KR102567562B1 - 인공지능 기반 개인 질환 예측 장치 및 방법 - Google Patents

인공지능 기반 개인 질환 예측 장치 및 방법 Download PDF

Info

Publication number
KR102567562B1
KR102567562B1 KR1020210073431A KR20210073431A KR102567562B1 KR 102567562 B1 KR102567562 B1 KR 102567562B1 KR 1020210073431 A KR1020210073431 A KR 1020210073431A KR 20210073431 A KR20210073431 A KR 20210073431A KR 102567562 B1 KR102567562 B1 KR 102567562B1
Authority
KR
South Korea
Prior art keywords
information
disease
symptom
prediction model
unit
Prior art date
Application number
KR1020210073431A
Other languages
English (en)
Other versions
KR20220165013A (ko
Inventor
김선칠
Original Assignee
계명대학교 산학협력단
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 계명대학교 산학협력단 filed Critical 계명대학교 산학협력단
Priority to KR1020210073431A priority Critical patent/KR102567562B1/ko
Publication of KR20220165013A publication Critical patent/KR20220165013A/ko
Application granted granted Critical
Publication of KR102567562B1 publication Critical patent/KR102567562B1/ko

Links

Images

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
    • 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
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H10/00—ICT specially adapted for the handling or processing of patient-related medical or healthcare data
    • 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
    • G16H10/00—ICT specially adapted for the handling or processing of patient-related medical or healthcare data
    • G16H10/60—ICT specially adapted for the handling or processing of patient-related medical or healthcare data for patient-specific data, e.g. for electronic patient records
    • 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
    • G16H30/00—ICT specially adapted for the handling or processing of medical images
    • 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)
  • Medical Informatics (AREA)
  • Public Health (AREA)
  • General Health & Medical Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Epidemiology (AREA)
  • Primary Health Care (AREA)
  • Biomedical Technology (AREA)
  • Databases & Information Systems (AREA)
  • Pathology (AREA)
  • Software Systems (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Computation (AREA)
  • Physics & Mathematics (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Artificial Intelligence (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Radiology & Medical Imaging (AREA)
  • Medical Treatment And Welfare Office Work (AREA)

Abstract

사용자로부터 증상 정보를 입력받고, 증상 정보를 분석하여 특징 정보를 추출하며, 복수개의 특징 정보를 학습하여 증상 예측 모델을 생성하고, 증상 예측 모델에 기초하여 특징 정보에 매칭되는 하나 이상의 질환 정보를 생성하며, 질환 정보를 출력하는 출력부;를 포함하는, 인공지능 기반 개인 질환 예측 장치를 제공한다.

