KR102600419B1 - 주기변환 데이터베이스와 인공지능을 활용한 능동적 약물 이상반응 탐지 시스템 - Google Patents
주기변환 데이터베이스와 인공지능을 활용한 능동적 약물 이상반응 탐지 시스템 Download PDFInfo
- Publication number
- KR102600419B1 KR102600419B1 KR1020230068851A KR20230068851A KR102600419B1 KR 102600419 B1 KR102600419 B1 KR 102600419B1 KR 1020230068851 A KR1020230068851 A KR 1020230068851A KR 20230068851 A KR20230068851 A KR 20230068851A KR 102600419 B1 KR102600419 B1 KR 102600419B1
- Authority
- KR
- South Korea
- Prior art keywords
- data
- prediction model
- drug
- adverse
- input
- Prior art date
Links
- 208000030453 Drug-Related Side Effects and Adverse reaction Diseases 0.000 title claims abstract description 182
- 238000006243 chemical reaction Methods 0.000 title claims abstract description 65
- 238000013473 artificial intelligence Methods 0.000 title claims abstract description 60
- 206010061623 Adverse drug reaction Diseases 0.000 title claims description 67
- 230000000737 periodic effect Effects 0.000 title claims description 32
- 238000001514 detection method Methods 0.000 title abstract description 19
- 238000000034 method Methods 0.000 claims abstract description 169
- 239000003814 drug Substances 0.000 claims abstract description 136
- 229940079593 drug Drugs 0.000 claims abstract description 129
- 201000010099 disease Diseases 0.000 claims abstract description 56
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 claims abstract description 56
- 206010067484 Adverse reaction Diseases 0.000 claims abstract description 28
- 230000006838 adverse reaction Effects 0.000 claims abstract description 28
- 238000012549 training Methods 0.000 claims abstract description 25
- 230000004044 response Effects 0.000 claims abstract description 22
- 238000005516 engineering process Methods 0.000 claims abstract description 14
- 230000015654 memory Effects 0.000 claims description 30
- 230000008859 change Effects 0.000 claims description 25
- 238000003745 diagnosis Methods 0.000 claims description 21
- 230000000474 nursing effect Effects 0.000 claims description 21
- 238000002405 diagnostic procedure Methods 0.000 claims description 19
- 238000012545 processing Methods 0.000 claims description 18
- 238000012360 testing method Methods 0.000 claims description 11
- 230000009471 action Effects 0.000 claims description 9
- 238000011156 evaluation Methods 0.000 claims description 8
- 238000004590 computer program Methods 0.000 claims description 7
- 238000003058 natural language processing Methods 0.000 claims description 7
- 238000010606 normalization Methods 0.000 claims description 7
- 238000003066 decision tree Methods 0.000 claims description 6
- 238000005065 mining Methods 0.000 claims description 6
- 238000012015 optical character recognition Methods 0.000 claims description 6
- 230000009466 transformation Effects 0.000 claims description 6
- 238000009534 blood test Methods 0.000 claims description 5
- 238000003384 imaging method Methods 0.000 claims description 4
- 238000007477 logistic regression Methods 0.000 claims description 4
- 238000007637 random forest analysis Methods 0.000 claims description 4
- 238000012706 support-vector machine Methods 0.000 claims description 4
- 238000009535 clinical urine test Methods 0.000 claims description 3
- 230000009977 dual effect Effects 0.000 claims description 3
- 238000001647 drug administration Methods 0.000 claims description 2
- 238000013528 artificial neural network Methods 0.000 description 116
- 230000008569 process Effects 0.000 description 56
- 230000006870 function Effects 0.000 description 20
- 238000004422 calculation algorithm Methods 0.000 description 19
- 238000004891 communication Methods 0.000 description 18
- 208000024891 symptom Diseases 0.000 description 17
- 230000000694 effects Effects 0.000 description 15
- 238000007781 pre-processing Methods 0.000 description 14
- 238000013499 data model Methods 0.000 description 9
- 230000002068 genetic effect Effects 0.000 description 8
- 238000007726 management method Methods 0.000 description 8
- 230000003287 optical effect Effects 0.000 description 8
- 230000005540 biological transmission Effects 0.000 description 7
- 210000004369 blood Anatomy 0.000 description 7
- 239000008280 blood Substances 0.000 description 7
- 238000011160 research Methods 0.000 description 7
- 230000005856 abnormality Effects 0.000 description 6
- 230000001364 causal effect Effects 0.000 description 6
- 108090000623 proteins and genes Proteins 0.000 description 6
- 239000013598 vector Substances 0.000 description 6
- 238000012795 verification Methods 0.000 description 6
- 238000010276 construction Methods 0.000 description 5
- 238000013135 deep learning Methods 0.000 description 5
- 238000011068 loading method Methods 0.000 description 5
- 230000000306 recurrent effect Effects 0.000 description 5
- 206010010904 Convulsion Diseases 0.000 description 4
- 102000002004 Cytochrome P-450 Enzyme System Human genes 0.000 description 4
- 108010015742 Cytochrome P-450 Enzyme System Proteins 0.000 description 4
- 241000282326 Felis catus Species 0.000 description 4
- 238000007405 data analysis Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 239000000284 extract Substances 0.000 description 4
- 230000014509 gene expression Effects 0.000 description 4
- 238000013507 mapping Methods 0.000 description 4
- 230000000873 masking effect Effects 0.000 description 4
- 238000002483 medication Methods 0.000 description 4
- 210000002569 neuron Anatomy 0.000 description 4
- 102000004169 proteins and genes Human genes 0.000 description 4
- 208000009017 Athetosis Diseases 0.000 description 3
- 206010009900 Colitis ulcerative Diseases 0.000 description 3
- 206010028980 Neoplasm Diseases 0.000 description 3
- 201000006704 Ulcerative Colitis Diseases 0.000 description 3
- 238000007792 addition Methods 0.000 description 3
- 230000002457 bidirectional effect Effects 0.000 description 3
- 239000012472 biological sample Substances 0.000 description 3
- SNPPWIUOZRMYNY-UHFFFAOYSA-N bupropion Chemical compound CC(C)(C)NC(C)C(=O)C1=CC=CC(Cl)=C1 SNPPWIUOZRMYNY-UHFFFAOYSA-N 0.000 description 3
- 238000013461 design Methods 0.000 description 3
- 238000011161 development Methods 0.000 description 3
- 230000036267 drug metabolism Effects 0.000 description 3
- 230000036541 health Effects 0.000 description 3
- 230000006872 improvement Effects 0.000 description 3
- 230000004060 metabolic process Effects 0.000 description 3
- 238000012544 monitoring process Methods 0.000 description 3
- 230000006855 networking Effects 0.000 description 3
- 230000008520 organization Effects 0.000 description 3
- 210000002381 plasma Anatomy 0.000 description 3
- 235000018102 proteins Nutrition 0.000 description 3
- 230000002829 reductive effect Effects 0.000 description 3
- 210000003296 saliva Anatomy 0.000 description 3
- 239000000523 sample Substances 0.000 description 3
- 210000002966 serum Anatomy 0.000 description 3
- 210000001519 tissue Anatomy 0.000 description 3
- WUBBRNOQWQTFEX-UHFFFAOYSA-N 4-aminosalicylic acid Chemical compound NC1=CC=C(C(O)=O)C(O)=C1 WUBBRNOQWQTFEX-UHFFFAOYSA-N 0.000 description 2
- 206010002556 Ankylosing Spondylitis Diseases 0.000 description 2
- 206010008748 Chorea Diseases 0.000 description 2
- 206010008754 Choreoathetosis Diseases 0.000 description 2
- 208000012661 Dyskinesia Diseases 0.000 description 2
- 208000014094 Dystonic disease Diseases 0.000 description 2
- 108090000790 Enzymes Proteins 0.000 description 2
- 102000004190 Enzymes Human genes 0.000 description 2
- 208000022559 Inflammatory bowel disease Diseases 0.000 description 2
- 238000012300 Sequence Analysis Methods 0.000 description 2
- 208000007271 Substance Withdrawal Syndrome Diseases 0.000 description 2
- 230000004913 activation Effects 0.000 description 2
- 229960002964 adalimumab Drugs 0.000 description 2
- 230000002411 adverse Effects 0.000 description 2
- 229960004909 aminosalicylic acid Drugs 0.000 description 2
- 238000009739 binding Methods 0.000 description 2
- 230000027455 binding Effects 0.000 description 2
- 206010006451 bronchitis Diseases 0.000 description 2
- 229960001058 bupropion Drugs 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 210000004027 cell Anatomy 0.000 description 2
- 208000012601 choreatic disease Diseases 0.000 description 2
- 208000019425 cirrhosis of liver Diseases 0.000 description 2
- 238000002591 computed tomography Methods 0.000 description 2
- 238000005094 computer simulation Methods 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 238000013479 data entry Methods 0.000 description 2
- 238000013498 data listing Methods 0.000 description 2
- 238000013500 data storage Methods 0.000 description 2
- 230000007423 decrease Effects 0.000 description 2
- 230000035622 drinking Effects 0.000 description 2
- 208000010118 dystonia Diseases 0.000 description 2
- 230000008451 emotion Effects 0.000 description 2
- 210000002472 endoplasmic reticulum Anatomy 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 210000003494 hepatocyte Anatomy 0.000 description 2
- 238000006460 hydrolysis reaction Methods 0.000 description 2
- 239000012535 impurity Substances 0.000 description 2
- 210000004185 liver Anatomy 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000002595 magnetic resonance imaging Methods 0.000 description 2
- 230000005055 memory storage Effects 0.000 description 2
- KBOPZPXVLCULAV-UHFFFAOYSA-N mesalamine Chemical compound NC1=CC=C(O)C(C(O)=O)=C1 KBOPZPXVLCULAV-UHFFFAOYSA-N 0.000 description 2
- 229960004963 mesalazine Drugs 0.000 description 2
- 230000002503 metabolic effect Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 230000003647 oxidation Effects 0.000 description 2
- 238000007254 oxidation reaction Methods 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 230000000144 pharmacologic effect Effects 0.000 description 2
- 238000002600 positron emission tomography Methods 0.000 description 2
- 238000000513 principal component analysis Methods 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 238000006722 reduction reaction Methods 0.000 description 2
- 230000001105 regulatory effect Effects 0.000 description 2
- 230000006403 short-term memory Effects 0.000 description 2
- 230000000391 smoking effect Effects 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 238000012546 transfer Methods 0.000 description 2
- 210000002700 urine Anatomy 0.000 description 2
- 229960004914 vedolizumab Drugs 0.000 description 2
- 208000004998 Abdominal Pain Diseases 0.000 description 1
- 102100036475 Alanine aminotransferase 1 Human genes 0.000 description 1
- 108010082126 Alanine transaminase Proteins 0.000 description 1
- 208000006820 Arthralgia Diseases 0.000 description 1
- 206010003445 Ascites Diseases 0.000 description 1
- 206010006187 Breast cancer Diseases 0.000 description 1
- 208000026310 Breast neoplasm Diseases 0.000 description 1
- 208000024172 Cardiovascular disease Diseases 0.000 description 1
- 206010010774 Constipation Diseases 0.000 description 1
- 206010012735 Diarrhoea Diseases 0.000 description 1
- 241000042812 Divales Species 0.000 description 1
- 206010013700 Drug hypersensitivity Diseases 0.000 description 1
- 229940121710 HMGCoA reductase inhibitor Drugs 0.000 description 1
- 206010019233 Headaches Diseases 0.000 description 1
- 101001012157 Homo sapiens Receptor tyrosine-protein kinase erbB-2 Proteins 0.000 description 1
- 208000023105 Huntington disease Diseases 0.000 description 1
- 206010028116 Mucosal inflammation Diseases 0.000 description 1
- 206010036790 Productive cough Diseases 0.000 description 1
- 102100030086 Receptor tyrosine-protein kinase erbB-2 Human genes 0.000 description 1
- 230000024932 T cell mediated immunity Effects 0.000 description 1
- 206010070863 Toxicity to various agents Diseases 0.000 description 1
- 238000010521 absorption reaction Methods 0.000 description 1
- 125000003275 alpha amino acid group Chemical group 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000003466 anti-cipated effect Effects 0.000 description 1
- 229940125644 antibody drug Drugs 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000001574 biopsy Methods 0.000 description 1
- 208000035269 cancer or benign tumor Diseases 0.000 description 1
- 230000002612 cardiopulmonary effect Effects 0.000 description 1
- 206010008129 cerebral palsy Diseases 0.000 description 1
- 210000001175 cerebrospinal fluid Anatomy 0.000 description 1
- 210000003756 cervix mucus Anatomy 0.000 description 1
- 239000003153 chemical reaction reagent Substances 0.000 description 1
- 229940000425 combination drug Drugs 0.000 description 1
- 230000005494 condensation Effects 0.000 description 1
- 238000006482 condensation reaction Methods 0.000 description 1
- 238000007727 cost benefit analysis Methods 0.000 description 1
- 230000009193 crawling Effects 0.000 description 1
- 238000013523 data management Methods 0.000 description 1
- 238000012217 deletion Methods 0.000 description 1
- 230000037430 deletion Effects 0.000 description 1
- 208000010643 digestive system disease Diseases 0.000 description 1
- 238000004821 distillation Methods 0.000 description 1
- 201000005311 drug allergy Diseases 0.000 description 1
- 230000008406 drug-drug interaction Effects 0.000 description 1
- 201000006549 dyspepsia Diseases 0.000 description 1
- 230000029142 excretion Effects 0.000 description 1
- 210000003608 fece Anatomy 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 239000012530 fluid Substances 0.000 description 1
- 235000013305 food Nutrition 0.000 description 1
- 231100000869 headache Toxicity 0.000 description 1
- 208000007386 hepatic encephalopathy Diseases 0.000 description 1
- 238000000265 homogenisation Methods 0.000 description 1
- 230000036571 hydration Effects 0.000 description 1
- 238000006703 hydration reaction Methods 0.000 description 1
- 230000007062 hydrolysis Effects 0.000 description 1
- 230000005965 immune activity Effects 0.000 description 1
- 230000002779 inactivation Effects 0.000 description 1
- 239000003112 inhibitor Substances 0.000 description 1
- 238000002347 injection Methods 0.000 description 1
- 239000007924 injection Substances 0.000 description 1
- 238000003780 insertion Methods 0.000 description 1
- 230000037431 insertion Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 238000007917 intracranial administration Methods 0.000 description 1
- 238000006317 isomerization reaction Methods 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 230000003211 malignant effect Effects 0.000 description 1
- 238000007481 next generation sequencing Methods 0.000 description 1
- 230000001575 pathological effect Effects 0.000 description 1
- 230000002085 persistent effect Effects 0.000 description 1
- 238000002203 pretreatment Methods 0.000 description 1
- 238000002601 radiography Methods 0.000 description 1
- 102000005962 receptors Human genes 0.000 description 1
- 108020003175 receptors Proteins 0.000 description 1
- 230000002787 reinforcement Effects 0.000 description 1
- 208000023504 respiratory system disease Diseases 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 230000028327 secretion Effects 0.000 description 1
- 239000012896 selective serotonin reuptake inhibitor Substances 0.000 description 1
- 229940124834 selective serotonin reuptake inhibitor Drugs 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 238000012163 sequencing technique Methods 0.000 description 1
- 229940126570 serotonin reuptake inhibitor Drugs 0.000 description 1
- 239000003772 serotonin uptake inhibitor Substances 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 239000010454 slate Substances 0.000 description 1
- 208000024794 sputum Diseases 0.000 description 1
- 210000003802 sputum Anatomy 0.000 description 1
- 238000013403 standard screening design Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000009897 systematic effect Effects 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
- 230000001131 transforming effect Effects 0.000 description 1
- 230000001052 transient effect Effects 0.000 description 1
- 230000007723 transport mechanism Effects 0.000 description 1
- 238000012384 transportation and delivery Methods 0.000 description 1
- 238000012285 ultrasound imaging Methods 0.000 description 1
- MSRILKIQRXUYCT-UHFFFAOYSA-M valproate semisodium Chemical compound [Na+].CCCC(C(O)=O)CCC.CCCC(C([O-])=O)CCC MSRILKIQRXUYCT-UHFFFAOYSA-M 0.000 description 1
- 230000002747 voluntary effect Effects 0.000 description 1
- 229940009065 wellbutrin Drugs 0.000 description 1
- 238000007482 whole exome sequencing Methods 0.000 description 1
- 238000012070 whole genome sequencing analysis Methods 0.000 description 1
- 238000012049 whole transcriptome sequencing Methods 0.000 description 1
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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/20—Natural language analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V30/00—Character recognition; Recognising digital ink; Document-oriented image-based pattern recognition
- G06V30/40—Document-oriented image-based pattern recognition
- G06V30/41—Analysis of document content
-
- 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
- G16H20/00—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance
- G16H20/10—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance relating to drugs or medications, e.g. for ensuring correct administration to patients
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Theoretical Computer Science (AREA)
- Medical Informatics (AREA)
- Public Health (AREA)
- General Health & Medical Sciences (AREA)
- Physics & Mathematics (AREA)
- Biomedical Technology (AREA)
- Data Mining & Analysis (AREA)
- Epidemiology (AREA)
- Primary Health Care (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- Mathematical Physics (AREA)
- Computational Linguistics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Pathology (AREA)
- Databases & Information Systems (AREA)
- Computing Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Multimedia (AREA)
- Chemical & Material Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Medicinal Chemistry (AREA)
- Medical Treatment And Welfare Office Work (AREA)
Abstract
컴퓨팅 장치에 의해 수행되는, 인공지능 기술을 이용하여 약물 이상반응에 대한 예측 결과를 생성하기 위한 방법이 개시된다. 상기 방법은, 약물 이상반응 탐지를 위한 로우(raw) 데이터를 이용하여 사전 결정된 시간 기간 단위로 업데이트되도록 스케줄링된 주기변환 데이터베이스를 구축하는 단계, 상기 주기변환 데이터베이스에 저장된 데이터에 기초하여, 상기 약물 이상반응 탐지를 위한 인공지능 기반의 모델의 학습을 위한 복수의 입력 변수들을 결정하는 단계 및 상기 결정된 입력 변수들, 및 특정 약물과 특정 질환에 대한 이상 반응 정보를 포함하는 학습 데이터셋을 이용하여, 인공지능 기반의 예측 모델이 상기 입력 변수들을 입력받는 것에 응답하여 상기 특정 약물과 특정 질환에 대한 이상 반응 정보를 출력하도록, 상기 예측 모델을 학습시키는 단계를 포함할 수 있다.
Description
본 발명은 인공지능 분야에 관한 것으로, 보다 구체적으로 인공지능 기술을 이용하여 능동적 약물 이상반응 탐지를 위한 방법 및 장치에 관한 것이다.
약물 이상반응은 유해하고 의도하지 않은 의약품에 대한 반응으로 정의되며 환자의 건강에 위험을 미치기도 하며 그 정도가 경미한 정도부터 매우 심각한 정도까지 다양하다. 최근, 전세계적으로 약물 판매량이 증가하며 약물 이상반응도 함께 증가하고 있는 추세이다. 이에 대응책이 필요하다는 의견이 대두되고 있으며 의약품 안전성 평가 및 국내외 규제 기관에서는 약물 이상반응의 발생 원인과 적극적인 대응방안에 대해 연구하고 있다. 세계 보건 기구(WHO)에서는 전 세계에서 발생하는 약물 이상반응 정보를 수집하는 글로벌 약물 안전성 정보 데이터베이스인 VigiBase(https://who-umc.org/vigibase/)를 관리하고 있다. 미국의 식품의약국(FDA)은 의약품의 안전성과 유효성을 보장하기 위한 규제 기관으로서 FAERS(FDA Adverse Event Reporting System)이라는 데이터베이스를 운영하여 FDA에 보고된 약물 이상반응 정보를 수집하고 있다. 덴마크의 코펜하겐 대학의 연구진에 의해 관리되고 있는 SIDER(Side Effect Resource, http://sideeffects.embl.de/about/)는 판매 중인 약물들과 그들의 이상반응 정보를 포함하고 있는 데이터베이스이다. 한국에서는 식품의약품안전처에서 KAERS(https://kaers.drugsafe.or.kr/)를 운영하고 있다. 이러한 다양한 약물 이상반응과 관련된 데이터베이스로부터 약물 이상반응에 대한 규격이 되는 정보를 수집할 수 있다.
최근 약물 이상반응 분야에서 인공지능을 활용한 연구가 이루어지고 있으며, 주로 활용되는 기술에는 머신 러닝, 딥러닝, 자연어 처리 등이 있다. 2015년 1월 1일부터 2021년 7월 9일까지 발행된 논문들을 검색하여 인공지능과 약물 안전성 관련 주요 용어들을 타이틀이나 초록에 포함된 것들을 대상으로 검토한 연구에 따르면 검색된 논문들 중 주요 활용 분야로는 부작용 및 약물 반응의 식별(57.6%), 안전보고 처리(21.2%), 약물-약물 상호작용 추출(7.6%), 약물 독성 위험이 높은 인구 군 식별 또는 맞춤형 치료 지침(7.6%), 부작용 예측(3.0%), 임상시험 시뮬레이션(1.5%), 진단 분류기에서 예측 불확실성 통합 등이 있었고 부작용 및 약물 반응 예측 분야에서 인공지능의 활용이 더욱 늘어날 것으로 예상했다.
