KR102600493B1 - Apparatus and method for predicting length of stay and mortality rate of patients in intensive care unit - Google Patents
Apparatus and method for predicting length of stay and mortality rate of patients in intensive care unit Download PDFInfo
- Publication number
- KR102600493B1 KR102600493B1 KR1020230036401A KR20230036401A KR102600493B1 KR 102600493 B1 KR102600493 B1 KR 102600493B1 KR 1020230036401 A KR1020230036401 A KR 1020230036401A KR 20230036401 A KR20230036401 A KR 20230036401A KR 102600493 B1 KR102600493 B1 KR 102600493B1
- Authority
- KR
- South Korea
- Prior art keywords
- information
- stay
- length
- mortality
- predicting
- Prior art date
Links
- 238000000034 method Methods 0.000 title claims abstract description 30
- 239000000284 extract Substances 0.000 claims abstract description 7
- 238000007781 pre-processing Methods 0.000 claims description 14
- 230000008569 process Effects 0.000 claims description 10
- 230000007246 mechanism Effects 0.000 claims description 8
- 230000002123 temporal effect Effects 0.000 claims description 4
- 238000000605 extraction Methods 0.000 claims 1
- 230000010365 information processing Effects 0.000 description 9
- 230000001364 causal effect Effects 0.000 description 6
- 238000010586 diagram Methods 0.000 description 6
- 230000006870 function Effects 0.000 description 6
- 238000013135 deep learning Methods 0.000 description 3
- 238000004393 prognosis Methods 0.000 description 3
- 208000025721 COVID-19 Diseases 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 238000012546 transfer Methods 0.000 description 2
- 230000004913 activation Effects 0.000 description 1
- 230000032683 aging Effects 0.000 description 1
- 239000008280 blood Substances 0.000 description 1
- 210000004369 blood Anatomy 0.000 description 1
- 238000009534 blood test Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 238000009533 lab test Methods 0.000 description 1
- 230000000474 nursing effect Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000029058 respiratory gaseous exchange Effects 0.000 description 1
- 238000001356 surgical procedure Methods 0.000 description 1
- 230000004083 survival effect Effects 0.000 description 1
- 238000002627 tracheal intubation 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
- G16H50/20—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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H10/00—ICT specially adapted for the handling or processing of patient-related medical or healthcare data
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Medical Informatics (AREA)
- Health & Medical Sciences (AREA)
- Public Health (AREA)
- Primary Health Care (AREA)
- Software Systems (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Epidemiology (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Databases & Information Systems (AREA)
- Artificial Intelligence (AREA)
- Physics & Mathematics (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Pathology (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
본 발명은 중환자실(ICU: Intensive Care Unit) 환자의 재원기간 및 사망률을 예측하는 장치 및 방법에 대한 것으로, 제1 네트워크부가 시계열 환자 데이터를 기반으로 미리 정해진 시간대역별 데이터 흐름을 파악하고, 상기 시간대역별 중요 정보를 추출하고, 제2 네트워크부가 상기 시간대역별 데이터 흐름 정보 및 중요 정보와 예측하고자 하는 정보에 대응하는 타겟 정보 간의 관계를 학습하고, 분석부가 상기 학습된 정보를 기반으로 상기 재원 기간 및 사망률을 예측한다.The present invention relates to an apparatus and method for predicting the length of stay and mortality rate of intensive care unit (ICU) patients, wherein the first network unit determines the data flow for each predetermined time zone based on time series patient data, and Extracts important information for each station, the second network unit learns the relationship between the data flow information and important information for each time zone and target information corresponding to the information to be predicted, and the analysis unit learns the length of stay and mortality rate based on the learned information. predict.
Description
본 발명은 중환자실(ICU: Intensive Care Unit) 환자의 재원 기간과 사망률을 예측하는 장치 및 방법에 관한 것으로, 특히 딥러닝(Deep Learning) 기반의 시계열 예측 모델을 이용하여 환자의 재원 기간과 사망률을 예측하는 장치 및 방법에 관한 것이다.The present invention relates to a device and method for predicting the length of stay and mortality of patients in an intensive care unit (ICU). In particular, the length of stay and mortality of patients are predicted using a deep learning-based time series prediction model. It relates to a prediction device and method.
인구의 노령화와 일반적인 의료 설비로는 충분히 관리할 수 없는 중증환자 또는 대수술 후의 환자 등의 증가로 인해 중환자실에 대한 환자들의 수요는 매년 지속적으로 증가하고 있다. 또한 중환자실은 구급 소생장치, 삽관 절개기구, 인공호흡장치, 제세동기, 심장박동원, 심전계, X선 촬영장치, 호흡기능 측정장치 등이 상시 비치되어 있고 이들 기기를 충분히 조작할 수 있는 전문의와 숙련된 간호사가 24시간 교대로 치료와 간호를 담당해야 한다. Due to the aging population and the increase in the number of seriously ill patients or patients after major surgery who cannot be adequately managed with general medical facilities, the demand for intensive care units continues to increase every year. In addition, the intensive care unit is always equipped with emergency resuscitation equipment, intubation equipment, artificial respiration equipment, defibrillators, heart pacemakers, electrocardiographs, Nurses must be in charge of treatment and nursing in shifts 24 hours a day.
그러나 중환자실은 병상의 수가 적고 많은 전문 인력들을 필요로 하므로 한정된 인력과 자원을 효율적으로 관리하는 것이 매우 중요하다. 이를 위해 현재 의료진들이 직접 환자의 재원 기간과 사망률을 예측하지만 실제 결과와 예측 결과의 차이가 커 신뢰성이 부족한 문제가 있다. 뿐만 아니라 중환자실 데이터는 누락된 데이터 값과 불규칙한 샘플링 기간 등 다양한 문제로 인해 사용에 어려움이 있으며, 환자마다 상태와 위험 요인 등 고려해야할 요소들이 달라 의료진의 정확한 판단에 어려움을 준다. 또한 환자의 재원 기간과 사망률 예측 시 일부 데이터만 사용하므로 이상치(outlier)에 해당하는 환자의 경우에는 정확도가 매우 떨어지는 문제가 있다. However, since intensive care units have a small number of beds and require a large number of specialized personnel, it is very important to efficiently manage limited manpower and resources. To this end, medical staff currently directly predict the patient's length of stay and mortality, but there is a problem of lack of reliability due to the large difference between actual and predicted results. In addition, intensive care unit data is difficult to use due to various problems such as missing data values and irregular sampling periods, and each patient has different factors to consider, such as condition and risk factors, making it difficult for medical staff to make accurate judgments. In addition, since only some data is used when predicting a patient's length of stay and mortality, there is a problem of very low accuracy for patients who are outliers.
이에 따라 중환자실 환자의 재원 기간과 사망률을 정확히 예측하여 의료진들의 정확한 판단에 도움을 줄 수 있는 기술이 필요하다.Accordingly, there is a need for technology that can accurately predict the length of stay and mortality rate of intensive care unit patients and help medical staff make accurate decisions.
