KR102559047B1 - The system and method of symptom worsening prediction - Google Patents

The system and method of symptom worsening prediction Download PDF

Info

Publication number
KR102559047B1
KR102559047B1 KR1020210012046A KR20210012046A KR102559047B1 KR 102559047 B1 KR102559047 B1 KR 102559047B1 KR 1020210012046 A KR1020210012046 A KR 1020210012046A KR 20210012046 A KR20210012046 A KR 20210012046A KR 102559047 B1 KR102559047 B1 KR 102559047B1
Authority
KR
South Korea
Prior art keywords
vital sign
symptom
subject
symptom exacerbation
sign data
Prior art date
Application number
KR1020210012046A
Other languages
Korean (ko)
Other versions
KR20220108944A (en
Inventor
고령은
김재호
임경묵
조백환
서지영
전경만
Original Assignee
사회복지법인 삼성생명공익재단
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 사회복지법인 삼성생명공익재단 filed Critical 사회복지법인 삼성생명공익재단
Priority to KR1020210012046A priority Critical patent/KR102559047B1/en
Publication of KR20220108944A publication Critical patent/KR20220108944A/en
Application granted granted Critical
Publication of KR102559047B1 publication Critical patent/KR102559047B1/en

Links

Classifications

    • 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
    • A61B5/0205—Simultaneously evaluating both cardiovascular conditions and different types of body conditions, e.g. heart and respiratory condition
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/48—Other medical applications
    • A61B5/4842—Monitoring progression or stage of a disease
    • 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
    • A61B5/7235—Details of waveform analysis
    • A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/042—Knowledge-based neural networks; Logical representations of neural networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • 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

Abstract

본 발명은 증상악화 예측 시스템 및 방법에 관한 것으로, 더욱 상게하게는 환자의 호흡수, 맥박수, 수축기 혈압 등과 같은 활력징후 데이터를 기초로 환자의 증상이 악화될지 여부를 미리 예측하고, 경고할 수 있는 증상악화 예측 시스템 및 방법에 관한 것이다.
본 발명의 일 실시 예에 따른 증상악화 예측 시스템은 복수의 활력징후 데이터를 분석하여 환자의 증상이 악화될 확률을 산출하는 증상악화 예측모델을 생성하는 증상악화 예측 모델 생성부, 피검체의 활력징후 데이터를 획득하는 활력징후 데이터 획득부 및 상기 증상악화 예측모델을 적용하여 상기 피검체의 증상이 악화될지 여부를 판단하는 증상악화 판단부를 포함할 수 있다.The present invention relates to a symptom exacerbation prediction system and method, and more particularly, to a symptom exacerbation prediction system and method capable of predicting in advance whether a patient's symptoms will worsen based on vital sign data such as the patient's respiratory rate, pulse rate, and systolic blood pressure, and giving a warning.
An exacerbation prediction system according to an embodiment of the present invention may include a symptom exacerbation prediction model generation unit that generates a symptom exacerbation prediction model that calculates a probability that a patient's symptoms will worsen by analyzing a plurality of vital sign data, a vital sign data acquisition unit that acquires vital sign data of a subject, and a symptom exacerbation determination unit that determines whether or not the subject's symptoms will worsen by applying the symptom exacerbation prediction model.

Description

증상악화 예측 시스템 및 방법{The system and method of symptom worsening prediction}The system and method of symptom worsening prediction}

본 발명은 증상악화 예측 시스템 및 방법에 관한 것으로, 더욱 상게하게는 환자의 호흡수, 맥박수, 수축기 혈압 등과 같은 활력징후 데이터를 기초로 환자의 증상이 악화될지 여부를 미리 예측하고, 경고할 수 있는 증상악화 예측 시스템 및 방법에 관한 것이다.The present invention relates to a symptom exacerbation prediction system and method, and more particularly, to a symptom exacerbation prediction system and method capable of predicting in advance whether a patient's symptoms will worsen based on vital sign data such as the patient's respiratory rate, pulse rate, and systolic blood pressure, and giving a warning.

일반 병동에서 심정지 및 예측하지 못한 중환자실 이송 등과 같이 환자의 증상이 악화되는 경우, 해당 환자의 생존률 및 퇴원율은 약 20~30%에 불과하다. 심정지 및 예측하지 못한 중환자실 이송 등과 같은 환자의 증상 악화는 발생 전 환자의 상태 변화 및 활력 징후 변화로부터 예측이 가능하다.When a patient's symptoms worsen in a general ward, such as cardiac arrest and unexpected transfer to an intensive care unit, the patient's survival rate and discharge rate are only about 20-30%. Deterioration of a patient's symptoms, such as cardiac arrest and unexpected transfer to an intensive care unit, can be predicted from changes in the patient's condition and vital signs before occurrence.

그러나, 국제공개특허 WO 2019/031794호(국제공개일 2019.2.14.)와 같이, 종래 일반 병동에서의 증상 악화는 의사나 간호사 등 의료진의 경험에 근거한 주관적인 판단에 의해 예측되어 왔다. 그 결과 의료진 개인의 역량에 따라 증상악화 정도에 관한 예측 및 판단이 다르게 평가되는 경향이 있어 그 정확도가 낮다는 문제점이 있다.However, as in International Publication No. WO 2019/031794 (International Publication Date 2019.2.14.), worsening of symptoms in conventional general wards has been predicted by subjective judgment based on the experience of medical staff such as doctors and nurses. As a result, there is a problem in that the accuracy of the prediction and judgment on the degree of symptom exacerbation tends to be evaluated differently depending on the competency of the individual medical staff.

상기 전술한 문제점을 해결하기 위하여 본 발명은 기계학습을 통해 증상악화 예측모델을 생성하고, 이를 이용하여 환자의 증상이 악화될지 여부를 예측하는 시스템 및 방법을 제공하는 것을 목적으로 한다.In order to solve the above problems, an object of the present invention is to provide a system and method for generating a symptom exacerbation prediction model through machine learning and predicting whether a patient's symptoms will worsen by using the model.

본 발명의 일 실시 예로써, 증상악화 예측 시스템이 제공된다.As an embodiment of the present invention, a symptom exacerbation prediction system is provided.

