KR102559223B1 - 기계 학습에 기반한 조산 위험도 예측 장치 - Google Patents

기계 학습에 기반한 조산 위험도 예측 장치 Download PDF

Info

Publication number
KR102559223B1
KR102559223B1 KR1020210094439A KR20210094439A KR102559223B1 KR 102559223 B1 KR102559223 B1 KR 102559223B1 KR 1020210094439 A KR1020210094439 A KR 1020210094439A KR 20210094439 A KR20210094439 A KR 20210094439A KR 102559223 B1 KR102559223 B1 KR 102559223B1
Authority
KR
South Korea
Prior art keywords
risk
bacterial
premature birth
birth
bacteria
Prior art date
Application number
KR1020210094439A
Other languages
English (en)
Other versions
KR20230013726A (ko
Inventor
이명훈
오대중
최덕권
정서율
Original Assignee
주식회사 디앤피바이오텍
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 주식회사 디앤피바이오텍 filed Critical 주식회사 디앤피바이오텍
Priority to KR1020210094439A priority Critical patent/KR102559223B1/ko
Publication of KR20230013726A publication Critical patent/KR20230013726A/ko
Application granted granted Critical
Publication of KR102559223B1 publication Critical patent/KR102559223B1/ko

Links

Classifications

    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • 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
    • C—CHEMISTRY; METALLURGY
    • C12—BIOCHEMISTRY; BEER; SPIRITS; WINE; VINEGAR; MICROBIOLOGY; ENZYMOLOGY; MUTATION OR GENETIC ENGINEERING
    • C12Q—MEASURING OR TESTING PROCESSES INVOLVING ENZYMES, NUCLEIC ACIDS OR MICROORGANISMS; COMPOSITIONS OR TEST PAPERS THEREFOR; PROCESSES OF PREPARING SUCH COMPOSITIONS; CONDITION-RESPONSIVE CONTROL IN MICROBIOLOGICAL OR ENZYMOLOGICAL PROCESSES
    • C12Q1/00—Measuring or testing processes involving enzymes, nucleic acids or microorganisms; Compositions therefor; Processes of preparing such compositions
    • C12Q1/68—Measuring or testing processes involving enzymes, nucleic acids or microorganisms; Compositions therefor; Processes of preparing such compositions involving nucleic acids
    • C12Q1/6876—Nucleic acid products used in the analysis of nucleic acids, e.g. primers or probes
    • C12Q1/6888—Nucleic acid products used in the analysis of nucleic acids, e.g. primers or probes for detection or identification of organisms
    • C12Q1/689—Nucleic acid products used in the analysis of nucleic acids, e.g. primers or probes for detection or identification of organisms for bacteria
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16C—COMPUTATIONAL CHEMISTRY; CHEMOINFORMATICS; COMPUTATIONAL MATERIALS SCIENCE
    • G16C20/00—Chemoinformatics, i.e. ICT specially adapted for the handling of physicochemical or structural data of chemical particles, elements, compounds or mixtures
    • G16C20/30—Prediction of properties of chemical compounds, compositions or mixtures
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16C—COMPUTATIONAL CHEMISTRY; CHEMOINFORMATICS; COMPUTATIONAL MATERIALS SCIENCE
    • G16C20/00—Chemoinformatics, i.e. ICT specially adapted for the handling of physicochemical or structural data of chemical particles, elements, compounds or mixtures
    • G16C20/70—Machine learning, data mining or chemometrics
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16C—COMPUTATIONAL CHEMISTRY; CHEMOINFORMATICS; COMPUTATIONAL MATERIALS SCIENCE
    • G16C60/00—Computational materials science, i.e. ICT specially adapted for investigating the physical or chemical properties of materials or phenomena associated with their design, synthesis, processing, characterisation or utilisation
    • 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
    • G16H50/70—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for mining of medical data, e.g. analysing previous cases of other patients

Landscapes

  • Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Chemical & Material Sciences (AREA)
  • Medical Informatics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Public Health (AREA)
  • Theoretical Computer Science (AREA)
  • General Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Biomedical Technology (AREA)
  • Databases & Information Systems (AREA)
  • Proteomics, Peptides & Aminoacids (AREA)
  • Organic Chemistry (AREA)
  • Software Systems (AREA)
  • Analytical Chemistry (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Primary Health Care (AREA)
  • Epidemiology (AREA)
  • Pathology (AREA)
  • Evolutionary Computation (AREA)
  • Zoology (AREA)
  • Crystallography & Structural Chemistry (AREA)
  • General Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Wood Science & Technology (AREA)
  • Artificial Intelligence (AREA)
  • Immunology (AREA)
  • Microbiology (AREA)
  • Molecular Biology (AREA)
  • Biotechnology (AREA)
  • Biophysics (AREA)
  • Mathematical Physics (AREA)
  • Biochemistry (AREA)
  • Genetics & Genomics (AREA)
  • General Physics & Mathematics (AREA)
  • Investigating Or Analysing Biological Materials (AREA)

Abstract

본 발명은 산모의 자궁경부 질액의 박테리아 위험도 점수를 이용한 기계 학습에 기반한 조산 위험도 예측 장치에 관한 것이다.
본 발명에 따른 기계 학습에 기반한 조산 위험도 예측 장치는 학습대상 산모들의 자궁 경부에 존재하는 박테리아들의 종류와 수량으로 이루어진 박테리아 군집 정보와 상기 산모들의 혈액에 존재하는 백혈구 정보를 수집하는 학습데이터 수집부, 상기 학습대상 산모들의 박테리아 군집 정보를 구성하는 박테리아들의 수량을 산모별 박테리아들의 상대적인 구성비율로 정규화하여 정규화 박테리아 군집정보를 생성하는 학습데이터 정규화부, 상기 정규화 박테리아 군집 정보에 의사 결정 트리(Decision Tree) 기법을 적용하여 박테리아와 조산의 연관성을 나타내는 박테리아 위험도 점수(bacterial risk score)를 산출하기 위한 박테리아 위험도 모델을 생성하는 박테리아 위험도 모델 생성부 및 상기 백혈구 정보와 상기 박테리아 위험도 점수에 선형 서포트 벡터 머신(Support Vector Machine, SVM) 기법을 적용하여 조산 위험도 점수(preterm birth risk score)를 산출하기 위한 조산 위험도 모델을 생성하는 조산 위험도 모델 생성부를 포함한다.
본 발명에 따르면, 산모들의 자궁 경부에 존재하는 박테리아들의 종류와 수량으로 이루어진 박테리아 군집 정보와 산모들의 혈액에 존재하는 백혈구 정보에 기계학습 알고리즘을 적용하여 조산 발생 여부를 정확하고 신속하게 예측할 수 있다.

