KR102598101B1 - 딥 뉴럴 네트워크 기반 실시간 중환자실 환자 상태 분석 시스템 및 방법 - Google Patents
딥 뉴럴 네트워크 기반 실시간 중환자실 환자 상태 분석 시스템 및 방법 Download PDFInfo
- Publication number
- KR102598101B1 KR102598101B1 KR1020220078274A KR20220078274A KR102598101B1 KR 102598101 B1 KR102598101 B1 KR 102598101B1 KR 1020220078274 A KR1020220078274 A KR 1020220078274A KR 20220078274 A KR20220078274 A KR 20220078274A KR 102598101 B1 KR102598101 B1 KR 102598101B1
- Authority
- KR
- South Korea
- Prior art keywords
- patient
- variable
- data
- sequentially
- patient data
- Prior art date
Links
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 49
- 238000004458 analytical method Methods 0.000 title claims abstract description 31
- 238000000034 method Methods 0.000 title description 9
- 238000012545 processing Methods 0.000 claims description 29
- 238000012351 Integrated analysis Methods 0.000 claims description 10
- 238000012360 testing method Methods 0.000 claims description 6
- 238000007781 pre-processing Methods 0.000 claims description 5
- 230000002457 bidirectional effect Effects 0.000 claims description 4
- 238000005259 measurement Methods 0.000 claims description 4
- 230000006403 short-term memory Effects 0.000 claims description 2
- 230000000926 neurological effect Effects 0.000 abstract description 2
- 238000010586 diagram Methods 0.000 description 10
- 230000000474 nursing effect Effects 0.000 description 10
- 239000003814 drug Substances 0.000 description 9
- 229940079593 drug Drugs 0.000 description 9
- 230000036772 blood pressure Effects 0.000 description 5
- 238000002483 medication Methods 0.000 description 5
- 230000008901 benefit Effects 0.000 description 4
- 210000004369 blood Anatomy 0.000 description 4
- 239000008280 blood Substances 0.000 description 4
- 230000036760 body temperature Effects 0.000 description 4
- DDRJAANPRJIHGJ-UHFFFAOYSA-N creatinine Chemical compound CN1CC(=O)NC1=N DDRJAANPRJIHGJ-UHFFFAOYSA-N 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 238000002347 injection Methods 0.000 description 4
- 239000007924 injection Substances 0.000 description 4
- 238000012544 monitoring process Methods 0.000 description 4
- 210000002700 urine Anatomy 0.000 description 4
- 238000013135 deep learning Methods 0.000 description 3
- 230000027939 micturition Effects 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 230000004083 survival effect Effects 0.000 description 3
- 108010023302 HDL Cholesterol Proteins 0.000 description 2
- 102000001554 Hemoglobins Human genes 0.000 description 2
- 108010054147 Hemoglobins Proteins 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 229940109239 creatinine Drugs 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000014509 gene expression Effects 0.000 description 2
- 230000024924 glomerular filtration Effects 0.000 description 2
- 230000036541 health Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012806 monitoring device Methods 0.000 description 2
- 235000016709 nutrition Nutrition 0.000 description 2
- 230000000737 periodic effect Effects 0.000 description 2
- 108090000623 proteins and genes Proteins 0.000 description 2
- 102000004169 proteins and genes Human genes 0.000 description 2
- 230000000306 recurrent effect Effects 0.000 description 2
- 230000029058 respiratory gaseous exchange Effects 0.000 description 2
- 210000002966 serum Anatomy 0.000 description 2
- 238000001356 surgical procedure Methods 0.000 description 2
- UFTFJSFQGQCHQW-UHFFFAOYSA-N triformin Chemical compound O=COCC(OC=O)COC=O UFTFJSFQGQCHQW-UHFFFAOYSA-N 0.000 description 2
- 238000009528 vital sign measurement Methods 0.000 description 2
- 206010013975 Dyspnoeas Diseases 0.000 description 1
- 210000004556 brain Anatomy 0.000 description 1
- 238000012790 confirmation Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 239000012530 fluid Substances 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
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
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
-
- 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
- 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
- G16H50/30—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for calculating health indices; for individual health risk assessment
-
- 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)
- Biomedical Technology (AREA)
- Epidemiology (AREA)
- Primary Health Care (AREA)
- Databases & Information Systems (AREA)
- Pathology (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Measuring And Recording Apparatus For Diagnosis (AREA)
Abstract
본 발명은 딥 뉴럴 네트워크 기반 실시간 중환자실 환자 상태 분석 시스템은, 일정 기간 동안 순차적으로 기록된 복수의 환자 데이터를 변수별로 순차적으로 분류하고, 변수별 부가정보를 산출하고 상기 변수별 부가정보와 변수별로 순차적으로 분류된 복수의 변수정보를 포함하는 환자 데이터를 학습데이터베이스에 저장하고, 통합한 복수의 환자 데이터를 상기 학습데이터베이스에 저장된 환자 데이터에 의해 학습된 딥 뉴럴 네트워크 기반의 예측 모델에 입력하여 환자의 상태에 관한 지표를 산출하고, 환자의 사망 위험 요소가 되는 변수를 검출하도록 구현됨으로써, 국내 환자들에게 적합한 실시간 예측 및 분석모델을 제시함에 따라 신속한 치료가 가능하여 환자의 신경학적 손상을 최소화시켜 사망률을 줄일 수 있다.
Description
본 발명은 딥 뉴럴 네트워크에 관한 기술로서, 보다 상세하게는 딥 뉴럴 네트워크를 통해 중환자실 환자의 상태를 예측, 분석하는 딥 뉴럴 네트워크 기반 실시간 중환자실 환자 상태 분석 시스템 및 방법에 관한 것이다.
딥 뉴럴 네트워크(Deep Neural Network)는 딥러닝(Deep Learning)이라고 불리며, 이 기술은 인공신경망(Artificial Neural Network)이 발전한 형태라고 할 수 있다. 딥 뉴럴 네트워크(Deep Neural Network)는 사람의 뇌가 수많은 신경세포들에 의해 움직인다는 점에 착안하여 만들어졌다.
