KR102568274B1 - Apparatus and method for recommending common data model word - Google Patents

Apparatus and method for recommending common data model word Download PDF

Info

Publication number
KR102568274B1
KR102568274B1 KR1020200181421A KR20200181421A KR102568274B1 KR 102568274 B1 KR102568274 B1 KR 102568274B1 KR 1020200181421 A KR1020200181421 A KR 1020200181421A KR 20200181421 A KR20200181421 A KR 20200181421A KR 102568274 B1 KR102568274 B1 KR 102568274B1
Authority
KR
South Korea
Prior art keywords
word
words
data
candidate
user input
Prior art date
Application number
KR1020200181421A
Other languages
Korean (ko)
Other versions
KR20220090333A (en
Inventor
황상원
김민아
포비체카
권찬우
Original Assignee
연세대학교 원주산학협력단
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 연세대학교 원주산학협력단 filed Critical 연세대학교 원주산학협력단
Priority to KR1020200181421A priority Critical patent/KR102568274B1/en
Publication of KR20220090333A publication Critical patent/KR20220090333A/en
Application granted granted Critical
Publication of KR102568274B1 publication Critical patent/KR102568274B1/en

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
    • 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
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/24—Querying
    • G06F16/242—Query formulation
    • G06F16/243—Natural language query formulation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
    • G06F16/33—Querying
    • G06F16/332—Query formulation
    • G06F16/3329—Natural language query formulation or dialogue systems
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/90—Details of database functions independent of the retrieved data types
    • G06F16/95—Retrieval from the web
    • G06F16/958—Organisation or management of web site content, e.g. publishing, maintaining pages or automatic linking
    • G06F16/986—Document structures and storage, e.g. HTML extensions
    • 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
    • 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
    • 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
    • G16H80/00—ICT specially adapted for facilitating communication between medical practitioners or patients, e.g. for collaborative diagnosis, therapy or health monitoring

Abstract

본 개시는 전자 장치가 단어를 추천하는 방법에 관한 것이다. 일 실시 예에 의하면, 전자 장치가 단어를 추천하는 방법은 전자 의료 기록(electronic medical record, EMR) 데이터 작성을 위한 제1 사용자 입력에 기초하여 소정의 문자열을 획득하는 단계; 상기 획득된 문자열을 단어 추천 모델에 입력함으로써, 상기 단어 추천 모델로부터, 상기 문자열 내 분석 대상 단어를 식별하는 단계; 상기 분석 대상 단어에 대한 제2 사용자 입력에 기초하여, 상기 제2 사용자 입력에 따라 선택된 분석 대상 단어에 대한 후보 단어들을 식별하는 단계; 및 상기 식별된 후보 단어들 중 하나의 후보 단어를 선택하는 제3 사용자 입력에 기초하여, 상기 제2 사용자 입력에 따라 선택된 분석 대상 단어를 상기 제3 사용자 입력에 따라 선택된 후보 단어로 변경하는 단계; 를 포함할 수 있다.The present disclosure relates to a method for an electronic device to recommend a word. According to an embodiment, a method of recommending a word by an electronic device includes obtaining a predetermined string based on a first user input for preparing electronic medical record (EMR) data; identifying analysis target words in the string from the word recommendation model by inputting the obtained string to a word recommendation model; identifying candidate words for a word to be analyzed based on a second user input for the word to be analyzed; and changing an analysis target word selected according to the second user input to a candidate word selected according to the third user input, based on a third user input selecting one of the identified candidate words. can include

Description

공통 데이터 모델 단어를 추천하는 방법 및 이를 수행하는 전자 장치 {APPARATUS AND METHOD FOR RECOMMENDING COMMON DATA MODEL WORD}A method for recommending a common data model word and an electronic device performing the same {APPARATUS AND METHOD FOR RECOMMENDING COMMON DATA MODEL WORD}

본 개시는 단어를 추천하는 방법 및 이를 수행하는 전자 장치에 관한 것이다. 보다 상세하게는 공통 데이터 모델 서버를 이용하여 단어를 추천하는 방법 및 장치에 관한 것이다.The present disclosure relates to a method for recommending a word and an electronic device performing the same. More specifically, it relates to a method and apparatus for recommending words using a common data model server.

4차 산업 혁명 시대가 도래하며, 의료 분야에서 의료 빅데이터에 기반한 새로운 근거 창출 시대가 열리고 있다. 의료 빅 데이터에는 전자의무기록, 환자질병 등록 정보, 환자 건강 모니터링 기기 자료 등이 있다. The era of the 4th industrial revolution has arrived, and the era of new evidence creation based on medical big data in the medical field is opening. Medical big data includes electronic medical records, patient disease registration information, and patient health monitoring device data.

최근 의료 서비스가 치료 중심에서 질병의 예방 및 관리 중심으로 변하고 있으며, 환자 개인의 효율적인 건강 관리를 위해 의료 정보의 활용의 중요성이 대두되고 있다. 특히 ICT 기술의 발달로 인하여 시간과 장소의 제약 없이 의료 정보를 관리하기 위한 기술이 활발히 연구되고 있다.Recently, medical services are changing from treatment-centered to disease prevention and management-centered, and the importance of using medical information for efficient health management of individual patients is emerging. In particular, due to the development of ICT technology, technology for managing medical information without restrictions of time and place is being actively researched.

대표적인 실시 예로, 전자 의료 기록(EMR)은 기존의 종이차트에 기록되던 각 환자의 진료 정보를 전산화한 기술이다. 전자 의료 기록을 통하여 환자의 진료 정보들의 관리가 용이해지고 있음에도 불구하고, 주관적인 의사의 견해에 따라 작성되는 의료기록을 통합하여 관리하는데 한계가 있다.As a representative example, an electronic medical record (EMR) is a technology that computerizes medical treatment information of each patient, which was previously recorded on paper charts. Although the management of patients' medical information is becoming easier through electronic medical records, there is a limit to integrating and managing medical records written according to subjective opinions of doctors.

따라서, 공통 데이터 모델의 의학 용어를 이용하여 의사가 전자 의료 기록을 작성하는데 편의성을 도모하고, 결과적으로 공통 데이터 모델을 이용하여 효과적으로 통합 의료 정보들을 관리하기 위한 기술 개발이 요구되고 있다.Accordingly, there is a need to develop a technology for making it convenient for doctors to create electronic medical records using medical terminology of a common data model and, as a result, effectively managing integrated medical information using a common data model.

한국공개특허 제2019-0135691호Korean Patent Publication No. 2019-0135691

일 실시 예에 의하면, 단어를 추천하는 전자 장치가 제공될 수 있다.According to an embodiment, an electronic device that recommends words may be provided.

일 실시 예에 의하면, 사용자가 전자 의료 기록을 작성함에 있어, 단어 추천 모델을 이용하여 최적의 후보 단어들을 제공하는 전자 장치 및 전자 장치가 수행하는 방법이 제공될 수 있다.According to an embodiment, when a user writes an electronic medical record, an electronic device that provides optimal candidate words using a word recommendation model and a method performed by the electronic device may be provided.

상술한 기술적 과제를 달성하기 위한 기술적 수단으로서, 일 실시 예에 의하면, 전자 장치가 단어를 추천하는 방법은 전자 의료 기록(electronic medical record, EMR) 데이터 작성을 위한 제1 사용자 입력에 기초하여 소정의 문자열을 획득하는 단계; 상기 획득된 문자열을 단어 추천 모델에 입력함으로써, 상기 단어 추천 모델로부터, 상기 문자열 내 분석 대상 단어를 식별하는 단계; 상기 분석 대상 단어에 대한 제2 사용자 입력에 기초하여, 상기 제2 사용자 입력에 따라 선택된 분석 대상 단어에 대한 후보 단어들을 식별하는 단계; 및 상기 식별된 후보 단어들 중 하나의 후보 단어를 선택하는 제3 사용자 입력에 기초하여, 상기 제2 사용자 입력에 따라 선택된 분석 대상 단어를 상기 제3 사용자 입력에 따라 선택된 후보 단어로 변경하는 단계; 를 포함할 수 있다.As a technical means for achieving the above technical problem, according to an embodiment, a method for recommending a word by an electronic device is based on a first user input for preparing electronic medical record (EMR) data. obtaining a string; identifying analysis target words in the string from the word recommendation model by inputting the obtained string to a word recommendation model; identifying candidate words for a word to be analyzed based on a second user input for the word to be analyzed; and changing an analysis target word selected according to the second user input to a candidate word selected according to the third user input, based on a third user input selecting one of the identified candidate words. can include

또 다른 실시 예에 의하면, 단어를 추천하는 전자 장치는 네트워크 인터페이스; 디스플레이; 하나 이상의 인스트럭션을 저장하는 메모리; 및 상기 하나 이상의 인스트럭션을 실행하는 적어도 하나의 프로세서; 를 포함하고, 상기 적어도 하나의 프로세서는 상기 하나 이상의 인스트럭션을 실행함으로써, 전자 의료 기록(electronic medical record, EMR) 데이터 작성을 위한 제1 사용자 입력에 기초하여 소정의 문자열을 획득하고, 상기 획득된 문자열을 단어 추천 모델에 입력함으로써, 상기 단어 추천 모델로부터, 상기 문자열 내 분석 대상 단어를 식별하고, 상기 분석 대상 단어에 대한 제2 사용자 입력에 기초하여, 상기 제2 사용자 입력에 따라 선택된 분석 대상 단어에 대한 후보 단어들을 식별하고, 상기 식별된 후보 단어들 중 하나의 후보 단어를 선택하는 제3 사용자 입력에 기초하여, 상기 제2 사용자 입력에 따라 선택된 분석 대상 단어를 상기 제3 사용자 입력에 따라 선택된 후보 단어로 변경할 수 있다.According to another embodiment, an electronic device for recommending words may include a network interface; display; a memory that stores one or more instructions; and at least one processor executing the one or more instructions; Including, the at least one processor obtains a predetermined string based on a first user input for creating electronic medical record (EMR) data by executing the one or more instructions, and the obtained string By inputting to a word recommendation model, a word to be analyzed in the string is identified from the word recommendation model, and based on a second user input for the word to be analyzed, a word to be analyzed is selected according to the second user input. Based on a third user input for identifying candidate words for and selecting one of the identified candidate words, an analysis target word selected according to the second user input is a candidate selected according to the third user input. can be changed into words.

또 다른 실시 예에 의하면, 전자 장치가 단어를 추천하는 방법에 있어서, 전자 의료 기록(electronic medical record, EMR) 데이터 작성을 위한 제1 사용자 입력에 기초하여 소정의 문자열을 획득하는 단계; 상기 획득된 문자열을 단어 추천 모델에 입력함으로써, 상기 단어 추천 모델로부터, 상기 문자열 내 분석 대상 단어를 식별하는 단계; 상기 분석 대상 단어에 대한 제2 사용자 입력에 기초하여, 상기 제2 사용자 입력에 따라 선택된 분석 대상 단어에 대한 후보 단어들을 식별하는 단계; 및 상기 식별된 후보 단어들 중 하나의 후보 단어를 선택하는 제3 사용자 입력에 기초하여, 상기 제2 사용자 입력에 따라 선택된 분석 대상 단어를 상기 제3 사용자 입력에 따라 선택된 후보 단어로 변경하는 단계; 를 포함하는, 방법을 수행하도록 하는 프로그램이 저장된 컴퓨터로 읽을 수 있는 기록매체가 제공될 수 있다.According to another embodiment, a method for recommending a word by an electronic device includes obtaining a predetermined character string based on a first user input for preparing electronic medical record (EMR) data; identifying analysis target words in the string from the word recommendation model by inputting the obtained string to a word recommendation model; identifying candidate words for a word to be analyzed based on a second user input for the word to be analyzed; and changing an analysis target word selected according to the second user input to a candidate word selected according to the third user input, based on a third user input selecting one of the identified candidate words. A computer-readable recording medium in which a program for performing the method including a may be provided.

