |
| KR102541362B1 true KR102541362B1 (ko) | 2023-06-12 |
Family
ID=84041501
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020210056279A KR102541362B1 (ko) | 2021-04-30 | 2021-04-30 | 인공 지능을 이용한 혈액 투석 중 저혈압 예측 장치 및 그 방법 |
Country Status (1)
| Country | Link |
|---|---|
| KR (1) | KR102541362B1 (ko) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116682552B (zh) * | 2023-08-01 | 2023-10-24 | 首都医科大学附属北京安贞医院 | 多时间跨度数据的强解释特征血液透析低血压预测方法 |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR101720823B1 (ko) * | 2009-12-28 | 2017-03-28 | 감브로 룬디아 아베 | 급속 증후성 혈압 감소의 예측을 위한 장치 및 방법 |
| KR102269321B1 (ko) * | 2019-06-18 | 2021-06-25 | 순천향대학교 산학협력단 | 심박변이도로 투석 중 저혈압을 예측하는 방법 |
-
2021
- 2021-04-30 KR KR1020210056279A patent/KR102541362B1/ko active IP Right Grant
Non-Patent Citations (2)
| Title |
|---|
| Juan A. Gómez-Pulido et. al., Predicting the Appearance of Hypotension during Hemodialysis Sessions Using Machine Learning Classifiers, Int. J. Environ. Res. Public Health, 18, 2364 (2021.02.28.)* |
| 이지현 et. al., 머신러닝 기법을 활용한 주술기 저혈압 발생 환자 예측, 한국컴퓨터정보학회 동계학술대회 논문집 제27권 제1호 (2019.01.31.)* |
Also Published As
| Publication number | Publication date |
|---|---|
| KR20220149093A (ko) | 2022-11-08 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| JP6684302B2 (ja) | 心肺機能不全に対する易罹患性（ｓｕｓｃｅｐｔｉｂｉｌｉｔｙ）を判断する装置を制御する方法、コンピュータ読取可能記憶媒体 | |
| CN108778097B (zh) | 用于评估心力衰竭的装置和方法 | |
| US11382571B2 (en) | Noninvasive predictive and/or estimative blood pressure monitoring | |
| US20160038043A1 (en) | Assessing Effectiveness of CPR | |
| JP2018524137A (ja) | 心理状態を評価するための方法およびシステム | |
| JP2008546117A (ja) | 疾患予後の動的定量のためのシステムおよび方法 | |
| US20170011177A1 (en) | Automated healthcare integration system | |
| US20160070880A1 (en) | Method and system for predicting continous cardiac output (cco) of a patient based on physiological data | |
| US10431343B2 (en) | System and method for interpreting patient risk score using the risk scores and medical events from existing and matching patients | |
| JP2018534697A (ja) | 個人化された予測モデルに基づいて健康モニタリングを容易化するシステム及び方法 | |
| Mohammed et al. | A Novel Predictive Analysis to Identify the Weather Impacts for Congenital Heart Disease Using Reinforcement Learning | |
| KR102541362B1 (ko) | 인공 지능을 이용한 혈액 투석 중 저혈압 예측 장치 및 그 방법 | |
| JP2024513618A (ja) | 感染症及び敗血症の個別化された予測のための方法及びシステム | |
| Panagiotou et al. | A multi: modal decision making system for an ambient assisted living environment | |
| JP2022538417A (ja) | 生理学的状態の検出のためのイベント駆動型スパイキング・ニューラル・ネットワーク・システム | |
| Khan et al. | Severe analysis of cardiac disease detection using the wearable device by artificial intelligence | |
| US11810652B1 (en) | Computer decision support for determining surgery candidacy in stage four chronic kidney disease | |
| Saranya et al. | Design of IoT Enabled Cloud Assisted Health Monitoring System for Covid-19 Patients | |
| WO2011021163A1 (en) | Medication and/or treatment regimen compliance | |
| Rao et al. | Machine Learning Based Cardiovascular Disease Prediction | |
| JP2021532445A (ja) | 臨床アセスメントへのコンテキストデータの組み込み | |
| KR102511516B1 (ko) | 인공지능을 이용한 ct 조영제 유발 신독성 예측 장치 및 그 방법 | |
| Kumar et al. | Proactive health monitoring and screening using IoT and Artificial Intelligence | |
| EP4123662A1 (en) | Monitoring subjects after discharge | |
| US20230215579A1 (en) | System and method to combine multiple predictive outputs to predict comprehensive aki risk |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| E902 | Notification of reason for refusal | ||
| E701 | Decision to grant or registration of patent right |