KR102555944B1 - 인공지능 기반 보건의료 데이터의 거래 가격 추정 장치 및 방법 - Google Patents

Abstract

인공지능 기반 보건의료 데이터의 거래 가격 추정 장치 및 방법이 제공된다. 상기 방법은, 보건의료 데이터(이하, 데이터)의 제1 가격을 산출하는 단계, 상기 데이터의 제2 가격을 산출하는 단계, 및 상기 제1 가격 및 상기 제2 가격 중 적어도 하나를 이용하여, 기 설정된 주기 별로 각 주기가 시작되는 시점에 상기 데이터의 거래 가격을 추정하는 단계를 포함하고, 상기 제1 가격은 최초 주기가 시작되는 시점에 산출되어 고정되고, 상기 제2 가격은 최초 주기 이후의 주기 별로 각 주기가 시작되는 시점에 산출되어 주기 마다 변경되며, 상기 제1 가격 산출 단계는, 상기 데이터의 크기와 관련된 가치, 상기 데이터의 품질과 관련된 가치 및 상기 데이터의 타분야 연결 정도와 관련된 가치를 근거로 상기 제1 가격을 산출하고, 상기 제2 가격 산출 단계는, 이전 주기 동안 상기 데이터의 실거래 현황 수치를 근거로 상기 제2 가격을 산출한다.

Description

인공지능 기반 보건의료 데이터의 거래 가격 추정 장치 및 방법{APPARATUS AND METHOD FOR ESTIMATING TRANSACTION PRICE OF HEALTHCARE DATA BASED ON ARTIFICIAL INTELLIGENCE}

본 발명은 인공지능 기반 보건의료 데이터의 거래 가격 추정 장치 및 방법에 관한 것이다.

모바일 기술혁신 및 최근의 코로나 대유행 등을 거치면서 금융, 산업 및 의료 등 빅데이터 산업의 발전을 위한 논의가 확산되고 있다. 이와 관련하여 전세계적으로 의료 및 보건 분야의 빅데이터에 대한 활용 방안 등에 대한 논의가 점차 활성화되고 있다.

한편, 현재 우리나라에서 빅데이터의 활용과 관련한 데이터 거래 플랫폼에서의 논의는 금융 분야를 중심으로 초기 단계이며 특히 보건의료 데이터에 대한 거래 플랫폼 그리고 이와 연관된 적절한 거래 가격 산정에 대한 논의는 거의 찾아볼 수 없는 실정이다.

따라서, 보건의료 데이터 플랫폼에서 적용될 수 있는 합리적인 거래 가격 추정 알고리즘에 대한 제안이 필요하다.

대한민국 등록특허공보 제10-1611013호, 2016.04.04

상술한 바와 같은 문제점을 해결하기 위한 본 발명은 인공지능 기반 보건의료 데이터의 거래 가격 추정 장치 및 방법을 제공하는 것을 그 목적으로 한다.

본 발명이 해결하고자 하는 과제들은 이상에서 언급된 과제로 제한되지 않으며, 언급되지 않은 또 다른 과제들은 아래의 기재로부터 통상의 기술자에게 명확하게 이해될 수 있을 것이다.

상술한 과제를 해결하기 위한 본 발명의 일 면에 따른 인공지능 기반 보건의료 데이터의 거래 가격 추정 방법은, 보건의료 데이터(이하, 데이터)의 제1 가격을 산출하는 단계, 상기 데이터의 제2 가격을 산출하는 단계, 및 상기 제1 가격 및 상기 제2 가격 중 적어도 하나를 이용하여, 기 설정된 주기 별로 각 주기가 시작되는 시점에 상기 데이터의 거래 가격을 추정하는 단계를 포함하고, 상기 제1 가격은 최초 주기가 시작되는 시점에 산출되어 고정되고, 상기 제2 가격은 최초 주기 이후의 주기 별로 각 주기가 시작되는 시점에 산출되어 주기 마다 변경되며, 상기 제1 가격 산출 단계는, 상기 데이터의 크기와 관련된 가치, 상기 데이터의 품질과 관련된 가치 및 상기 데이터의 타분야 연결 정도와 관련된 가치를 근거로 상기 제1 가격을 산출하고, 상기 제2 가격 산출 단계는, 이전 주기 동안 상기 데이터의 실거래 현황 수치를 근거로 상기 제2 가격을 산출한다.

본 발명에서, 상기 데이터의 품질과 관련된 가치는, 상기 데이터의 식별정보 항목, 속성정보 항목 및 시간정보 항목 별 가치에 기초하여 산출될 수 있다.

본 발명에서, 상기 식별정보 항목에 대한 가치는, 상기 데이터의 식별정보의 집합 단위에 따라 상이하게 부여되는 가중치에 기초하여 산출될 수 있다.

본 발명에서, 상기 속성정보 항목에 대한 가치는, 상기 데이터의 속성정보의 종류에 따라 상이하게 부여되는 가중치에 기초하여 산출될 수 있다.

본 발명에서, 상기 시간정보 항목에 대한 가치는, 상기 데이터의 시간정보의 고려요소에 따른 가중치 또는 패널티에 기초하여 산출될 수 있다.

본 발명에서, 상기 데이터의 타분야 연결 정도와 관련된 가치는, 복수의 타분야 데이터에 기초하여 구축된 키워드 풀(pool)과, 상기 데이터에 포함된 복수의 키워드의 합치율에 기초하여 산출될 수 있다.

본 발명에서, 상기 데이터의 실거래 현황 수치는, 상기 데이터에 대한 조회 수, 다운로드 횟수 및 구매 횟수에 따른 가중치 또는 패널티에 기초하여 산출될 수 있다.

본 발명에서, 상기 데이터의 거래 가격을 추정하는 단계는, 현재 주기에서 상기 제2 가격에 따른 거래 가격의 변동이, 상기 제1 가격의 기 설정된 범위 내에서 이루어지도록 할 수 있다.

상술한 과제를 해결하기 위한 본 발명의 다른 면에 따른 인공지능 기반 보건의료 데이터의 거래 가격 추정 장치는, 통신부, 보건의료 데이터(이하, 데이터)의 거래 가격을 추정하기 위한 적어도 하나의 프로그램을 구비한 메모리, 및 상기 데이터의 제1 가격을 산출하고, 상기 데이터의 제2 가격을 산출하고, 상기 제1 가격 및 상기 제2 가격 중 적어도 하나를 이용하여, 기 설정된 주기 별로 각 주기가 시작되는 시점에 상기 데이터의 거래 가격을 추정하는 제어부를 포함하고, 상기 제1 가격은 최초 주기가 시작되는 시점에 산출되어 고정되고, 상기 제2 가격은 최초 주기 이후의 주기 별로 각 주기가 시작되는 시점에 산출되어 주기 마다 변경되며, 상기 제어부는, 상기 데이터의 크기와 관련된 가치, 상기 데이터의 품질과 관련된 가치 및 상기 데이터의 타분야 연결 정도와 관련된 가치를 근거로 상기 제1 가격을 산출하고, 이전 주기 동안 상기 데이터의 실거래 현황 수치를 근거로 상기 제2 가격을 산출한다.

이 외에도, 본 발명을 구현하기 위한 다른 방법, 다른 장치, 다른 시스템 및 상기 방법을 실행하기 위한 컴퓨터 프로그램을 기록하는 컴퓨터 판독 가능한 기록 매체가 더 제공될 수 있다.

상기와 같은 본 발명에 따르면, 보건의료 데이터에 대한 쌍방향 거래에 적용될 수 있는 거래 가격을 합리적으로 추정할 수 있다.