본 발명의 일 실시 예에 따른 증상악화 예측 시스템은 복수의 활력징후 데이터를 분석하여 환자의 증상이 악화될 확률을 산출하는 증상악화 예측모델을 생성하는 증상악화 예측 모델 생성부, 피검체의 활력징후 데이터를 획득하는 활력징후 데이터 획득부 및 증상악화 예측모델을 적용하여 피검체의 증상이 악화될지 여부를 판단하는 증상악화 판단부를 포함할 수 있다.A symptom exacerbation prediction system according to an embodiment of the present invention may include a symptom exacerbation prediction model generating unit that generates a symptom exacerbation prediction model that calculates a probability that a patient's symptoms will worsen by analyzing a plurality of vital sign data, a vital sign data acquisition unit that acquires vital sign data of a subject, and a symptom exacerbation determination unit that determines whether the subject's symptoms will worsen by applying the symptom exacerbation prediction model.

본 발명의 일 실시 예에 따른 증상악화 예측 시스템은 활력징후 데이터는, 환자 또는 피검체의 호흡수, 맥박수, 수축기 혈압, 체온 또는 신경학적 징후를 포함하는 것을 특징으로 할 수 있다.In the symptom exacerbation prediction system according to an embodiment of the present invention, the vital sign data may include respiratory rate, pulse rate, systolic blood pressure, body temperature, or neurological signs of the patient or subject.

본 발명의 일 실시 예에 따른 증상악화 예측 시스템은 활력징후 데이터는, 환자 또는 피검체의 시간에 따른 상태 변화량을 포함하는 것을 특징으로 할 수 있다.In the symptom exacerbation prediction system according to an embodiment of the present invention, the vital sign data may include a state change over time of the patient or subject.

본 발명의 일 실시 예에 따른 증상악화 예측 시스템은 증상악화 예측모델은, 순환신경망 모델을 분석모델로 사용하는 기계학습 모델로 구현되는 것을 특징으로 할 수 있다.The exacerbation prediction system according to an embodiment of the present invention may be characterized in that the exacerbation prediction model is implemented as a machine learning model using a recurrent neural network model as an analysis model.

본 발명의 일 실시 예에 따른 증상악화 예측 시스템에서, 순환신경망 모델은 하기의 [수학식 1]의 연산으로 구현되는 것을 특징으로 할 수 있다.In the symptom exacerbation prediction system according to an embodiment of the present invention, the recurrent neural network model may be implemented by the operation of [Equation 1] below.

[수학식 1][Equation 1]

s(t)=f(Ux(t), Ws(t-1)) 및 y(t)=g(Vs(t))s(t)=f(Ux(t), Ws(t-1)) and y(t)=g(Vs(t))

(여기서, x(t)는 t 시점에서의 입력 데이터를, s(t)는 t 시점에서의 은닉상태를, U, V, W는 순환신경망 모델의 신경망 파라미터를, f(t)는 제 1 활성화 함수(tanh)를, y(t)는 t시점에서의 출력층을, g(t)는 제 2 활성화함수(softmax)를 의미하는 것임.)(Where x(t) is the input data at time t, s(t) is the hidden state at time t, U, V, and W are the neural network parameters of the recurrent neural network model, f(t) is the first activation function (tanh), y(t) is the output layer at time t, and g(t) is the second activation function (softmax).)

본 발명의 일 실시 예에 따른 증상악화 예측 시스템은 증상악화 판단부에서 판단한 피검체의 증상악화 여부와 피검체의 실제 증상악화 여부가 일치하는 경우, 증상악화 판단부가 판단에 사용한 피검체의 활력징후 데이터에 기초하여, 증상악화 예측모델을 갱신하는 예측모델 갱신부를 더 포함할 수 있다.The symptom exacerbation prediction system according to an embodiment of the present invention may further include a predictive model updating unit for updating the symptom exacerbation prediction model based on the vital sign data of the subject used by the symptom exacerbation determiner to determine whether the subject's symptoms have worsened and whether or not the subject's symptoms have actually deteriorated, determined by the symptom exacerbation determiner.

본 발명의 일 실시 예로써, 증상악화 예측 방법이 제공된다.As an embodiment of the present invention, a method for predicting symptom exacerbation is provided.

본 발명의 일 실시 예에 따른 증상악화 예측 방법은 예측 모델 생성부가 복수의 활력징후 데이터를 분석하여 환자의 증상이 악화될 확률을 산출하는 증상악화 예측모델을 생성하는 예측모델 생성단계, 활력징후 데이터 획득부가 피검체의 활력징후 데이터를 획득하는 데이터 획득단계 및 증상악화 판단부가 증상악화 예측모델을 적용하여 피검체의 증상이 악화될지 여부를 판단하는 증상악화 판단단계를 포함할 수 있다.A symptom exacerbation prediction method according to an embodiment of the present invention may include a prediction model generation step of generating a symptom exacerbation prediction model in which a predictive model generator analyzes a plurality of vital sign data to calculate a probability that a patient's symptoms will worsen, a data acquisition step in which a vital sign data acquirer acquires vital sign data of a subject, and a symptom exacerbation determination step in which a symptom exacerbation judge determines whether the subject's symptoms will worsen by applying the symptom exacerbation prediction model.

본 발명의 일 실시 예에 따른 증상악화 예측 방법에서, 활력징후 데이터는, 환자 또는 피검체의 호흡수, 맥박수, 수축기 혈압, 체온 또는 신경학적 징후를 포함하는 것을 특징으로 할 수 있다.In the symptom exacerbation prediction method according to an embodiment of the present invention, the vital sign data may include respiratory rate, pulse rate, systolic blood pressure, body temperature, or neurological signs of the patient or subject.

본 발명의 일 실시 예에 따른 증상악화 예측 방법에서, 활력징후 데이터는, 환자 또는 피검체의 시간에 따른 상태 변화량을 포함하는 것을 특징으로 할 수 있다.In the symptom exacerbation prediction method according to an embodiment of the present invention, the vital sign data may include a state change over time of the patient or subject.