Description

인공지능 기반 개인 질환 예측 장치 및 방법{AI-BASED PERSONAL DISEASE PREDICTION DEVICE AND METHOD}
본 발명은 인공지능 기반 개인 질환 예측 장치 및 방법에 관한 것으로, 보다 상세하게는, 인공지능 기법을 이용하여 개인의 질환을 예측하는 장치 및 방법에 관한 것이다.
종래에는 개인의 몸 상태와 관련된 질환을 확인하기 위해 증상을 인터넷에 검색하여 찾거나, 직접 병원에 가서 진료를 받는 경우가 대부분이다.
그러나, 인터넷 검색을 통해 증상에 따른 질환을 확인하는 것은 전문성이 떨어지므로 정확성이 부족하다고 볼 수 있다. 반면에, 병원에 직접 가서 진료를 받는 경우에는 대부분 정확성이 뛰어나나, 복합적인 증상이 발현되는 경우에 정확히 어느 진료 과목의 병원을 방문해야 하는지 혼란이 발생하기도 하며, 병원의 규모와 의료인의 능력에 따라 일부 다른 질환으로 오진되는 경우가 존재한다. 따라서, 일부는 다른 병원에도 재차 방문하여 진료를 받기도 한다.
따라서, 개인의 증상을 통해 발현 가능한 질환을 확인하는 방안이 요구되는 실정이다.
한국 등록특허번호 제10-2166647호(2020.10.12.)
본 발명이 해결하고자 하는 기술적 과제는 사용자로부터 질환의 증상을 입력받고, 입력된 증상과 증상이 유사한 질환을 제공하는 인공지능 기반 개인 질환 예측 장치 및 방법을 제공하는 것이다.
본 발명의 일측면은, 사용자로부터 증상 정보를 입력받는 입력부; 상기 증상 정보를 분석하여 특징 정보를 추출하는 추출부; 미리 마련된 복수개의 특징 정보를 학습하여 하나 이상의 특징 정보의 조합에 따라 질환 정보가 매칭되도록 증상 예측 모델을 생성하는 학습부; 상기 증상 예측 모델에 기초하여 상기 특징 정보에 매칭되는 하나 이상의 질환 정보를 생성하되, 상기 특징 정보에 매칭된 질환 정보의 개수가 임계치를 초과하는 경우 상기 특징 정보에 대응되도록 하나 이상의 추가 증상 정보의 입력을 요청하는 분석부; 및 상기 질환 정보를 출력하는 출력부;를 포함할 수 있다.
또한, 의료 서버로부터 진단 정보를 전달받는 통신부;를 더 포함하고, 상기 학습부는, 상기 진단 정보로부터 개인 정보와 질환 정보를 추출하여 상기 개인 정보에 따라 상기 질환 정보가 매칭되도록 상기 증상 예측 모델을 생성하되, 서로 다른 사용자의 진단 정보에 기초하여 상기 개인 정보에 따라 상기 질환 정보가 진단되는 빈도를 산출하고, 산출된 빈도가 임계치를 초과하는 질환 정보를 추출하여 상기 증상 예측 모델을 생성할 수 있다.
또한, 기관 서버로부터 보도 정보를 전달받는 통신부;를 더 포함하고, 상기 학습부는, 상기 보도 정보로부터 시점 정보와 질환 정보를 추출하여 상기 시점 정보에 따라 상기 질환 정보가 매칭되도록 상기 증상 예측 모델을 생성하되, 서로 다른 보도 정보에 기초하여 상기 시점 정보가 미리 설정된 기간 이내인 질환 정보의 빈도를 산출하고, 산출된 빈도가 임계치를 초과하는 질환 정보를 추출하여 상기 증상 예측 모델을 생성할 수 있다.
또한, 상기 분석부는, 상기 특징 정보를 분석하여 미리 설정된 필수 입력 항목 중 미입력된 항목이 존재하는 것으로 판단되는 경우, 상기 미입력된 항목에 대응되는 추가 증상 정보를 입력받도록 제어할 수 있다.
또한, 상기 분석부는, 상기 필수 입력 항목 중 미입력된 항목이 경과 기간으로 판단되는 경우 상기 경과 기간을 나타내는 추가 증상 정보를 입력받도록 제어하되, 상기 경과 기간의 단위를 우선 입력받고, 상기 단위에 따른 기간을 입력받을 수 있다.
또한, 상기 분석부는, 상기 특징 정보에 매칭된 질환 정보의 개수가 임계치를 초과하는 경우 상기 특징 정보에 따라 미리 설정된 필수 증상 항목, 통증 연관 항목 및 부위 연관 항목을 상기 추가 증상 정보로서 입력받도록 제어할 수 있다.
본 발명의 다른 일측면은, 인공지능 기반 개인 질환 예측 장치에서의 개인 질환 예측 방법에 있어서, 입력부가 사용자로부터 증상 정보를 입력받는 단계; 추출부가 상기 증상 정보를 분석하여 특징 정보를 추출하는 단계; 학습부가 미리 마련된 복수개의 특징 정보를 학습하여 하나 이상의 특징 정보의 조합에 따라 질환 정보가 매칭되도록 증상 예측 모델을 생성하는 단계; 분석부가 상기 증상 예측 모델에 기초하여 상기 특징 정보에 매칭되는 하나 이상의 질환 정보를 생성하되, 상기 특징 정보에 매칭된 질환 정보의 개수가 임계치를 초과하는 경우 상기 특징 정보에 대응되도록 하나 이상의 추가 증상 정보의 입력을 요청하는 단계; 및 출력부가 상기 질환 정보를 출력하는 단계;를 포함할 수 있다.
또한, 의료 서버로부터 진단 정보를 전달받는 통신부;를 더 포함하고, 상기 학습부는, 상기 진단 정보로부터 개인 정보와 질환 정보를 추출하여 상기 개인 정보에 따라 상기 질환 정보가 매칭되도록 상기 증상 예측 모델을 생성하되, 서로 다른 사용자의 진단 정보에 기초하여 상기 개인 정보에 따라 상기 질환 정보가 진단되는 빈도를 산출하고, 산출된 빈도가 임계치를 초과하는 질환 정보를 추출하여 상기 증상 예측 모델을 생성할 수 있다.
또한, 기관 서버로부터 보도 정보를 전달받는 통신부;를 더 포함하고, 상기 학습부는, 상기 보도 정보로부터 시점 정보와 질환 정보를 추출하여 상기 시점 정보에 따라 상기 질환 정보가 매칭되도록 상기 증상 예측 모델을 생성하되, 서로 다른 보도 정보에 기초하여 상기 시점 정보가 미리 설정된 기간 이내인 질환 정보의 빈도를 산출하고, 산출된 빈도가 임계치를 초과하는 질환 정보를 추출하여 상기 증상 예측 모델을 생성할 수 있다.
또한, 상기 분석부는, 상기 특징 정보를 분석하여 미리 설정된 필수 입력 항목 중 미입력된 항목이 존재하는 것으로 판단되는 경우, 상기 미입력된 항목에 대응되는 추가 증상 정보를 입력받도록 제어할 수 있다.
또한, 상기 분석부는, 상기 필수 입력 항목 중 미입력된 항목이 경과 기간으로 판단되는 경우 상기 경과 기간을 나타내는 추가 증상 정보를 입력받도록 제어하되, 상기 경과 기간의 단위를 우선 입력받고, 상기 단위에 따른 기간을 입력받을 수 있다.
또한, 상기 분석부는, 상기 특징 정보에 매칭된 질환 정보의 개수가 임계치를 초과하는 경우 상기 특징 정보에 따라 미리 설정된 필수 증상 항목, 통증 연관 항목 및 부위 연관 항목을 상기 추가 증상 정보로서 입력받도록 제어할 수 있다.
