KR102558970B1 - 뇌동맥류 발병 위험도 예측 장치 및 방법 - Google Patents

Abstract

실시예들은 예측 장치에 의해 대상 환자에 대한 속성 변수 세트가 수신되면, 미리 학습된 예측 모델에 상기 대상 환자의 속성 변수 세트를 입력하여 상기 대상 환자에 대한 UIA 위험 확률을 산출하고, 그리고 상기 UIA 위험 확률에 기초한 예측 결과를 생성하도록 구성된 프로세서를 포함한 예측 장치 및 방법, 이에 기초한 건강 관리 정보 제공 장치 및 방법에 관한 것이다.

Description

뇌동맥류 발병 위험도 예측 장치 및 방법{DEVICE AND METHOD FOR PREDICTING INTRACRANIAL ANEURYSM RISK}

본 출원의 실시예들은 뇌동맥류의 발병 여부를 예측하는 기술에 관한 것으로서, 보다 상세하게는 기계학습된 예측 모델을 사용하여 대상 환자에 대한 뇌동맥류 발병 위험도를 산출함으로써 상기 대상 환자의 뇌동맥류 발병 여부를 예측하는 장치 및 방법, 이에 기초한 환자의 건강 관리 정보 제공 장치 및 방법에 관한 것이다.

뇌동맥류(IA)는 주로 대뇌 동맥에서 발생하는 뇌 혈관 질환으로 혈관의 병리학적 확장을 특징으로 가진다. 뇌동맥류 파열은 높은 확률로 사망 또는 중증 장애로 이어지는 출혈성 뇌졸중의 일종인 지주막하 출혈(SAH)을 유발한다. 최근 연구 결과에 따르면, 의료 검진 증가로 인해 파열되지 않은 뇌동맥류(UIA)의 발생률이 현저하게 증가하는 추세이다.

UIA에 대한 대부분의 연구는 파열되지 않은 UIA의 파열 위험에 초점을 맞추고 있으며, UIA 발병 위험에 초점을 맞춘 연구는 소수에 불과하다.

http://medifonews.com/news/article.html?no=129439, 인터넷 뉴스 (2017.06.26.))

본 발명의 실시예들에 따르면 비 침습적 건강 검진 데이터를 이용하여 파열되지 않은 UIA 의 위험도를 예측하는 장치 및 방법, 이에 기초한 환자의 건강 관리 정보 제공 장치 및 방법을 제공하고자 한다.

본 발명의 실시예들에서는, 프로세서; 및 메모리를 포함한 뇌동맥류 발병 위험도 예측 및/또는 이에 기초한 건강 관리 정보 제공 장치에 있어서, 상기 프로세서는, 상기 뇌동맥류 발병 위험도 예측 장치에 의해 대상 환자에 대한 속성 변수 세트가 수신되면, 상기 메모리에 저장된, 미리 학습된 예측 모델에 상기 대상 환자의 속성 변수 세트를 입력하여 상기 대상 환자에 대한 UIA(unruptured intracranial Aneurysm) 위험 확률을 산출하고, 그리고 상기 UIA 위험 확률에 기초한 예측 결과를 생성하도록 구성된 장치를 제공한다.

본 발명의 실시예들에서는 또한, 프로세서에 의해 수행되는, 뇌동맥류 발병 위험도 예측 및/또는 이에 기초한 건강 관리 정보 제공 방법에 있어서, 대상 환자에 대한 속성 변수 세트를 수신하는 단계; 상기 대상 환자에 대한 속성 변수 세트를 미리 학습된 예측 모델에 입력하여 상기 대상 환자에 대한 UIA(unruptured intracranial Aneurysm) 위험 확률을 산출하는 단계; 및 상기 UIA 위험 확률에 기초한 예측 결과를 생성하는 단계를 포함하는 방법을 제공한다.

예시적인 실시예들에서, 상기 UIA 위험 예측 확률을 낮추기 위하여 대상 환자에게 건강 관리 추천 정보를 제공하도록 할 수 있다.

본 발명의 일 측면에 따른 예측 장치 및 방법은 영상 검사를 시행하지 않은 결과(예컨대, 속성 변수 세트)를 사용하여 대상 환자의 UIA 위험도를 예측함으로써, 보다 높은 환자의 편의성을 가진다. 이는 UIA 미진단 환자에서의 진단 위험 예측에 매우 효과적이다.

또한, 상기 예측 장치 및 방법은 고위험군에서 UIA 발병 가능성이 높은 대상 환자를 보다 잘 예측할 수 있다.

또한, 본 발명의 다른 측면에 의하면 검진 기관으로부터 데이터를 전송 받아 그 위험도를 계산하고 위험도를 줄이도록 각각의 환자에게 추전 방안을 효과적으로 제공할 수 있다.

본 발명의 효과들은 이상에서 언급한 효과들로 제한되지 않으며, 언급되지 않은 또 다른 효과들은 청구범위의 기재로부터 당업자에게 명확하게 이해될 수 있을 것이다.

본 발명 또는 종래 기술의 실시예의 기술적 해결책을 보다 명확하게 설명하기 위해, 실시예에 대한 설명에서 필요한 도면이 아래에서 간단히 소개된다. 아래의 도면들은 본 명세서의 실시예를 설명하기 목적일 뿐 한정의 목적이 아니라는 것으로 이해되어야 한다. 또한, 설명의 명료성을 위해 아래의 도면들에서 과장, 생략 등 다양한 변형이 적용된 일부 요소들이 도시될 수 있다.
도 1은, 본 발명의 일 실시예에 따른, 예측 장치의 개념도이다.
도 2는, 본 발명의 일 실시예에 따른, 훈련 데이터 세트를 도시한 도면이다.
도 3은, 본 발명의 일 실시예에 따른, 하이퍼 파라미터에 따른 예측 모델의 성능을 도시한 도면이다.
도 4a 내지 도 4j는, 본 발명의 일 실시예에 따른, 예측 모델의 위험 점수와 수치형 변수 간의 상관관계를 도시한 도면이다.
도 5는, 본 발명의 일 실시예에 따른, 예측 방법의 흐름도이다.