본 발명의 일 실시 예에 따른 증상악화 예측 방법에서 예측모델 생성단계는, 증상악화 예측모델을 순환신경망 모델을 분석모델로 사용하는 기계학습 모델로 구현하는 단계를 더 포함할 수 있다.In the symptom exacerbation prediction method according to an embodiment of the present invention, the step of generating the prediction model may further include implementing the symptom exacerbation prediction model as a machine learning model using a recurrent neural network model as an analysis model.

본 발명의 일 실시 예에 따른 증상악화 예측 방법에서, 순환신경망 모델은 하기의 [수학식 1]의 연산으로 구현되는 것을 특징으로 할 수 있다.In the symptom exacerbation prediction method according to an embodiment of the present invention, the recurrent neural network model may be implemented by the operation of [Equation 1] below.

[수학식 1][Equation 1]

s(t)=f(Ux(t), Ws(t-1)) 및 y(t)=g(Vs(t))s(t)=f(Ux(t), Ws(t-1)) and y(t)=g(Vs(t))

(여기서, x(t)는 t 시점에서의 입력 데이터를, s(t)는 t 시점에서의 은닉상태를, U, V, W는 순환신경망 모델의 신경망 파라미터를, f(t)는 제 1 활성화 함수(tanh)를, y(t)는 t시점에서의 출력층을, g(t)는 제 2 활성화함수(softmax)를 의미하는 것임.)(Where x(t) is the input data at time t, s(t) is the hidden state at time t, U, V, and W are the neural network parameters of the recurrent neural network model, f(t) is the first activation function (tanh), y(t) is the output layer at time t, and g(t) is the second activation function (softmax).)

본 발명의 일 실시 예에 따른 증상악화 예측 방법은, 증상악화 판단부에서 판단한 피검체의 증상악화 여부와 피검체의 실제 증상악화 여부가 일치하는 경우, 증상악화 판단부가 판단에 사용한 피검체의 활력징후 데이터에 기초하여 증상악화 예측모델을 갱신하는 예측모델 갱신단계를 더 포함할 수 있다.The symptom exacerbation prediction method according to an embodiment of the present invention may further include a predictive model updating step of updating the symptom exacerbation prediction model based on the vital sign data of the subject used by the symptom exacerbation determiner to determine whether the subject's symptoms worsen and whether the subject's symptoms actually worsen, determined by the symptom exacerbation determiner.

본 발명의 일 실시 예로써, 전술한 방법을 구현하기 위한 프로그램이 기록된 컴퓨터로 판독 가능한 기록매체가 제공된다.As an embodiment of the present invention, a computer-readable recording medium on which a program for implementing the above-described method is recorded is provided.

본 발명에 따르면, 중환자실 환자의 증상 악화 여부를 미리 예측하고, 예측된 결과에 따라 적절한 조치를 취함으로써 환자의 생존율을 높일 수 있다는 이점이 있다.According to the present invention, there is an advantage in that the patient's survival rate can be increased by predicting in advance whether the symptoms of an intensive care unit patient will deteriorate and taking appropriate measures according to the predicted result.

본 개시에서 얻을 수 있는 효과는 이상에서 언급된 효과들로 제한되지 않으며, 언급하지 않은 또 다른 효과들은 아래의 기재로부터 본 개시가 속하는 기술분야에서 통상의 지식을 가진 자에게 명확하게 이해될 수 있을 것이다.Effects obtainable in the present disclosure are not limited to the effects mentioned above, and other effects not mentioned will be clearly understood by those skilled in the art from the description below.

도 1은 본 발명의 일 실시 예에 따른 증상악화 예측 시스템의 블록도이다.
도 2는 본 발명의 일 실시 예에 따른 증상악화 예측모델에 사용되는 순환신경망의 예시도이다.
도 3은 본 발명의 일 실시 예에 따른 증상악화 예측 방법의 순서도이다.
도 4는 본 발명의 일 실시 예에 따른 증상악화 예측 방법의 흐름을 나타내는 예시도이다.1 is a block diagram of a symptom exacerbation prediction system according to an embodiment of the present invention.
2 is an exemplary diagram of a recurrent neural network used in a symptom exacerbation prediction model according to an embodiment of the present invention.
3 is a flowchart of a symptom exacerbation prediction method according to an embodiment of the present invention.
4 is an exemplary view showing the flow of a symptom exacerbation prediction method according to an embodiment of the present invention.

아래에서는 첨부한 도면을 참조하여 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자가 용이하게 실시할 수 있도록 본 발명의 실시 예를 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.Hereinafter, embodiments of the present invention will be described in detail so that those skilled in the art can easily practice with reference to the accompanying drawings. However, the present invention may be implemented in many different forms and is not limited to the embodiments described herein. And in order to clearly explain the present invention in the drawings, parts irrelevant to the description are omitted, and similar reference numerals are attached to similar parts throughout the specification.

본 명세서에서 사용되는 용어에 대해 간략히 설명하고, 본 발명에 대해 구체적으로 설명하기로 한다.The terms used in this specification will be briefly described, and the present invention will be described in detail.

본 발명에서 사용되는 용어는 본 발명에서의 기능을 고려하면서 가능한 현재 널리 사용되는 일반적인 용어들을 선택하였으나, 이는 당 분야에 종사하는 기술자의 의도 또는 판례, 새로운 기술의 출현 등에 따라 달라질 수 있다. 또한, 특정한 경우는 출원인이 임의로 선정한 용어도 있으며, 이 경우 해당되는 발명의 설명 부분에서 상세히 그 의미를 기재할 것이다. 따라서 본 발명에서 사용되는 용어는 단순한 용어의 명칭이 아닌, 그 용어가 가지는 의미와 본 발명의 전반에 걸친 내용을 토대로 정의되어야 한다.The terms used in the present invention have been selected from general terms that are currently widely used as much as possible while considering the functions in the present invention, but these may vary depending on the intention of a person skilled in the art or precedent, the emergence of new technologies, and the like. In addition, in a specific case, there is also a term arbitrarily selected by the applicant, and in this case, the meaning will be described in detail in the description of the invention. Therefore, the term used in the present invention should be defined based on the meaning of the term and the overall content of the present invention, not simply the name of the term.