즉, 기초 가격을 통해 보건의료 데이터의 질적 가치를 반영하고, 동태 가격을 통해 보건의료 데이터에 대한 수요층의 선호 가치를 반영하여 공급 측면과 수요 측면을 모두 고려함으로써, 보건의료 데이터에 대한 합리적인 거래 가격을 추정할 수가 있다.

또한, 새로운 달이 시작되는 시점에, 지난 한 달 동안의 보건의료 데이터의 다운로드 횟수 등을 기초로 동태 가격을 결정하고, 해당 동태 가격을 반영하여 새로운 달의 거래 가격을 업데이트하고, 새로운 한 달 동안 업데이트된 거래 가격을 적용할 수 있다.

이로써, 보건의료 데이터의 거래 가격이 최초에 결정된 가격으로 고정되는 것이 아니라, 보건의료 데이터에 대해서 실시간으로 변화하는 실거래 현황을 반영하여 거래 가격을 주기적으로 변경함으로써, 공급자와 수요자 모두에게 합리적인 거래 가격을 제안할 수 있다.

본 발명의 효과들은 이상에서 언급된 효과로 제한되지 않으며, 언급되지 않은 또 다른 효과들은 아래의 기재로부터 통상의 기술자에게 명확하게 이해될 수 있을 것이다.

도 1은 본 발명에 따른 인공지능 기반 보건의료 데이터의 거래 가격 추정 시스템에 대해 개략적으로 나타낸 도면이다.
도 2는 본 발명에 따른 인공지능 기반 보건의료 데이터의 거래 가격 추정 장치의 블록도이다.
도 3은 본 발명에 따른 인공지능 기반 보건의료 데이터의 거래 가격 추정 방법의 순서도이다.
도 4은 본 발명에 따른 제1 가격을 설명하기 위한 예시도이다.
도 5는 본 발명에 따른 제2 가격을 설명하기 위한 예시도이다.
도 6는 본 발명에 따른 거래 가격을 설명하기 위한 예시도이다.
도 7은 본 발명에 따른 인공지능 기반 보건의료 데이터의 거래 가격 추정 알고리즘을 나타낸 도면이다.

본 발명의 이점 및 특징, 그리고 그것들을 달성하는 방법은 첨부되는 도면과 함께 상세하게 후술되어 있는 실시예들을 참조하면 명확해질 것이다. 그러나, 본 발명은 이하에서 개시되는 실시예들에 제한되는 것이 아니라 서로 다른 다양한 형태로 구현될 수 있으며, 단지 본 실시예들은 본 발명의 개시가 완전하도록 하고, 본 발명이 속하는 기술 분야의 통상의 기술자에게 본 발명의 범주를 완전하게 알려주기 위해 제공되는 것이며, 본 발명은 청구항의 범주에 의해 정의될 뿐이다.

본 명세서에서 사용된 용어는 실시예들을 설명하기 위한 것이며 본 발명을 제한하고자 하는 것은 아니다. 본 명세서에서, 단수형은 문구에서 특별히 언급하지 않는 한 복수형도 포함한다. 명세서에서 사용되는 "포함한다(comprises)" 및/또는 "포함하는(comprising)"은 언급된 구성요소 외에 하나 이상의 다른 구성요소의 존재 또는 추가를 배제하지 않는다. 명세서 전체에 걸쳐 동일한 도면 부호는 동일한 구성 요소를 지칭하며, "및/또는"은 언급된 구성요소들의 각각 및 하나 이상의 모든 조합을 포함한다. 비록 "제1", "제2" 등이 다양한 구성요소들을 서술하기 위해서 사용되나, 이들 구성요소들은 이들 용어에 의해 제한되지 않음은 물론이다. 이들 용어들은 단지 하나의 구성요소를 다른 구성요소와 구별하기 위하여 사용하는 것이다. 따라서, 이하에서 언급되는 제1 구성요소는 본 발명의 기술적 사상 내에서 제2 구성요소일 수도 있음은 물론이다.

다른 정의가 없다면, 본 명세서에서 사용되는 모든 용어(기술 및 과학적 용어를 포함)는 본 발명이 속하는 기술분야의 통상의 기술자에게 공통적으로 이해될 수 있는 의미로 사용될 수 있을 것이다. 또한, 일반적으로 사용되는 사전에 정의되어 있는 용어들은 명백하게 특별히 정의되어 있지 않는 한 이상적으로 또는 과도하게 해석되지 않는다.

이하, 첨부된 도면을 참조하여 본 발명의 실시예를 상세하게 설명한다.

도 1은 본 발명에 따른 인공지능 기반 보건의료 데이터의 거래 가격 추정 시스템에 대해 개략적으로 나타낸 도면이다.

도 2는 본 발명에 따른 인공지능 기반 보건의료 데이터의 거래 가격 추정 장치의 블록도이다.

도 3은 본 발명에 따른 인공지능 기반 보건의료 데이터의 거래 가격 추정 방법의 순서도이다.

도 4은 본 발명에 따른 제1 가격을 설명하기 위한 예시도이다.

도 5는 본 발명에 따른 제2 가격을 설명하기 위한 예시도이다.

도 6는 본 발명에 따른 거래 가격을 설명하기 위한 예시도이다.

도 1을 참조하면, 본 발명의 인공지능 기반 보건의료 데이터의 거래 가격 추정 시스템(1)(이하, 시스템)은 인공지능 기반 보건의료 데이터의 거래 가격 추정 장치(10)(이하, 거래 가격 추정 장치), 사용자 단말기(20) 및 통신망(30)을 포함하여 구성될 수 있다.

본 발명에 따른 시스템(1)에서 발명의 주체는 서버장치 또는 컴퓨터장치가 적용 가능하며, 구체적으로는 거래 가격 추정 장치(10)가 수행 주체가 될 수 있다.

본 발명에 따른 시스템(1)은 데이터 거래 플랫폼에 거래 등록된 보건의료 데이터의 거래 가격을 추정하고, 추정된 거래 가격으로 보건의료 데이터의 거래를 수행할 수 있다. 구체적으로, 시스템(1)은 보건의료 데이터의 거래 가격을 기 설정된 주기 마다 업데이트하여, 주기 별로 상이한 가격으로 보건의료 데이터의 거래를 수행할 수 있다.

거래 가격 추정 장치(10)는 데이터 거래 플랫폼 서비스를 제공하는 개인, 업체 또는 회사가 운영하는 서버장치일 수 있다.

거래 가격 추정 장치(10)는 공급자로부터 보건의료 데이터를 획득하여 데이터 거래 플랫폼에 거래 등록할 수 있다.

거래 가격 추정 장치(10)는 거래 등록된 보건의료 데이터의 거래 가격을 추정할 수 있다.

이때, 거래 가격 추정 장치(10)는 인공지능 기반 학습 모델을 이용하여 보건의료 데이터의 거래 가격을 추정할 수 있다. 예를 들어, 거래 가격 추정 장치(10)는 인공지능 기반 학습 모델로 머신러닝(machine learning)을 이용할 수 있지만, 이에 제한되는 것은 아니다.

본 발명에 따라, 인공지능 기반 학습 모델은 수많은 보건의료 데이터에 관한 거래 등록 시점, 거래 가격, 거래 내역, 데이터 유형, 공급자 정보, 수요자 정보 등을 포함하는 다양한 정보에 대한 학습을 통해 구축될 수 있다.

거래 가격 추정 장치(10)는 추정된 거래 가격으로 수요자에게 보건의료 데이터를 제공할 수 있다.

도 2를 참조하면, 거래 가격 추정 장치(10)는 통신부(12), 메모리(14) 및 제어부(16)를 포함할 수 있으며, 각 구성요소를 통해 시스템(1)의 각 프로세스를 수행할 수 있다. 다만, 거래 가격 추정 장치(10)는 도 2에 도시된 구성요소보다 더 적은 수의 구성요소나 더 많은 구성요소를 포함할 수도 있다.