여기서 사용되는 전문 용어는 단지 특정 실시예를 언급하기 위한 것이며, 본 발명을 한정하는 것을 의도하지 않는다. 여기서 사용되는 단수 형태들은 문구들이 이와 명백히 반대의 의미를 나타내지 않는 한 복수 형태들도 포함한다. 명세서에서 사용되는 "포함하는"의 의미는 특정 특성, 영역, 정수, 단계, 동작, 요소 및/또는 성분을 구체화하며, 다른 특성, 영역, 정수, 단계, 동작, 요소 및/또는 성분의 존재나 부가를 제외시키는 것은 아니다.

특별히 달리 정의되지 않는다면, 여기에 사용되는 기술용어 및 과학용어를 포함하는 모든 용어들은 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자가 일반적으로 이해하는 의미와 동일한 의미를 가진다. 보통 사용되는 사전에 정의된 용어들은 관련기술문헌과 현재 개시된 내용에 부합하는 의미를 가지는 것으로 추가 해석되고, 정의되지 않는 한 이상적이거나 매우 공식적인 의미로 해석되지 않는다.

본 명세서에서 뇌동맥류 발병 위험도 예측은 이에 기초한 건강 관리 정보 제공을 더 포함하는 것으로 지칭될 수 있다. 건강 관리 정보 제공은 건강 관리 추천 방안 제공을 포함한다.

이하에서, 도면을 참조하여 본 발명의 실시예들에 대하여 상세히 살펴본다.

도 1은, 본 발명의 일 실시예에 따른, 예측 장치의 개념도이다.

도 1을 참조하면, 상기 뇌동맥류 발병 위험도 예측 및/또는 이에 기초한 건강 관리 정보 장치(10)는 예측부(300)를 포함한다. 또한, 일부 실시예들에서, 상기 뇌동맥류 발병 위험도 예측 장치(10)는 학습부(100)를 더 포함할 수도 있다.

실시예들에 따른 상기 예측 장치(10)는 전적으로 하드웨어이거나, 전적으로 소프트웨어이거나, 또는 부분적으로 하드웨어이고 부분적으로 소프트웨어인 측면을 가질 수 있다. 예컨대, 장치는 데이터 처리 능력이 구비된 하드웨어 및 이를 구동시키기 위한 운용 소프트웨어를 통칭할 수 있다. 본 명세서에서 "부(unit)", “모듈(module)”“장치”, 또는 "시스템" 등의 용어는 하드웨어 및 해당 하드웨어에 의해 구동되는 소프트웨어의 조합을 지칭하는 것으로 의도된다. 예를 들어, 하드웨어는 CPU(Central Processing Unit), GPU(Graphic Processing Unit) 또는 다른 프로세서(processor)를 포함하는 데이터 처리 기기일 수 있다. 또한, 소프트웨어는 실행중인 프로세스, 객체(object), 실행파일(executable), 실행 스레드(thread of execution), 프로그램(program) 등을 지칭할 수 있다.

학습부(100)는 예측 모델을 학습하는 구성요소로서, 상기 학습부(100)는 훈련 데이터 세트를 사용하여 예측 모델을 생성한다.

예측 모델은 입력 환자의 속성 변수 세트가 입력되면, 상기 입력 환자에 대한 뇌동맥류 위험도를 예측하는 결과를 출력하도록 학습된다.

일 실시예에서, 상기 예측 모델은 확장 가능한 트리 부스팅 시스템(scalable tree boosting, XGB) 알고리즘에 기반하여 학습된 모델일 수도 있다. 이 경우, 예측 모델은 병렬적 트리 구조를 네트워크 구조로 가질 수도 있다.

상기 예측 모델의 네트워크 구조(즉, 트리)는 CART(Classification and regression trees)로 지칭되는 앙상블 모델을 사용하여 다수의 노드를 트리화한 형태로 구축된다. 이어서, XGB 알고리즘의 트리 부스팅을 통해 노드 가중치 값이 최적화된다.

리프 노드 하나에 대해서만 의사결정 값(decision value)을 갖는 의사결정 트리(decision tree)와 달리 XGB 알고리즘 기반 예측 모델의 트리는 모든 리프노드들이 해당 모델의 출력(즉, 최종 점수)에 연관된어 있다. 상기 예측 모델의 트리는 리프 노드에 대해 연속적인 값을 가지고 있으며, i번째 리프 노드의 값을 나타내기 위해 가중치(wi)가 사용된다. 입력 데이터 세트로부터 UIA 위험도를 산출하는데 사용되는 리프 노드를 선별하기 위해, 트리의 결정 규칙(decision rule)이 사용된다. 선별된 리프 노드의 값을 합산하여 최종 예측 동작이 수행되도록 상기 예측 모델 내 파라미터가 학습된다.

상기 훈련 데이터 세트는 하나 이상의 훈련 환자에 대한 속성 변수 세트로 이루어진다. 즉, 훈련 데이터 세트는 각 훈련 환자별로 서브세트화되며, 각 서브세트는 해당 훈련 훈련환자의 속성변수의 집합이다.

상기 속성 변수는 환자의 건강검진을 통해 획득되는 데이터로서, 건강검진 항목 중 적어도 일부를 포함할 수도 있다.

도 2는, 본 발명의 일 실시예에 따른, 훈련 데이터 세트를 도시한 도면이다.

도 2를 참조하면, 훈련 데이터 세트에 포함되는 상기 복수의 속성 변수는 연령, 성별, 키, 체중, 체질량지수, 허리둘레, 공복혈당, 혈압, 저밀도지단백콜레스테롤 농도, 고밀도지단백콜레스테롤 농도, 중성지방농도, 총 콜레스테롤 농도, 혈색소(헤모글로빈) 농도, 크레아티닌 농도, gamma-glutamyl ransferase (GGT) 농도, aspartate aminotransferase (AST)농도, alanine aminotransferase (ALT) 농도, 흡연상태 및 가족력 중 적어도 하나를 포함할 수도 있다.