관측된 데이터는 많은 요인들이 서로 다른 가중치(weight)로 기여하여 만들어졌다고 생각할 수 있다. 인공신경망에서는 요인들을 노드로, 가중치(weight)들을 연결선으로 표시하여 거대한 네트워크를 만든 것이다. 딥 뉴럴 네트워크(Deep Neural Network)는 많은 수의 노드들을 놓고 그들을 연결하고 연결값들을 훈련시켜 데이터를 학습한다. 딥 뉴럴 네트워크(Deep Neural Network)는 여러 단계의 계층적 학습 과정을 거치며 적절한 특징값(입력값)을 스스로 생성해낸다. 이 특징값들은 많은 양의 데이터로부터 생성할 수 있는데, 이를 통해 기존에 인간이 포착하지 못했던 특징값들까지 데이터에 의해 포착할 수 있게 되었다.
한편, 중환자실(INTENSIVE CARE UNIT)은 병세나 상처 따위의 정도가 매우 심한 사람을 치료하고 돌볼 수 있도록 마련한 방을 말한다. 중환자실(ICU) 입원 환자들의 경우, 신체 상태에 따라 다양한 의료기기들이 동시에 사용된다. 예를 들어, 신체활력(심전도, 혈압, 호흡 등) 감시를 위한 환자 감시 장치(Patient Monitor) 및 개별 신체활력 감시 장치, 자가호흡 곤란자를 위한 인공호흡기, 처방약제투여 및 영양약제 주입을 위한 약물 주입 장치, 체온 유지를 위한 온도 조절 장치, 수술 후 신체 내부에 남은 혈액을 외부로 배출하기 위한 음압통, 환자로부터 배출되는 소변을 보관하기 위한 배뇨백 등이 환자 1명에 상시 사용된다.
중환자실에서 근무하는 간호인력이 수행하는 업무의 상당부분은 주기적으로 담당 환자들을 주기적으로 방문하여 수액백 교체 필요 여부를 확인하고, 개별 수액백 내 약제 주입 상태를 확인하고, 개별 의료 장치의 모니터에서 출력되는 값들(설정 정보, 측정 정보, 구동 정보)의 적절성을 확인하고 이를 수기로 기록하며, 수기로 기록된 정보의 전산 입력 등이 차지하게 된다. 현재의 중환자실 관리체계 하에서 주기적 방문, 확인, 기록, 처치 업무는 간호인력의 수작업 노동에 전적으로 의존하고 있다.
간호인력들의 업무량 과중을 해소하기 위해, 대부분의 중대형 의료기관에서는 중앙감시형 환자 감시 체계를 도입하여 운용하고 있다. 그러나 통신기능이 구비되지 않은 의료 장치(예컨대 배뇨백, 수액백, 음압통 등)가 존재하여 여전히 간호인력들의 수작업이 필요한 상황이다.
일반적으로 환자가 중환자실에 입원하는 목적은 집중적인 치료를 통해 환자의 사망을 예방하고 위험 원인을 빠르게 인지하여 적절한 처치를 받기 위한 것인데, 간호인력들의 환자 관리 업무량 과중으로 인한 환자 상태 정보 기록의 어려움과 환자별로 사망 위험 요소가 다양하여 의료진의 정확한 결정이 어렵다. 또한, 현재 어떤 요인들이 사망률에 영향을 미치는지에 대한 데이터가 거의 전무해 의료진이 정확한 결정을 내리는데 많은 어려움이 있다.
최근, 국내외 의료현장에서 딥러닝 기반 의료기기들이 사용되기 시작하고 있으며 딥러닝을 이용한 예측 및 분석모델 도입 논의가 활발하게 진행 되고 있다. 하지만 아직 국내 중환자실에 입원한 환자들에 대한 연구들이 많지 않아 해외의 연구들에 의존하고 있다.
본 발명은 상술한 배경에서 제안된 것으로서, 국내 환자들에게 적합한 실시간 예측 및 분석모델을 이용하는 딥 뉴럴 네트워크 기반 실시간 중환자실 환자 상태 분석 시스템 및 방법을 제안한다.
또한 본 발명은 딥 뉴럴 네트워크를 통해 중환자실 환자의 측정 변수들 중 데이터가 없는 변수에 대한 적절한 데이터를 유추하여 환자의 사망에 영향을 끼치는 위험 요소들을 예측 및 분석하는 딥 뉴럴 네트워크 기반 실시간 중환자실 환자 상태 분석 시스템 및 방법을 제안한다.
또한 본 발명은 중환자실 환자의 상태에 관한 지표, 예를 들어 치료기간과 생존 가능성을 예측할 수 있는 딥 뉴럴 네트워크 기반 실시간 중환자실 환자 상태 분석 시스템 및 방법을 제안한다.
상술한 기술적 과제를 달성하기 위해, 본 발명의 일 양상에 따른 딥 뉴럴 네트워크 기반 실시간 중환자실 환자 상태 분석 시스템은, 일정 기간 동안 순차적으로 기록된 복수의 환자 데이터가 입력되면 상기 순차적으로 기록된 복수의 환자 데이터를 변수별로 순차적으로 분류하여 복수의 변수정보를 생성한 후, 변수별 부가정보를 산출하고 상기 변수별 부가정보와 변수별로 순차적으로 분류된 복수의 변수정보를 포함하는 환자 데이터를 학습데이터베이스에 저장하는 변수 처리부와;
상기 변수 처리부에서 변수별로 순차적으로 분류된 복수의 변수정보를 다시 순차적으로 통합하여 복수의 환자데이터를 생성한 후 통합한 복수의 환자 데이터를, 상기 학습데이터베이스에 저장된 환자 데이터에 의해 학습된 딥 뉴럴 네트워크 기반의 예측 모델에 입력하여 환자의 상태에 관한 지표를 산출하고, 환자의 사망 위험 요소가 되는 변수를 검출하는 통합분석처리부와;
상기 통합분석처리부에서 산출된 환자의 상태에 관한 지표와 환자의 사망 위험 요소가 되는 변수를 사람이 인식할 수 있는 데이터로 시각화하여 출력하는 데이터 출력부를 포함한다.