약물 이상반응을 능동적으로 탐지하기 위해서는 약물 복용 정보와 복용에 따른 반응 (진단검사 데이터, 질병 진단 데이터, 간호기록지 등)이 필수적이다. 전자의무기록을 이용해 공통데이터모델의 규격으로 변환된 데이터베이스는 여러 의료기관으로부터의 데이터를 수집할 수 있으며 정기적으로 업데이트되는 데이터베이스를 활용하여 의료기관으로부터의 데이터를 보다 효율적으로 활용할 수 있다.
대한민국 공개특허공보 제2008-0042256호는 약물유해반응을 탐지하는 기법을 제시하고 있다.
대한민국 공개특허공보 제2008-0042256호는 약물유해반응을 탐지하는 기법을 제시하고 있다.
본 개시내용의 일 실시예에 따라, 컴퓨팅 장치에 의해 수행되는 인공지능 기술을 이용하여 약물 이상반응에 대한 예측 결과를 생성하기 위한 방법이 개시된다. 상기 방법은: 약물 이상반응 탐지를 위한 로우(raw) 데이터를 이용하여 사전 결정된 시간 기간 단위로 업데이트되도록 스케줄링된 주기변환 데이터베이스를 구축하는 단계, 상기 주기변환 데이터베이스에 저장된 데이터에 기초하여, 상기 약물 이상반응 탐지를 위한 인공지능 기반의 예측 모델의 학습을 위한 복수의 입력 변수들을 결정하는 단계, 및 상기 결정된 입력 변수들과 특정 약물과 특정 질환에 대한 이상 반응 정보를 포함하는 학습 데이터셋을 이용하여, 상기 예측 모델이 상기 입력 변수들을 입력받는 것에 응답하여 상기 특정 약물과 특정 질환에 대한 이상 반응 정보를 출력하도록, 상기 예측 모델을 학습시키는 단계를 포함할 수 있다.
일 실시예에서, 상기 주기변환 데이터베이스를 구축하는 단계는: 전자의무기록(EMR)으로부터 상기 약물 이상반응 탐지를 위한 로우 데이터를 획득하는 단계 - 상기 로우 데이터는, 약물 복용 관련 데이터, 질병 진단 데이터, 진단 검사 데이터 또는 환자 간호 기록 데이터 중 적어도 하나를 포함함 -, 상기 예측 모델의 공통 데이터 표준 규격에 대응되도록 상기 로우 데이터의 용어를 변환하는 단계, 및 데이터베이스 연동 기법, 파일 연동 기법 또는 변경내역 구분 연동 기법 중 적어도 하나의 기법을 이용하여, 사전 결정된 시간 기간 단위로 업데이트되는 상기 주기변환 데이터베이스를 구축하는 단계를 포함할 수 있다.
일 실시예에서, 상기 로우 데이터는, FAERS, KAERS, WHO-ART, SIDER 또는 EU-ADR 중 적어도 하나로부터 추가적으로 획득될 수 있다.
일 실시예에서, 상기 입력 변수는, 인구통계학적 변수, 약물 복용 관련 변수, 진단검사 관련 변수, 간호기록 관련 변수 또는 약물 부작용 진단 관련 변수 중 적어도 하나를 포함할 수 있다.
일 실시예에서, 상기 인구통계학적 변수는, 성별, 나이 또는 지역 중 적어도 하나를 포함하며, 상기 약물 복용 관련 변수는, 약물 종류, 약물 복용 기간, 약물 복용 용량, 또는 약물 복용 이력 중 적어도 하나를 포함하고, 상기 진단검사 관련 변수는, 촬영을 통한 검사, 혈액 검사 또는 소변 검사 중 적어도 하나를 포함하며, 상기 간호기록 관련 변수는, 간호기록지로부터 획득된 변수로서 광학 문자 인식(OCR), 자연어 처리(NLP) 또는 텍스트 마이닝 중 적어도 하나의 기법을 통해 획득되고, 그리고 상기 약물 부작용 진단 관련 변수는, 약물 부작용에 의한 질환 진단과 관련된 정보를 포함할 수 있다.
일 실시예에서, 상기 입력 변수는, 변수의 적어도 일부가 변경된 섭동 입력 데이터 및 상기 섭동 입력 데이터에 응답하여 상기 예측 모델로부터 출력되는 출력 데이터를 이용함으로써 변수 중요도를 결정하는 제 1 기법, 고차원 공간의 데이터들을 저차원 공간으로 변환함으로써 주성분(principal component)에 대응되는 입력 변수를 선정하는 제 2 기법, 또는 의사결정트리 상에서 불순도(impurity)를 감소시키는 방향으로 입력 변수를 선정하는 제 3 기법 중 적어도 하나를 이용하여 결정될 수 있다.
일 실시예에서, 상기 입력 변수는: 이상치(outlier)를 처리하는 단계, 결측값 대체(imputation)를 수행하는 단계, 범주화 또는 재범주화를 수행하는 단계 및 정규화 또는 표준화를 수행하는 단계에 기초하여 전처리될 수 있다.
일 실시예에서, 상기 약물 이상반응 탐지를 위한 상기 예측 모델을 학습시키는 단계는: 복수의 후보 모델들 중 상기 약물 이상반응 탐지를 위한 예측 모델을 결정하는 단계, 상기 전처리된 입력 변수를 입력 데이터로 하여 상기 예측 모델이 특정 약물 또는 특정 질환에 대한 약물 이상반응 여부, 또는 특정 약물 또는 특정 질환에 대한 약물 이상반응의 발생 확률을 출력하도록, 상기 예측 모델을 학습시키는 단계를 포함할 수 있다.
일 실시예에서, 상기 예측 모델은: 랜덤 포레스트(Random Forest), 로지스틱 회귀(Logistic Regression), 서포트 벡터 머신(Support Vector Machine), 결정 트리(Decision Tree), 나이브 베이즈(Naive Bayes), K-최근접 이웃(k-Nearest Neighbor), XGBoost, LightGBM, CatBoost, 합성곱 신경망(CNN), 순환 신경망(RNN), 장단기 메모리(LSTM), 트랜스포머 및 생성형 사전학습된 트랜스포머(GPT)로 이루어진 후보 모델들 중에서 선택된 모델일 수 있다.
일 실시예에서, 상기 예측 모델은: 사전 결정된 테스트 데이터셋을 이용하여 상기 후보 모델들 각각으로부터의 출력 결과를 획득하는 단계, 상기 후보 모델들 각각으로부터의 출력 결과에 대한 성능 평가를 수행하는 단계 및 상기 성능 평가의 결과에 기초하여, 상기 후보 모델들 중 하나의 모델을 상기 예측 모델로 결정하는 단계를 포함할 수 있다.
일 실시예에서, 상기 특정 약물과 특정 질환에 대한 이상 반응 정보는: 특정 약물에 대한 약물 이상반응 여부를 나타내는 제 1 정보, 특정 약물에 대한 약물 이상반응 발생 확률을 나타내는 제 2 정보, 특정 질환에 대한 약물 이상반응 여부를 나타내는 제 3 정보 및 특정 질환에 대한 약물 이상반응 발생 확률을 나타내는 제 4 정보를 포함할 수 있다.
일 실시예에서 상기 방법은, 상기 약물 이상반응에 대한 상기 예측 모델의 출력 결과를 사용자 단말(user terminal)에 전송하는 단계를 포함할 수 있다.
일 실시예에서, 상기 사용자 단말에 전송되는 상기 출력 결과는: 탐지 혹은 미탐지로 구분되는, 약물 이상 반응에 대한 이중 분류를 나타내는 제 1 결과, 약물 이상 반응에 대한 확률 표기를 나타내는 제 2 결과, 또는 약물, 이상 반응 및 위험도를 연결하는 3단계 범주 표기를 나타내는 제 3 결과 중 적어도 하나의 출력 결과를 포함할 수 있다.
일 실시예에서, 상기 예측 모델로부터 출력되는 출력 결과는, 상기 출력 결과에 대해 평가된 정확도를 기반으로 상기 예측 모델을 재학습시키는데 사용될 수 있다.
일 실시예에서, 상기 예측 모델로부터의 출력 결과를 수신한 사용자 단말로부터 전송되는 상기 출력 결과에 대응되는 피드백 정보는 상기 예측 모델을 재학습시키는데 사용될 수 있다.
일 실시예에서, 컴퓨터 판독가능 저장 매체에 저장되는 컴퓨터 프로그램이 개시된다. 상기 컴퓨터 프로그램은 컴퓨팅 장치에 의해 실행 시 상기 컴퓨팅 장치로 하여금 인공지능 기술을 이용하여 약물 이상반응에 대한 예측 결과를 생성하는 동작들을 수행하도록 하며, 상기 동작들은: 약물 이상반응 탐지를 위한 로우(raw) 데이터를 이용하여 사전 결정된 시간 기간 단위로 업데이트되도록 스케줄링된 주기변환 데이터베이스를 구축하는 동작, 상기 주기변환 데이터베이스에 저장된 데이터에 기초하여, 상기 약물 이상반응 탐지를 위한 인공지능 기반의 예측 모델의 학습을 위한 복수의 입력 변수들을 결정하는 동작 및 상기 결정된 입력 변수들, 및 특정 약물과 특정 질환에 대한 이상 반응 정보를 포함하는 학습 데이터셋을 이용하여, 상기 예측 모델이 상기 입력 변수들을 입력받는 것에 응답하여 상기 특정 약물과 특정 질환에 대한 이상 반응 정보를 출력하도록, 상기 예측 모델을 학습시키는 동작을 포함할 수 있다.
일 실시예에 따른 컴퓨팅 장치가 개시된다. 상기 컴퓨팅 장치는 적어도 하나의 프로세서 및 메모리를 포함할 수 있다. 상기 적어도 하나의 프로세서는: 약물 이상반응 탐지를 위한 로우 데이터를 이용하여 사전 결정된 시간 기간 단위로 업데이트되도록 스케줄링된 주기변환 데이터베이스를 구축하는 동작, 상기 주기변환 데이터베이스에 저장된 데이터에 기초하여, 상기 약물 이상반응 탐지를 위한 인공지능 기반의 예측 모델의 학습을 위한 복수의 입력 변수들을 결정하는 동작 및 상기 결정된 입력 변수들, 및 특정 약물과 특정 질환에 대한 이상 반응 정보를 포함하는 학습 데이터셋을 이용하여, 상기 예측 모델이 상기 입력 변수들을 입력받는 것에 응답하여 상기 특정 약물과 특정 질환에 대한 이상 반응 정보를 출력하도록, 상기 예측 모델을 학습시키는 동작을 수행할 수 있다.
일 실시예에 따른 컴퓨팅 장치에 의해 수행되는 인공지능 기술을 이용하여 약물 이상반응에 대한 예측 결과를 생성하기 위한 방법이 개시된다. 상기 방법은: 약물 이상반응 탐지를 위한 로우 데이터를 이용하여 사전 결정된 시간 기간 단위로 업데이트되도록 스케줄링된 주기변환 데이터베이스에 저장된 데이터에 기초하여, 상기 약물 이상반응 탐지를 위한 입력 데이터를 획득하는 단계 및 인공지능 기반의 예측 모델을 이용하여 상기 입력 데이터로부터 특정 약물과 특정 질환에 대한 이상 반응 정보를 획득하는 단계를 포함할 수 있다.
본 개시내용의 일 실시예에 따른 방법 및 장치는 입원/외래의 구분이나 특정 약물에 대한 구분 없이 범용적인 활용이 가능하도록, 약물 이상반응에 대한 관리를 이루어 내고, 약물 안전성 분야의 선순환 구조를 만드는데 기여할 수 있다.
도 1은 본 개시내용의 일 실시예에 따른 컴퓨팅 장치의 블록 구성도를 개략적으로 도시한다.
도 2는 본 개시내용의 일 실시예에 따른 인공지능 기반 모델의 예시적인 구조를 도시한다.
도 3은 본 개시내용의 일 실시예에 따른 약물 이상반응에 대한 예측을 포함하는 모델의 출력 결과 생성 방법을 예시적으로 도시한다.
도 4는 본 개시내용의 일 실시예에 따른 전자의무기록과 주기변환 데이터베이스의 주기적 데이터 적재와 변경 내역 테이블 적재 원칙을 포함하는 주기변환 데이터베이스의 구축 순서도를 도시한다.
도 5는 본 개시내용의 일 실시예에 따른 주기변환 데이터베이스의 구축을 위한 파일들의 연동의 개념을 도시한다.
도 6은 본 개시내용의 일 실시예에 따른 데이터베이스 구축, 약물 이상반응 탐지 인공지능의 개발 및 이상 탐지 결과 알림으로 이어지는 전체적인 프로세스를 예시적으로 도시한다.
도 7은 본 개시내용의 일 실시예에 따른 컴퓨팅 환경의 개략도이다.
도 2는 본 개시내용의 일 실시예에 따른 인공지능 기반 모델의 예시적인 구조를 도시한다.
도 3은 본 개시내용의 일 실시예에 따른 약물 이상반응에 대한 예측을 포함하는 모델의 출력 결과 생성 방법을 예시적으로 도시한다.
도 4는 본 개시내용의 일 실시예에 따른 전자의무기록과 주기변환 데이터베이스의 주기적 데이터 적재와 변경 내역 테이블 적재 원칙을 포함하는 주기변환 데이터베이스의 구축 순서도를 도시한다.
도 5는 본 개시내용의 일 실시예에 따른 주기변환 데이터베이스의 구축을 위한 파일들의 연동의 개념을 도시한다.
도 6은 본 개시내용의 일 실시예에 따른 데이터베이스 구축, 약물 이상반응 탐지 인공지능의 개발 및 이상 탐지 결과 알림으로 이어지는 전체적인 프로세스를 예시적으로 도시한다.
도 7은 본 개시내용의 일 실시예에 따른 컴퓨팅 환경의 개략도이다.
다양한 실시예들이 도면을 참조하여 설명된다. 본 명세서에서, 다양한 설명들이 본 개시내용의 이해를 제공하기 위해서 제시된다. 본 개시내용의 실시를 위한 구체적인 내용을 설명하기에 앞서, 본 개시내용의 기술적 요지와 직접적 관련이 없는 구성에 대해서는 본 발명의 기술적 요지를 흩뜨리지 않는 범위 내에서 생략하였음에 유의하여야 할 것이다. 또한, 본 명세서 및 청구범위에 사용된 용어 또는 단어는 발명자가 자신의 발명을 최선의 방법으로 설명하기 위해 적절한 용어의 개념을 정의할 수 있다는 원칙에 입각하여 본 발명의 기술적 사상에 부합하는 의미와 개념으로 해석되어야 할 것이다.
본 명세서에서 사용되는 용어 "컴포넌트", "모듈", "시스템", "부" 등은 컴퓨터-관련 엔티티, 하드웨어, 펌웨어, 소프트웨어, 소프트웨어 및 하드웨어의 조합, 또는 소프트웨어의 실행을 지칭하며, 상호 교환 가능하게 사용될 수 있다. 예를 들어, 컴포넌트는 프로세서상에서 실행되는 처리과정(procedure), 프로세서, 객체, 실행 스레드, 프로그램, 및/또는 컴퓨터일 수 있지만, 이들로 제한되는 것은 아니다. 예를 들어, 컴퓨팅 장치에서 실행되는 애플리케이션 및 컴퓨팅 장치 모두 컴포넌트일 수 있다. 하나 이상의 컴포넌트는 프로세서 및/또는 실행 스레드 내에 상주할 수 있다. 일 컴포넌트는 하나의 컴퓨터 내에 로컬화 될 수 있다. 일 컴포넌트는 2개 이상의 컴퓨터들 사이에 분배될 수 있다. 또한, 이러한 컴포넌트들은 그 내부에 저장된 다양한 데이터 구조들을 갖는 다양한 컴퓨터 판독가능한 매체로부터 실행할 수 있다. 컴포넌트들은 예를 들어 하나 이상의 데이터 패킷들을 갖는 신호(예를 들면, 로컬 시스템, 분산 시스템에서 다른 컴포넌트와 상호작용하는 하나의 컴포넌트로부터의 데이터 및/또는 신호를 통해 다른 시스템과 인터넷과 같은 네트워크를 통해 전송되는 데이터)에 따라 로컬 및/또는 원격 처리들을 통해 통신할 수 있다.
더불어, 용어 "또는"은 배타적 "또는"이 아니라 내포적 "또는"을 의미하는 것으로 의도된다. 즉, 달리 특정되지 않거나 문맥상 명확하지 않은 경우에, "X는 A 또는 B를 이용한다"는 자연적인 내포적 치환 중 하나를 의미하는 것으로 의도된다. 즉, X가 A를 이용하거나; X가 B를 이용하거나; 또는 X가 A 및 B 모두를 이용하는 경우, "X는 A 또는 B를 이용한다"가 이들 경우들 어느 것으로도 적용될 수 있다. 또한, 본 명세서에 사용된 "및/또는"이라는 용어는 열거된 관련 아이템들 중 하나 이상의 아이템의 가능한 모든 조합을 지칭하고 포함하는 것으로 이해되어야 한다.
또한, "포함한다" 및/또는 "포함하는"이라는 용어는, 해당 특징 및/또는 구성요소가 존재함을 의미하는 것으로 이해되어야 한다. 다만, "포함한다" 및/또는 "포함하는"이라는 용어는, 하나 이상의 다른 특징, 구성요소 및/또는 이들의 그룹의 존재 또는 추가를 배제하지 않는 것으로 이해되어야 한다. 또한, 달리 특정되지 않거나 단수 형태를 지시하는 것으로 문맥상 명확하지 않은 경우에, 본 명세서와 청구범위에서 단수는 일반적으로 "하나 또는 그 이상"을 의미하는 것으로 해석되어야 한다.
그리고, "A 또는 B 중 적어도 하나" 또는 “A 및 B 중 적어도 하나” 라는 용어는, "A만을 포함하는 경우", "B 만을 포함하는 경우", "A와 B의 구성으로 조합된 경우"를 의미하는 것으로 해석되어야 한다.
당업자들은 추가적으로 여기서 개시된 실시예들과 관련되어 설명된 다양한 예시적인 논리적 구성요소들, 블록들, 모듈들, 회로들, 수단들, 로직들, 및 알고리즘들이 전자 하드웨어, 컴퓨터 소프트웨어, 또는 양쪽 모두의 조합들로 구현될 수 있음을 인식해야 한다. 하드웨어 및 소프트웨어의 상호교환성을 명백하게 예시하기 위해, 다양한 예시적인 구성요소들, 블록들, 수단들, 로직들, 모듈들, 회로들, 및 단계들은 그들의 기능성 측면에서 일반적으로 위에서 설명되었다. 그러한 기능성이 하드웨어로 또는 소프트웨어로서 구현되는지 여부는 전반적인 시스템에 부과된 특정 어플리케이션(application) 및 설계 제한들에 달려 있다. 숙련된 기술자들은 각각의 특정 어플리케이션들을 위해 다양한 방법들로 설명된 기능성을 구현할 수 있다. 다만, 그러한 구현의 결정들이 본 개시내용의 영역을 벗어나게 하는 것으로 해석되어서는 안 된다.
제시된 실시예들에 대한 설명은 본 개시의 기술 분야에서 통상의 지식을 가진 자가 본 발명을 이용하거나 또는 실시할 수 있도록 제공된다. 이러한 실시예들에 대한 다양한 변형들은 본 개시의 기술 분야에서 통상의 지식을 가진 자에게 명백할 것이다. 여기에 정의된 일반적인 원리들은 본 개시의 범위를 벗어남이 없이 다른 실시예들에 적용될 수 있다. 그리하여, 본 발명은 여기에 제시된 실시예 들로 한정되는 것이 아니다. 본 발명은 여기에 제시된 원리들 및 신규한 특징들과 일관되는 최광의의 범위에서 해석되어야 할 것이다.
본 개시내용에서의 제 1, 제 2, 또는 제 3 과 같이 제 N 으로 표현되는 용어들은 적어도 하나의 엔티티들을 구분하기 위해 사용된다. 예를 들어, 제 1과 제 2로 표현된 엔티티들은 서로 동일하거나 또는 상이할 수 있다.
본 개시내용에서 사용되는 용어, “약물 이상반응(ADR, Adverse Drug Reaction)”은 의약품 등을 투여 또는 사용하였을 때에 발생한 해롭고 의도하지 아니한 반응으로, 해당 의약품 등과의 인과관계를 배제할 수 없는 경우를 일컬으며, 상용량에서 생긴 이상반응 뿐만 아니라 고의 또는 실수로 약물을 과용량 사용했을 때와 약물을 남용했을 때 발생하는 약물 이상반응과 금단증상, 기대했던 약리작용이 나타나지 않는 경우도 포함할 수 있다.
이에 대한 “약물 이상반응 모니터링”이란 의약품 사용 시 나타나는 각종 유해사례 등을 신속하고 체계적으로 수집 또는 평가하여 대응 조치를 강구하고 그리고 의약전문인, 소비자 등에게 안전성 정보 및 조치 결과를 전달하는 것으로서, 합리적인 의약품 사용을 정착시키고 의약품과 관련된 피해 발생을 사전에 예방하기 위한 활동을 의미한다.