상술한 본 발명의 일측면에 따르면, 인공지능 기반 개인 질환 예측 장치 및 방법을 제공함으로써, 사용자로부터 질환의 증상을 입력받고, 입력된 증상과 증상이 유사한 질환을 제공할 수 있다.
도1은 본 발명의 일 실시예에 따른 개인 질환 예측 장치를 포함하는 개인 질환 예측 시스템의 개략도이다.
도2는 본 발명의 일 실시예에 따른 개인 질환 예측 장치의 제어블록도이다.
도3은 도2의 추출부가 특징 정보를 추출하는 과정을 나타낸 블록도이다.
도4는 도2의 통신부가 정보를 전달받는 과정을 나타낸 블록도이다.
도5 및 도6은 도2의 분석부가 질환 정보를 생성하는 과정을 나타낸 블록도이다.
도7은 도2의 출력부가 질환 정보를 출력하는 과정을 나타낸 블록도이다.
도8은 본 발명의 일 실시예에 따른 개인 질환 예측 방법의 순서도이다.
후술하는 본 발명에 대한 상세한 설명은, 본 발명이 실시될 수 있는 특정 실시예를 예시로서 도시하는 첨부 도면을 참조한다. 이들 실시예는 당업자가 본 발명을 실시할 수 있기에 충분하도록 상세히 설명된다. 본 발명의 다양한 실시예는 서로 다르지만 상호 배타적일 필요는 없음이 이해되어야 한다. 예를 들어, 여기에 기재되어 있는 특정 형상, 구조 및 특성은 일 실시예와 관련하여 본 발명의 정신 및 범위를 벗어나지 않으면서 다른 실시예로 구현될 수 있다. 또한, 각각의 개시된 실시예 내의 개별 구성요소의 위치 또는 배치는 본 발명의 정신 및 범위를 벗어나지 않으면서 변경될 수 있음이 이해되어야 한다. 따라서, 후술하는 상세한 설명은 한정적인 의미로서 취하려는 것이 아니며, 본 발명의 범위는, 적절하게 설명된다면, 그 청구항들이 주장하는 것과 균등한 모든 범위와 더불어 첨부된 청구항에 의해서만 한정된다. 도면에서 유사한 참조부호는 여러 측면에 걸쳐서 동일하거나 유사한 기능을 지칭한다.
이하, 도면들을 참조하여 본 발명의 바람직한 실시예들을 보다 상세하게 설명하기로 한다.
도1은 본 발명의 일 실시예에 따른 개인 질환 예측 장치를 포함하는 개인 질환 예측 시스템의 개략도이다.
개인 질환 예측 시스템(1)은 개인 질환 예측 장치(100)가 사용자로부터 증상 정보를 입력받아 해당 증상 정보에 대응되는 질환 정보를 출력하도록 마련될 수 있다.
여기에서, 증상 정보는 임의의 질환에 대해 사용자로부터 입력된 증상을 의미할 수 있으며, 이때, 개인 질환 예측 장치(100)는 음성 또는 텍스트의 형상으로 증상 정보를 입력받을 수 있다.
예를 들어, 증상 정보는 '머리가 아프고, 목이 부었으며, 설사가 나온다'라는 음성으로 입력될 수 있으며, 이와 같이, 증상 정보는 사용자가 직접 자신의 증상을 설명하는 정보를 의미할 수 있다.
이에 따라, 질환 정보는 증상 정보에 대응되는 질환을 나타내는 정보일 수 있으며, 이때, 질환 정보는 증상 정보에 따른 질환과 관련된 진료 과목 또는 의료 기관(200)을 나타내는 정보를 더 포함할 수도 있다.
예를 들어, 질환 정보는 맹장염, 복합 골절 등의 질환을 나타내는 정보일 수 있고, 질환 정보는 내과, 정형외과 등의 진료 과목 또는 의료 기관(200)을 나타내는 정보를 더 포함할 수도 있다.
이와 관련하여, 개인 질환 예측 장치(100)는 의료 서버(210)로부터 진단 정보를 수집하거나, 또는 기관 서버(310)로부터 보도 정보를 수집할 수 있다.
여기에서, 의료 서버(210)는 사용자 또는 환자에게 진료, 치료, 입원 및 소견 등을 제공하는 의료 기관(200)에 마련된 서버를 의미할 수 있으며, 이때, 의료 기관(200)은 상급 종합 병원, 종합 병원, 병원, 요양 병원, 의원 및 보건 기관 등을 포함할 수 있다.
이에 따라, 진단 정보는 의료인에 의해 진단된 사용자의 질환 또는 질병을 나타내는 정보를 의미할 수 있으며, 예를 들어, 진단 정보는 사용자의 개인 정보, 처방 정보, 질환 정보 등의 정보를 포함할 수 있다.
다시 말해서, 진단 정보는 의료인으로부터 입력되는 환자의 진단 과정 또는 진단 결과 등을 나타내는 정보일 수 있다.
또한, 진단 정보는 의료 기관에서 환자가 수행한 검사, 치료 등의 정보를 나타내도록 마련될 수 있으며, 예를 들어, 진단 정보는 사용자의 질환 또는 질병에 대한 검사 정보 및 치료 정보를 더 포함할 수 있다.
여기에서, 검사 정보는 사용자의 질환 또는 질병을 진찰하는데 이용된 검사 기법을 나타내는 정보일 수 있고, 치료 정보는 사용자의 질환 또는 질병을 치료하는데 이용된 치료 기법을 나타내는 정보일 수 있다.
또한, 개인 정보는 사용자의 이름, 전화번호, 주민등록번호, 이메일 주소, 거주지 주소 등의 정보를 의미할 수 있다.
한편, 기관 서버(310)는 평가 기관(300a) 또는 언론 기관(300b)에 마련된 서버를 의미할 수 있다.
이에 따라, 보도 정보는 평가 기관(300a)에서 의료 기관(200)을 평가한 결과를 나타내도록 마련될 수 있으며, 또는, 보도 정보는 언론 기관(300b)에서 작성된 의료 관련 기사를 나타내도록 마련될 수 있다.
예를 들어, 보도 정보는 보도 정보가 작성된 시점을 나타내는 시점 정보와 보도 정보로부터 나타나는 질환을 나타내는 질환 정보를 포함할 수 있다.
이와 관련하여, 평가 기관(300a)은 의료 기관(200)에서 제공하는 서비스, 의료비, 급여 등의 의료 기관(200)을 수준을 평가하는 기관을 의미할 수 있으며, 예를 들어, 평가 기관(300a)은 건강보험심사평가원, 국민건강보험공단 등의 기관을 의미할 수 있다.
이때, 평가 기관(300a)은 개별 의료 기관(200)에 대해 치료 지속성 평가, 처방 평가, 검사 평가 등의 평가를 수행할 수 있으며, 평가 기관(300a)은 서로 다른 질환 또는 질병에 대해 각기 다른 기준으로 평가를 수행할 수 있다.
여기에서, 치료 지속성 평가는 기간 별 방문 환자의 비율, 처방 일수 등에 따른 의료 기관(200)의 수준을 나타내도록 수행될 수 있고, 처방 평가는 동일 성분군 중복 처방률, 4 성분군 이상 처방율 등에 따른 의료 기관(200)의 수준을 나타내도록 수행될 수 있으며, 특정 검사 기법의 수행 여부에 따른 의료 기관(200)의 수준을 나타내도록 수행될 수 있다.