일 실시 예에 의하면 사용자 입력에 기초하여, 뉴스 데이터를 오디오 신호로 효과적으로 변환할 수 있다.According to an embodiment, news data may be effectively converted into an audio signal based on a user input.

일 실시 예에 의하면, 소정의 뉴스 기사에 대한 사용자 입력에 기초하여, 효과적으로 뉴스 기사를 오디오 신호로 출력할 수 있다.According to an embodiment, a news article may be effectively output as an audio signal based on a user input for a predetermined news article.

도 1은 일 실시 예에 따라 전자 장치가 단어를 추천하는 방법을 개략적으로 설명하기 위한 도면이다.
도 2는 일 실시 예에 따라 전자 장치가 단어를 추천하는 과정을 나타내는 도면이다.
도 3은 일 실시 예에 따라 전자 장치가 단어를 추천하는 방법의 흐름도이다.
도 4는 또 다른 실시 예에 따라 전자 장치가 단어를 추천하는 방법의 흐름도이다.
도 5는 일 실시 예에 따라 전자 장치가 단어 추천 모델을 재 학습 시키는 과정을 설명하기 위한 도면이다.
도 6은 일 실시 예에 따라 전자 장치가 크기가 조정된 피드백 데이터를 이용하여 단어 추천 모델을 재 학습 시키는 과정을 설명하기 위한 도면이다.
도 7은 일 실시 예에 따라 전자 장치가 이용하는 단어 추천 모델을 설명하기 위한 도면이다.
도 8은 일 실시 예에 따른 전자 장치의 블록도이다.
도 9는 일 실시 예에 따른 서버의 블록도이다.
도 10은 일 실시 예에 따른 후보 단어 리스트를 관리하기 위한 데이터베이스의 구조를 설명하기 위한 도면이다.1 is a diagram schematically illustrating a method of recommending a word by an electronic device according to an exemplary embodiment.
2 is a diagram illustrating a process of recommending words by an electronic device according to an embodiment.
3 is a flowchart of a method of recommending a word by an electronic device according to an embodiment.
4 is a flowchart of a method of recommending a word by an electronic device according to another embodiment.
5 is a diagram for explaining a process of re-learning a word recommendation model by an electronic device according to an embodiment.
6 is a diagram for explaining a process in which an electronic device re-learns a word recommendation model using scaled feedback data according to an embodiment.
7 is a diagram for explaining a word recommendation model used by an electronic device according to an embodiment.
8 is a block diagram of an electronic device according to an exemplary embodiment.
9 is a block diagram of a server according to an embodiment.
10 is a diagram for explaining the structure of a database for managing a candidate word list according to an exemplary embodiment.

본 명세서에서 사용되는 용어에 대해 간략히 설명하고, 본 개시에 대해 구체적으로 설명하기로 한다.Terms used in this specification will be briefly described, and the present disclosure will be described in detail.

본 개시에서 사용되는 용어는 본 개시에서의 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 개시에서 사용되는 용어는 단순한 용어의 명칭이 아닌, 그 용어가 가지는 의미와 본 개시의 전반에 걸친 내용을 토대로 정의되어야 한다. The terms used in the present disclosure have been selected from general terms that are currently widely used as much as possible while considering the functions in the present disclosure, but they may vary according to the intention or precedent of a person skilled in the art, 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, terms used in the present disclosure should be defined based on the meaning of the term and the general content of the present disclosure, not simply the name of the term.

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.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 mean a unit that processes at least one function or operation, which may be implemented as hardware or software or a combination of hardware and software. .

아래에서는 첨부한 도면을 참고하여 본 개시의 실시 예에 대하여 본 개시가 속하는 기술 분야에서 통상의 지식을 가진 자가 용이하게 실시할 수 있도록 상세히 설명한다. 그러나 본 개시는 여러 가지 상이한 형태로 구현될 수 있으며 여기에서 설명하는 실시 예에 한정되지 않는다. 그리고 도면에서 본 개시를 명확하게 설명하기 위해서 설명과 관계없는 부분은 생략하였으며, 명세서 전체를 통하여 유사한 부분에 대해서는 유사한 도면 부호를 붙였다.Hereinafter, with reference to the accompanying drawings, embodiments of the present disclosure will be described in detail so that those skilled in the art can easily carry out the present disclosure. However, the present disclosure may be implemented in many different forms and is not limited to the embodiments described herein. And in order to clearly describe the present disclosure in the drawings, parts irrelevant to the description are omitted, and similar reference numerals are attached to similar parts throughout the specification.

도 1은 일 실시 예에 따라 전자 장치가 단어를 추천하는 방법을 개략적으로 설명하기 위한 도면이다.1 is a diagram schematically illustrating a method of recommending a word by an electronic device according to an exemplary embodiment.

일 실시 예에 의하면 전자 장치(1000)는 전자 의료 기록(EMR) 작성 서비스를 제공할 수 있다. 일 실시 예에 의하면, 전자 장치(1000)는 전자 의료 기록 작성 서비스를 통하여 소정의 사용자 인터페이스를 제공하고, 제공된 사용자 인터페이스에 대한 사용자 입력에 기초하여, 사용자에게 공통 데이터 모델(CDM)의 단어를 추천할 수 있다. 전자 장치(1000)는 사용자 입력에 기초하여 추천된 단어 중 하나의 단어를 이용하여, 전자 의료 기록 작성 서비스를 통하여 사용자로부터 입력된 문자열 내 적어도 일부 단어를 변경할 수 있다.According to an embodiment, the electronic device 1000 may provide an electronic medical record (EMR) writing service. According to an embodiment, the electronic device 1000 provides a predetermined user interface through an electronic medical record creation service, and recommends words of the common data model (CDM) to the user based on a user input for the provided user interface. can do. The electronic device 1000 may change at least some words in a character string input from the user through the electronic medical record writing service by using one of the words recommended based on the user input.

일 실시 예에 의하면, 전자 장치(1000)는 사용자 입력에 기초하여 작성된 전자 의료 기록 (102) 데이터를 획득하고, 획득된 전자 의료 기록 데이터를 CDM 단어를 포함하는 전자 의료 기록 데이터(104)로 변경할 수 있다. 일 실시 예에 의하면, CDM 단어는 공통 데이터 모델(Common Data Model) 서버 내 단어 데이터를 이용하여 전자 장치가 추천 가능한 단어를 의미할 수 있다. 전자 장치(1000)는 사용자 입력에 기초하여 획득된 전자 의료 기록 데이터(102)를 CDM 단어를 포함하는 전자 의료 기록 데이터(104)로 변환하고, 변환된 전자 의료 기록 데이터를 피드백 데이터(106)로 활용할 수 있다. 예를 들어, 전자 장치(1000)는 변환된 전자 의료 기록 데이터를 피드백 데이터로 이용함으로써, 전자 장치 내 단어 추천 모델을 재 학습시킬 수 있다.According to an embodiment, the electronic device 1000 acquires electronic medical record data 102 created based on a user input, and converts the obtained electronic medical record data into electronic medical record data 104 including CDM words. can According to an embodiment, a CDM word may mean a word that can be recommended by an electronic device using word data in a Common Data Model server. The electronic device 1000 converts the electronic medical record data 102 obtained based on the user input into the electronic medical record data 104 including the CDM word, and converts the converted electronic medical record data into feedback data 106. can be utilized For example, the electronic device 1000 may relearn a word recommendation model in the electronic device by using the converted electronic medical record data as feedback data.

일 실시 예에 의하면, 전자 장치(1000)는 프로세서(110) 및 메모리(120)를 포함할 수 있다. 프로세서(110)는 메모리(120)내 하나 이상의 인스트럭션을 수행함으로써 전자 장치의 전반적인 동작을 제어할 수 있다. 일 실시 예에 의하면, 프로세서(110)는 메모리(120)내 하나 이상의 인스트럭션을 수행함으로써 CDM 단어를 추천할 수 있다. 일 실시 예에 의하면, 메모리(120)는 단어 추천 모델(122), 워드 임베딩 모델(124) 또는 글자 단위 신경망 모델(126) 중 적어도 하나를 포함할 수 있다.According to an embodiment, the electronic device 1000 may include a processor 110 and a memory 120. The processor 110 may control the overall operation of the electronic device by executing one or more instructions in the memory 120 . According to one embodiment, the processor 110 may recommend CDM words by executing one or more instructions in the memory 120 . According to an embodiment, the memory 120 may include at least one of a word recommendation model 122, a word embedding model 124, and a character unit neural network model 126.

예를 들어, 단어 추천 모델(122)은 제1 사용자 입력에 기초하여 획득된 문자열 내 분석 대상 단어를 식별하고, 식별된 분석 대상 단어에 대한 후보 단어들을 결정할 수 있다. 일 실시 예에 의하면, 단어 추천 모델(122)은 분석 대상 단어에 대한 후보 단어들을 추천 단어 리스트로 구성하여 제공할 수도 있다.For example, the word recommendation model 122 may identify a word to be analyzed in a character string obtained based on a first user input, and may determine candidate words for the identified word to be analyzed. According to an embodiment, the word recommendation model 122 may configure and provide candidate words for the analysis target word as a recommendation word list.

워드 임베딩 모델(124)은 기존의 작성된 전자 의료 기록 데이터와 성공적으로 변환된, CDM 단어를 포함하는 문서의 단어 유사도를 학습할 수 있다. 예를 들어, 워드 임베딩 모델(124)은 기존의 작성된 전자 의료 기록 데이터와, 변경된 후보 단어 또는 상기 변경된 후보 단어를 포함하는 문자열을 포함하는, 피드백 데이터 내 단어들의 유사도를 학습할 수도 있다. 워드 임베딩 모델(124)은 학습한 유사도에 기초하여 전자 의료 기록 데이터 및 상기 피드백 데이터 내 단어들이 배치된 벡터 공간을 생성할 수 있다.The word embedding model 124 can learn word similarity of documents containing CDM words that have been successfully converted with existing authored electronic medical record data. For example, the word embedding model 124 may learn the similarity between previously written electronic medical record data and words in the feedback data, including the changed candidate word or a character string including the changed candidate word. The word embedding model 124 may generate a vector space in which words in the electronic medical record data and the feedback data are arranged based on the learned similarity.

일 실시 예에 의하면, 워드 임베딩 모델(124)이 생성한 벡터 공간 내 단어들은 출현이 유사하거나, 출현 시 주변 단어들의 연관 관계에 따라 인접한 위치 또는 공간에 배치될 수 있다. 따라서, 워드 임베딩 모델(124)은 사용자 입력에 기초하여 획득된 전자 의료 기록 데이터 내 문자열 중 특정 단어가 입력되면, 입력된 특정 단어와 유사한 공간 또는 인접한 공간에 배치된 CDM 단어(예컨대 의학 용어)를 단어 추천 모델에 전달할 수 있다. 단어 추천 모델은 워드 임베딩 모델(124)을 이용하여 유사한 벡터 공간 내 위치하는 단어들을 후보 단어로써 출력할 수 있다.According to an embodiment, words in the vector space generated by the word embedding model 124 may appear similarly or may be arranged in adjacent positions or spaces according to a relational relationship between neighboring words when they appear. Therefore, the word embedding model 124 converts CDM words (eg, medical terms) disposed in a space similar to or adjacent to the input specific word when a specific word is input from among strings in electronic medical record data obtained based on a user input. You can pass it to the word recommendation model. The word recommendation model may use the word embedding model 124 to output words located in a similar vector space as candidate words.