통신부(12)는 거래 가격 추정 장치(10)와 무선 통신 시스템 사이, 또는 거래 가격 추정 장치(10)와 사용자 단말기(20) 사이, 또는 거래 가격 추정 장치(10)와 외부 단말기(미도시) 사이의 무선통신을 가능하게 하는 하나 이상의 모듈을 포함할 수 있다. 또한, 상기 통신부(12)는 거래 가격 추정 장치(10)를 하나 이상의 네트워크에 연결하는 하나 이상의 모듈을 포함할 수 있다.

메모리(14)는 거래 가격 추정 장치(10)의 다양한 기능을 지원하는 데이터를 저장할 수 있다. 메모리(14)는 거래 가격 추정 장치(10)에서 구동되는 다수의 응용 프로그램(application program 또는 애플리케이션(application)), 거래 가격 추정 장치(10)의 동작을 위한 데이터들, 명령어들을 저장할 수 있다. 이러한 응용 프로그램 중 적어도 일부는, 거래 가격 추정 장치(10)의 기본적인 기능을 위하여 존재할 수 있다. 한편, 응용 프로그램은, 메모리(14)에 저장되고, 제어부(16)에 의하여 상기 거래 가격 추정 장치(10)의 동작(또는 기능)을 수행하도록 구동될 수 있다.

구체적으로, 메모리(14)는 보건의료 데이터의 거래 가격을 추정하기 위한 적어도 하나의 프로그램을 구비할 수 있다.

또한, 메모리(14)는 상기 인공지능 기반 학습 모델을 저장할 수 있다.

제어부(16)는 상기 응용 프로그램과 관련된 동작 외에도, 통상적으로 거래 가격 추정 장치(10)의 전반적인 동작을 제어할 수 있다. 제어부(16)는 위에서 살펴본 구성요소들을 통해 입력 또는 출력되는 신호, 데이터, 정보 등을 처리하거나 메모리(14)에 저장된 응용 프로그램을 구동함으로써, 적절한 정보 또는 기능을 제공 또는 처리할 수 있다.

또한, 제어부(16)는 메모리(14)에 저장된 응용 프로그램을 구동하기 위하여, 도 2과 함께 살펴본 구성요소들 중 적어도 일부를 제어할 수 있다. 나아가, 제어부(16)는 상기 응용 프로그램의 구동을 위하여, 거래 가격 추정 장치(10)에 포함된 구성요소들 중 적어도 둘 이상을 서로 조합하여 동작 시킬 수 있다.

본 발명에 따라, 제어부(16)는 보건의료 데이터의 거래 가격을 추정하기 위한 상기 프로그램을 이용하여 데이터 거래 플랫폼에 거래 등록된 보건의료 데이터의 거래 가격을 추정할 수 있다.

본 발명에 따라, 제어부(16)는 상기 인공지능 기반 학습 모델의 학습 결과에 기초하여 데이터 거래 플랫폼에 거래 등록된 보건의료 데이터의 거래 가격을 추정할 수 있다.

사용자 단말기(20)는 보건의료 데이터의 공급자 또는 수요자가 사용하는 휴대용 장치로서, 컴퓨터와 같은 정보처리수단이 적용될 수 있으며, 제어부와 같은 프로세서, 카메라와 같은 촬영 수단, 터치 스크린을 포함하는 입출력 수단을 포함하고, 통신 기능을 포함한 모든 장치를 의미할 수 있다. 즉, 스마트폰, 태블릿, PDA, 랩톱, 데스크톱, 서버 등과 같은 디바이스라면 무엇이든 적용이 가능하다.

공급자는 사용자 단말기(20)를 통해 상기 데이터 거래 플랫폼에 보건의료 데이터를 등록하여 판매할 수 있다.

수요자는 사용자 단말기(20)를 통해 상기 데이터 거래 플랫폼에서 자신이 원하는 정보를 포함하는 보건의료 데이터를 구매할 수 있다.

여기서, 보건의료 데이터는 건강보험, 의약품, 병원 및 의료 행위 등과 관련된 자료를 의미할 수 있다.

통신망(30)은 거래 가격 추정 장치(10), 사용자 단말기(20) 및 외부 단말기(미도시) 간의 다양한 정보를 송수신할 수 있다. 통신망(30)은 다양한 형태의 통신망이 이용될 수 있으며, 예컨대, WLAN(Wireless LAN), 와이파이(Wi-Fi), 와이브로(Wibro), 와이맥스(Wimax), HSDPA(High Speed Downlink Packet Access) 등의 무선 통신방식 또는 이더넷(Ethernet), xDSL(ADSL, VDSL), HFC(Hybrid Fiber Coax), FTTC(Fiber to The Curb), FTTH(Fiber To The Home) 등의 유선 통신방식이 이용될 수 있다.

한편, 통신망(30)은 상기에 제시된 통신방식에 한정되는 것은 아니며, 상술한 통신방식 이외에도 기타 널리 공지되었거나 향후 개발될 모든 형태의 통신 방식을 포함할 수 있다.

본 발명의 시스템(1)은, 공급자의 사용자 단말기(20)의 등록 요청에 따라 보건의료 데이터를 거래 등록하고, 거래 등록된 보건의료 데이터의 거래 가격을 추정하고, 수요자의 사용자 단말기(20)의 구매 요청에 따라, 수요자가 구매를 원하는 보건의료 데이터의 거래 가격으로 해당 데이터를 수요자에게 제공할 수 있다.

이하에서는 도 3 내지 도 6을 참조하여, 통신부(12), 메모리(14) 및 제어부(16)를 포함하는 거래 가격 추정 장치(10)가 데이터 거래 플랫폼에 거래 등록된 보건의료 데이터의 거래 가격을 기 설정된 주기 마다 추정하는 방법을 상세히 설명하도록 한다.

여기서, 주기는 단위 기간으로 설정될 수 있으며, 예를 들어, 한 달로 설정될 수 있다. 본 발명의 거래 가격은 보건의료 데이터가 거래 등록된 시점부터 한 달 간격으로 새롭게 결정될 수 있지만, 이에 제한되는 것은 아니다.

도 3을 참조하면, 거래 가격 추정 장치(10)의 제어부(16)는 보건의료 데이터의 제1 가격을 산출할 수 있다(S110).

본 발명에서, 제1 가격은 기초 가격(fundamental price; FP)을 의미하며, 최초 주기가 시작되는 시점에 산출되어 고정될 수 있다.

도 4를 참조하면, 제1 주기가 최초 주기로서, 최초 주기가 시작되는 시점은 보건의료 데이터가 거래 등록된 시점을 나타낼 수 있다.

즉, 보건의료 데이터의 제1 가격은 해당 데이터가 거래 등록된 시점에 한번 산출되어 고정되는 기본 가격으로서, 새로운 주기가 시작되어도 동일한 값으로 적용될 수 있다.

S110에서, 제어부(16)는 보건의료 데이터의 크기와 관련된 가치, 보건의료 데이터의 품질과 관련된 가치 및 보건의료 데이터의 타분야 연결 정도와 관련된 가치를 근거로 상기 제1 가격을 산출할 수 있다.

첫 번째, 보건의료 데이터의 크기와 관련된 가치는 시초 가치(beginning value; BV)를 의미하며, 데이터의 물리적 크기에 기초하여 결정될 수 있다.

구체적으로, 보건의료 데이터의 크기와 관련된 가치는 기 설정된 단위 크기당 수수료에 기초하여, 상기 데이터의 크기에 비례하도록 산출될 수 있다.

