KR102608915B1 - 시력-관련 파라미터의 시간 경과에 따른 진화를 예측하기 위한 모델을 구축하는 방법 및 장치 - Google Patents
시력-관련 파라미터의 시간 경과에 따른 진화를 예측하기 위한 모델을 구축하는 방법 및 장치 Download PDFInfo
- Publication number
- KR102608915B1 KR102608915B1 KR1020217017282A KR20217017282A KR102608915B1 KR 102608915 B1 KR102608915 B1 KR 102608915B1 KR 1020217017282 A KR1020217017282 A KR 1020217017282A KR 20217017282 A KR20217017282 A KR 20217017282A KR 102608915 B1 KR102608915 B1 KR 102608915B1
- Authority
- KR
- South Korea
- Prior art keywords
- parameter
- over time
- vision
- continuous values
- evolution
- Prior art date
Links
- 230000004438 eyesight Effects 0.000 title claims abstract description 66
- 238000000034 method Methods 0.000 title claims abstract description 54
- 238000005259 measurement Methods 0.000 claims abstract description 16
- 238000012545 processing Methods 0.000 claims abstract description 16
- 230000004379 myopia Effects 0.000 claims description 48
- 208000001491 myopia Diseases 0.000 claims description 48
- 230000000694 effects Effects 0.000 claims description 19
- 230000000007 visual effect Effects 0.000 claims description 17
- 230000006399 behavior Effects 0.000 claims description 16
- 230000006870 function Effects 0.000 claims description 12
- 238000003860 storage Methods 0.000 claims description 8
- 238000004590 computer program Methods 0.000 claims description 7
- 230000008569 process Effects 0.000 claims description 5
- 238000010801 machine learning Methods 0.000 claims description 3
- 238000001228 spectrum Methods 0.000 claims description 3
- 230000004304 visual acuity Effects 0.000 claims description 3
- 230000000875 corresponding effect Effects 0.000 description 11
- 230000004515 progressive myopia Effects 0.000 description 10
- 230000008859 change Effects 0.000 description 6
- 230000007547 defect Effects 0.000 description 5
- 230000002250 progressing effect Effects 0.000 description 5
- 230000009467 reduction Effects 0.000 description 5
- 230000007958 sleep Effects 0.000 description 5
- 238000012986 modification Methods 0.000 description 4
- 230000004048 modification Effects 0.000 description 4
- 239000004984 smart glass Substances 0.000 description 4
- 230000002776 aggregation Effects 0.000 description 3
- 238000004220 aggregation Methods 0.000 description 3
- 230000007613 environmental effect Effects 0.000 description 3
- 230000002349 favourable effect Effects 0.000 description 3
- 230000002068 genetic effect Effects 0.000 description 3
- 238000012544 monitoring process Methods 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 230000010267 cellular communication Effects 0.000 description 2
- 238000012937 correction Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 201000010099 disease Diseases 0.000 description 2
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 2
- 230000033001 locomotion Effects 0.000 description 2
- 230000004423 myopia development Effects 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 210000003813 thumb Anatomy 0.000 description 2
- 230000036962 time dependent Effects 0.000 description 2
- 208000010412 Glaucoma Diseases 0.000 description 1
- 206010020675 Hypermetropia Diseases 0.000 description 1
- 206010038848 Retinal detachment Diseases 0.000 description 1
- 208000032140 Sleepiness Diseases 0.000 description 1
- 206010041349 Somnolence Diseases 0.000 description 1
- 208000013521 Visual disease Diseases 0.000 description 1
- 206010047571 Visual impairment Diseases 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 201000009310 astigmatism Diseases 0.000 description 1
- 230000004323 axial length Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000036760 body temperature Effects 0.000 description 1
- 230000003920 cognitive function Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000009792 diffusion process Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000007937 eating Effects 0.000 description 1
- 208000030533 eye disease Diseases 0.000 description 1
- 210000003128 head Anatomy 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 229940088597 hormone Drugs 0.000 description 1
- 239000005556 hormone Substances 0.000 description 1
- 201000006318 hyperopia Diseases 0.000 description 1
- 230000004305 hyperopia Effects 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 208000002780 macular degeneration Diseases 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000035764 nutrition Effects 0.000 description 1
- 235000016709 nutrition Nutrition 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000035935 pregnancy Effects 0.000 description 1
- 201000010041 presbyopia Diseases 0.000 description 1
- 230000001681 protective effect Effects 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 208000014733 refractive error Diseases 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000004264 retinal detachment Effects 0.000 description 1
- 230000004617 sleep duration Effects 0.000 description 1
- 230000003860 sleep quality Effects 0.000 description 1
- 230000037321 sleepiness Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 230000003595 spectral effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 208000029257 vision disease Diseases 0.000 description 1
- 230000004393 visual impairment Effects 0.000 description 1
- 238000012800 visualization 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
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B3/00—Apparatus for testing the eyes; Instruments for examining the eyes
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B3/00—Apparatus for testing the eyes; Instruments for examining the eyes
- A61B3/0016—Operational features thereof
- A61B3/0025—Operational features thereof characterised by electronic signal processing, e.g. eye models
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H10/00—ICT specially adapted for the handling or processing of patient-related medical or healthcare data
- G16H10/60—ICT specially adapted for the handling or processing of patient-related medical or healthcare data for patient-specific data, e.g. for electronic patient records
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/30—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for calculating health indices; for individual health risk assessment
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/70—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for mining of medical data, e.g. analysing previous cases of other patients
-
- G—PHYSICS
- G02—OPTICS
- G02C—SPECTACLES; SUNGLASSES OR GOGGLES INSOFAR AS THEY HAVE THE SAME FEATURES AS SPECTACLES; CONTACT LENSES
- G02C2202/00—Generic optical aspects applicable to one or more of the subgroups of G02C7/00
- G02C2202/24—Myopia progression prevention
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Public Health (AREA)
- Biomedical Technology (AREA)
- General Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Primary Health Care (AREA)
- Epidemiology (AREA)
- Pathology (AREA)
- Databases & Information Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Ophthalmology & Optometry (AREA)
- Animal Behavior & Ethology (AREA)
- Surgery (AREA)
- Veterinary Medicine (AREA)
- Molecular Biology (AREA)
- Heart & Thoracic Surgery (AREA)
- Biophysics (AREA)
- Physics & Mathematics (AREA)
- Signal Processing (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
- User Interface Of Digital Computer (AREA)
- Medical Treatment And Welfare Office Work (AREA)
Abstract
적어도 한 사람의 적어도 하나의 시력-관련 파라미터의 시간 경과에 따른 진화를 예측하기 위한 예측 모델을 구축하는 이 방법은, 개인들의 그룹 중의 적어도 한 구성원에 대한 미리 정해진 제1 유형의 적어도 하나의 파라미터의 시간 경과에 따른 반복 측정에 각각 대응하는 연속 값들을 취득하는 단계(10); 개인들의 그룹 중의 구성원(들)에 대한 시력-관련 파라미터(들)의 시간 경과에 따른 진화를 취득하는 단계(12); 및 적어도 하나의 프로세서에 의해, 연속 값들의 적어도 일부를 개인들의 그룹 중의 구성원(들)에 대한 시력-관련 파라미터(들)의 취득된 시간 경과에 따른 진화와 연관짓는 단계(16)를 포함하는, 예측 모델을 구축하는 단계를 포함하고, 연관짓는 단계는, 미리 정해진 제1 유형의 파라미터(들) 중의 동일한 파라미터에 연관된 연속 값들의 적어도 일부를 공동 처리하는 단계를 포함한다. 예측 모델은 공동 처리된 값들의 각각에 차등적으로 의존한다.