상기 복수의 속성 변수 중 일부는 동일한 기간 내에 상대적으로 변하지 않는 고정형일 수도 있고, 나머지는 상대적으로 변하는 가변형일 수도 있다. 고정형 속성 변수는, 예를 들어, 연령, 성별, 키, 가족력 등일 수도 있다. 가변형 속성 변수는 체중, 체질량지수, 허리둘레, 공복혈당, 혈압, 저밀도지단백콜레스테롤 농도, 고밀도지단백콜레스테롤 농도, 중성지방농도, 총 콜레스테롤 농도, 혈색소(헤모글로빈) 농도, 크레아티닌 농도, gamma-glutamyl ransferase (GGT) 농도, aspartate aminotransferase (AST)농도, alanine aminotransferase (ALT) 농도, 흡연상태 등일 수도 있다.

상기 복수의 속성 변수 중 일부는 범주형 변수(categorical variables)일 수도 있다. 예를 들어, 상기 범주형 변수는 성별, 흡연상태, 가족력 유무 등을 포함할 수도 있다. 상기 흡연상태는 비흡연자, 금연자, 흡연자 범주를 나타내는 값을 가진다.

상기 복수의 속성 변수 중 다른 일부는 수치형 변수일 수도 있다. 상기 수치형 변수는 연속된 값으로 표현 가능한 속성 변수이다. 예를 들어, 상기 수치형 변수는 키, 체중, 체질량지수, 허리둘레, 공복혈당, 혈압, 저밀도지단백콜레스테롤 농도, 고밀도지단백콜레스테롤 농도, 중성지방농도, 총 콜레스테롤 농도, 혈색소(헤모글로빈) 농도, 크레아티닌 농도, gamma-glutamyl ransferase (GGT) 농도, aspartate aminotransferase (AST)농도, 및/또는 alanine aminotransferase (ALT) 농도를 포함할 수도 있다.

일부 실시예에서, 상기 속성 변수 세트는 훈련 환자를 건강 검진한 기기로부터 획득될 수도 있다. 또는, 다른 일부 실시예에서, 상기 속성 변수 세트는 훈련 환자를 포함한 다수의 환자의 건강검진 자료를 저장하는 데이터베이스로부터 획득될 수도 있다.

상기 데이터베이스는 건강 검진 결과를 포함한 건강검진 자료를 저장하는 데이터 소스이다. 상기 데이터베이스는 국민 건강 보헙 공단(NHIS)이 제공하는 국민 건강 보험 공단 국민 표본 코호트(NHIS-NSC)일 수도 있으나, 이에 제한되진 않는다.

이러한 훈련 환자별 속성 변수 세트를 포함한 훈련 데이터 세트를 사용하여, 상기 예측 모델이 입력 환자의 UIA 위험 확률을 산출하도록 예측 모델의 파라미터가 학습된다. 상기 예측 모델의 파라미터는 트리의 노드 가중치를 포함한다.

또한, 학습부(100)는 상기 예측 모델의 하이퍼 파라미터를 미리 지정할 수도 있다. 상기 하이퍼 파라미터는 학습률, 최대 깊이, 최소 자식 가중치(child weight), 및/또는 서브 샘플링을 포함할 수도 있다. 상기 하이퍼 파라미터는 동일한 훈련 데이터 세트를 사용하여 학습된 결과에 기초하여 지정될 수도 있다.

도 3은, 본 발명의 일 실시예에 따른, 하이퍼 파라미터에 따른 예측 모델의 성능을 도시한 도면이다.

도 3을 참조하면, 0.05 내지 1사이의 학습률(예컨대, 0.1, 0.5 또는 1), 4 내지 6 사이의 최대 깊이(예컨대, 4), 3 내지 6 사이의 최소 자식 가중치(예컨대, 4), 및/또는 50 내지 100% 사이의 서브 샘플링(예컨대, 50%, 80%, 또는 100%)의 하이퍼 파라미터가 지정될 수도 있다.

지정된 하이퍼 파라미터의 값에 따라, 상기 예측 모델은, AUROC의 값이 0.765와 같이 높은 성능을 가질 수도 있다.

이와 같이 학습된 예측 모듈은 대상 환자에 대한 UIA 위험 확률을 산출한다. 상기 UIA 위험 확률은 UIA 자체가 발병할 확률을 나타낸 것으로서, 혈관이 파열되는 확률을 나타낸 것과 구별된다.

예측부(300)는, 상기 뇌동맥류 발병 위험도 예측 및/또는 이에 기초한 건강 관리 정보 장치(10)가 대상 환자의 속성 변수 세트를 수신하면, (예컨대, 학습부(100)에 의해) 미리 학습된 예측 모델에 상기 대상 환자의 속성 변수 세트를 입력하여 상기 대상 환자에 대한 UIA 위험도를 나타낸 예측 결과를 생성할 수도 있다. 상기 UIA 위험도는 대상 환자에게 UIA가 발병할 위험 가능성이다.

상기 예측 결과는 예측 모델에 의해 산출된 위험 확률이거나, 상기 위험 확률을 점수화한 위험 점수이거나, 상기 위험 확률 또는 상기 위험 점수에 기초한 위험군일 수도 있다.

일 예시에서, 상기 예측부(300)는 상기 예측 모델에 의해 산출된, 상기 대상 환자에 대한 UIA 위험 확률에 기초하여 상기 대상 환자의 UIA 위험 점수를 산출하고, 그리고 상기 UIA 위험 점수에 기초하여 상기 대상 환자가 속하는 위험군을 결정할 수도 있다.