본 발명의 일 양상에 따른 딥 뉴럴 네트워크 기반 실시간 중환자실 환자 상태 분석 시스템의 변수 처리부는, 순차적으로 기록된 복수의 환자 데이터를 변수별로 순차적으로 분류하고, 상기 순차적으로 분류된 변수별로 빈 데이터가 있는지를 판단하고 판단결과 긍정이면 환자 데이터에 포함된 환자정보로 학습데이터베이스를 참조하여 대체 데이터를 검출한다.
본 발명의 일 양상에 따른 딥 뉴럴 네트워크 기반 실시간 중환자실 환자 상태 분석 시스템은, 일정 기간 동안 순차적으로 기록된 복수의 환자 데이터가 입력되면 미리 설정된 노이즈 제거 기준을 이용하여 노이즈인지를 판단하고 판단결과 긍정이면 해당 환자 데이터를 제거하는 데이터 전처리부를 더 포함한다.
본 발명의 다른 양상에 따른 딥 뉴럴 네트워크 기반 실시간 중환자실 환자 상태 분석방법은, 일정 기간 동안 순차적으로 기록된 복수의 환자 데이터를 수신하는 단계와;
상기 순차적으로 기록된 복수의 환자 데이터를 변수별로 순차적으로 분류하여 복수의 변수정보를 생성하는 단계와;
상기 생성된 복수의 변수정보를 이용하여 변수별 부가정보를 산출하고 상기 변수별 부가정보와 변수별로 순차적으로 분류된 복수의 변수정보를 포함하는 환자 데이터를 학습데이터베이스에 저장하는 단계와;
상기 변수별로 순차적으로 분류된 복수의 변수정보를 다시 순차적으로 통합하여 복수의 환자데이터를 생성하는 단계와;
상기 통합한 복수의 환자 데이터를, 상기 학습데이터베이스에 저장된 환자 데이터에 의해 학습된 딥 뉴럴 네트워크 기반의 예측 모델에 입력하여 환자의 상태에 관한 지표를 산출하고, 환자의 사망 위험 요소가 되는 변수를 검출하는 단계; 및
상기 산출된 환자의 상태에 관한 지표와 환자의 사망 위험 요소가 되는 변수를 사람이 인식할 수 있는 데이터로 시각화하여 출력하는 단계를 포함한다.
본 발명에 따르면, 순차적으로 기록된 복수의 환자 데이터를 변수별로 순차적으로 분류하여 복수의 변수정보를 생성하는 단계는, 상기 순차적으로 분류된 변수별로 빈 데이터가 있는지를 판단하는 단계; 및 판단결과 긍정이면 환자 데이터에 포함된 환자정보로 상기 학습데이터베이스를 참조하여 대체 데이터를 검출하는 단계를 더 포함한다.
본 발명에 따르면, 일정 기간 동안 순차적으로 기록된 복수의 환자 데이터를 수신하는 단계는, 상기 일정 기간 동안 순차적으로 기록된 복수의 환자 데이터가 입력되면 미리 설정된 노이즈 제거 기준을 이용하여 노이즈인지를 판단하고 판단결과 긍정이면 해당 환자 데이터를 제거하는 단계를 더 포함한다.
전술한 본 발명의 과제 해결 수단 중 어느 하나에 의하면, 딥 뉴럴 네트워크 기반 실시간 중환자실 환자 상태 분석 시스템은, 일정 기간 동안 순차적으로 기록된 복수의 환자 데이터를 변수별로 순차적으로 분류하고, 변수별 부가정보를 산출하고 상기 변수별 부가정보와 변수별로 순차적으로 분류된 복수의 변수정보를 포함하는 환자 데이터를 학습데이터베이스에 저장하고, 통합한 복수의 환자 데이터를 상기 학습데이터베이스에 저장된 환자 데이터에 의해 학습된 딥 뉴럴 네트워크 기반의 예측 모델에 입력하여 환자의 상태에 관한 지표를 산출하고, 환자의 사망 위험 요소가 되는 변수를 검출하도록 구현됨으로써, 국내 환자들에게 적합한 실시간 예측 및 분석모델을 제시함에 따라 신속한 치료가 가능하여 환자의 신경학적 손상을 최소화시켜 사망률을 줄일 수 있는 장점이 있다.
또한, 본 발명에 따르면, 순차적으로 기록된 복수의 환자 데이터를 변수별로 순차적으로 분류하고, 상기 순차적으로 분류된 변수별로 빈 데이터가 있는지를 판단하고 판단결과 긍정이면 환자 데이터에 포함된 환자정보로 상기 학습데이터베이스를 참조하여 대체 데이터를 검출하여 사용하도록 구현됨으로써, 각종 검사 횟수를 줄일 수 있는 장점이 있다.
또한, 본 발명에 따르면, 일정 기간 동안 순차적으로 기록된 복수의 환자 데이터가 입력되면 미리 설정된 노이즈 제거 기준을 이용하여 노이즈인지를 판단하고 판단결과 긍정이면 해당 복수의 환자 데이터를 제거하도록 구현됨으로써, 학습데이터베이스에 저장된 환자 데이터에 의해 학습되는 딥 뉴럴 네트워크 기반의 예측 모델의 예측 및 분석 정확성을 높일 수 있고, 이에 따라 중환자실 환자의 상태에 관한 지표, 예를 들어 치료기간과 생존 가능성을 정확하게 예측할 수 있는 장점이 있다.
도 1 은 본 발명에 따른 중환자 관리 시스템을 설명하기 위한 예시도이다.