Description
본 발명은, 적어도 한 사람의 적어도 하나의 시력-관련 파라미터의 시간 경과에 따른 진화를 예측하기 위한 예측 모델을 구축하는 방법 및 장치에 관한 것이다.
유전적 인자와 같이 인간의 시력에 영향을 미치는 일부 인자는 관련된 사람에 의해 수정될 수 없지만, 라이프스타일, 거동, 및/또는 환경 인자와 같은 일부 다른 인자는 모든 사람에 의해 수정될 수 있다. 예를 들어, 실외에서 보낸 시간량, 근시와 관련된 작업에 들인 시간량, 또는 영양은, 예를 들어, 근시 발병, 진행, 또는 감소를 유발하여 시력에 영향을 미칠 수 있다.
예를 들어, 사람의 읽기 및/또는 쓰기 자세를 교정할 수 있고 근시 관련 파라미터를 수집할 수 있는 착용형 장치들이 알려져 있다.
그러나, 알려진 장치들은, 종종 표준화되어, 모든 사람에게 동일하며, 즉, 모든 사람이 예를 들어 근시 발병과 진행의 비슷한 위험을 가지고 있다고 가정하고 있지만, 이는 실제로는 그러하지 않다.
또한, 많은 기존 장치의 경우, 예측된 근시 진행 프로파일은 한 번 계산되고 나중에 업데이트되지 않는다.
따라서, 어떤 사람에 대한 예측 프로파일을 계산한 후에 그 사람의 라이프스타일, 거동, 및/또는 환경이 변경되면, 변경되지 않은 예측 프로파일은 일관성이 없으며 오류가 발생한다.
따라서, 어떤 사람에 대한 하나 이상의 시력-관련 파라미터의 시간 경과에 따른 진화를 예측하기 위한 모델을 구축할 때, 그 사람의 시력에 영향을 미치는 수정가능한 파라미터에 관한 변경을 고려할 필요가 있다.
본 발명의 목적은 전술한 종래 기술의 단점을 극복하는 것이다.
이를 위해, 본 발명은 적어도 한 사람의 적어도 하나의 시력-관련 파라미터의 시간 경과에 따른 진화를 예측하기 위한 예측 모델을 구축하는 방법을 제공하며, 이 방법은, 개인들의 그룹 중의 적어도 한 구성원에 대한 미리 정해진 제1 유형의 적어도 하나의 파라미터의 시간 경과에 따른 반복 측정에 각각 대응하는 연속 값들을 취득하는 단계; 개인들의 그룹 중의 적어도 한 구성원에 대한 적어도 하나의 시력-관련 파라미터의 시간 경과에 따른 진화를 취득하는 단계; 및 적어도 하나의 프로세서에 의해, 연속 값들의 적어도 일부를 개인들의 그룹 중의 적어도 한 구성원에 대한 적어도 하나의 시력-관련 파라미터의 시간 경과에 따른 취득된 진화와 연관짓는 단계를 포함하는, 예측 모델을 구축하는 단계를 포함하고, 연관짓는 단계는, 미리 정해진 제1 유형의 적어도 하나의 파라미터 중의 동일한 파라미터에 연관된 연속 값들의 적어도 일부를 공동 처리하는 단계를 포함하고, 예측 모델은 공동 처리된 값들의 각각에 차등적으로 의존하는 것을 특징으로 한다.
따라서, 예측 모델은, 개인들의 그룹, 즉, 개인들의 전체 패널로부터 데이터를 수집하고 그러한 개인에 대해 측정된 파라미터의 시간 경과에 따른 가능한 수정을 고려함으로써 구축된다. 예측 모델이 공동 처리된 그러한 값들의 각각에 따라 차등적으로 의존하게 함으로써, 즉, 연속 값들 자체와 파라미터들의 연속 값들을 공동 처리한 것의 결과를 모두 고려함으로써, 매우 정확하고 일관된 동적 예측 모델을 취득할 수 있다. 즉, 예컨대 상이한 날의 시간에 취득된 값들을 교체하여 연속적으로 공동 처리된 값들에 해당하는 입력들을 교환함으로써, 구축된 예측 모델에 영향을 미칠 수 있다.
예측 모델을 구축하기 위한 전술한 방법에 의해 잠재적으로 제공되는 향상된 예측 능력은, 특히, 개인 크로노타입의 특정 표현인 고려되는 사람(들)의 시간-의존적 개인 시력 감성 때문일 수 있다.
일반적으로, 크로노타입은, 하루 중 어느 시간대에 인간의 신체 기능(호르몬 수준, 체온, 인지 기능, 식사, 및 수면)이 활동적이거나 일정 수준을 변경하거나 일정 수준에 도달하는지를 반영하는 인간의 속성이다. 이는, 수면 타이밍, 수면 안정성, 수면 지속 시간, 수면 필요, 수면의 질, 아침 졸음, 교대 근무에 대한 적응성의 중요한 예측자로서 간주된다.
향상된 예측 능력은, 대안으로 또는 추가로, 특히, 입력으로서 명시적으로 입력되지는 않았지만 연속 값들이 취득되는 시간에 의존하는 시간-의존적 환경 파라미터를 암시적으로 고려하기 때문일 수 있다. 이러한 파라미터는, 특히, 자연광, 인공조명, 또는 이들 모두에 연관되는지에 상관없이, 광 스펙트럼 분포, 광선 배향, 광 복사, 및/또는 광 가간섭성 및/또는 확산 특성을 포함할 수 있다.