두 번째, 보건의료 데이터의 품질과 관련된 가치는 복잡도 가치(complexity value; CV)를 의미하며, 데이터의 복잡성과 중요도에 기초하여 결정될 수 있다.

구체적으로, 보건의료 데이터의 품질과 관련된 가치는 보건의료 데이터의 식별정보 항목, 속성정보 항목 및 시간정보 항목 별 가치에 기초하여 산출될 수 있다.

먼저, 식별정보 항목에 대한 가치는, 보건의료 데이터의 식별정보의 집합 단위에 따라 상이하게 부여되는 가중치에 기초하여 산출될 수 있다.

여기서, 식별정보의 집합 단위는 개인(person), 시군구(county), 광역시도(province), 전국(nationwide)로 분류될 수 있다. 집합 단위가 작을수록 높은 가중치가 부여될 수 있다. 예를 들어, 집합 단위가 개인 단위인 경우, 해당 데이터는 민감한 개인 정보를 다루기 때문에 식별정보를 가명 처리해야 하는 등의 가공이 필요하여 높은 가중치가 부여될 수 있다.

다음으로, 속성정보 항목에 대한 가치는, 보건의료 데이터의 속성정보의 종류에 따라 상이하게 부여되는 가중치에 기초하여 산출될 수 있다.

여기서, 속성정보의 종류는 5대 보험급여(benefit5), 기타 보험급여(benefit), 비급여(nonbenefit), 기타(others)로 분류될 수 있다. 속성정보의 종류가 실제 질병 유병률 및 관련 비용과 관련성이 밀접할수록 높은 가중치가 부여될 수 있다.

마지막으로, 시간정보 항목에 대한 가치는, 보건의료 데이터의 시간정보의 고려요소에 따른 가중치 또는 패널티에 기초하여 산출될 수 있다.

여기서, 시간정보의 고려요소는 데이터의 최신성 여부, 시계열 길이, 빈도로 분류될 수 있다. 최신성 여부의 경우, 보건의료 데이터에 최근 특정 기간 이내의 자료의 포함 여부에 따라 가중치 또는 패널티가 부여될 수 있다. 시계열 길이의 경우, 보건의료 데이터에 포함된 자료의 누적 기간이 길수록 높은 가중치가 부여될 수 있다. 빈도의 경우, 보건의료 데이터에 월 또는 분기 빈도의 자료가 포함된 비중에 따라 가중치가 부여될 수 있다.

즉, 보건의료 데이터의 품질과 관련된 가치는 상기 보건의료 데이터의 크기와 관련된 가치에, 해당 데이터의 질적인 가치(식별정보 항목에 대한 가치, 속성정보 항목에 대한 가치 및 시간정보 항목에 대한 가치)가 반영되어 산출될 수 있다.

세 번째, 보건의료 데이터의 타분야 연결 정도와 관련된 가치는 연결도 가치(networking value: NV)를 의미하며, 해당 데이터가 공학, 심리학, 사회과학 등 다른 분야의 데이터와 잘 연결될 수 있는지의 여부에 기초하여 결정될 수 있다.

구체적으로, 보건의료 데이터의 타분야 연결 정도와 관련된 가치는 복수의 타분야 데이터에 기초하여 구축된 키워드 풀(pool)과, 상기 보건의료 데이터에 포함된 복수의 키워드의 합치율에 기초하여 산출될 수 있다.

기 등록된 인문사회 분야의 데이터로부터 추출된 키워드와, 기 등록된 과학기술 분야의 데이터로부터 추출된 키워드와, 포털서비스 업체로부터 보건의료 관련 상위 검색어를 추출하여 키워드 풀을 구축할 수 있다. 이후, 보건의료 데이터로부터 추출된 키워드를 구축된 키워드 풀과 비교하여, 인문사회 분야별, 과학기술 분야별, 보건의료 분야별 합치율을 산출하여, 각 분야별 합치율에 따라 보건의료 데이터의 타분야 연결 정도와 관련된 가치를 산출할 수 있게 된다.

즉, 보건의료 데이터의 타분야 연결 정도와 관련된 가치는 상기 보건의료 데이터의 크기와 관련된 가치에, 해당 데이터가 가질 수 있는 연결성의 가치가 추가 반영되어 산출될 수 있다.

다시 도 3을 참조하면, 거래 가격 추정 장치(10)의 제어부(16)는 상기 데이터의 제2 가격을 산출할 수 있다(S120).

본 발명에서, 제2 가격은 동태 가격(dynamic price; DP)을 의미하며, 최초 주기 이후의 주기 별로 각 주기가 시작되는 시점에 산출되어 주기 마다 변경될 수 있다.

도 5를 참조하면, 최초 주기인 제1 주기가 지나고, 제2 주기가 시작되는 시점에 제2 가격이 산출되고, 이후 제2 주기가 지나고 제3 주기가 시작되는 시점에 제2 가격이 새롭게 산출되고, 이후 제3 주기가 지나고 제4 주기(미도시)가 시작되는 시점에 제2 가격이 다시 새롭게 산출될 수 있다.

즉, 보건의료 데이터의 제2 가격은 해당 데이터가 거래 등록된 이후에, 최초 주기를 제외한 주기가 시작되는 시점 마다 매번 새롭게 산출되는 변동 가격으로서, 최초 주기를 제외한 각 주기 마다 상이한 값으로 적용될 수 있다.

S120에서, 제어부(16)는 이전 주기 동안 보건의료 데이터의 실거래 현황 수치를 근거로 상기 제2 가격을 산출할 수 있다.

예를 들어, 제2 주기가 시작되는 시점에, 제1 주기 동안 보건의료 데이터의 실거래 현황 수치를 근거로 제2 주기에 반영될 제2 가격을 산출할 수 있다. 또한, 제3 주기가 시작되는 시점에, 제2 주기 동안 보건의료 데이터의 실거래 현황 수치를 근거로 제3 주기에 반영될 제2 가격을 산출할 수 있다. 이때, 제1 주기는 최초 주기로서, 이전 주기가 존재하지 않기 때문에 제2 가격을 산출할 수가 없다.

여기서, 데이터의 실거래 현황 수치는 보건의료 데이터에 대한 조회 수, 다운로드 횟수 및 구매 횟수에 따른 가중치 또는 패널티에 기초하여 산출될 수 있다.

먼저, 데이터 거래 플랫폼 상에 등록된 데이터 중, 이전 주기 동안 해당 보건의료 데이터에 대한 조회 수의 순위에 따라 가중치 또는 패널티가 부여될 수 있다.

또한, 데이터 거래 플랫폼 상에 등록된 데이터 중, 이전 주기 동안 해당 보건의료 데이터에 대한 메타데이터 다운로드 횟수의 순위에 따라 가중치 또는 패널티가 부여될 수 있다. 여기서, 메타데이터는 보건의료 데이터의 요약본일 수 있다.

또한, 데이터 거래 플랫폼 상에 등록된 데이터 중, 이전 주기 동안 해당 보건의료 데이터에 대한 구매 횟수의 순위에 따라 가중치 또는 패널티가 부여될 수 있다.

이렇게 조회 수, 다운로드 횟수 및 구매 횟수에 기초하여 산출된 이전 주기의 실거래 현황 수치를, 이전 주기의 거래 가격에 반영하여, 다음 주기의 제2 가격으로 산출할 수 있다.

다시 도 3을 참조하면, 거래 가격 추정 장치(10)의 제어부(16)는 상기 제1 가격 및 상기 제2 가격 중 적어도 하나를 이용하여, 기 설정된 주기 별로 각 주기가 시작되는 시점에 보건의료 데이터의 거래 가격을 추정할 수 있다(S130).