Description

기계 학습에 기반한 조산 위험도 예측 장치{PRETERM BIRTH RISK PREDICTION APPARATUS BASED ON MACHINE LEARNING USING BACTERIAL RISK SCORE}
본 발명은 기계 학습에 기반한 조산 위험도 예측 장치에 관한 것이다. 보다 구체적으로, 본 발명은 산모들의 자궁 경부에 존재하는 박테리아들의 종류와 수량으로 이루어진 박테리아 군집 정보와 산모들의 혈액에 존재하는 백혈구 정보에 기계학습 알고리즘을 적용하여 조산 발생 여부를 정확하고 신속하게 예측할 수 있는 기계 학습에 기반한 조산 위험도 예측 장치에 관한 것이다.
조산(preterm birth, PTB)은 일반적으로 임신 20주 내지 37주 사이에 분만하는 것을 의미하며, 조산으로 태어난 신생아는 전체 영아 사망자의 약 60%를 차지할 정도로 사망의 위험이 높고, 생존아의 경우에도 신경계 발달장애, 호흡기계 합병증, 출생 후 성장지연 등으로 신생아 집중치료가 필요하며, 더 나아가 심각한 장기적 또는 단기적 질환의 이환율이 높다. 조산의 약 70%는 자궁 내 감염 및 염증과 같은 다양한 병리학적 과정으로 인한 조기 진통(preterm labor, PTL) 및 조기 양막 파열(preterm premature rupture of membrane, PPROM)로 인해 발생한다. 하지만 조산과 관련된 기전은 아직 명확히 밝혀져 있지 않으며, 자연적 진통과 흔히 연관된 위험 인자는 생식기계감염, 다태 임신, 임신 제2, 3 삼분기 출혈 및 이전의 조산기왕력 등이 있다.
조산아의 생존율을 향상시키기 위한 최소한의 임신 주수는 27주 및 출생체중은 0.9 kg이고, 출생 신생아의 이환과 사망은 출생체중보다는 일차적으로 임신 주수, 즉 성숙도에 영향을 받는 것으로 알려져 있다. 따라서 이른 주수에 조산의 징후가 왔을 때, 적절한 치료를 통하여 분만 주수를 지연시켜 신생아를 성숙도를 높이는 것은 산모와 신생아의 건강과 삶의 질과 비용에 중대한 관건이 된다.
현재까지 조산의 치료를 위하여 조기진통의 산모에게 자궁수축 억제제 투여, 항생제 치료, 스테로이드제 및 프로게스테론 투여를 통해 진통을 억제하고 분만을 지연시켜왔다. 그러나, 이미 조기진통 및 조기 양막 파열이 발생한 경우에는 자궁 내 감염 및 염증에 대한 항생제의 치료 효과는 매우 제한적이며 조산을 막을 수는 없는 것으로 알려져 있다. 또한 자궁경관 무력증의 산모인 경우 감염과 유산에 대한 상당한 위험이 있기 때문에 조기분만의 치료와 예방으로서 자궁경부봉축술을 시행하여 왔으나, 이것이 근본적인 치료는 될 수 없으며 단기간의 임신 연장에 도움이 되는 정도로 알려져 있다.
따라서, 조산의 위험성을 정확하고 신속하게 예측할 수 있는 기술적 수단이 시급히 요구된다.
등록특허공보 제10-1872457호(등록일자: 2018년 06월 22일, 명칭: 혈액 내 미생물 군집의 변화를 이용한 조산 위험성의 예측)
본 발명의 기술적 과제는 산모들의 자궁 경부에 존재하는 박테리아들의 종류와 수량으로 이루어진 박테리아 군집 정보와 산모들의 혈액에 존재하는 백혈구 정보에 기계학습 알고리즘을 적용하여 조산 발생 여부를 정확하고 신속하게 예측할 수 있는 기계 학습에 기반한 조산 위험도 예측 장치를 제공하는 것이다.
이러한 기술적 과제를 해결하기 위한 본 발명에 따른 기계 학습에 기반한 조산 위험도 예측 장치는 학습대상 산모들의 자궁 경부에 존재하는 박테리아들의 종류와 수량으로 이루어진 박테리아 군집 정보와 상기 산모들의 혈액에 존재하는 백혈구 정보를 수집하는 학습데이터 수집부, 상기 학습대상 산모들의 박테리아 군집 정보를 구성하는 박테리아들의 수량을 산모별 박테리아들의 상대적인 구성비율로 정규화하여 정규화 박테리아 군집정보를 생성하는 학습데이터 정규화부, 상기 정규화 박테리아 군집 정보에 의사 결정 트리(Decision Tree) 기법을 적용하여 박테리아와 조산의 연관성을 나타내는 박테리아 위험도 점수(bacterial risk score)를 산출하기 위한 박테리아 위험도 모델을 생성하는 박테리아 위험도 모델 생성부 및 상기 백혈구 정보와 상기 박테리아 위험도 점수에 선형 서포트 벡터 머신(Support Vector Machine, SVM) 기법을 적용하여 조산 위험도 점수(preterm birth risk score)를 산출하기 위한 조산 위험도 모델을 생성하는 조산 위험도 모델 생성부를 포함한다.
본 발명에 따른 기계 학습에 기반한 조산 위험도 예측 장치에 있어서, 상기 박테리아 군집 정보를 구성하는 박테리아들은 락토바실러스 크리스파투스(Lactobacillus crispatus, L. crispatus), 락토바실러스 이너스(Lactobacillus iners, L. iners), 웨이셀라 코리엔시스(Weissella koreensis, W. koreensis), 유레아플라즈마 유레아리티쿰(Ureaplasma urealyticum, U. urealyticum), 유레아플라즈마 파붐(Ureaplasma parvum, U. parvum) 및 가드네렐라 바지날리스(Gardnerella vaginalis, G. vaginalis)를 포함하는 것을 특징으로 한다.
본 발명에 따른 기계 학습에 기반한 조산 위험도 예측 장치에 있어서, 상기 박테리아 위험도 모델 생성부는 상기 학습대상 산모들의 정규화 박테리아 군집 정보를 구성하는 박테리아들의 상대적인 구성비율을 변수(variable)로 하고, 조산 저위험군, 조산 중위험군, 조산 고위험군을 범주(category)로 하여, 모든 변수에 대하여 비교 임계값을 변경하면서 상기 의사 결정 트리 기법에 따른 비교 과정을 수행하여 상기 학습대상 산모들을 상기 학습대상 산모들의 박테리아 군집 정보를 구성하는 박테리아들의 상대적인 구성비율에 따라 상기 조산 저위험군, 상기 조산 중위험군, 상기 조산 고위험군 중에서 하나의 범주로 분류하는 것을 특징으로 한다.