또한, 예측 모델이 공동 처리된 값들의 각각에 차등적으로 의존한다는 사실은, 명시적으로 입력되지 않고도 예측 모델에 영향을 미치는 파라미터를 식별 및/또는 더 잘 알 수 있게 한다. (수면 사이클 및 이의 특징의 기록에 관한) 기간생물학 및 광선 배향은 이러한 파라미터들의 예일 수 있다.
또한, 본 발명은 적어도 한 사람의 적어도 하나의 시력-관련 파라미터의 시간 경과에 따른 진화를 예측하기 위한 예측 모델을 구축하는 장치를 제공하며, 이 장치는, 개인들의 그룹 중의 적어도 한 구성원에 대한 미리 정해진 제1 유형의 적어도 하나의 파라미터의 시간 경과에 따른 반복 측정에 각각 대응하는 연속 값들, 및 개인들의 그룹 중의 적어도 한 구성원에 대한 적어도 하나의 시력-관련 파라미터의 시간 경과에 따른 진화를 수신하도록 구성된 적어도 하나의 입력부; 및 미리 정해진 제1 유형의 적어도 하나의 파라미터 중의 동일한 파라미터에 연관된 연속 값들의 적어도 일부를 공동 처리하는 것을 포함하여, 연속 값들의 적어도 일부를 개인들의 그룹 중의 적어도 한 구성원에 대한 적어도 하나의 시력-관련 파라미터의 시간 경과에 따른 취득된 진화와 연관짓는 것을 포함하여 예측 모델을 구축하도록 구성된 적어도 하나의 프로세서를 포함하고, 예측 모델은 공동 처리된 값들의 각각에 차등적으로 의존하는 것을 특징으로 한다.
또한, 본 발명은 적어도 한 사람의 적어도 하나의 시력-관련 파라미터의 시간 경과에 따른 진화를 예측하기 위한 예측 모델을 구축하는 컴퓨터 프로그램 제품을 제공하며, 이러한 컴퓨터 프로그램 제품은 프로세서에 액세스가능한 명령어들의 하나 이상의 시퀀스를 포함하고, 명령어들의 하나 이상의 시퀀스는, 프로세서에 의해 실행될 때, 프로세서로 하여금, 미리 정해진 제1 유형의 적어도 하나의 파라미터 중의 동일한 파라미터에 연관된 연속 값들의 적어도 일부를 공동 처리하는 것을 포함하여, 개인들의 그룹 중의 적어도 한 구성원에 대한 미리 정해진 제1 유형의 적어도 하나의 파라미터의 시간 경과에 따른 반복 측정에 각각 대응하는 연속 값들의 적어도 일부를 개인들의 그룹 중의 적어도 한 구성원에 대한 적어도 하나의 시력-관련 파라미터의 시간 경과에 따른 진화와 연관짓는 것을 포함하여 예측 모델을 구축하게 하고, 예측 모델은 공동 처리된 값들의 각각에 차등적으로 의존하는 것을 특징으로 한다.
또한, 본 발명은, 프로세서에 액세스가능한 명령어들의 하나 이상의 시퀀스를 저장하는 비일시적 컴퓨터-판독가능 저장 매체를 제공하며, 명령어들의 하나 이상의 시퀀스는, 프로세서에 의해 실행될 때, 프로세서로 하여금, 미리 정해진 제1 유형의 적어도 하나의 파라미터 중의 동일한 파라미터에 연관된 연속 값들의 적어도 일부를 공동 처리하는 것을 포함하여, 개인들의 그룹 중의 적어도 한 구성원에 대한 미리 정해진 제1 유형의 적어도 하나의 파라미터의 시간 경과에 따른 반복 측정에 각각 대응하는 연속 값들의 적어도 일부를 개인들의 그룹 중의 적어도 한 구성원에 대한 적어도 하나의 시력-관련 파라미터의 시간 경과에 따른 진화와 연관짓는 것을 포함하여 예측 모델을 구축하게 하고, 예측 모델은 공동 처리된 값들의 각각에 차등적으로 의존하는 것을 특징으로 한다.
장치, 컴퓨터 프로그램 제품, 및 컴퓨터-판독가능 저장 매체의 장점은, 방법의 장점과 유사하므로, 여기서 반복하지 않는다.
예측 모델을 구축하는 장치, 컴퓨터 프로그램, 및 컴퓨터-판독가능 저장 매체는, 임의의 실행 모드에서 예측 모델을 구축하는 방법을 실행하도록 구성되는 것이 유리하다.
본원에 제공된 설명 및 이의 이점에 대한 보다 완전한 이해를 위해, 첨부 도면 및 상세한 설명과 함께 아래의 간단한 설명을 참조하며, 여기서 동일한 참조 번호는 동일한 부분을 나타낸다.
도 1은 특정 실시예에서 본 발명에 따른 예측 모델을 구축하는 방법의 단계를 도시하는 흐름도이다.
도 2는 특정 실시예에서 본 발명에 따른 예측 모델을 구축하는 방법에 의해 취득된 예측 모델에 기초하여 근시 진화 위험 프로파일을 도시하는 그래프이다.
도 3은 특정 실시예에서 본 발명에 따라 구축된 예측 모델을 사용한 예측 방법의 단계를 도시하는 흐름도이다.
도 4는 모니터링 지표를 추가로 도시하는 도 2의 그래프이다.
도 5는 특정 실시예에서 본 발명에 따라 구축된 예측 모델을 사용한 예측 방법을 구현함으로써 취득된 시간 경과에 따른 예측된 진화를 포함하는 다수의 위험 프로파일의 예를 도시하는 두 개의 그래프의 세트이다.
도 6은 특정 실시예에서 본 발명에 따른 예측 모델을 구축하는 방법에 의해 취득된 예측 모델에 기초하여 두 개의 근시 발병 위험 프로파일을 도시하는 그래프이다.
도 1은 특정 실시예에서 본 발명에 따른 예측 모델을 구축하는 방법의 단계를 도시하는 흐름도이다.
도 2는 특정 실시예에서 본 발명에 따른 예측 모델을 구축하는 방법에 의해 취득된 예측 모델에 기초하여 근시 진화 위험 프로파일을 도시하는 그래프이다.
도 3은 특정 실시예에서 본 발명에 따라 구축된 예측 모델을 사용한 예측 방법의 단계를 도시하는 흐름도이다.