상기 위험군은 UIA 발병 가능성이 가장 낮은 제1 위험군(예컨대, Lowest-risk), 제1 위험군 보다 UIA 발병 가능성이 높으나 다른 위험군 대비 상대적으로 낮은 제2 위험군(예컨대, Lower-risk), UIA가 발병할 가능성과 UIA가 발병하지 않을 가능성이 유사한 제3 위험군(예컨대, mid-risk), UIA 발병 가능성이 매우 높진 않으나 다른 위험군 대비 상대적으로 높은 제4 위험군(예컨대, Higher-risk), 및/또는 UIA 발병 가능성이 가장 높은 제5 위험군(예컨대, Highest-risk)을 포함할 수도 있다.

일부 실시예에서, 상기 위험 점수는 위험 확률을 미리 지정된 범위의 값으로 스케일링하여 점수화한 것일 수도 있다. 예를 들어, 상기 범위의 하한 값은 0으로서 0%의 위험 확률에 대응하고, 상기 범위의 상한 값은 1로서 100%의 위험 확률에 대응한다.

도 4a 내지 도 4j는, 본 발명의 일 실시예에 따른, 예측 모델의 위험 점수와 수치형 변수 간의 상관관계를 도시한 도면이다.

도 4를 참조하면, 남녀 모두에 대해 연령은 위험 점수와 강한 양의 상관관계를 보인다. 반대로 BMI와 위험 점수 사이의 관계는 성별에 대한 의존성을 가진다.

허리 둘레, SBP, DBP와 위험 점수 사이의 관계는 남녀 모두에 대해 양의 상관관계를 가지나, 여성에 대해 보다 강한 양의 상관관계를 가진다. 남녀 모두에 대해 공복 혈당은 유사한 양의 상관관계를 가진다.

상기 예측 모델에 따르면, 헤모글로빈, 크레아티닌, 간 기능 검사, 가족력 등의 속성 변수의 중요성은 상대적으로 낮다. 고혈압의 속성 변수는 상대적으로 중요하고(상대적 중요도 = 0.32 ± 0.14), 당뇨병, 흡연상태는 UIA 발병 위험도를 평가하기 위한 중요성이 상대적으로 낮다.

또한, 예측부(300)는 입력 값을 변조하여 예측된 위험도(예컨대, 위험 확률 또는 위험 점수)의 변동을 산출하고, 이를 제공하도록 더 구성될 수도 있다. 이를 위해, 상기 예측부(300)는 예측된 위험도에 대한 기여도가 상대적으로 큰 적어도 하나의 속성 변수를 선택하고, 상기 속성 변수의 값을 조절하여 상기 대상 환자의 위험도의 변동을 산출할 수도 있다. 예측부(300)는 상기 대상 환자의 위혐도 변동 산출 결과를 포함한 보고서를 생성할 수도 있다. 상기 보고서는 상기 대상 환자의 입력 값에 따른 입력 시점에서 대상 환자가 UIA를 가질 예측 결과, 입력 값을 변조하여 계산된 UIA 위험도 변동 결과, 및/또는 아래에서 서술할 건강관리 안내를 포함할 수도 있다.

일 실시예예서, 상기 예측부(300)는 적어도 하나의 속성 변수에 대해서, 속성 변수 세트로부터 생성된 속성 변수의 조합을 변경하여 훈련 환자에 대한 UIA의 위험도를 예측하는 동작(예컨대, 예측 확률을 산출하는 동작)을 반복 수행함으로써 산출되는 변환 값을 산출할 수도 있다. 통상적으로 샤플리 값으로 지칭되는 이 변환 값은 샤플리 값은, 여러 요소가 서로 영향을 미치는 상황에서 서로가 어떤 의사 결정이나 행동을 하는지에 대하여 이론화한 게임 이론에 기초한 값으로서, 단일 독립 변수에 대한 종속 변수의 중요도를 알기 위해 여러 종속 변수들의 조합을 구성하고 해당 종속 변수의 유무에 따른 변화(예컨대, 평균적인 변화)를 통해 획득한 값이다. 즉, 샤플리 값은 종속 변수 세트로부터 생성 가능한 모든 조합으로부터 독립 변수에 대한 단일 종속 변수의 기여도를 종합한 값으로 취급된다.

원시 값을 샤플리 값으로 변환하면, 해당 속성 변수의 차원을 유지하면서 수치할 수도 있다. 예를 들어, 일반적으로 범주형 변수는 상기 범주형 변수를 더미 변수로 변환하여 차원을 확대시켜 수치화한다. 예를 들어, 원-핫 인코딩과 같은 더미화 기법이 사용된다.

반면, 상기 속성 변수 세트 중에서 범주형 변수를 샤플리 값으로 변환하면, 0과 1의 값으로 사용하여 범주형 변수를 표현하는 더미화와 달리, 범주형 변수들이 보다 의미 있는 값으로 변환될 수도 있다. 예를 들어, 샤플리 값으로 변환할 경우, 차원을 유지하면서, 그 값 또한 특정 분포를 갖는 값으로 변환된다. 또한, 상기 속성 변수 세트 중에서 수치형 변수도 샤플리 값으로 변환될 수도 있다.

샤플리 값이 클수록 조합으로부터 예측 모델의 독립 변수(즉, 예측 확률)에 대한 단일 종속 변수로서 해당 속성 변수의 기여도가 크다는 것을 의미한다. 예측부(300)는 위험도 변동을 보고하기 위해, 상대적으로 큰 샤플리 값을 갖는 일부 속성 변수를 선택할 수도 있다.

여기서, 상대적으로 큰 샤플리 값을 갖는지 여부는 미리 지정된 임계치 또는 샤플리 값의 분포에 기초하여 결정된다. 그러면, 상기 상대적으로 큰 샤플리 값을 갖는 일부 속성 변수는 가장 높은 순위(즉, 가장 큰 샤플리 값), 또는 가장 높은 순위로부터 소정 범위 내 순위를 갖는 속성 변수를 포함한다.