본 발명은 상기와 같은 문제를 해결하기 위해 안출된 것으로, 본 발명의 목적은 딥러닝 기반의 시계열 예측 모델을 이용하여 중환자실 환자의 재원 기간과 사망률을 예측하는 장치 및 방법을 제공하는 것이다.The present invention was created to solve the above problems, and the purpose of the present invention is to provide an apparatus and method for predicting the length of stay and mortality rate of intensive care unit patients using a deep learning-based time series prediction model.
상기 목적을 달성하기 위한 본 발명의 일 실시예에 따른 중환자실 환자의 재원기간 및 사망률을 예측하는 장치는, 시계열 환자 데이터를 기반으로 미리 정해진 시간대역별 데이터 흐름을 파악하고, 상기 시간대역별 중요 정보를 추출하는 제1 네트워크부와, 상기 시간대역별 데이터 흐름 정보 및 중요 정보와 예측하고자 하는 정보에 대응하는 타겟 정보 간의 관계를 학습하는 제2 네트워크부와, 상기 학습된 정보를 기반으로 상기 재원 기간 및 사망률을 예측하는 분석부를 포함한다. In order to achieve the above object, a device for predicting the length of stay and mortality rate of intensive care unit patients according to an embodiment of the present invention identifies the data flow for each predetermined time zone based on time series patient data, and provides important information for each time zone. A first network unit that extracts, a second network unit that learns the relationship between the data flow information and important information for each time zone and target information corresponding to the information to be predicted, and the length of stay and mortality rate based on the learned information It includes an analysis unit that predicts.
상기 목적을 달성하기 위한 본 발명의 일 실시예에 따른 중환자실 환자의 재원기간 및 사망률을 예측하는 방법은, 중환자실 환자의 재원기간 및 사망률을 예측하는 방법에 있어서, 시계열 환자 데이터를 기반으로 미리 정해진 시간대역별 데이터 흐름을 파악하고, 상기 시간대역별 중요 정보를 추출하는 과정과, 상기 시간대역별 데이터 흐름 정보 및 중요 정보와 예측하고자 하는 정보에 대응하는 타겟 정보 간의 관계를 학습하는 과정과, 상기 학습된 정보를 기반으로 상기 재원 기간 및 사망률을 예측하는 과정을 포함한다.A method of predicting the length of stay and mortality of intensive care unit patients according to an embodiment of the present invention to achieve the above object is a method of predicting the length of stay and mortality of intensive care unit patients in advance based on time series patient data. A process of identifying the data flow for each designated time band and extracting important information for each time band, a process of learning the relationship between the data flow information and important information for each time band and target information corresponding to the information to be predicted, and the learned It includes the process of predicting the length of stay and mortality rate based on the information.
상술한 본 발명의 일측면에 따르면, 본 발명은 딥러닝 기반의 시계열 예측 모델을 이용하여 중환자실 환자의 재원 기간과 사망률을 예측하는 장치 및 방법을 제공함으로써, 환자의 재원 기간과 사망률을 빠르고 정확하게 예측하여 의료진의 정확한 판단에 도움을 주어 시간과 부담을 줄일 수 있으며, 이를 통해 환자에게도 적절하고 신속한 처치를 받을 수 있도록 하여 예후에도 큰 도움을 주고 사망률 또한 감소시킬 수 있는 효과가 있다.According to one aspect of the present invention described above, the present invention provides a device and method for predicting the length of stay and mortality of intensive care unit patients using a deep learning-based time series prediction model, thereby quickly and accurately predicting the length of stay and mortality of patients. By predicting and helping medical staff make accurate decisions, time and burden can be reduced, and through this, patients can also receive appropriate and prompt treatment, greatly helping with prognosis and reducing mortality.
또한 본 발명에서 제안하는 시계열 예측 모델은 중환자실에서 필수적으로 측정해야 하는 변수들을 사용하므로 국내외 병원에 쉽게 적용할 수 있으며, 위급한 상황에서 의료진의 정확하고 빠른 의사결정을 도와 의료비용 절감 효과를 기대할 수 있다. 뿐만 아니라 이로 인해 중환자실의 운영 효율이 높아져 병원의 전체적인 운영구조 개선에 효과적이다.In addition, the time series prediction model proposed in the present invention uses variables that must be measured in intensive care units, so it can be easily applied to hospitals at home and abroad, and is expected to reduce medical costs by helping medical staff make accurate and quick decisions in emergency situations. You can. In addition, this increases the operating efficiency of the intensive care unit and is effective in improving the overall operating structure of the hospital.
도 1은 본 발명의 실시예에 따른 중환자실 환자의 재원기간 및 사망률을 예측하는 장치를 도시한 블록도,
도 2는 본 발명의 실시예에 따른 중환자실 환자의 재원기간 및 사망률 예측 장치의 프로세서 내부 구성을 도시한 블록도,
도 3은 본 발명의 실시예에 따른 시계열 예측 모델을 구현하는 네트워크부의 내부 구성을 도시한 블록도,
그리고, 도 4는 본 발명의 실시예에 따른 중환자실 환자의 재원기간 및 사망률 예측 장치의 동작을 도시한 순서도.1 is a block diagram showing a device for predicting the length of stay and mortality rate of intensive care unit patients according to an embodiment of the present invention;
Figure 2 is a block diagram showing the internal configuration of a processor of a device for predicting the length of stay and mortality of intensive care unit patients according to an embodiment of the present invention;
Figure 3 is a block diagram showing the internal configuration of a network unit implementing a time series prediction model according to an embodiment of the present invention;
And, Figure 4 is a flowchart showing the operation of the device for predicting the length of stay and mortality of intensive care unit patients according to an embodiment of the present invention.
후술하는 본 발명에 대한 상세한 설명은, 본 발명이 실시될 수 있는 특정 실시예를 예시로서 도시하는 첨부 도면을 참조한다. 이들 실시예는 당업자가 본 발명을 실시할 수 있기에 충분하도록 상세히 설명된다. 본 발명의 다양한 실시예는 서로 다르지만 상호 배타적일 필요는 없음이 이해되어야 한다. 예를 들어, 여기에 기재되어 있는 특정 형상, 구조 및 특성은 일 실시예와 관련하여 본 발명의 정신 및 범위를 벗어나지 않으면서 다른 실시예로 구현될 수 있다. 또한, 각각의 개시된 실시예 내의 개별 구성요소의 위치 또는 배치는 본 발명의 정신 및 범위를 벗어나지 않으면서 변경될 수 있음이 이해되어야 한다. 따라서, 후술하는 상세한 설명은 한정적인 의미로서 취하려는 것이 아니며, 본 발명의 범위는, 적절하게 설명된다면, 그 청구항들이 주장하는 것과 균등한 모든 범위와 더불어 첨부된 청구항에 의해서만 한정된다. 도면에서 유사한 참조부호는 여러 측면에 걸쳐서 동일하거나 유사한 기능을 지칭한다.The detailed description of the present invention described below refers to the accompanying drawings, which show by way of example specific embodiments in which the present invention may be practiced. These embodiments are described in sufficient detail to enable those skilled in the art to practice the invention. It should be understood that the various embodiments of the invention are different from one another but are not necessarily mutually exclusive. For example, specific shapes, structures and characteristics described herein may be implemented in one embodiment without departing from the spirit and scope of the invention. Additionally, it should be understood that the location or arrangement of individual components within each disclosed embodiment may be changed without departing from the spirit and scope of the invention. Accordingly, the detailed description that follows is not intended to be taken in a limiting sense, and the scope of the invention is limited only by the appended claims, together with all equivalents to what those claims assert, if properly described. Similar reference numbers in the drawings refer to identical or similar functions across various aspects.