한편, 보도 정보는 질환 또는 질병 등에 대해 작성된 논문 등을 나타내도록 마련될 수도 있다.
이에 따라, 개인 질환 예측 장치(100)는 진단 정보 또는 보도 정보에 기초하여 증상 정보로부터 질환 정보를 생성할 수 있다.
이하에서는, 본 발명의 일 실시예에 따른 개인 질환 예측 장치에 대해 보다 상세히 설명하도록 한다.
도2는 본 발명의 일 실시예에 따른 개인 질환 예측 장치의 제어블록도이다.
개인 질환 예측 장치(100)는 입력부(110), 추출부(120), 통신부(130), 학습부(140), 분석부(150) 및 출력부(160)를 포함할 수 있다.
또한, 개인 질환 예측 장치(100)는 도 2에 도시된 구성요소보다 많은 구성요소에 의해 구현될 수 있고, 그보다 적은 구성요소에 의해 구현될 수 있다. 또는, 개인 질환 예측 장치(100)는 개인 질환 예측 장치(100)에 마련되는 적어도 두 개의 구성요소가 하나의 구성요소로 통합되어 하나의 구성요소가 복합적인 기능을 수행할 수도 있다. 이하, 상술한 구성요소들에 대해 구체적으로 설명하기로 한다.
입력부(110)는 사용자로부터 증상 정보를 입력받을 수 있다. 이를 위해, 입력부(110)는 마이크 등을 통해 음성 입력이 가능하도록 마련될 수 있다. 또한, 입력부(110)는 키보드 또는 터치 인식 등의 텍스트 입력이 가능하도록 마련될 수 있다.
이에 따라, 입력부(110)는 음성 또는 텍스트 형식으로 증상 정보를 입력받을 수 있다.
추출부(120)는 증상 정보를 분석하여 특징 정보를 추출할 수 있다. 이때, 특징 정보는 음성 또는 텍스트로부터 추출된 임의의 단어 또는 문장을 의미할 수 있으며, 예를 들어, 추출부(120)는 증상 정보가 '머리가 아프고, 목이 부었으며, 설사가 나온다'인 경우, 특징 정보로서 머리, 아프다, 목, 붓다, 설사 등을 생성할 수 있다.
이와 관련하여, 추출부(120)는 음성 인식 기법을 이용하여 증상 정보로부터 특징 정보를 추출할 수 있다.
여기에서, 음성 인식(Speech Recognition)(STT: Speech To Text)은 음성 신호를 수십 밀리 초로 분리하여 10여 차원으로 나타나는 특징 벡터를 추출하고, 추출된 특징 벡터를 통해 음성 신호를 모음 또는 자음 단위로 분할하며, 분할된 모음 또는 자음을 연결하여 임의의 단어를 생성하고, 생성된 단어를 분석하여 음성 신호의 의미를 판단하는 기법으로 이해할 수 있다.
또한, 추출부(120)는 일련의 문장에서 하나 이상의 형태소를 추출할 수 있으며, 이에 따라, 추출부(120)는 형태소를 미리 마련된 형태소 분석 사전에 기초하여 추출된 하나 이상의 형태소의 의미를 판단할 수 있다.
이에 따라, 추출부(120)는 인접한 형태소들 간의 관계 또는 문장 내에서 형태소가 나타나는 빈도 등에 따라 특징 정보를 생성할 수 있다.
이를 위해, 추출부(120)는 종래에 공지된 형태소 분석 기법을 이용할 수 있으며, 또한, 추출부(120)는 종래에 공지된 구문 분석(syntax analysis)과 의미 분석(semantic analysis) 등을 이용할 수 있다.
통신부(130)는 의료 서버(210)와 무선 또는 유선 네트워크로 연결되어, 진단 정보를 전달받을 수 있고, 통신부(130)는 기관 서버(310)와 무선 또는 유선 네트워크로 연결되어, 보도 정보를 전달받을 수 있다.
학습부(140)는 미리 마련된 복수개의 특징 정보를 학습하여 하나 이상의 특징 정보의 조합에 따라 질환 정보가 매칭되도록 증상 예측 모델을 생성할 수 있다.
이를 위해, 학습부(140)는 기계 학습(Machine Learning) 등의 인공지능(AI: Artificial Intelligence) 기법을 이용하여 증상 예측 모델을 생성할 수 있다.
여기에서, 기계 학습은 복수개의 정보에 기초하여, 복수개의 정보를 하나 이상의 그룹으로 분류 가능하도록 학습 모델을 생성하고, 생성된 학습 모델에 기초하여 임의의 정보를 분류하는 기법으로 이해할 수 있으며, 이와 같은, 기계 학습은 관리자에 의해 분류된 복수개의 정보에 따라 임의의 정보를 분류 가능 하도록 학습 모델을 생성하는 지도 학습(Supervised Learning), 복수개의 정보 자체를 분석하거나, 또는 군집화 과정을 수행하며 학습 모델을 생성하는 비지도 학습(Unsupervised Learning), 지도 학습과 비지도 학습을 혼합하여 학습 모델을 생성하는 준지도 학습(Semi-Supervised Learning) 및 복수개의 정보에 대해 임의의 동작을 수행하는 과정에서 발생한 보상에 따라 학습 모델을 생성하는 강화 학습(Reinforcement Learning) 등을 포함할 수 있다.
이에 따라, 학습부(140)는 복수개의 특징 정보에 대한 질환 정보를 입력받아 증상 예측 모델을 생성할 수 있으며, 또는, 학습부(140)는 질환 정보에 대한 서로 다른 특징 정보를 군집화하여 증상 예측 모델을 생성할 수도 있다.
일 실시예에서, 학습부(140)는 LSTM(Long Short-Term Memory) 기법을 이용하여 증상 예측 모델을 생성할 수 있다.
여기에서, LSTM은 시계열(Time Series)에 따라 변화하는 정보를 학습하여, 이전 시점에서 추정된 정보를 현재 시점에 적용하여 현재의 정보를 추정하거나, 현재 시점에서 추정된 정보를 미래 시점에 적용하여 미래의 정보를 예측하도록 마련되는 인공지능 기법을 의미할 수 있다.
이에 따라, 학습부(140)는 초기에 입력되는 증상 정보에 따른 특징 정보에 기초하여 질환 정보가 생성되도록 증상 예측 모델을 생성할 수 있으며, 이때, 학습부(140)는 추가로 입력되는 추가 증상 정보에 따른 특징 정보에 기초하여 이전에 생성된 질환 정보가 보정되도록 증상 예측 모델을 생성할 수 있다.
다시 말해서, 증상 예측 모델은 증상 정보에 따른 특징 정보에 기초하여 질환 정보가 생성되도록 마련되되, 증상 예측 모델은 추가 증상 정보에 따른 특징 정보가 입력되는 경우에, 이전에 생성된 질환 정보와 다른 질환 정보가 생성되도록 마련될 수 있다.
이때, 증상 예측 모델은 특징 정보에 기초하여 하나 이상의 질환 정보가 생성되도록 마련될 수 있으며, 이러한 경우에, 증상 예측 모델은 추가 증상 정보에 의한 특징 정보가 입력되는 경우에, 이전에 생성된 하나 이상의 질환 정보 중 적어도 하나의 질환 정보가 제거되도록 마련될 수 있다.