ADR과 관련된 예시로서, 부작용(side effect), 약물유해사례(adverse drug event, ADE)를 들 수 있다. 부작용은 의약품을 일정 목적으로 사용했을 때 나타나는 주작용(principal action)과 상반되는 개념으로, 정상적인 용량에 따라 약물을 투여할 경우 발생하는 모든 의도하지 않은 효과를 말한다. 치료를 목적으로 한 작용 이외의 모든 작용을 의미하는 용어이므로, 유해성의 유무에 상관없이 모든 작용을 포괄 연구하는 다양한 분야에서 활발하게 이용될 수 있는 개념이다.
약물 유해사례(ADE)는 의약품과의 인과관계에 상관없이 의약품 등의 투여 또는 사용 중 발생한 바람직하지 않고 의도되지 아니한 징후, 증상 또는 질병을 말한다.
약물 이상반응(ADR)은 의약품 등을 정상적인 용법에 따라 투여 또는 사용 중 발생한 유해하고 의도하지 않은 반응으로서 해당 의약품과의 인과관계를 배제할 수 없는 경우로, 미리 예측하고 예방 가능한 경우이므로 약사 및 의료진에 의한 관리가 중요시되는 개념이다.
약물 대사(drug metabolism)는 대부분 간에서 일어나며, 간세포의 소포체에서 사이토크롬 P450(CYP450)이라는 대사효소계에 의하여 약물의 산화·환원, 가수분해, 수화, 결합, 축합 또는 이성질체화 반응 등으로 대사 작용이 일어난다. 약동학(pharmacokinetics)의 일반적 네 가지 주요 매개변수에는 흡수(absorption), 분포(distribution), 대사(metabolism) 및 배설(excretion)이 포함된다. 용량(dose), 빈도(frequency), 투여 경로(route of administration), 조직 분포(tissue distribution) 및 약물과 수용체 등의 단백질 결합(protein binding) 약물의 대사에 영향을 미칠 수 있다. 뿐만 아닌 소화기계 질환, 심폐 순환계질환, 호흡기계 질환 신장 배설계 질환 등을 포함한 병리학적인 요인도 약물 대사에 영향을 미칠 수 있다.
본 개시내용에서의 실시예는 적응증(indication)에 대하여 투여하는 약물의 종류 및 인구통계학적 배경, 인종/개체별 유전자형/표현형, 기왕력(history) 등에 따른 인과성(causality)(예를 들어, 확실함(certain), 상당히 확실함(probable), 가능함(possible), 낮은 가능성(unlikely), 평가 곤란(conditional)), 반응 정도에 따른 분류(예를 들어, 경증(mild), 중등증(moderate), 중증(severe)), 또는 발생 빈도 등에 따른 순서로 예상 가능한 ADRs를 도출하는 단계를 포함할 수 있다.
도 1은 본 개시내용의 일 실시예에 따른 컴퓨팅 장치(100)의 블록 구성도를 개략적으로 도시한다.
본 개시의 일 실시예에 따른 컴퓨팅 장치(100)는 프로세서(110) 및 메모리(130)를 포함할 수 있다.
도 1에 도시된 컴퓨팅 장치(100)의 구성은 간략화 하여 나타낸 예시일 뿐이다. 본 개시의 일 실시예에서 컴퓨팅 장치(100)는 컴퓨팅 장치(100)의 컴퓨팅 환경을 수행하기 위한 다른 구성들이 포함될 수 있고, 개시된 구성들 중 일부만이 컴퓨팅 장치(100)를 구성할 수도 있다.
본 개시내용에서의 컴퓨팅 장치(100)는 본 개시내용의 실시예들을 구현하기 위한 시스템을 구성하는 임의의 형태의 노드를 의미할 수 있다. 컴퓨팅 장치(100)는 임의의 형태의 사용자 단말 또는 임의의 형태의 서버를 의미할 수 있다. 전술한 컴퓨팅 장치(100)의 컴포넌트들은 예시적인 것으로 일부가 제외될 수 있거나 또는 추가 컴포넌트가 포함될 수도 있다. 일례로, 전술한 컴퓨팅 장치(100)가 사용자 단말을 포함하는 경우, 출력부(미도시) 및 입력부(미도시)가 상기 컴퓨팅 장치(100)의 범위 내에 포함될 수 있다.
본 개시내용에서의 컴퓨팅 장치(100)는 후술될 본 개시내용의 실시예들에 따른 기술적 특징들을 수행할 수 있다. 예를 들어, 컴퓨팅 장치(100)는 환자의 기왕력, 약물 알러지 이력, 투여 약물 및 투여 용량 등에 대응되는 입력 데이터를 이용하는 인공지능 기반의 예측 모델을 사용하여, 입력 데이터에 대응되는 환자에게 발생 가능한 약물 이상반응들(ADRs)(예컨대, 특정 약물은 특정 개체에게 과도한 면역계 활성을 촉발하여 세포 면역 반응 cascade를 유발)을 포함하는 예측 결과를 생성할 수 있다.
추가적인 예시로, 컴퓨팅 장치(100)는 데이터베이스로부터 획득된 환자의 인구통계학 정보, 약물 복용 이력, 병력, 혈액검사 데이터(예컨대 65세, 동양인 남성, 최근 26개월 간 세로토닌 재흡수 억제제(SSRI), 디발프로산(divalproate), 최근 7개월 간 스타틴(statin)계 약물 복용, 약물 이상사례로서 복통(abdominal pain), 변비(constipation) 경험)에 대한 정보를 획득하고, 획득한 정보를 기반으로 해당 약물 또는 특정 질환에 대응되는 ADR 예측 결과를 생성하여, 약물 사용의 비용 편익 분석(cost benefit analysis)을 비롯한 대응 자료를 제공할 수 있다.
추가적인 예시로, 컴퓨팅 장치(100)는 전자의무기록을 이용해 공통데이터모델의 규격으로 변환된 주기 변환 데이터베이스를 구축함으로써, 여러 의료기관으로부터의 로우 데이터들을 보다 효율적으로 수집할 수 있다. 컴퓨팅 장치(100)는 정기적으로 업데이트 되는 주기 변환 데이터베이스를 활용함으로써 보다 최신 약물 이상 반응의 탐지를 수행하도록 구성될 수 있다.
본 개시내용의 일 실시예에서, 컴퓨팅 장치(100)는 염기 서열 분석(예컨대, Next Generation Sequencing)를 수행한 결과를 서버 또는 외부 엔티티 등으로부터 획득할 수 있다. 다른 실시예에서, 컴퓨팅 장치(100)는 피검체 유래의 생물학적 시료로부터 획득된 단백체, 유전자(예컨대, DNA 또는 RNA)에 대한 염기 서열 분석을 수행할 수도 있다. 본 개시내용에서 사용되는 용어, 염기서열 분석은 염기의 서열을 분석할 수 있는 임의의 형태의 기법들에 의해 수행될 수 있으며, 예를 들어, 전장 유전체 염기서열 분석(whole genome sequencing), 전체 엑솜 염기서열 분석(whole exome sequencing) 또는 전체 전사체 염기서열 분석(whole transcriptome sequencing)을 포함할 수 있으나, 이에 제한되는 것은 아니다.
본 개시내용에서 사용되는 용어, 피검체는 타액, 모근, 단백체, 유전자 및/또는 이들의 결합체를 포함하는 생물학적 시료를 획득하기 위한 대상체 또는 개체를 의미할 수 있다.
본 개시내용에서 사용되는 용어, 시료는 유전자 게놈 및/또는 유전자 표현형을 결정하고자 하는 대상체 또는 개체로부터 획득된 것이라면 제한 없이 사용할 수 있으며, 예를 들어 생검 등으로 얻어진 세포나 조직, 혈액, 전혈, 혈청, 혈장, 타액, 뇌척수액, 각종 분비물, 소변 및/또는 대변 등일 수 있다. 바람직하게 시료는 혈액, 혈장, 혈청, 타액, 비액, 객담, 복수, 질 분비물 및/또는 소변으로 이루어진 군에서 선택될 수 있으며, 보다 바람직하게는 혈액, 혈장 또는 혈청일 수 있다. 상기 시료는 검출 또는 진단에 사용하기 전에 사전처리할 수 있다. 예를 들어, 사전처리 방법은 균질화(homogenization), 여과, 증류, 추출, 농축, 방해 성분의 불활성화, 및/또는 시약의 첨가 등을 포함할 수 있다. 본 개시내용에서, 생물학적 시료는 조직, 세포, 전혈, 및/또는 혈액인 것일 수 있으나, 이에 국한되는 것은 아니다.
일 실시예에서, 프로세서(110)는 적어도 하나의 코어로 구성될 수 있으며, 컴퓨팅 장치(100)의 중앙 처리 장치(CPU: central processing unit), 범용 그래픽 처리 장치 (GPGPU: general purpose graphics processing unit), 텐서 처리 장치(TPU: tensor processing unit) 등의 데이터 분석 및/또는 처리를 위한 프로세서를 포함할 수 있다.
프로세서(110)는 메모리(130)에 저장된 컴퓨터 프로그램을 판독하여 본 개시내용의 일 실시예에 따라, 약물 이상사례(ADE)의 발생 여부 및/또는 확률을 포함하는 예측 결과를 생성할 수 있다.
본 개시의 일 실시예에 따라 프로세서(110)는 신경망의 학습을 위한 연산을 수행할 수도 있다. 프로세서(110)는 딥러닝(DL: deep learning)에서 학습을 위한 입력 데이터의 처리, 입력 데이터에서의 피쳐 추출, 오차 계산, 역전파(backpropagation)를 이용한 신경망의 가중치 업데이트 등의 신경망의 학습을 위한 계산을 수행할 수 있다. 프로세서(110)의 CPU, GPGPU, 및 TPU 중 적어도 하나가 네트워크 함수의 학습을 처리할 수 있다. 예를 들어, CPU 와 GPGPU가 함께 네트워크 함수의 학습, 네트워크 함수를 이용한 데이터 분류를 처리할 수 있다. 또한, 본 개시의 일 실시예에서 복수의 컴퓨팅 장치들의 프로세서들을 함께 사용하여 네트워크 함수의 학습, 네트워크 함수를 이용한 데이터 분류를 처리할 수도 있다. 또한, 본 개시의 일 실시예에 따른 컴퓨팅 장치에서 수행되는 컴퓨터 프로그램은 CPU, GPGPU 또는 TPU 실행가능 프로그램일 수 있다.
추가적으로, 프로세서(110)는 통상적으로 컴퓨팅 장치(100)의 전반적인 동작을 처리할 수 있다. 예를 들어, 프로세서(110)는 컴퓨팅 장치(100)에 포함된 구성요소들을 통해 입력 또는 출력되는 데이터, 정보, 또는 신호 등을 처리하거나 저장부에 저장된 응용 프로그램을 구동함으로써, 사용자에게 적절한 정보 또는 기능을 제공 또는 처리할 수 있다.
본 개시의 일 실시예에 따르면, 메모리(130)는 프로세서(110)가 생성하거나 결정한 임의의 형태의 정보 및 컴퓨팅 장치(100)가 수신한 임의의 형태의 정보를 저장할 수 있다. 본 개시의 일 실시예에 따르면, 메모리(130)는 프로세서(110)가 본 개시의 실시예들에 따른 동작을 수행하도록 하는 컴퓨터 소프트웨어를 저장하는 저장매체 일 수 있다. 따라서, 메모리(130)는 본 개시내용에 실시예들을 수행하는 데 필요한 소프트웨어 코드, 코드의 실행 대상이 되는 데이터, 코드의 실행 결과를 저장하기 위한 컴퓨터 판독 매체들을 의미할 수 있다.
본 개시의 일 실시예에 따르면, 메모리(130)는 임의의 타입의 저장 매체를 의미할 수 있다 예를 들어, 메모리(130)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(Random Access Memory, RAM), SRAM(Static Random Access Memory), 롬(Read-Only Memory, ROM), 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. 컴퓨팅 장치(100)는 인터넷(internet) 상에서 상기 메모리(130)의 저장 기능을 수행하는 웹 스토리지(web storage)와 관련되어 동작할 수도 있다. 전술한 메모리에 대한 기재는 예시일 뿐, 본 개시내용에서 사용되는 메모리(130)는 전술한 예시들로 제한되지 않는다.
본 개시내용에서의 통신부(미도시)는 유선 및 무선 등과 같은 그 통신 양태를 가리지 않고 구성될 수 있으며, 단거리 통신망(PAN: Personal Area Network), 근거리 통신망(WAN: Wide Area Network) 등 다양한 통신망으로 구성될 수 있다. 또한, 상기 통신부는 공지의 월드와이드웹(WWW: World Wide Web) 기반으로 동작할 수 있으며, 적외선(IrDA: Infrared Data Association) 또는 블루투스(Bluetooth)와 같이 단거리 통신에 이용되는 무선 전송 기술을 이용할 수도 있다.
본 개시내용에서의 컴퓨팅 장치(100)는 임의의 형태의 사용자 단말 및/또는 임의의 형태의 서버를 포함할 수 있다. 따라서, 본 개시내용의 실시예들은 서버 및/또는 사용자 단말에 의해 수행될 수 있다.
사용자 단말은 서버 또는 다른 컴퓨팅 장치와 상호작용 가능한 임의의 형태의 단말을 포함할 수 있다. 사용자 단말은 예를 들어, 휴대폰, 스마트 폰(smart phone), 노트북 컴퓨터(laptop computer), PDA(personal digital assistants), 슬레이트 PC(slate PC), 태블릿 PC(tablet PC) 및 울트라북(ultra-book)을 포함할 수 있다. 서버는 예를 들어, 마이크로프로세서, 메인프레임 컴퓨터, 디지털 프로세서, 휴대용 디바이스 및 디바이스 제어기 등과 같은 임의의 타입의 컴퓨팅 시스템 또는 컴퓨팅 장치를 포함할 수 있다.
추가적인 실시예에서 전술한 서버는 약물 복용 정보와 복용에 따른 반응, 전자의무기록(EMR, electronic medical record), 진단검사 데이터, 질병 진단 데이터, 간호기록지 등을 저장 및 관리하는 엔티티를 의미할 수도 있다. 서버는 공통 데이터모델의 규격으로 변환된 데이터베이스를 통해 여러 의료기관들로부터 의료 데이터들을 보다 효율적으로 수집할 수 있으며, 정기적으로 업데이트되는 데이터베이스를 활용하여 최신 약물 이상반응의 탐지가 가능하도록 관련 정보들을 저장하기 위한 저장부(미도시)를 포함할 수 있다. 일례로, 저장부는 서버내에 포함되거나 혹은 서버의 관리 하에 존재할 수 있다. 다른 예시로, 저장부는 서버 외부에 존재하여 서버와 통신가능한 형태로 구현될 수도 있다. 이 경우 서버와는 상이한 다른 외부 서버에 의해 저장부가 관리 및 제어될 수 있다.
도 2는 본 개시내용의 일 실시예에 따른 인공지능 기반 모델의 예시적인 구조를 도시한다.
본 명세서에 걸쳐, 예측 모델, 인공지능 기반의 예측 모델, 인공지능 모델, 인공지능 기반 모델, 연산 모델, 신경망, 네트워크 함수, 뉴럴 네트워크(neural network)는 동일한 의미로 사용될 수 있다.
신경망은 일반적으로 노드(node)라 지칭될 수 있는 상호 연결된 계산 단위들의 집합으로 구성될 수 있다. 이러한 노드들은 뉴런(neuron)들로 지칭될 수도 있다. 신경망은 적어도 하나 이상의 노드들을 포함하여 구성된다. 신경망들을 구성하는 노드(또는 뉴런)들은 하나 이상의 링크에 의해 상호 연결될 수 있다.
신경망 내에서, 링크를 통해 연결된 하나 이상의 노드들은 상대적으로 입력 노드 및 출력 노드의 관계를 형성할 수 있다. 입력 노드 및 출력 노드의 개념은 상대적인 것으로서, 하나의 노드에 대하여 출력 노드 관계에 있는 임의의 노드는 다른 노드와의 관계에서 입력 노드 관계에 있을 수 있으며, 그 역도 성립할 수 있다. 상술한 바와 같이, 입력 노드 대 출력 노드 관계는 링크를 중심으로 생성될 수 있다. 하나의 입력 노드에 하나 이상의 출력 노드가 링크를 통해 연결될 수 있으며, 그 역도 성립할 수 있다.
하나의 링크를 통해 연결된 입력 노드 및 출력 노드 관계에서, 출력 노드의 데이터는 입력 노드에 입력된 데이터에 기초하여 그 값이 결정될 수 있다. 여기서 입력 노드와 출력 노드를 상호 연결하는 링크는 가중치(weight)를 가질 수 있다. 가중치는 가변적일 수 있으며, 신경망이 원하는 기능을 수행하기 위해, 사용자 또는 알고리즘에 의해 가변 될 수 있다. 예를 들어, 하나의 출력 노드에 하나 이상의 입력 노드가 각각의 링크에 의해 상호 연결된 경우, 출력 노드는 상기 출력 노드와 연결된 입력 노드들에 입력된 값들 및 각각의 입력 노드들에 대응하는 링크에 설정된 가중치에 기초하여 출력 노드 값을 결정할 수 있다.
상술한 바와 같이, 신경망은 하나 이상의 노드들이 하나 이상의 링크를 통해 상호 연결되어 신경망 내에서 입력 노드 및 출력 노드 관계를 형성한다. 신경망 내에서 노드들과 링크들의 개수 및 노드들과 링크들 사이의 연관관계, 링크들 각각에 부여된 가중치의 값에 따라, 신경망의 특성이 결정될 수 있다. 예를 들어, 동일한 개수의 노드 및 링크들이 존재하고, 링크들의 가중치 값이 상이한 두 신경망이 존재하는 경우, 두 개의 신경망들은 서로 상이한 것으로 인식될 수 있다.
신경망은 하나 이상의 노드들의 집합으로 구성될 수 있다. 신경망을 구성하는 노드들의 부분 집합은 레이어(layer)를 구성할 수 있다. 신경망을 구성하는 노드들 중 일부는, 최초 입력 노드로부터의 거리들에 기초하여, 하나의 레이어를 구성할 수 있다. 예를 들어, 최초 입력 노드로부터 거리가 n인 노드들의 집합은, n 레이어를 구성할 수 있다. 최초 입력 노드로부터 거리는, 최초 입력 노드로부터 해당 노드까지 도달하기 위해 거쳐야 하는 링크들의 최소 개수에 의해 정의될 수 있다. 그러나, 이러한 레이어의 정의는 설명을 위한 임의적인 것으로서, 신경망 내에서 레이어의 차수는 상술한 것과 상이한 방법으로 정의될 수 있다. 예를 들어, 노드들의 레이어는 최종 출력 노드로부터 거리에 의해 정의될 수도 있다.
본 개시내용의 일 실시예에서, 뉴런들 또는 노드들의 집합은 레이어라는 표현으로 정의될 수 있다.
최초 입력 노드는 신경망 내의 노드들 중 다른 노드들과의 관계에서 링크를 거치지 않고 데이터가 직접 입력되는 하나 이상의 노드들을 의미할 수 있다. 또는, 신경망 네트워크 내에서, 링크를 기준으로 한 노드 간의 관계에 있어서, 링크로 연결된 다른 입력 노드들을 가지지 않는 노드들을 의미할 수 있다. 이와 유사하게, 최종 출력 노드는 신경망 내의 노드들 중 다른 노드들과의 관계에서, 출력 노드를 가지지 않는 하나 이상의 노드들을 의미할 수 있다. 또한, 히든 노드는 최초 입력 노드 및 최후 출력 노드가 아닌 신경망을 구성하는 노드들을 의미할 수 있다.
본 개시의 일 실시예에 따른 신경망은 입력 레이어의 노드의 개수가 출력 레이어의 노드의 개수와 동일할 수 있으며, 입력 레이어에서 히든 레이어(hidden layer, 은닉층)로 진행됨에 따라 노드의 수가 감소하다가 다시 증가하는 형태의 신경망일 수 있다. 또한, 본 개시의 다른 일 실시예에 따른 신경망은 입력 레이어의 노드의 개수가 출력 레이어의 노드의 개수 보다 적을 수 있으며, 입력 레이어에서 히든 레이어로 진행됨에 따라 노드의 수가 감소하는 형태의 신경망일 수 있다. 또한, 본 개시의 또 다른 일 실시예에 따른 신경망은 입력 레이어의 노드의 개수가 출력 레이어의 노드의 개수보다 많을 수 있으며, 입력 레이어에서 히든 레이어로 진행됨에 따라 노드의 수가 증가하는 형태의 신경망일 수 있다. 본 개시의 또 다른 일 실시예에 따른 신경망은 상술한 신경망들의 조합된 형태의 신경망일 수 있다.