본 발명에 따른 구성요소들은 물리적인 구분이 아니라 기능적인 구분에 의해서 정의되는 구성요소들로써 각각이 수행하는 기능들에 의해서 정의될 수 있다. 각각의 구성요소들은 하드웨어 또는 각각의 기능을 수행하는 프로그램 코드 및 프로세싱 유닛으로 구현될 수 있을 것이며, 두 개 이상의 구성요소의 기능이 하나의 구성요소에 포함되어 구현될 수도 있을 것이다. 따라서 이하의 실시예에서 구성요소에 부여되는 명칭은 각각의 구성요소를 물리적으로 구분하기 위한 것이 아니라 각각의 구성요소가 수행되는 대표적인 기능을 암시하기 위해서 부여된 것이며, 구성요소의 명칭에 의해서 본 발명의 기술적 사상이 한정되지 않는 것임에 유의하여야 한다.The components according to the present invention are components defined by functional division rather than physical division, and can be defined by the functions each performs. Each component may be implemented as hardware or program code and processing units that perform each function, and the functions of two or more components may be included and implemented in one component. Therefore, the names given to the components in the following embodiments are not intended to physically distinguish each component, but are given to suggest the representative function performed by each component, and the names of the components refer to the present invention. It should be noted that the technical idea is not limited.
이하에서는 도면들을 참조하여 본 발명의 바람직한 실시예들을 보다 상세하게 설명하기로 한다.Hereinafter, preferred embodiments of the present invention will be described in more detail with reference to the drawings.
도 1은 본 발명의 실시예에 따른 중환자실 환자의 재원기간 및 사망률을 예측하는 장치를 도시한 블록도이다.Figure 1 is a block diagram showing a device for predicting the length of stay and mortality rate of intensive care unit patients according to an embodiment of the present invention.
도 1을 참조하면, 본 발명의 실시예에 따른 재원기간 및 사망률 예측 장치(100)는 입출력부(110), 저장부(120) 및 프로세서(130)를 포함한다. 또한 도시하지는 않았으나 본 발명의 실시예에 따른 재원기간 및 사망률 예측 장치(100)는 입출력 데이터를 송수신하는 통신부를 더 포함할 수 있음은 물론이다.Referring to Figure 1, the length of stay and mortality prediction device 100 according to an embodiment of the present invention includes an input/output unit 110, a storage unit 120, and a processor 130. In addition, although not shown, of course, the length of stay and mortality prediction device 100 according to an embodiment of the present invention may further include a communication unit for transmitting and receiving input and output data.
재원기간 및 사망률 예측 장치(100)는 입출력부(110)를 통해 중환자실에 입원한 환자들에 대한 환자 데이터를 입력 받고, 프로세서(130)를 통해 상기 입력된 환자 데이터에 본 발명에서 제안하는 시계열 예측 모델을 적용하여 중환자실 환자의 재원 기간과 사망률을 예측한다. 또한 상기 환자의 재원 기간 및 사망률 예측 결과를 입출력부(110)를 통해 출력한다.The length of stay and mortality prediction device 100 receives patient data on patients hospitalized in the intensive care unit through the input/output unit 110, and inputs the input patient data through the processor 130 into the time series proposed by the present invention. Apply a prediction model to predict length of stay and mortality of intensive care unit patients. In addition, the patient's hospitalization period and mortality prediction results are output through the input/output unit 110.
상기 환자 데이터에 시계열 예측 모델을 적용하여 중환자실 환자의 재원 기간과 사망률을 예측하는 동작은 도 2 내지 도 4를 통해 상세히 설명할 것이므로 여기서는 그 상세한 설명을 생략하도록 한다.The operation of predicting the length of stay and mortality rate of intensive care unit patients by applying a time series prediction model to the patient data will be explained in detail through FIGS. 2 to 4, so the detailed description will be omitted here.
상기 환자 데이터는 일례로 MIMIC(Medical Information Mart for Intensive Care) 데이터가 될 수 있으며, 상기 MIMIC 데이터에는 인구통계학(demographics), 병상에서 측정되는 활력징후(vital sign), 실험실 테스트 결과, 진단 코드, 처방전, 간병인 메모, 영상 기록, 실제 재원 기간 및 사망 여부 등의 정보가 포함된다.The patient data may be, for example, MIMIC (Medical Information Mart for Intensive Care) data, and the MIMIC data includes demographics, vital signs measured at the hospital bed, laboratory test results, diagnosis codes, and prescriptions. , caregiver notes, video recordings, actual length of stay, and information such as death.
또한 재원기간 및 사망률 예측 장치(100)는 저장부(120)에 상기 MIMIC 데이터의 데이터 베이스와, 상기 MIMIC 데이터를 기반으로 하는 시계열 데이터를 토대로 재원기간 및 사망률을 예측하도록 학습된 적어도 하나의 시계열 예측 모델을 저장한다.In addition, the length of stay and mortality prediction device 100 includes a database of the MIMIC data in the storage unit 120 and at least one time series prediction learned to predict the length of stay and mortality based on time series data based on the MIMIC data. Save the model.
또한 재원기간 및 사망률 예측 장치(100)는 프로세서(130)가 처리하는 데이터를 일시적 또는 영구적으로 저장부(120)에 저장하며, 상기 저장부(120)는 휘발성 저장매체 또는 비휘발성 저장매체를 포함할 수 있으나, 본 발명의 범위가 이에 한정되는 것은 아니다.In addition, the length of stay and mortality prediction device 100 temporarily or permanently stores the data processed by the processor 130 in the storage unit 120, and the storage unit 120 includes a volatile storage medium or a non-volatile storage medium. However, the scope of the present invention is not limited thereto.
도 2는 본 발명의 실시예에 따른 중환자실 환자의 재원기간 및 사망률 예측 장치의 프로세서 내부 구성을 도시한 블록도이다.Figure 2 is a block diagram showing the internal configuration of a processor of an apparatus for predicting the length of stay and mortality of intensive care unit patients according to an embodiment of the present invention.