일 실시 예에 의하면 글자 단위 신경망 모델(126)은 전자 의료 기록 데이터 내에서 등장하는 단어 스펠링을 출현 순서에 따라서 학습할 수 있다. 예를 들어, 글자 단위 신경망 모델(126)은 Character Recurrent Neural Network(Char RNN)일 수 있다. 일 실시 예에 의하면, 글자 단위 신경망 모델(126)은 소정의 단어에 관해 비슷한 표기(예컨대 개개인이 사용하는 약어 등)를 분석하는데 사용될 수 있다. 개개인이 사용하는 의학 용어의 약어는 스펠링이 유사하지만 매우 다양할 수 있기 때문에, 워드 임베딩 모델로 학습한 문서에서 등장하지 않는 약어가 출현할 경우, 단어 추천이 어려울 수 있다. 따라서, 본원 전자 장치(1000)는 글자 단위 신경망 모델을 이용하여, 전자 의료 기록 데이터에서 새로 출현한 단어 중 워드 임베딩 모델에서 학습된 단어와 유사한 스펠링으로 구성된 약어를 결정하고, 결정된 상기 약어 정보를 이용하여, 전자 의료 기록 데이터에서 등장하지 않았던 단어라도 추천이 가능할 수 있다. 일 실시 예에 의하면, 전자 장치(1000)가 제공하는 추천 단어 리스트는 NoSQL Database 중 하나인 Mongo DB를 통해 관리될 수 있다. According to an embodiment, the character-based neural network model 126 may learn spellings of words that appear in electronic medical record data according to the order of their appearance. For example, the character unit neural network model 126 may be a Character Recurrent Neural Network (Char RNN). According to an embodiment, the character-based neural network model 126 may be used to analyze similar notations (eg, abbreviations used by individuals) for a given word. Since the abbreviations of medical terms used by individuals have similar spellings but can be very diverse, it may be difficult to recommend words when an abbreviation that does not appear in a document learned by the word embedding model appears. Accordingly, the electronic device 1000 of the present application determines an abbreviation composed of a spelling similar to a word learned from a word embedding model among words newly appearing in electronic medical record data by using a character-based neural network model, and uses the determined abbreviation information. Accordingly, even a word that does not appear in the electronic medical record data may be recommended. According to an embodiment, the recommended word list provided by the electronic device 1000 may be managed through Mongo DB, one of NoSQL databases.

일 실시 예에 의하면, 전자 장치(1000)는 다양한 형태로 구현될 수 있다. 예를 들어, 본 명세서에서 기술되는 전자 장치(1000)는, 디지털 카메라, 모바일 단말, 스마트 폰(smart phone), 노트북 컴퓨터(laptop computer), 태블릿 PC, 전자북 단말기, 디지털방송용 단말기, PDA(Personal Digital Assistants), PMP(Portable Multimedia Player), 네비게이션, MP3 플레이어 등이 있을 수 있으나, 이에 한정되는 것은 아니다.According to an embodiment, the electronic device 1000 may be implemented in various forms. For example, the electronic device 1000 described in this specification includes a digital camera, a mobile terminal, a smart phone, a laptop computer, a tablet PC, an electronic book terminal, a digital broadcasting terminal, and a personal digital assistant (PDA). Digital Assistants), PMP (Portable Multimedia Player), navigation, MP3 player, etc. may exist, but are not limited thereto.

일 실시 예에 의하면, 전자 장치(1000)는 서버(2000)와 연동함으로써, 전자 의료 기록 데이터 작성 서비스를 제공하고, 작성된 전자 의료 기록 데이터 내 소정의 분석 대상 단어에 대한 후보 단어들을 추천할 수도 있다. 일 실시 예에 의하면, 서버(2000)는 전자 장치(1000)와 네트워크를 통하여 통신 연결되고, 데이터를 송수신할 수 있는 기타 컴퓨팅 장치를 포함할 수 있다. 일 실시 예에 의하면, 네트워크는 근거리 통신망(Local Area Network; LAN), 광역 통신망(Wide Area Network; WAN), 부가가치 통신망(Value Added Network; VAN), 이동 통신망(mobile radio communication network), 위성 통신망 및 이들의 상호 조합을 포함하며, 도 1에 도시된 각 네트워크 구성 주체가 서로 원활하게 통신을 할 수 있도록 하는 포괄적인 의미의 데이터 통신망이며, 유선 인터넷, 무선 인터넷 및 모바일 무선 통신망을 포함할 수 있다.According to an embodiment, the electronic device 1000 may provide an electronic medical record data preparation service by interworking with the server 2000, and may recommend candidate words for a predetermined analysis target word in the created electronic medical record data. . According to an embodiment, the server 2000 may include other computing devices that are communicatively connected to the electronic device 1000 through a network and capable of transmitting and receiving data. According to an embodiment, the network includes a local area network (LAN), a wide area network (WAN), a value added network (VAN), a mobile radio communication network, a satellite communication network, and It includes a mutual combination of these, and is a comprehensive data communication network that enables each network constituent entity shown in FIG. 1 to communicate smoothly with each other, and may include wired Internet, wireless Internet, and mobile wireless communication network.

도 2는 일 실시 예에 따라 전자 장치가 단어를 추천하는 과정을 나타내는 도면이다.2 is a diagram illustrating a process of recommending words by an electronic device according to an embodiment.

도 2를 참조하여, 전자 장치(1000)가 제공하는 전자 의료 기록(Electronic Medical Record, EMR) 작성 서비스 화면을 설명하기로 한다. 일 실시 예에 의하면, 전자 장치(1000)는 전자 의료 기록 데이터 작성 서비스를 제공하는 과정에서 소정의 사용자 인터페이스들을 제공할 수 있다. 예를 들어, 전자 장치(1000)의 화면(202)를 참조하면, 전자 장치의 화면(202)에는 사용자 전자 의료 기록 작성 화면(204)과 추천 단어 리스트 제공 화면(206)이 표시될 수 있다. Referring to FIG. 2 , an electronic medical record (EMR) creation service screen provided by the electronic device 1000 will be described. According to an embodiment, the electronic device 1000 may provide predetermined user interfaces in the process of providing an electronic medical record data preparation service. For example, referring to the screen 202 of the electronic device 1000, a user electronic medical record creation screen 204 and a recommended word list providing screen 206 may be displayed on the screen 202 of the electronic device.

일 실시 예에 의하면, 전자 장치(1000)는 HTML5 및 CSS를 이용하여 제작된 웹 에디터 서비스를 통하여 제공되는 인터페이스상 상기 사용자 입력에 기초하여 상기 소정의 문자열을 획득하고, 획득된 문자열을 전자 의료 기록 작성 화면(204)상에 표시할 수 있다.According to an embodiment, the electronic device 1000 obtains the predetermined string based on the user input on an interface provided through a web editor service created using HTML5 and CSS, and uses the obtained string as an electronic medical record. It can be displayed on the creation screen 204.

일 실시 예에 의하면, 전자 의료 기록 작성 화면(204)은, 사용자 입력에 기초하여 입력되는 소정의 문자열이 표시될 수 있다. 일 실시 예에 의하면, 전자 장치(1000)는 사용자가 입력한 문자열 내 소정의 분석 대상 단어들을 식별하고, 식별된 분석 대상 단어를 강조하기 위해 분석 대상 단어들의 표시 형태를 변경하며, 변경된 표시 형태의 분석 대상 단어들을 표시할 수 있다. 예를 들어, 전자 장치(1000)는 분석 대상 단어들을 하이라이팅(Highlighting) 표시하여 전자 의료 기록 작성 화면(204)상에 표시할 수 있다.According to an embodiment, the electronic medical record creation screen 204 may display a predetermined character string input based on a user input. According to an embodiment, the electronic device 1000 identifies predetermined analysis target words in a character string input by a user, changes the display form of the analysis target words to emphasize the identified analysis target words, and displays the changed display form. Analysis target words can be displayed. For example, the electronic device 1000 may highlight and display analysis target words on the electronic medical record creation screen 204 .

또한, 일 실시 예에 의하면, 전자 장치(1000)는 강조 표시된 분석 대상 단어들 중 하나를 선택하는 사용자 입력에 기초하여, 선택된 단어에 대한 적어도 하나의 후보 단어들을 추천 단어 리스트로써 제공할 수 있다. 보다 상세하게는, 전자 장치(1000)는 문자열 중 소정의 분석 대상 단어를 선택하는 사용자 입력에 기초하여 분석 대상 단어에 대한 후보 단어들을 식별하고, 식별된 후보 단어들 중 하나의 후보 단어를 선택하는 또 다른 사용자 입력에 기초하여 선택된 하나의 후보 단어를 이용하여, 상기 소정의 분석 대상 단어를 변경할 수 있다.Also, according to an embodiment, the electronic device 1000 may provide at least one candidate word for the selected word as a recommended word list based on a user input for selecting one of the highlighted words to be analyzed. More specifically, the electronic device 1000 identifies candidate words for the analysis target word based on a user input for selecting a predetermined analysis target word from among character strings, and selects one candidate word from among the identified candidate words. The predetermined analysis target word may be changed using one candidate word selected based on another user input.

도 3은 일 실시 예에 따라 전자 장치가 단어를 추천하는 방법의 흐름도이다.3 is a flowchart of a method of recommending a word by an electronic device according to an embodiment.

S310에서, 전자 장치(1000)는 전자 의료 기록 데이터 작성을 위한 제1 사용자 입력에 기초하여 소정의 문자열을 획득할 수 있다. 일 실시 예에 의하면, 전자 장치(1000)는 전자 의료 기록 작성 서비스를 제공할 수 있고, 서비스를 실행함에 따라 제공되는 사용자 인터페이스에 대한 사용자 타이핑 입력에 기초하여 소정의 문자열을 획득할 수 있다.In S310, the electronic device 1000 may obtain a predetermined character string based on a first user input for creating electronic medical record data. According to an embodiment, the electronic device 1000 may provide an electronic medical record writing service, and obtain a predetermined character string based on a user typing input for a user interface provided as the service is executed.

S320에서, 전자 장치(1000)는 획득된 문자열을 단어 추천 모델에 입력함으로써, 단어 추천 모델로부터 문자열 내 분석 대상 단어를 식별할 수 있다. 일 실시 예에 의하면, 단어 추천 모델은 소정의 후보 단어들을 추천 단어 리스트로써 제공할 수 있다. 또한, 단어 추천 모델은 소정의 후보 단어들을 제공하기 앞서, 사용자 입력에 기초하여 획득된 문자열 내 분석 대상 단어들을 식별할 수도 있다.In operation S320, the electronic device 1000 may identify analysis target words in the string from the word recommendation model by inputting the obtained string to the word recommendation model. According to an embodiment, the word recommendation model may provide predetermined candidate words as a recommendation word list. Also, the word recommendation model may identify words to be analyzed in a character string obtained based on a user input before providing predetermined candidate words.