도 6을 참조하면, 최초 주기인 제1 주기가 시작되는 시점(거래 등록 시점)에는 제1 가격을 보건의료 데이터의 거래 가격으로 추정할 수 있다. 이는, 상술한 바와 같이 최초 주기가 시작하는 시점에는 제2 가격이 산출될 수 없기 때문이다.

이후, 제2 주기가 시작되는 시점에는 동일한 제1 가격과, 제1 주기의 실거래 현황 수치에 기초하여 산출된 제2 가격을 합하여, 제2 주기의 거래 가격을 추정할 수 있다.

이후, 제3 주기가 시작되는 시점에는 동일한 제1 가격과, 제2 주기의 실거래 현황 수치에 기초하여 산출된 제2 가격을 합하여, 제3 주기의 거래 가격을 추정할 수 있다.

즉, 각 주기의 거래 가격은 각 주기의 제2 가격에 따라 변동될 수 있다.

이때, 제어부(16)는 현재 주기에서 제2 가격에 따른 거래 가격의 변동이, 상기 제1 가격의 기 설정된 범위 내에서 이루어지도록 할 수 있다. 예를 들어, 기 설정된 범위가 ±5%인 경우, 제1 가격이 1,000원이라면 제2 가격에 따른 거래 가격의 변동은 최대 50원까지 상승하거나, 최대 50원까지 하락할 수 있다.

한편, 본 발명에 따라, 제어부(16)는 상기 인공지능 기반 학습 모델을 이용하여 보건의료 데이터의 거래 가격을 추정할 수 있다. 예를 들어, 거래 가격 추정 장치(10)는 인공지능 기반 학습 모델로 머신러닝(machine learning)을 이용할 수 있지만, 이에 제한되는 것은 아니다.

본 발명에 따라, 인공지능 기반 학습 모델은 수많은 보건의료 데이터에 관한 거래 등록 시점, 거래 가격, 거래 내역, 데이터 유형, 공급자 정보, 수요자 정보 등을 포함하는 다양한 정보에 대한 학습을 통해 구축될 수 있다.

구체적으로, 제어부(16)는 상기 학습 결과를 이용하여 보건의료 데이터의 거래 가격을 산출하기 위한 상기 가중치 또는 상기 패널티를 적절한 값으로 예측하고, 예측된 상기 가중치 또는 상기 패널티를 적용하여 상기 보건의료 데이터의 거래 가격을 합리적으로 추정할 수 있다.

이하에서는 도 7에 도시된 보건의료 데이터의 거래 가격을 추정하는 전체적인 인공지능 기반 알고리즘에 대한 설명을 통해 상기 도 3의 S110 내지 S130을 보다 상세히 설명하도록 한다.

도 7은 본 발명에 따른 인공지능 기반 보건의료 데이터의 거래 가격 추정 알고리즘을 나타낸 도면이다.

설명에 앞서, 상기 인공지능 기반 거래 가격 추정 알고리즘은 거래 가격 추정 장치(10)의 제어부(16)에 의해 수행될 수 있지만, 이에 제한되는 것은 아니다.

제어부(16)는 데이터 거래 플랫폼에 보건의료 데이터를 거래 등록할 수 있다(S710).

제어부(16)는 기초 가격(fundamental price; FP)을 추정할 수 있다(S720).

제어부(16)는 기초 가격(FP)(즉, 제1 가격) 산정에 대해서 분석할 수 있다. 기초 가격은 시초 가치, 복잡도 가치, 연결도 가치의 세 부분으로 구성될 수 있다. 아래에서는 각 가치의 산정 방안에 대해서 분석하도록 한다.

제어부(16)는 시초 가치(beginning value; BV)를 산출할 수 있다(S721).

우선 보건의료 데이터는 엑섹(Excel) 또는 텍스트(text) 파일 형태로 존재할 가능성이 크다. 보건의료 데이터의 기초 가격 산정을 위한 시초 가치(BV)는 해당 파일의 단순한 크기에 비례해서 산정하는 것이 합리적일 수 있다. 예를 들어, 국민건강보험관리공단 데이터의 경우 USB 이용시에는 1GB(giga byte) 당 10,000원의 수수료가 부과되는 것이 원칙으로 되어 있다. 따라서 해당 수수료를 참고해서 1GB=10,000원에 비례해서 시초 가치를 아래 [수학식 1]과 같이 적용할 수 있다.

예를 들어, 해당 보건의료 데이터의 크기가 4,150KB(kilo byte)라면 41,500원의 시초 가치가 부여될 수 있다.

제어부(16)는 복잡도 가치(complexity value; CV)를 산출할 수 있다(S722).

보건의료 데이터 기초 가격의 두 번째 요소인 복잡도 가치(CV)는 아래 [수학식 2]와 같이 보건의료 데이터의 복잡성과 중요도의 가치를 평가하는 것이다. 이는 상술한 시초 가치(BV)에 해당 데이터의 질적인 가치를 추정해서 반영하는 방식으로 이루어질 수 있다.

[수학식 2]에서

는 해당 보건의료 데이터의 식별정보 차원(identification information dimension), 속성정보 차원(material information 또는 depth dimension) 및 시간정보 차원(time information 또는 width dimension)의 항목을 각각 의미한다.

우선

은 식별정보의 집합 단위를 의미하며 각각 차등적인 가중치가 부여된다. 식별정보의 단위는 [수학식 3]에서와 같이 개인(person)/ 시군구(county)/광역시도(province)/ 전국(nationwide)의 네 단계로 분류된다.

여기서

는 전체 보건의료 데이터에서 각 해당 식별정보가 차지하는 비중을 의미한다. 따라서,

이 된다. 그리고 person, county, province 및 nation은 각각 개인, 시군구, 광역시도, 전국 단위의 자료에 부여되는 추가 가중치이다.

우선 개인 차원 정보의 경우에는 20%의 추가 가중치가 부여되었다. 그리고 시군구 단위로 자료가 구축되어 있다면 10%, 광역시도 단위의 경우 5%, 그리고 전국 단위에는 별도의 추가 가중치를 부여하지 않는다. 개인 단위의 자료가 있다면 이후 지역 및 상위의 집합 단위 자료는 비교적 쉽게 구축이 가능하기 때문이다.

예를 들어, 해당 보건의료 데이터의 모든 자료가 개인 정보로 구성되어 있다면 시초 가치에 20%의 추가 가중치(person=0.2)를 가산하는 방식으로 복잡도 가격이 설정된다. 식별정보가 사람이 아니라 개별 병원이나 의원의 경우는 시군구 단위에 준해서 추가 가치를 부여할 수 있다. 개인 정보만큼의 민감도는 아니지만, 광역시도 단위의 집합 정보에 비해서는 시군구별 비교 분석 등 보다 유용한 정보가 내재되어 있을 가능성이 있기 때문이다.

는 보건의료 데이터 속성정보의 차원을 의미하며 역시 각각 차등적인 가중치가 부여된다. 속성정보의 내용은 [수학식 4]에서와 같이 5대 보험급여(benefit5), 기타 보험급여(benefit), 비급여(nonbenefit) 및 기타(others)의 네 단계로 분류된다.

여기서

는 전체 데이터에서 각 해당 속성정보가 차지하는 비중을 의미한다. 따라서,

이 된다. 그리고 benefit5, benefit, nonbenefit 및 others은 각각 5대 보험급여 관련 항목, 기타 보험급여 관련 항목, 비급여 관련 항목 및 보건의료 외 항목 등으로 구성된다. 우선 5대 보험 급여 관련 항목은 국민건강보험 지급에서 암 질병 등 해당 비중이 큰 5개의 질병 사항을 의미할 수 있다. 그리고 기타 보험급여 관련 항목은 5대 보험급여 항목을 제외한 나머지 보험급여 항목을 의미할 수 있다. 비급여 관련 항목은 미용을 위한 성형 및 치과 시술 등 국민건강보험 보험급여에서 제외되어 있는 항목을 의미할 수 있다. 마지막으로 상기 네 가지 분류에 포함되지 않는 항목은 모두 기타 항목으로 분류할 수 있다. 즉, 국민의 실제 질병 유병률 및 관련 비용과 관련한 데이터 속성에 상대적으로 더 큰 추가 가치를 부여할 수 있다.