도 2를 참조하면, 도시된 프로세서(130)는 데이터 전처리부(210), 제1 네트워크부(220), 제2 네트워크부(230) 및 분석부(240)를 포함한다. 상기 제1 및 제2 네트워크부(210,220)는 본 명의 실시예에 따른 시계열 예측 모델을 구현하기 위한 구성부이며, 후술한 도 3에서 보다 상세히 설명하기로 한다.Referring to FIG. 2, the illustrated processor 130 includes a data preprocessing unit 210, a first network unit 220, a second network unit 230, and an analysis unit 240. The first and second network units 210 and 220 are components for implementing a time series prediction model according to an embodiment of the present invention, and will be described in more detail with reference to FIG. 3 described later.
환자 데이터(200)가 데이터 전처리부(210)에 입력되고, 데이터 전처리부(210)는 입력된 환자 데이터(200)에서 환자의 재원기간 및 사망률 예측 시 예측 성능을 저하시키는 데이터들을 제거하는 데이터 전처리를 수행한다. Patient data 200 is input to the data preprocessing unit 210, and the data preprocessing unit 210 performs data preprocessing to remove data that deteriorates prediction performance when predicting the patient's length of stay and mortality rate from the input patient data 200. Perform.
즉 성인과 생리학적 차이가 큰 18세 이하의 환자 데이터, 중환자실 입/퇴원을 2회 이상 반복하여 최초 입원과 나중 입원 사이의 데이터가 누락될 수 있는 환자 데이터, 또는 중환자실 입원 기간 동안 병원 이동이 있어 병원간 상이한 측정 변수가 적용될 수 있는 환자 데이터 등을 제거한다. That is, data for patients under 18 years of age who have significant physiological differences from adults, data for patients who repeat admission and discharge from the intensive care unit more than twice and may be missing data between the first and later admissions, or hospital transfers during the intensive care unit stay. This eliminates patient data that may apply different measurement variables between hospitals.
또한 모세혈관 재충전 레이트(Capillary refill rate)와 같이 측정자에 따라 측정값이 달라지는 변수들을 제거하고, 변수 값들을 [-1,1] 구간으로 스케일링 한다. 모세혈관 재충전 레이트라 함은 손가락 또는 발가락 패드를 눌러서 혈액이 다시 돌아오는 시간을 측정하는 것을 의미하는 것으로 측정자의 누르는 강도에 따라 그 측정값이 달라질 수 있다.Additionally, variables whose measured values vary depending on the measurer, such as capillary refill rate, are removed and variable values are scaled to the [-1,1] interval. Capillary recharge rate refers to measuring the time it takes for blood to return by pressing the pad of a finger or toe, and the measured value may vary depending on the strength of the measurer's pressure.
또한 환자 데이터(200) 중 1일 1회 진행되는 혈액 검사와 같이 샘플링 기간이 긴 데이터는 결측 값(missing value)이 발생될 수 있으며, 이러한 결측 값은 환자의 재원기간 및 사망률 예측 시 예측 성능에 영향을 미칠 수 있다. 데이터 전처리부(210)는 이러한 결측 값을 이전 값으로 채우는 데이터 전처리를 수행한다.In addition, among the patient data (200), data with a long sampling period, such as blood tests performed once a day, may generate missing values, and these missing values affect the prediction performance when predicting the patient's length of stay and mortality. It can have an impact. The data preprocessing unit 210 performs data preprocessing to fill these missing values with previous values.
데이터 전처리부(210)를 통해 전처리된 환자 데이터는 워드 임베딩(word embedding)을 통해 임베딩 벡터로 변환하여 제1 네트워크부(220)에 입력되는데, 이때 입력되는 벡터 값들은 시간 순으로 정렬하여 입력된다. 후술할 본 발명의 실시예에서는 이렇게 시간 순으로 정렬하여 입력되는 벡터 값들을 시계열 환자 데이터라 정의한다.Patient data preprocessed through the data preprocessing unit 210 is converted into an embedding vector through word embedding and input to the first network unit 220. At this time, the input vector values are sorted in chronological order and input. . In an embodiment of the present invention, which will be described later, vector values that are input by sorting in time order are defined as time series patient data.
제1 네트워크부(220)는 입력된 시계열 환자 데이터를 통해 시간적 추세를 학습하여 미리 정해진 시간대역 별 데이터 흐름을 파악하고, 상기 시계열 환자 데이터에 어텐션 메커니즘(Attention Mechanism)을 적용하여 상기 시간대역 별 중요 정보를 추출한다. 여기서 어텐션 메커니즘이라 함은 입력된 시계열 환자 데이터에 포함된 정보들 중 중요 정보에 더 높은 가중치(weight)를 부여하여 상기 중요 정보를 추출하는 방식을 의미한다.The first network unit 220 learns the temporal trend through the input time series patient data to determine the data flow for each predetermined time zone, and applies an attention mechanism to the time series patient data to determine the important information for each time zone. Extract information. Here, the attention mechanism refers to a method of extracting important information by assigning a higher weight to important information among the information included in the input time series patient data.
제2 네트워크부(230)는 제1 네트워크부(220)로부터 시간대역 별 데이터 흐름 정보 및 중요 정보를 입력 받고, 데이터 전처리부(210)로부터 시계열 환자 데이터에 포함된 정보들 중 예측하고자 하는 정보에 대응하는 타겟 데이터를 입력 받아 입력 데이터들 간의 관계를 학습한다. 본 발명에서는 재원기간 및 사망률 예측 장치를 제안하므로 상기 타겟 데이터를 재원기간 및 사망여부 정보로 한정하였다. 하지만 상기 타겟 정보는 예측하고자 하는 정보에 따라 얼마든지 변경될 수 있음은 물론이다. 이와 같이 제2 네트워크부(230)는 상기 시간대역 별 데이터 흐름 정보 및 중요 정보와 타겟 데이터인 재원기간 및 사망여부 정보 간의 관계를 학습하여 환자의 상태 변화를 정확히 파악한다.The second network unit 230 receives data flow information and important information for each time zone from the first network unit 220, and receives information to be predicted from the information included in the time series patient data from the data preprocessor 210. It receives the corresponding target data and learns the relationships between the input data. Since the present invention proposes a device for predicting length of stay and mortality, the target data is limited to information on length of stay and death. However, of course, the target information can be changed depending on the information to be predicted. In this way, the second network unit 230 learns the relationship between the data flow information and important information for each time zone and the target data, such as length of stay and death information, to accurately identify changes in the patient's condition.
앞서 설명한 바와 같이 제1 및 제2 네트워크부(210,230)는 본 발명의 실시예에 따른 시계열 예측 모델을 구현하고, 본 발명에서 제안하는 중환자실 환자의 재원기간 및 사망률을 예측하는 장치는 상기 시계열 예측 모델을 적용하여 상기 재원기간 및 사망률을 예측할 수 있다. As described above, the first and second network units 210 and 230 implement a time series prediction model according to an embodiment of the present invention, and the device for predicting the length of stay and mortality rate of intensive care unit patients proposed in the present invention predicts the time series. The model can be applied to predict the length of stay and mortality rate.