본 발명에 따른 기계 학습에 기반한 조산 위험도 예측 장치에 있어서, 상기 박테리아 위험도 모델 생성부는 상기 락토바실러스 이너스(Lactobacillus iners, L. iners)의 구성비율이 0.812 이상인 산모들을 상기 조산 저위험군으로 분류하고, 상기 락토바실러스 이너스(Lactobacillus iners, L. iners)의 구성비율이 0.812 미만이고 상기 유레아플라즈마 파붐(Ureaplasma parvum, U. parvum)이 4.6*10-3 이상인 산모들을 상기 조산 고위험군으로 분류하고, 상기 락토바실러스 이너스(Lactobacillus iners, L. iners)의 구성비율이 0.812 미만이고 상기 유레아플라즈마 파붐(Ureaplasma parvum, U. parvum)이 4.6*10-3 미만인 산모들을 상기 조산 중위험군으로 분류하는 것을 특징으로 한다.
본 발명에 따른 기계 학습에 기반한 조산 위험도 예측 장치에 있어서, 상기 조산 고위험군의 박테리아 위험도 점수는 상기 조산 중위험군보다 높고, 상기 조산 중위험군의 박테리아 위험도 점수는 상기 조산 저위험군보다 높은 것을 특징으로 한다.
본 발명에 따르면, 산모들의 자궁 경부에 존재하는 박테리아들의 종류와 수량으로 이루어진 박테리아 군집 정보와 산모들의 혈액에 존재하는 백혈구 정보에 기계학습 알고리즘을 적용하여 조산 발생 여부를 정확하고 신속하게 예측할 수 있는 기계 학습에 기반한 조산 위험도 예측 장치가 제공되는 효과가 있다.
도 1은 본 발명의 일 실시 예에 따른 기계 학습에 기반한 조산 위험도 예측 장치를 나타낸 도면이고,
도 2는 본 발명의 본 발명의 일 실시 예에 따른 기계 학습에 기반한 조산 위험도 예측 장치의 전체적인 동작을 예시적으로 나타낸 도면이고,
도 3은 본 발명의 일 실시 예에 있어서, 산모별 박테리아의 절대 검출량을 나타낸 도면이고,
도 4는 본 발명의 일 실시 예에 있어서, 산모별 박테리아의 상대 검출량을 나타낸 도면이고,
도 5는 본 발명의 일 실시 예에 있어서, 박테리아와 조산의 연관성을 확인하기 위해 이용되는 의사 결정 트리(Decision tree) 기법을 개략적으로 설명하기 위한 도면이고,
도 6은 본 발명의 일 실시 예에 있어서, 박테리아와 조산의 연관성을 확인하기 위한 의사 결정 트리 생성 과정에서 첫 번째 분기 노드를 생성하는 과정을 예시적으로 설명하기 위한 도면이고,
도 7은 본 발명의 일 실시 예에 있어서, 박테리아와 조산의 연관성을 확인하기 위한 의사 결정 트리 생성 과정에서 두 번째 분기 노드를 생성하는 과정을 예시적으로 설명하기 위한 도면이고,
도 8은 본 발명의 일 실시 예에 있어서, 박테리아와 조산의 연관성을 확인하기 위한 의사 결정 트리 생성 과정에서 세 번째 분기 노드를 생성하는 과정을 예시적으로 설명하기 위한 도면이고,
도 9는 도 6 내지 도 8의 과정을 통해 최종적으로 생성되는 의사 결정 트리를 예시적으로 나타낸 도면이고,
도 10은 도 9의 결과를 3차원으로 표현한 예측 모델인 박테리아 위험도 모델을 예시적으로 나타낸 도면이고,
도 11은 본 발명의 일 실시 예에 있어서, 박테리아 위험도 모델 생성부가 박테리아 위험도 모델을 생성하는 알고리즘을 예시적으로 나타낸 도면이고,
도 12는 도 11에 예시된 알고리즘에 따라 학습대상 산모들이 저위험군, 중위험군, 고위험군으로 분류되는 구성을 나타낸 도면이고,
도 13은 본 발명의 일 실시 예에 있어서, 학습대상 산모들의 백혈구 수치와 조산과의 연관성을 나타낸 도면이고,
도 14와 도 15는 본 발명의 일 실시 예에 있어서, 조산 위험도 모델 생성부가 박테리아 위험도 점수와 백혈구 정보를 융합하여 조산 위험도를 예측하기 위해 이용되는 선형 서포트 벡터 머신(Support Vector Machine, SVM) 기법을 설명하기 위한 도면이고,
도 16은 조산 위험도 예측 성능을 백혈구 정보만을 이용하여 예측한 경우와 박테리아 정보와 백혈구 정보를 모두 이용하여 예측한 경우를 대비하여 나타낸 도면이다.
본 명세서에 개시된 본 발명의 개념에 따른 실시 예들에 대해서 특정한 구조적 또는 기능적 설명은 단지 본 발명의 개념에 따른 실시 예들을 설명하기 위한 목적으로 예시된 것으로서, 본 발명의 개념에 따른 실시 예들은 다양한 형태들로 실시될 수 있으며 본 명세서에 설명된 실시 예들에 한정되지 않는다.
본 발명의 개념에 따른 실시 예들은 다양한 변경들을 가할 수 있고 여러 가지 형태들을 가질 수 있으므로 실시 예들을 도면에 예시하고 본 명세서에서 상세하게 설명하고자 한다. 그러나, 이는 본 발명의 개념에 따른 실시 예들을 특정한 개시 형태들에 대해 한정하려는 것이 아니며, 본 발명의 사상 및 기술 범위에 포함되는 모든 변경, 균등물, 또는 대체물을 포함한다.
제1 또는 제2 등의 용어는 다양한 구성 요소들을 설명하는데 사용될 수 있지만, 상기 구성 요소들은 상기 용어들에 의해 한정되어서는 안 된다. 상기 용어들은 하나의 구성 요소를 다른 구성 요소로부터 구별하는 목적으로만, 예컨대 본 발명의 개념에 따른 권리 범위로부터 벗어나지 않은 채, 제1 구성 요소는 제2 구성 요소로 명명될 수 있고 유사하게 제2 구성 요소는 제1 구성 요소로도 명명될 수 있다.
어떤 구성 요소가 다른 구성 요소에 "연결되어" 있다거나 "접속되어" 있다고 언급된 때에는, 그 다른 구성 요소에 직접 연결되어 있거나 접속되어 있을 수도 있지만, 중간에 다른 구성 요소가 존재할 수도 있다고 이해되어야 할 것이다. 반면에, 어떤 구성 요소가 다른 구성 요소에 "직접 연결되어" 있다거나 "직접 접속되어" 있다고 언급된 때에는 중간에 다른 구성 요소가 존재하지 않는 것으로 이해되어야 할 것이다. 구성 요소간의 관계를 설명하는 다른 표현들, 즉 "~사이에" 와 "바로 ~사이에" 또는 "~에 이웃하는"과 "~에 직접 이웃하는" 등도 마찬가지로 해석되어야 한다.
본 명세서에서 사용한 용어는 단지 특정한 실시 예를 설명하기 위해 사용된 것으로서, 본 발명을 한정하려는 의도가 아니다. 단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 복수의 표현을 포함한다. 본 명세서에서, "포함하다" 또는 "가지다" 등의 용어는 본 명세서에 기재된 특징, 숫자, 단계, 동작, 구성요소, 부분품 또는 이들을 조합한 것이 존재함을 지정하려는 것이지, 하나 또는 그 이상의 다른 특징들이나 숫자, 단계, 동작, 구성 요소, 부분품 또는 이들을 조합한 것들의 존재 또는 부가 가능성을 미리 배제하지 않는 것으로 이해되어야 한다.