분석부(150)는 증상 예측 모델에 기초하여 특징 정보에 매칭되는 하나 이상의 질환 정보를 생성할 수 있으며, 이때, 분석부(150)는 특징 정보에 매칭된 질환 정보의 개수가 임계치를 초과하는 경우 특징 정보에 대응되도록 하나 이상의 추가 증상 정보의 입력을 요청할 수 있다.
여기에서, 추가 증상 정보의 입력을 요청하는 것은 출력부(160)가 추가 증상 정보의 입력을 요청하는 텍스트 또는 그래픽 등을 출력하는 것으로 이해할 수 있으며, 이에 따라, 입력부(110)는 사용자로부터 추가 증상 정보를 입력받을 수 있다.
이때, 출력부(160)는 미리 설정된 복수개의 항목을 출력할 수 있으며, 이러한 경우에, 입력부(110)는 사용자로부터 하나 이상의 항목을 선택받도록 설정될 수 있다.
이에 따라, 분석부(150)는 사용자로부터 선택된 하나 이상의 항목을 추가 증상 정보로써 이용할 수 있다.
출력부(160)는 질환 정보를 출력할 수 있다. 이때, 출력부(160)는 사용자가 식별할 수 있도록 질환 정보를 출력할 수 있다.
도3은 도2의 추출부가 특징 정보를 추출하는 과정을 나타낸 블록도이다.
도3을 참조하면, 입력부(110)는 사용자로부터 증상 정보를 입력받을 수 있다. 이에 따라, 추출부(120)는 증상 정보를 분석하여 특징 정보를 추출할 수 있다.
이를 통해, 학습부(140)는 미리 마련된 복수개의 특징 정보를 학습하여 하나 이상의 특징 정보의 조합에 따라 질환 정보가 매칭되도록 증상 예측 모델을 생성할 수 있다.
도4는 도2의 통신부가 정보를 전달받는 과정을 나타낸 블록도이다.
통신부(130)는 의료 서버(210)와 무선 또는 유선 네트워크로 연결되어, 진단 정보를 전달받을 수 있다.
이에 따라, 학습부(140)는 진단 정보로부터 개인 정보와 질환 정보를 추출하여 개인 정보에 따라 질환 정보가 매칭되도록 증상 예측 모델을 생성할 수 있다.
이때, 학습부(140)는 서로 다른 사용자의 진단 정보에 기초하여 개인 정보에 따라 질환 정보가 진단되는 빈도를 산출할 수 있고, 학습부(140)는 산출된 빈도가 임계치를 초과하는 질환 정보를 추출하여 증상 예측 모델을 생성할 수 있다.
예를 들어, 학습부(140)는 서로 다른 사용자의 나이에 따라 서로 다른 질환 정보가 진단되는 빈도를 각각 산출할 수 있으며, 이러한 경우에, 학습부(140)는 사용자의 나이에 따라 발병 가능성이 높은 질환을 질환 정보로서 매칭시킬 수 있다.
또한, 학습부(140)는 서로 다른 사용자의 성별에 따라 서로 다른 질환 정보가 진단되는 빈도를 각각 산출할 수 있으며, 이러한 경우에, 학습부(140)는 사용자의 성별에 따라 발병 가능성이 높은 질환을 질환 정보로서 매칭시킬 수 있다.
또한, 학습부(140)는 서로 다른 사용자의 거주지에 따라 서로 다른 질환 정보가 진단되는 빈도를 각각 산출할 수 있으며, 이러한 경우에, 학습부(140)는 사용자의 거주지에 따라 발병 가능성이 높은 질환을 질환 정보로서 매칭시킬 수 있다.
또한, 학습부(140)는 진단 정보가 생성된 시점에 따라 서로 다른 질환 정보가 진단되는 빈도를 각각 산출할 수 있으며, 이러한 경우에, 학습부(140)는 진단 정보가 생성된 시점에 따라 발병 가능성이 높은 질환을 질환 정보로서 매칭시킬 수 있다. 이때, 학습부(140)는 진단 정보가 생성된 시점을 계절로 분류할 수 있다.
이와 같이, 학습부(140)는 사용자의 개인 정보에 기초하여 발병 가능성이 높은 질환을 질환 정보로서 매칭시킬 수 있으며, 여기에서, 개인 정보는 사용자의 성별, 나이, 거주지, 진단 시점, 직업 등을 포함할 수 있다.
이와 관련하여, 학습부(140)가 질환 정보를 매칭시키는 것은 해당 질환 정보에 가중치를 부여하여, 증상 정보에 따라 질환 정보가 생성되는 과정에서 가중치가 높은 질환 정보를 우선 생성하는 것으로 이해할 수 있다.
한편, 통신부(130)는 기관 서버(310)와 무선 또는 유선 네트워크로 연결되어, 보도 정보를 전달받을 수 있다.
이에 따라, 학습부(140)는 보도 정보로부터 시점 정보와 질환 정보를 추출하여 시점 정보에 따라 질환 정보가 매칭되도록 증상 예측 모델을 생성할 수 있다.
이때, 학습부(140)는 서로 다른 보도 정보에 기초하여 시점 정보가 미리 설정된 기간 이내인 질환 정보의 빈도를 산출할 수 있고, 학습부(140)는 산출된 빈도가 임계치를 초과하는 질환 정보를 추출하여 증상 예측 모델을 생성할 수 있다.
예를 들어, 학습부(140)는 시점 정보에 따라 한달 이내에 작성된 질환 정보의 빈도를 산출할 수 있으며, 이러한 경우에, 학습부(140)는 한달동안 대중의 관심이 많았던 질환을 질환 정보로서 매칭시킬 수 있다.
또한, 학습부(140)는 시점 정보에 따라 10년 이내에 작성된 질환 정보의 빈도를 산출할 수도 있으며, 이러한 경우에, 학습부(140)는 10년동안 꾸준히 언급된 질환을 질환 정보로서 매칭시킬 수 있다.
도5 및 도6은 도2의 분석부가 질환 정보를 생성하는 과정을 나타낸 블록도이다.
도5를 참조하면, 입력부(110)는 사용자로부터 증상 정보를 입력받을 수 있다. 이에 따라, 추출부(120)는 증상 정보를 분석하여 특징 정보를 추출할 수 있다.
이에 따라, 분석부(150)는 증상 예측 모델에 기초하여 특징 정보에 매칭되는 하나 이상의 질환 정보를 생성할 수 있다.
한편, 도6을 참조하면, 분석부(150)는 특징 정보에 매칭된 질환 정보의 개수가 임계치를 초과하는 경우 특징 정보에 대응되도록 하나 이상의 추가 증상 정보의 입력을 요청할 수 있다.
예를 들어, 분석부(150)는 특징 정보가 '목, 통증'인 경우에 목의 외형, 붓기 정도, 가래 유무, 목소리 변형, 통증 부위, 열 유무, 두통 유무 등을 추가 증상 정보로서 입력을 요청할 수 있다.
이와 관련하여, 분석부(150)는 특징 정보에 매칭된 질환 정보의 개수가 임계치를 초과하는 경우 특징 정보에 따라 미리 설정된 필수 증상 항목, 통증 연관 항목 및 부위 연관 항목을 추가 증상 정보로서 입력받도록 제어할 수 있다.