다른 일 실시예에서, 상기 예측부(300)는 입력된 속성 변수 세트로부터 산출된 예측 확률을 기준으로, 상기 속성 변수 세트 내 모든 속성 변수의 값 또는 일부 속성 변수의 값을 변화시켜 예측 확률이 변하는지 계산할 수도 있다. 그러면, 예측부(300)는 상대적으로 큰 예측 확률의 변동을 야기하는 적어도 하나의 속성 변수를 선택할 수도 있다. 이를 위하여 상기 예측부(300)는, 예를 들어 희박한 지역 선형 모델(sparse local linear model) 기법을 사용하여 예측 확률의 변동을 계산할 수도 있으나, 이에 제한되진 않는다.

희박한 지역 선형 모델은 상기 속성 변수 세트에서 예측된 확률을 중심으로 속성 변수 세트의 전부 혹은 일부의 값을 변화시킬 때 확률이 어떻게 변하는지 계산하는 기법이다. 예측부(300)는 희박한 지역 선형 모델 기법에 의해 예측 확률에 상대적으로 큰 기여도를 미치는 적어도 하나의 속성 변수를 선택할 수 있다. 상기 적어도 하나의 속성 변수는 기여도가 가장 높은 순위, 또는 가장 높은 순위로부터 소정 범위 내 순위를 갖는 속성 변수를 포함한다.

예측부(300)는 샤플리 값이나 희박한 지역 선형 모델 (sparse local linear model) 등의 방법을 사용하여 예측된 위험도에 대한 기여도가 큰 것으로 선택된 속성 변수의 원시 값을 변조하여 각 변화된 값에 따른 위험 확률을 산출하고, 원시 값에 따른 UIA 위험 확률로부터 변조 값에 대한 UIA 위험 확률의 변동을 계산한다.

일부 실시예에서, 변조 과정에서 단일 속성 변수의 값만이 변조될 수도 있다.

다른 일부 실시예에서, 변조 과정에서 다수의 속성 변수의 값이 변조될 수도 있다.

일 실시예에서, 예측부(300)는 상기 대상 환자의 속성 변수 세트 중에서 가변형 속성 변수에 대해서만 샤플리 값이나 희박한 지역 선형 모델 (sparse local linear model) 등의 방법을 사용하여 예측된 위험도에 대한 기여도가 큰 속성 변수를 선택하고, 선택된 가변형 속성 변수의 값을 입력된 원시 값을 기준으로 가상의 값으로 변조하여 변조 값에 대한 UIA 위험 확률의 변동을 계산할 수도 있다.

그러면, 상기 가변형 속성 변수의 변화된 값에 따른 위험 확률을 산출하고, 원시 데이터 값에 따른 UIA의 위험 확률로부터 UIA 위험도의 변동이 계산된다. 그러면, 상기 예측부(300)는 변조된 값에 따른 상기 위험도의 변동 여부에 기초하여 건강관리 방향 내용을 기록한 보고서를 생성할 수도 있다.

예를 들어, 데이터를 전송 받아 그 위험도를 계산하고, 위험도를 보다 감소하기 위해 각각의 환자에게 추천되는 방안(혈압을 낮춘다던지, 고지혈증을 조절한다든지 등)을 건강관리 안내(guideline)로 기록한 보고서를 생성할 수도 있다.

예를 들어, 혈압의 속성 변수가 높은 샤플리 값을 가져 선택되고, 현재의 값 대비 10mmHg만큼 낮은 값을 가질 경우 UIA 위험 확률이 10% 감소할 수도 있다. 그러면, 예측부(300)는 이러한 변동을 포함한 보고서를 생성할 수도 있다.

일 실시예에서, 상기 건강관리 안내는 선택되어 변조된 속성 변수에 기초하여 생성될 수도 있다.

상기 예측부(300)는 상기 속성 변수 세트 내 가변형 속성 변수 중에서 하나 이상의 값을 변조하여 복수의 후보 UIA 예측 확률을 계산하고, 상기 복수의 후보 UIA 예측 확률 중 가장 낮은 후보 UIA 예측 확률에 해당하는 속성 변수 및 그 값을 사용하여 상기 보고서를 생성할 수도 있다.

상기 예시에서, 입력 값을 기준으로 혈압이 15mmHg 낮아지는 경우가 다른 값(예컨대, 10mHg) 보다 UIA 위험 확률이 가장 낮게 나오는 경우 (즉, UIA 위험 확률이 입력 값 대비 가장 많이 감소하는 경우), 그러면, 상기 보고서는 혈압 값이 15mmHg 낮아지는 것이 건강에 좋다는 안내를 포함한 보고서를 생성할 수도 있다.

대안적인 실시예들에서, 상기 학습부(100)와 예측부(300)는 물리적으로 분리된 구성요소로 구현될 수도 있다. 이 경우, 학습부(100)와 예측부(300)는 유/무선으로 전기통신하도록 구성되며, 학습부(100)에 의해 학습된 예측 모델은 유/무선 전기통신을 통해 예측부(300)로 공급된다. 예측부(300)는 공급된 예측 모델을 사용하여 UIA 발병 위험도를 예측한다.

상기 뇌동맥류 발병 위험도 예측 및/또는 이에 기초한 건강 관리 정보 제공 장치(10)가 본 명세서에 서술되지 않은 다른 구성요소를 포함할 수도 있다는 것이 통상의 기술자에게 명백할 것이다. 예를 들어, 상기 뇌동맥류 발병 위험도 예측 및/또는 이에 기초한 건강 관리 정보 제공 장치(10)는 네트워크 인터페이스, 데이터 엔트리를 위한 입력 장치, 및 디스플레이, 인쇄 또는 다른 데이터 표시를 위한 출력 장치를 포함하는, 본 명세서에 서술된 동작에 필요한 다른 하드웨어 요소를 포함할 수도 있다.