명세서 전체에서 "증상악화"란 환자 또는 피검체의 생명에 큰 위험을 초래할 수 있는 모든 종류의 임상적 현상을 포함하는 개념으로 이해되어야 할 것이다.Throughout the specification, "symptom exacerbation" should be understood as a concept including all kinds of clinical phenomena that may cause great danger to the life of a patient or subject.

명세서 전체에서 어떤 부분이 어떤 구성요소를 "포함"한다고 할 때, 이는 특별히 반대되는 기재가 없는 한 다른 구성요소를 제외하는 것이 아니라 다른 구성요소를 더 포함할 수 있음을 의미한다. 또한, 명세서에 기재된 "~부", "모듈" 등의 용어는 적어도 하나의 기능이나 동작을 처리하는 단위를 의미하며, 이는 하드웨어 또는 소프트웨어로 구현되거나 하드웨어와 소프트웨어의 결합으로 구현될 수 있다. 또한, 명세서 전체에서 어떤 부분이 다른 부분과 "연결"되어 있다고 할 때, 이는 "직접적으로 연결"되어 있는 경우뿐 아니라, "그 중간에 다른 소자를 사이에 두고"연결되어 있는 경우도 포함한다.When it is said that a certain part "includes" a certain component throughout the specification, it means that it may further include other components without excluding other components unless otherwise stated. In addition, terms such as “~unit” and “module” described in the specification refer to a unit that processes at least one function or operation, and may be implemented as hardware or software or a combination of hardware and software. In addition, when a part is said to be "connected" to another part throughout the specification, this includes not only the case of being "directly connected" but also the case of being connected "through another element therebetween".

이하 첨부된 도면을 참고하여 본 발명을 상세히 설명하기로 한다.Hereinafter, the present invention will be described in detail with reference to the accompanying drawings.

도 1은 본 발명의 일 실시 예에 따른 증상악화 예측 시스템의 블록도이다.1 is a block diagram of a symptom exacerbation prediction system according to an embodiment of the present invention.

도 1을 참조하면, 본 발명의 일 실시 예에 따른 증상악화 예측 시스템은 예측모델 생성부(100), 활력징후 데이터 획득부(200) 및 증상악화 판단부(300)를 포함하여 구성된다. 경우에 따라서 상기 증상악화 예측 시스템은 예측모델 갱신부(400)를 더 포함하여 구성될 수 있다.Referring to FIG. 1 , a symptom exacerbation prediction system according to an embodiment of the present invention includes a predictive model generation unit 100, a vital sign data acquisition unit 200, and a symptom exacerbation determination unit 300. Depending on the case, the symptom exacerbation prediction system may further include a predictive model updating unit 400 .

상기 예측모델 생성부(100)는 복수의 활력징후 데이터를 분석하여 환자의 증상이 악화될 확률을 산출하는 증상악화 예측모델을 생성할 수 있다. 예측모델 생성부(100)는 환자의 증상이 악화된 경우 또는 악화되지 않은 경우에 대한 레이블이 부여된 활력징후 데이터를 입력 받아 지도학습(supervised learning)을 수행하여 예측모델을 생성할 수 있다.The predictive model generation unit 100 may analyze a plurality of vital sign data to generate a symptom exacerbation predictive model that calculates a probability that a patient's symptoms will worsen. The predictive model generating unit 100 may generate a predictive model by performing supervised learning by receiving vital sign data labeled with or without worsening of the patient's symptoms.

이때, 증상악화 예측모델 생성에 사용되는 활력징후 데이터는 병원 내 데이터 베이스(1)에 기록된 전자 의무 기록 활력 징후 흐름도(Electronic Medical Record Vital Sign Flow Sheet)로부터 획득될 수 있다.At this time, the vital sign data used to generate the symptom exacerbation prediction model may be obtained from an Electronic Medical Record Vital Sign Flow Sheet recorded in the database 1 in the hospital.

상기 활력징후 데이터 획득부(200)는 전자 의무 기록 활력 징후 흐름도 또는 피검체에 접촉된 활력징후 측정수단을 이용하여 활력징후 데이터를 획득한다. 이때, 피검체는 본 발명에 다른 증상악화 예측 시스템을 이용하여 증상이 악화될지 여부를 예측하고자 하는 자를 의미한다.The vital sign data acquisition unit 200 acquires vital sign data using a vital sign flow chart in an electronic medical record or a vital sign measurement means contacting a subject. In this case, the subject means a person who intends to predict whether symptoms will worsen by using the symptom exacerbation prediction system according to the present invention.

상기 활력징후 데이터는 환자 또는 피검체의 호흡수, 맥박수, 수축기 혈압, 체온 또는 신경학적 징후를 포함할 수 있다.The vital sign data may include respiratory rate, pulse rate, systolic blood pressure, body temperature, or neurological signs of the patient or subject.

또한, 실시 예에 따라 상기 활력징후 데이터는, 상기 환자 또는 상기 피검체의 시간에 따른 상태 변화량을 포함 할 수 있다. 예를 들어, 피검체 또는 환자의 호흡수, 맥박수, 수축기 혈압, 체온 또는 신경학적 징후의 변화정도(즉, 시간에 따른 각 활력징후의 변화율)가 포함될 수 있다.Also, according to an embodiment, the vital sign data may include a state change over time of the patient or the subject. For example, the subject's or patient's respiratory rate, pulse rate, systolic blood pressure, body temperature, or degree of change in neurological signs (ie, rate of change of each vital sign over time) may be included.

상기 증상악화 판단부(300)는 상기 예측모델 생성부(100)에서 생성된 증상악화 예측모델을 적용하여 상기 피검체의 증상이 악화될지 여부를 판단한다. 즉, 미리 학습된 증상악화 예측모델에 기초하여 피검체의 증상이 악화될지 여부를 예측하여 그 결과를 제공한다.The symptom exacerbation determination unit 300 determines whether the symptoms of the subject will deteriorate by applying the symptom exacerbation prediction model generated by the prediction model generation unit 100 . That is, based on the previously learned symptom exacerbation prediction model, whether or not the subject's symptoms will deteriorate is predicted and the result is provided.