다르게 정의되지 않는 한, 기술적이거나 과학적인 용어를 포함해서 여기서 사용되는 모든 용어는 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자에 의해 일반적으로 이해되는 것과 동일한 의미를 나타낸다. 일반적으로 사용되는 사전에 정의된 것과 같은 용어들은 관련 기술의 문맥상 가지는 의미와 일치하는 의미를 갖는 것으로 해석되어야 하며, 본 명세서에서 명백하게 정의하지 않는 한, 이상적이거나 과도하게 형식적인 의미로 해석되지 않는다.
이하에서는, 첨부된 도면을 참조하여 본 발명의 바람직한 실시 예를 상세히 설명한다.
도 1은 본 발명의 일 실시 예에 따른 기계 학습에 기반한 조산 위험도 예측 장치를 나타낸 도면이고, 도 2는 본 발명의 본 발명의 일 실시 예에 따른 기계 학습에 기반한 조산 위험도 예측 장치의 전체적인 동작을 예시적으로 나타낸 도면이다.
도 1 및 도 2를 참조하면, 발명의 일 실시 예에 따른 기계 학습에 기반한 조산 위험도 예측 장치는 학습데이터 수집부(10), 학습데이터 정규화부(20), 박테리아 위험도 모델 생성부(30) 및 조산 위험도 모델 생성부(40)를 포함한다.
학습데이터 수집부(10)는 학습대상 산모들의 자궁 경부에 존재하는 박테리아들의 종류와 수량으로 이루어진 박테리아 군집 정보와 산모들의 혈액에 존재하는 백혈구 정보를 수집한다.
예를 들어, 박테리아 군집 정보를 구성하는 박테리아들은 락토바실러스 크리스파투스(Lactobacillus crispatus, L. crispatus), 락토바실러스 이너스(Lactobacillus iners, L. iners), 웨이셀라 코리엔시스(Weissella koreensis, W. koreensis), 유레아플라즈마 유레아리티쿰(Ureaplasma urealyticum, U. urealyticum), 유레아플라즈마 파붐(Ureaplasma parvum, U. parvum) 및 가드네렐라 바지날리스(Gardnerella vaginalis, G. vaginalis)를 포함하도록 구성될 수 있다.
발명의 배경이 되는 기술을 설명하는 과정에서 설명한 바 있으나, 조산으로 인해 태어난 신생아는 사망 위험이나 질병의 위험성이 높기 때문에 조산 위험도가 높은 산모에 대한 치료 및 관리를 진행해야 한다.
조산과의 연관성이 확인된 다양한 인자들이 있으므로 현재는 인자 중 산모의 조산 경험, 자궁경부 길이, 감염질환 여부 등을 종합해 조산 위험도를 판단하고 있다.
그러나 그 중 조산 판단에 절대적인 기준이 될 수 있는 인자는 없는 상황이며 조산 위험도를 객관적으로 수치화할 수 있는 검사 방법 또한 존재하지 않는 상황이다.
본 발명의 일 실시 예는 조산 위험도를 정확하게 판단하기 위해서는 다양한 조산 연관 인자 발견과 동시에 해당 인자들을 종합한 객관적인 조산 예측 알고리즘을 제공한다.
본 발명의 일 실시 예에 있어서, 산모에게서 크게 세 종류의 정보, 즉, 1) 질내 분비물에서의 박테리아 검사 결과(이후 설명할 총 10종의 박테리아), 2) 혈액 검사 결과(백혈구, 혈소판, 림프구 등의 혈액 구성물들의 검출), 3) 나이, 임신 횟수, BMI, 자궁 경부 길이 등의 기타 정보가 수집된다.
본 발명의 일 실시 예는 AI 기술을 통해 질내 박테리아 검사 결과와 조산과의 연관성을 찾아내었고, 이를 혈액 검사 결과와 융합하여 조산 예측 알고리즘을 발명하였다.
본 발명의 일 실시 예에 있어서, 학습대상 산모는 단태아 산모로서, 임신 15~34주 사이에 조기양막파열이나 조기 진통이 있어 방문하였거나 정기 검진을 받으러 의료기관을 방문한 산모들이다. 본 발명의 일 실시 예는 위 조건을 만족하는 산모의 최종 방문일에 모든 정보를 수집하였으며, 최종적으로 94명의 산모의 정보가 조산 예측 알고리즘 도출에 사용되었으며, 그 중 56명은 정산 분만하였고, 38명에게는 조산이 발생하였다.
본 발명의 일 실시 예는 이들 학습대상 산모들의 질 분비물에서 아래의 10종의 박테리아를 검출하기 위해 중합효소 연쇄 반응(polymerase chain reaction, PCR) 기법을 이용하였다.
1. Lactobacillus crispatus (락토바실러스 크리스파투스, L. crispatus)
2. Lactobacillus iners (락토바실러스 이너스, L. iners)
3. Weissella koreensis (웨이셀라 코리엔시스, W. koreensis)
4. Ureaplasma urealyticum (유레아플라즈마 유레아리티쿰, U. urealyticum)
5. Ureaplasma parvum (유레아플라즈마 파붐, U. parvum)
6. Gardnerella vaginalis (가드네렐라 바지날리스, G. vaginalis)
7. Bacteroides fragilis (박테로이드 프라길리스, B. fragilis)
8. Prevotella bivia (프레보텔라 비비아, P. bivia)
9. Prevotella amnii (프레보텔라 암니, P. amnii)
10. Prevotella salivae (P. salivae)
본 발명의 일 실시 예는 10종의 박테리아 중 검출률이 낮거나 조산 연관성이 너무 낮은 4개의 박테리아를 연구 대상에서 제외하고, L. crispatus, L. iners, W. koreensis, U. urealyticum, U. parvum, G. vaginalis의 총 6종의 박테리아를 조산 예측에 활용하였다.
학습데이터 정규화부(20)는 학습대상 산모들의 박테리아 군집 정보를 구성하는 박테리아들의 수량을 산모별 박테리아들의 상대적인 구성비율로 정규화하여 정규화 박테리아 군집정보를 생성한다.
산모별 박테리아의 절대 검출량을 나나탠 도 3과 산모별 박테리아의 상대 검출량을 나나탠 도 4를 추가로 참조하면, 산모에 따라 총 박테리아의 검출량이 다르므로 본 발명의 일 실시 예는 학습데이터 정규화부(20)를 통해 박테리아 검출량을 산모에 따라 정규화한 후 조산 연관성 확인 절차를 진행한다.
박테리아 위험도 모델 생성부(30)는 정규화 박테리아 군집 정보에 의사 결정 트리(Decision Tree) 기법을 적용하여 박테리아와 조산의 연관성을 나타내는 박테리아 위험도 점수(bacterial risk score)를 산출하기 위한 박테리아 위험도 모델을 생성한다.