분석부(240)는 제2 네트워크부(230)로부터 입력되는 출력값에 활성화 함수(Activation function)를 적용하여 재원기간 및 사망률을 예측하고 그 예측 결과(250)를 출력한다. 상기 출력값은 본 발명의 실시예에 따른 시계열 예측 모델의 출력값을 의미하며, 상기 재원기간 및 사망률 예측 결과는 상기 출력값과 미리 정해진 임계값의 비교를 통해 사망 또는 생존을 판단함으로써 도출될 수 있다.The analysis unit 240 predicts the length of stay and mortality rate by applying an activation function to the output value input from the second network unit 230 and outputs the prediction result 250. The output value refers to the output value of a time series prediction model according to an embodiment of the present invention, and the length of stay and mortality prediction results can be derived by determining death or survival through comparison of the output value with a predetermined threshold.
도 3은 본 발명의 실시예에 따른 시계열 예측 모델을 구현하는 네트워크부의 내부 구성을 도시한 블록도이다.Figure 3 is a block diagram showing the internal configuration of a network unit that implements a time series prediction model according to an embodiment of the present invention.
도 3을 참조하면, 본 발명의 실시예에 따른 시계열 예측 모델은 두 개의 네트워크부로 구현될 수 있으며, 이하에서는 설명의 편의를 위해 상기 두 개의 네트워크부를 각각 시계열 정보 처리 네트워크(300)와 인과관계 학습 네트워크(350)로 명명한다.Referring to FIG. 3, the time series prediction model according to an embodiment of the present invention can be implemented with two network units. Hereinafter, for convenience of explanation, the two network units are respectively referred to as a time series information processing network 300 and causal relationship learning. It is named network 350.
시계열 정보 처리 네트워크(300)는 인코더가 여러 개 누적되는 구조로 구성되며, 제1 내지 제8 인코더(304,306,308,310,312)와 다층 퍼셉트론(MLP: Multi-Layer Perceptron) 모듈(314)을 포함한다. 본 발명의 실시예에서는 시계열 정보 처리 네트워크(300)가 8개의 인코더로 구성된다고 가정하여 설명하나 이에 한정되지 않음은 물론이다.The time series information processing network 300 is composed of a structure in which several encoders are accumulated, and includes first to eighth encoders (304, 306, 308, 310, 312) and a multi-layer perceptron (MLP: Multi-Layer Perceptron) module 314. In the embodiment of the present invention, it is assumed that the time series information processing network 300 is composed of eight encoders, but it is of course not limited thereto.
시계열 정보 처리 네트워크(300)는 시계열 환자 데이터(302)를 제1 내지 제8 인코더(304,306,308,310,312)에 순차적으로 입력 받아 인코딩을 수행하고, 각 인코더를 거치며 시간적 추세를 학습한다. 상기 시계열 환자 데이터(302)는 도 2에서 설명한 바와 같이 데이터 전처리가 수행된 데이터를 의미하는 것으로 임베딩 벡터 형태로 변환되어 제1 내지 제8 인코더(304,306,308,310,312)에 입력된다.The time series information processing network 300 sequentially receives the time series patient data 302 from the first to eighth encoders 304, 306, 308, 310, and 312, performs encoding, and learns temporal trends through each encoder. The time series patient data 302 refers to data on which data preprocessing has been performed as described in FIG. 2, and is converted into an embedding vector form and input to the first to eighth encoders 304, 306, 308, 310, and 312.
또한 시계열 정보 처리 네트워크(300)는 시계열 환자 데이터(302)에 어텐션 메커니즘을 적용하여 시간대역 별 중요 정보를 추출하고, 서로 다른 시간 정보의 관계를 학습하여 멀리 떨어진 시간 정보까지 파악한다. 상기 어텐션 메커니즘은 인코딩 과정에서 발생될 수 있는 정보 손실을 방지할 수 있다.In addition, the time series information processing network 300 applies an attention mechanism to the time series patient data 302 to extract important information for each time zone and learns the relationships between different time information to understand distant time information. The attention mechanism can prevent information loss that may occur during the encoding process.
또한 시계열 정보 처리 네트워크(300)는 스킵 컨넥션(Skip connection) 기법을 적용하여 이전 정보를 다음 스텝에 전달함으로써 정보 손실을 최소화할 수 있다. 여기서 스킵 컨넥션이라 함은 일례로 제1 인코더(304)의 입력값을 인코딩 이후의 출력값과 합쳐서 제2 인코더(304)에 넘겨주는 것을 의미한다.Additionally, the time series information processing network 300 can minimize information loss by applying a skip connection technique to transfer previous information to the next step. Here, skip connection means, for example, combining the input value of the first encoder 304 with the output value after encoding and passing it to the second encoder 304.
또한 시계열 정보 처리 네트워크(300)는 MLP 모듈(314)을 통해 시간대역 별 전체 환자 데이터를 입력 받아 데이터 흐름을 파악한다.Additionally, the time series information processing network 300 receives total patient data for each time zone through the MLP module 314 and determines the data flow.
인과관계 학습 네트워크(350)는 디코더가 여러 개 누적되는 구조로 구성되며, 제1 내지 제8 디코더(332,334,336,338,340)를 포함한다. 본 발명의 실시예에서는 인과관계 학습 네트워크(350)가 8개의 디코더로 구성된다고 가정하여 설명하나 이에 한정되지 않음은 물론이다.The causal relationship learning network 350 is composed of a structure in which several decoders are accumulated, and includes first to eighth decoders 332, 334, 336, 338, and 340. In the embodiment of the present invention, it is assumed that the causal relationship learning network 350 is composed of eight decoders, but it is of course not limited thereto.
인과관계 학습 네트워크(350)는 시계열 정보 처리 네트워크(300)가 출력하는 정보, 즉 시간대역 별 데이터 흐름 정보 및 중요 정보와, 시계열 환자 데이터에 포함된 정보들 중 타겟 데이터인 재원 기간 및 사망 여부 정보(330)를 제1 내지 제8 디코더(332,334,336,338,340)에 순차적으로 입력 받아 디코딩을 수행하고, 각 디코더들을 거치며 상기 시간대역 별 데이터 흐름 정보 및 중요 정보와 상기 타겟 데이터 간의 관계를 학습하여 환자의 상태 변화를 정확히 파악한다.The causal relationship learning network 350 includes information output by the time series information processing network 300, that is, data flow information and important information for each time zone, and length of stay and death status information, which are target data among the information included in the time series patient data. (330) is sequentially input to the first to eighth decoders (332, 334, 336, 338, 340), decoding is performed, and the relationship between the data flow information and important information for each time zone and the target data is learned through each decoder to change the patient's condition. Accurately identify
또한 인과관계 학습 네트워크(350)는 어텐션 메커니즘을 적용하여 환자의 재원기간 및 사망률 예측 시 성능에 영향을 미칠 수 있는 환자 데이터를 재확인하여 예측 정확도를 향상시킨다.Additionally, the causal learning network 350 applies an attention mechanism to improve prediction accuracy by rechecking patient data that may affect performance when predicting the patient's length of stay and mortality.