S330에서, 전자 장치(1000)는 분석 대상 단어에 대한 제2 사용자 입력에 기초하여, 제2 사용자 입력에 따라 선택된 분석 대상 단어에 대한 후보 단어를 식별할 수 있다. 보다 상세하게는, 전자 장치(1000)는 문자열 내 하나의 단어를 선택하는 제2 사용자 입력에 기초하여, 해당 단어에 대한 후보 단어들을 결정할 수 있다. 전자 장치(1000)는 결정된 후보 단어들을 전자 장치의 화면상에 표시할 수 있다.In S330 , the electronic device 1000 may identify candidate words for the word to be analyzed based on the second user input for the word to be analyzed, based on the second user input. More specifically, the electronic device 1000 may determine candidate words for a corresponding word based on a second user input for selecting one word in the character string. The electronic device 1000 may display the determined candidate words on the screen of the electronic device.

S340에서, 전자 장치(1000)는 식별된 후보 단어들 중 하나의 후보 단어를 선택하는 제3 사용자 입력에 기초하여, 제2 사용자 입력에 따라 선택된 분석 대상 단어를 상기 제3 사용자 입력에 따라 선택된 후보 단어로 변경할 수 있다. 예를 들어, 도 2에서 상술한 바와 같이, 추천 단어 리스트 제공 화면(206)상에 표시된 후보 단어들 중 하나를 선택(예컨대 터치 입력 또는 마우스 클릭)하는 사용자 입력에 기초하여, 특정 후보 단어를 식별한 후, 단어 추천 리스트의 출력을 야기한 사용자 입력에 따른 분석 대상 단어를, 특정 후보 단어로 변경할 수 있다. In operation S340, the electronic device 1000 converts the analysis target word selected according to the second user input to the candidate selected according to the third user input, based on the third user input for selecting one of the identified candidate words. can be changed into words. For example, as described above with reference to FIG. 2 , a specific candidate word is identified based on a user input for selecting one of the candidate words displayed on the recommended word list providing screen 206 (eg, a touch input or a mouse click). After that, the word to be analyzed according to the user input that causes the output of the word recommendation list may be changed to a specific candidate word.

도 4는 또 다른 실시 예에 따라 전자 장치가 단어를 추천하는 방법의 흐름도이다.4 is a flowchart of a method of recommending a word by an electronic device according to another embodiment.

도 4의 S410 내지 S440은 도 3의 S310 내지 S340에 대응될 수 있으므로 구체적인 설명은 생략하기로 한다. S450에서, 전자 장치(1000)는 소정의 분석 대상 단어를, 후보 단어로 변경한 후, 변경된 후보 단어를 포함하는 문자열을 표시할 수 있다. S460에서, 전자 장치(1000)는 상기 표시된 문자열을 피드백 데이터로 저장할 수 있다. Since S410 to S440 of FIG. 4 may correspond to S310 to S340 of FIG. 3, a detailed description thereof will be omitted. In S450, the electronic device 1000 may change a predetermined analysis target word into a candidate word, and then display a character string including the changed candidate word. In S460, the electronic device 1000 may store the displayed character string as feedback data.

예를 들어, 전자 장치(1000)는 상기 표시된 문자열을 피드백 데이털 메모리에 저장하고, 저장된 피드백 데이터를 이용하여 단어 추천 모델을 재 학습시킬 수 있다. 일 실시 예에 의하면, 전자 장치(1000)는 전자 의료 기록 데이터, 후보 단어로 변경된 문자열을 포함하는 전자 의료 기록 데이터, 전자 의료 기록 데이터 내 분석 대상 단어, 분석 대상 단어를 치환하는데 사용된 후보 단어에 대한 정보 중 적어도 하나를 피드백 데이터로 저장할 수 있다.For example, the electronic device 1000 may store the displayed character string in a feedback data memory and relearn a word recommendation model using the stored feedback data. According to an embodiment, the electronic device 1000 determines electronic medical record data, electronic medical record data including a character string changed into a candidate word, an analysis target word in the electronic medical record data, and a candidate word used to replace the analysis target word. At least one of the information may be stored as feedback data.

도 5는 일 실시 예에 따라 전자 장치가 단어 추천 모델을 재 학습 시키는 과정을 설명하기 위한 도면이다.5 is a diagram for explaining a process of re-learning a word recommendation model by an electronic device according to an embodiment.

S510에서, 전자 장치(1000)는 저장된 피드백 데이터의 수를 식별한다. 예를 들어, 전자 장치(1000)는 전자 장치의 사용자가 추천된 후보 단어를 이용하여, 전자 의료 기록 데이터 내 일부 단어를 변경하는 경우, 변경된 일부 단어들을 포함하는 전자 의료 기록 데이터를 피드백 데이터로 저장한다. 이때 전자 장치(1000)는 저장된 피드백 데이터의 데이터 량을 모니터링할 수 있다. In S510, the electronic device 1000 identifies the number of stored feedback data. For example, when a user of the electronic device changes some words in the electronic medical record data using recommended candidate words, the electronic device 1000 stores the electronic medical record data including the changed some words as feedback data. do. At this time, the electronic device 1000 may monitor the data amount of the stored feedback data.

S520에서, 전자 장치(1000)는 식별된 피드백 데이터의 수 또는 데이터의 량이 소정의 임계치 이상이 되면, 피드백 데이터에 기초하여 상기 단어 추천 모델을 재 학습시킬 수 있다. 본 개시에 따른 전자 장치(1000)는 항상 단어 추천 모델을 재 학습시키는 것이 아니라, 피드백 데이터의 량을 모니터링하고, 모니터링된 피드백 데이터 량이 소정의 임계치 이상인 경우에만 단어 추천 모델을 재 학습시킴으로써, 전자 장치의 연산 비용을 줄일 수 있다.In S520, the electronic device 1000 may relearn the word recommendation model based on the feedback data when the number or quantity of the identified feedback data exceeds a predetermined threshold. The electronic device 1000 according to the present disclosure does not always re-learn a word recommendation model, but monitors the amount of feedback data and re-learns the word recommendation model only when the amount of monitored feedback data is equal to or greater than a predetermined threshold, thereby providing an electronic device can reduce the computational cost of

도 6은 일 실시 예에 따라 전자 장치가 크기가 조정된 피드백 데이터를 이용하여 단어 추천 모델을 재 학습 시키는 과정을 설명하기 위한 도면이다.6 is a diagram for explaining a process in which an electronic device re-learns a word recommendation model using scaled feedback data according to an embodiment.

S610에서, 전자 장치(1000)는 단어 추천 모델을 재 학습시키기 전에 이용된 학습 데이터 및 상기 피드백 데이터 사이의 크기 비율을 결정할 수 있다. 일 실시 예에 의하면, 전자 장치(1000)는 학습 데이터 및 피드백 데이터 사이의 데이터 량에 기초하여, 학습 데이터 및 피드백 데이터 사이의 소정의 크기 비율을 결정할 수 있다.In S610, the electronic device 1000 may determine a size ratio between training data used and the feedback data before retraining the word recommendation model. According to an embodiment, the electronic device 1000 may determine a predetermined size ratio between the learning data and the feedback data based on the amount of data between the learning data and the feedback data.

S620에서, 전자 장치(1000)는 크기 비율에 따라 피드백 데이터의 크기를 조정할 수 있다. S630에서, 전자 장치(1000)는 크기가 조정된 피드백 데이터를 이용하여 단어 추천 모델을 재 학습시킬 수 있다. 예를 들어, 전자 장치(1000)가 단어 추천 모델을 재 학습시킬 때 새로운 데이터로의 학습 편향이 발생할 수 있다. 이를 방지하기 위해, 전자 장치(1000)는 단어 추천 모델을 재 학습시키기 전, 단어 추천 모델을 학습하는데 사용된 기존의 학습 데이터와, 새로운 학습 데이터인 피드백 데이터의 크기를 소정의 비율로 나누고, 기존 학습 데이터에 대한 소정의 비율로 구성되는 피드백 데이터를 이용하여 단어 추천 모델을 학습시킬 수 있다. 보다 상세하게는, 전자 장치(1000)는 기존 학습 데이터와 새로운 피드백 데이터를 일정 크기로 나누어 정확도를 계산하는 상호 검증 기술을 이용하여 단어 추천 모델이 새로운 데이터로의 학습 편향이 발생되지 않도록 할 수 있다.In S620, the electronic device 1000 may adjust the size of the feedback data according to the size ratio. In S630, the electronic device 1000 may relearn the word recommendation model using the scaled feedback data. For example, when the electronic device 1000 relearns a word recommendation model, a learning bias to new data may occur. To prevent this, before re-learning the word recommendation model, the electronic device 1000 divides the size of existing learning data used to learn the word recommendation model and feedback data, which is new learning data, by a predetermined ratio, and A word recommendation model may be trained using feedback data composed of a predetermined ratio to training data. More specifically, the electronic device 1000 can prevent the word recommendation model from learning bias to new data by using a mutual verification technique that calculates accuracy by dividing existing learning data and new feedback data by a certain size. .

도 7은 일 실시 예에 따라 전자 장치가 이용하는 단어 추천 모델을 설명하기 위한 도면이다.7 is a diagram for explaining a word recommendation model used by an electronic device according to an embodiment.

일 실시 예에 의하면 전자 장치가 이용하는 단어 추천 모델은 워드 임베딩 모델(710) 및 글자 단위 신경망 모델(720)을 포함할 수 있다. 일 실시 예에 의하면 글자 단위 신경망 모델(720)은 인공 지능 학습 알고리즘에 따라 학습될 수 있는 인공 지능 모델일 수 있다. 일 실시 예에 의하면, 인공 지능 모델은 RNN (Recurrent Neural Network)을 포함할 수도 있다. 예를 들어, 인공 지능 모델은 CNN (Convolutional Neural Network), DNN (Deep Neural Network), RNN (Recurrent Neural Network), RBM (Restricted Boltzmann Machine), DBN (Deep Belief Network), BRDNN(Bidirectional Recurrent Deep Neural Network) 또는 심층 Q-네트워크 (Deep Q-Networks) 등이 있으나, 역시 이에 한정되는 것은 아니다. 일 실시 예에 의하면 글자 단위 신경망 모델(720)은 적어도 하나의 레이어들 및 상기 레이어들 간의 연결 강도에 관한 가중치 값을 더 포함할 수 있다. 글자 단위 신경망 모델은 가중치 값을 수정 및 갱신함으로써 학습될 수 있다.According to an embodiment, the word recommendation model used by the electronic device may include a word embedding model 710 and a character unit neural network model 720. According to an embodiment, the character unit neural network model 720 may be an artificial intelligence model that can be learned according to an artificial intelligence learning algorithm. According to one embodiment, the artificial intelligence model may include a recurrent neural network (RNN). For example, artificial intelligence models include Convolutional Neural Network (CNN), Deep Neural Network (DNN), Recurrent Neural Network (RNN), Restricted Boltzmann Machine (RBM), Deep Belief Network (DBN), and Bidirectional Recurrent Deep Neural Network (BRDNN). ) or deep Q-networks, but are not limited thereto. According to an embodiment, the character-based neural network model 720 may further include at least one layer and a weight value related to connection strength between the layers. The character-based neural network model can be learned by modifying and updating weight values.

일 실시 예에 의하면 글자 단위 신경망 모델(720)은 전자 의료 기록 데이터 또는 상기 피드백 데이터 내 단어의 스펠링을 학습하고, 학습된 스펠링에 기초하여 유사 단어들을 생성할 수 있다. 글자 단위 신경망 모델(720)이 생성한 유사 단어들은 워드 임베딩 모델(710)이 생성하는 벡터 공간 내 반영될 수 있다. 전자 장치(1000)는 벡터 공간에 배치된 전자 의료 기록 데이터 또는 피드백 데이터 내 단어들과 유사한 단어들을 식별하고, 식별된 유사 단어들을 후보 단어들로써 제공할 수 있다.According to an embodiment, the character-based neural network model 720 may learn the spelling of words in the electronic medical record data or the feedback data, and generate similar words based on the learned spelling. Similar words generated by the character-based neural network model 720 may be reflected in a vector space generated by the word embedding model 710 . The electronic device 1000 may identify words similar to words in the electronic medical record data or feedback data arranged in the vector space, and provide the identified similar words as candidate words.