본 발명의 다른 일 측면에 따른 방법은 프로세서를 포함한 장치(예를 들어, 도 1의 장치(10))에 의해 수행될 수도 있다. 이하, 설명의 명료성을 위해, 상기 도 1의 장치(10)에 의해 수행되는 실시예들에 기초하여 본 발명을 보다 상세하게 서술한다.

도 5는, 본 발명의 일 실시예에 따른, 뇌동맥류 발병 위험도 예측 및/또는 이에 기초한 건강 관리 정보 제공 방법의 흐름도이다.

도 5를 참조하면, 상기 방법은: 대상 환자의 속성 변수 세트를 수신하는 단계(S510); 미리 학습된 예측 모델에 상기 대상 환자의 속성 변수 세트를 입력하여 상기 대상 환자에 대한 UIA 위험도를 나타낸 예측 결과를 생성하는 단계(S530)를 포함한다. 일 실시예에서, 상기 예측 결과는 보고서 형태로 생성될 수도 있다.

상기 예측 모델은 입력 환자의 속성 데이터 세트가 입력되면 상기 대상 환자에 대한 UIA 위험 확률을 산출하도록, 단계(S510) 이전에 미리 학습된 모델이다. 상기 UIA 위험 확률은 상기 입력 환자에서 UIA가 발병할 확률을 나타낸다.

도 2 내지 도 4를 참조하여 전술한 바와 같이, 상기 확장 가능한 트리 부스팅 시스템 알고리즘에 기반하여 학습된 모델일 수도 있다. 이 예측 모델은 다수의 훈련 환자에 대한 속성 변수 세트를 사용하여 학습된다.

일 실시예에서, 상기 단계(S530)는: 상기 예측 모델에서 출력된 UIA 위험 확률을 수치화한 UIA 위험 점수를 산출하는 단계; 및 상기 UIA 위험 점수에 기초하여 상기 대상 환자가 속하는 위험군을 결정하는 단계를 포함할 수도 있다.

상기 예측 모델 및 이를 사용한 예측 동작에 대해서는 도 2 내지 도 4를 참조하여 위에서 서술하였는 바 자세한 설명은 생략한다.

또한, 상기 예측 방법은 상기 속성 변수 세트 중에서 적어도 하나의 속성 변수를 선택하는 단계(S540); 및 선택된 속성 변수의 원시 값을 변조하여 상기 대상 환자에 대한 UIA 위험도의 변동을 계산하는 단계(S550)를 더 포함할 수도 있다.

일 실시예에서, 속성 변수 세트 내 각 속성 변수에 대해서 샤플리 값을 계산하고, 각각의 샤플리 값에 기초하여 적어도 하나의 속성 변수를 선택할 수도 있다(S540). 그러면, 선택된 속성 변수의 원시 값을 기준으로 가상의 값으로 변조하여 위험 확률의 변동을 계산할 수도 있다.

또 다른 일 실시예에서, 희박한 지역 선형 모델(sparse local linear model) 기법을 사용하여 상기 속성 변수 세트 중에서 상대적으로 큰 예측 확률의 변동을 야기하는 적어도 하나의 속성 변수를 선택할 수도 있다(S540).

선택된 속성 변수의 원시 값을 변조하여 각 변조 값에 따른 UIA 위험 확률을 계산하고, 원시 값에 따라 계산된 단계(S530)의 UIA 위험 확률과 비교하여 각 변조 값에 따른 UIA 위험도 변동 결과를 산출할 수도 있다(S550).

일 실시예예서, 상기 단계(S550)에서 상기 속성 변수 세트에 포함된 가변형 속성 변수 중에서 적어도 하나의 변수를 선택하고 변조할 수도 있다(S540 및 S550).

또한, 상기 단계(S550)는 UIA 예측 확률의 변동 결과를 사용하여 상기 대상 환자의 건강 관리에 관한 정보 또는 추천/안내 가이드 라인 [이하, 건강 관리 안내(guideline)]을 제공할 수 있다.

예컨대, 일 실시예에서, 상기 단계(S550)는: 상기 속성 변수 세트 내 가변형 속성 변수 중에서 하나 이상의 값을 변조하여 복수의 후보 UIA 예측 확률을 계산하는 단계; 및 상기 복수의 후보 UIA 예측 확률 중 가장 낮은 후보 UIA 예측 확률에 해당하는 속성 변수 및 그 값을 사용하여 상기 대상 환자의 건강관리 안내(guideline)를 생성할 수도 있다.

또한 상기 예측 방법은: 단계(S530)의 예측 결과, 단계(S550)에서 입력 값을 변조하여 계산된 UIA 위험도 변동 결과, 및/또는 상기 건강관리 안내를 포함한 보고서를 생성하는 단계(S560)를 더 포함할 수도 있다.

또한, 상기 단계(S550)는 상기 위험도의 변동 여부에 따른 건강관리 방향 내용을 기록한 보고서를 생성하는 단계를 포함할 수도 있다. 이와 같이, 상기 예측 방법은 현재의 UIA 위험 상태, 속성 변수의 변조에 따른 UIA 위험도의 변동 결과, 및/또는 UIA 위험도를 상대적으로 낮추는 건강관리 안내를 대상 환자에게 제공할 수도 있다.

이러한 뇌동맥류 발병 위험도 예측 및/또는 이에 기초한 건강 관리 정보 제공 장치(10) 및 방법은 영상검사 결과를 입력 데이터로 사용하지 않는다. 영상검사는 조영제, 방사선 사용 등에 따른 환자의 불편이 있고, 경제적 부담도 상대적으로 크다. 그 결과, 상기 뇌동맥류 발병 위험도 예측 장치(10) 및 방법을 사용하면, 환자 편의성이 증가한다.