도 2 는 일정 기간 동안 순차적으로 기록된 복수의 환자 데이터를 설명하기 위한 예시도이다.
도 3 은 본 발명에 따른 딥 뉴럴 네트워크 기반 실시간 중환자실 환자 상태 분석 시스템의 구성을 설명하기 위한 예시도이다.
도 4 는 도 2 의 환자 데이터를 변수별로 순차적으로 분류한 복수의 변수정보를 설명하기 위한 예시도이다.
도 5 는 본 발명에 따른 학습된 딥 뉴럴 네트워크 기반의 예측 모델을 설명하기 위한 예시도이다.
도 6 은 본 발명에 따른 딥 뉴럴 네트워크 기반 실시간 중환자실 환자 상태 분석방법을 설명하기 위한 예시도이다.
도 2 는 일정 기간 동안 순차적으로 기록된 복수의 환자 데이터를 설명하기 위한 예시도이다.
도 3 은 본 발명에 따른 딥 뉴럴 네트워크 기반 실시간 중환자실 환자 상태 분석 시스템의 구성을 설명하기 위한 예시도이다.
도 4 는 도 2 의 환자 데이터를 변수별로 순차적으로 분류한 복수의 변수정보를 설명하기 위한 예시도이다.
도 5 는 본 발명에 따른 학습된 딥 뉴럴 네트워크 기반의 예측 모델을 설명하기 위한 예시도이다.
도 6 은 본 발명에 따른 딥 뉴럴 네트워크 기반 실시간 중환자실 환자 상태 분석방법을 설명하기 위한 예시도이다.
발명의 이점 및 특징, 그리고 그것들을 달성하는 방법은 첨부되는 도면과 함께 상세하게 후술되어 있는 실시예들을 참조하면 명확해질 것이다. 그러나 본 발명은 이하에서 개시되는 실시 예들에 한정되는 것이 아니라 서로 다른 다양한 형태로 구현될 수 있으며, 단지 본 실시 예들은 본 발명의 개시가 완전하도록 하고, 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자에게 발명의 범주를 완전하게 알려주기 위해 제공되는 것이며, 본발명은 청구항의 범주에 의해 정의될 뿐이다. 명세서 전체에 걸쳐 동일 도면부호는 동일 구성 요소를 지칭한다.
본 명세서에서 사용한 용어는 단지 특정한 실시 예를 설명하기 위해 사용된 것으로서, 본 발명을 한정하려는 의도가 아니다. 단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 복수의 표현을 포함한다. 본 명세서에서, "포함하다" 또는 "가지다" 등의 용어는 본 명세서에 기재된 특징, 숫자, 단계, 동작, 구성요소, 부분품 또는 이들을 조합한 것이 존재함을 지정하려는 것이지, 하나 또는 그 이상의 다른 특징들이나 숫자, 단계, 동작, 구성요소, 부분품 또는 이들을 조합한 것들의 존재 또는 부가 가능성을 미리 배제하지 않는 것으로 이해되어야 한다.
본 명세서에서 "부", "모듈", "장치", "단말기", "서버" 또는 "시스템" 등의 용어는 하드웨어 및 해당 하드웨어에 의해 구동되는 소프트웨어의 조합을 지칭하는 것으로 의도된다. 예를 들어, 하드웨어는 CPU 또는 다른 프로세서(processor)를 포함하는 데이터 처리 기기일 수 있다. 또한, 하드웨어에 의해 구동되는 소프트웨어는 실행중인 프로세스, 객체(object), 실행파일(executable), 실행 스레드(thread of execution), 프로그램(program) 등을 지칭할 수 있다.
본 명세서에 있어서 단말, 장치 또는 디바이스가 수행하는 것으로 기술된 동작이나 기능 중 일부는 해당 단말, 장치 또는 디바이스와 연결된 서버에서 대신 수행될 수도 있다. 이와 마찬가지로, 서버가 수행하는 것으로 기술된 동작이나 기능 중 일부도 해당 서버와 연결된 단말, 장치 또는 디바이스에서 수행될 수도 있다.
도 1 은 본 발명에 따른 중환자 관리 시스템을 설명하기 위한 예시도이고, 도 2 는 일정 기간 동안 순차적으로 기록된 복수의 환자 데이터를 설명하기 위한 예시도이다.
도 1을 참조하면, 본 발명에 따른 중환자 관리 시스템은 병원 원무과(110)와 중환자실(120)과 병원 직원 단말(130)과 환자 상태 분석 시스템(300)을 포함하여 구현될 수 있다.
병원 원무과(110)는 환자의 입원 및 퇴원, 수납 등의 행정적인 업무를 담담하고 있는 부서이다. 병원 원무과(110)에서는 환자의 개인정보, 예를 들어 주민번호, 이름, 성별, 주소, 건강보험 가입여부, 보호자 정보, 다른 병원 중환자실 입원 후 이송 여부, 중환자실 입원 횟수, 병력 등을 기록한다.
중환자실(120)에서는 신체활력(심전도, 혈압, 호흡 등) 감시를 위한 환자 감시 장치(Patient Monitor) 및 개별 신체활력 감시 장치, 자가호흡 곤란자를 위한 인공호흡기, 처방약제투여 및 영양약제 주입을 위한 약물 주입 장치, 체온 유지를 위한 온도 조절 장치, 수술 후 신체 내부에 남은 혈액을 외부로 배출하기 위한 음압통, 환자로부터 배출되는 소변을 보관하기 위한 배뇨백 등을 사용한다.
병원 직원 단말(130)은 병원 원무과(110)와 네트워크로 연결되며, 중환자실에 입원한 환자의 생체 신호를 기록(Electronic Medical Record)하기 위해 병원 직원(예컨대, 간호인력)이 사용하는 장치로서, 데스크 탑 PC, 노트북, 태블릿 PC 등으로 구현될 수 있다. 간호인력은 중환자실의 주기적 방문, 환자의 생체신호를 확인하고, 기록하고, 환자에게 처방된 약 또는 약물 처방 업무를 담당한다. 간호인력들은 중환자실에 입원한 환자의 상태를 일정 기간 동안, 예를 들어 48시간 내에 동안 수 차례에 걸쳐 확인하고, 생체 신호 측정값을 기록한다.