은 보건의료 데이터의 시간정보 차원을 의미한다. [수학식 5]에서 볼 수 있듯이, 첫째로는 자료의 최신성 여부(updated)에 따라서 가중치 또는 패널티를 받을 수 있다. 만약 최근 3년 기간 내의 자료가 포함된 경우에는 자료의 업데이트 여부로 추가 가치(10%)를 받을 수 있다. 하지만 3년 기간 내의 자료가 없는 경우에는 오히려 패널티(-5%)를 받을 수 있다. 그만큼 오래된 자료는 데이터로서의 시의성이 떨어질 수 있기 때문이다.

둘째, 보건의료 데이터의 시계열 길이(period)가 중요하다. 자료의 횡단면 정보(depth)는 상기 [수학시 4]의 속성 차원에서 이미 반영되었기 때문에 여기서는 시계열 차원(width)을 고려하여 [수학식 5]와 같이 반영한다. 즉, 1년 이내의 자료에 대해서는 추가 가중치가 없고 1년이 넘어가는 기간에 비례해서 추가 가중치가 주어질 수 있다.

자료의 시간정보 차원의 마지막 고려 요소는 해당 보건의료 데이터의 빈도(frequency)이다. 보건의료 데이터의 특성상 주로 연간 자료가 대다수를 차지하고 있으나 때에 따라서 월 또는 분기 빈도의 자료가 있을 수 있으며 이러한 자료 위주로 구성된 경우에는 10%의 추가 가중치를 부여받을 수 있다. 이는 월/분기 자료가 있으면 연 빈도의 자료 또한 비교적 손쉽게 구축할 수 있으며 월/분기 자료의 경우 다른 데이터베이스와의 결합 이용에도 보다 용이할 수 있기 때문이다.

제어부(16)는 연결도 가치(networking value: NV)를 산출할 수 있다(S723).

보건의료 데이터 기초 가격의 마지막 요소인 연결도 가치(NV)는 해당 보건의료 데이터가 공학, 심리학, 사회과학 등 다른 분야의 데이터와 잘 연결될 수 있는지 여부를 반영한 가치라고 할 수 있다. 상술한 시초 가치 및 복잡도 가치가 동일한 두 보건의료 데이터가 있더라도 하나의 데이터가 다른 연구 분야의 자료와 더욱 유연하게 연결될 수 있는 여지가 크다면 다른 데이터에 비해 더욱 높은 가치가 부여될 수 있다.

상술한 복잡도 가치(CV)에서 분석했던 자료의 속성 및 시간 정보에도 일정한 연결성에 대한 가치가 내재해 있다고 볼 수 있다. 즉, 암 등 질병의 중요도를 반영하여 의료급여 비중이 높은 경우 대체로 심리학 및 사회과학 등 다른 분야의 학술적 관심도 높아지고 이에 따라 해당 보건의료 데이터의 확장성도 높아질 개연성이 크기 때문이다. 본 발명에서는 이 외에도 보건의료 데이터가 가질 수 있는 연결성의 가치를 추가 반영하고자 하여 연결도 가치(NV)를 산출할 수 있다.

[수학식 6]을 참조하면, 연결도 가치(NV)는 세 가지의 검색 수요 경향을 반영하여 추정될 수 있다. 2020년 10월 기준으로 한국연구재단 등재 학술지 현황을 예로 들면, 인문사회 분야의 우수등재 학술지는 모두 40개 있으며 과학기술 분야의 우수등재 학술지는 모두 31개가 있다. 학술지에 지난 1년 동안 실린 모든 논문의 키워드를 모아서 키워드 풀을 구성할 수 있다. 중복되는 키워드를 정리하고 상위 약 70개의 검색어 목록을 도출할 수 있다. 그리고 포털서비스 업체로부터 지난 1년 동안 보건의료 관련 검색어 상위 30개를 도출해서 모두 100개의 키워드로 키워드 풀을 구축한다. 이때, 유사 및 중복되는 검색어는 하나로 취급하게 된다. 이렇게 구축한 키워드와 해당 보건의료 데이터의 속성값 키워드의 합치율을 검사해서 합치율에 비례한 적절한 추가 가치를 부여할 수 있다

한편, 해당 합치율은 인문사회 분야, 과학기술 및 보건의료 분야에 대해서 상이하게 적용할 수 있다. 예를 들어, 인문사회 분야의 키워드 합치율은 10%만 넘어도 10%의 추가 가중치를 부여하는 한편, 과학기술 및 보건의료 분야의 경우는 해당 합치율이 20%를 넘는 경우에만 10%의 추가 가중치를 부여할 수 있다.

정리하면, 기초 가격(FP)은 아래 [수학식 7]로 나타낼 수 있다. 보건의료 데이터 기초 가격(FP)은 시초 가치(BV), 복잡도 가치(CV) 및 연결도 가치(NV)로 구성될 수 있다. 즉, 시초 가치(BV)를 기초로 보건의료 데이터가 가질 수 있는 잠재적인 질적인 가치(복잡도 가치(CV)및 연결도 가치(NV))를 추정하여, 시초 가치(BV)에 합산함으로써, 기초 가격(FP)를 산출할 수 있다.

제어부(16)는 P_t-1의 존재 여부를 판단할 수 있다(S730).

여기서, P_t-1 이전 주기의 거래 가격(P)을 의미할 수 있다. 예를 들어, 한 달 단위로 주기가 설정된 경우, P_t-1는 이전 달의 거래 가격(P)일 수 있다.

제어부(16)는 P_t-1이 존재하는 경우 동태 가격 (dynamic price; DP)을 추정할 수 있다(S740).

동태 가격(DP)(즉, 제2 가격)은 보건의료 데이터의 기초 가격(FP)이 설정된 이후에, 데이터 거래 플랫폼을 통해서 실거래가 이루어지면서 시간이 지남에 따라 새롭게 변동될 수 있는 가격 요소를 의미할 수 있다.

제어부(16)는 기초 가격(FP)이 설정된 해당 보건의료 데이터에 대한 실시간 수요 강도 및 유사한 보건의료 자료의 공급 변동 등 시장의 수급 및 데이터 수요층의 선호 변화 등을 반영하여 동태 가격(DP)을 추정한다.

보건의료 데이터의 속성상 공급 측면보다는 수요 측면에서 표출된 실제 데이터 선호도가 동태 가격(DP) 변동을 주도할 가능성이 클 수 있다. 이에 따라 [수학식 8]에서와 같이 해당 보건의료 데이터에 대한 조회 수, 메타데이터 다운로드 횟수, 구매 횟수 등을 토대로 특정한 기간(예를 들어, 한 달) 간격으로 동태 가격(DP)을 추정할 수 있다.