상기 예측모델 갱신부(400)는 증상악화 판단부(300)에서 판단한 피검체의 증상악화 여부와 피검체의 실제 증상악화 여부가 일치하는지 여부를 판단하고, 증상악화 판단부(300)에서 판단한 피검체의 증상악화 여부가 실제 증상악화 여부와 일치하는 경우, 증상악화 판단부(300)가 판단에 사용한 피검체의 활력징후 데이터에 기초하여, 증상악화 예측모델을 갱신한다. 예측모델 갱신부(400)에 의해 예측모델이 갱신됨에 따라 예측의 정확도가 향상될 수 있을 것이다.The predictive model updating unit 400 determines whether the subject's symptom exacerbation determined by the symptom exacerbation determination unit 300 matches the actual symptom exacerbation of the subject, and if the subject's symptom exacerbation determined by the symptom exacerbation determination unit 300 matches the actual symptom exacerbation, the symptom exacerbation determination unit 300 updates the symptom exacerbation prediction model based on the subject's vital sign data used for the determination. As the predictive model is updated by the predictive model updating unit 400, the accuracy of prediction may be improved.

실시 예에 따라, 상기 예측모델 갱신부(400)에서는 증상악화 판단부(300)의 판단 결과와 피검체의 실제 증상 악화 여부 간의 일치 여부에 따라 예측모델에서 이용되는 파라미터들이 수정될 수 있다.Depending on the embodiment, in the predictive model updating unit 400, parameters used in the predictive model may be modified according to whether a result of the symptom aggravation determining unit 300 matches and whether or not the subject's symptoms actually worsen.

도 2는 본 발명의 일 실시 예에 따른 증상악화 예측모델에 사용되는 순환신경망의 예시도이다.2 is an exemplary diagram of a recurrent neural network used in a symptom exacerbation prediction model according to an embodiment of the present invention.

도 2를 참조하면, 본 발명의 일 실시 예에 따른 증상악화 예측 시스템에서, 증상악화 예측모델은, 순환신경망 모델을 분석모델로 사용하는 기계학습 모델로 구현될 수 있다.Referring to FIG. 2 , in the exacerbation prediction system according to an embodiment of the present invention, the exacerbation prediction model may be implemented as a machine learning model using a recurrent neural network model as an analysis model.

또한, 본 발명의 일 실시 예에 따른 순환신경망 모델은 s(t)=f(Ux(t), Ws(t-1)) 및 y(t)=g(Vs(t))의 식에 의해 구현될 수 있다.In addition, the recurrent neural network model according to an embodiment of the present invention may be implemented by equations of s(t)=f(Ux(t), Ws(t-1)) and y(t)=g(Vs(t)).

여기서, x(t)는 t 시점에서의 입력 데이터 또는 입력 데이터로부터 가공된 입력(Input)을 의미하고, s(t)는 t 시점에서의 순환 신경망 모델의 기억에 상응하는 은닉상태(hidden state)를 의미하며, f(t)는 은닉 상태를 산출하도록 선택된 제 1 활성화 함수(tanh)를 의미한다.Here, x(t) means input data at time t or input processed from the input data, s(t) is a hidden state corresponding to the memory of the recurrent neural network model at time t. Means a state, and f(t) means a first activation function (tanh) selected to calculate a hidden state.

또한, U, V, W는 순환신경망 모델의 모든 시점에 걸쳐 동일하게 공유되는 신경망 파라미터들을 의미하고, y(t)는 t시점에서의 신경망 모델에 따른 출력층(Output)을 의미하며, g(t)는 출력층을 산출하도록 선택된 제 2 활성화함수(softmax)를 의미한다.In addition, U, V, and W mean neural network parameters that are equally shared across all time points of the recurrent neural network model, y (t) means an output layer according to the neural network model at time t, and g (t) means the second activation function (softmax) selected to calculate the output layer.

도 3은 본 발명의 일 실시 예에 따른 증상악화 예측 방법의 순서도이다.3 is a flowchart of a symptom exacerbation prediction method according to an embodiment of the present invention.

도 3을 참조하면, 본 발명의 일 실시 예에 따른 증상악화 예측 방법은 예측모델 생성단계(S100), 데이터 획득단계(S200), 증상악화 판단단계(S300)를 포함하여 구성될 수 있다. Referring to FIG. 3 , the method for predicting exacerbation of symptoms according to an embodiment of the present invention may include a predictive model generation step (S100), a data acquisition step (S200), and a symptom exacerbation determination step (S300).

상기 예측모델 생성단계(S100)에서는 예측 모델 생성부가 복수의 활력징후 데이터를 분석하여 환자의 증상이 악화될 확률을 산출한다.In the predictive model generating step (S100), the predictive model generating unit analyzes a plurality of vital sign data to calculate a probability that the patient's symptoms will deteriorate.

상기 데이터 획득단계(S200)에서는 활력징후 데이터 획득부(200)가 피검체의 활력징후 데이터를 획득한다.In the data acquisition step (S200), the vital sign data acquisition unit 200 acquires vital sign data of the subject.

상기 증상악화 판단단계(S300)에서는 증상악화 판단부(300)가 증상악화 예측모델을 적용하여 피검체의 증상이 악화될지 여부를 판단한다.In the symptom exacerbation determination step (S300), the symptom exacerbation determination unit 300 determines whether the subject's symptoms will worsen by applying a symptom exacerbation prediction model.

상기 활력징후 데이터는, 환자 또는 피검체의 호흡수, 맥박수, 수축기 혈압, 체온 또는 신경학적 징후를 포함 할 수 있다. 또한, 상기 활력징후 데이터는, 환자 또는 상기 피검체의 시간에 따른 상태 변화량을 포함 할 수 있다.The vital sign data may include respiratory rate, pulse rate, systolic blood pressure, body temperature, or neurological signs of the patient or subject. In addition, the vital sign data may include a state change over time of the patient or the subject.

상기 예측모델 생성단계(S100)는, 상기 증상악화 예측모델을 순환신경망 모델을 분석모델로 사용하는 기계학습 모델로 구현하는 단계를 더 포함할 수 있다.The predictive model generating step (S100) may further include implementing the symptom exacerbation prediction model as a machine learning model using a recurrent neural network model as an analysis model.