이상에서 설명한 실시예들에 따른 장치 및 방법에 의한 동작은 적어도 부분적으로 컴퓨터 프로그램으로 구현되어, 컴퓨터로 읽을 수 있는 기록매체에 기록될 수 있다. 예를 들어, 프로그램 코드를 포함하는 컴퓨터-판독가능 매체로 구성되는 프로그램 제품과 함께 구현되고, 이는 기술된 임의의 또는 모든 단계, 동작, 또는 과정을 수행하기 위한 프로세서에 의해 실행될 수 있다.

상기 컴퓨터는 데스크탑 컴퓨터, 랩탑 컴퓨터, 노트북, 스마트 폰, 또는 이와 유사한 것과 같은 컴퓨팅 장치일 수도 있고 통합될 수도 있는 임의의 장치일 수 있다. 컴퓨터는 하나 이상의 대체적이고 특별한 목적의 프로세서, 메모리, 저장공간, 및 네트워킹 구성요소(무선 또는 유선 중 어느 하나)를 가지는 장치다. 상기 컴퓨터는 예를 들어, 마이크로소프트의 윈도우와 호환되는 운영 체제, 애플 OS X 또는 iOS, 리눅스 배포판(Linux distribution), 또는 구글의 안드로이드 OS와 같은 운영체제(operating system)를 실행할 수 있다.

상기 컴퓨터가 읽을 수 있는 기록매체는 컴퓨터에 의하여 읽혀질 수 있는 데이터가 저장되는 모든 종류의 기록신원확인 장치를 포함한다. 컴퓨터가 읽을 수 있는 기록매체의 예로는 ROM, RAM, CD-ROM, 자기 테이프, 플로피디스크, 광 데이터 저장신원확인 장치 등을 포함한다. 또한 컴퓨터가 읽을 수 있는 기록매체는 네트워크로 연결된 컴퓨터 시스템에 분산되어, 분산 방식으로 컴퓨터가 읽을 수 있는 코드가 저장되고 실행될 수도 있다. 또한, 본 실시예를 구현하기 위한 기능적인 프로그램, 코드 및 코드 세그먼트(segment)들은 본 실시예가 속하는 기술 분야의 통상의 기술자에 의해 용이하게 이해될 수 있을 것이다.

이상에서 살펴본 본 발명은 도면에 도시된 실시예들을 참고로 하여 설명하였으나 이는 예시적인 것에 불과하며 당해 분야에서 통상의 지식을 가진 자라면 이로부터 다양한 변형 및 실시예의 변형이 가능하다는 점을 이해할 것이다. 그러나, 이와 같은 변형은 본 발명의 기술적 보호범위 내에 있다고 보아야 한다. 따라서, 본 발명의 진정한 기술적 보호범위는 첨부된 특허청구범위의 기술적 사상에 의해서 정해져야 할 것이다.

Claims (22)

1. 프로세서; 및 메모리를 포함한 뇌동맥류 발병 위험도 예측 장치에 있어서, 상기 프로세서는,
   상기 뇌동맥류 발병 위험도 예측 장치에 의해 대상 환자에 대한 속성 변수 세트가 수신되면, 상기 메모리에 저장된, 미리 학습된 예측 모델에 상기 대상 환자의 속성 변수 세트를 입력하여 상기 대상 환자에 대한 UIA(unruptured intracranial Aneurysm) 위험 확률을 산출하고,
   상기 속성 변수 세트 중 적어도 하나의 속성 변수의 값을 변조 값으로 변조하고, 상기 변조 값에 따른 상기 UIA 위험 확률을 산출하여 UIA 위험도의 변동을 계산하고,
   선택된 속성 변수의 값을 변조하여 복수의 후보 UIA 예측 확률을 계산하고, 상기 복수의 후보 UIA 예측 확률 중 가장 낮은 후보 UIA 예측 확률에 해당하는 속성 변수 및 그 값을 사용하여 상기 대상 환자의 건강관리 안내(guideline)를 생성하도록 구성된 것을 특징으로 하는 뇌동맥류 발병 위험도 예측 장치.
   
2. 제1항에 있어서, 상기 프로세서는, 상기 UIA 위험 확률에 기초한 예측 결과를 생성하기 위해,
   상기 UIA 위험 확률을 미리 지정된 범위의 값으로 스케일링하여 점수화한 UIA 위험 점수를 계산하고,
   상기 UIA 위험 점수에 기초하여 상기 대상 환자가 속하는 위험군을 결정하도록 구성된 것을 특징으로 하는 장치.
   
3. 제1항에 있어서,
   상기 예측 모델은 확장 가능한 트리 부스팅 시스템 알고리즘에 기반하여 학습된 모델인 것을 특징으로 하는 장치.
   
4. 제1항에 있어서,
   상기 예측 모델은 다수의 훈련 환자에 대한 속성 변수 세트를 사용하여 학습되며,
   상기 속성 변수 세트는 연령, 성별, 키, 체중, 체질량지수, 허리둘레, 공복혈당, 혈압, 저밀도지단백콜레스테롤 농도, 고밀도지단백콜레스테롤 농도, 중성지방농도, 총 콜레스테롤 농도, 혈색소(헤모글로빈) 농도, 크레아티닌 농도, gamma-glutamyl ransferase (GGT) 농도, aspartate aminotransferase (AST)농도, alanine aminotransferase (ALT) 농도, 흡연상태 및 가족력 중 적어도 하나의 속성 변수를 포함하는 것을 특징으로 하는 장치.
   
5. 삭제
6. 제1항에 있어서, 상기 프로세서는,
   적어도 하나의 속성 변수에 대해서, 속성 변수 세트로부터 생성된 속성 변수의 조합을 변경하여 훈련 환자에 대한 UIA 위험도를 예측하는 동작을 반복 수행함으로써 산출되는 변환 값을 산출하고,
   상기 변환 값에 기초하여 적어도 하나의 속성 변수를 선택하는 것을 특징으로 하는 장치.
   
7. 제6항에 있어서, 상기 프로세서는,
   상기 변환 값이 가장 큰 값을 포함한 속성 변수를 선택하는 것을 특징으로 하는 장치.
   