[수학식 8]을 참조하면, 데이터 조회 수 및 메타데이터 다운로드 횟수에는 1%의 추가 가치를 부여하는 반면, 실제 데이터 구매 횟수에는 3%의 추가 가치가 부여될 수 있다. 또한, 한 달이라는 기간의 누적 기준으로 조회 수, 메타데이터 다운로드 횟수, 구매 횟수의 상대적인 분포에 따라서 인덱스 함수(D)의 값을 달리 적용하였다. 상위 25%, 중위 26~74%, 하위 25%로 각각 나누고 중위 50%의 분포에 대해서는 동태 가격(DP)의 변동이 발생하지 않도록 설정했으며 상위 25%에는 기초가격(FP)의 5% 이내에서 가격 상승을, 하위 25%에는 -5% 이내에서 가격 하락이 가능하도록 설정하였다. 한 달이라는 기간 변동 기간(즉, 주기)을 설정하고 또한 가격 변동을 상·하위 5%의 밴드 내로 정한 것은 조회 수, 메타데이터 다운로드 횟수 및 구매 횟수는 모두 양(+)의 상관관계가 높기 때문에 일시적으로 수요가 집중되는 경우 기초가격(FP)을 너무 크게 벗어나 거래 가격(P)이 결정될 위험을 낮추기 위함이다. 이와 함께 조회 수 및 메타데이터 다운로드 횟수는 경우에 따라서 조작의 위험성에도 노출될 가능성도 있기 때문에 기초 가격(FP)에 일정한 밴드 내에서 동태 가격(DP)이 변동하도록 고려하였다.

제어부(16)는 기초 가격(FP) 및 동태 가격(DP) 중 적어도 하나를 이용하여 거래 가격(P)를 추정할 수 있다(S750).

S730에서, P_t-1이 존재하지 않는 것으로 판단된 경우, 제어부(16)는 기초 가격(FP)을 거래 가격(P)으로 결정할 수 있다.

S730에서, P_t-1이 존재하는 것으로 판단된 경우, 제어부(16)는 기초 가격(FP)과 S740에서 추정된 동태 가격(DP)를 이용하여 거래 가격(P)을 결정할 수 있다.

즉, 보건의료 데이터가 거래에 최초 참여하게 된 경우에는 이전 주기의 거래 가격이 존재하지 않으므로, 해당 주기(예를 들어, 해당 월)에는 기초 가격(FP)을 기준으로 거래 가격(P)이 설정될 수 있다.

그리고, 한 달간의 거래 기간에 온전히 노출된 시점부터 동태 가격(DP)이 추정될 수 있다. 예를 들어, 월말 기준으로 동태 가격(DP)이 업데이트되면 이미 설정되어 있는 기초 가격(FP)에 해당 동태 가격(DP)이 합산되면서 다음 달의 거래 가격(P)에 반영된다. 그리고 월말에 다시 데이터 조회 및 실제 거래 분포에 따라서 동태 가격(DP)이 업데이트되면서 그다음 달 거래 가격(P)이 재설정될 수 있다.

상술한 바에 따르면, 보건의료 데이터의 거래 가격(P)은 아래 [수학식 9]와 같이 기초 가격(FP) 및 전기 말 동태 가격(DP)의 합으로 표현될 수 있다. 즉, 기초 가격(FP)은 데이터 거래 플랫폼 등록 시점(0 시점)에 결정이 되고 이후 전기(또는 전 달)의 거래량 등에 기초한 동태 가격(DP)이 변동하면서 그 다음 기(또는 다음 달)의 거래 가격(P)이 업데이트될 수 있다.

한편, 기초 가격(FP)은 세 가지 차원의 가치, 즉, 시초 가치(BV), 복잡도 가치(CV), 연결도 가치(NV)에 의해서 결정이 되며, 동태 가격(DP)은 해당 월의 조회 수, 요약자료 다운로드 횟수, 실제 구매 횟수 등의 상대적 분포에 의해서 결정될 수 있다. 이상의 거래 가격(P) 결정 과정은 하나의 알고리즘으로서 도 7과 같이 표현될 수 있다.

한편, 보건의료 데이터의 동태 가격(DP)을 나타낸 [수학식 8]에 따르면 보건의료 데이터의 가치가 하위 25%에 들어오고 이후 지속적으로 해당 데이터에 대한 수요가 줄어든다고 가정한다면 계속해서 하위 25%에 머물 가능성이 커질 수 있다. 이러한 경우 매월 지난달 거래 가격의 5% 정도씩 거래 가격(P)의 하락 현상이 발생할 수 있다.

따라서, 제어부(16)는 기 설정된 유료 기간(예를 들어, 5년, 7년, 10년)이 지나면 보건의료 데이터 공급자와의 사전 약정에 따라 해당 보건의료 데이터를 일괄적으로 무료로 전환할 수도 있다.

그러나, 보건의료 데이터가 법적 보존 연한에 따라 파기되어야 하는 중요 데이터를 포함한 경우, 유료 기간에 따라 무료로 전환되어야 하는 시점임에도 해당 보건의료 데이터는 무료로 전환되지 않을 수도 있다.

도 3 및 도 7은 각각 단계 S110 내지 단계 S130, 및 단계 S710 내지 S750을 순차적으로 실행하는 것으로 기재하고 있으나, 이는 본 실시예의 기술 사상을 예시적으로 설명한 것에 불과한 것으로서, 본 실시예가 속하는 기술분야에서 통상의 지식을 가진 자라면 본 실시예의 본질적인 특성에서 벗어나지 않는 범위에서 도 3 및 도 7에 기재된 순서를 변경하여 실행하거나 S110 내지 단계 S130, 및 단계 S710 내지 S750 중 하나 이상의 단계를 병렬적으로 실행하는 것으로 다양하게 수정 및 변형하여 적용 가능할 것이므로, 도 3 및 도 7은 시계열적인 순서로 한정되는 것은 아니다.

또한, 도 7의 S710 내지 S750에 대하여 설명한 내용은 도 3의 S110 내지 S130에 대하여 설명한 내용과 대응된다. 즉, 도 7의 S710 내지 S750은 도 3의 S110 내지 S130을 보다 자세하게 설명한 것이다.

이상에서 전술한 본 발명의 일 실시예에 따른 방법은, 하드웨어인 서버와 결합되어 실행되기 위해 프로그램(또는 어플리케이션)으로 구현되어 매체에 저장될 수 있다.

상기 전술한 프로그램은, 상기 컴퓨터가 프로그램을 읽어 들여 프로그램으로 구현된 상기 방법들을 실행시키기 위하여, 상기 컴퓨터의 프로세서(CPU)가 상기 컴퓨터의 장치 인터페이스를 통해 읽힐 수 있는 C, C++, JAVA, 기계어 등의 컴퓨터 언어로 코드화된 코드(Code)를 포함할 수 있다. 이러한 코드는 상기 방법들을 실행하는 필요한 기능들을 정의한 함수 등과 관련된 기능적인 코드(Functional Code)를 포함할 수 있고, 상기 기능들을 상기 컴퓨터의 프로세서가 소정의 절차대로 실행시키는데 필요한 실행 절차 관련 제어 코드를 포함할 수 있다. 또한, 이러한 코드는 상기 기능들을 상기 컴퓨터의 프로세서가 실행시키는데 필요한 추가 정보나 미디어가 상기 컴퓨터의 내부 또는 외부 메모리의 어느 위치(주소 번지)에서 참조되어야 하는지에 대한 메모리 참조관련 코드를 더 포함할 수 있다. 또한, 상기 컴퓨터의 프로세서가 상기 기능들을 실행시키기 위하여 원격(Remote)에 있는 어떠한 다른 컴퓨터나 서버 등과 통신이 필요한 경우, 코드는 상기 컴퓨터의 통신 모듈을 이용하여 원격에 있는 어떠한 다른 컴퓨터나 서버 등과 어떻게 통신해야 하는지, 통신 시 어떠한 정보나 미디어를 송수신해야 하는지 등에 대한 통신 관련 코드를 더 포함할 수 있다.