예를 들어, 박테리아 위험도 모델 생성부(30)는 학습대상 산모들의 정규화 박테리아 군집 정보를 구성하는 박테리아들의 상대적인 구성비율을 변수(variable)로 하고, 조산 저위험군, 조산 중위험군, 조산 고위험군을 범주(category)로 하여, 모든 변수에 대하여 비교 임계값을 변경하면서 상기 의사 결정 트리 기법에 따른 비교 과정을 수행하여 학습대상 산모들을 학습대상 산모들의 정규화 박테리아 군집 정보를 구성하는 박테리아들의 상대적인 구성비율에 따라 조산 저위험군, 조산 중위험군, 조산 고위험군 중에서 하나의 범주로 분류하도록 구성될 수 있다.
구체적인 예로, 박테리아 위험도 모델 생성부(30)는 락토바실러스 이너스(Lactobacillus iners, L. iners)의 구성비율이 0.812 이상인 산모들을 조산 저위험군으로 분류하고, 락토바실러스 이너스(Lactobacillus iners, L. iners)의 구성비율이 0.812 미만이고 유레아플라즈마 파붐(Ureaplasma parvum, U. parvum)이 4.6*10-3 이상인 산모들을 조산 고위험군으로 분류하고, 락토바실러스 이너스(Lactobacillus iners, L. iners)의 구성비율이 0.812 미만이고 유레아플라즈마 파붐(Ureaplasma parvum, U. parvum)이 4.6*10-3 미만인 산모들을 조산 중위험군으로 분류하도록 구성될 수 있다.
예를 들어, 조산 고위험군의 박테리아 위험도 점수는 조산 중위험군보다 높고, 조산 중위험군의 박테리아 위험도 점수는 조산 저위험군보다 높도록 구성될 수 있다.
이하에서는 도 5 내지 도 12를 추가로 참조하여 박테리아 위험도 모델 생성부(30)가 의사 결정 트리(Decision Tree) 기법에 따라 박테리아 위험도 모델을 생성하는 과정을 구체적이고 예시적으로 설명한다.
의사 결정 트리(Decision Tree)는 분류(Classification)와 회귀(Regression)가 모두 가능한 지도 학습 모델 중 하나이다.
의사 결정 트리는 마치 스무고개를 하듯이 예/아니오의 질문을 이어가며 학습하며, 이렇게 특정 기준(질문)에 따라 데이터를 구분하는 모델을 결정 트리 모델이라고 한다. 한번의 분기 때마다 변수 영역을 두 개로 구분하며, 결정 트리에서 질문이나 정답을 담은 네모 상자를 노드(Node)라고 합니다. 맨 처음 분류 기준 (즉, 첫 질문)을 루트 노드(Root Node)라고 하고, 맨 마지막 노드를 종단 노드(Terminal Node) 혹은 리프 노드(Leaf Node)라고 한다.
한편, 인체는 박테리아를 포함한 하나의 생태계로 생각할 수 있어 단일 박테리아만을 살펴보기 보다는 여러 박테리아들의 조합을 통해 의미 있는 패턴을 파악해야 한다.
이를 위해, 본 발명의 일 실시 예는 AI 기술 중 기계학습(Machine learning) 기법의 하나인 의사 결정 트리 기법을 이용한다.
박테리아와 조산의 연관성을 확인하기 위해 이용되는 의사 결정 트리(Decision tree) 기법을 개략적으로 설명하기 위한 도 5를 추가로 참조하면, 의사 결정 트리는 데이터를 기반으로 변수 값들과 범주 사이의 관계성을 자동으로 찾아주는 알고리즘이다.
도 5에서, 분기 노드(Split node)는 변수 값(XN)의 크기가 비교 임계값(th)을 초과하는지를 기준으로 좌우 노드 중에서 어느 쪽으로 분기할지를 결정하는 노드이고, 종단 노드(Terminal node)는 상단의 노드에서의 판단을 기준으로 최종 예측을 하는 노드이다.
예를 들어, 100개의 샘플에 대한 10가지 변수 값{X1, X2, X3 … X10}과 범주{정상, 조산}를 알고 있는 경우, 전체 샘플의 변수 값을 이용해 범주 값을 예측할 수 있는 규칙을 생성할 수 있으며, 변수 값만 알고 있는 새로운 샘플에 대한 범주 예측, 즉, 조산 예측이 가능해진다.
도 5의 예시에 따르면, 기본적으로 X1값이 클수록 조산 위험도가 낮아지고, X1이 0.6보다 작은 경우는 X2값이 클수록 조산 위험도가 낮아지며, X1이 0.6보다 큰 경우는 X5값이 클수록 조산 위험도가 높아지는 상황을 가정한 의사 결정 트리가 개시되어 있다.
도 6 내지 도 12에 의사 결정 트리 생성에 대한 보다 구체적인 예가 개시되어 있다.
먼저, 박테리아와 조산의 연관성을 확인하기 위한 의사 결정 트리 생성 과정에서 첫 번째 분기 노드를 생성하는 과정을 예시적으로 설명하기 위한 도 6을 추가로 참조하면, 전체 데이터를 조산/정상으로 구분해내는 가장 좋은 변수를 찾아내기 위해 모든 변수 값에 대해 비교 임계값(th)을 변경해가며 정확도가 가장 높은 분기 노드를 찾아낸다. 예를 들어, X1~X10까지 아래와 같이 비교 임계값(th)을 변경해가며 예측 정확도를 계산할 수 있으며, 도 6의 예시에 따르면, 변수는 X1, 비교 임계값(th)은 0.3인 경우의 예측 정확도가 가장 높다.
다음으로, 박테리아와 조산의 연관성을 확인하기 위한 의사 결정 트리 생성 과정에서 두 번째 분기 노드를 생성하는 과정을 예시적으로 설명하기 위한 도 7을 추가로 참조하면, 왼쪽 분기의 데이터를 조산/정상으로 구분해내는 가장 좋은 변수를 찾아내기 위해, 모든 변수 값에 대해 비교 임계값(th)을 변경해가며 정확도가 가장 높은 다음 분기 노드를 찾아낸다. 도 7의 예시에 따르면, 변수는 X2, 비교 임계값(th)은 0.5인 경우의 정확도가 가장 높으므로, 왼쪽에 이에 해당하는 새로운 분기 노드를 생성한다.
다음으로, 박테리아와 조산의 연관성을 확인하기 위한 의사 결정 트리 생성 과정에서 세 번째 분기 노드를 생성하는 과정을 예시적으로 설명하기 위한 도 8을 추가로 참조하면, 오른쪽 분기의 데이터를 조산/정상으로 구분해내는 가장 좋은 변수를 찾아내기 위해, 모든 변수 값에 대해 비교 임계값(th)을 변경해가며 정확도가 가장 높은 다음 분기 노드를 찾아낸다. 도 8의 예시에 따르면, 변수는 X5, 비교 임계값(th)는 0.6인 경우의 정확도가 가장 높으므로 오른쪽에도 분기 노드를 생성한다.
도 9는 도 6 내지 도 8의 과정을 통해 최종적으로 생성되는 의사 결정 트리를 예시적으로 나타낸 도면이고, 도 10은 도 9의 결과를 3차원으로 표현한 예측 모델인 박테리아 위험도 모델을 예시적으로 나타낸 도면이다.
도 9 및 도 10의 예시에 따르면, 분기 노드의 수는 3개로 제한되었으며, 3개의 변수X1, X2, X5가 복합적으로 작용한 조산 연관 규칙이 자동으로 생성된 것을 확인할 수 있다.
도 11은 박테리아 위험도 모델 생성부(30)가 박테리아 위험도 모델을 생성하는 알고리즘을 예시적으로 나타낸 도면이고, 도 12는 도 11에 예시된 알고리즘에 따라 학습대상 산모들이 저위험군, 중위험군, 고위험군으로 분류되는 구성을 나타낸 도면이다.