도 2를 참조하면, 간호인력들은 처음 06:00부터 2시간 간격으로 48시간 동안 체온, 혈압, 요단백, 혈색소, 공복혈당, 그외 총 콜레스테롤, HDL, 중성지방, LDL, 혈청크레아틴, 신사구체여과율, AST. ALT, 감마지피티 등을 확인하고 기록할 수 있다. 이와 같이 일정 기간 동안 순차적으로 기록된 복수의 환자 데이터는 딥 뉴럴 네트워크 기반 실시간 중환자실 환자 상태 분석 시스템(300)에 입력된다.
도 3 은 본 발명에 따른 딥 뉴럴 네트워크 기반 실시간 중환자실 환자 상태 분석 시스템의 구성을 설명하기 위한 예시도이고, 도 4 는 도 2 의 환자 데이터를 변수별로 순차적으로 분류한 복수의 변수정보를 설명하기 위한 예시도이고, 도 5 는 본 발명에 따른 학습된 딥 뉴럴 네트워크 기반의 예측 모델을 설명하기 위한 예시도이다.
도 3을 참조하면, 본 발명에 따른 중환자실 환자 상태 분석 시스템은 데이터 수신부(310)와 학습데이터베이스(320)와 변수 처리부(330)와 통합분석처리부(340)와 데이터출력부(350)를 포함하여 구현될 수 있다.
데이터 수신부(310)는 병원 직원 단말(도 1의 참조부호 130)로부터 일정 기간 동안 순차적으로 기록된 복수의 환자 데이터를 수신한다. 환자 데이터는 환자의 개인정보, 예를 들어 주민번호, 이름, 성별, 주소, 건강보험 가입여부, 보호자 정보, 다른 병원 중환자실 입원 후 이송 여부, 중환자실 입원 횟수, 병력 등을 포함할 수 있다. 환자 데이터는 도 2에 도시한 바와 같이 생체 신호 측정값 예컨대 체온, 혈압, 요단백, 혈색소, 공복혈당, 그외 총 콜레스테롤, HDL, 중성지방, LDL, 혈청크레아틴, 신사구체여과율, AST. ALT, 감마지피티 등을 포함할 수 있다.
데이터 수신부(310)는 데이터 전처리부를 포함할 수 있다. 데이터 전처리부는 일정 기간 동안 순차적으로 기록된 복수의 환자 데이터가 입력되면 미리 설정된 노이즈 제거 기준을 이용하여 노이즈인지를 판단한다. 노이즈 제거 기준은 예측 성능을 저하시키는 데이터로서 일례로, 미성년자, 중환자실에 2회 이상 입원한 환자, 또는 다른 병원 중환자실 입원 후 이송된 환자를 포함할 수 있다. 데이터 전처리부는 환자 데이터가 노이즈인 것으로 판단되면 해당 환자 데이터를 제거한다.
변수 처리부(330)는 데이터 수신부(310)로부터 일정 기간 동안 순차적으로 기록된 복수의 환자 데이터가 입력되면 상기 순차적으로 기록된 복수의 환자 데이터를 변수별로 순차적으로 분류하여 복수의 변수정보를 생성하는 변수 분류부(331)를 포함할 수 있다. 도 4를 참조하면, 변수별로 순차적으로 분류된 복수의 변수정보는 측정시간별 검사값을 포함한다.
변수 처리부(330)는 변수별로 순차적으로 분류된 변수정보를 각각 입력받아 변수별 부가정보를 산출하는 복수의 변수 처리부(332, 333, 334)를 포함하여 구현된다. 부가정보는 예컨대 평균값, 최대값, 최소값 등을 포함할 수 있다. 변수 처리부(330)는 변수별 부가정보와 변수별로 순차적으로 분류된 복수의 변수정보를 포함하는 환자 데이터를 학습데이터베이스(320)에 저장한다.
다른 예로, 변수 처리부(330)는 순차적으로 기록된 복수의 환자 데이터를 변수별로 순차적으로 분류하고, 상기 순차적으로 분류된 변수별로 빈 데이터가 있는지를 판단하고 판단결과 긍정이면 환자 데이터에 포함된 환자정보로 학습데이터베이스(320)를 참조하여 대체 데이터를 검출한다.
도 4를 참조하면 환자 A의 체온 검사값 중, 10:00에 데이터가 비어 있고, 또한 환자 A의 혈압 검사값 중, 12:00에 데이터가 비어 있다. 변수 처리부(330)는 환자 A의 나이, 성별, 병력 등을 이용하여 학습데이터베이스(320)를 참조하여 대체 데이터를 검출할 수 있다. 이에 따라 간호인력들이 업무량 과중으로 인해 미처 기록하지 못한 것을 대체하여 예측의 정확도를 높일 수 있다.
통합분석처리부(340)는 변수 처리부(330)에서 변수별로 순차적으로 분류된 복수의 변수정보를 다시 순차적으로 통합하여 복수의 환자데이터를 생성한다. 통합된 환자데이터에는 변수별로 빈 데이터가 없으며, 부가정보를 더 포함할 수 있다.
통합분석처리부(340)는 통합한 복수의 환자 데이터를, 학습데이터베이스(320)에 저장된 환자 데이터에 의해 학습된 딥 뉴럴 네트워크 기반의 예측 모델에 입력하여 환자의 상태에 관한 지표를 산출하고, 환자의 사망 위험 요소가 되는 변수를 검출한다. 환자의 상태에 관한 지표는 환자의 치료기간, 사망률, 또는 생존율을 포함할 수 있다.