이와 같이 시계열 정보 처리 네트워크(300)와 인과관계 학습 네트워크(350)는 본 발명의 실시예에 따른 시계열 예측 모델을 적용하여 환자의 재원기간 및 사망률 예측하고 그 예측결과(360)를 출력한다.In this way, the time series information processing network 300 and the causal relationship learning network 350 apply the time series prediction model according to an embodiment of the present invention to predict the patient's length of stay and mortality rate and output the prediction result 360.
도 4는 본 발명의 실시예에 따른 중환자실 환자의 재원기간 및 사망률 예측 장치의 동작을 도시한 순서도이다.Figure 4 is a flowchart showing the operation of an apparatus for predicting the length of stay and mortality of intensive care unit patients according to an embodiment of the present invention.
도 4를 참조하면, 중환자실 환자의 재원기간 및 사망률 예측 장치는 환자 데이터를 입력 받고, 입력된 환자 데이터에 대한 데이터 전처리를 수행한다.(S402) 즉 재원기간 및 사망률 예측 장치는 상기 환자 데이터에서 재원기간 및 사망률 예측 시 예측 성능을 저하시키는 데이터들을 제거하고, 측정자에 따라 측정값이 달라지는 변수들을 제거하고, 변수 값들을 [-1,1] 구간으로 스케일링하고, 결측 값이 발생될 시 결측 값을 이전 값으로 채우는 등의 데이터 전처리를 수행한다.Referring to FIG. 4, the device for predicting the length of stay and mortality of an intensive care unit patient receives patient data and performs data preprocessing on the input patient data (S402). That is, the device for predicting the length of stay and mortality rate selects the patient data from the patient data. When predicting length of stay and mortality, data that deteriorates prediction performance are removed, variables whose measurement values vary depending on the measurer are removed, variable values are scaled to the [-1,1] interval, and when missing values occur, missing values are removed. Perform data preprocessing, such as filling with previous values.
재원기간 및 사망률 예측 장치는 본 발명의 실시예에 따른 시계열 예측 모델을 기반으로, 미리 정해진 시간대역 별 데이터 흐름을 파악하고 중요 정보를 추출한다.(S404) 상기 중요 정보를 추출하는 과정에는 어텐션 메커니즘이 적용되며 추출하고자 하는 중요 정보에 더 높은 가중치를 부여하여 상기 중요 정보를 추출할 수 있다. The device for predicting length of stay and mortality is based on a time series prediction model according to an embodiment of the present invention, and identifies data flow for each predetermined time zone and extracts important information. (S404) The process of extracting the important information involves an attention mechanism. This is applied, and the important information to be extracted can be extracted by assigning a higher weight to the important information to be extracted.
또한 재원기간 및 사망률 예측 장치는 장치는 본 발명의 실시예에 따른 시계열 예측 모델을 기반으로, S404에서 획득한 정보와 예측하고자 하는 정보에 대응하는 타겟 정보의 관계를 학습한다. 즉 시간대역별 데이터 흐름 정보 및 중요 정보와 재원기간 및 사망여부 정보의 관계를 학습한다.(S406) 본 발명에서는 재원기간 및 사망률 예측 장치를 제안하므로 상기 타겟 정보를 재원기간 및 사망여부 정보로 한정하였다. 하지만 상기 타겟 정보는 예측하고자 하는 정보에 따라 얼마든지 변경될 수 있음은 물론이다. 예를 들어 본 발명에서 제안하는 시계열 예측 모델을 적용하여 COVID-19 환자의 예후를 예측한다고 가정할 경우 상기 타겟 정보는 상기 COVID-19 환자의 예후와 관련된 정보로 변경하여 적용될 수 있다.In addition, the device for predicting length of stay and mortality learns the relationship between the information obtained in S404 and target information corresponding to the information to be predicted, based on a time series prediction model according to an embodiment of the present invention. In other words, the relationship between data flow information and important information by time zone and length of stay and death information is learned. (S406) Since the present invention proposes a device for predicting length of stay and mortality rate, the target information is limited to length of stay and death information. . However, of course, the target information can be changed depending on the information to be predicted. For example, assuming that the prognosis of a COVID-19 patient is predicted by applying the time series prediction model proposed in the present invention, the target information can be changed and applied to information related to the prognosis of the COVID-19 patient.
이후 재원기간 및 사망률 예측 장치는 S404,S406에서 학습된 정보를 기반으로 재원기간 및 사망률을 예측하고,(S408) 그 예측 결과를 출력한다.(S410)Afterwards, the length of stay and mortality prediction device predicts the length of stay and mortality rate based on the information learned in S404 and S406 (S408) and outputs the prediction result (S410).
이와 같은 본 발명에서 제안하는 중환자실 환자의 재원기간 및 사망률을 예측하는 방법은 다양한 컴퓨터 구성요소를 통하여 수행될 수 있는 프로그램 명령어의 형태로 구현되어 컴퓨터 판독 가능한 기록 매체에 기록될 수 있다. 상기 컴퓨터 판독 가능한 기록 매체는 프로그램 명령어, 데이터 파일, 데이터 구조 등을 단독으로 또는 조합하여 포함할 수 있다. The method for predicting the length of stay and mortality rate of intensive care unit patients proposed in the present invention can be implemented in the form of program instructions that can be executed through various computer components and recorded on a computer-readable recording medium. The computer-readable recording medium may include program instructions, data files, data structures, etc., singly or in combination.
상기 컴퓨터 판독 가능한 기록 매체에 기록되는 프로그램 명령어는 본 발명을 위하여 특별히 설계되고 구성된 것들이거나 컴퓨터 소프트웨어 분야의 당업자에게 공지되어 사용 가능한 것일 수도 있다. Program instructions recorded on the computer-readable recording medium may be specially designed and configured for the present invention, or may be known and usable by those skilled in the computer software field.
컴퓨터 판독 가능한 기록 매체의 예에는, 하드 디스크, 플로피 디스크 및 자기 테이프와 같은 자기 매체, CD-ROM, DVD 와 같은 광기록 매체, 플롭티컬 디스크(floptical disk)와 같은 자기-광 매체(magneto-optical media), 및 ROM, RAM, 플래시 메모리 등과 같은 프로그램 명령어를 저장하고 수행하도록 특별히 구성된 하드웨어 장치가 포함된다.Examples of computer-readable recording media include magnetic media such as hard disks, floppy disks and magnetic tapes, optical recording media such as CD-ROMs and DVDs, and magneto-optical media such as floptical disks. media), and hardware devices specifically configured to store and perform program instructions, such as ROM, RAM, flash memory, etc.