8. 제1항에 있어서, 상기 프로세서는,
   입력된 속성 변수 세트로부터 산출된 예측 확률을 기준으로, 상기 속성 변수 세트 내 모든 속성 변수의 값 또는 일부 속성 변수의 값을 변화시켜 예측 확률이 변하는지 계산하고,
   상대적으로 큰 예측 확률의 변동을 야기하는 적어도 하나의 속성 변수를 선택하는 것을 특징으로 장치.
   
9. 제1항에 있어서,
   상기 속성 변수 세트는 고정형 속성 변수와 가변형 속성 변수를 포함하고,
   값이 변조되는 속성 변수는 상기 가변형 속성 변수 중에서만 선택되는 것을 특징으로 하는 장치.
   
10. 삭제
11. 프로세서에 의해 수행되는, 뇌동맥류 발병 위험도 예측 방법에 있어서,
    대상 환자에 대한 속성 변수 세트를 수신하는 단계;
    상기 대상 환자에 대한 속성 변수 세트를 미리 학습된 예측 모델에 입력하여 상기 대상 환자에 대한 UIA(unruptured intracranial Aneurysm) 위험 확률을 산출하는 단계;
    상기 속성 변수 세트 중 적어도 하나의 속성 변수의 값을 변조 값으로 변조하는 단계;
    상기 변조 값에 따른 상기 UIA 위험 확률을 산출하여 UIA 위험도의 변동을 계산하는 단계; 및
    선택된 속성 변수의 값을 변조하여 각 변조 값에 따른 복수의 후보 UIA 예측 확률이 계산되면, 상기 복수의 후보 UIA 예측 확률 중 가장 낮은 후보 UIA 예측 확률에 해당하는 속성 변수 및 그 값을 사용하여 상기 대상 환자의 건강관리 안내(guideline)를 생성하는 단계를 포함하는 뇌동맥류 발병 위험도 예측 방법.
    
12. 제11항에 있어서, 상기 방법은, 상기 UIA 위험 확률에 기초한 예측 결과를 생성하는 단계를 더 포함하고,
    상기 UIA 위험 확률에 기초한 예측 결과를 생성하는 단계는,
    상기 UIA 위험 확률을 미리 지정된 범위의 값으로 스케일링하여 점수화한 UIA 위험 점수를 계산하는 단계; 및
    상기 UIA 위험 점수에 기초하여 상기 대상 환자가 속하는 위험군을 결정하는 단계를 포함하는 것을 특징으로 하는 방법.
    
13. 제11항에 있어서,
    상기 예측 모델은 확장 가능한 트리 부스팅 시스템 알고리즘에 기반하여 학습된 모델인 것을 특징으로 하는 방법.
    
14. 제11항에 있어서,
    상기 예측 모델은 다수의 훈련 환자에 대한 속성 변수 세트를 사용하여 학습되며,
    상기 속성 변수 세트는 연령, 성별, 키, 체중, 체질량지수, 허리둘레, 공복혈당, 혈압, 저밀도지단백콜레스테롤 농도, 고밀도지단백콜레스테롤 농도, 중성지방농도, 총 콜레스테롤 농도, 혈색소(헤모글로빈) 농도, 크레아티닌 농도, gamma-glutamyl ransferase (GGT) 농도, aspartate aminotransferase (AST)농도, alanine aminotransferase (ALT) 농도, 흡연상태 및 가족력 중 적어도 하나의 속성 변수를 포함하는 것을 특징으로 하는 방법.
    
15. 삭제
16. 제11항에 있어서, 상기 방법은, 상기 속성 변수 세트 중에서 적어도 하나의 속성 변수를 선택하는 단계를 더 포함하고,
    상기 속성 변수 세트 중에서 적어도 하나의 속성 변수를 선택하는 단계는,
    적어도 하나의 속성 변수에 대해서, 속성 변수 세트로부터 생성된 속성 변수의 조합을 변경하여 훈련 환자에 대한 UIA 위험도를 예측하는 동작을 반복 수행함으로써 산출되는 변환 값을 산출하는 단계; 및
    상기 변환 값에 기초하여 적어도 하나의 속성 변수를 선택하는 단계를 포함하는 것을 특징으로 하는 방법.
    
17. 제16항에 있어서,
    상기 변환 값이 가장 큰 값을 포함한 속성 변수를 선택하는 것을 특징으로 하는 방법.
    
18. 제11항에 있어서, 상기 방법은, 상기 속성 변수 세트 중에서 적어도 하나의 속성 변수를 선택하는 단계를 더 포함하고,
    상기 속성 변수 세트 중에서 적어도 하나의 속성 변수를 선택하는 단계는,
    입력된 속성 변수 세트로부터 산출된 예측 확률을 기준으로, 상기 속성 변수 세트 내 모든 속성 변수의 값 또는 일부 속성 변수의 값을 변화시켜 예측 확률이 변하는지 계산하는 단계; 및
    상대적으로 큰 예측 확률의 변동을 야기하는 적어도 하나의 속성 변수를 선택하는 단계를 포함하는 것을 특징으로 하는 방법.
    
19. 제11항에 있어서,
    상기 속성 변수 세트는 고정형 속성 변수와 가변형 속성 변수를 포함하고,
    값이 변조되는 속성 변수는 상기 가변형 속성 변수 중에서만 선택되는 것을 특징으로 하는 방법.
    
20. 삭제
21. 제11항 내지 제14항 및 제16항 내지 제19항 중 어느 하나의 항에 따른 뇌동맥류 발병 위험도 예측 방법을 수행하게 하는, 프로그램을 기록한 컴퓨터 판독가능 기록매체.
    
22. 제1항 내지 제4항 및 제6항 내지 제9항 중 어느 한 항에 있어서, 상기 UIA(unruptured intracranial Aneurysm) 위험 확률에 기초하여 건강 관리 정보를 제공하는 것을 특징으로 하는 장치.

Images