도 5를 참조하면, 학습데이터베이스에 저장된 환자 데이터에 의해 학습된 딥 뉴럴 네트워크 기반의 예측 모델은, 둘 이상의 계층으로 이루어진 양방향 LSTM(Long Short-Term Memory)을 포함하여 구성될 수 있다. 양방향 LSTM은 2005년에 Graves와 Schmidhuber에 의해 제안된 것으로, 순방향(Forward)의 정보와 역방향(Backward)의 정보까지 사용하여 효율적인 예측값을 산출할 수 있다. 양방향 LSTM은 기존의 순환 신경망과 달리 입력 시퀀스의 양방향 모두 학습하기 때문에 일반적인 신경망보다 성능이 뛰어나다. 예를 들어, 기존의 순환 신경망은 초기 입원 시의 정보만을 가지고 평가한다는 단점을 가지고 있어 입원 중 발생하는 다양한 부작용을 반영하지 못한다.
데이터출력부(350)는 통합분석처리부(340)에서 산출된 환자의 상태에 관한 지표와 환자의 사망 위험 요소가 되는 변수를 사람이 인식할 수 있는 데이터로 시각화하여 출력한다.
도 6 은 본 발명에 따른 딥 뉴럴 네트워크 기반 실시간 중환자실 환자 상태 분석방법을 설명하기 위한 예시도 이다. 딥 뉴럴 네트워크 기반 실시간 중환자실 환자 상태 분석방법은 통신기능이 구비된 컴퓨팅 장치에서 구현될 수 있다.
단계 S611에서, 컴퓨팅 장치는 네트워크로 연결된 병원 직원 단말로부터 일정 기간 동안 순차적으로 기록된 복수의 환자 데이터를 수신한다.
일례로 컴퓨팅 장치는 단계 S611에서 일정 기간 동안 순차적으로 기록된 복수의 환자 데이터가 입력되면 미리 설정된 노이즈 제거 기준을 이용하여 노이즈인지를 판단하고 판단결과 긍정이면 해당 환자 데이터를 제거할 수 있다.
단계 S612에서, 컴퓨팅 장치는 순차적으로 기록된 복수의 환자 데이터를 변수별로 순차적으로 분류하여 복수의 변수정보를 생성한다.
단계 S613에서, 컴퓨팅 장치는 순차적으로 분류된 변수별로 빈 데이터가 있는지를 판단한다. 판단결과 긍정이면 단계 S614에서, 컴퓨팅 장치는 환자 데이터에 포함하는 환자정보로 학습데이터베이스를 참조하여 대체 데이터를 검출한다.
단계 S615에서, 컴퓨팅 장치는 생성된 복수의 변수정보를 이용하여 변수별 부가정보를 산출하고, 상기 변수별 부가정보와 변수별로 순차적으로 분류된 복수의 변수정보를 포함하는 환자 데이터를 학습데이터베이스에 저장한다.
단계 S616에서, 컴퓨팅 장치는 변수별로 순차적으로 분류된 복수의 변수정보를 다시 순차적으로 통합하여 복수의 환자데이터를 생성한다.
단계 S617에서, 컴퓨팅 장치는 통합한 복수의 환자 데이터를, 학습데이터베이스에 저장된 환자 데이터에 의해 학습된 딥 뉴럴 네트워크 기반의 예측 모델에 입력하여 환자의 상태에 관한 지표를 산출하고, 환자의 사망 위험 요소가 되는 변수를 검출한다.
컴퓨팅 장치는 산출된 환자의 상태에 관한 지표와 환자의 사망 위험 요소가 되는 변수를 사람이 인식할 수 있는 데이터로 시각화하여 출력할 수 있다.
본 발명의 딥 뉴럴 네트워크 기반 실시간 중환자실 환자 상태 분석 시스템은 국내 맞춤형 시스템으로 각 병원에서 얻은 데이터를 크게 처리할 필요 없이 이미 기록된 혹은 실시간 데이터를 이용한 전자의무기록(EMR)을 이용해 의료진이 원하는 결과를 쉽게 얻을 수 있다.
이상에서 본 발명이 구체적인 구성요소 등과 같은 특정 사항들과 한정된 실시예 및 도면에 의해 설명되었으나, 이는 본 발명의 보다 전반적인 이해를 돕기 위해서 제공된 것일 뿐, 본 발명이 상기 실시예들에 한정되는 것은 아니며, 본 발명이 속하는 기술분야에서 통상적인 지식을 가진 자라면 이러한 기재로부터 다양한 수정 및 변형을 꾀할 수 있다.
따라서, 본 발명의 사상은 상기 설명된 실시예에 국한되어 정해져서는 아니 되며, 후술하는 특허청구범위뿐만 아니라 이 특허청구범위와 균등하게 또는 등가적으로 변형된 모든 것들은 본 발명의 사상의 범주에 속한다고 할 것이다.
Claims (7)
- 일정 기간 동안 순차적으로 기록된 복수의 환자 데이터가 입력되면 상기 순차적으로 기록된 복수의 환자 데이터를 변수별로 순차적으로 분류하여 복수의 변수정보를 생성한 후, 변수별 부가정보를 산출하고 상기 변수별 부가정보와 변수별로 순차적으로 분류된 복수의 변수정보를 포함하는 환자 데이터를 학습데이터베이스에 저장하는 변수 처리부와;
상기 변수 처리부에서 변수별로 순차적으로 분류된 복수의 변수정보를 다시 순차적으로 통합하여 복수의 환자데이터를 생성한 후 통합한 복수의 환자 데이터를, 상기 학습데이터베이스에 저장된 환자 데이터에 의해 학습된 딥 뉴럴 네트워크 기반의 예측 모델에 입력하여 환자의 상태에 관한 지표를 산출하고, 환자의 사망 위험 요소가 되는 변수를 검출하는 통합분석처리부와;
상기 통합분석처리부에서 산출된 환자의 상태에 관한 지표와 환자의 사망 위험 요소가 되는 변수를 사람이 인식할 수 있는 데이터로 시각화하여 출력하는 데이터 출력부를 포함하며,
상기 변수 처리부는,
상기 순차적으로 기록된 복수의 환자 데이터를 변수별로 순차적으로 분류하고, 상기 순차적으로 분류된 변수별로 빈 데이터가 있는지를 판단하고 판단결과 긍정이면 환자 데이터에 포함하는 환자정보로 상기 학습데이터베이스를 참조하여 대체 데이터를 검출하고,
상기 복수의 변수정보는 측정시간별 검사값을 포함하며,
상기 변수 처리부는,
상기 환자정보 중 나이, 성별, 병력을 이용하여 상기 학습데이터베이스로부터 상기 대체 데이터를 검출하는 것을 특징으로 하는 딥 뉴럴 네트워크기반 실시간 중환자실 환자 상태 분석 시스템.