일 실시 예에 의하면, 전자 장치(1000)가 이용하는 단어 추천 모델은 공통 데이터 모델(Common Data Model)로써 서버 내 단어 데이터를 이용하여 식별된 분석 대상 단어에 대한 후보 단어들을 식별할 수 있다. 일 실시 예에 의하면, 전자 장치(1000)는 공통 데이터 모델 구조의 서버와 연결되고, 해당 서버로부터 표준화된 데이터 구조의 후보 단어들을 획득하고, 획득된 후보 단어들을 이용하여 추천 단어들을 제공할 수 있다.According to an embodiment, the word recommendation model used by the electronic device 1000 is a common data model, and may identify candidate words for an analysis target word identified by using word data in a server. According to an embodiment, the electronic device 1000 may be connected to a server having a common data model structure, obtain candidate words of a standardized data structure from the server, and provide recommended words using the obtained candidate words. .

일 실시 예에 의하면, 워드 임베딩 모델은 상술한 바와 같이, 소정의 전자 의료 기록 데이터와 제3 사용자 입력에 따라 선택된 후보 단어로 변경된 문자열을 포함하는 피드백 데이터 내 단어들의 유사도를 결정할 수 있다. 또한, 워드 임베딩 모델은 결정된 유사도에 기초하여 전자 의료 기록 데이터 및 피드백 데이터 내 단어들이 배치된 벡터 공간을 생성할 수도 있다. 벡터 공간은 소정의 단어들의 유사도에 따라 군집화된 단어 영역들을 포함할 수 있다. 전자 장치(1000)는 워드 임베딩 모델을 이용하여 생성된 벡터 공간 내 배치된 단어들을 이용하여, 사용자 입력한 단어와 유사한 단어들을 후보 단어로 추천할 수 있다. 또한, 일 실시 예에 의하면, 전자 장치(1000)가 제공한 후보 단어들은 소정의 후보 단어 리스트를 구성하고, 후보 단어 리스트는 NoSQL 데이터 베이스 중 하나인 Mongo 데이터 베이스를 통해 관리될 수 있다.According to an embodiment, as described above, the word embedding model may determine a similarity between predetermined electronic medical record data and words in feedback data including a character string changed to a candidate word selected according to a third user input. Also, the word embedding model may generate a vector space in which words in the electronic medical record data and the feedback data are arranged based on the determined similarity. The vector space may include word regions clustered according to the similarity of predetermined words. The electronic device 1000 may recommend words similar to the word input by the user as candidate words by using the words arranged in the vector space generated using the word embedding model. Also, according to an embodiment, candidate words provided by the electronic device 1000 form a predetermined candidate word list, and the candidate word list can be managed through a Mongo database, one of NoSQL databases.

도 8은 일 실시 예에 따른 전자 장치의 블록도이다.8 is a block diagram of an electronic device according to an exemplary embodiment.

일 실시 예에 의하면, 전자 장치(1000)는 프로세서(1300), 네트워크 인터페이스(1500) 및 메모리(1700)를 포함할 수 있다. 그러나 상술한 구성에 한정되는 것은 아니며, 전자 장치(1000)는 단어를 추천하기 위해 더 많은 구성 요소를 포함할 수도 있다. According to an embodiment, the electronic device 1000 may include a processor 1300, a network interface 1500, and a memory 1700. However, it is not limited to the above configuration, and the electronic device 1000 may include more components to recommend words.

일 실시 예에 의하면, 전자 장치(1000)는 프로세서(1300), 네트워크 인터페이스(1500) 및 메모리(1700)외에 사용자 입력 인터페이스 및 출력부를 더 포함할 수도 있다.According to an embodiment, the electronic device 1000 may further include a user input interface and an output unit in addition to the processor 1300, the network interface 1500, and the memory 1700.

일 실시 예에 의하면, 사용자 입력 인터페이스(미도시)는 사용자가 전자 장치(1000)를 제어하기 위한 데이터를 입력하는 수단을 의미한다. 예를 들어, 사용자 입력 인터페이스는 키 패드(key pad), 돔 스위치 (dome switch), 터치 패드(접촉식 정전 용량 방식, 압력식 저항막 방식, 적외선 감지 방식, 표면 초음파 전도 방식, 적분식 장력 측정 방식, 피에조 효과 방식 등), 조그 휠, 조그 스위치 등이 있을 수 있으나 이에 한정되는 것은 아니다.According to an embodiment, a user input interface (not shown) means a means through which a user inputs data for controlling the electronic device 1000 . For example, the user input interface includes a key pad, a dome switch, a touch pad (contact capacitance method, pressure resistive film method, infrared sensing method, surface ultrasonic conduction method, integral tension measurement method) method, piezo effect method, etc.), a jog wheel, a jog switch, and the like, but are not limited thereto.

출력부(미도시)는, 오디오 신호 또는 비디오 신호 또는 진동 신호를 출력할 수 있다. 예를 들어, 출력부(미도시)는 디스플레이부, 음향 출력부, 및 진동 모터를 포함할 수 있다. 예를 들어, 디스플레이부는 전자 장치(1000)에서 처리되는 정보를 표시 출력하기 위한 화면을 포함한다. 또한, 화면은 영상을 디스플레이 할 수 있다. 예를 들면, 디스플레이부(미도시)는 전자 의료 기록 작성 화면, 후버 단어 추천 화면을 표시할 수 있다. 또한, 디스플레이부는 CDM 단어로 변환된 전자 의료 기록 데이터를 표시할 수도 있다.An output unit (not shown) may output an audio signal, a video signal, or a vibration signal. For example, the output unit (not shown) may include a display unit, a sound output unit, and a vibration motor. For example, the display unit includes a screen for displaying and outputting information processed by the electronic device 1000 . Also, the screen may display an image. For example, the display unit (not shown) may display an electronic medical record creation screen and a Hoover word recommendation screen. Also, the display unit may display electronic medical record data converted into CDM words.

음향 출력부(미도시)는 네트워크 인터페이스(1500)로부터 수신되거나 메모리(1700)에 저장된 오디오 데이터를 출력한다. 또한, 음향 출력부(미도시)는 전자 장치(1000)에서 수행되는 기능(예를 들어, 호신호 수신음, 메시지 수신음, 알림음)과 관련된 음향 신호를 출력한다.The audio output unit (not shown) outputs audio data received from the network interface 1500 or stored in the memory 1700 . Also, the sound output unit (not shown) outputs sound signals related to functions performed by the electronic device 1000 (eg, a call signal reception sound, a message reception sound, and a notification sound).

프로세서(1300)는 통상적으로 전자 장치(1000)의 전반적인 동작을 제어한다. 예를 들어, 프로세서(1300)는, 메모리(1700)에 저장된 프로그램들을 실행함으로써, 사용자 입력 인터페이스, 출력부, 네트워크 인터페이스(1500)의 동작을 전반적으로 제어할 수 있다. 또한, 프로세서(1300)는 메모리(1700)에 저장된 프로그램들을 실행함으로써, 도 1 내지 도 7에 기재된 전자 장치(1000)의 기능을 수행할 수 있다.The processor 1300 typically controls overall operations of the electronic device 1000 . For example, the processor 1300 may generally control operations of the user input interface, the output unit, and the network interface 1500 by executing programs stored in the memory 1700 . Also, the processor 1300 may perform the functions of the electronic device 1000 described in FIGS. 1 to 7 by executing programs stored in the memory 1700 .

일 실시 예에 의하면, 프로세서(1300)는 상기 적어도 하나의 프로세서는 상기 하나 이상의 인스트럭션을 실행함으로써, 전자 의료 기록(electronic medical record, EMR) 데이터 작성을 위한 제1 사용자 입력에 기초하여 소정의 문자열을 획득하고, 상기 획득된 문자열을 단어 추천 모델에 입력함으로써, 상기 단어 추천 모델로부터, 상기 문자열 내 분석 대상 단어를 식별하고, 상기 분석 대상 단어에 대한 제2 사용자 입력에 기초하여, 상기 제2 사용자 입력에 따라 선택된 분석 대상 단어에 대한 후보 단어들을 식별하고, 상기 식별된 후보 단어들 중 하나의 후보 단어를 선택하는 제3 사용자 입력에 기초하여, 상기 제2 사용자 입력에 따라 선택된 분석 대상 단어를 상기 제3 사용자 입력에 따라 선택된 후보 단어로 변경할 수 있다.According to an embodiment, the processor 1300 generates a predetermined string based on a first user input for creating electronic medical record (EMR) data by executing the one or more instructions. and by inputting the obtained string to a word recommendation model, a word to be analyzed in the string is identified from the word recommendation model, and based on a second user input for the word to be analyzed, the second user input Candidate words for the word to be analyzed selected according to are identified, and based on a third user input for selecting one of the identified candidate words, the word to be analyzed selected according to the second user input is selected. 3 It can be changed to a selected candidate word according to user input.

일 실시 예에 의하면, 적어도 하나의 프로세서는 상기 후보 단어를 포함하는 문자열을 표시하고, 상기 후보 단어를 포함하는 문자열을 피드백 데이터로 저장할 수 있다.According to an embodiment, at least one processor may display a string including the candidate word and store the string including the candidate word as feedback data.

일 실시 예에 의하면, 상기 적어도 하나의 프로세서는 상기 저장된 피드백 데이터의 수를 식별하고, 상기 식별된 피드백 데이터의 수가 소정의 임계치 이상이 되면, 상기 피드백 데이터에 기초하여 상기 단어 추천 모델을 재 학습시킬 수 있다.According to an embodiment, the at least one processor identifies the number of the stored feedback data, and when the number of the identified feedback data exceeds a predetermined threshold, relearns the word recommendation model based on the feedback data. can

일 실시 예에 의하면, 적어도 하나의 프로세서는 상기 단어 추천 모델을 재 학습시키기 전에 이용된 학습 데이터 및 상기 피드백 데이터 사이의 크기 비율을 결정하고, 상기 크기 비율에 따라 상기 피드백 데이터의 크기를 조정하고, 상기 조정된 크기의 피드백 데이터를 이용하여 상기 단어 추천 모델을 재 학습시킬 수 있다.According to an embodiment, at least one processor determines a size ratio between training data used and the feedback data before retraining the word recommendation model, adjusts the size of the feedback data according to the size ratio, The word recommendation model may be re-learned using the feedback data of the adjusted size.

일 실시 예에 의하면, 상기 적어도 하나의 프로세서는 상기 식별된 분석 대상 단어를 강조하기 위해 상기 분석 대상 단어의 표시 형태를 변경하고, 상기 변경된 형태로 상기 분석 대상 단어를 상기 전자 장치의 디스플레이 상에 표시할 수 있다.According to an embodiment, the at least one processor changes the display form of the analysis target word to emphasize the identified analysis target word, and displays the analysis target word on the display of the electronic device in the changed form. can do.

일 실시 예에 의하면, 적어도 하나의 프로세서는 HTML5 및 CSS를 이용하여 제작된 웹 에디터 서비스를 통하여 제공되는 인터페이스상 상기 사용자 입력에 기초하여 상기 소정의 문자열을 획득할 수 있다.According to an embodiment, at least one processor may obtain the predetermined string based on the user input on an interface provided through a web editor service created using HTML5 and CSS.