도 4는 모니터링 지표를 추가로 도시하는 도 2의 그래프이다.
도 5는 특정 실시예에서 본 발명에 따라 구축된 예측 모델을 사용한 예측 방법을 구현함으로써 취득된 시간 경과에 따른 예측된 진화를 포함하는 다수의 위험 프로파일의 예를 도시하는 두 개의 그래프의 세트이다.
도 6은 특정 실시예에서 본 발명에 따른 예측 모델을 구축하는 방법에 의해 취득된 예측 모델에 기초하여 두 개의 근시 발병 위험 프로파일을 도시하는 그래프이다.
이하의 설명에서, 도면은 반드시 축척대로 될 필요는 없으며, 소정의 특징부는 명확성과 간결함을 위해 또는 정보 목적을 위해 일반화되거나 개략적인 형태로 도시될 수 있다. 또한, 이하에서 다양한 실시예의 제조 및 사용을 상세히 논의하겠지만, 본원에 설명된 바와 같이 다양한 맥락에서 구현될 수 있는 많은 발명적 개념이 제공된다는 점을 이해해야 한다. 본원에서 논의되는 실시예들은 대표적인 것일 뿐이며 본 발명의 범위를 제한하지 않는다. 또한, 통상의 기술자에게는, 프로세스에 관하여 정의된 모든 기술적 특징부가 장치에 대하여 개별적으로 또는 조합하여 전치될 수 있고, 역으로, 장치에 관한 모든 기술적 특징부가 프로세스에 대하여 개별적으로 또는 조합하여 전치될 수 있다는 점이 명백할 것이다.
"포함하다"(comprise/contain/include)(및 "포함한다" 및 "포함하는"과 같은 이의 모든 문법적 변형)，및 "갖다"(및 "갖는다" 및 "갖다"와 같은 이의 모든 문법적 변형)이라는 용어들은 개방형 연결 동사이다. 이들 용어는, 언급된 특징부, 정수, 단계, 또는 구성요소, 또는 이들의 그룹의 존재를 특정하는 데 사용되지만, 하나 이상의 다른 특징부, 정수, 단계, 또는 구성요소, 또는 이들의 그룹의 존재 또는 추가를 배제하지 않는다. 그 결과, 하나 이상의 단계 또는 요소를 "포함하는" 또는 "갖는" 방법 또는 방법의 단계는, 이러한 하나 이상의 단계 또는 요소를 소유하지만, 이러한 하나 이상의 단계 또는 요소만을 소유하는 것으로 제한되지 않는다.
도 1에 도시한 바와 같이, 적어도 한 사람의 적어도 하나의 시력-관련 파라미터의 시간 경과에 따른 진화를 예측하기 위한 예측 모델을 구축하는 방법은, 개인들의 그룹 중의 적어도 한 명의 구성원에 대한 미리 정해진 제1 유형의 적어도 하나의 파라미터의 시간 경과에 따른 반복 측정에 각각 대응하는 연속 값들을 취득하는 단계(10)를 포함한다.
비제한적인 예로서, 고려되는 시력-관련 파라미터는 사람의 근시 수준일 수 있으며, 이러한 근시 수준은 좌안 및/또는 우안에 대한 디옵터로 표현될 수 있다. 이것은, 시각 적성 또는 원시, 난시, 노안과 같은 사람의 시각 장애, 또는 근시 황반 변성, 망막 박리, 및 녹내장을 포함한 시각 문제를 일으킬 수 있는 안구 질환과 같은 임의의 시각 질환에 관련된 다른 임의의 파라미터일 수 있다. (디옵터로 표현되는) 굴절 오차 외에도, 축 길이(mm), 유리체 챔버 깊이(mm), 맥락막 두께(㎛로 표현됨), 및 각막 특징과 같은 안구 생체측정식 측정값이 시력-관련 파라미터의 다른 예들이다.
개인들의 그룹은, 비제한적으로 예로서, 성별 및/또는 생년월일 및/또는 출생 국가 및/또는 과거 가족 이력 및/또는 인종 집단 등의 하나 이상의 공통 특징을 가질 수 있거나 서로 공통되는 특징을 갖지 않을 수 있는 임의의 수의 개인을 포함할 수 있다.
어느 경우든, 개인들의 그룹의 적어도 한 명의 구성원의 이러한 고정 파라미터는, 초기화의 예비 단계(8)에서 또는 나중에 방법의 임의의 단계에서 예측 모델에 입력될 수 있다. 이러한 고정 파라미터에 대한 입력은 선택 사항이다. 고정 파라미터는, 개인들의 그룹의 구성원에 대해 개별적으로 이용가능하거나 개인들의 그룹의 서브그룹들에 대해 집합적으로 이용가능할 수 있다.
전술한 연속 값들은 시간적으로 반드시 연속적인 것은 아니다.
고려되는 제1 유형의 파라미터는, 예를 들어, 고려되는 개인 또는 사람의 라이프스타일 또는 활동 또는 거동에 관련된다.
비제한적인 예로서, 제1 유형의 파라미터는, 실외 또는 실내에서 보낸 지속 시간, 눈과 읽거나 쓰고 있는 텍스트 간의 거리, 읽기 또는 쓰기의 지속 시간, 광 강도 또는 스펙트럼, 수면 사이클의 지속 시간, 또는 시각 장비를 착용하는 빈도 또는 지속 시간을 포함할 수 있다.
보다 일반적으로, 제1 유형의 파라미터는, 선택된 시력-관련 파라미터의 진화에 영향을 미칠 가능성이 있고 다른 시점에서 반복 측정될 수 있는 임의의 파라미터이다.
측정은, 고려되는 파라미터(들)를 검출하도록 구성된 다양한 종류의 센서에 의해 가능하게는 타임스탬프와 함께 수행될 수 있다.
예를 들어, 스마트 안경 장비 또는 스마트폰에 포함될 수 있는 광 센서는 환경 광의 강도 또는 스펙트럼을 측정하는 데 사용될 수 있다. 예를 들어 머리 액세서리에 있는 관성 운동 유닛(IMU)은 자세를 검출하는 데 사용될 수 있다. IMU는 실외 활동을 수행하는 데 소요되는 시간을 측정하는 데에도 사용될 수 있다. GPS는 실외 활동을 검출하거나 개인이 시골 또는 도시 환경에 있는지 여부를 검출하는 데 사용될 수 있다. 카메라 또는 프레임 센서는 안경 착용 빈도 및/또는 지속 시간을 검출하는 데 사용될 수 있다. 오래된 시각 장비가 시각 적성에 영향을 미칠 수 있다는 사실을 감안할 때, 현재 시각 장비의 날짜를 등록하는 데 메모리를 사용할 수 있다.