딥 뉴럴 네트워크(DNN: deep neural network, 심층신경망)는 입력 레이어와 출력 레이어 외에 복수의 히든 레이어를 포함하는 신경망을 의미할 수 있다. 딥 뉴럴 네트워크를 이용하면 데이터의 잠재적인 구조(latent structures)를 파악할 수 있다. 즉, 유전자 시퀀스 구조, 아미노산 서열의 구조, 단백질 시퀀스 구조, 약물과 ADR 간의 인과성 및/또는 발생 증상과 ADR 간 연관 확률, 사진, 글, 비디오, 음성, 이들의 잠재적인 구조(예를 들어, 어떤 물체가 사진에 있는지, 글의 내용과 감정이 무엇인지, 음성의 내용과 감정이 무엇인지 등)를 파악할 수 있다. 딥 뉴럴 네트워크는 컨볼루션 뉴럴 네트워크(CNN: convolutional neural network), 리커런트 뉴럴 네트워크(RNN: recurrent neural network), 오토 인코더(auto encoder), 적대적 생성 네트워크(GAN: Generative Adversarial Network), 제한 볼츠만 머신(RBM: Restricted Boltzmann Machine), 심층 신뢰 네트워크(DBN: deep belief network), Q 네트워크, U 네트워크, 샴 네트워크 등을 포함할 수 있다. 전술한 딥 뉴럴 네트워크의 기재는 예시일 뿐이며, 본 개시는 이에 제한되지 않는다.
예시적으로, 본 개시내용의 인공지능 기반의 예측 모델은, 랜덤 포레스트(Random Forest), 로지스틱 회귀(Logistic Regression), 서포트 벡터 머신(Support Vector Machine), 결정 트리(Decision Tree), 나이브 베이즈(Naive Bayes), K-최근접 이웃(k-Nearest Neighbor), XGBoost, LightGBM, CatBoost, 순환 신경망(RNN, Recurrent Neural Network), LSTM(Long Short Term Memory) 네트워크, BiLSTM(Bidirectional Long Short Term Memory) 네트워크, 트랜스포머, 생성형 사전학습 트랜스포머(GPT), BERT(Bidirectional Encoder Representations from Transformers), SpanBERT, GRU(Gated Recurrent Unit), 또는 BiGRU(Bidirectional Gated Recurrent Unit)를 포함할 수 있다.
본 개시내용의 인공지능 기반의 예측 모델은 입력 레이어, 히든 레이어 및 출력 레이어를 포함하는 전술한 임의의 구조의 네트워크 구조에 의해 표현될 수 있다.
본 개시내용의 인공지능 기반 모델에서 사용될 수 있는 뉴럴 네트워크는 지도 학습(supervised learning), 비지도 학습(unsupervised learning), 반-지도 학습(semi-supervised learning), 또는 강화학습(reinforcement learning), 분산 딥러닝을 위한 연합학습(Federated Learning), 점진학습(incremental learning) 중 적어도 하나의 방식으로 학습될 수 있다. 뉴럴 네트워크의 학습은 뉴럴 네트워크가 특정한 동작을 수행하기 위한 지식을 뉴럴 네트워크에 적용하는 과정일 수 있다. 일례로, 본 개시내용의 일 실시예에 따른 예측 모델은 환자의 유전 게놈 정보, 복용 약물과 잠재적인 약물 이상사례를 의미하는 증상들 또는 증상들 중 적어도 일부에 마스크(mask)를 적용한 이후, 마스킹된(masked) 증상(예컨대, 약물 이상반응)을 맞추는 반-지도 학습(semi-supervised learning) 방법으로 학습될 수 있다. 이 때, 복용 약물과 잠재적인 약물 이상반응들 중 적어도 일부는 라벨링된(labeled) 데이터로서 상기 예측 모델의 학습 데이터로 사용되며, 나머지 일부는 라벨링되지 아니한(unlabeled) 데이터로서 상기 예측 모델의 학습 데이터로 사용될 수 있다.
뉴럴 네트워크는 출력의 오류를 최소화하는 방향으로 학습될 수 있다. 뉴럴 네트워크의 학습에서 반복적으로 학습 데이터를 뉴럴 네트워크에 입력시키고 학습 데이터에 대한 뉴럴 네트워크의 출력과 타겟의 에러를 계산하고, 에러를 줄이기 위한 방향으로 뉴럴 네트워크의 에러를 뉴럴 네트워크의 출력 레이어에서부터 입력 레이어 방향으로 역전파(backpropagation)하여 뉴럴 네트워크의 각 노드의 가중치를 업데이트 하는 과정이다. 지도 학습의 경우 각각의 학습 데이터에 정답이 라벨링되어있는 학습 데이터를 사용하며(즉, 라벨링된 학습 데이터), 비지도 학습의 경우는 각각의 학습 데이터에 정답이 라벨링되어 있지 않을 수 있다. 즉, 예를 들어 데이터 분류에 관한 지도 학습의 경우의 학습 데이터는 학습 데이터 각각에 카테고리가 라벨링된 데이터일 수 있다. 라벨링된 학습 데이터가 뉴럴 네트워크에 입력되고, 뉴럴 네트워크의 출력(카테고리)과 학습 데이터의 라벨을 비교함으로써 오류(error)가 계산될 수 있다.
다른 예로, 데이터 분류에 관한 비지도 학습의 경우 입력인 학습 데이터가 뉴럴 네트워크 출력과 비교됨으로써 오류가 계산될 수 있다. 계산된 오류는 뉴럴 네트워크에서 역방향(즉, 출력 레이어에서 입력 레이어 방향)으로 역전파되며, 역전파에 따라 뉴럴 네트워크의 각 레이어의 각 노드들의 연결 가중치가 업데이트될 수 있다. 업데이트되는 각 노드의 연결 가중치는 학습률(learning rate)에 따라 변화량이 결정될 수 있다. 입력 데이터에 대한 뉴럴 네트워크의 계산과 에러의 역전파는 학습 사이클(epoch)을 구성할 수 있다. 학습률은 뉴럴 네트워크의 학습 사이클의 반복 횟수에 따라 상이하게 적용될 수 있다. 예를 들어, 뉴럴 네트워크의 학습 초기에는 높은 학습률을 사용하여 뉴럴 네트워크가 빠르게 일정 수준의 성능을 확보하도록 하여 효율성을 높이고, 학습 후기에는 낮은 학습률을 사용하여 정확도를 높일 수 있다.
뉴럴 네트워크의 학습에서 일반적으로 학습 데이터는 실제 데이터(즉, 학습된 뉴럴 네트워크를 이용하여 처리하고자 하는 데이터)의 부분집합일 수 있으며, 따라서, 학습 데이터에 대한 오류는 감소하나 실제 데이터에 대해서는 오류가 증가하는 학습 사이클이 존재할 수 있다. 과적합(overfitting)은 이와 같이 학습 데이터에 과하게 학습하여 실제 데이터에 대한 오류가 증가하는 현상이다. 예를 들어, 노란색 고양이를 보여 고양이를 학습한 뉴럴 네트워크가 노란색 이외의 고양이를 보고는 고양이임을 인식하지 못하는 현상이 과적합의 일종일 수 있다. 과적합은 머신러닝 알고리즘의 오류를 증가시키는 원인으로 작용할 수 있다. 이러한 과적합을 막기 위하여 다양한 최적화 방법이 사용될 수 있다. 과적합을 막기 위해서는 학습 데이터를 증가시키거나, 레귤라리제이션(regularization), 학습의 과정에서 네트워크의 노드 일부를 비활성화하는 드롭아웃(dropout), 배치 정규화 레이어(batch normalization layer) 활용 등의 방법이 적용될 수 있다.
본 개시의 일 실시예에 따른 데이터 구조를 저장한 컴퓨터 판독가능 매체가 개시된다. 전술한 데이터 구조는 본 개시내용에서의 저장부에 저장될 수 있으며, 프로세서에 의해 실행될 수 있으며 그리고 통신부에 의해 송수신될 수 있다.
데이터 구조는 데이터에 효율적인 접근 및 수정을 가능하게 하는 데이터의 조직, 관리, 저장을 의미할 수 있다. 데이터 구조는 특정 문제(예를 들어, 최단 시간으로 데이터 검색, 데이터 저장, 데이터 수정) 해결을 위한 데이터의 조직을 의미할 수 있다. 데이터 구조는 특정한 데이터 처리 기능을 지원하도록 설계된, 데이터 요소들 간의 물리적이거나 논리적인 관계로 정의될 수도 있다. 데이터 요소들 간의 논리적인 관계는 사용자 정의 데이터 요소들 간의 연결관계를 포함할 수 있다. 데이터 요소들 간의 물리적인 관계는 컴퓨터 판독가능 저장매체(예를 들어, 영구 저장 장치)에 물리적으로 저장되어 있는 데이터 요소들 간의 실제 관계를 포함할 수 있다. 데이터 구조는 구체적으로 데이터의 집합, 데이터 간의 관계, 데이터에 적용할 수 있는 함수 또는 명령어를 포함할 수 있다. 효과적으로 설계된 데이터 구조를 통해 컴퓨팅 장치는 컴퓨팅 장치의 자원을 최소한으로 사용하면서 연산을 수행할 수 있다. 구체적으로 컴퓨팅 장치는 효과적으로 설계된 데이터 구조를 통해 연산, 읽기, 삽입, 삭제, 비교, 교환, 검색의 효율성을 높일 수 있다.
데이터 구조는 데이터 구조의 형태에 따라 선형 데이터 구조와 비선형 데이터 구조로 구분될 수 있다. 선형 데이터 구조는 하나의 데이터 뒤에 하나의 데이터만이 연결되는 구조일 수 있다. 선형 데이터 구조는 리스트(List), 스택(Stack), 큐(Queue), 데크(Deque)를 포함할 수 있다. 리스트는 내부적으로 순서가 존재하는 일련의 데이터 집합을 의미할 수 있다. 리스트는 연결 리스트(Linked List)를 포함할 수 있다. 연결 리스트는 각각의 데이터가 포인터를 가지고 한 줄로 연결되어 있는 방식으로 데이터가 연결된 데이터 구조일 수 있다. 연결 리스트에서 포인터는 다음이나 이전 데이터와의 연결 정보를 포함할 수 있다. 연결 리스트는 형태에 따라 단일 연결 리스트, 이중 연결 리스트, 원형 연결 리스트로 표현될 수 있다. 스택은 제한적으로 데이터에 접근할 수 있는 데이터 나열 구조일 수 있다. 스택은 데이터 구조의 한 쪽 끝에서만 데이터를 처리(예를 들어, 삽입 또는 삭제)할 수 있는 선형 데이터 구조일 수 있다. 스택에 저장된 데이터는 늦게 들어갈수록 빨리 나오는 데이터 구조(LIFO-Last in First Out)일 수 있다. 큐는 제한적으로 데이터에 접근할 수 있는 데이터 나열 구조로서, 스택과 달리 늦게 저장된 데이터일수록 늦게 나오는 데이터 구조(FIFO-First in First Out)일 수 있다. 데크는 데이터 구조의 양 쪽 끝에서 데이터를 처리할 수 있는 데이터 구조일 수 있다.
비선형 데이터 구조는 하나의 데이터 뒤에 복수개의 데이터가 연결되는 구조일 수 있다. 비선형 데이터 구조는 그래프(Graph) 데이터 구조를 포함할 수 있다. 그래프 데이터 구조는 정점(Vertex)과 간선(Edge)으로 정의될 수 있으며 간선은 서로 다른 두개의 정점을 연결하는 선을 포함할 수 있으며, 그래프 데이터 구조 트리(Tree) 데이터 구조를 포함할 수 있다. 트리 데이터 구조는 트리에 포함된 복수개의 정점 중에서 서로 다른 두개의 정점을 연결시키는 경로가 하나인 데이터 구조일 수 있다. 즉, 그래프 데이터 구조에서 루프(loop)를 형성하지 않는 데이터 구조일 수 있다.
본 명세서에 걸쳐, 예측 모델, 인공지능 기반 모델, 연산 모델, 신경망, 네트워크 함수, 뉴럴 네트워크(neural network)는 상호교환 가능한 의미로 사용될 수 있다. 이하에서는 신경망으로 통일하여 기술한다. 데이터 구조는 신경망을 포함할 수 있다. 그리고 신경망을 포함한 데이터 구조는 컴퓨터 판독가능 매체에 저장될 수 있다. 신경망을 포함한 데이터 구조는 또한 신경망에 의한 처리를 위하여 전처리(preprocessing)된 데이터, 신경망에 입력되는 데이터, 신경망의 가중치, 신경망의 하이퍼파라미터(hyperparameter), 신경망으로부터 획득한 데이터, 신경망의 각 노드 또는 레이어와 연관된 활성 함수(activation function), 신경망의 학습을 위한 손실 함수(lost function) 등을 포함할 수 있다. 신경망을 포함한 데이터 구조는 상기 개시된 구성들 중 임의의 구성 요소들을 포함할 수 있다. 즉 신경망을 포함한 데이터 구조는 신경망에 의한 처리를 위하여 전처리된 데이터, 신경망에 입력되는 데이터, 신경망의 가중치, 신경망의 하이퍼파라미터, 신경망으로부터 획득한 데이터, 신경망의 각 노드 또는 레이어와 연관된 활성 함수, 신경망의 학습을 위한 손실 함수 등 전부 또는 이들의 임의의 조합을 포함하여 구성될 수 있다. 전술한 구성들 이외에도, 신경망을 포함한 데이터 구조는 신경망의 특성을 결정하는 임의의 다른 정보를 포함할 수 있다. 또한, 데이터 구조는 신경망의 연산 과정에 사용되거나 발생되는 모든 형태의 데이터를 포함할 수 있으며 전술한 사항에 제한되는 것은 아니다. 컴퓨터 판독가능 매체는 컴퓨터 판독가능 기록 매체 및/또는 컴퓨터 판독가능 전송 매체를 포함할 수 있다. 신경망은 일반적으로 노드라 지칭될 수 있는 상호 연결된 계산 단위들의 집합으로 구성될 수 있다. 이러한 노드들은 뉴런들로 지칭될 수도 있다. 신경망은 적어도 하나 이상의 노드들을 포함하여 구성된다.
데이터 구조는 신경망에 입력되는 데이터를 포함할 수 있다. 신경망에 입력되는 데이터를 포함하는 데이터 구조는 컴퓨터 판독가능 매체에 저장될 수 있다. 신경망에 입력되는 데이터는 신경망 학습 과정에서 입력되는 학습 데이터 및/또는 학습이 완료된 신경망에 입력되는 입력 데이터를 포함할 수 있다. 신경망에 입력되는 데이터는 전처리를 거친 데이터 및/또는 전처리 대상이 되는 데이터를 포함할 수 있다. 전처리는 데이터를 신경망에 입력시키기 위한 데이터 처리 과정을 포함할 수 있다. 따라서 데이터 구조는 전처리 대상이 되는 데이터 및 전처리로 발생되는 데이터를 포함할 수 있다. 전술한 데이터 구조는 예시일 뿐 본 개시는 이에 국한되지 않는다.
데이터 구조는 신경망의 가중치를 포함할 수 있다(본 명세서에서 가중치, 파라미터는 동일한 의미로 사용될 수 있다). 그리고 신경망의 가중치를 포함한 데이터 구조는 컴퓨터 판독가능 매체에 저장될 수 있다. 신경망은 복수개의 가중치를 포함할 수 있다. 가중치는 가변적일 수 있으며, 신경망이 원하는 기능을 수행하기 위해, 사용자 또는 알고리즘에 의해 가변 될 수 있다. 예를 들어, 하나의 출력 노드에 하나 이상의 입력 노드가 각각의 링크에 의해 상호 연결된 경우, 출력 노드는 상기 출력 노드와 연결된 입력 노드들에 입력된 값들 및 각각의 입력 노드들에 대응하는 링크에 설정된 가중치에 기초하여 출력 노드에서 출력되는 데이터 값을 결정할 수 있다. 전술한 데이터 구조는 예시일 뿐 본 개시는 이에 국한되지 않는다.
제한이 아닌 예로서, 가중치는 신경망 학습 과정에서 가변되는 가중치 및/또는 신경망 학습이 완료된 가중치를 포함할 수 있다. 신경망 학습 과정에서 가변되는 가중치는 학습 사이클이 시작되는 시점의 가중치 및/또는 학습 사이클 동안 가변되는 가중치를 포함할 수 있다. 신경망 학습이 완료된 가중치는 학습 사이클이 완료된 가중치를 포함할 수 있다. 따라서 신경망의 가중치를 포함한 데이터 구조는 신경망 학습 과정에서 가변되는 가중치 및/또는 신경망 학습이 완료된 가중치를 포함한 데이터 구조를 포함할 수 있다. 그러므로 상술한 가중치 및/또는 각 가중치의 조합은 신경망의 가중치를 포함한 데이터 구조에 포함되는 것으로 한다. 전술한 데이터 구조는 예시일 뿐 본 개시는 이에 국한되지 않는다.
신경망의 가중치를 포함한 데이터 구조는 직렬화(serialization) 과정을 거친 후 컴퓨터 판독가능 저장 매체(예를 들어, 메모리, 하드 디스크)에 저장될 수 있다. 직렬화는 데이터 구조를 동일하거나 다른 컴퓨팅 장치에 저장하고 나중에 다시 재구성하여 사용할 수 있는 형태로 변환하는 과정일 수 있다. 컴퓨팅 장치는 데이터 구조를 직렬화하여 네트워크를 통해 데이터를 송수신할 수 있다. 직렬화된 신경망의 가중치를 포함한 데이터 구조는 역직렬화(deserialization)를 통해 동일한 컴퓨팅 장치 또는 다른 컴퓨팅 장치에서 재구성될 수 있다. 신경망의 가중치를 포함한 데이터 구조는 직렬화에 한정되는 것은 아니다. 나아가 신경망의 가중치를 포함한 데이터 구조는 컴퓨팅 장치의 자원을 최소한으로 사용하면서 연산의 효율을 높이기 위한 데이터 구조(예를 들어, 비선형 데이터 구조에서 B-Tree, R-Tree, Trie, m-way search tree, AVL tree, Red-Black Tree)를 포함할 수 있다. 전술한 사항은 예시일 뿐 본 개시는 이에 국한되지 않는다.
데이터 구조는 신경망의 하이퍼파라미터를 포함할 수 있다. 그리고 신경망의 하이퍼파라미터를 포함한 데이터 구조는 컴퓨터 판독가능 매체에 저장될 수 있다. 하이퍼파라미터는 사용자에 의해 가변되는 변수일 수 있다. 하이퍼파라미터는 예를 들어, 학습률(learning rate), 비용 함수(cost function), 학습 사이클 반복 횟수, 가중치 초기화(weight initialization)(예를 들어, 가중치 초기화 대상이 되는 가중치 값의 범위 설정), Hidden Unit의 개수(예를 들어, 히든 레이어의 개수, 히든 레이어의 노드 수)를 포함할 수 있다. 전술한 데이터 구조는 예시일 뿐 본 개시는 이에 국한되지 않는다.
본 개시의 일 실시예에 따른 예측 모델에 대한 네트워크 함수로서 트랜스포머(transformer)가 고려될 수도 있다. 일례로, 예측 모델은 트랜스포머 기반으로 동작될 수 있다. 이러한 예측 모델은 예를 들어, 어텐션(attention) 알고리즘이 적용된 순환 신경망 또는 어텐션 알고리즘이 적용된 트랜스포머를 사용하여 동작될 수 있다.
일 실시예에서, 트랜스포머는 임베딩된 데이터들을 인코딩하는 인코더 및 인코딩된 데이터들을 디코딩하는 디코더로 구성될 수 있다. 트랜스포머는 일련의 데이터(series of data)들을 수신하여, 인코딩 및 디코딩 단계를 거처 상이한 타입의 일련의 데이터들을 출력하는 구조를 지닐 수 있다. 일 실시예에서, 일련의 데이터들은 트랜스포머가 연산가능한 형태로 가공될 수 있다. 일련의 데이터들을 트랜스포머가 연산가능한 형태로 가공하는 과정은 임베딩 과정을 포함할 수 있다. 데이터 토큰, 임베딩 벡터, 임베딩 토큰 등과 같은 표현들은, 트랜스포머가 처리할 수 있는 형태로 임베딩된 데이터들을 지칭하는 것일 수 있다.
트랜스포머가 일련의 데이터들을 인코딩 및 디코딩하기 위하여, 트랜스포머 내의 인코더 및 디코더들을 어텐션 알고리즘을 활용하여 처리할 수 있다. 어텐션 알고리즘이란 주어진 쿼리(Query)에 대하여, 하나 이상의 키(Key)에 대한 유사도를 구하고, 이렇게 주어진 유사도를, 각각의 키(Key)와 대응하는 값(Value)에 반영한 후, 유사도가 반영된 값(Value)들을 가중합하여 어텐션 값을 계산하는 알고리즘을 의미할 수 있다.
쿼리(Query), 키(Key) 및 값(Value)를 어떻게 설정하는가에 따라, 다양한 종류의 어텐션 알고리즘이 분류될 수 있다. 예를 들어, 쿼리, 키 및 값을 모두 동일하게 설정하여 어텐션을 구하는 경우, 이는 셀프-어텐션(self-attention) 알고리즘을 의미할 수 있다. 입력된 일련의 데이터들을 병렬로 처리하기 위해, 임베딩 벡터를 차원을 축소하여, 각 분할된 임베딩 벡터에 대해 개별적인 어텐션 헤드를 구하여 어텐션을 구하는 경우, 이는 멀티-헤드(multi-head) 어텐션 알고리즘을 의미할 수 있다.