여기에서, 필수 증상 항목은 특징 정보와 독립적으로 요청되는 추가 증상 정보를 의미할 수 있으며, 예를 들어, 필수 증상 항목은 열 유무, 붓기 유무, 붓기 정도, 출혈 유무 등을 포함할 수 있다.
또한, 통증 연관 항목은 특징 정보로부터 나타나는 질환의 부위와 관련된 통증의 종류 등이 요청되는 추가 증상 정보를 의미할 수 있으며, 예를 들어, 통증 연관 항목은 내측 통증 유무, 외측 통증 유무, 가래 유무, 목소리 변형 등을 포함할 수 있다.
또한, 부위 연관 항목은 특징 정보로부터 나타나는 질환의 발생 부위와 관련된 다른 위험 부위 등이 요청되는 추가 증상 정보를 의미할 수 있으며, 예를 들어, 부위 연관 항목은 두통 유무, 심장 박동 규칙성, 청력 이상, 콧물 유무 등을 포함할 수 있다.
이와 같이, 추가 증상 정보는 필수 증상 항목, 통증 연관 항목 및 부위 연관 항목을 포함할 수 있으며, 이와 같은, 추가 증상 정보는 특징 정보의 의미에 따라 다르게 설정될 수 있으며, 또는, 추가 증상 정보는 특징 정보에 따라 생성된 질환 정보에 기초하여 설정될 수도 있다.
한편, 분석부(150)는 특징 정보를 분석하여 미리 설정된 필수 입력 항목 중 미입력된 항목이 존재하는 것으로 판단되는 경우, 미입력된 항목에 대응되는 추가 증상 정보를 입력받도록 제어할 수 있다.
여기에서, 필수 입력 항목은 질환 정보를 생성할 수 있도록 요구되는 하나 이상의 항목을 의미할 수 있으며, 예를 들어, 필수 입력 항목은 경과 기간, 통증 발생 부위, 통증 심화 유무 등을 포함할 수 있다.
이에 따라, 일 실시예에서, 분석부(150)는 필수 입력 항목 중 미입력된 항목이 경과 기간으로 판단되는 경우 경과 기간을 나타내는 추가 증상 정보를 입력받도록 제어할 수 있으며, 이러한 경우에, 분석부(150)는 경과 기간의 단위를 우선 입력받을 수 있고, 이어서, 분석부(150)는 단위에 따른 기간을 입력받을 수 있다.
도7은 도2의 출력부가 질환 정보를 출력하는 과정을 나타낸 블록도이다.
도7을 참조하면, 분석부(150)는 증상 예측 모델에 기초하여 특징 정보에 매칭되는 하나 이상의 질환 정보를 생성할 수 있으며, 이때, 분석부(150)는 특징 정보에 매칭된 질환 정보의 개수가 임계치를 초과하는 경우 특징 정보에 대응되도록 하나 이상의 추가 증상 정보의 입력을 요청할 수 있다.
이에 따라, 출력부(160)는 질환 정보를 출력할 수 있다. 이때, 출력부(160)는 사용자가 식별할 수 있도록 질환 정보를 출력할 수 있다.
도8은 본 발명의 일 실시예에 따른 개인 질환 예측 방법의 순서도이다.
본 발명의 일 실시예에 따른 개인 질환 예측 방법은 도 1에 도시된 개인 질환 예측 장치(100)와 실질적으로 동일한 구성 상에서 진행되므로, 도 1의 개인 질환 예측 장치(100)와 동일한 구성요소에 대해 동일한 도면 부호를 부여하고, 반복되는 설명은 생략하기로 한다.
개인 질환 예측 방법은 사용자로부터 증상 정보를 입력받는 단계(800), 증상 정보를 분석하여 특징 정보를 추출하는 단계(810), 하나 이상의 특징 정보의 조합에 따라 질환 정보가 매칭되도록 증상 예측 모델을 생성하는 단계(820), 증상 예측 모델에 기초하여 특징 정보에 매칭되는 하나 이상의 질환 정보를 생성하는 단계(830) 및 질환 정보를 출력하는 단계(840)를 포함할 수 있다.
사용자로부터 증상 정보를 입력받는 단계(800)는 입력부(110)가 사용자로부터 증상 정보를 입력받는 단계일 수 있다.
증상 정보를 분석하여 특징 정보를 추출하는 단계(810)는 추출부(120)가 증상 정보를 분석하여 특징 정보를 추출하는 단계일 수 있다.
하나 이상의 특징 정보의 조합에 따라 질환 정보가 매칭되도록 증상 예측 모델을 생성하는 단계(820)는 학습부(140)가 미리 마련된 복수개의 특징 정보를 학습하여 하나 이상의 특징 정보의 조합에 따라 질환 정보가 매칭되도록 증상 예측 모델을 생성하는 단계일 수 있다.
증상 예측 모델에 기초하여 특징 정보에 매칭되는 하나 이상의 질환 정보를 생성하는 단계(830)는 분석부(150)가 증상 예측 모델에 기초하여 특징 정보에 매칭되는 하나 이상의 질환 정보를 생성하되, 특징 정보에 매칭된 질환 정보의 개수가 임계치를 초과하는 경우 특징 정보에 대응되도록 하나 이상의 추가 증상 정보의 입력을 요청하는 단계일 수 있다.
질환 정보를 출력하는 단계(840)는 출력부(160)가 질환 정보를 출력하는 단계일 수 있다.
이와 같은, 개인 질환 예측 방법은 어플리케이션으로 구현되거나 다양한 컴퓨터 구성요소를 통하여 수행될 수 있는 프로그램 명령어의 형태로 구현되어 컴퓨터 판독 가능한 기록 매체에 기록될 수 있다. 상기 컴퓨터 판독 가능한 기록 매체는 프로그램 명령어, 데이터 파일, 데이터 구조 등을 단독으로 또는 조합하여 포함할 수 있다.
상기 컴퓨터 판독 가능한 기록 매체에 기록되는 프로그램 명령어는 본 발명을 위하여 특별히 설계되고 구성된 것들이거니와 컴퓨터 소프트웨어 분야의 당업자에게 공지되어 사용 가능한 것일 수도 있다.
컴퓨터 판독 가능한 기록 매체의 예에는, 하드 디스크, 플로피 디스크 및 자기 테이프와 같은 자기 매체, CD-ROM, DVD 와 같은 광기록 매체, 플롭티컬 디스크(floptical disk)와 같은 자기-광 매체(magneto-optical media), 및 ROM, RAM, 플래시 메모리 등과 같은 프로그램 명령어를 저장하고 수행하도록 특별히 구성된 하드웨어 장치가 포함된다.
프로그램 명령어의 예에는, 컴파일러에 의해 만들어지는 것과 같은 기계어 코드뿐만 아니라 인터프리터 등을 사용해서 컴퓨터에 의해서 실행될 수 있는 고급 언어 코드도 포함된다. 상기 하드웨어 장치는 본 발명에 따른 처리를 수행하기 위해 하나 이상의 소프트웨어 모듈로서 작동하도록 구성될 수 있으며, 그 역도 마찬가지이다.
이상에서는 실시예들을 참조하여 설명하였지만, 해당 기술 분야의 숙련된 당업자는 하기의 특허 청구범위에 기재된 본 발명의 사상 및 영역으로부터 벗어나지 않는 범위 내에서 본 발명을 다양하게 수정 및 변경시킬 수 있음을 이해할 수 있을 것이다.
1: 개인 질환 예측 시스템
100: 개인 질환 예측 장치
200: 의료 기관
210: 의료 서버
300a: 평가 기관
300b: 언론 기관
310: 기관 서버