상기 순환신경망 모델은 s(t)=f(Ux(t), Ws(t-1)) 및 y(t)=g(Vs(t))의 식으로 구현될 수 있다.The recurrent neural network model may be implemented as s(t)=f(Ux(t), Ws(t-1)) and y(t)=g(Vs(t)).

여기서, x(t)는 t 시점에서의 입력 데이터 또는 입력 데이터로부터 가공된 인풋을 의미하고, s(t)는 t 시점에서의 순환 신경망 모델의 기억에 상응하는 은닉상태(hidden state)를 의미하며, f(t)는 은닉 상태를 산출하도록 선택된 제 1 활성화 함수(tanh)를 의미한다.Here, x(t) means input data at time t or input processed from the input data, s(t) means a hidden state corresponding to the memory of the recurrent neural network model at time t, and f(t) means the first activation function (tanh) selected to calculate the hidden state.

또한, U, V, W는 순환신경망 모델의 모든 시점에 걸쳐 동일하게 공유되는 신경망 파라미터들을 의미하고, y(t)는 t시점에서의 신경망 모델에 따른 출력층을 의미하며, g(t)는 출력층을 산출하도록 선택된 제 2 활성화함수(softmax)를 의미한다.In addition, U, V, and W mean neural network parameters that are equally shared across all time points of the recurrent neural network model, y (t) means an output layer according to the neural network model at time t, and g (t) means the second activation function (softmax) selected to calculate the output layer.

도 4는 본 발명의 일 실시 예에 따른 증상악화 예측 방법의 흐름을 나타내는 예시도이다.4 is an exemplary view showing the flow of a symptom exacerbation prediction method according to an embodiment of the present invention.

도 4를 참조하면, 본 발명의 일 실시 예에 따른 증상악화 예측 방법은 실시 예에 따라, 예측모델 갱신단계(S400)를 더 포함할 수 있다.Referring to FIG. 4 , the method for predicting symptom exacerbation according to an embodiment of the present invention may further include a predictive model updating step (S400) according to the embodiment.

상기 예측모델 갱신단계(S400)는 증상악화 판단부(300)에서 판단한 피검체의 증상악화 여부와 피검체의 실제 증상악화 여부가 일치하는 경우, 증상악화 판단부(300)가 판단에 사용한 피검체의 활력징후 데이터에 기초하여 증상악화 예측모델을 갱신할 수 있다.In the predictive model updating step (S400), when the subject's symptom exacerbation determined by the symptom exacerbation determination unit 300 matches the subject's symptom exacerbation, the symptom exacerbation determination unit 300 may update the symptom exacerbation prediction model based on vital sign data of the subject used for the determination.

본 발명의 일 실시 예에 따른 장치와 관련하여서는 전술한 장치에 대한 내용이 적용될 수 있다. 따라서, 장치와 관련하여 전술한 방법에 대한 내용과 동일한 내용에 대하여는 설명을 생략한다.Regarding the device according to an embodiment of the present invention, the above-described device may be applied. Accordingly, descriptions of the same contents as those of the method described above in relation to the apparatus are omitted.

전술한 본 발명의 설명은 예시를 위한 것이며, 본 발명이 속하는 기술분야의 통상의 지식을 가진 자는 본 발명의 기술적 사상이나 필수적인 특징을 변경하지 않고서 다른 구체적인 형태로 쉽게 변형이 가능하다는 것을 이해할 수 있을 것이다. 그러므로, 이상에서 기술한 실시 예들은 모든 면에서 예시적인 것이며, 한정적이 아닌 것으로 이해해야만 한다. 예를 들어, 단일형으로 설명되어 있는 각 구성요소는 분산되어 실시될 수도 있으며, 마찬가지로 분산된 것으로 설명되어 있는 구성 요소들도 결합된 형태로 실시될 수 있다.The above description of the present invention is for illustrative purposes, and those skilled in the art may understand that it can be easily modified into other specific forms without changing the technical spirit or essential features of the present invention. Therefore, it should be understood that the embodiments described above are illustrative in all respects and not restrictive. For example, each component described as a single type may be implemented in a distributed manner, and similarly, components described as distributed may be implemented in a combined form.

본 발명의 범위는 상기 상세한 설명보다는 후술하는 특허청구범위게 의하여 나타내어지며, 특허청구범위의 의미 및 범위 그리고 그 균등 개념으로부터 도출되는 모든 변경 또는 변형된 형태가 본 발명의 범위에 포함되는 것으로 해석되어야 한다. The scope of the present invention is indicated by the following claims rather than the above detailed description, and all changes or modifications derived from the meaning and scope of the claims and equivalent concepts thereof should be construed as being included in the scope of the present invention.

1: 데이터 베이스
100: 예측모델 생성부
200: 활력징후 데이터 획득부
300: 증상악화 판단부
400: 예측모델 갱신부1: database
100: prediction model generation unit
200: Vital sign data acquisition unit
300: symptom aggravation determination unit
400: prediction model updating unit

Claims (13)