상기 저장되는 매체는, 레지스터, 캐쉬, 메모리 등과 같이 짧은 순간 동안 데이터를 저장하는 매체가 아니라 반영구적으로 데이터를 저장하며, 기기에 의해 판독(reading)이 가능한 매체를 의미한다. 구체적으로는, 상기 저장되는 매체의 예로는 ROM, RAM, CD-ROM, 자기 테이프, 플로피디스크, 광 데이터 저장장치 등이 있지만, 이에 제한되지 않는다. 즉, 상기 프로그램은 상기 컴퓨터가 접속할 수 있는 다양한 서버 상의 다양한 기록매체 또는 사용자의 상기 컴퓨터상의 다양한 기록매체에 저장될 수 있다. 또한, 상기 매체는 네트워크로 연결된 컴퓨터 시스템에 분산되어, 분산방식으로 컴퓨터가 읽을 수 있는 코드가 저장될 수 있다.

본 발명의 실시예와 관련하여 설명된 방법 또는 알고리즘의 단계들은 하드웨어로 직접 구현되거나, 하드웨어에 의해 실행되는 소프트웨어 모듈로 구현되거나, 또는 이들의 결합에 의해 구현될 수 있다. 소프트웨어 모듈은 RAM(Random Access Memory), ROM(Read Only Memory), EPROM(Erasable Programmable ROM), EEPROM(Electrically Erasable Programmable ROM), 플래시 메모리(Flash Memory), 하드 디스크, 착탈형 디스크, CD-ROM, 또는 본 발명이 속하는 기술 분야에서 잘 알려진 임의의 형태의 컴퓨터 판독가능 기록매체에 상주할 수도 있다.

이상, 첨부된 도면을 참조로 하여 본 발명의 실시예를 설명하였지만, 본 발명이 속하는 기술분야의 통상의 기술자는 본 발명이 그 기술적 사상이나 필수적인 특징을 변경하지 않고서 다른 구체적인 형태로 실시될 수 있다는 것을 이해할 수 있을 것이다. 그러므로, 이상에서 기술한 실시예들은 모든 면에서 예시적인 것이며, 제한적이 아닌 것으로 이해해야만 한다.

1: 시스템
10: 거래 가격 추정 장치
12: 통신부
14: 메모리
16: 제어부
20: 사용자 단말기
30: 통신망

Claims (10)

1. 컴퓨터에 의해 수행되는 방법에 있어서,
   보건의료 데이터(이하, 데이터)의 제1 가격을 산출하는 단계;
   상기 데이터의 제2 가격을 산출하는 단계; 및
   상기 제1 가격 및 상기 제2 가격 중 적어도 하나를 이용하여, 기 설정된 주기 별로 각 주기가 시작되는 시점에 상기 데이터의 거래 가격을 추정하는 단계;를 포함하고,
   상기 제1 가격은 최초 주기가 시작되는 시점에 산출되어 고정되고,
   상기 제2 가격은 최초 주기 이후의 주기 별로 각 주기가 시작되는 시점에 산출되어 주기 마다 변경되며,
   상기 제1 가격 산출 단계는,
   상기 데이터의 크기와 관련된 가치, 상기 데이터의 품질과 관련된 가치 및 상기 데이터의 타분야 연결 정도와 관련된 가치를 근거로 상기 제1 가격을 산출하고,
   상기 제2 가격 산출 단계는,
   이전 주기 동안 상기 데이터의 실거래 현황 수치를 근거로 상기 제2 가격을 산출하고,
   상기 데이터의 품질과 관련된 가치는,
   상기 데이터의 식별정보 항목, 속성정보 항목 및 시간정보 항목 별 가치에 기초하여 산출되고,
   상기 시간정보 항목에 대한 가치는,
   상기 데이터에 기 설정된 기간 이내의 자료가 포함된 경우, 기 구축된 학습 모델에 의해 예측된 가중치를 적용하여 산출되고, 상기 데이터에 상기 기간 이내의 자료가 포함되지 않은 경우, 상기 학습 모델에 의해 예측된 패널티를 적용하여 산출되고,
   상기 데이터의 거래 가격을 추정하는 단계는,
   현재 주기에서 상기 제2 가격에 따른 거래 가격의 변동이, 상기 제1 가격의 기 설정된 범위 내에서 이루어지도록 하는,
   인공지능 기반 보건의료 데이터의 거래 가격 추정 방법.
2. 제1 항에 있어서,
   상기 데이터의 크기와 관련된 가치는,
   기 설정된 단위 크기당 수수료에 기초하여, 상기 데이터의 크기에 비례하도록 산출되는,
   인공지능 기반 보건의료 데이터의 거래 가격 추정 방법.
3. 삭제
4. 제1 항에 있어서,
   상기 식별정보 항목에 대한 가치는,
   상기 데이터의 식별정보의 집합 단위에 따라 상이하게 부여되는 가중치에 기초하여 산출되는,
   인공지능 기반 보건의료 데이터의 거래 가격 추정 방법.
5. 제1 항에 있어서,
   상기 속성정보 항목에 대한 가치는,
   상기 데이터의 속성정보의 종류에 따라 상이하게 부여되는 가중치에 기초하여 산출되는,
   인공지능 기반 보건의료 데이터의 거래 가격 추정 방법.
6. 삭제
7. 제1 항에 있어서,
   상기 데이터의 타분야 연결 정도와 관련된 가치는,
   복수의 타분야 데이터에 기초하여 구축된 키워드 풀(pool)과, 상기 데이터에 포함된 복수의 키워드의 합치율에 기초하여 산출되는,
   인공지능 기반 보건의료 데이터의 거래 가격 추정 방법.
8. 제1 항에 있어서,
   상기 데이터의 실거래 현황 수치는,
   상기 데이터에 대한 조회 수, 다운로드 횟수 및 구매 횟수에 따른 가중치 또는 패널티에 기초하여 산출되는,
   인공지능 기반 보건의료 데이터의 거래 가격 추정 방법.
9. 삭제
10. 통신부;
    보건의료 데이터(이하, 데이터)의 거래 가격을 추정하기 위한 적어도 하나의 프로그램을 구비한 메모리; 및
    상기 데이터의 제1 가격을 산출하고,
    상기 데이터의 제2 가격을 산출하고,
    상기 제1 가격 및 상기 제2 가격 중 적어도 하나를 이용하여, 기 설정된 주기 별로 각 주기가 시작되는 시점에 상기 데이터의 거래 가격을 추정하는 제어부;를 포함하고,
    상기 제1 가격은 최초 주기가 시작되는 시점에 산출되어 고정되고,
    상기 제2 가격은 최초 주기 이후의 주기 별로 각 주기가 시작되는 시점에 산출되어 주기 마다 변경되며,
    상기 제어부는,
    상기 데이터의 크기와 관련된 가치, 상기 데이터의 품질과 관련된 가치 및 상기 데이터의 타분야 연결 정도와 관련된 가치를 근거로 상기 제1 가격을 산출하고,
    이전 주기 동안 상기 데이터의 실거래 현황 수치를 근거로 상기 제2 가격을 산출하고,
    상기 데이터의 품질과 관련된 가치는,
    상기 데이터의 식별정보 항목, 속성정보 항목 및 시간정보 항목 별 가치에 기초하여 산출되고,
    상기 시간정보 항목에 대한 가치는,
    상기 데이터에 기 설정된 기간 이내의 자료가 포함된 경우, 기 구축된 학습 모델에 의해 예측된 가중치를 적용하여 산출되고, 상기 데이터에 상기 기간 이내의 자료가 포함되지 않은 경우, 상기 학습 모델에 의해 예측된 패널티를 적용하여 산출되고,
    상기 제어부는,
    현재 주기에서 상기 제2 가격에 따른 거래 가격의 변동이, 상기 제1 가격의 기 설정된 범위 내에서 이루어지도록 하는,
    인공지능 기반 보건의료 데이터의 거래 가격 추정 장치.

Images