Claims (12)

  1. 사용자로부터 증상 정보를 입력받는 입력부;
    상기 증상 정보를 분석하여 특징 정보를 추출하는 추출부;
    미리 마련된 복수개의 특징 정보를 학습하여 하나 이상의 특징 정보의 조합에 따라 질환 정보가 매칭되도록 증상 예측 모델을 생성하는 학습부;
    상기 증상 예측 모델에 기초하여 상기 특징 정보에 매칭되는 하나 이상의 질환 정보를 생성하되, 상기 특징 정보에 매칭된 질환 정보의 개수가 임계치를 초과하는 경우 상기 특징 정보에 대응되도록 하나 이상의 추가 증상 정보의 입력을 요청하는 분석부; 및
    상기 질환 정보를 출력하는 출력부;를 포함하고,
    상기 분석부는,
    상기 특징 정보를 분석하여 미리 설정된 필수 입력 항목 중 미입력된 항목이 존재하는 것으로 판단되는 경우, 상기 미입력된 항목에 대응되는 추가 증상 정보를 입력받도록 제어하고,
    상기 필수 입력 항목 중 미입력된 항목이 경과 기간으로 판단되는 경우 상기 경과 기간을 나타내는 추가 증상 정보를 입력받도록 제어하되, 상기 경과 기간의 단위를 우선 입력받고, 상기 단위에 따른 기간을 입력받고,
    상기 학습부는 초기에 입력되는 증상 정보에 따른 특징 정보에 기초하여 질환 정보가 생성되도록 증상 예측 모델을 생성하되, 상기 추가 증상 정보에 따른 특징 정보에 기초하여 이전에 생성된 질환 정보가 보정되도록 상기 증상 예측 모델을 생성하며,
    상기 증상 예측 모델은 상기 추가 증상 정보에 따른 특징 정보가 입력되는 경우에, 이전에 생성된 질환정보와 다른 질환 정보가 생성되거나, 이전에 생성된 하나 이상의 질환 정보 중 적어도 하나의 질환 정보가 제거되도록 마련되는 것인,
    인공지능 기반 개인 질환 예측 장치.
  2. 제1항에 있어서,
    의료 서버로부터 진단 정보를 전달받는 통신부;를 더 포함하고,
    상기 학습부는,
    상기 진단 정보로부터 개인 정보와 질환 정보를 추출하여 상기 개인 정보에 따라 상기 질환 정보가 매칭되도록 상기 증상 예측 모델을 생성하되, 서로 다른 사용자의 진단 정보에 기초하여 상기 개인 정보에 따라 상기 질환 정보가 진단되는 빈도를 산출하고, 산출된 빈도가 임계치를 초과하는 질환 정보를 추출하여 상기 증상 예측 모델을 생성하는, 인공지능 기반 개인 질환 예측 장치.
  3. 제1항에 있어서,
    기관 서버로부터 보도 정보를 전달받는 통신부;를 더 포함하고,
    상기 학습부는,
    상기 보도 정보로부터 시점 정보와 질환 정보를 추출하여 상기 시점 정보에 따라 상기 질환 정보가 매칭되도록 상기 증상 예측 모델을 생성하되, 서로 다른 보도 정보에 기초하여 상기 시점 정보가 미리 설정된 기간 이내인 질환 정보의 빈도를 산출하고, 산출된 빈도가 임계치를 초과하는 질환 정보를 추출하여 상기 증상 예측 모델을 생성하는, 인공지능 기반 개인 질환 예측 장치.
  4. 삭제
  5. 삭제
  6. 제1항에 있어서, 상기 분석부는,
    상기 특징 정보에 매칭된 질환 정보의 개수가 임계치를 초과하는 경우 상기 특징 정보에 따라 미리 설정된 필수 증상 항목, 통증 연관 항목 및 부위 연관 항목을 상기 추가 증상 정보로서 입력받도록 제어하는, 인공지능 기반 개인 질환 예측 장치.
  7. 인공지능 기반 개인 질환 예측 장치에서의 개인 질환 예측 방법에 있어서,
    입력부가 사용자로부터 증상 정보를 입력받는 단계;
    추출부가 상기 증상 정보를 분석하여 특징 정보를 추출하는 단계;
    학습부가 미리 마련된 복수개의 특징 정보를 학습하여 하나 이상의 특징 정보의 조합에 따라 질환 정보가 매칭되도록 증상 예측 모델을 생성하는 단계;
    분석부가 상기 증상 예측 모델에 기초하여 상기 특징 정보에 매칭되는 하나 이상의 질환 정보를 생성하되, 상기 특징 정보에 매칭된 질환 정보의 개수가 임계치를 초과하는 경우 상기 특징 정보에 대응되도록 하나 이상의 추가 증상 정보의 입력을 요청하는 단계; 및
    출력부가 상기 질환 정보를 출력하는 단계;를 포함하고,
    상기 분석부는,
    상기 특징 정보를 분석하여 미리 설정된 필수 입력 항목 중 미입력된 항목이 존재하는 것으로 판단되는 경우, 상기 미입력된 항목에 대응되는 추가 증상 정보를 입력받도록 제어하고,
    상기 필수 입력 항목 중 미입력된 항목이 경과 기간으로 판단되는 경우 상기 경과 기간을 나타내는 추가 증상 정보를 입력받도록 제어하되, 상기 경과 기간의 단위를 우선 입력받고, 상기 단위에 따른 기간을 입력받고,
    상기 학습부는 초기에 입력되는 증상 정보에 따른 특징 정보에 기초하여 질환 정보가 생성되도록 증상 예측 모델을 생성하되, 상기 추가 증상 정보에 따른 특징 정보에 기초하여 이전에 생성된 질환 정보가 보정되도록 상기 증상 예측 모델을 생성하며,
    상기 증상 예측 모델은 상기 추가 증상 정보에 따른 특징 정보가 입력되는 경우에, 이전에 생성된 질환정보와 다른 질환 정보가 생성되거나, 이전에 생성된 하나 이상의 질환 정보 중 적어도 하나의 질환 정보가 제거되도록 마련되는 것인,
    개인 질환 예측 방법.
  8. 제7항에 있어서,
    의료 서버로부터 진단 정보를 전달받는 통신부;를 더 포함하고,
    상기 학습부는,
    상기 진단 정보로부터 개인 정보와 질환 정보를 추출하여 상기 개인 정보에 따라 상기 질환 정보가 매칭되도록 상기 증상 예측 모델을 생성하되, 서로 다른 사용자의 진단 정보에 기초하여 상기 개인 정보에 따라 상기 질환 정보가 진단되는 빈도를 산출하고, 산출된 빈도가 임계치를 초과하는 질환 정보를 추출하여 상기 증상 예측 모델을 생성하는, 개인 질환 예측 방법.
  9. 제7항에 있어서,
    기관 서버로부터 보도 정보를 전달받는 통신부;를 더 포함하고,
    상기 학습부는,
    상기 보도 정보로부터 시점 정보와 질환 정보를 추출하여 상기 시점 정보에 따라 상기 질환 정보가 매칭되도록 상기 증상 예측 모델을 생성하되, 서로 다른 보도 정보에 기초하여 상기 시점 정보가 미리 설정된 기간 이내인 질환 정보의 빈도를 산출하고, 산출된 빈도가 임계치를 초과하는 질환 정보를 추출하여 상기 증상 예측 모델을 생성하는, 개인 질환 예측 방법.
  10. 삭제
  11. 삭제
  12. 제7항에 있어서, 상기 분석부는,
    상기 특징 정보에 매칭된 질환 정보의 개수가 임계치를 초과하는 경우 상기 특징 정보에 따라 미리 설정된 필수 증상 항목, 통증 연관 항목 및 부위 연관 항목을 상기 추가 증상 정보로서 입력받도록 제어하는, 개인 질환 예측 방법.