단계(10) 후에는, 선택된 시력-관련 파라미터(들)의 시간 경과에 따른 진화를 취득하는 단계(12)가, 연속 값들이 취득된 개인들의 그룹의 동일한 개인들에 대해 수행된다.
시간 경과에 따른 이러한 진화는, 그러한 개인에 대한 선택된 시력-관련 파라미터(들)를 시간 경과에 따라 반복 측정함으로써 및/또는 개인이 제공하는 시력-관련 파라미터(들)의 값에 관한 정보를 수집함으로써 예측 모델을 구축하는 프로세서에 대하여 임의의 적절한 인터페이스를 통해 취득될 수 있다.
측정 주파수는, 단계(10)에서 측정된 다양한 파라미터에 따라 다를 수 있으며, 단계(12)의 측정 주파수와 관계가 없을 수 있다.
예를 들어, 제1 유형의 파라미터는 적어도 하루에 한 번 측정될 수 있다. 변형예로, 스마트 프레임을 사용하여, 1 Hz보다 높은 주파수에서 제1 유형의 파라미터를 측정할 수 있다.
다음으로, 선택적 특징으로서, 연속 값들이 취득된 그러한 개인들 중의 적어도 한 명의 개인에 대한 미리 정해진 제2 유형의 하나 이상의 파라미터의 변경된 값에 대한 정보를 취득하는 추가 단계(14)가 수행될 수 있다.
제2 유형의 파라미터는, 선택된 시력-관련 파라미터의 진화에 영향을 미칠 가능성이 있으며 적어도 한 번 취득될 수 있는 시간 엄수 이벤트 또는 비정기적 이벤트이다.
비제한적인 예로서, 제2 유형의 파라미터는, 도시 지역에서 시골 지역으로의 이동, 교정 유형의 변경, 교정 렌즈의 굴절력의 변경, 또는 임신일 수 있다.
적어도 하나의 프로세서에 의해 수행되는 다음 단계(16) 동안, 단계(10)에서 취득된 연속 값들의 적어도 일부는 단계(12)에서 취득된 시간 경과에 따른 진화에 연관된다. 연속 값들의 이러한 일부는 이전에 취득된 값들 중에서 취해진 선택된 일련의 값들이다. 선택한 값들이 시간적으로 반드시 연속적인 것은 아니다. 특정 실시예에서, 선택된 일련의 값들은 적어도 3개의 연속 값을 포함한다.
또한, 전술한 고정 파라미터들의 적어도 일부는 연관 프로세스에서 또한 고려될 수 있다.
선택적 단계(14)가 생략되면, 단계(16)에서 수행되는 연관짓는 단계는, 전술한 제1 유형의 동일한 파라미터에 대해 취득된 연속 값들의 일부를 공동 처리하는 단계를 포함한다. 비제한적 예로서, 이러한 공동 처리는, 미리 정해긴 기간에 걸쳐 제1 유형의 동일한 파라미터의 주어진 수의 연속 값들의 평균 값 및/또는 표준 편차 값을 계산하는 것을 포함할 수 있다. 이것은, 또한, 미리 정해진 기간에 걸쳐 연속 값들의 집계를 포함할 수 있고, 이러한 집계는, 또한, 미리 정해진 기간에 걸쳐 평균화될 수 있다.
선택적 단계(14)가 수행된다면, 단계(16)에서 수행되는 연관짓는 단계는, 전술한 연속 값들의 일부와 함께 제2 유형의 파라미터의 변경된 값을, 선택된 시력-관련 파라미터의 시간 경과에 따른 취득된 진화와 연관짓는 단계를 포함한다.
따라서, 선택적 단계(14)의 수행 여부에 관계없이, 상관 테이블 또는 다른 임의의 데이터베이스 수단이, ROM 및/또는 RAM과 같은 비일시적 컴퓨터-판독가능 저장 매체에 구축 및 저장될 수 있으며, 여기서, 취득된 파라미터 값들은 선택된 시력-관련 파라미터의 시간 경과에 따라 결정된 진화에 해당한다.
본 개시 내용에 따르면, 공동 처리된 값에 더하여, 상관 테이블 또는 다른 데이터베이스 수단은, 개별적으로 취득된 연속 값의 각각, 또는 이들 중 적어도 일부, 즉, 적어도 2개, 바람직하게는 적어도 3개를 고려한다. 즉, 예측 모델은 연속 값들 각각의 함수로서 상이하며, 즉, 예측 모델은 공동 처리의 결과뿐만 아니라 공동 처리된 값들 각각에 차등적으로 의존한다.
예측 모델은, 공동 처리를 통해 공동 처리된 값들의 각각에 따라 차등적으로 의존할 수 있다. 예를 들어, 평균은, 각각 상이한 연속 값들에 연관된 고유 가중치들에 의존할 수 있으며, 예컨대, 오후 9시보다는 오후 12시에 더 높은 가중치가 부여될 수 있다. 이전 구현과 결합될 수 있는 대체 구현에서는, 연속 값들의 공동 처리 및 차등 고려가 개별적으로 적용된다. 예를 들어, 연속 값들의 집계는 하나의 예측 입력을 형성하고, 이러한 값들 중 여러 개는 추가 예측 입력을 형성한다.
단계들(8, 10, 12, 14 및 16)이 설명된 순서는 비제한적인 예이다. 단계들은 다른 임의의 순서로 수행될 수 있다. 예를 들어, 연관짓는 단계(16)는, 시력-관련 파라미터(들)의 연속 값들의 일부 및 시간 경과에 따른 진화의 일부가 취득되자마자 개시될 수 있고, 단계들(10, 12 및 14)은 단계(16)가 계속되는 것과 동시에 수행될 수 있다.
예측 모델 구축 방법은 서버에서 구현될 수 있다.
본 발명에 따른 예측 모델 구축 장치는, 전술한 바와 같이 개인들의 그룹의 적어도 한 명의 구성원에 대한 연속 값들 및 이러한 개인들의 그룹의 구성원(들)에 대하여 고려되는 시력-관련 파라미터(들)의 시간 경과에 따른 진화를 수신하도록 구성된 적어도 하나의 입력부를 포함한다. 장치는, 또한, 전술한 바와 같이 예측 모델을 구축하도록 구성된 적어도 하나의 프로세서를 포함한다.