복수의 활력징후 데이터를 분석하여 환자의 증상이 악화될 확률을 산출하는 증상악화 예측모델을 생성하는 증상악화 예측 모델 생성부;
전자 의무 기록 활력 징후 흐름도 및 피검체에 접촉된 활력징후 측정수단을 이용하여 활력징후 데이터를 획득하는 활력징후 데이터 획득부;
상기 증상악화 예측모델을 적용하여 상기 피검체의 증상이 악화될지 여부를 판단하는 증상악화 판단부; 및
상기 증상악화 판단부에서 판단한 상기 피검체의 증상악화 여부와 상기 피검체의 실제 증상악화 여부가 일치하는 경우, 기 증상악화 판단부가 판단에 사용한 상기 피검체의 활력징후 데이터에 기초하여, 모든 시점에 걸쳐 동일하게 공유되는 신경망 파라미터를 수정해 증상악화 예측모델을 갱신하는 예측모델 갱신부를 포함하고,
상기 활력징후 데이터는 환자의 증상의 악화여부에 따른 레이블이 부여되고,
상기 증상악화 예측 모델 생성부는 레이블이 부여된 활력징후 데이터를 입력 받아 학습을 수행하고,
상기 활력징후 데이터는, 상기 환자 또는 상기 피검체의 시간에 따른 상태 변화량 및 시간에 따른 각 활력징후의 변화율을 포함하고,
상기 증상악화 예측모델은, 순환신경망 모델을 분석모델로 사용하는 기계학습 모델로 구현되고,
상기 순환신경망 모델은 하기의 [수학식 1]의 연산으로 구현되는 것을 특징으로 하는 증상악화 예측 시스템.
[수학식 1]
s(t)=f(Ux(t), Ws(t-1)) 및 y(t)=g(Vs(t))
(여기서, x(t)는 t 시점에서의 입력 데이터를, s(t)는 t 시점에서의 은닉상태를, U, V, W는 순환신경망 모델의 신경망 파라미터를, f(t)는 제 1 활성화 함수(tanh)를, y(t)는 t시점에서의 출력층을, 상기 g(t)는 제 2 활성화함수(softmax)를 의미하는 것임.)
a symptom exacerbation prediction model generator generating a symptom exacerbation prediction model that calculates a probability that the patient's symptoms will worsen by analyzing a plurality of vital sign data;
a vital sign data acquiring unit that obtains vital sign data using the electronic medical record vital sign flow chart and the vital sign measurement means contacting the subject;
a symptom exacerbation determination unit determining whether the subject's symptoms will worsen by applying the symptom exacerbation prediction model; and
When the subject's symptom exacerbation determined by the symptom exacerbation determination unit matches the actual symptom exacerbation of the subject, a predictive model updating unit for updating a symptom exacerbation prediction model by modifying neural network parameters equally shared at all time points based on vital sign data of the subject used by the exacerbation determination unit for determination;
The vital sign data is assigned a label according to whether the patient's symptoms worsen,
The symptom exacerbation prediction model generation unit receives labeled vital sign data and performs learning,
The vital sign data includes an amount of state change over time and a rate of change of each vital sign over time of the patient or the subject,
The symptom exacerbation prediction model is implemented as a machine learning model using a recurrent neural network model as an analysis model,
The recurrent neural network model is a symptom exacerbation prediction system, characterized in that implemented by the operation of [Equation 1] below.
[Equation 1]
s(t)=f(Ux(t), Ws(t-1)) and y(t)=g(Vs(t))
(Where x(t) is the input data at time t, s(t) is the hidden state at time t, U, V, and W are the neural network parameters of the recurrent neural network model, f(t) is the first activation function (tanh), y(t) is the output layer at time t, and g(t) means the second activation function (softmax).)
 제 1 항에 있어서,
상기 활력징후 데이터는,
상기 환자 또는 상기 피검체의 호흡수, 맥박수, 수축기 혈압, 체온 또는 신경학적 징후를 포함하는 것을 특징으로 하는 증상악화 예측 시스템.
According to claim 1,
The vital sign data,
Symptoms worsening prediction system, characterized in that it comprises a respiratory rate, pulse rate, systolic blood pressure, body temperature or neurological signs of the patient or the subject.
 삭제delete 삭제delete 삭제delete 삭제delete 예측 모델 생성부가 복수의 활력징후 데이터를 분석하여 환자의 증상이 악화될 확률을 산출하는 증상악화 예측모델을 생성하는 예측모델 생성단계;
전자 의무 기록 활력 징후 흐름도 및 피검체에 접촉된 활력징후 측정수단을 이용하여 활력징후 데이터 획득부가 피검체의 활력징후 데이터를 획득하는 데이터 획득단계;
증상악화 판단부가 상기 증상악화 예측모델을 적용하여 상기 피검체의 증상이 악화될지 여부를 판단하는 증상악화 판단단계; 및
상기 증상악화 판단부에서 판단한 상기 피검체의 증상악화 여부와 상기 피검체의 실제 증상악화 여부가 일치하는 경우, 상기 증상악화 판단부가 판단에 사용한 상기 피검체의 활력징후 데이터에 기초하여, 모든 시점에 걸쳐 동일하게 공유되는 신경망 파라미터를 수정해 상기 증상악화 예측모델을 갱신하는 예측모델 갱신단계를 포함하고,
상기 활력징후 데이터는 환자의 증상의 악화여부에 따른 레이블이 부여되고,
상기 예측 모델 생성부는 레이블이 부여된 활력징후 데이터를 입력 받아 학습을 수행하고,
상기 활력징후 데이터는, 상기 환자 또는 상기 피검체의 시간에 따른 상태 변화량 및 시간에 따른 각 활력징후의 변화율을 포함하고,
상기 예측모델 생성단계는, 상기 증상악화 예측모델을 순환신경망 모델을 분석모델로 사용하는 기계학습 모델로 구현하는 단계를 더 포함하고,
상기 순환신경망 모델은
하기의 [수학식 1]의 연산으로 구현되는 것을 특징으로 하는 증상악화 예측 방법.
[수학식 1]
s(t)=f(Ux(t), Ws(t-1)) 및 y(t)=g(Vs(t))
(여기서, x(t)는 t 시점에서의 입력 데이터를, s(t)는 t 시점에서의 은닉상태를, U, V, W는 순환신경망 모델의 신경망 파라미터를, f(t)는 제 1 활성화 함수(tanh)를, y(t)는 t시점에서의 출력층을, 상기 g(t)는 제 2 활성화함수(softmax)를 의미하는 것임.)
a predictive model generation step of generating a symptom exacerbation predictive model for calculating a probability that the patient's symptoms will worsen by analyzing a plurality of vital sign data by a predictive model generator;
a data acquisition step in which a vital sign data obtaining unit acquires vital sign data of a subject using the electronic medical record vital sign flow chart and a vital sign measurement means contacting the subject;
a symptom exacerbation determination step in which a symptom exacerbation determining unit applies the symptom exacerbation prediction model to determine whether or not the subject's symptoms will worsen; and
When the subject's symptom exacerbation determined by the symptom exacerbation determination unit matches the actual symptom exacerbation of the subject, a predictive model updating step of updating the symptom exacerbation prediction model by modifying neural network parameters that are equally shared at all time points based on the vital sign data of the subject used for determination by the symptom exacerbation determination unit,
The vital sign data is assigned a label according to whether the patient's symptoms worsen,
The predictive model generation unit receives labeled vital sign data and performs learning,
The vital sign data includes an amount of state change over time and a rate of change of each vital sign over time of the patient or the subject,
The generating of the prediction model further includes implementing the symptom exacerbation prediction model as a machine learning model using a recurrent neural network model as an analysis model,
The recurrent neural network model is
A symptom aggravation prediction method characterized in that it is implemented by the operation of [Equation 1] below.
[Equation 1]
s(t)=f(Ux(t), Ws(t-1)) and y(t)=g(Vs(t))
(Where x(t) is the input data at time t, s(t) is the hidden state at time t, U, V, and W are the neural network parameters of the recurrent neural network model, f(t) is the first activation function (tanh), y(t) is the output layer at time t, and g(t) means the second activation function (softmax).)
 제 7 항에 있어서,
상기 활력징후 데이터는,
상기 환자 또는 상기 피검체의 호흡수, 맥박수, 수축기 혈압, 체온 또는 신경학적 징후를 포함하는 것을 특징으로 하는 증상악화 예측 방법.
According to claim 7,
The vital sign data,
The symptom exacerbation prediction method, characterized in that it comprises a respiratory rate, pulse rate, systolic blood pressure, body temperature or neurological signs of the patient or the subject.
 삭제delete 삭제delete 삭제delete 삭제delete 제 7 항의 방법을 구현하기 위한 프로그램이 기록된 컴퓨터로 판독 가능한 기록매체.
A computer-readable recording medium on which a program for implementing the method of claim 7 is recorded.
KR1020210012046A 2021-01-28 2021-01-28 The system and method of symptom worsening prediction KR102559047B1 (en)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020210012046A KR102559047B1 (en) 2021-01-28 2021-01-28 The system and method of symptom worsening prediction