KR1020210073431A 2021-06-07 2021-06-07 인공지능 기반 개인 질환 예측 장치 및 방법 KR102567562B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020210073431A KR102567562B1 (ko) 2021-06-07 2021-06-07 인공지능 기반 개인 질환 예측 장치 및 방법

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020210073431A KR102567562B1 (ko) 2021-06-07 2021-06-07 인공지능 기반 개인 질환 예측 장치 및 방법

Publications (2)

Publication Number Publication Date
KR20220165013A KR20220165013A (ko) 2022-12-14
KR102567562B1 true KR102567562B1 (ko) 2023-08-16

Family

ID=84438372

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020210073431A KR102567562B1 (ko) 2021-06-07 2021-06-07 인공지능 기반 개인 질환 예측 장치 및 방법

Country Status (1)

Country Link
KR (1) KR102567562B1 (ko)

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2019032772A (ja) * 2017-08-09 2019-02-28 富士通株式会社 データ生成プログラム、データ生成方法及びデータ生成装置
JP2019079503A (ja) * 2017-10-26 2019-05-23 株式会社メディアコンテンツファクトリー 問診システム及びそのプログラム
JP2020155123A (ja) * 2019-03-13 2020-09-24 キヤノンメディカルシステムズ株式会社 問診装置

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102142857B1 (ko) * 2018-05-02 2020-08-10 차의과학대학교 산학협력단 코호트 데이터의 혼란변수에 따른 계층화 및 질병 간 발생 시간이 고려된 질병 네트워크 구축 방법, 그 시각화 방법 및 이를 기록한 컴퓨터 판독 가능한 기록매체
KR20200004640A (ko) * 2018-07-04 2020-01-14 주식회사 파트너스앤코 증상 표준화 매칭 시스템
KR102166647B1 (ko) 2019-10-15 2020-11-13 주식회사 리드브레인 블록 기반 유연한 ai 모델을 이용한 지능형 의료 진단 및 진료 시스템

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2019032772A (ja) * 2017-08-09 2019-02-28 富士通株式会社 データ生成プログラム、データ生成方法及びデータ生成装置
JP2019079503A (ja) * 2017-10-26 2019-05-23 株式会社メディアコンテンツファクトリー 問診システム及びそのプログラム
JP2020155123A (ja) * 2019-03-13 2020-09-24 キヤノンメディカルシステムズ株式会社 問診装置

Also Published As

Publication number Publication date
KR20220165013A (ko) 2022-12-14

Similar Documents

Publication Publication Date Title
US11810671B2 (en) System and method for providing health information
JP7008772B2 (ja) 電子診療レコードからの医学的状態および事実の自動的特定および抽出
Castillo-Sánchez et al. Suicide risk assessment using machine learning and social networks: a scoping review
Stephen et al. Detecting the magnitude of depression in Twitter users using sentiment analysis
JP5977898B1 (ja) 行動予測装置、行動予測装置の制御方法、および行動予測装置の制御プログラム
KR102216768B1 (ko) 심리상담 데이터를 이용한 텍스트 내 감정분석을 위한 시스템 및 방법
JP2020035036A (ja) 試験計画策定支援装置、試験計画策定支援方法及びプログラム
CN110008959A (zh) 一种医学数据处理方法及系统
CN114611735A (zh) 就医的互联网挂号方法、装置、设备及存储介质
Preum et al. CognitiveEMS: A cognitive assistant system for emergency medical services
Gaur et al. “Who can help me?”: Knowledge Infused Matching of Support Seekers and Support Providers during COVID-19 on Reddit
Millington et al. Analysis and classification of word co-occurrence networks from Alzheimer’s patients and controls
Malla et al. An improved machine learning technique for identify informative COVID-19 tweets
MV et al. Cluster Ensemble Method and Convolution Neural Network Model for Predicting Mental Illness.
KR102567562B1 (ko) 인공지능 기반 개인 질환 예측 장치 및 방법
CN108831560B (zh) 一种确定医疗数据属性数据的方法和装置
CN114117082B (zh) 用于对待校正数据校正的方法、设备和介质
Nunes et al. Chronic pain and language: A topic modelling approach to personal pain descriptions
Rabani et al. A nove approach to predict the level of suicidal ideation on social networks Using machine and ensemble learning
CN113761899A (zh) 一种医疗文本生成方法、装置、设备及存储介质
US8756234B1 (en) Information theory entropy reduction program
CN114300127A (zh) 问诊处理方法、装置、设备及存储介质
Aswini Clinical medical knowledge extraction using crowdsourcing techniques
KR20210012606A (ko) 바이오 정보 분석 방법 및 이를 수행하기 위한 프로그램을 저장하는 저장 매체
Ariff et al. Malaysian views on COVID-19 vaccination program: a sentiment analysis study using Twitter

Legal Events

Date Code Title Description
E902 Notification of reason for refusal
E701 Decision to grant or registration of patent right
GRNT Written decision to grant