메모리(1700)는, 프로세서(1300)의 처리 및 제어를 위한 프로그램을 저장할 수 있고, 전자 장치(1000)로 입력되거나 전자 장치(1000)로부터 출력되는 데이터를 저장할 수도 있다. 또한, 메모리(1700)는 단어 추천 모델, 워드 임베딩 모델, 글자 단위 신경망 모델, 인공 지능 모델에 대한 정보를 더 저장할 수도 있다.The memory 1700 may store programs for processing and control of the processor 1300 and may store data input to or output from the electronic device 1000 . Also, the memory 1700 may further store information about a word recommendation model, a word embedding model, a character unit neural network model, and an artificial intelligence model.

일 실시 예에 의하면, 인공 지능 모델은 심층 신경망(DNN:Deep Neural Network)를 포함할 수도 있다. 예를 들어, 인공 지능 모델은 CNN (Convolutional Neural Network), DNN (Deep Neural Network), RNN (Recurrent Neural Network), RBM (Restricted Boltzmann Machine), DBN (Deep Belief Network), BRDNN(Bidirectional Recurrent Deep Neural Network) 또는 심층 Q-네트워크 (Deep Q-Networks) 등이 있으나, 역시 이에 한정되는 것은 아니다.According to one embodiment, the artificial intelligence model may include a deep neural network (DNN). For example, artificial intelligence models include Convolutional Neural Network (CNN), Deep Neural Network (DNN), Recurrent Neural Network (RNN), Restricted Boltzmann Machine (RBM), Deep Belief Network (DBN), and Bidirectional Recurrent Deep Neural Network (BRDNN). ) or deep Q-networks, but are not limited thereto.

또한, 메모리(1700)는 전자 장치(1000)가 이용하는 적어도 하나의 신경망 모델의 파라미터에 대한 정보를 더 저장할 수도 있다. 예를 들어, 메모리(1700)는 적어도 하나의 신경망 모델 내 레이어들, 노드들, 상기 레이어들의 연결 강도에 관한 가중치 값들을 저장할 수 있다. 또한, 전자 장치(1000)는 신경망 모델을 학습하기 위해 전자 장치(1000)가 생성한 학습 데이터를 더 저장할 수도 있다. Also, the memory 1700 may further store information about parameters of at least one neural network model used by the electronic device 1000 . For example, the memory 1700 may store layers, nodes, and weight values related to connection strengths of the layers in at least one neural network model. In addition, the electronic device 1000 may further store learning data generated by the electronic device 1000 to learn the neural network model.

메모리(1700)는 플래시 메모리 타입(flash memory type), 하드디스크 타입(hard disk type), 멀티미디어 카드 마이크로 타입(multimedia card micro type), 카드 타입의 메모리(예를 들어 SD 또는 XD 메모리 등), 램(RAM, Random Access Memory) SRAM(Static Random Access Memory), 롬(ROM, Read-Only Memory), EEPROM(Electrically Erasable Programmable Read-Only Memory), PROM(Programmable Read-Only Memory), 자기 메모리, 자기 디스크, 광디스크 중 적어도 하나의 타입의 저장매체를 포함할 수 있다. The memory 1700 may include a flash memory type, a hard disk type, a multimedia card micro type, a card type memory (eg SD or XD memory, etc.), RAM (RAM, Random Access Memory) SRAM (Static Random Access Memory), ROM (Read-Only Memory), EEPROM (Electrically Erasable Programmable Read-Only Memory), PROM (Programmable Read-Only Memory), magnetic memory, magnetic disk , an optical disk, and at least one type of storage medium.

도 9는 일 실시 예에 따른 서버의 블록도이다.9 is a block diagram of a server according to an embodiment.

일 실시 예에 의하면, 서버(2000)는 프로세서(2300), 네트워크 인터페이스(2500) 및 데이터 베이스(2700)를 포함할 수 있다. 일 실시 예에 의하면, 프로세서(2300)는 데이터 베이스(2700)에 저장된 하나 이상의 인스트럭션을 수행함으로써 전자 장치와 연동하여 단어를 추천할 수 있다. 일 실시 예에 의하면 프로세서(2300)는 서버(2000)내 전반적인 장치의 동작을 제어할 수 있다.According to one embodiment, the server 2000 may include a processor 2300, a network interface 2500, and a database 2700. According to an embodiment, the processor 2300 may recommend words in conjunction with an electronic device by performing one or more instructions stored in the database 2700 . According to an embodiment, the processor 2300 may control the operation of overall devices within the server 2000.

네트워크 인터페이스(2500)는 전자 장치(1000)와 연동함으로써 전자 의료 기록 데이터 서비스에 대한 정보를 제공할 수 있다. 일 실시 예에 의하면 네트워크 인터페이스(2500)는 전자 장치로부터 사용자가 입력한 전자 의료 기록 데이터를 획득하고, 획득된 전자 의료 기록 데이터 내 분석 대상 단어를 식별하며, 식별된 분석 대상 단어에 대한 후보 단어들을 결정하고, 결정된 후보 단어에 대한 정보를 전자 장치로 전송함으로써, 전자 장치가 후보 단어들을 표시하도록 할 수 있다.The network interface 2500 may provide information on an electronic medical record data service by interworking with the electronic device 1000 . According to an embodiment, the network interface 2500 obtains electronic medical record data input by a user from an electronic device, identifies analysis target words in the obtained electronic medical record data, and selects candidate words for the identified analysis target words. By determining and transmitting information on the determined candidate words to the electronic device, the electronic device can display the candidate words.

데이터 베이스(2700)는 전자 장치(1000)의 메모리(1700)의 구성에 대응될 수 있다. 데이터 베이스(2700)는 전자 장치(1000)가 이용하는 단어 추천 모델, 워드 임베딩 모델, 글자 단위 신경망 모델에 대한 정보를 더 저장할 수도 있다. 서버(2000)는 전자 장치(1000)와 연동함으로써 도 1 내지 8에 도시된, 전자 장치가 단어를 추천하는 방법 중 적어도 일부를 수행할 수 있다.The database 2700 may correspond to the configuration of the memory 1700 of the electronic device 1000. The database 2700 may further store information about a word recommendation model, a word embedding model, and a character unit neural network model used by the electronic device 1000 . The server 2000 may perform at least part of the methods of recommending words by an electronic device shown in FIGS. 1 to 8 by interworking with the electronic device 1000 .

도 10은 일 실시 예에 따른 후보 단어 리스트를 관리하기 위한 데이터베이스의 구조를 설명하기 위한 도면이다.10 is a diagram for explaining the structure of a database for managing a candidate word list according to an exemplary embodiment.

일 실시 예에 의하면, 전자 장치(1000)가 추천하는 단어들은, 후보 단어 리스트를 구성하고, 상기 후보 단어 리스트는 NoSQL 데이터 베이스 중 하나인 Mongo 데이터 베이스를 통해 관리될 수 있다. 도 10을 참조하면 후보 단어 리스트를 관리하기 위한 Mongo 데이터 베이스의 스키마가 도시된다.According to an embodiment, words recommended by the electronic device 1000 form a candidate word list, and the candidate word list can be managed through a Mongo database, which is one of NoSQL databases. Referring to FIG. 10, a schema of a Mongo database for managing a candidate word list is shown.

일 실시예에 따른 전자 장치가 단어를 추천하는 방법은 다양한 컴퓨터 수단을 통하여 수행될 수 있는 프로그램 명령 형태로 구현되어 컴퓨터 판독 가능 매체에 기록될 수 있다. 상기 컴퓨터 판독 가능 매체는 프로그램 명령, 데이터 파일, 데이터 구조 등을 단독으로 또는 조합하여 포함할 수 있다. 상기 매체에 기록되는 프로그램 명령은 본 발명을 위하여 특별히 설계되고 구성된 것들이거나 컴퓨터 소프트웨어 당업자에게 공지되어 사용 가능한 것일 수도 있다. 또한, 전자 장치가 단어를 추천하는 방법을 수행하도록 하는 프로그램이 저장된 기록 매체를 포함하는 컴퓨터 프로그램 장치가 제공될 수 있다. A method of recommending a word by an electronic device according to an embodiment may be implemented in the form of program instructions that can be executed by various computer means and recorded on a computer readable medium. The computer readable medium may include program instructions, data files, data structures, etc. alone or in combination. Program instructions recorded on the medium may be those specially designed and configured for the present invention or those known and usable to those skilled in computer software. In addition, a computer program device including a recording medium storing a program for causing an electronic device to perform a method of recommending a word may be provided.

컴퓨터 판독 가능 기록 매체의 예에는 하드 디스크, 플로피 디스크 및 자기 테이프와 같은 자기 매체(magnetic media), CD-ROM, DVD와 같은 광기록 매체(optical media), 플롭티컬 디스크(floptical disk)와 같은 자기-광 매체(magneto-optical media), 및 롬(ROM), 램(RAM), 플래시 메모리 등과 같은 프로그램 명령을 저장하고 수행하도록 특별히 구성된 하드웨어 장치가 포함된다. 프로그램 명령의 예에는 컴파일러에 의해 만들어지는 것과 같은 기계어 코드뿐만 아니라 인터프리터 등을 사용해서 컴퓨터에 의해서 실행될 수 있는 고급 언어 코드를 포함한다.Examples of computer-readable recording media include magnetic media such as hard disks, floppy disks and magnetic tapes, optical media such as CD-ROMs and DVDs, and magnetic media such as floptical disks. - includes hardware devices specially configured to store and execute program instructions, such as magneto-optical media, and ROM, RAM, flash memory, and the like. Examples of program instructions include high-level language codes that can be executed by a computer using an interpreter, as well as machine language codes such as those produced by a compiler.

일부 실시예는 컴퓨터에 의해 실행되는 프로그램 모듈과 같은 컴퓨터에 의해 실행 가능한 명령어를 포함하는 기록 매체의 형태로도 구현될 수 있다. 컴퓨터 판독 가능 매체는 컴퓨터에 의해 액세스될 수 있는 임의의 가용 매체일 수 있고, 휘발성 및 비휘발성 매체, 분리형 및 비분리형 매체를 모두 포함한다. 또한, 컴퓨터 판독가능 매체는 컴퓨터 저장 매체 및 통신 매체를 모두 포함할 수 있다. 컴퓨터 저장 매체는 컴퓨터 판독가능 명령어, 데이터 구조, 프로그램 모듈 또는 기타 데이터와 같은 정보의 저장을 위한 임의의 방법 또는 기술로 구현된 휘발성 및 비휘발성, 분리형 및 비분리형 매체를 모두 포함한다. 통신 매체는 전형적으로 컴퓨터 판독가능 명령어, 데이터 구조, 프로그램 모듈, 또는 반송파와 같은 변조된 데이터 신호의 기타 데이터, 또는 기타 전송 메커니즘을 포함하며, 임의의 정보 전달 매체를 포함한다. 또한, 일부 실시예는 컴퓨터에 의해 실행되는 컴퓨터 프로그램과 같은 컴퓨터에 의해 실행 가능한 명령어를 포함하는 컴퓨터 프로그램 또는 컴퓨터 프로그램 제품(computer program product)으로도 구현될 수 있다. 이상에서 본 발명의 실시예에 대하여 상세하게 설명하였지만 본 발명의 권리범위는 이에 한정되는 것은 아니고 다음의 청구범위에서 정의하고 있는 본 발명의 기본 개념을 이용한 당업자의 여러 변형 및 개량 형태 또한 본 발명의 권리범위에 속한다.Some embodiments may be implemented in the form of a recording medium including instructions executable by a computer, such as program modules executed by a computer. Computer readable media can be any available media that can be accessed by a computer and includes both volatile and nonvolatile media, removable and non-removable media. Also, computer readable media may include both computer storage media and communication media. Computer storage media includes both volatile and nonvolatile, removable and non-removable media implemented in any method or technology for storage of information such as computer readable instructions, data structures, program modules or other data. Communication media typically includes computer readable instructions, data structures, program modules, or other data in a modulated data signal such as a carrier wave, or other transport mechanism, and includes any information delivery media. Also, some embodiments may be implemented as a computer program or computer program product including instructions executable by a computer, such as a computer program executed by a computer. Although the embodiments of the present invention have been described in detail above, the scope of the present invention is not limited thereto, and various modifications and improvements made by those skilled in the art using the basic concept of the present invention defined in the following claims are also included in the scope of the present invention. fall within the scope of the right