- 삭제
- 청구항 1 에 있어서,
상기 학습데이터베이스에 저장된 환자 데이터에 의해 학습된 딥 뉴럴 네트워크 기반의 예측 모델은, 둘 이상의 계층으로 이루어진 양방향 LSTM(Long Short-Term Memory)을 포함하여 구성되는 것을 특징으로 하는,
딥 뉴럴 네트워크 기반 실시간 중환자실 환자 상태 분석 시스템. - 청구항 1 에 있어서,
상기 딥 뉴럴 네트워크 기반 실시간 중환자실 환자 상태 분석 시스템은,
일정 기간 동안 순차적으로 기록된 복수의 환자 데이터가 입력되면 미리 설정된 노이즈 제거 기준을 이용하여 노이즈인지를 판단하고 판단결과 긍정이면 해당 환자 데이터를 제거하는 데이터 전처리부를 더 포함하는,
딥 뉴럴 네트워크 기반 실시간 중환자실 환자 상태 분석 시스템. - 데이터 수신부에서 병원 직원 단말로부터 일정 기간 동안 순차적으로 기록된 복수의 환자 데이터를 수신하는 단계;
변수 처리부에서 상기 순차적으로 기록된 복수의 환자 데이터를 변수별로 순차적으로 분류하여 복수의 변수정보를 생성하는 단계;
변수 처리부에서 상기 생성된 복수의 변수정보를 이용하여 변수별 부가정보를 산출하고 상기 변수별 부가정보와 변수별로 순차적으로 분류된 복수의 변수정보를 포함하는 환자 데이터를 학습데이터베이스에 저장하는 단계;
통합분석처리부에서 상기 변수별로 순차적으로 분류된 복수의 변수정보를 다시 순차적으로 통합하여 복수의 환자데이터를 생성하는 단계;
통합분석처리부에서 상기 통합한 복수의 환자 데이터를, 상기 학습데이터베이스에 저장된 환자 데이터에 의해 학습된 딥 뉴럴 네트워크 기반의 예측 모델에 입력하여 환자의 상태에 관한 지표를 산출하고, 환자의 사망 위험 요소가 되는 변수를 검출하는 단계; 및
데이터 출력부에서 상기 산출된 환자의 상태에 관한 지표와 환자의 사망 위험 요소가 되는 변수를 사람이 인식할 수 있는 데이터로 시각화하여 출력하는 단계를 포함하며,
상기 순차적으로 기록된 복수의 환자 데이터를 변수별로 순차적으로 분류하여 복수의 변수정보를 생성하는 단계는,
상기 순차적으로 분류된 변수별로 빈 데이터가 있는지를 판단하는 단계; 및
판단결과 긍정이면 환자 데이터에 포함된 환자정보로 상기 학습데이터베이스를 참조하여 환자 상태 예측의 정확도를 높일 수 있는 대체 데이터를 검출하는 단계를 더 포함하며,
상기 복수의 변수정보는 측정시간별 검사값을 포함하고,
상기 변수 처리부는,
상기 환자정보 중 나이, 성별, 병력을 이용하여 상기 학습데이터베이스로부터 상기 대체 데이터를 검출하는 것을 특징으로 하는 딥 뉴럴 네트워크 기반 실시간 중환자실 환자 상태 분석방법.
- 삭제
- 청구항 5 에 있어서,
상기 일정 기간 동안 순차적으로 기록된 복수의 환자 데이터를 수신하는 단계는,
데이터 전처리부에서 상기 일정 기간 동안 순차적으로 기록된 복수의 환자 데이터가 입력되면 미리 설정된 노이즈 제거 기준을 이용하여 노이즈인지를 판단하고 판단결과 긍정이면 해당 환자 데이터를 제거하는 단계를 더 포함하는,
딥 뉴럴 네트워크 기반 실시간 중환자실 환자 상태 분석방법.