도 11 및 도 12를 추가로 참조하면, 본 발명의 일 실시 예에 따른 실제 조산 데이터에서는 L. iners와 U.parvum을 이용한 의사 결정 트리가 조산과 가장 연관성 있는 패턴을 보인다는 것을 확인할 수 있었다. 즉, 수많은 박테리아 조합 중 통계적으로 가장 유의미한 차이를 보이는 조합을 의사 결정 트리 기법을 통해 자동으로 찾을 수 있었다.
의사 결정 트리 기법을 통해 찾은 조산 저/중/고 위험군은 통계적으로 매우 유의미한 차이(p-value<0.001)를 보인다는 것을 확인할 수 있었으며, 이 결과는추후 최종 조산 예측 알고리즘 생성에 이용된다.
도 11 및 도 12에 예시된 바와 같이, 박테리아 위험도 모델 생성부(30)는 락토바실러스 이너스(Lactobacillus iners, L. iners)의 구성비율이 0.812 이상인 산모들을 조산 저위험군으로 분류하고, 락토바실러스 이너스(Lactobacillus iners, L. iners)의 구성비율이 0.812 미만이고 유레아플라즈마 파붐(Ureaplasma parvum, U. parvum)이 4.6*10-3 이상인 산모들을 조산 고위험군으로 분류하고, 락토바실러스 이너스(Lactobacillus iners, L. iners)의 구성비율이 0.812 미만이고 유레아플라즈마 파붐(Ureaplasma parvum, U. parvum)이 4.6*10-3 미만인 산모들을 조산 중위험군으로 분류하도록 구성될 수 있다.
조산 위험도 모델 생성부(40)는 백혈구 정보와 박테리아 위험도 점수에 선형 서포트 벡터 머신(Support Vector Machine, SVM) 기법을 적용하여 조산 위험도 점수(preterm birth risk score)를 산출하기 위한 조산 위험도 모델을 생성한다.
다음 표 1은 산모의 혈액 성분 중에서 조산에 영향을 미칠 수 있는 후보 인자들을 정리한 것이다.
명칭 설명
WBC 백혈구 : 혈액에서 감염이나 외부물질에 대항하여 신체를 보호하는 면역 기능을 수행하는 세포
Neutrophil 호중성 과립구 : 박테리아 및 진균감염에 대해 방어하며 모든 염증반응에 있어 초기 반응을 빠르게 수행함
Lymphocyte 림프구 : 미생물이나 항원 등과 같은 다른 외부침입체와 결합하여 이들을 몸 밖으로 제거하는 면역세포를 도움
Monocyte 단핵구 : 조직 내에서 외부 물질에 대한 탐식작용을 수행하며, 만성 감염기간동안 수가 증가함
Eosinophil 호산구 : 기생충 감염 및 알레르기 반응에 관여
Basophil 호염기성 과립구 : 알레르기 반응 및 항원에 대한 반응으로 염증부위로 혈관을 확장시키는 히스타민을 분비
platelets 혈소판 : 상처가 생겼을 때 혈액을 멎게 해주는 역할
CRP C반응단백 : 인체가 염증 상태인지 파악할 때 검사할 수 있는 단백질
본 발명자들은 산모의 혈액 구성물 검사 결과와 조산과의 연관성에 대해 확인하였고 백혈구가 통계적으로 가장 좋은 결과를 보였기 때문에 백혈구를 조산 예측 알고리즘 생성에 사용하였다. 도 13에 학습대상 산모들의 백혈구 수치와 조산과의 연관성이 개시되어 있다.도 14와 도 15는 본 발명의 일 실시 예에 있어서, 조산 위험도 모델 생성부(40)가 박테리아 위험도 점수와 백혈구 정보를 융합하여 조산 위험도를 예측하기 위해 이용되는 선형 서포트 벡터 머신(Support Vector Machine, SVM) 기법을 설명하기 위한 도면이다.
SVM(Support Vector Machine)은 두 그룹을 구분해내는 최적의 결정 경계를 찾는 알고리즘 중 하나로서, 도 14에 예시된 바와 같이 다양한 결정 경계 후보가 있을 경우, 이 중 최적의 결정 경계를 자동으로 찾아준다.
또한, 도 15에 예시된 바와 같이, SVM은 결정 경계로부터 각 그룹의 최소 거리의 합을 측정하여, 그 값이 가장 큰 경우를 최적의 결정 경계로 선정한다.
본 발명의 일 실시 예의 구성요소인 조산 위험도 모델 생성부(40)는 백혈구 정보와 박테리아 위험도 점수에 선형 서포트 벡터 머신(Support Vector Machine, SVM) 기법을 적용하여 조산 위험도 점수(preterm birth risk score)를 산출하기 위한 조산 위험도 모델을 생성한다.
선형 서포트 벡터 머신에서는 찾아낸 최적의 결정 경계와의 변위를 최종 수식으로 사용하기 때문에, 가중합 형식의 조산 위험도 모델이 생성된다.
예를 들어, 조산 위험도 모델은 다음과 같은 수식으로 표현될 수 있다.
조산 위험도 점수(preterm birth risk score) = 5.74*log(WBC) + 1.56*(박테리아 위험도 점수)
도 16은 조산 위험도 예측 성능을 백혈구 정보만을 이용하여 예측한 경우와 박테리아 정보와 백혈구 정보를 모두 이용하여 예측한 경우를 대비하여 나타낸 도면이고, 다음 표 2는 조산 예측 성능 평가 비교 결과이다.
평가항목 백혈구(95% CI) 백혈구+박테리아(95% CI)
AUC(Train) 0.691(0.54-0.83) 0.807
(0.68-0.92)
AUC(Test) 3.857(0.82-11.67) 11.839
(1.79-35)
Odd ratio 0.685(0.53-0.83) 0.772
(0.63-0.89)
민감도 0.543(0.33-0.73) 0.671
(0.50-0.83)
특이도 0.685(0.53-0.83) 0.772
(0.63-0.89)
양성예측도 0.543(0.33-0.73) 0.671
(0.50-0.83)
음성예측도 0.691(0.54-0.83) 0.807
(0.68-0.92)
도 16 및 표 2를 추가로 참조하면, 백혈구만을 이용한 경우보다 박테리아를 함께 이용한 경우 조산 예측에 대한 성능이 유의미하게 향상되는 것을 확인할 수 있다.
이상에서 상세히 설명한 바와 같이 본 발명에 따르면, 산모들의 자궁 경부에 존재하는 박테리아들의 종류와 수량으로 이루어진 박테리아 군집 정보와 산모들의 혈액에 존재하는 백혈구 정보에 기계학습 알고리즘을 적용하여 조산 발생 여부를 정확하고 신속하게 예측할 수 있는 기계 학습에 기반한 조산 위험도 예측 장치가 제공되는 효과가 있다.
10: 학습데이터 수집부
20: 학습데이터 정규화부
30: 박테리아 위험도 모델 생성부
40: 조산 위험도 모델 생성부