Claims (20)

전자 장치가 단어를 추천하는 방법에 있어서,
전자 의료 기록(electronic medical record, EMR) 데이터 작성을 위한 제1 사용자 입력에 기초하여 소정의 문자열을 획득하는 단계;
상기 획득된 문자열을 단어 추천 모델에 입력함으로써, 상기 단어 추천 모델로부터, 상기 문자열 내 분석 대상 단어를 식별하는 단계;
상기 분석 대상 단어에 대한 제2 사용자 입력에 기초하여, 상기 제2 사용자 입력에 따라 선택된 분석 대상 단어에 대한 후보 단어들을 식별하는 단계;
상기 식별된 후보 단어들 중 하나의 후보 단어를 선택하는 제3 사용자 입력에 기초하여, 상기 제2 사용자 입력에 따라 선택된 분석 대상 단어를 상기 제3 사용자 입력에 따라 선택된 후보 단어로 변경하는 단계;
상기 후보 단어를 포함하는 문자열을 표시하는 단계;
상기 후보 단어를 포함하는 문자열을 피드백 데이터로 저장하는 단계;
상기 저장된 피드백 데이터의 수를 식별하는 단계; 및
상기 식별된 피드백 데이터의 수가 소정의 임계치 이상이 되면, 상기 피드백 데이터에 기초하여 상기 단어 추천 모델을 재 학습시키는 단계; 를 포함하고,
상기 단어 추천 모델은, 소정의 전자 의료 기록(EMR) 데이터와 상기 제3 사용자 입력에 따라 선택된 후보 단어로 변경된 문자열을 포함하는 피드백 데이터 내 단어들의 유사도를 결정하고, 상기 결정된 유사도에 기초하여, 상기 전자 의료 기록 데이터 및 상기 피드백 데이터 내 단어들이 배치된 벡터 공간을 생성하는 워드 임베딩 모델을 포함하고,
상기 벡터 공간 내 배치된 단어들을 이용하여 상기 후보 단어들을 식별하는 것을 특징으로 하고,
상기 단어 추천 모델은, 상기 전자 의료 기록 데이터 또는 상기 피드백 데이터 내 단어의 스펠링을 학습하고, 학습된 스펠링에 기초하여 유사 단어들을 생성하는 글자 단위 신경망 모델을 더 포함하고,
상기 벡터 공간에 배치된, 상기 전자 의료 기록 데이터 또는 상기 피드백 데이터 내 단어들과 상기 유사 단어들을 이용하여 상기 후보 단어들을 식별하는 것을 특징으로 하는, 방법.
A method for an electronic device to recommend a word,
obtaining a predetermined character string based on a first user input for preparing electronic medical record (EMR) data;
identifying analysis target words in the string from the word recommendation model by inputting the obtained string to a word recommendation model;
identifying candidate words for a word to be analyzed based on a second user input for the word to be analyzed;
changing an analysis target word selected according to the second user input to a candidate word selected according to the third user input, based on a third user input selecting one of the identified candidate words;
displaying a character string including the candidate word;
storing a string including the candidate word as feedback data;
identifying the number of the stored feedback data; and
retraining the word recommendation model based on the feedback data when the number of the identified feedback data exceeds a predetermined threshold; including,
The word recommendation model determines the similarity of words in feedback data including predetermined electronic medical record (EMR) data and a character string changed to a candidate word selected according to the third user input, and based on the determined similarity, A word embedding model that generates a vector space in which words in the electronic medical record data and the feedback data are placed;
Characterized in that the candidate words are identified using words arranged in the vector space,
The word recommendation model further includes a character-based neural network model that learns spellings of words in the electronic medical record data or the feedback data and generates similar words based on the learned spellings;
characterized in that the candidate words are identified using words in the electronic medical record data or the feedback data and the similar words, arranged in the vector space.
 삭제delete 삭제delete 제1항에 있어서, 상기 재 학습시키는 단계는
상기 단어 추천 모델을 재 학습시키기 전에 이용된 학습 데이터 및 상기 피드백 데이터 사이의 크기 비율을 결정하는 단계;
상기 크기 비율에 따라 상기 피드백 데이터의 크기를 조정하는 단계; 및
상기 조정된 크기의 피드백 데이터를 이용하여 상기 단어 추천 모델을 재 학습시키는 단계; 를 포함하는, 방법.
The method of claim 1, wherein the re-learning step
determining a size ratio between used training data and the feedback data before retraining the word recommendation model;
adjusting the size of the feedback data according to the size ratio; and
retraining the word recommendation model using feedback data of the adjusted size; Including, method.
 제1항에 있어서, 상기 방법은
상기 식별된 분석 대상 단어를 강조하기 위해 상기 분석 대상 단어의 표시 형태를 변경하는 단계; 및
상기 변경된 형태로 상기 분석 대상 단어를 상기 전자 장치의 디스플레이 상에 표시하는 단계; 를 포함하는, 방법.The method of claim 1, wherein the method
changing a display form of the analysis target word to emphasize the identified analysis target word; and
displaying the analysis target word in the changed form on a display of the electronic device; Including, method. 제1항에 있어서, 상기 문자열을 획득하는 단계는
HTML5 및 CSS를 이용하여 제작된 웹 에디터 서비스를 통하여 제공되는 인터페이스상 상기 사용자 입력에 기초하여 상기 소정의 문자열을 획득하는 단계; 를 포함하는, 방법.The method of claim 1, wherein obtaining the character string
obtaining the predetermined string based on the user input on an interface provided through a web editor service created using HTML5 and CSS; Including, method. 제1항에 있어서, 상기 단어 추천 모델은
공통 데이터 모델(Common Data Model) 서버 내 단어 데이터를 이용하여, 상기 식별된 분석 대상 단어에 대한 상기 후보 단어들을 식별하는 것을 특징으로 하는, 방법.
The method of claim 1, wherein the word recommendation model
Characterized in that, the candidate words for the identified analysis target word are identified using word data in a common data model server.
 삭제delete 제1항에 있어서, 상기 단어 추천 모델이 식별한 후보 단어들은
후보 단어 리스트를 구성하고, 상기 후보 단어 리스트는 NoSQL 데이터 베이스 중 하나인 Mongo 데이터 베이스를 통해 관리되는 것을 특징으로 하는, 방법.
The method of claim 1, wherein the candidate words identified by the word recommendation model are
A method comprising constructing a candidate word list, characterized in that the candidate word list is managed through a Mongo database, one of NoSQL databases.
 삭제delete 단어를 추천하는 전자 장치에 있어서,
네트워크 인터페이스;
디스플레이;
하나 이상의 인스트럭션을 저장하는 메모리; 및
상기 하나 이상의 인스트럭션을 실행하는 적어도 하나의 프로세서; 를 포함하고,
상기 적어도 하나의 프로세서는 상기 하나 이상의 인스트럭션을 실행함으로써,
전자 의료 기록(electronic medical record, EMR) 데이터 작성을 위한 제1 사용자 입력에 기초하여 소정의 문자열을 획득하고,
상기 획득된 문자열을 단어 추천 모델에 입력함으로써, 상기 단어 추천 모델로부터, 상기 문자열 내 분석 대상 단어를 식별하고,
상기 분석 대상 단어에 대한 제2 사용자 입력에 기초하여, 상기 제2 사용자 입력에 따라 선택된 분석 대상 단어에 대한 후보 단어들을 식별하고,
상기 식별된 후보 단어들 중 하나의 후보 단어를 선택하는 제3 사용자 입력에 기초하여, 상기 제2 사용자 입력에 따라 선택된 분석 대상 단어를 상기 제3 사용자 입력에 따라 선택된 후보 단어로 변경하고,
상기 후보 단어를 포함하는 문자열을 표시하고,
상기 후보 단어를 포함하는 문자열을 피드백 데이터로 저장하고,
상기 저장된 피드백 데이터의 수를 식별하고,
상기 식별된 피드백 데이터의 수가 소정의 임계치 이상이 되면, 상기 피드백 데이터에 기초하여 상기 단어 추천 모델을 재 학습시키고,
상기 단어 추천 모델은, 소정의 전자 의료 기록(EMR) 데이터와 상기 제3 사용자 입력에 따라 선택된 후보 단어로 변경된 문자열을 포함하는 피드백 데이터 내 단어들의 유사도를 결정하고, 상기 결정된 유사도에 기초하여, 상기 전자 의료 기록 데이터 및 상기 피드백 데이터 내 단어들이 배치된 벡터 공간을 생성하는 워드 임베딩 모델을 포함하고,
상기 벡터 공간 내 배치된 단어들을 이용하여 상기 후보 단어들을 식별하는 것을 특징으로 하고,
상기 단어 추천 모델은, 상기 전자 의료 기록 데이터 또는 상기 피드백 데이터 내 단어의 스펠링을 학습하고, 학습된 스펠링에 기초하여 유사 단어들을 생성하는 글자 단위 신경망 모델을 더 포함하고,
상기 벡터 공간에 배치된, 상기 전자 의료 기록 데이터 또는 상기 피드백 데이터 내 단어들과 상기 유사 단어들을 이용하여 상기 후보 단어들을 식별하는 것을 특징으로 하는, 전자 장치.
In an electronic device for recommending words,
network interface;
display;
a memory that stores one or more instructions; and
at least one processor to execute the one or more instructions; including,
By executing the one or more instructions, the at least one processor:
Obtaining a predetermined string based on a first user input for creating electronic medical record (EMR) data;
By inputting the obtained string into a word recommendation model, identifying a word to be analyzed in the string from the word recommendation model,
Based on a second user input for the word to be analyzed, candidate words for the word to be analyzed are identified according to the second user input;
Based on a third user input for selecting one of the identified candidate words, changing the analysis target word selected according to the second user input to a candidate word selected according to the third user input,
displaying a character string including the candidate word;
Storing a string including the candidate word as feedback data;
identify the number of stored feedback data;
When the number of the identified feedback data exceeds a predetermined threshold, the word recommendation model is retrained based on the feedback data;
The word recommendation model determines the similarity of words in feedback data including predetermined electronic medical record (EMR) data and a character string changed to a candidate word selected according to the third user input, and based on the determined similarity, A word embedding model that generates a vector space in which words in the electronic medical record data and the feedback data are placed;
Characterized in that the candidate words are identified using words arranged in the vector space,
The word recommendation model further includes a character-based neural network model that learns spellings of words in the electronic medical record data or the feedback data and generates similar words based on the learned spellings;
characterized in that the candidate words are identified using words in the electronic medical record data or the feedback data and the similar words arranged in the vector space.
 삭제delete 삭제delete 제11항에 있어서, 상기 적어도 하나의 프로세서는
상기 단어 추천 모델을 재 학습시키기 전에 이용된 학습 데이터 및 상기 피드백 데이터 사이의 크기 비율을 결정하고,
상기 크기 비율에 따라 상기 피드백 데이터의 크기를 조정하고,
상기 조정된 크기의 피드백 데이터를 이용하여 상기 단어 추천 모델을 재 학습시키는, 전자 장치.
12. The method of claim 11, wherein the at least one processor
determining a size ratio between the training data used and the feedback data before retraining the word recommendation model;
Adjusting the size of the feedback data according to the size ratio;
The electronic device retraining the word recommendation model using the feedback data of the adjusted size.
 제11항에 있어서, 상기 적어도 하나의 프로세서는
상기 식별된 분석 대상 단어를 강조하기 위해 상기 분석 대상 단어의 표시 형태를 변경하고,
상기 변경된 형태로 상기 분석 대상 단어를 상기 전자 장치의 디스플레이 상에 표시하는, 전자 장치.12. The method of claim 11, wherein the at least one processor
Changing the display form of the analysis target word to emphasize the identified analysis target word;
Displaying the analysis target word in the changed form on a display of the electronic device. 제11항에 있어서, 상기 적어도 하나의 프로세서는
HTML5 및 CSS를 이용하여 제작된 웹 에디터 서비스를 통하여 제공되는 인터페이스상 상기 사용자 입력에 기초하여 상기 소정의 문자열을 획득하는, 전자 장치.12. The method of claim 11, wherein the at least one processor
An electronic device that obtains the predetermined character string based on the user input on an interface provided through a web editor service created using HTML5 and CSS. 제11항에 있어서, 상기 단어 추천 모델은
공통 데이터 모델(Common Data Model) 서버 내 단어 데이터를 이용하여, 상기 식별된 분석 대상 단어에 대한 상기 후보 단어들을 식별하는 것을 특징으로 하는, 전자 장치.
The method of claim 11, wherein the word recommendation model
The electronic device characterized in that the candidate words for the identified analysis target word are identified using word data in a Common Data Model server.
 삭제delete 제11항에 있어서, 상기 단어 추천 모델을 이용하여 식별된 후보 단어들은
후보 단어 리스트를 구성하고, 상기 후보 단어 리스트는 NoSQL 데이터 베이스 중 하나인 Mongo 데이터 베이스를 통해 관리되는 것을 특징으로 하는, 전자 장치.
The method of claim 11, wherein candidate words identified using the word recommendation model are
An electronic device characterized in that a candidate word list is formed, and the candidate word list is managed through a Mongo database, which is one of NoSQL databases.
 전자 장치가 단어를 추천하는 방법에 있어서,
전자 의료 기록(electronic medical record, EMR) 데이터 작성을 위한 제1 사용자 입력에 기초하여 소정의 문자열을 획득하는 단계;
상기 획득된 문자열을 단어 추천 모델에 입력함으로써, 상기 단어 추천 모델로부터, 상기 문자열 내 분석 대상 단어를 식별하는 단계;
상기 분석 대상 단어에 대한 제2 사용자 입력에 기초하여, 상기 제2 사용자 입력에 따라 선택된 분석 대상 단어에 대한 후보 단어들을 식별하는 단계;
상기 식별된 후보 단어들 중 하나의 후보 단어를 선택하는 제3 사용자 입력에 기초하여, 상기 제2 사용자 입력에 따라 선택된 분석 대상 단어를 상기 제3 사용자 입력에 따라 선택된 후보 단어로 변경하는 단계;
상기 후보 단어를 포함하는 문자열을 표시하는 단계;
상기 후보 단어를 포함하는 문자열을 피드백 데이터로 저장하는 단계;
상기 저장된 피드백 데이터의 수를 식별하는 단계; 및
상기 식별된 피드백 데이터의 수가 소정의 임계치 이상이 되면, 상기 피드백 데이터에 기초하여 상기 단어 추천 모델을 재 학습시키는 단계; 를 포함하고,
상기 단어 추천 모델은, 소정의 전자 의료 기록(EMR) 데이터와 상기 제3 사용자 입력에 따라 선택된 후보 단어로 변경된 문자열을 포함하는 피드백 데이터 내 단어들의 유사도를 결정하고, 상기 결정된 유사도에 기초하여, 상기 전자 의료 기록 데이터 및 상기 피드백 데이터 내 단어들이 배치된 벡터 공간을 생성하는 워드 임베딩 모델을 포함하고,
상기 벡터 공간 내 배치된 단어들을 이용하여 상기 후보 단어들을 식별하는 것을 특징으로 하고,
상기 단어 추천 모델은, 상기 전자 의료 기록 데이터 또는 상기 피드백 데이터 내 단어의 스펠링을 학습하고, 학습된 스펠링에 기초하여 유사 단어들을 생성하는 글자 단위 신경망 모델을 더 포함하고,
상기 벡터 공간에 배치된, 상기 전자 의료 기록 데이터 또는 상기 피드백 데이터 내 단어들과 상기 유사 단어들을 이용하여 상기 후보 단어들을 식별하는 것을 특징으로 하는, 방법을 수행하도록 하는 프로그램이 저장된 컴퓨터로 읽을 수 있는 기록매체.A method for an electronic device to recommend a word,
obtaining a predetermined character string based on a first user input for preparing electronic medical record (EMR) data;
identifying analysis target words in the string from the word recommendation model by inputting the obtained string to a word recommendation model;
identifying candidate words for a word to be analyzed based on a second user input for the word to be analyzed;
changing an analysis target word selected according to the second user input to a candidate word selected according to the third user input, based on a third user input selecting one of the identified candidate words;
displaying a character string including the candidate word;
storing a string including the candidate word as feedback data;
identifying the number of the stored feedback data; and
retraining the word recommendation model based on the feedback data when the number of the identified feedback data exceeds a predetermined threshold; including,
The word recommendation model determines the similarity of words in feedback data including predetermined electronic medical record (EMR) data and a character string changed to a candidate word selected according to the third user input, and based on the determined similarity, A word embedding model that generates a vector space in which words in the electronic medical record data and the feedback data are placed;
Characterized in that the candidate words are identified using words arranged in the vector space,
The word recommendation model further includes a character-based neural network model that learns spellings of words in the electronic medical record data or the feedback data and generates similar words based on the learned spellings;
Characterized in that the candidate words are identified using words in the electronic medical record data or the feedback data and the similar words arranged in the vector space, a computer-readable program storing a program for performing the method recording medium.
KR1020200181421A 2020-12-22 2020-12-22 Apparatus and method for recommending common data model word KR102568274B1 (en)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020200181421A KR102568274B1 (en) 2020-12-22 2020-12-22 Apparatus and method for recommending common data model word