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
KR1020220078274A KR102598101B1 (ko) | 2022-06-27 | 2022-06-27 | 딥 뉴럴 네트워크 기반 실시간 중환자실 환자 상태 분석 시스템 및 방법 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
KR1020220078274A KR102598101B1 (ko) | 2022-06-27 | 2022-06-27 | 딥 뉴럴 네트워크 기반 실시간 중환자실 환자 상태 분석 시스템 및 방법 |
Publications (1)
Publication Number | Publication Date |
---|---|
KR102598101B1 true KR102598101B1 (ko) | 2023-11-02 |
Family
ID=88747518
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
KR1020220078274A KR102598101B1 (ko) | 2022-06-27 | 2022-06-27 | 딥 뉴럴 네트워크 기반 실시간 중환자실 환자 상태 분석 시스템 및 방법 |
Country Status (1)
Country | Link |
---|---|
KR (1) | KR102598101B1 (ko) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117711608A (zh) * | 2024-02-04 | 2024-03-15 | 广州中大医疗器械有限公司 | 一种用于整合神经损伤数据的综合分析系统 |
CN117894478A (zh) * | 2024-03-14 | 2024-04-16 | 天津市肿瘤医院(天津医科大学肿瘤医院) | 一种肿瘤重症医学科重症信息化智能化管理方法 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20090032335A (ko) | 2007-09-27 | 2009-04-01 | 재단법인 아산사회복지재단 | 중환자실 간호기록 시스템 및 그 방법 |
KR101271694B1 (ko) * | 2012-01-09 | 2013-06-05 | 전남대학교산학협력단 | 시계열데이터의 연속적 결측값 대체 시스템 및 그 방법 |
KR101899101B1 (ko) | 2016-06-01 | 2018-09-14 | 서울대학교 산학협력단 | 인공 신경망 기반 예측 모델 생성 장치 및 방법 |
KR20200059373A (ko) * | 2018-11-20 | 2020-05-29 | 동국대학교 산학협력단 | 환자의 생체 데이터를 측정하는 이동 단말기 및 클라우드 서버를 이용한 예후 관리 시스템 |
KR20220014464A (ko) | 2020-07-28 | 2022-02-07 | 부산대학교 산학협력단 | 촬영 장치를 이용한 중환자실 감시 시스템 |
KR20220040515A (ko) * | 2020-09-22 | 2022-03-30 | 주식회사 바디프랜드 | 딥러닝 기반 심전도를 이용한 심정지 위험도 예측 시스템 |
KR20220076618A (ko) * | 2020-12-01 | 2022-06-08 | 가톨릭대학교 산학협력단 | 질병 예측 장치, 방법 및 기록 매체 |
-
2022
- 2022-06-27 KR KR1020220078274A patent/KR102598101B1/ko active IP Right Grant
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20090032335A (ko) | 2007-09-27 | 2009-04-01 | 재단법인 아산사회복지재단 | 중환자실 간호기록 시스템 및 그 방법 |
KR101271694B1 (ko) * | 2012-01-09 | 2013-06-05 | 전남대학교산학협력단 | 시계열데이터의 연속적 결측값 대체 시스템 및 그 방법 |
KR101899101B1 (ko) | 2016-06-01 | 2018-09-14 | 서울대학교 산학협력단 | 인공 신경망 기반 예측 모델 생성 장치 및 방법 |
KR20200059373A (ko) * | 2018-11-20 | 2020-05-29 | 동국대학교 산학협력단 | 환자의 생체 데이터를 측정하는 이동 단말기 및 클라우드 서버를 이용한 예후 관리 시스템 |
KR20220014464A (ko) | 2020-07-28 | 2022-02-07 | 부산대학교 산학협력단 | 촬영 장치를 이용한 중환자실 감시 시스템 |
KR20220040515A (ko) * | 2020-09-22 | 2022-03-30 | 주식회사 바디프랜드 | 딥러닝 기반 심전도를 이용한 심정지 위험도 예측 시스템 |
KR20220076618A (ko) * | 2020-12-01 | 2022-06-08 | 가톨릭대학교 산학협력단 | 질병 예측 장치, 방법 및 기록 매체 |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117711608A (zh) * | 2024-02-04 | 2024-03-15 | 广州中大医疗器械有限公司 | 一种用于整合神经损伤数据的综合分析系统 |
CN117711608B (zh) * | 2024-02-04 | 2024-05-24 | 广州中大医疗器械有限公司 | 一种用于整合神经损伤数据的综合分析系统 |
CN117894478A (zh) * | 2024-03-14 | 2024-04-16 | 天津市肿瘤医院(天津医科大学肿瘤医院) | 一种肿瘤重症医学科重症信息化智能化管理方法 |
CN117894478B (zh) * | 2024-03-14 | 2024-05-28 | 天津市肿瘤医院(天津医科大学肿瘤医院) | 一种肿瘤重症医学科重症信息化智能化管理方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
KR102558021B1 (ko) | 임상 의사결정 지원 앙상블 시스템 및 이를 이용한 임상 의사결정 지원 방법 | |
US20180137247A1 (en) | Preventive and predictive health platform | |
KR102598101B1 (ko) | 딥 뉴럴 네트워크 기반 실시간 중환자실 환자 상태 분석 시스템 및 방법 | |
US10039485B2 (en) | Method and system for assessing mental state | |
US7967749B2 (en) | Monitoring system and method using rules | |
CN107491630A (zh) | 临床决策支持综合系统和使用其的临床决策支持方法 | |
CN109310317A (zh) | 用于自动医学诊断的系统和方法 | |
US20170011177A1 (en) | Automated healthcare integration system | |
Mishra et al. | AD8232 based smart healthcare system using internet of things (IoT) | |
CN102646157A (zh) | 用药分析器 | |
JP2022527174A (ja) | 術中臨床意思決定支援システム | |
Merone et al. | A decision support system for tele-monitoring COPD-related worrisome events | |
CN107391901A (zh) | 建立普通病房患者病情评估模型的方法和服务器 | |
KR20210142238A (ko) | 딥러닝 기반의 임상 지원 시스템 및 이를 통한 진단 지원 방법 | |
Parvathy et al. | Automated internet of medical things (IoMT) based healthcare monitoring system | |
Ebada et al. | Applying apache spark on streaming big data for health status prediction | |
Pravin et al. | Machine learning and IoT-based automatic health monitoring system | |
CN115547483A (zh) | 用于监测患慢性炎症性疾病的患者的远程监测方法和系统 | |
Sinha | Role of artificial intelligence and Internet of Things based medical diagnostics smart health care system for a post-COVID-19 world | |
Thakur et al. | Patient Health Monitoring and Inferencing Arrhythmia Using ECG_Data | |
Marudhapandi et al. | Wearable ecg monitoring system and data analysis | |
Dey et al. | Patient Health Observation and Analysis with Machine Learning and IoT Based in Realtime Environment | |
Sekhani et al. | Remote ECG Monitoring System Using IoT and Machine Learning | |
Mohung et al. | Predictive Analytics for Smart Health Monitoring System in a University Campus | |
US20230215579A1 (en) | System and method to combine multiple predictive outputs to predict comprehensive aki risk |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
E701 | Decision to grant or registration of patent right | ||
GRNT | Written decision to grant |