Claims (5)

  1. 기계 학습에 기반한 조산 위험도 예측 장치로서,
    학습대상 산모들의 자궁 경부에 존재하는 박테리아들의 종류와 수량으로 이루어진 박테리아 군집 정보와 상기 산모들의 혈액에 존재하는 백혈구 정보를 수집하는 학습데이터 수집부;
    상기 학습대상 산모들의 박테리아 군집 정보를 구성하는 박테리아들의 수량을 산모별 박테리아들의 상대적인 구성비율로 정규화하여 정규화 박테리아 군집정보를 생성하는 학습데이터 정규화부;
    상기 정규화 박테리아 군집 정보에 의사 결정 트리(Decision Tree) 기법을 적용하여 박테리아와 조산의 연관성을 나타내는 박테리아 위험도 점수(bacterial risk score)를 산출하기 위한 박테리아 위험도 모델을 생성하는 박테리아 위험도 모델 생성부; 및
    상기 백혈구 정보와 상기 박테리아 위험도 점수에 선형 서포트 벡터 머신(Support Vector Machine, SVM) 기법을 적용하여 조산 위험도 점수(preterm birth risk score)를 산출하기 위한 조산 위험도 모델을 생성하는 조산 위험도 모델 생성부를 포함하는, 기계 학습에 기반한 조산 위험도 예측 장치.
  2. 제1항에 있어서,
    상기 박테리아 군집 정보를 구성하는 박테리아들은 락토바실러스 크리스파투스(Lactobacillus crispatus, L. crispatus), 락토바실러스 이너스(Lactobacillus iners, L. iners), 웨이셀라 코리엔시스(Weissella koreensis, W. koreensis), 유레아플라즈마 유레아리티쿰(Ureaplasma urealyticum, U. urealyticum), 유레아플라즈마 파붐(Ureaplasma parvum, U. parvum) 및 가드네렐라 바지날리스(Gardnerella vaginalis , G. vaginalis)를 포함하는 것을 특징으로 하는, 기계 학습에 기반한 조산 위험도 예측 장치.
  3. 제2항에 있어서,
    상기 박테리아 위험도 모델 생성부는,
    상기 학습대상 산모들의 정규화 박테리아 군집 정보를 구성하는 박테리아들의 상대적인 구성비율을 변수(variable)로 하고, 조산 저위험군, 조산 중위험군, 조산 고위험군을 범주(category)로 하여, 모든 변수에 대하여 비교 임계값을 변경하면서 상기 의사 결정 트리 기법에 따른 비교 과정을 수행하여 상기 학습대상 산모들을 상기 학습대상 산모들의 박테리아 군집 정보를 구성하는 박테리아들의 상대적인 구성비율에 따라 상기 조산 저위험군, 상기 조산 중위험군, 상기 조산 고위험군 중에서 하나의 범주로 분류하는 것을 특징으로 하는, 기계 학습에 기반한 조산 위험도 예측 장치.
  4. 제3항에 있어서,
    상기 박테리아 위험도 모델 생성부는,
    상기 락토바실러스 이너스(Lactobacillus iners, L. iners)의 구성비율이 0.812 이상인 산모들을 상기 조산 저위험군으로 분류하고,
    상기 락토바실러스 이너스(Lactobacillus iners, L. iners)의 구성비율이 0.812 미만이고 상기 유레아플라즈마 파붐(Ureaplasma parvum, U. parvum)이 4.6*10-3 이상인 산모들을 상기 조산 고위험군으로 분류하고,
    상기 락토바실러스 이너스(Lactobacillus iners, L. iners)의 구성비율이 0.812 미만이고 상기 유레아플라즈마 파붐(Ureaplasma parvum, U. parvum)이 4.6*10-3 미만인 산모들을 상기 조산 중위험군으로 분류하는 것을 특징으로 하는, 기계 학습에 기반한 조산 위험도 예측 장치.
  5. 제4항에 있어서,
    상기 조산 고위험군의 박테리아 위험도 점수는 상기 조산 중위험군보다 높고, 상기 조산 중위험군의 박테리아 위험도 점수는 상기 조산 저위험군보다 높은 것을 특징으로 하는, 기계 학습에 기반한 조산 위험도 예측 장치.
KR1020210094439A 2021-07-19 2021-07-19 기계 학습에 기반한 조산 위험도 예측 장치 KR102559223B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020210094439A KR102559223B1 (ko) 2021-07-19 2021-07-19 기계 학습에 기반한 조산 위험도 예측 장치