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020210012046A KR102559047B1 (en) 2021-01-28 2021-01-28 The system and method of symptom worsening prediction

Publications (2)

Publication Number Publication Date
KR20220108944A KR20220108944A (en) 2022-08-04
KR102559047B1 true KR102559047B1 (en) 2023-07-21

Family

ID=82837092

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020210012046A KR102559047B1 (en) 2021-01-28 2021-01-28 The system and method of symptom worsening prediction

Country Status (1)

Country Link
KR (1) KR102559047B1 (en)

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2019017998A (en) 2017-07-14 2019-02-07 公立大学法人横浜市立大学 Severity estimation device and severity estimation program
JP2020042598A (en) 2018-09-12 2020-03-19 国立大学法人神戸大学 State prediction method and device by individual characteristic separation from biological signal data
JP2020532025A (en) * 2017-08-11 2020-11-05 ビュノ インコーポレイテッドＶｕｎｏ， Ｉｎｃ． A method for generating a prediction result for predicting the occurrence of a fatal symptom of a subject at an early stage, and a device using the prediction result.

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102129730B1 (en) * 2018-02-21 2020-07-06 주식회사 삼육오엠씨네트웍스 Patient condition predicting apparatus based on artificial intelligence and predicting method using the same

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2019017998A (en) 2017-07-14 2019-02-07 公立大学法人横浜市立大学 Severity estimation device and severity estimation program
JP2020532025A (en) * 2017-08-11 2020-11-05 ビュノ インコーポレイテッドＶｕｎｏ， Ｉｎｃ． A method for generating a prediction result for predicting the occurrence of a fatal symptom of a subject at an early stage, and a device using the prediction result.
JP2020042598A (en) 2018-09-12 2020-03-19 国立大学法人神戸大学 State prediction method and device by individual characteristic separation from biological signal data

Also Published As

Publication number Publication date
KR20220108944A (en) 2022-08-04

Similar Documents

Publication Publication Date Title
US6443889B1 (en) Provision of decision support for acute myocardial infarction
CN107438399B (en) Cardiovascular deterioration early warning score
KR102129730B1 (en) Patient condition predicting apparatus based on artificial intelligence and predicting method using the same
JP7293050B2 (en) Mild Cognitive Impairment Judgment System
KR101841222B1 (en) Method for generating prediction results for early prediction of fatal symptoms of a subject and apparatus using the same
US11857292B2 (en) Method for diagnosing vascular disease and apparatus therefor
JP7229491B1 (en) Learning device and estimation system
US11707217B2 (en) Diagnosis and effectiveness of monitoring attention deficit hyperactivity disorder
WO2021123045A1 (en) System and method for configuring data collection for a digital twin
US20220165417A1 (en) Population-level gaussian processes for clinical time series forecasting
JP2018534697A (en) System and method for facilitating health monitoring based on personalized predictive models
El-Ganainy et al. A new real time clinical decision support system using machine learning for critical care units
JP2023527001A (en) Method and system for personalized risk score analysis
Takale et al. Analysis of Clinical Decision Support System in Healthcare Industry Using Machine Learning Approach
US11813077B2 (en) Arrhythmic heartbeat resilient sleep apnea detection
KR102559047B1 (en) The system and method of symptom worsening prediction
TWI680469B (en) Modular medical test decision support system and method applied to clinical auxiliary diagnosis
JP2009268680A (en) Apparatus, method and program for predicting prognosis of patient treated with peg
JP2018519983A (en) A system to detect and predict early onset of symptom deterioration in patients with chronic obstructive bronchopneumonia
Wu et al. Adaptable action-aware vital models for personalized intelligent patient monitoring
JP2024513618A (en) Methods and systems for personalized prediction of infections and sepsis
Malik et al. Heart Disease Prediction Using Artificial Intelligence
US20220415509A1 (en) Systems and methods for modelling a human subject
Data et al. Signal processing: False alarm reduction
EP3901965A1 (en) Stress twin for individuals

Legal Events

Date Code Title Description
E902 Notification of reason for refusal
AMND Amendment
E601 Decision to refuse application
AMND Amendment
X701 Decision to grant (after re-examination)
GRNT Written decision to grant