프로그램 명령어의 예에는, 컴파일러에 의해 만들어지는 것과 같은 기계어 코드뿐만 아니라 인터프리터 등을 사용해서 컴퓨터에 의해서 실행될 수 있는 고급 언어 코드도 포함된다. 상기 하드웨어 장치는 본 발명에 따른 처리를 수행하기 위해 하나 이상의 소프트웨어 모듈로서 작동하도록 구성될 수 있으며, 그 역도 마찬가지이다.Examples of program instructions include not only machine language code such as that created by a compiler, but also high-level language code that can be executed by a computer using an interpreter or the like. The hardware device may be configured to operate as one or more software modules to perform processing according to the invention and vice versa.
이상에서는 본 발명의 다양한 실시예에 대하여 도시하고 설명하였지만, 본 발명은 상술한 특정의 실시예에 한정되지 아니하며, 청구범위에서 청구하는 본 발명의 요지를 벗어남이 없이 당해 발명이 속하는 기술분야에서 통상의 지식을 가진 자에 의해 다양한 변형실시가 가능한 것은 물론이고, 이러한 변형실시들은 본 발명의 기술적 사상이나 전망으로부터 개별적으로 이해되어져서는 안될 것이다.Although various embodiments of the present invention have been shown and described above, the present invention is not limited to the specific embodiments described above, and may be used in the technical field to which the invention pertains without departing from the gist of the invention as claimed in the claims. Of course, various modifications can be made by those skilled in the art, and these modifications should not be understood individually from the technical idea or perspective of the present invention.
100: 재원기간 및 사망률 예측 장치
130: 프로세서100: Length of stay and mortality prediction device
130: processor
Claims (12)
시계열 환자 데이터를 복수개의 인코더를 통해 순차적으로 인코딩하여 시간적 추세를 학습하여 미리 정해진 시간대역별 데이터 흐름을 파악하고, 상기 시간대역별 중요 정보를 추출하는 제1 네트워크부와,
상기 시간대역별 데이터 흐름 정보 및 중요 정보와 예측하고자 하는 정보에 대응하는 타겟 정보를 복수개의 디코더를 통해 순차적으로 디코딩하여, 상기 시간대역별 데이터 흐름 정보 및 중요 정보와 상기 타겟 정보 간의 관계를 학습하는 제2 네트워크부와,
상기 학습된 정보를 기반으로 상기 재원 기간 및 사망률을 예측하는 분석부를 포함하는 재원기간 및 사망률 예측 장치.
In a device for predicting length of stay and mortality of intensive care unit (ICU) patients,
A first network unit that sequentially encodes time series patient data through a plurality of encoders to learn temporal trends, identifies data flow for each predetermined time band, and extracts important information for each time band;
A second device that sequentially decodes the data flow information and important information for each time zone and the target information corresponding to the information to be predicted through a plurality of decoders to learn the relationship between the data flow information and important information for each time zone and the target information. Network Department,
A length of stay and mortality prediction device including an analysis unit that predicts the length of stay and mortality rate based on the learned information.
데이터 전처리부를 더 포함하며,
상기 데이터 전처리부는 상기 시계열 환자 데이터에서 상기 재원기간 및 사망률 예측 시 예측 성능을 저하시키는 데이터를 제거하여 전처리함을 특징으로 하는 재원기간 및 사망률 예측 장치.
According to paragraph 1,
It further includes a data preprocessing unit,
The data preprocessing unit preprocesses the time series patient data by removing data that deteriorates prediction performance when predicting the length of stay and mortality rate.
상기 제1 네트워크부는 상기 시계열 환자 데이터에 포함된 정보들 중 상기 중요 정보에 더 높은 가중치(weight)를 부여하는 어텐션 메커니즘(Attention Mechanism)을 적용하여 상기 중요 정보를 추출함을 특징으로 하는 재원기간 및 사망률 예측 장치.
According to paragraph 1,
The first network unit extracts the important information by applying an attention mechanism that gives a higher weight to the important information among the information included in the time series patient data, and Mortality prediction device.
상기 제1 네트워크부는 이전 인코더의 입력값을 인코딩 이후의 출력값과 합쳐서 다음 인코더에 입력하는 스킵 컨넥션(Skip connection) 기법을 적용함을 특징으로 하는 재원기간 및 사망률 예측 장치.
According to paragraph 1,
The first network unit is a device for predicting length of stay and mortality, characterized in that it applies a skip connection technique in which the input value of the previous encoder is combined with the output value after encoding and input to the next encoder.
상기 시계열 환자 데이터는 환자 데이터를 워드 임베딩(word embedding)을 통해 임베딩 벡터 값들로 변환하고 시간 순으로 정렬한 것임을 특징으로 하는 재원기간 및 사망률 예측 장치.
According to paragraph 1,
The time series patient data is a device for predicting length of stay and mortality, characterized in that the patient data is converted into embedding vector values through word embedding and arranged in chronological order.
상기 타겟 정보는 상기 중환자실 환자의 재원기간 정보와 사망여부 정보임을 특징으로 하는 재원기간 및 사망률 예측 장치.
According to paragraph 1,
A device for predicting length of stay and mortality, wherein the target information is information on the length of stay and information on death of the intensive care unit patient.
제1 네트워크부가 시계열 환자 데이터를 복수개의 인코더를 통해 순차적으로 인코딩하여 시간적 추세를 학습하여 미리 정해진 시간대역별 데이터 흐름을 파악하고, 상기 시간대역별 중요 정보를 추출하는 과정과,
제2 네트워크부가 상기 시간대역별 데이터 흐름 정보 및 중요 정보와 예측하고자 하는 정보에 대응하는 타겟 정보를 복수개의 디코더를 통해 순차적으로 디코딩하여, 상기 시간대역별 데이터 흐름 정보 및 중요 정보와 상기 타겟 정보 간의 관계를 학습하는 과정과,
분석부가 상기 학습된 정보를 기반으로 상기 재원 기간 및 사망률을 예측하는 과정을 포함하는 재원기간 및 사망률 예측 방법.
In a method of predicting length of stay and mortality rate of intensive care unit (ICU) patients,
A process in which the first network unit sequentially encodes time-series patient data through a plurality of encoders to learn temporal trends, identifies data flow for each predetermined time zone, and extracts important information for each time zone;
A second network unit sequentially decodes the data flow information and important information for each time zone and target information corresponding to the information to be predicted through a plurality of decoders to determine the relationship between the data flow information and important information for each time zone and the target information. The learning process,
A method for predicting length of stay and mortality including a process where the analysis unit predicts the length of stay and mortality rate based on the learned information.
데이터 전처리부가 상기 시계열 환자 데이터에서 상기 재원기간 및 사망률 예측 시 예측 성능을 저하시키는 데이터를 제거하여 전처리하는 과정을 더 포함하는 재원기간 및 사망률 예측 방법.