이러한 장치는, 방법이 서버에서 원격 중앙집중식 방식으로 구현된다면, 서버에 더하여, 표시 유닛 및/또는 스마트폰 또는 스마트 태블릿 또는 스마트 안경을 포함할 수 있다.
예측 모델 구축 방법의 특정 실시예에서, 개인들의 그룹은, 또한, 본원에서 설명되는 구축 방법에 따라 구축된 예측 모델에 의해 하나 이상의 시력-관련 파라미터의 시간 경과에 따른 진화가 예측되는 사람을 포함할 수 있다. 즉, 단계(10, 12, 16) 및 가능하다면 단계(14)도 해당 사람에 대해 수행된다.
특정 실시예에서, 단계(16)에서 사용되는 프로세서는 기계 학습 알고리즘을 구현할 수 있다. 즉, 예측 모델의 정확도를 높이기 위해, 수많은 개인에 대한 일련의 연속 값을 입력하고 많은 데이터를 포함하는 상관 테이블 또는 다른 임의의 데이터베이스 수단을 구축함으로써 하나 이상의 신경망을 훈련시킬 수 있다.
이러한 실시예에서, 연관짓는 단계(16)는 신경망에서 노드 연결부에 가중치를 할당함으로써 구현될 수 있다.
그룹의 개인들에 의해 제공되는 자체-보고 파라미터도 예측 모델 구축에 의해 고려될 수 있다.
비제한적인 예로서, 자체-보고된 파라미터가 기계 학습 알고리즘에 입력될 수 있으며, 예컨대, 비제한적인 예로, 각각의 성별, 인종 집단, 근시 부모의 수, 학교 성적, IQ 테스트의 결과, 소셜 네트워크로부터의 데이터, 시각 장비의 굴절값, 또는 시각 결함 또는 질병과 관련된 유전 위험 점수가 입력될 수 있다. 결국 이러한 자체-보고 파라미터가 예측 모델을 수정하게 된다. 제1 및/또는 제2 유형의 파라미터뿐만 아니라 다른 고정 파라미터도 자체-보고될 수 있고, 또한, 그룹의 개인들의 시력-관련 파라미터(들)의 시간 경과에 따른 진화도 자체-보고될 수 있다.
자체-보고된 파라미터 또는 제2 유형의 파라미터를 입력하기 위해, 예측 모델을 구축하는 장치는, 제1 유형의 파라미터를 측정하기 위해 이미 사용된 표시 수단 및/또는 스마트폰 또는 스마트 태블릿, 또는 오디오 인터페이스를 포함한 다른 임의의 종류의 사용자 인터페이스를 포함할 수 있다.
전술한 방법에 의해 구축된 예측 모델은, 사람의 하나 이상의 시력-관련 파라미터의 시간 경과에 따른 예측된 진화에 관한 정보를 그 사람에게 제공하기 위해 많은 방식으로 이용될 수 있다.
선택된 시력-관련 파라미터가, 예를 들어, 주어진 시각 결함의 발병 또는 진행 위험인 경우, 예측된 모델을 사용하여 시간 경과에 따른 해당 위험의 진화를 프로파일 그래프의 형태로 예시할 수 있다.
도 2와 도 6은 시각 결함이 근시인 일례에서 이러한 그래프를 도시한다.
도 2에서, 모니터링되는 사람의 근시 수준 진화는 시간의 함수로서 표현된다.
도 6에서, 근시 발병 위험은 시간의 함수로서 표시된다.
도 2에서 실선 곡선은 실제 측정된 근시 진화 프로파일을 도시한다. 파선형 곡선은 동적 예측된 진화의 수정 함수로서 업데이트되는 예측된 근시 위험 프로파일을 도시한다. 점선형 곡선은 입력 파라미터의 수정된 값을 입력하기 전에 예측된 근시 위험 프로파일을 도시한다.
제1 유형의 파라미터로서, 근시와 관련된 작업에 소요된 시간이 측정된다. 시각(T1)부터, 이러한 작업에 소요되는 시간이 증가함에 따라, 근시 진행 위험이 증가하며, 이는 예측된 근시 위험 프로파일(점선형 곡선)의 급격한 상승으로 반영된다. 시각(T2)에서는, 모니터링되는 사람이 도시에서 시골로 이동한다. 이것은 예측된 근시 위험 프로파일의 점진적인 정체에 의해 반영된다.
예측된 프로파일은, T1로부터 T2에서 파라미터 수정을 고려하도록 업데이트되지 않은 예측된 프로파일과는 달리 실제 측정된 진화 프로파일에 실질적으로 대응함을 알 수 있다.
도 6에서는, 초기에, 근시 발병 위험을 예측할 때 두 가지 시나리오가 고려되었다. 제1 시나리오에서, 모니터링되는 사람은 근시 화면 작업 습관을 유지하면서 계속 도시에 거주하며, 이는 미래의 시각(T3)에서 근시를 초래하고 시간 경과에 따라 예측되는 근시 수준을 상대적으로 급격히 증가시킨다. 제2 시나리오에서, 모니터링되는 사람은 시골에 살기 위해 이동하고 근시 화면 작업이 적은 수정된 습관을 채택하며, 이는 시각(T3)보다 더 큰 미래의 시각(T4)에서 근시를 초래하고 근시 진화가 약간 더 느려지게 한다. 이에 따라, 제1 시나리오에 비해 제2 시나리오에서 낮은 근시 진화 위험이 정량화된다.
보다 일반적으로, 도 3에 도시된 바와 같이, 제안된 예측 모델 구축 방법은, 적어도 한 사람의 적어도 하나의 시력-관련 파라미터의 시간 경과에 따른 진화를 예측하는 방법에 사용될 수 있다. 예측 방법은, 제1 유형의 적어도 하나의 파라미터의 시간 경과에 따른 반복 측정에 각각 대응하는 사람에 대한 연속 값을 취득하는 단계(30), 및 개인들의 그룹에 연관된 전술한 예측 모델을 사용함으로써 단계(30)에서 취득된 연속 값들로부터 사람의 시력-관련 파라미터의 시간 경과에 진화를 적어도 하나의 프로세서에 의해 예측하는 단계(36)를 포함한다.
단계(30)는 그룹의 개인들에 대하여 단계(10)와 유사한 방식으로 해당 사람에 대해 수행된다.