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020210094439A KR102559223B1 (ko) 2021-07-19 2021-07-19 기계 학습에 기반한 조산 위험도 예측 장치

Publications (2)

Publication Number Publication Date
KR20230013726A KR20230013726A (ko) 2023-01-27
KR102559223B1 true KR102559223B1 (ko) 2023-07-26

Family

ID=85101360

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020210094439A KR102559223B1 (ko) 2021-07-19 2021-07-19 기계 학습에 기반한 조산 위험도 예측 장치

Country Status (1)

Country Link
KR (1) KR102559223B1 (ko)

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2019045264A (ja) 2017-08-31 2019-03-22 株式会社Ｎｔｔドコモ 予測装置及び予測方法
JP2019511922A (ja) 2016-02-16 2019-05-09 タタ コンサルタンシー サービシズ リミテッドＴＡＴＡ Ｃｏｎｓｕｌｔａｎｃｙ Ｓｅｒｖｉｃｅｓ Ｌｉｍｉｔｅｄ 早産転帰に対する早期リスク評価のための方法及びシステム
KR102180894B1 (ko) 2020-07-01 2020-11-19 이화여자대학교 산학협력단 조산 예측용 조성물 및 이를 이용한 조산 예측 방법
KR102270010B1 (ko) 2020-12-11 2021-06-29 한림대학교 산학협력단 조산을 예측하기 위한 전자 장치 및 방법

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101872457B1 (ko) 2018-04-20 2018-06-28 이화여자대학교 산학협력단 혈액 내 미생물 군집의 변화를 이용한 조산 위험성의 예측

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2019511922A (ja) 2016-02-16 2019-05-09 タタ コンサルタンシー サービシズ リミテッドＴＡＴＡ Ｃｏｎｓｕｌｔａｎｃｙ Ｓｅｒｖｉｃｅｓ Ｌｉｍｉｔｅｄ 早産転帰に対する早期リスク評価のための方法及びシステム
JP2019045264A (ja) 2017-08-31 2019-03-22 株式会社Ｎｔｔドコモ 予測装置及び予測方法
KR102180894B1 (ko) 2020-07-01 2020-11-19 이화여자대학교 산학협력단 조산 예측용 조성물 및 이를 이용한 조산 예측 방법
KR102270010B1 (ko) 2020-12-11 2021-06-29 한림대학교 산학협력단 조산을 예측하기 위한 전자 장치 및 방법

Also Published As

Publication number Publication date
KR20230013726A (ko) 2023-01-27

Similar Documents

Publication Publication Date Title
Honest et al. Accuracy of cervicovaginal fetal fibronectin test in predicting risk of spontaneous preterm birth: systematic review
Kim et al. Angiogenic factor imbalance early in pregnancy predicts adverse outcomes in patients with lupus and antiphospholipid antibodies: results of the PROMISSE study
Gao et al. Deep learning predicts extreme preterm birth from electronic health records
Adamson et al. Prevalence & correlates of primary infertility among young women in Mysore, India
Menon et al. Multivariate adaptive regression splines analysis to predict biomarkers of spontaneous preterm birth
Vovsha et al. Predicting preterm birth is not elusive: Machine learning paves the way to individual wellness
Irmak et al. Monkeypox skin lesion detection with MobileNetV2 and VGGNet models
Blauvelt et al. Perinatal outcomes among patients with sepsis during pregnancy
Clapp et al. Low fetal fraction and birth weight in women with negative first-trimester cell-free DNA screening
Akin et al. Pentraxin 3 concentrations of the mothers with preterm premature rupture of membranes and their neonates, and early neonatal outcome
Do Gan et al. Early detection of mortality in COVID-19 patients through laboratory findings with factor analysis and artificial neural networks
Amini et al. Factors associated with macrosomia among singleton live-birth: A comparison between logistic regression, random forest and artificial neural network methods
Kaňková et al. Disgust sensitivity is negatively associated with immune system activity in early pregnancy: Direct support for the Compensatory Prophylaxis Hypothesis
KR102559223B1 (ko) 기계 학습에 기반한 조산 위험도 예측 장치
Yin et al. Differentiating acute rejection from preeclampsia after kidney transplantation
Buxton et al. Repeated measures of cervicovaginal cytokines during healthy pregnancy: understanding “normal” inflammation to inform future screening
Kopanitsa et al. Identification of risk factors and prediction of sepsis in pregnancy using machine learning methods
Patel et al. Placental laterality and uterine artery resistance for prediction of preeclampsia
Haile et al. Thrombocytopenia among pregnant women in southwest Ethiopia: burden, severity, and predictors
GS et al. Evaluation of Machine Learning Algorithms on the Prediction of Live Birth Occurrence.
Abbas et al. Prognostic value of serum soluble FMS-like tyrosine kinase (sFlt-1) levels in pre-eclampsia and eclampsia; a prospective cohort study
Jamshidnezhad et al. A machine learning technology to improve the risk of non-invasive prenatal tests
Angayarkanni et al. Selection OF features associated with coronary artery diseases (cad) using feature selection techniques
Hiwale et al. Prediction of pregnancy-induced hypertension levels using machine learning algorithms
RU2775215C1 (ru) Способ раннего прогнозирования развития врожденного инфекционного заболевания новорожденных

Legal Events

Date Code Title Description
E701 Decision to grant or registration of patent right
GRNT Written decision to grant