일 실시예에서, 트랜스포머는 복수의 멀티-헤드 셀프-어텐션 알고리즘 또는 멀티-헤드 인코더-디코더 알고리즘을 수행하는 모듈들로 구성될 수 있다. 일 실시예에서, 트랜스포머는 임베딩 레이어, 정규화 레이어, 소프트맥스(softmax) 층 등 어텐션 알고리즘이 아닌 부가적인 구성요소들 또한 포함할 수 있다. 어텐션 알고리즘을 이용하여 트랜스포머를 구성하는 방법은 Vaswani et al., Attention Is All You Need, 2017 NIPS에 개시된 방법을 포함할 수 있으며, 이는 여기에 참조로서 통합된다.
트랜스포머는 임베딩된 자연어, 임베딩된 시퀀스 정보, 분할된 이미지 데이터, 오디오 파형 등 다양한 데이터 도메인에 적용하여, 일련의 입력 데이터를 일련의 출력 데이터로 변환할 수 있다. 다양한 데이터 도메인을 가진 데이터들을 트랜스포머에 입력가능한 일련의 데이터들로 변환하기 위해, 트랜스포머는 데이터들을 임베딩할 수 있다. 트랜스포머는 일련의 입력 데이터 사이의 상대적 위치관계 또는 위상관계를 표현하는 추가적인 데이터를 처리할 수 있다. 또는 일련의 입력 데이터에 입력 데이터들 사이의 상대적인 위치관계 또는 위상관계를 표현하는 벡터들이 추가적으로 반영되어 일련의 입력 데이터가 임베딩될 수 있다. 일 예에서, 일련의 입력 데이터 사이의 상대적 위치관계는, 자연어 문장 내에서의 어순, 각각의 분할된 이미지의 상대적 위치 관계, 분할된 오디오 파형의 시간 순서 등을 포함할 수 있으나, 이에 제한되지 않는다. 일련의 입력 데이터들 사이의 상대적인 위치관계 또는 위상관계를 표현하는 정보를 추가하는 과정은 위치 인코딩(positional encoding)으로 지칭될 수 있다.
데이터를 임베딩하여 트랜스포머로 변환하는 방법의 일 예는 Dosovitskiy, et al., AN IMAGE IS WORTH 16X16 WORDS: TRANSFORMERS FOR IMAGE RECOGNITION AT SCALE에 개시되어 있으며, 해당 문서는 여기에 참조로서 통합된다.
본 개시내용에서의 컴퓨팅 장치와 컴퓨팅 디바이스는 상호 교환 가능하게 사용될 수 있다.
도 3은 본 개시내용의 일 실시예에 따른 약물 이상반응에 대한 예측을 포함하는 모델의 출력 결과 생성 방법을 예시적으로 도시한다.
본 개시 내용의 실시예들은, 예측 모델을 학습시키기(training) 위한 실시예 및 학습된 예측 모델을 통해 실제로 추론(inference)(예컨대, 발생 가능한 약물 이상반응들 및/또는 그들의 발생 확률을 포함하는 예측) 결과를 얻기 위한 실시예를 포괄할 수 있다.
본 개시내용에서 예측 모델을 학습시키는 과정 또는 예측 모델을 이용하여 약물 이상반응에 대한 추론을 수행하는 과정(예컨대, 예측 결과를 생성하는 과정) 중 하나의 과정으로 예측 모델의 동작이 설명될 수 있다. 이는 설명의 편의를 위하여 작성된 것으로, 학습을 수행하는 과정 또는 추론을 수행하는 과정 중 하나의 과정으로 기재되었다고 하더라도, 학습 또는 추론 중 다른 하나의 과정을 포괄하는 의도로 해석되어야 한다.
일 실시예에서, 도 3에서 도시되는 단계들은 컴퓨팅 장치(100)에 의해 수행될 수 있다. 추가적인 실시예에서, 도 3에서 도시되는 단계들 중 일부는 사용자 단말에서 수행되고 다른 일부는 서버에서 수행되는 방식과 같이 도 3에서의 단계들은 복수의 엔티티들에 의해 구현될 수도 있다.
본 개시내용에 따른 일 실시예에서, 컴퓨팅 장치(100)는 약물 이상반응 탐지를 위한 로우(raw) 데이터를 이용하여, 사전 결정된 시간 기간 단위로 업데이트 되도록 스케줄링된 주기변환 데이터베이스를 구축할 수 있다(S310).
일 실시예에서, 로우 데이터는 데이터베이스화 되기 이전에 획득된 데이터를 의미할 수 있다. 예를 들어, 로우 데이터는 전자의무기록 등과 같은 다양한 채널들로부터 획득된 데이터를 의미하고자 사용될 수 있다.
일 실시예에서, 로우 데이터는, FAERS, KAERS, WHO-ART, SIDER 또는 EU-ADR 중 적어도 하나로부터 획득될 수도 있다.
일 실시예에서, 로우 데이터는 전자의무기록(EMR)으로부터 획득될 수 있다. 상기 로우 데이터는 약물 복용 관련 데이터, 질병 진단 데이터, 진단 검사 데이터 또는 간호 기록 데이터 중 적어도 하나를 포함할 수 있다. 예를 들어, 진단 검사 데이터는 임의의 형태의 검사 또는 진단을 통해 획득된 데이터를 의미할 수 있다. 일례로, 진단 검사 데이터는 유전자 검사 기록을 포함할 수 있다. 진단 검사 데이터, 약물 복용 관련 데이터, 질병 진단 데이터 및 간호 기록 데이터에 대한 구체적인 예시들은 후술하기로 한다.
일 실시예에서, 컴퓨팅 장치(100)는, 예상 가능한 약물 이상반응 리스트(ADR list)를 본 개시내용에 따른 예측 모델과는 상이한 외부의 룰 기반 또는 인공지능 기반의 예측 모델로부터 제공받을 수 있다.
일 실시예에서, 제공받은 예상 가능한 약물 이상반응들(ADRs)은 상기 로우 데이터에 기초하여 특정한 기준들(예컨대, 인과성(causality) 및/또는 Mild, Moderate, Severe 등의 반응 정도)을 기반으로 정렬될 수 있으며, 컴퓨팅 장치(100)는 상기 제공받은 ADRs에 추가적으로, 상기 ADRs의 '발생 확률' 등을 더 포함하여 출력 데이터로 가공할 수 있다.
일 실시예에서, 컴퓨팅 장치(100)는 로우 데이터에 포함된 용어를, 데이터베이스 또는 예측 모델의 공통 데이터 표준 규격에 대응되도록 변환할 수 있다. 일례로, dystonia(근긴장이상증), athetosis(무정위운동), choreoathetosis(무도성 무정위운동), chorea(무도병)을 같은 카테고리로서 유사 혹은 동일 ADR로 규정할 수 있으며, 약물 부작용으로 의심되는 이러한 비정상적인 움직임과는 구별되는, 약물과 관계된 것 이외 원인과는 명확한 구분을 동반하여 변환을 제공할 수 있다. 예를 들어, 컴퓨팅 장치(100)는 상기 무정위운동과는 상이한 cerebral palsy(뇌성마비), focal intracranial diseases(국소 두개내 질병), Huntington's disease(헌팅턴 무도병), hepatic encephalopathy(간성 뇌병증), hepatic cirrhosis(간경변증) 등을 상기 dystonia, athetosis, choreoathetosis, chorea와는 구별되는 질환 또는 ADR로 분류할 수 있다. 추가적인 예시로, 간호 기록 데이터에 상기에 대한 비정상적인 움직임의 원인이 구체적으로 기재되어 있지 않은 경우, 컴퓨팅 장치(100)는 당해 데이터를 약물 이상반응 예측 학습 데이터로 사용하지 않거나, 약물과의 인과성(causality)이 낮은 ADR로 용어를 분류 변환할 수 있다.
본 개시내용에 따른 일 실시예에서 주기변환 데이터베이스는, 사전 결정된 또는 예측 모델이 판단한 최적의 시간 간격으로 환자들의 인구통계학적 정보, 그들이 투여받는 약물과 적응증, 발생한 약물 이상사례(ADR), 기왕력 등의 정보를 저장 및 업데이트하도록 구성된 데이터 저장소를 의미할 수 있다. 주기변환 데이터베이스는 새로 기입되는, 혹은 추가 기입되는 ADR 및 환자 정보에 대한 전반 일체의 데이터를 수집하여 구축하는 데이터의 저장소를 의미할 수 있다. 예를 들어, 주기변환 데이터베이스의 사용자는 특정 ADR - 예컨대, 발작(seizure) - 을 일으키는 약물의 종류를 검색할 수 있으며, 환자가 복용중인 부프로피온(bupropion) 약물을 서치하였을 경우, 가능한 다른 ADRs 또는 투약 후 발작 증상을 보인 임상적 케이스(case)들의 투여 용량, 환자에 대한 정보를 통계학적 요약본으로도 제공받을 수 있다. 일례로, 본 개시내용의 일 실시예에 따른 인공지능 기반의 모델은 주기변환 데이터베이스에서의 변환되는 또는 업데이트되는 사전 결정된 시간 기간을 결정하기 위한 모델을 포함할 수 있다. 데이터베이스에 저장된 데이터의 양, 데이터의 종류 및/또는 데이터의 컨텐츠를 입력으로 하는 인공지능 기반의 모델은 주기변환 데이터베이스에서의 주기 변환 시점을 출력하도록 동작 가능하다.
일 실시예에서, 컴퓨팅 장치(100)는 데이터베이스 연동 기법, 파일 연동 기법 또는 변경내역 구분 연동 기법 중 적어도 하나의 기법을 이용하여 주기변환 데이터베이스를 구축할 수 있다.
일 실시예에서, 데이터베이스 연동 기법은, 예를 들어, 데이터 기입 당시 혹은 데이터 획득 당시에서의 환자의 나이, 질환의 발생 시기 및 질환의 지속 기간에 대한 정보를 바탕으로 질환의 발병 연령, 지속 개월 수, 증상의 호전 연령 및 완치 연령 등을 정확하게 혹은 효율적으로 연동할 수 있도록 하는 데이터의 자동화 방법을 의미할 수 있다.
일 실시예에서, 파일 연동 기법은, 예를 들어, 전자의무기록(EMR) 문서의 확장자가 서로 상이하더라도 보유하는 정보의 손실없이 예측 모델의 구동 및 상기 예측 모델과는 상이한 외부 모델과의 동시 구동에 가장 적합한 파일 형식으로 연동시키도록 하는 방법을 의미할 수 있다.
일 실시예에서, 변경내역 구분 연동 기법은, 예를 들어, 동일 환자에 대한 새로 발생한 증상, 소실된 증상, 증상의 정도, 추가 혹은 제외된 약물, 흡연 여부, 음주 여부, 새로 알게 된 기왕력 등의 정보에 따라 ADR과 관련한 변경내역을 유기적으로 구분하고 연동되도록 하는 방법을 의미할 수 있다.
본 개시내용에 따른 일 실시예에서, 데이터베이스 연동 기법, 파일 연동 기법 또는 변경내역 구분 연동 기법 중 적어도 하나의 기법을 이용하여 업데이트되는 주기변환 데이터베이스의 갱신 주기는 사전 결정된 시간 기간을 그 단위로 할 수 있다. 일례로, 상기 주기변환 데이터베이스의 갱신 주기는 월 1회에서 사용자의 필요에 따라 주 1회로 변경될 수 있으며, 또는 리소스의 충분/불충분에 따라 상기 갱신 주기를 단축 혹은 연장할 수 있다.
일 실시예에서, 컴퓨팅 장치(100)는 인구통계학적 데이터, 약물 복용 관련 데이터, 질병 진단 데이터, 진단 검사 데이터, 간호 기록 데이터 중 하나 이상은 공공 데이터베이스(예컨대, FAERS, KAERS, WHO-ART, SIDER, EU-ADR 등)로부터 획득할 수 있다. 상기 공공 데이터베이스는 개시된 데이터베이스에 국한되지 않는다.
추가적인 실시예에서, 상기 진단 검사 관련 데이터는 예시적으로, 환자 유래의 피검체에서 수득하여 실험적으로 시퀀싱한 유전자 서열을 포함할 수 있다.
일 실시예에서, 컴퓨팅 장치(100)는 상기 주기변환 데이터베이스의 구축에 임의의 형태의 빅데이터 분석 기법을 이용할 수 있다. 빅데이터 분석 기법은, 다량의 데이터에 숨겨진 패턴과 관계 등을 파악해 예측 정보를 추출 또는 생성하는 것을 포함할 수 있다. 예를 들어, 빅데이터 분석 기법은, 비구조적인 문서에 존재하는 특정 정보를 추출해내는 텍스트 마이닝, 특정 주제와 관련된 정보를 웹사이트 등을 통해 크롤링하여 특정 주제에 대한 의견을 추출해내는 오피니언 마이닝, 및/또는 웹로그 및/또는 검색어로부터 원하는 정보를 추출해내는 웹 마이닝을 포함할 수 있다.
본 개시내용의 일 실시예에서, 컴퓨팅 장치(100)는 주기변환 데이터베이스에 저장된 데이터에 기초하여, 약물 이상반응 탐지를 위한 인공지능 기반의 모델의 학습을 위한 복수의 입력 변수들을 결정할 수 있다(S320).
일 실시예에서, 입력 변수는, 인공지능 모델의 학습 또는 추론에 사용되는 변수 또는 피쳐(feature)를 의미할 수 있다. 예를 들어, 입력 변수는, 인구통계학적 변수, 약물 복용 관련 변수, 진단검사 관련 변수, 간호기록 관련 변수 또는 약물 부작용 진단 관련 변수 중 적어도 하나를 포함할 수 있다.
일 실시예에서, 인구통계학적 변수는, 인구와 관련된 현상을 정량적 혹은 정성적으로 표시하기 위한 변수이다. 인구통계학적 변수는 예를 들어, 나이 또는 지역 중 적어도 하나를 포함할 수 있다.
일 실시예에서, 약물 복용 변수는 사용자의 약물의 복용과 관련되어 정의될 수 있는 정량적 혹은 정성적인 지표를 나타낼 수 있다. 예를 들어, 약물 복용 관련 변수는, 약물 종류, 약물 복용 기간, 약물 복용 용량, 또는 약물 복용 이력 중 적어도 하나를 포함할 수 있다.
일 실시예에서, 진단검사 관련 변수는 다양한 형태의 진단 또는 검사의 결과에서 도출될 수 있는 정량적 혹은 정성적 지표를 나타낼 수 있다. 예를 들어, 진단검사 관련 변수는, 촬영을 통한 검사, 혈액 검사 또는 소변 검사 중 적어도 하나를 포함할 수 있다.
일 실시예에서, 간호기록 관련 변수는, 치료 및/또는 간호 과정에서 생성되는 간호기록지로부터 획득된 정량적 혹은 정성적 변수를 의미할 수 있다. 예를 들어, 간호기록 관련 변수는 병원 내에서의 진료 혹은 간호기록 차트에 포함된 정보에 기초하여 생성될 수 있다. 예를 들어, 간호기록 관련 변수는 광학 문자 인식(OCR), 자연어 처리(NLP) 또는 텍스트 마이닝(text mining) 중 적어도 하나의 기법을 통해 획득 가능하다. 추가적인 실시예에서, 상기 약물 부작용 진단 관련 변수는, 약물 부작용에 의한 질환 진단과 관련된 정보를 포함할 수 있다.
일 실시예에서, 진단검사 관련 변수에 포함될 수 있는 촬영을 통한 검사 자료는, ultrasound imaging(초음파 영상), X-ray(단순 방사선 검사), CT(전산화 단층촬영), MRI(자기 공명 영상), fMRI(functional Magnetic Resonance Image), PET(Positron Emission Tomography, 양전자 방출 단층촬영) 등으로부터 획득될 수 있다.
일 실시예에서, 약물 부작용 진단 관련 변수에 포함될 수 있는 약물 부작용에 의한 질환 진단과 관련된 정보는, 의도하지 아니하거나 예상하지 못한, 투여 약물로부터 발생한 증상이 질환으로 진단(diagnosis)되었을 때 수집된 자료를 의미할 수 있다. 추가적인 실시예에서, 본 개시내용에 따른 예측 모델은, 투여 약물로부터 기인할 수 있는 의도하지 아니한 증상을 예방하기 위해 병용제(coadministration)를 제안할 수 있다.
입력 변수의 선택 방식에 대한 보다 자세한 설명은 도 6에 후술하기로 한다.
일 실시예에서, 전처리 방법과 관련한 파라미터 정보는 본 개시내용에서의 상기 예측 모델과 상이한 외부의 별도 예측 모델로부터 출력된 데이터로부터 획득될 수 있다.
추가적인 예시에서, 본 개시내용의 상기 예측 모델의 학습 또는 추론을 위한 전처리(예컨대, 혈액검사 데이터 변수의 전처리 프로세스)는 환자의 인구통계학적 데이터 및 질환 정보를 입력 데이터로 하여 작동하는 외부 예측 모델을 통해 생성된 파라미터들을 통해 이루어질 수 있다. 일례로, 36세 백인 여성이 삼중 음성(HER-2, ER, PR 음성) 유방암(Triple-Negative Breast Cancer, TNBC) 환자일 때, 외부 예측 모델을 통해 생성된 파라미터 정보에 의하여 특정 ADR(예컨대, 점막 염증(mucosal inflammation), 감각 이상증(erythrodysesthesia), 혈중 ALT(Alanine aminotransferase) 수치 증가)의 발생 확률에 대한 예측 정확도를 높일 수 있다.
추가적인 실시예에서, ADR 예측 모델은 특정인에 대한 투여 약물 및 특정 적응증, 그리고 발생한 약물 이상반응에 대한 데이터베이스(예컨대, FAERS, KAERS, WHO-ART, SIDER, EU-ADR) 뿐만 아닌, 신규 연구 논문의 보고를 실시간으로 업데이트 받아 구동될 수 있다. 추가적인 실시예에서, ADR 예측 모델은 국제 임상실험 데이터베이스(예컨대, ClinicalTrials.gov)에 입력되는 임상 반응, 경과 데이터를 실시간으로 업데이트 받아 구동될 수 있으며, 또한 인간 또는 비-인간 개체의 유전자 및 약물 반응에 대한 연구 문헌의 결과 보고를 실시간으로 업데이트 받아 구동될 수 있다.
일 실시예에서, ADR 예측 모델이 입력받는 파라미터 정보를 제공하는 인공지능 또는 룰 기반의 외부 예측 모델의 구동 기반이 되는 데이터(예를 들어, 인구통계학적 정보, 유전자 정보, 투여 약물 및 알려진(known)/알려지지 아니한(unknown) 부작용 등의 결합 가공 데이터)는 예시적인 것에 불과하며, 본 개시내용에 국한되지 않는다.
본 개시내용의 일 실시예에서, 컴퓨팅 장치(100)는 예측 모델의 학습 및/또는 추론을 위하여 약물 이상반응(ADR)에 대응되는 데이터, 투약 기간에 관련되는 데이터, 인구통계학적 정보의 일부(예컨대, 성별, 발병 연령, 인종) 중 적어도 하나에 마스크(mask)를 적용하는 전처리를 수행할 수 있다.
일 실시예에서, 컴퓨팅 장치(100)는 학습 데이터셋의 마스킹될 영역의 카테고리를 결정할 수 있다. 예를 들어, 마스킹될 영역은 단수 또는 복수의 카테고리의 데이터들을 포함할 수 있다. 컴퓨팅 장치(100)는 결정된 마스킹 대상 카테고리에 기초하여 예측 모델이 마스킹 기반의 학습을 수행하도록 할 수 있다. 추가적인 실시예에서, 상기와 같은 마스킹 기반의 전처리 및 예측 모델의 학습은, 일례로, 기왕력이 비슷한 두 환자가 성별만 다를 때, 또는 성별은 같으나 나이대가 다를 때에 예측되는 복수가지의 약물 이상반응들(ADRs)의 예측값을 발생 확률 등에 따른 내림차순으로 보다 정확하게 출력하는 데에 기여할 수 있다.
일 실시예에서, 컴퓨팅 장치(100)는 변수의 적어도 일부가 변경된 섭동 입력 데이터 및 상기 섭동 입력 데이터에 응답하여 상기 예측 모델로부터 출력되는 출력 데이터를 이용함으로써 변수 중요도를 결정하는 제 1 기법에 기초하여, 복수의 변수들 중 예측 모델에 대한 입력 변수를 결정할 수 있다. 예를 들어, 컴퓨팅 장치(100)는 입력 데이터에 포함된 복수의 변수들 중 적어도 일부를 변경한 섭동 입력 데이터를 생성할 수 있다. 컴퓨팅 장치(100)는 변수가 변경되지 않은 입력 데이터와 변수가 변경된 섭동 입력 데이터를 포함하는 복수의 입력 데이터를 인공지능 기반의 모델에 입력하고, 모델의 출력들을 비교하는 방식을 이용하여, 복수의 변수들 중 어떠한 변수가 선정될지를 결정할 수 있다. 예를 들어, 컴퓨팅 장치(100)는 제 1 변수가 변경되지 않은 제 1 입력 데이터와 제 1 변수가 변경된 제 1 섭동 입력 데이터 각각의 모델의 출력들(제 1 출력 및 제 2 출력)을 비교하여, 변경된 변수에 대한 중요도를 결정할 수 있다. 이러한 중요도에 기초하여, 인공지능 기반의 예측 모델에서 사용될 입력 변수가 결정될 수 있다. 일 실시예에서, 컴퓨팅 장치(100)는 복수의 인공지능 기반의 모델들 각각에 변수가 변경되지 않은 입력 데이터와 변수가 변경된 섭동 입력 데이터를 포함하는 복수의 입력 데이터를 입력하는 방식으로 입력 변수를 결정할 수도 있다.