도 1의 선택적 초기화 단계(8)와 유사하게, 선택적 초기화 단계(28)는, 성별 및/또는 생년월일 및/또는 출생 국가 및/또는 가족 이력 및/또는 인종 집단과 같은 사람에 대한 고정 파라미터를 수집할 수 있다. 단계(28)는 예비적인 초기화 단계에서 또는 나중에 예측 방법의 임의의 단계에서 수행될 수 있다.
특정 구현예에서는, 예측 단계(36) 전에, 사람에 대한 제2 유형의 적어도 하나의 파라미터의 변경된 값에 관한 정보를 취득하는 선택적 단계(34)가 수행될 수 있다.
예측 단계(36)는 예측 모델을 사용한다.
선택적 단계(34)가 생략되면, 예측 단계(36)는, 사람에 대한 연속 값들의 적어도 일부를 그 사람의 선택된 시력-관련 파라미터의 시간 경과에 따른 예측된 진화와 연관짓는 단계를 포함한다. 연관짓는 단계는, 제1 유형의 동일한 파라미터에 연관된 연속 값들의 전술한 일부를 공동 처리하는 단계를 포함한다.
이러한 연속 값들의 일부는, 이전에 취득된 값들 중에서 취해진 선택된 일련의 값들이다. 선택된 값들은 반드시 시간적으로 연속적인 것은 아니다. 특정 구현예에서, 선택된 일련의 값들은 적어도 3개의 연속 값을 포함한다.
선택적 단계(34)가 수행되는 경우, 예측 단계(36)는, 사람에 대한 제1 유형의 파라미터(들)의 연속 값들의 전술한 일부와 함께 제2 유형의 파라미터(들)의 변경된 값을, 그 사람에 대한 선택된 시력-관련 파라미터의 시간 경과에 따른 예측된 진화와 연관짓는 단계를 더 포함한다.
본 개시 내용에 따르면, 선택적 단계(34)가 수행되는지 여부에 관계없이, 예측 모델의 경우, 예측된 진화는, 그러한 연속 값들 또는 이들의 적어도 일부, 즉, 적어도 2개, 바람직하게는 적어도 3개의 공동 처리의 결과뿐만 아니라 이러한 연속 값들의 각각 또는 이들의 적어도 일부도 고려하며, 이에 따라 예측된 진화는 이러한 연속 값들의 각각의 함수로서 상이할 것이며, 즉, 예측 모델이 공동 처리된 이러한 값들의 각각에 차등적으로 의존한다.
본 개시 내용에 따른 예측 장치는, 전술한 바와 같이 적어도 한 사람에 대한 연속 값들을 수신하도록 구성된 적어도 하나의 입력부를 포함한다. 장치는, 또한, 전술한 바와 같이 사람의 고려된 시력-관련 파라미터의 시간 경과에 따른 진화를 예측하도록 구성된 적어도 하나의 프로세서를 포함한다.
이러한 장치는, 예측 모델 구축 장치에 포함된 표시 유닛 및/또는 스마트폰 또는 스마트 태블릿 또는 스마트 안경 또는 서버와 동일할 수 있는, 표시 유닛 및/또는 스마트폰 또는 스마트 태블릿 또는 스마트 안경을 포함할 수 있다. 예측 방법이 서버에서 원격 중앙집중식 방식으로 구현되는 경우, 서버로부터의 출력은 통신 네트워크를 통해, 가능하게는 무선 또는 셀룰러 통신 링크를 통해 사용자에게 전달된다.
예측 방법의 특정 구현예에서, 예측 모델에 연관된 개인들의 그룹은, 또한, 본원에서 설명되는 구축 방법에 따라 구축된 예측 모델에 의해 하나 이상의 시력-관련 파라미터의 시간 경과에 따른 진화가 예측될 사람을 포함할 수 있다. 즉, 단계(10, 12, 16) 및 가능하다면 단계(14)도 해당 사람에 대해 수행된다.
자체-보고 파라미터들이 그룹의 개인들에 의해 제공되는 경우, 사람의 성별, 인종, 근시 부모의 수, 학교 성적, IQ 테스트의 결과, 소셜 네트워크로부터의 데이터, 시각 장비의 굴절값, 또는 시각 결함 또는 질병과 관련된 유전 위험 점수와 같이 그 사람에 대한 동일한 자체-보고 파라미터들이 또한 예측 모델에 입력될 수 있다.
예측 방법의 다른 유리한 양태는, 특히 사람의 적어도 하나의 시력-관련 파라미터의 시간 경과에 따른 예측된 진화에 관한 피드백을 그 사람(및/또는 예컨대, 그 사람이 어린이인 경우 그 사람의 부모와 같은 다른 사람)에게 제공함으로써 사람과 상호작용할 수 있는 많은 가능성과 관련된다.
사람과 상호작용할 수 있는 첫 번째 가능성으로서, 사람의 선택된 시력-관련 파라미터(들)의 시간 경과에 따른 예측 진화는 도 2에 도시된 유형의 그래프 형태로 사용가능해질 수 있으며, 이는 예를 들어 모바일 애플리케이션을 통해 스마트폰 또는 스마트 태블릿의 화면 상에서 시각화될 수 있다.
사람과 상호작용할 수 있는 또 다른 가능성으로서, 예측 방법은, 사람의 고려된 시력-관련 파라미터의 시간 경과에 따른 예측된 진화에 기초하여 그 사람에게 하나 이상의 경고 메시지의 전송을 트리거하는 단계를 포함할 수 있다. 이러한 점에서, 경고 메시지(들)의 내용 및/또는 빈도는 사람의 고려된 시각-관련 파라미터에 관한 위험 수준에 따라 달라질 수 있다.
예를 들어, 고려된 시력-관련 파라미터가 근시 발병 또는 진행 위험인 경우, 근시 위험이 높은 사람은, 30 cm 미만의 트리거 임계값에서 너무 가깝게 읽고 있다는 경고를 받는 반면, 근시 위험이 낮은 사람은 20 cm 미만의 트리거 임계값에서 경고를 받는다.
이러한 트리거 임계값은, 주어진 사람에 대해 예측된 근시 위험의 시간 경과에 따른 진화에 따라 해당 사람에 대해 시간 경과에 따라 달라질 수 있다.
경고 메시지(들)의 빈도는 비슷하게 가변될 수 있다.
예를 들어, 경고 메시지는, 사람의 시각적 적성을 보존하는 데 도움이 되는 건강한 눈-사용 습관을 취하거나 유지하도록 적시에 프롬프트하거나 격려하거나 알려줄 수 있다. 따라서, 사람들은 이러한 적시 알림이나 프롬프트로부터 자신의 행동을 변경할 수 있다. 매우 간단한 시각화에 의해 사람들이 자신의 행동이 눈 건강에 유익한지 또는 유해한지를 알 수 있다.