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020200181421A KR102568274B1 (en) 2020-12-22 2020-12-22 Apparatus and method for recommending common data model word

Publications (2)

Publication Number Publication Date
KR20220090333A KR20220090333A (en) 2022-06-29
KR102568274B1 true KR102568274B1 (en) 2023-08-17

Family

ID=82270365

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020200181421A KR102568274B1 (en) 2020-12-22 2020-12-22 Apparatus and method for recommending common data model word

Country Status (1)

Country Link
KR (1) KR102568274B1 (en)

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR100538577B1 (en) * 2003-07-14 2005-12-22 이지케어텍(주) Method For Standardization Of Computerization Of Medical Information
WO2014041607A1 (en) 2012-09-11 2014-03-20 株式会社東芝 Information processing device, information processing method, and program
JP2015118395A (en) * 2013-12-16 2015-06-25 Kddi株式会社 Text editing support device, program, and text editing supporting system
JP2017531849A (en) 2014-08-13 2017-10-26 アリババ・グループ・ホールディング・リミテッドＡｌｉｂａｂａ Ｇｒｏｕｐ Ｈｏｌｄｉｎｇ Ｌｉｍｉｔｅｄ Character editing method and apparatus for screen display device
KR101806151B1 (en) 2016-07-21 2017-12-07 숭실대학교산학협력단 Method and device for extracting alternative words automatically, recording medium for performing the method
KR102046640B1 (en) 2019-07-22 2019-12-02 (주)위세아이텍 Automatic terminology recommendation device and method for big data standardization

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101249364B1 (en) * 2010-07-29 2013-04-09 주식회사 평화이즈 System for generating electron form in unified medical information system and management method thereof
KR102385531B1 (en) * 2016-05-31 2022-04-13 주식회사 라이프시맨틱스 A translation system for for medical terms based on the common terminology
KR20190135691A (en) 2018-05-29 2019-12-09 (주)성민네트웍스 Method for customer relationship management of hospital using medical emr data and management server implementing the same

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR100538577B1 (en) * 2003-07-14 2005-12-22 이지케어텍(주) Method For Standardization Of Computerization Of Medical Information
WO2014041607A1 (en) 2012-09-11 2014-03-20 株式会社東芝 Information processing device, information processing method, and program
JP2015118395A (en) * 2013-12-16 2015-06-25 Kddi株式会社 Text editing support device, program, and text editing supporting system
JP2017531849A (en) 2014-08-13 2017-10-26 アリババ・グループ・ホールディング・リミテッドＡｌｉｂａｂａ Ｇｒｏｕｐ Ｈｏｌｄｉｎｇ Ｌｉｍｉｔｅｄ Character editing method and apparatus for screen display device
KR101806151B1 (en) 2016-07-21 2017-12-07 숭실대학교산학협력단 Method and device for extracting alternative words automatically, recording medium for performing the method
KR102046640B1 (en) 2019-07-22 2019-12-02 (주)위세아이텍 Automatic terminology recommendation device and method for big data standardization

Also Published As

Publication number Publication date
KR20220090333A (en) 2022-06-29

Similar Documents

Publication Publication Date Title
JP6900190B2 (en) Cognitive learning device, cognitive learning method and program
US11481832B2 (en) Electronic apparatus and method for summarizing content thereof
US9171262B2 (en) Directed expertise level-based discovery system, method, and device
US10628001B2 (en) Adapting user interfaces based on gold standards
US8719213B2 (en) Contextually transformed learning layer
US20150095278A1 (en) Adaptive Probabilistic Semantic System and Method
KR102334387B1 (en) Metacognitive based education content curation system
US20220256175A1 (en) Hierarchical Video Encoders
CN112400165A (en) Method and system for improving text-to-content suggestions using unsupervised learning
CN115017893A (en) Correcting content generated by deep learning
US11531927B2 (en) Categorical data transformation and clustering for machine learning using natural language processing
CN110377910B (en) Processing method, device, equipment and storage medium for table description
US10410126B2 (en) Two-model recommender
US20210109918A1 (en) Intelligent reading support
US20230137209A1 (en) Counterfactual Text Stylization
WO2017083205A1 (en) Provide interactive content generation for document
KR102568274B1 (en) Apparatus and method for recommending common data model word
US20220269935A1 (en) Personalizing Digital Experiences Based On Predicted User Cognitive Style
Larsen Learning Microsoft Cognitive Services
Chang et al. Report of 2017 NSF workshop on multimedia challenges, opportunities and research roadmaps
KR20220097239A (en) server that analyzes synopsis text and predicts viewer ratings based on artificial intelligence
Geldard et al. Practical artificial intelligence with Swift: from fundamental theory to development of AI-driven apps
CN110162714A (en) Content delivery method, calculates equipment and computer readable storage medium at device
US20230418571A1 (en) Sketch Based Hyper-Personalization of User Interfaces
KR102503854B1 (en) Image processing method and device

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