일 실시예에서, 컴퓨팅 장치(100)는 고차원 공간의 데이터들을 저차원 공간으로 변환함으로써 주성분(principal component)에 대응되는 입력 변수를 선정하는 제 2 기법에 기초하여, 복수의 변수들 중 예측 모델에 대한 입력 변수를 결정할 수 있다.
일 실시예에서, 컴퓨팅 장치(100)는 의사결정트리 상에서 불순도(impurity)를 감소시키는 방향으로 입력 변수를 선정하는 제 3 기법에 기초하여, 복수의 변수들 중 예측 모델에 대한 입력 변수를 결정할 수 있다.
일 실시예에서, 컴퓨팅 장치(100)는 Boruta SHAP, Principal Component Analysis (PCA), Feature importance, Permutation importance 및/또는 Gini importance에 기초하여, 입력 변수를 결정할 수 있다. 이러한 입력 변수에 대한 결정은 전처리 과정에 포함될 수 있다.
일 실시예에서, 전처리 과정은 이상치(outlier)를 처리하는 기법, 결측값 대체(imputation)를 수행하는 기법, 범주화 또는 재범주화를 수행하는 기법, 및 정규화 또는 표준화를 수행하는 기법 중 적어도 하나에 추가적으로 기초하여 수행될 수 있다. 이러한 과정들을 통해 입력 변수가 결정 및/또는 전처리될 수 있다. 전처리된 입력 변수는 예측 모델에 입력되어 학습 및/또는 추론이 수행될 수 있다.
본 개시내용의 일 실시예에서, 컴퓨팅 장치(100)는 결정된 입력 변수들 및 특정 약물과 특정 질환에 대한 이상 반응 정보를 포함하는 학습 데이터셋을 이용하여, 인공지능 기반의 예측 모델이 입력 변수들을 입력받는 것에 응답하여 특정 약물과 특정 질환에 대한 이상반응 정보를 출력하도록 예측 모델을 학습시킬 수 있다(S330).
일 실시예에서, 상기 약물 이상반응 탐지를 위한 상기 예측 모델을 학습시키는 방법은, 복수의 후보 모델들 중 상기 약물 이상반응 탐지를 위한 예측 모델을 결정하는 단계를 포함할 수 있으며, 상기 전처리된 입력 변수를 입력 데이터로 하여 상기 예측 모델이 특정 약물 또는 특정 질환에 대한 약물 이상반응 여부, 또는 특정 약물 또는 특정 질환에 대한 약물 이상반응의 발생 확률을 출력하도록, 상기 예측 모델을 학습시킬 수 있다.
일 실시예에서, 상기 복수의 후보 모델들은 랜덤 포레스트(Random Forest), 로지스틱 회귀(Logistic Regression), 서포트 벡터 머신(Support Vector Machine), 결정 트리(Decision Tree), 나이브 베이즈(Naive Bayes), K-최근접 이웃(k-Nearest Neighbor), XGBoost, LightGBM, CatBoost, 합성곱 신경망(CNN), 순환 신경망(RNN), 장단기 메모리(LSTM), 양방향 장단기 메모리(BiLSTM), 트랜스포머(transformer) 및 생성형 사전학습된 트랜스포머(GPT)로 이루어진 후보 모델들 중에서 선택된 단수 혹은 복수의 모델들일 수 있다.
일 실시예에서, 상기 예측 모델은 사전 결정된 테스트 데이터셋을 이용하여 상기 후보 모델들 각각으로부터의 출력 결과를 획득하고, 상기 후보 모델들 각각으로부터의 출력 결과에 대한 성능 평가에 기초하여, 상기 후보 모델들 중 하나의 모델을 상기 예측 모델로 결정할 수 있다.
추가적인 실시예에서, 후보 모델들의 출력 결과에 대한 상기 성능 평가는, AUC (Area Under the Curve), accuracy(정확도), F1-score, precision(정밀도), recall(재현율), sensitivity(민감도) 및/또는 specificity(특이도)에 기초할 수 있다.
일 실시예에서, 상기 예측 모델의 학습(training) 및/또는 추론(inference)에 사용되는 상기 입력 변수들은 이상치(outlier) 처리, 결측값 대체(imputation), 범주화·재범주화 및/또는 정규화·표준화의 수행을 통하여 전처리될 수 있다.
추가적인 예시에서, 복용 약물과 가능한 약물 이상반응 및 환자의 인구통계학적 정보를 포함하는 대용량 데이터는 공공 데이터 DB(예를 들어, FAERS, KAERS, WHO-ART, SIDER, EU-ADR)로부터 실시간으로 획득하여 업데이트 받을 수 있다.
추가적인 실시예에서, 본 개시내용에 따른 예측 모델은 누적된 데이터의 양이 상대적으로 매우 큰 투여 약물 및 적응증(indication)에 대하여도, 그 자료의 방대함에 불구하고 대상 환자의 기저질환(underlying health issue), 유아 혹은 소아에 해당됨을 고려하여 발생 확률이 낮은 ADR도 유의미한 예측 결과로서 출력할 수 있다.
일 실시예에서, 예측 모델은 복수 번 수행되는 에폭(epoch)마다 참조되는 예측 모델의 약물 이상반응 예측 결과를 통해 학습 및/또는 추론 효율 및/또는 정확도를 개선할 수 있다. 구체적으로, 상기와 같은 효율 및/또는 정확도의 개선은 임상적으로 높은 인과성으로 확인된 약물 이상반응에 대한 정답 데이터를 지도학습, 반지도학습 및/또는 비지도학습을 통해 피드백 받음으로써 이루어질 수 있다.
구체적인 예시로, 47세 남성의 발견된 지 6개월 이내의 궤양성 대장염(ulcerative colitis)에 대한 치료 약물로서 아미노 살리케이트(5-ASA, aminosalicylic acid) 및 CAM 억제제 항체의약품(Vedolizumab) 투여를 치료 옵션으로 고려하는 경우에 대한 ADR 예측 결과로서, 본 개시내용에 따른 예측 모델이 피로감(tiredness) 34.4%, 관절통(joint pain) 30.2%, 두통(headache) 28.9%, 기관지염(bronchitis) 19.3% 를 출력한 경우, 이를 토대로 의학전문가는 상기 환자의 궤양성 대장염 치료를 위해 상기 5-ASA 및 Vedolizumab을 투약할 것으로 결정할 수 있으며, 상기 예상되는 ADRs의 예상 발생 확률 및 치명도 등을 바탕으로 이를 예방하기위한 병용제를 제안받을 수도 있다.
추가적인 일 실시예에서, 치료 경과의 모니터링에 따라 발생한 또는 발생하지 아니한 약물 이상반응 자료를 기반으로 상기 ADR 예측 결과를 출력한 예측 모델의 손실함수 또는 하이퍼파라미터의 업데이트 등에 반영할 수 있다. 일례로, 상기 47세 남성 궤양성 대장염 환자에게 실제로 예측 결과지로서 받은 기관지염이 중등증(moderate)으로 확실한 인과성(certain causality)으로서 발생한 경우, 이 데이터들을 상기 예측 모델에 피드백(feedback) 하는 것을 필수 과정으로 할 수 있다.
구체적으로 일 실시예에서, 컴퓨팅 장치(100)는 주기변환 데이터베이스에 포함된 정보에 따라 심혈관계 질환자 X의 적응증 Y에 대한 투여 약물 Z에 의한 가능한 중등도의 ADR로서 ⅰ. 염증성 장질환(inflammatory bowel disease, IBD) 및 발생 확률 3.8%, 경증의 ADR로서 ⅱ. 설사(diarrhea) 및 발생 확률 13.2%, 경미한 ADR로서 ⅲ. 소화불량(dyspepsia) 및 발생 확률 10.9% 등으로 예측할 수 있다.
예측 모델의 학습과 구동에 대한 추가적인 설명은 도 4 내지 도 7에서 후술하기로 한다.
도 4는 본 개시내용의 일 실시예에 따른 전자의무기록(410)과 주기변환 데이터베이스(420)의 주기적 데이터 적재와 변경내역 테이블 적재 원칙을 포함하는 주기변환 데이터베이스(420)의 구축 순서도를 도시한다.
일 실시예에서, 도 4는 컴퓨팅 장치(100)가 OCS(order communication system) 및/또는 EMR(electronic medical record)(411)로부터 주기변환 데이터베이스(420)로 OCS 및/또는 EMR(411)의 자료 및 변경내역을 주기적으로 적재시킨다는 특징을 예시한다. 일 실시예에서, 도 4는 컴퓨팅 장치(100)가 ODS(Operational Data Store)(421), ITF(Interface)(422) 및 CDM(Common Data Model)(423)를 이용하여 데이터를 저장할 수 있음을 도시한다.
일 실시예에서, ODS(421)는 운영 데이터 저장소로서, 운영 보고를 위해 여러 트랜잭션 시스템(transactional system)의 최신 데이터 스냅샷(snapshot of the latest data)을 제공하는 중앙 데이터베이스(central database)를 의미할 수 있다. 일 실시예에서, ODS(421)는 사전 결정된 시간 간격 주기마다 신규 추가된, 혹은 변경내역이 발생한 OCS 및/또는 EMR(411)의 정보를 수집하거나 수신할 수 있다. 일 실시예에서, ODS(421)는 여러 소스의 데이터를 통합하도록 설계된 데이터베이스로 사용될 수 있다.
신규 추가 혹은 변경내역이 발생한 OCS 및/또는 EMR(411) 정보를 수신한 ODS(421)는 해당 정보들을 ITF(422) 스키마(schema)를 거쳐 CDM(423) 스키마로서 저장되도록 전송할 수 있다. 공통 데이터 모델(CDM)(423)이란 각 의료기관들이 보유한 서로 상이한 구조의 의료 데이터에 적용 가능한 동일한 구조와 규격의 데이터 모델을 의미할 수 있다. 공통 데이터 모델(CDM)(423)은 동일한 분석 코드를 데이터 보유 기관들 각각에서 개별적으로 실행하도록 허용할 수 있어서, 분산된 데이터를 통합하는 분산형 공동연구를 가능하게 할 수 있다.
본 개시내용에 따른 일 실시예에서 주기변환 데이터베이스(420)는, 사전 결정된 또는 상기 예측 모델이 판단한 최적의 시간 간격으로 환자들의 인구통계학적 정보, 환자들이 투여받는 약물과 적응증, 발생한 약물 이상사례(ADR), 기왕력 등의 정보를 저장할 수 있다. 주기변환 데이터베이스(420)는 새로 기입되는 혹은 추가 기입되는 ADR 및 환자 정보에 대한 데이터를 수집하여 구축하는 데이터 저장소를 의미할 수 있다.
도 5는 본 개시내용의 일 실시예에 따른 주기변환 데이터베이스의 구축을 위한 파일들의 연동의 개념을 도시한다.
일 실시예에서, 컴퓨팅 장치(100)는 데이터베이스 연동(510) 기법, 파일 연동(520) 기법 및/또는 변경내역 구분 연동(530) 기법 중 적어도 하나의 기법을 이용하여 주기변환 데이터베이스(420)를 구축할 수 있다.
일 실시예에서, 데이터베이스의 연동(510)과 관련하여, 컴퓨팅 장치(100)는, 의료기관의 전자의무기록(EMR) 상에서의 데이터가 기입된 인터페이스 테이블들(interface tables)(511)로부터 주기적으로 데이터를 적재 받을 수 있다. 적재된 데이터는 ODS DB 로더(operational data store database loader) (512)를 통해 ODS DB 인터페이스 테이블들(513)로 전달될 수 있다. 컴퓨팅 장치(100)는 ODS DB 인터페이스 테이블들(513)에 대한 공통 데이터 모델(CDM) 변환(514)을 적용함으로써 CDM DM 상에서의 CDM 테이블로 상기 적재된 데이터를 연동시킬 수 있다. 전술한 방식으로 EMR과 관련된 데이터베이스와 공통 데이터 모델 데이터베이스 간의 연동이 이루어질 수 있다.
데이터베이스 연동(510) 기법은, 후술될 파일 연동(520) 기법 및/또는 변경내역 구분 연동(530) 기법에서도 동일 또는 유사하게 활용될 수 있다.
일 실시예에서, 파일 연동(520) 기법은, 예를 들어, 데이터 기입 당시 환자의 나이, 질환의 발생 시기 및 질환의 지속 기간에 대한 정보를 바탕으로 질환의 발병 연령, 지속 개월 수, 증상의 호전 연령 및 완치 연령 등을 보다 정확하게 그리고/또는 보다 효율적으로 연동할 수 있는 데이터의 자동화 관리 방법을 의미할 수 있다. 구체적으로, 파일 연동(520)과 관련하여, 컴퓨팅 장치(100)는 의료기관의 EMR, CSV(comma-separated values) 파일 또는 Parquet 파일(521) 상에서의 데이터에 대한 주기적인 적재를 통해 해당 데이터를 ODS DB에 업로드할 수 있다. ODS DB의 로더(522)를 통해 ODS DB의 인터페이스 테이블들(523)로 적재된 데이터가 업로드될 수 있다. 일 실시예에서, ODS DB 인터페이스 테이블들(523)에 로드된 EMR과 관련된 파일들은 CDM 변환(524)을 거쳐 CDM 데이터베이스의 CDM 테이블들(525)의 형식으로 저장될 수 있다.
일 실시예에서, 파일 연동(520) 기법은, 예를 들어, 전자의무기록(EMR) 문서(521)의 확장자가 서로 상이하더라도 보유하는 정보의 손실없이 상기 예측 모델의 구동 및 상기 예측 모델과는 상이한 외부 모델과의 동시 구동에 가장 적합한 파일 형식으로 연동시키도록 하는 방법을 의미할 수 있다.
일 실시예에서, 변경내역 구분 연동(530) 기법은, 예를 들어, 동일 환자에 대한 새로 발생한 증상, 소실된 증상, 증상의 정도, 추가 혹은 제외된 약물, 흡연 여부, 음주 여부, 새로 알게 된 기왕력 등의 정보에 따라 ADR과 관련한 변경내역을 유기적으로 구분하고 연동되도록 하는 방법을 의미할 수 있다. 일 실시예에서, 변경내역 구분 연동(530)과 관련하여, 컴퓨팅 장치(100)는 의료기관의 전자의무기록(EMR) 상에서의 데이터가 기입된 인터페이스 테이블들(interface tables)(531) 및 변경 내역 테이블들(531)로부터 주기적으로 데이터를 적재받을 수 있다. 컴퓨팅 장치(100)는 ODS DB 로더(532)를 통해 데이터 웨어하우스의 임시 논리 영역적 DB에 업로드를 수행할 수 있다. 컴퓨팅 장치(100)는 ODS DB 로더(532)를 통해 ODS DB의 인터페이스 테이블들 및 변경내역 테이블들(533)로 데이터를 로딩할 수 있다. 로딩된 데이터는 CDM 변환(534)을 거쳐 CDM 데이터베이스(535)에 저장될 수 있다. 일 실시예에서, 변경 구분 연동(530) 기법은 변경된 데이터를 저장하는 변경 내역 테이블들을 사용하여, 변경된 데이터를 타겟팅하여 연동시키기 때문에, 데이터 연동에 있어서 컴퓨팅 리소스를 효율적으로 사용할 수 있다.
본 개시내용에 따른 일 실시예에서, 데이터베이스 연동(510) 기법, 파일 연동(520) 기법 또는 변경내역 구분 연동(530) 기법 중 적어도 하나의 기법을 이용하여 업데이트되는 주기변환 데이터베이스(420)의 갱신 주기는 사전 결정된 시간 기간에 대응될 수 있다. 일례로, 주기변환 데이터베이스(420)의 갱신 주기는 월 1회에서 사용자의 필요에 따라 주 1회 그리고/또는 일 단위(daily)로 변경될 수 있다. 일례로, 주기변환 데이터베이스(420)의 갱신 주기는 컴퓨팅 장치(100)의 컴퓨팅 리소스의 정량적인 양에 기초하여 결정될 수 있다. 예를 들어, 컴퓨팅 리소스의 충분/불충분에 따라 컴퓨팅 장치(100)는 갱신 주기를 단축 혹은 연장할 수 있다.
일 실시예에서, 컴퓨팅 장치(100)는 인구통계학적 데이터, 약물 복용 관련 데이터, 질병 진단 데이터, 진단 검사 데이터, 간호 기록 데이터 중 하나 이상은 공공 데이터베이스(예컨대, FAERS, KAERS, WHO-ART, SIDER, EU-ADR 등)로부터 획득할 수 있다. 상기 공공 데이터베이스는 본 명세서에 개시된 데이터베이스에 국한되지 아니한다.
도 6은 본 개시내용의 일 실시예에 따른 데이터베이스 구축, 약물 이상반응 탐지 인공지능의 개발 및 이상 탐지 결과 알림으로 이어지는 전체적인 프로세스를 예시적으로 도시한다.
“약물 이상반응(ADR, Adverse Drug Reaction)”은 의약품 등을 투여·사용하였을 때에 발생한 해롭고 의도하지 아니한 반응으로, 해당 의약품 등과의 인과관계를 배제할 수 없는 경우를 일컬으며, 상용량에서 생긴 이상반응 뿐만 아니라 고의 또는 실수로 약물을 과용량 사용했을 때와 약물을 남용했을 때 발생하는 약물 이상반응과 금단증상, 기대했던 약리작용이 나타나지 않는 경우도 포함할 수 있다.
이에 대한 “약물 이상반응 모니터링”이란 의약품 사용 시 나타나는 각종 유해사례 등을 신속하고 체계적으로 수집, 평가하여 대응 조치를 강구하고 의약전문인, 소비자 등에게 안전성 정보 및 조치 결과를 전달하는 것으로, 합리적인 의약품 사용을 정착시키고 의약품과 관련된 피해 발생을 사전에 예방하기 위한 활동을 의미한다.
ADR과 관련된 개념으로서, 부작용(side effect), 약물유해사례(adverse drug event, ADE)를 들 수 있다. 부작용은 의약품을 일정 목적으로 사용했을 때 나타나는 주작용(principal action)과 상반되는 개념으로, 정상적인 용량에 따라 약물을 투여할 경우 발생하는 모든 의도하지 않은 효과를 말한다. 치료를 목적으로 한 작용 이외의 모든 작용을 의미하는 용어이므로, 유해성의 유무에 상관없이 모든 작용을 포괄 연구하는 다양한 분야에서 활발하게 이용될 수 있는 개념이다.
약물 유해사례(ADE)는 의약품과의 인과관계에 상관없이 의약품 등의 투여·사용 중 발생한 바람직하지 않고 의도되지 아니한 징후, 증상 또는 질병을 말한다.
약물 이상반응(ADR)은 의약품 등을 정상적인 용법에 따라 투여·사용 중 발생한 유해하고 의도하지 않은 반응으로서 해당 의약품과의 인과관계를 배제할 수 없는 경우로, 미리 예측하고 예방 가능한 경우이므로 약사 및 의료진에 의한 관리가 중요시되는 개념이다.
약물대사(drug metabolism)는 대부분 간에서 일어나며, 간세포의 소포체에서 사이토크롬 P450(CYP450)이라는 대사효소계에 의하여 약물의 산화·환원 또는 가수분해 반응 등으로 대사 작용이 일어난다.
본 개시내용에서의 실시예는 투여하는 약물의 종류 및 인종별/개체별 유전자형/표현형, 기왕력 등에 따른 인과성(causality)(확실함(certain)/상당히 확실함(probable)/가능함(possible)/낮은 가능성(unlikely)/평가 곤란(conditional)), 또는 반응 정도에 따른 분류(경증(mild)/중등증(moderate)/중증(severe)), 발생 빈도의 순서로 예상 가능한 ADRs를 도출하는 단계를 포함할 수 있다.
일 실시예에서, 컴퓨팅 장치(100)는 주기변환 데이터베이스 구축(610), 약물 이상반응 탐지 인공지능 개발(620) 및 이상 탐지 결과 알림(630)의 프로세스를 통해, 능동적 약물 이상반응 탐지 시스템을 구현할 수 있다.
일 실시예에서, 주기변환 데이터베이스 구축(610)에 대한 프로세스는 전자의무기록(612) 및 약물 이상반응 규격(614)으로부터 획득되는 로우 데이터에 대한 용어 통일 및/또는 용어 매핑(616)을 포함할 수 있다. 용어 매핑(616)이란 다양한 형식을 갖는 로우 데이터에 대한 데이터 형식(예컨대, 포맷)을 통일하는 프로세스를 의미할 수 있다. 용어 매핑(616)이란 다양한 표현을 갖지만 동일 또는 유사한 의미를 갖는 로우 데이터에 대한 데이터 표현을 통일하는 프로세스를 의미할 수 있다.