In clause 7,
A method for predicting length of stay and mortality rate, wherein the data preprocessing unit further includes preprocessing the time series patient data by removing data that deteriorates prediction performance when predicting the length of stay and mortality rate.
상기 시간대역별 중요 정보를 추출하는 과정은, 상기 시계열 환자 데이터에 포함된 정보들 중 상기 중요 정보에 더 높은 가중치(weight)를 부여하는 어텐션 메커니즘(Attention Mechanism)을 적용하여 상기 중요 정보를 추출하는 과정임을 특징으로 하는 재원기간 및 사망률 예측 방법.
In clause 7,
The process of extracting important information for each time zone is a process of extracting the important information by applying an attention mechanism that gives a higher weight to the important information among the information included in the time series patient data. Method for predicting length of stay and mortality, characterized by:
상기 파악 및 추출 과정은, 이전 인코더의 입력값을 인코딩 이후의 출력값과 합쳐서 다음 인코더에 입력하는 스킵 컨넥션(Skip connection) 기법을 적용함을 특징으로 하는 재원기간 및 사망률 예측 방법.
In clause 7,
The identification and extraction process is a method for predicting length of stay and mortality, characterized by applying a skip connection technique in which the input value of the previous encoder is combined with the output value after encoding and input to the next encoder.
상기 시계열 환자 데이터는 환자 데이터를 워드 임베딩(word embedding)을 통해 임베딩 벡터 값들로 변환하고 시간 순으로 정렬한 것임을 특징으로 하는 재원기간 및 사망률 예측 방법.
In clause 7,
The time series patient data is a method for predicting length of stay and mortality, characterized in that the patient data is converted into embedding vector values through word embedding and arranged in chronological order.
상기 타겟 정보는 상기 중환자실 환자의 재원기간 정보와 사망여부 정보임을 특징으로 하는 재원기간 및 사망률 예측 방법.In clause 7,
A method for predicting length of stay and mortality, wherein the target information is information on the length of stay and death information of the intensive care unit patient.
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020230036401A KR102600493B1 (en) | 2023-03-21 | 2023-03-21 | Apparatus and method for predicting length of stay and mortality rate of patients in intensive care unit |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020230036401A KR102600493B1 (en) | 2023-03-21 | 2023-03-21 | Apparatus and method for predicting length of stay and mortality rate of patients in intensive care unit |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| KR102600493B1 true KR102600493B1 (en) | 2023-11-08 |
Family
ID=88746079
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020230036401A KR102600493B1 (en) | 2023-03-21 | 2023-03-21 | Apparatus and method for predicting length of stay and mortality rate of patients in intensive care unit |
Country Status (1)
| Country | Link |
|---|---|
| KR (1) | KR102600493B1 (en) |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20140136225A1 (en) * | 2011-06-24 | 2014-05-15 | Koninklijke Philips N.V. | Discharge readiness index |
| KR20210113042A (en) | 2020-03-05 | 2021-09-15 | 가톨릭대학교 산학협력단 | Device, method and program for predict hospital stay period based on patient information |
| US20210391085A1 (en) * | 2020-06-16 | 2021-12-16 | EQ IP Holdings LLC | Machine learning techniques for generating icu predictions |
| US20220044809A1 (en) * | 2019-02-22 | 2022-02-10 | University Of Florida Research Foundation, Incorporated | Systems and methods for using deep learning to generate acuity scores for critically ill or injured patients |
| KR102437594B1 (en) * | 2020-12-29 | 2022-08-29 | 서울대학교병원 | Method and device converting electrical biosignals data into numerical vectors and method and apparatus for analyzing diseases using the same |
-
2023
- 2023-03-21 KR KR1020230036401A patent/KR102600493B1/en active IP Right Grant
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20140136225A1 (en) * | 2011-06-24 | 2014-05-15 | Koninklijke Philips N.V. | Discharge readiness index |
| US20220044809A1 (en) * | 2019-02-22 | 2022-02-10 | University Of Florida Research Foundation, Incorporated | Systems and methods for using deep learning to generate acuity scores for critically ill or injured patients |
| KR20210113042A (en) | 2020-03-05 | 2021-09-15 | 가톨릭대학교 산학협력단 | Device, method and program for predict hospital stay period based on patient information |
| US20210391085A1 (en) * | 2020-06-16 | 2021-12-16 | EQ IP Holdings LLC | Machine learning techniques for generating icu predictions |
| KR102437594B1 (en) * | 2020-12-29 | 2022-08-29 | 서울대학교병원 | Method and device converting electrical biosignals data into numerical vectors and method and apparatus for analyzing diseases using the same |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Ge et al. | An Interpretable ICU Mortality Prediction Model Based on Logistic Regression and Recurrent Neural Networks with LSTM units. | |
| US20220047201A1 (en) | Neural networks for atrial fibrillation screening | |
| Suresh et al. | The use of autoencoders for discovering patient phenotypes | |
| Gupta | Lossless compression technique for real-time photoplethysmographic measurements | |
| US20210353203A1 (en) | Diagnostics for detection of ischemic heart disease | |
| CN112908452A (en) | Event data modeling | |
| Sheikhalishahi et al. | Benchmarking machine learning models on eICU critical care dataset | |
| Tsien | Event discovery in medical time-series data. | |
| KR102600493B1 (en) | Apparatus and method for predicting length of stay and mortality rate of patients in intensive care unit | |
| Shrestha et al. | ECG data analysis with IoT and machine learning | |
| CN116705302A (en) | XGBoost machine learning model construction method for early judging risk of acute kidney injury after heart operation | |
| KR20100062439A (en) | Bayesian network system for incident risk prediction of pressure ulcers | |
| CN116543917A (en) | Information mining method for heterogeneous time sequence data | |
| Chandra et al. | Regularised encoder-decoder architecture for anomaly detection in ECG time signals | |
| Lalam et al. | Ecg representation learning with multi-modal ehr data | |
| Shepherd et al. | Applying Deep Learning in Heart Failure: Hospital Readmission is Not Like Other Health Quality Metrics | |
| Renc et al. | A Transformer-Based Model for Zero-Shot Health Trajectory Prediction | |
| KR102355123B1 (en) | Methdo and apparatus for building bio data hub | |
| Kostoska et al. | Processing MIMIC-III for Evaluation of Various Blood Pressure Estimation Models | |
| US20220409122A1 (en) | Artificial Intelligence Assisted Medical Diagnosis Method For Sepsis And System Thereof | |
| Rato | Analysis of the Association of Cardiac and Respiratory Signals | |
| CN113792798B (en) | Model training method and device based on multi-source data and computer equipment | |
| US20220139556A1 (en) | System and method for determining patient health indicators through machine learning model | |
| US20220151531A1 (en) | Heart failure predictor and heart failure predicting method | |
| Neissi Shooshtari Jr | Predicting Mortality of Intensive Care Patients with Machine Learning Using Electronic Health Record and Non-Invasive Signals |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| E701 | Decision to grant or registration of patent right | ||
| GRNT | Written decision to grant |