예를 들어, 용어 매핑(616) 프로세스는 복수의 입력 데이터들이 서로 동의어 또는 유의어 관계에 해당하는지를 판단하는 인공지능 기반의 언어 모델에 기초하여 동작될 수 있다. 이러한 예시에서, 인공지능 기반의 언어 모델은 입력되는 둘 이상의 입력 데이터들에 대한 피쳐를 추출하고, 해당 피쳐를 벡터 공간 상에서 비교하고, 그리고 비교의 결과에 기초하여 둘 이상의 입력 데이터들이 서로 동의어 또는 유의어 관계를 갖는지 여부를 결정할 수 있다. 이처럼 동의어 또는 유의어 관계에 해당하는 용어들은 서로 매핑되어 관리될 수 있다.
일 실시예에서, 주기변환 데이터베이스(618)는 예를 들어, OMOP-CDM 규격으로 구축될 수 있다. 일 실시예에서, 주기변환 데이터베이스(618)는 사전 결정된 시간 기간(예컨대, 일, 주, 월 및/또는 연 단위)로 업데이트되도록 사전 설정될 수 있다.
일 실시예에서, 약물 이상반응 탐지 인공지능 개발(620)은 예측 모델을 모델링 및/또는 검증하는 과정을 포함할 수 있다.
일 실시예에서, 컴퓨팅 장치(100)는 데이터 전처리(622), 인공지능 모델 학습(624), 인공지능 모델 검증(626) 및 인공지능 모델 선택(628)의 프로세스를 수행할 수 있다.
일 실시예에서, 데이터 전처리(622)는 주기변환 데이터베이스 상에서 용어 통일된 다수의 변수들 중 인공지능 모델의 학습에 사용될 입력 변수들을 결정하는 과정을 포함할 수 있다. 도 6에서 예시되는 바와 같이, 데이터 전처리(622)는 피쳐 선택, 이상치 결정, 결측값 대체, 범주화 또는 재범주화, 및 정규화 또는 표준화를 포함할 수 있다.
일 실시예에서, 인공지능 모델 학습(624)과 관련된 프로세스는 다수의 후보 알고리즘들 중 특정한 후보 알고리즘을 선택하는 프로세스, 다수의 학습 방식들 중 특정한 학습 방식을 선택하는 프로세스, 및 하이퍼파라미터의 튜닝 또는 최적화와 관련된 프로세스를 포함할 수 있다. 일례로, 학습 방식들은 Federated learning 및/또는 Incremental learning를 포함할 수 있다.
일 실시예에서, 인공지능 모델 검증(626)과 관련된 프로세스는 N:1의 테스트 데이터셋을 사용하여 검증하는 방법론 및/또는 외부 서버로부터의 평가를 통해 검증하는 방법론을 포함할 수 있다. 일 실시예에서, 인공지능 모델 검증(626)은 AUC, 정확도, F-1 스코어 등과 같이 인공지능 모델의 성능과 관련된 지표를 이용하여 수행될 수도 있다.
일 실시예에서, 컴퓨팅 장치(100)는 인공지능 모델 검증(626)을 통해 복수의 인공지능 모델(예컨대, 알고리즘)들 중 특정한 인공지능 모델을 선택할 수 있다.
일 실시예에서, 컴퓨팅 장치(100)의 예측 모델은 입력 레이어로부터 히든 레이어로 입력되는 데이터를 프로세싱할 수 있다. 복수의 히든 레이어들 간의 잔차 연결에 의한 결과는 출력 레이어로 전달될 수 있다.
본 개시내용의 일 실시예에 따라, 예측 모델은 인코더 및 디코더를 포함할 수 있다. 예를 들어, 인구통계학적 데이터와 같은 입력 변수 또는 입력 변수들의 조합을 포함하는 제 1 입력 데이터 세트가 인코더로 입력되고, 인코더의 출력을 입력받는 디코더의 출력이 제 1 입력 데이터 세트와 대응되도록 인코더와 디코더가 사전 학습될 수 있다. 이러한 사전 학습을 통해, 인코더는 입력 변수에 대한 피쳐를 또는 벡터를 정확하게 또는 효율적으로 생성해낼 수 있도록 구성될 수 있다.
본 개시내용의 추가적인 실시예에 따라, 예측 모델은 인코더 및 디코더를 포함할 수 있다. 예를 들어, 인구통계학적 데이터와 같은 입력 변수 또는 입력 변수들의 조합을 포함하는 제 1 입력 데이터 세트가 인코더로 입력되고, 인코더의 출력과 함께 투여 약물 및 약물 이상반응에 대한 데이터를 포함하는 제 2 입력 데이터셋이 디코더로 입력되며, 디코더에서 투여 약물 정보 및 ADR과 연관된 가능한 임상병리학적 반응들 내지 발생 확률을 포함하는 예측 결과가 출력되도록, 예측 모델에 대한 사전 학습이 이루어질 수 있다.
일 실시예에서, 상기 예측 모델은 각 정보에 대하여 임베딩(embedding)의 형태로 카테고리를 부여(categorize)할 수 있으며, 부여된 카테고리에 따라 출력 결과 생성에 필요한 작업을 수행할 수 있다. 일례로, 가족력 정보, 기왕력 정보, 유전자 정보의 카테고리 임베딩은 예측 모델 내에서 약물 이상반응 발생 확률 정보에 반영하기 위한 별도의 임베딩 레이어에서 수행될 수 있다.
이와 같은 본 개시내용의 실시예에 따른 효과는, 특정 약물에 대한 이상반응을 효율적이고 정확하게 예측함으로써, 예를 들어 다양한 정보를 가지는 환자에 있어서, 환자와 의학전문가로 하여금 ADR의 발생을 방지하거나 생명 현상에의 영향을 최소화하도록 미리 대응안을 설계하는데 도움을 줄 수 있다. 또한, 컴퓨팅 장치(100)는 임의로 상정할 수 있는 특정 딥러닝 네트워크와 유사한 구조를 지닐 수 있다. 그러나 본 개시내용에서의 예측 모델은 인공지능 모델에만 국한되지 않으며, 룰 기반의 구동 모델일 수도 있다.
일 실시예에서, 이상 탐지 결과 알림(630)에 대한 프로세스에 대한 일 실시예에서, 컴퓨팅 장치(100)는 약물 이상반응에 대한 예측 모델의 출력 결과를 사용자 단말(user terminal)(송수신 장치)에 전송할 수 있다. 예를 들어, 사용자 단말에 전송되는 예측 모델의 출력 결과는 탐지 혹은 미탐지로 구분되는, 약물 이상 반응에 대한 이중 분류(binary classification)를 나타내는 제 1 결과, 약물 이상 반응에 대한 확률 표기를 나타내는 제 2 결과, 또는 약물, 이상 반응 및 위험도를 연결하는 3단계 범주 표기를 나타내는 제 3 결과 중 적어도 하나의 출력 결과를 포함할 수 있다. 예를 들어, 상기 예측 모델이 출력하는 “약물 - ADR - 위험도”를 연결하는 3단계 범주 표기는, 단회 10mg 이상 과용량(overdose)의 웰부트린(bupropion) - 발작(seizure) - 71.0%, 중대한(severe) 이상사례로서, 3단계 범주 표기를 출력할 수 있다.
일 실시예에서, 예측 모델로부터 출력되는 출력 결과는, 상기 출력 결과에 대해 평가된 정확도를 기반으로 상기 예측 모델을 재학습시키는데 사용될 수 있다. 구체적인 예시로, 아달리무맙(Adalimumab) 주 1회 40mg 을 투여받은 29세 남성 강직성 척추염 환자에게 ADR로서 폴립을 포함하는 양성, 악성 및 미확인 신생물(unidentified neoplasm)이 발생할 확률 35.2%의 출력 결과를 제공받고, 실제로 해당 환자에게 상기 신생물이 발생하지는 않았을 경우, 본 개시내용에 따른 상기 예측 모델은 위와 같은 피드백 자료, 즉 특정 기왕력(history)를 가진 29세 남성 강직성 척추염 환자에게는 아달리무맙의 주 1회 40mg 투여로 미확인 신생물이 생기지 않았음을 재학습 데이터로 제공받을 수 있다.
일 실시예에서, 예측 모델로부터의 출력 결과를 수신한 사용자 단말로부터 전송되는 상기 출력 결과에 대응되는 피드백 정보는 상기 예측 모델을 재학습시키는 데에 사용될 수 있다. 구체적인 예시로, 인구통계학적 정보 및 기왕력에 대한 정확한 정보가 부재하였던 환자에 대하여, 후속(follow-up) 데이터가 수집된 경우, 예측 모델로부터 ADR 예측 출력 결과를 수신한 사용자 단말에 상기 follow-up 데이터를 제공하여 해당 피드백 정보를 상기 예측 모델로부터 더 정확한 예측 결과를 제공받는 데에 활용하거나 또는 상기 예측 모델을 재학습시키는 데에 사용할 수 있다.
약물 이상반응에 대한 관리는 약물 이상반응 보고시스템 등과 같은 보고 채널에 의지하게 되는 경우, 환자 및 의료기관의 자발적인 보고를 필요로 하기 때문에 보고자 자체가 인지하지 못하면 보고되지 않을 수 있으며 제때 약물 이상반응에 대한 조치가 없으면 환자에게 치명적인 추가 피해를 불러 일으킬 수 있는 제한점이 있다.
본 개시내용의 일 실시예에 따른 능동적 약물 이상반응 탐지 시스템은 약물 이상반응을 적시에 탐지할 수 있는 시스템으로 약물 이상반응을 인지하지 못해 받을 수 있는 피해를 미연에 예방할 수 있을 뿐만 아니라 약물 이상반응에 대한 간편하면서도 체계적인 관리를 가능하게끔 한다. 해당 시스템은 특히 입원환자에서 이상반응이 보고된 특정 약물에 대한 탐지가 효율적이지만 입원/외래의 구분이나 특정 약물에 대한 구분 없이 범용적 활용이 가능하다. 따라서 약물 이상반응을 관리하는 인력이 부족한 기관이나 약물을 복용중인 환자 개인에게도 해당 시스템은 유용하게 사용될 수 있다.
제약사는 약물에 대한 장기적인 안전성 모니터링을 위해 시판 후 조사 (Post Marketing Surveillance, PMS)를 시행하는데 이는 많은 시간과 인력, 비용이 소요될 뿐만 아니라 연구 대상자 모집이나 데이터 수집이 어렵다는 주요 제한점이 있어 의료진과 환자의 적극적인 협조가 필요하다. 본 개시내용의 일 실시예에 따른 기법은 PMS를 위한 시간과 인력, 비용을 줄일 수 있고 나아가 약물 안전성 분야의 선순환 구조를 만드는데 기여할 수 있다.
도 7은 본 개시내용의 일 실시예에 따른 컴퓨팅 환경의 개략도이다.
본 개시내용에서의 컴포넌트, 모듈 또는 부(unit)는 특정의 태스크를 수행하거나 특정의 추상 데이터 유형을 구현하는 루틴, 프로시져, 프로그램, 컴포넌트, 데이터 구조 등을 포함한다. 또한, 당업자라면 본 개시내용에서 제시되는 방법들이 단일-프로세서 또는 멀티프로세서 컴퓨팅 장치, 미니컴퓨터, 메인프레임 컴퓨터는 물론 퍼스널 컴퓨터, 핸드헬드 컴퓨팅 장치, 마이크로프로세서-기반 또는 프로그램가능 가전 제품, 기타 등등(이들 각각은 하나 이상의 연관된 장치와 연결되어 동작할 수 있음)을 비롯한 다른 컴퓨터 시스템 구성으로 실시될 수 있다는 것을 충분히 인식할 것이다.
본 개시내용에서 설명된 실시예들은 또한 어떤 태스크들이 통신 네트워크를 통해 연결되어 있는 원격 처리 장치들에 의해 수행되는 분산 컴퓨팅 환경에서 실시될 수 있다. 분산 컴퓨팅 환경에서, 프로그램 모듈은 로컬 및 원격 메모리 저장 장치 둘 다에 위치할 수 있다.
컴퓨팅 장치는 통상적으로 다양한 컴퓨터 판독가능 매체를 포함한다. 컴퓨터에 의해 액세스 가능한 매체는 그 어떤 것이든지 컴퓨터 판독가능 매체가 될 수 있고, 이러한 컴퓨터 판독가능 매체는 휘발성 및 비휘발성 매체, 일시적(transitory) 및 비일시적(non-transitory) 매체, 이동식 및 비-이동식 매체를 포함한다. 제한이 아닌 예로서, 컴퓨터 판독가능 매체는 컴퓨터 판독가능 저장 매체 및 컴퓨터 판독가능 전송 매체를 포함할 수 있다.
컴퓨터 판독가능 저장 매체는 컴퓨터 판독가능 명령어, 데이터 구조, 프로그램 모듈 또는 기타 데이터와 같은 정보를 저장하는 임의의 방법 또는 기술로 구현되는 휘발성 및 비휘발성 매체, 일시적 및 비-일시적 매체, 이동식 및 비이동식 매체를 포함한다. 컴퓨터 판독가능 저장 매체는 RAM, ROM, EEPROM, 플래시 메모리 또는 기타 메모리 기술, CD-ROM, DVD(digital video disk) 또는 기타 광 디스크 저장 장치, 자기 카세트, 자기 테이프, 자기 디스크 저장 장치 또는 기타 자기 저장 장치, 또는 컴퓨터에 의해 액세스될 수 있고 원하는 정보를 저장하는 데 사용될 수 있는 임의의 기타 매체를 포함하지만, 이에 한정되지 않는다.
컴퓨터 판독가능 전송 매체는 통상적으로 반송파(carrier wave) 또는 기타 전송 메커니즘(transport mechanism)과 같은 피변조 데이터 신호(modulated data signal)에 컴퓨터 판독가능 명령어, 데이터 구조, 프로그램 모듈 또는 기타 데이터 등을 구현하고 모든 정보 전달 매체를 포함한다. 피변조 데이터 신호라는 용어는 신호 내에 정보를 인코딩하도록 그 신호의 특성들 중 하나 이상을 설정 또는 변경시킨 신호를 의미한다. 제한이 아닌 예로서, 컴퓨터 판독가능 전송 매체는 유선 네트워크 또는 직접 배선 접속(direct-wired connection)과 같은 유선 매체, 그리고 음향, RF, 적외선, 기타 무선 매체와 같은 무선 매체를 포함한다. 상술된 매체들 중 임의의 것의 조합도 역시 컴퓨터 판독가능 전송 매체의 범위 안에 포함되는 것으로 한다.
컴퓨터(2002)를 포함하는 본 발명의 여러가지 측면들을 구현하는 예시적인 환경(2000)이 나타내어져 있으며, 컴퓨터(2002)는 처리 장치(2004), 시스템 메모리(2006) 및 시스템 버스(2008)를 포함한다. 본 명세서에서의 컴퓨터(200)는 컴퓨팅 장치와 상호 교환가능하게 사용될 수 있다. 시스템 버스(2008)는 시스템 메모리(2006)(이에 한정되지 않음)를 비롯한 시스템 컴포넌트들을 처리 장치(2004)에 연결시킨다. 처리 장치(2004)는 다양한 상용 프로세서들 중 임의의 프로세서일 수 있다. 듀얼 프로세서 및 기타 멀티프로세서 아키텍처도 역시 처리 장치(2004)로서 이용될 수 있다.
시스템 버스(2008)는 메모리 버스, 주변장치 버스, 및 다양한 상용 버스 아키텍처 중 임의의 것을 사용하는 로컬 버스에 추가적으로 상호 연결될 수 있는 몇 가지 유형의 버스 구조 중 임의의 것일 수 있다. 시스템 메모리(2006)는 판독 전용 메모리(ROM)(2010) 및 랜덤 액세스 메모리(RAM)(2012)를 포함한다. 기본 입/출력 시스템(BIOS)은 ROM, EPROM, EEPROM 등의 비휘발성 메모리(2010)에 저장되며, 이 BIOS는 시동 중과 같은 때에 컴퓨터(2002) 내의 구성요소들 간에 정보를 전송하는 일을 돕는 기본적인 루틴을 포함한다. RAM(2012)은 또한 데이터를 캐싱하기 위한 정적 RAM 등의 고속 RAM을 포함할 수 있다.
컴퓨터(2002)는 또한 내장형 하드 디스크 드라이브(HDD)(2014)(예를 들어, EIDE, SATA), 자기 플로피 디스크 드라이브(FDD)(2016)(예를 들어, 이동식 디스켓(2018)으로부터 판독을 하거나 그에 기록을 하기 위한 것임), SSD 및 광 디스크 드라이브(2020)(예를 들어, CD-ROM 디스크(2022)를 판독하거나 DVD 등의 기타 고용량 광 매체로부터 판독을 하거나 그에 기록을 하기 위한 것임)를 포함한다. 하드 디스크 드라이브(2014), 자기 디스크 드라이브(2016) 및 광 디스크 드라이브(2020)는 각각 하드 디스크 드라이브 인터페이스(2024), 자기 디스크 드라이브 인터페이스(2026) 및 광 드라이브 인터페이스(2028)에 의해 시스템 버스(2008)에 연결될 수 있다. 외장형 드라이브 구현을 위한 인터페이스(2024)는 예를 들어, USB(Universal Serial Bus) 및 IEEE 1394 인터페이스 기술 중 적어도 하나 또는 그 둘 다를 포함한다.
이들 드라이브 및 그와 연관된 컴퓨터 판독가능 매체는 데이터, 데이터 구조, 컴퓨터 실행가능 명령어, 기타 등등의 비휘발성 저장을 제공한다. 컴퓨터(2002)의 경우, 드라이브 및 매체는 임의의 데이터를 적당한 디지털 형식으로 저장하는 것에 대응한다. 상기에서의 컴퓨터 판독가능 저장 매체에 대한 설명이 HDD, 이동식 자기 디스크, 및 CD 또는 DVD 등의 이동식 광 매체를 언급하고 있지만, 당업자라면 집 드라이브(zip drive), 자기 카세트, 플래쉬 메모리 카드, 카트리지, 기타 등등의 컴퓨터에 의해 판독가능한 다른 유형의 저장 매체도 역시 예시적인 운영 환경에서 사용될 수 있으며 또 임의의 이러한 매체가 본 발명의 방법들을 수행하기 위한 컴퓨터 실행가능 명령어를 포함할 수 있다는 것을 잘 알 것이다.
운영 체제(2030), 하나 이상의 어플리케이션 프로그램(2032), 기타 프로그램 모듈(2034) 및 프로그램 데이터(2036)를 비롯한 다수의 프로그램 모듈이 드라이브 및 RAM(2012)에 저장될 수 있다. 운영 체제, 어플리케이션, 모듈 및/또는 데이터의 전부 또는 그 일부분이 또한 RAM(2012)에 캐싱될 수 있다. 본 발명이 여러가지 상업적으로 이용가능한 운영 체제 또는 운영 체제들의 조합에서 구현될 수 있다는 것을 잘 알 것이다.
사용자는 하나 이상의 유선/무선 입력 장치, 예를 들어, 키보드(2038) 및 마우스(2040) 등의 포인팅 장치를 통해 컴퓨터(2002)에 명령 및 정보를 입력할 수 있다. 기타 입력 장치(도시 생략)로는 마이크, IR 리모콘, 조이스틱, 게임 패드, 스타일러스 펜, 터치 스크린, 기타 등등이 있을 수 있다. 이들 및 기타 입력 장치가 종종 시스템 버스(2008)에 연결되어 있는 입력 장치 인터페이스(2042)를 통해 처리 장치(2004)에 연결되지만, 병렬 포트, IEEE 1394 직렬 포트, 게임 포트, USB 포트, IR 인터페이스, 기타 등등의 기타 인터페이스에 의해 연결될 수 있다.
모니터(2044) 또는 다른 유형의 디스플레이 장치도 역시 비디오 어댑터(2046) 등의 인터페이스를 통해 시스템 버스(2008)에 연결된다. 모니터(2044)에 부가하여, 컴퓨터는 일반적으로 스피커, 프린터, 기타 등등의 기타 주변 출력 장치(도시 생략)를 포함한다.
컴퓨터(2002)는 유선 및/또는 무선 통신을 통한 원격 컴퓨터(들)(2048) 등의 하나 이상의 원격 컴퓨터로의 논리적 연결을 사용하여 네트워크화된 환경에서 동작할 수 있다. 원격 컴퓨터(들)(2048)는 워크스테이션, 서버 컴퓨터, 라우터, 퍼스널 컴퓨터, 휴대용 컴퓨터, 마이크로프로세서-기반 오락 기기, 피어 장치 또는 기타 통상의 네트워크 노드일 수 있으며, 일반적으로 컴퓨터(2002)에 대해 기술된 구성요소들 중 다수 또는 그 전부를 포함하지만, 간략함을 위해, 메모리 저장 장치(2050)만이 도시되어 있다. 도시되어 있는 논리적 연결은 근거리 통신망(LAN)(2052) 및/또는 더 큰 네트워크, 예를 들어, 원거리 통신망(WAN)(2054)에의 유선/무선 연결을 포함한다. 이러한 LAN 및 WAN 네트워킹 환경은 사무실 및 회사에서 일반적인 것이며, 인트라넷 등의 전사적 컴퓨터 네트워크(enterprise-wide computer network)를 용이하게 해주며, 이들 모두는 전세계 컴퓨터 네트워크, 예를 들어, 인터넷에 연결될 수 있다.
LAN 네트워킹 환경에서 사용될 때, 컴퓨터(2002)는 유선 및/또는 무선 통신 네트워크 인터페이스 또는 어댑터(2056)를 통해 로컬 네트워크(2052)에 연결된다. 어댑터(2056)는 LAN(2052)에의 유선 또는 무선 통신을 용이하게 해줄 수 있으며, 이 LAN(2052)은 또한 무선 어댑터(2056)와 통신하기 위해 그에 설치되어 있는 무선 액세스 포인트를 포함하고 있다. WAN 네트워킹 환경에서 사용될 때, 컴퓨터(2002)는 모뎀(2058)을 포함할 수 있거나, WAN(2054) 상의 통신 서버에 연결되거나, 또는 인터넷을 통하는 등, WAN(2054)을 통해 통신을 정하는 기타 수단을 갖는다. 내장형 또는 외장형 및 유선 또는 무선 장치일 수 있는 모뎀(2058)은 직렬 포트 인터페이스(2042)를 통해 시스템 버스(2008)에 연결된다. 네트워크화된 환경에서, 컴퓨터(2002)에 대해 설명된 프로그램 모듈들 또는 그의 일부분이 원격 메모리/저장 장치(2050)에 저장될 수 있다. 도시된 네트워크 연결이 예시적인 것이며 컴퓨터들 사이에 통신 링크를 설정하는 기타 수단이 사용될 수 있다는 것을 잘 알 것이다.
컴퓨터(1602)는 무선 통신으로 배치되어 동작하는 임의의 무선 장치 또는 개체, 예를 들어, 프린터, 스캐너, 데스크톱 및/또는 휴대용 컴퓨터, PDA(portable data assistant), 통신 위성, 무선 검출가능 태그와 연관된 임의의 장비 또는 장소, 및 전화와 통신을 하는 동작을 한다. 이것은 적어도 Wi-Fi 및 블루투스 무선 기술을 포함한다. 따라서, 통신은 종래의 네트워크에서와 같이 미리 정의된 구조이거나 단순하게 적어도 2개의 장치 사이의 애드혹 통신(ad hoc communication)일 수 있다.
제시된 프로세스들에 있는 단계들의 특정한 순서 또는 계층 구조는 예시적인 접근들의 일례임을 이해하도록 한다. 설계 우선순위들에 기반하여, 본 개시내용의 범위 내에서 프로세스들에 있는 단계들의 특정한 순서 또는 계층 구조가 재배열될 수 있다는 것을 이해하도록 한다. 본 개시내용의 방법 청구항들은 샘플 순서로 다양한 단계들의 엘리먼트들을 제공하지만 제시된 특정한 순서 또는 계층 구조에 한정되는 것을 의미하지는 않는다.
Claims (18)
- 컴퓨팅 장치에 의해 수행되는 인공지능 기술을 이용하여 약물 이상반응에 대한 예측 결과를 생성하기 위한 방법으로서,
약물 이상반응 탐지를 위한 로우(raw) 데이터를 이용하여 사전 결정된 시간 기간 단위로 업데이트되도록 스케줄링된 주기변환 데이터베이스를 구축하는 단계;
상기 주기변환 데이터베이스에 저장된 데이터에 기초하여, 상기 약물 이상반응 탐지를 위한 인공지능 기반의 예측 모델의 학습을 위한 복수의 입력 변수들을 결정하는 단계; 및
상기 결정된 입력 변수들, 및 특정 약물과 특정 질환에 대한 이상 반응 정보를 포함하는 학습 데이터셋을 이용하여, 상기 예측 모델이 상기 입력 변수들을 입력받는 것에 응답하여 상기 특정 약물과 특정 질환에 대한 이상 반응 정보를 출력하도록, 상기 예측 모델을 학습시키는 단계;
를 포함하고,
상기 주기변환 데이터베이스를 구축하는 단계는:
상기 예측 모델의 공통 데이터 표준 규격에 대응되도록 상기 로우 데이터의 용어를 변환하는 단계; 및
데이터베이스 연동 기법, 파일 연동 기법 또는 변경내역 구분 연동 기법 중 적어도 하나의 기법을 이용하여, 사전 결정된 시간 기간 단위로 업데이트되는 상기 주기변환 데이터베이스를 구축하는 단계;
를 포함하고, 그리고
상기 입력 변수는,
변수의 적어도 일부가 변경된 섭동 입력 데이터 및 상기 섭동 입력 데이터에 응답하여 상기 예측 모델로부터 출력되는 출력 데이터를 이용함으로써 변수 중요도를 결정하는 기법을 이용하여 결정되는,
방법. - 제 1 항에 있어서,
상기 주기변환 데이터베이스를 구축하는 단계는:
전자의무기록(EMR)으로부터 상기 약물 이상반응 탐지를 위한 로우 데이터를 획득하는 단계 - 상기 로우 데이터는, 약물 복용 관련 데이터, 질병 진단 데이터, 진단 검사 데이터 또는 환자 간호 기록 데이터 중 적어도 하나를 포함함 -;
를 더 포함하는,
방법. - 제 1 항에 있어서,
상기 로우 데이터는, FAERS, KAERS, WHO-ART, SIDER 또는 EU-ADR 중 적어도 하나로부터 추가적으로 획득되는,
방법. - 제 1 항에 있어서,
상기 입력 변수는,
인구통계학적 변수, 약물 복용 관련 변수, 진단검사 관련 변수, 간호기록 관련 변수 또는 약물 부작용 진단 관련 변수 중 적어도 하나를 포함하는,
방법. - 제 4 항에 있어서,
상기 인구통계학적 변수는, 성별, 나이 또는 지역 중 적어도 하나를 포함하며,
상기 약물 복용 관련 변수는, 약물 종류, 약물 복용 기간, 약물 복용 용량, 또는 약물 복용 이력 중 적어도 하나를 포함하고,
상기 진단검사 관련 변수는, 촬영을 통한 검사, 혈액 검사 또는 소변 검사 중 적어도 하나를 포함하며,
상기 간호기록 관련 변수는, 간호기록지로부터 획득된 변수로서 광학 문자 인식(OCR), 자연어 처리(NLP) 또는 텍스트 마이닝 중 적어도 하나의 기법을 통해 획득되고, 그리고
상기 약물 부작용 진단 관련 변수는, 약물 부작용에 의한 질환 진단과 관련된 정보를 포함하는,
방법. - 삭제
- 제 1 항에 있어서,
상기 입력 변수는:
이상치(outlier)를 처리하는 단계;
결측값 대체(imputation)를 수행하는 단계;
범주화 또는 재범주화를 수행하는 단계; 및
정규화 또는 표준화를 수행하는 단계;
에 기초하여 전처리되는,
방법. - 제 7 항에 있어서,
상기 약물 이상반응 탐지를 위한 상기 예측 모델을 학습시키는 단계는:
복수의 후보 모델들 중 상기 약물 이상반응 탐지를 위한 예측 모델을 결정하는 단계;
상기 전처리된 입력 변수를 입력 데이터로 하여 상기 예측 모델이 특정 약물 또는 특정 질환에 대한 약물 이상반응 여부, 또는 특정 약물 또는 특정 질환에 대한 약물 이상반응의 발생 확률을 출력하도록, 상기 예측 모델을 학습시키는 단계;
를 포함하는,
방법. - 제 1 항에 있어서,
상기 예측 모델은:
랜덤 포레스트(Random Forest), 로지스틱 회귀(Logistic Regression), 서포트 벡터 머신(Support Vector Machine), 결정 트리(Decision Tree), 나이브 베이즈(Naive Bayes), K-최근접 이웃(k-Nearest Neighbor), XGBoost, LightGBM, CatBoost, 합성곱 신경망(CNN), 순환 신경망(RNN), 장단기 메모리(LSTM), 트랜스포머 및 생성형 사전학습된 트랜스포머(GPT)로 이루어진 후보 모델들 중에서 선택된 모델인,
방법. - 제 9 항에 있어서,
사전 결정된 테스트 데이터셋을 이용하여 상기 후보 모델들 각각으로부터의 출력 결과를 획득하는 단계;
상기 후보 모델들 각각으로부터의 출력 결과에 대한 성능 평가를 수행하는 단계; 및
상기 성능 평가의 결과에 기초하여, 상기 후보 모델들 중 하나의 모델을 상기 예측 모델로 결정하는 단계;
에 기초하여 상기 예측 모델이 결정되는,
방법. - 제 1 항에 있어서,
상기 특정 약물과 특정 질환에 대한 이상 반응 정보는:
특정 약물에 대한 약물 이상반응 여부를 나타내는 제 1 정보;
특정 약물에 대한 약물 이상반응 발생 확률을 나타내는 제 2 정보;
특정 질환에 대한 약물 이상반응 여부를 나타내는 제 3 정보; 및
특정 질환에 대한 약물 이상반응 발생 확률을 나타내는 제 4 정보;
를 포함하는,
방법. - 제 1 항에 있어서,
상기 약물 이상반응에 대한 상기 예측 모델의 출력 결과를 사용자 단말(user terminal)에 전송하는 단계;
를 더 포함하는,
방법. - 제 12 항에 있어서,
상기 사용자 단말에 전송되는 상기 출력 결과는:
탐지 혹은 미탐지로 구분되는, 약물 이상 반응에 대한 이중 분류를 나타내는 제 1 결과;
약물 이상 반응에 대한 확률 표기를 나타내는 제 2 결과; 또는
약물, 이상 반응 및 위험도를 연결하는 3단계 범주 표기를 나타내는 제 3 결과;
중 적어도 하나의 출력 결과를 포함하는,
방법. - 제 1 항에 있어서,
상기 예측 모델로부터 출력되는 출력 결과는,
상기 출력 결과에 대해 평가된 정확도를 기반으로 상기 예측 모델을 재학습시키는 데에 사용되는,
방법. - 제 1 항에 있어서,
상기 예측 모델로부터의 출력 결과를 수신한 사용자 단말로부터 전송되는 상기 출력 결과에 대응되는 피드백 정보는 상기 예측 모델을 재학습시키는 데에 사용되는,
방법. - 컴퓨터 판독가능 저장 매체에 저장되는 컴퓨터 프로그램으로서, 상기 컴퓨터 프로그램은 컴퓨팅 장치에 의해 실행 시 상기 컴퓨팅 장치로 하여금 인공지능 기술을 이용하여 약물 이상반응에 대한 예측 결과를 생성하는 동작들을 수행하도록 하며, 상기 동작들은:
약물 이상반응 탐지를 위한 로우(raw) 데이터를 이용하여 사전 결정된 시간 기간 단위로 업데이트되도록 스케줄링된 주기변환 데이터베이스를 구축하는 동작;
상기 주기변환 데이터베이스에 저장된 데이터에 기초하여, 상기 약물 이상반응 탐지를 위한 인공지능 기반의 예측 모델의 학습을 위한 복수의 입력 변수들을 결정하는 동작; 및
상기 결정된 입력 변수들, 및 특정 약물과 특정 질환에 대한 이상 반응 정보를 포함하는 학습 데이터셋을 이용하여, 상기 예측 모델이 상기 입력 변수들을 입력받는 것에 응답하여 상기 특정 약물과 특정 질환에 대한 이상 반응 정보를 출력하도록, 상기 예측 모델을 학습시키는 동작;
을 포함하고,
상기 주기변환 데이터베이스를 구축하는 동작은:
상기 예측 모델의 공통 데이터 표준 규격에 대응되도록 상기 로우 데이터의 용어를 변환하는 동작; 및
데이터베이스 연동 기법, 파일 연동 기법 또는 변경내역 구분 연동 기법 중 적어도 하나의 기법을 이용하여, 사전 결정된 시간 기간 단위로 업데이트되는 상기 주기변환 데이터베이스를 구축하는 동작;
을 포함하고, 그리고
상기 입력 변수는,
변수의 적어도 일부가 변경된 섭동 입력 데이터 및 상기 섭동 입력 데이터에 응답하여 상기 예측 모델로부터 출력되는 출력 데이터를 이용함으로써 변수 중요도를 결정하는 기법을 이용하여 결정되는,
컴퓨터 판독가능 저장 매체에 저장되는 컴퓨터 프로그램. - 컴퓨팅 장치로서,
적어도 하나의 프로세서; 및
메모리;
를 포함하며,
상기 적어도 하나의 프로세서는:
약물 이상반응 탐지를 위한 로우 데이터를 이용하여 사전 결정된 시간 기간 단위로 업데이트되도록 스케줄링된 주기변환 데이터베이스를 구축하는 동작;
상기 주기변환 데이터베이스에 저장된 데이터에 기초하여, 상기 약물 이상반응 탐지를 위한 인공지능 기반의 예측 모델의 학습을 위한 복수의 입력 변수들을 결정하는 동작; 및
상기 결정된 입력 변수들, 및 특정 약물과 특정 질환에 대한 이상 반응 정보를 포함하는 학습 데이터셋을 이용하여, 상기 예측 모델이 상기 입력 변수들을 입력받는 것에 응답하여 상기 특정 약물과 특정 질환에 대한 이상 반응 정보를 출력하도록, 상기 예측 모델을 학습시키는 동작;
을 수행하며,
상기 주기변환 데이터베이스를 구축하는 동작은:
상기 예측 모델의 공통 데이터 표준 규격에 대응되도록 상기 로우 데이터의 용어를 변환하는 동작; 및
데이터베이스 연동 기법, 파일 연동 기법 또는 변경내역 구분 연동 기법 중 적어도 하나의 기법을 이용하여, 사전 결정된 시간 기간 단위로 업데이트되는 상기 주기변환 데이터베이스를 구축하는 동작;
을 포함하고, 그리고
상기 입력 변수는,
변수의 적어도 일부가 변경된 섭동 입력 데이터 및 상기 섭동 입력 데이터에 응답하여 상기 예측 모델로부터 출력되는 출력 데이터를 이용함으로써 변수 중요도를 결정하는 기법을 이용하여 결정되는,
컴퓨팅 장치. - 컴퓨팅 장치에 의해 수행되는 인공지능 기술을 이용하여 약물 이상반응에 대한 예측 결과를 생성하기 위한 방법으로서,
약물 이상반응 탐지를 위한 로우 데이터를 이용하여 사전 결정된 시간 기간 단위로 업데이트되도록 스케줄링된 주기변환 데이터베이스에 저장된 데이터에 기초하여, 상기 약물 이상반응 탐지를 위한 입력 데이터를 획득하는 단계; 및
인공지능 기반의 예측 모델을 이용하여 상기 입력 데이터로부터 특정 약물과 특정 질환에 대한 이상 반응 정보를 획득하는 단계;
를 포함하며,
상기 주기변환 데이터베이스는:
상기 예측 모델의 공통 데이터 표준 규격에 대응되도록 상기 로우 데이터의 용어를 변환하는 동작; 및
데이터베이스 연동 기법, 파일 연동 기법 또는 변경내역 구분 연동 기법 중 적어도 하나의 기법을 이용하여, 사전 결정된 시간 기간 단위로 업데이트되는 상기 주기변환 데이터베이스를 구축하는 동작;
을 기초로 생성되며, 그리고
상기 예측 모델의 학습을 위한 복수의 입력 변수들은,
변수의 적어도 일부가 변경된 섭동 입력 데이터 및 상기 섭동 입력 데이터에 응답하여 상기 예측 모델로부터 출력되는 출력 데이터를 이용함으로써 변수 중요도를 결정하는 기법을 이용하여 결정되는,
방법.
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020230068851A KR102600419B1 (ko) | 2023-05-30 | 2023-05-30 | 주기변환 데이터베이스와 인공지능을 활용한 능동적 약물 이상반응 탐지 시스템 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020230068851A KR102600419B1 (ko) | 2023-05-30 | 2023-05-30 | 주기변환 데이터베이스와 인공지능을 활용한 능동적 약물 이상반응 탐지 시스템 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| KR102600419B1 true KR102600419B1 (ko) | 2023-11-09 |
Family
ID=88747864
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020230068851A KR102600419B1 (ko) | 2023-05-30 | 2023-05-30 | 주기변환 데이터베이스와 인공지능을 활용한 능동적 약물 이상반응 탐지 시스템 |
Country Status (1)
| Country | Link |
|---|---|
| KR (1) | KR102600419B1 (ko) |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20080042256A (ko) * | 2006-11-09 | 2008-05-15 | 아주대학교산학협력단 | 약물부작용감시 시스템 |
| KR20200023689A (ko) * | 2018-08-20 | 2020-03-06 | 아주대학교산학협력단 | 인공지능 기반의 약물유해반응 탐지 방법 및 그 시스템 |
| KR20220082963A (ko) * | 2020-12-10 | 2022-06-20 | 건양대학교산학협력단 | 약물 감시 플랫폼 및 그것을 구비하는 컴퓨터의 제어방법 |
| KR20220095949A (ko) * | 2020-12-30 | 2022-07-07 | 재단법인 아산사회복지재단 | 전자의무기록에서의 다변량 결측값 대체 방법 |
| KR20220117729A (ko) * | 2021-02-17 | 2022-08-24 | 성균관대학교산학협력단 | 머신러닝 기반의 약물 부작용 탐지 방법 및 그 장치 |
-
2023
- 2023-05-30 KR KR1020230068851A patent/KR102600419B1/ko active IP Right Grant
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20080042256A (ko) * | 2006-11-09 | 2008-05-15 | 아주대학교산학협력단 | 약물부작용감시 시스템 |
| KR20200023689A (ko) * | 2018-08-20 | 2020-03-06 | 아주대학교산학협력단 | 인공지능 기반의 약물유해반응 탐지 방법 및 그 시스템 |
| KR20220082963A (ko) * | 2020-12-10 | 2022-06-20 | 건양대학교산학협력단 | 약물 감시 플랫폼 및 그것을 구비하는 컴퓨터의 제어방법 |
| KR20220095949A (ko) * | 2020-12-30 | 2022-07-07 | 재단법인 아산사회복지재단 | 전자의무기록에서의 다변량 결측값 대체 방법 |
| KR20220117729A (ko) * | 2021-02-17 | 2022-08-24 | 성균관대학교산학협력단 | 머신러닝 기반의 약물 부작용 탐지 방법 및 그 장치 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Shickel et al. | Deep EHR: a survey of recent advances in deep learning techniques for electronic health record (EHR) analysis | |
| Ghassemi et al. | A review of challenges and opportunities in machine learning for health | |
| Mustafa et al. | Automated machine learning for healthcare and clinical notes analysis | |
| Xiao et al. | Readmission prediction via deep contextual embedding of clinical concepts | |
| Ruan et al. | Representation learning for clinical time series prediction tasks in electronic health records | |
| Getzen et al. | Mining for equitable health: Assessing the impact of missing data in electronic health records | |
| Lee et al. | Harmonized representation learning on dynamic EHR graphs | |
| Sarker et al. | K-nearest neighbor learning based diabetes mellitus prediction and analysis for eHealth services | |
| Alshwaheen et al. | A novel and reliable framework of patient deterioration prediction in intensive care unit based on long short-term memory-recurrent neural network | |
| Payrovnaziri et al. | Enhancing prediction models for one-year mortality in patients with acute myocardial infarction and post myocardial infarction syndrome | |
| Islam et al. | Deepdrg: Performance of artificial intelligence model for real-time prediction of diagnosis-related groups | |
| Chen et al. | Combining attention with spectrum to handle missing values on time series data without imputation | |
| Omar et al. | Diabetes subtypes classification for personalized health care: A review | |
| Lee et al. | The predictive skill of convolutional neural networks models for disease forecasting | |
| Bertl et al. | Evaluation of deep learning-based depression detection using medical claims data | |
| Bashar et al. | Machine learning for predicting propensity-to-pay energy bills | |
| Andjelkovic et al. | Sequential machine learning in prediction of common cancers | |
| KR102600419B1 (ko) | 주기변환 데이터베이스와 인공지능을 활용한 능동적 약물 이상반응 탐지 시스템 | |
| Subasi | Hospital readmission forecasting using artificial intelligence | |
| Reid | Diabetes diagnosis and readmission risks predictive modelling: USA | |
| Shafqat et al. | Rules Extraction, Diagnoses and Prognosis of Diabetes and its Comorbidities using Deep Learning Analytics with Semantics on Big Data | |
| Röchner et al. | Using machine learning to link electronic health records in cancer registries: On the tradeoff between linkage quality and manual effort | |
| Shafqat et al. | NER Sequence Embedding of Unified Medical Corpora to Incorporate Semantic Intelligence in Big Data Healthcare Diagnostics | |
| US20240194354A1 (en) | Tool for predicting prognosis and improving survival of patients | |
| US20240194351A1 (en) | Tool for predicting prognosis and improving survival in covid-19 patients |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| E701 | Decision to grant or registration of patent right | ||
| GRNT | Written decision to grant |