고려되는 시력-관련 파라미터가 근시 수준인 경우, 알림 또는 프롬프트는, 근시 발병 또는 진행 위험을 수반하는 활동을 억제하고/하거나 근시 발병 또는 진행으로부터의 보호 효과가 있는 활동을 장려한다.
아래 표는, 근시 예에서 본 발명에 따른 예측 장치에 포함된 스마트폰 또는 스마트 태블릿에 의해 구현되는 활동 및 대응 액션의 예를 제공한다.
도 4에 도시된 바와 같이, 사람과 상호작용할 수 있는 또 다른 가능성으로서, 예측 방법은, 사람의 시력-관련 파라미터(들)의 시간 경과에 따른 예측된 진화가 그 사람의 시력-관련 파라미터(들)의 시간 경과에 따른 실제 측정된 진화보다 덜 유리한 경우의 제1 상태 또는 사람의 시력-관련 파라미터(들)의 시간 경과에 따른 예측된 진화가 그 사람의 시력-관련 파라미터(들)의 시간 경과에 따른 실제 측정된 진화보다 더 유리한 경우의 제2 상태를 갖는 모니터링 지표를 사람에게 제공하는 단계를 포함할 수 있다.
따라서, 도 2와 동일한 곡선을 도시하는 도 4의 그래프에서, 손 형태의 모니터링 지표는, "A"로 표시된 양측 영역에서 사람의 근시 수준의 시간 경과에 따른 예측된 진화가 그 근시 수준의 시간 경과에 따른 실제 측정된 진화보다 덜 유리하다는 사실을 반영하기 위해, 그러한 영역에서 엄지가 상측으로 향하고, "B"로 표시된 영역에서 사람의 근시 수준의 시간 경과에 따른 예측된 진화가 그 근시 수준의 시간 경과에 따른 실제 측정된 진화보다 더 유리하다는 사실을 반영하기 위해, 그러한 영역에서 엄지가 하측으로 향한다.
사람과 상호작용할 수 있는 또 다른 가능성으로서, 거동의 변화, 예를 들어, 시력-관련 파라미터가 근시 수준 또는 위험인 경우에 실외로 나가서 노는 것을 추천하기 위해 그리고 건강한 습관, 예컨대, 근시 발병을 방지하는 데 또는 근시 진행을 늦추는 데 도움이 되는 습관을 장려하기 위해, 양호한 눈-사용 습관과 불량한 눈-사용 습관 모두를 나타내는 여러 시나리오에 기초하여 사람 및/또는 사람의 부모에게 위험 프로파일을 나타내는 다수의 최적화된 타겟 또는 그래프가 제공될 수 있다. 예를 들어, 예측 모델은, 사람이 실외로 나가서 실외에서 더 많은 시간을 보내는 등의 권장 활동을 수행하는 경우에 권장 활동에 기초하여 최적화된 이상적인 근시 위험 프로파일 그래프를 계산하여 제시한다.
도 5는 시력-관련 파라미터가 근시 수준인 경우 이러한 다수의 위험 프로파일의 예를 도시한다.
도 5의 왼쪽에 있는 그래프는, 사람이 근시 진행 위험이 낮은 경우 그 사람의 시간 경과에 따른 근시 수준의 진화를 도시한다.
도 5의 오른쪽에 있는 그래프는, 사람이 근시 진행 위험이 높은 경우 그 사람의 시간 경과에 따른 근시 수준의 진화를 도시한다.
양측 그래프에서, 각각의 끊어지지 않은 곡선 부분은 현재 시각까지 실제 측정된 근시 진화 프로파일을 나타내고, 파선형 곡선은, 사람의 눈-사용 습관 및/또는 거동의 변화에 따라 동적 예측 모델의 수정의 함수로서 업데이트되는 현재 시각 이후의 예측된 근시 위험 프로파일을 나타낸다. 각 그래프에 있는 두 개의 점선형 곡선은, 사람이 눈-사용 습관 및/또는 거동을 변경하기 위한 권장 사항을 따르거나 따르지 않는 시나리오에서 근시 위험 프로파일을 나타낸다. 상측의 점선형 곡선은 사람이 권장 사항을 따르지 않는 시나리오에 해당하고, 하측의 점선형 곡선은 사람이 권장 사항을 따르는 시나리오에 해당한다.
점선형 곡선에는, 설명 메시지, 예를 들어, 상측의 점선형 곡선에 대해서는 "근시 작업에 너무 많은 시간을 할애하면, 근시 위험이 증가합니다" 그리고 하측의 점선형 곡선에 대해서는 "실외로 나가서 놀면, 근시 위험이 감소됩니다"라는 설명 메시지가 함께 표시될 수 있다.
사람과 상호작용할 수 있는 또 다른 가능성으로서, 예측 방법은, 사람의 시각 결함의 감소 또는 진행 속도 감소의 최대값을, 사람의 미리 정해진 제1 및/또는 제2 유형의 적어도 하나의 파라미터의 값의 변화의 함수로서 그 사람에게 제공하는 단계를 포함할 수 있다.
예를 들어, 환자의 근시 진행이 처음에 1년에 약 1디옵터로 추정되는 경우, 그 사람이 가장 건강한 거동 및/또는 활동 및/또는 환경을 채택하면 해당 사람이 근시 진행을 최대한 감소시키는 것을 달성할 수 있다. 예를 들어, 실외 활동에 소요되는 최대 시간과 긴 읽기 거리는 근시 진행을 연간 0.4디옵터까지 감소시킬 수 있으므로, 근시 진행의 최대 감소는 연간 0.6디옵터가 된다. 역으로, 사람의 거동 및/또는 활동 및/또는 환경이 최적이 아닌 경우, 가능한 최대 감소에 대한 50%의 비에 해당하는 연간 단지 0.3디옵터의 근시 진행의 감소를 초래할 수 있다.
전술한 모든 방법은 컴퓨터로 구현될 수 있다. 즉, 컴퓨터 프로그램 제품은 프로세서에 액세스될 수 있는 명령어들의 하나 이상의 시퀀스를 포함하며, 이러한 명령어들의 하나 이상의 시퀀스는, 프로세서에 의해 실행될 때, 프로세서로 하여금, 전술한 바와 같이 예측 모델을 구축하는 방법의 단계들 및/또는 적어도 하나의 시력-관련 파라미터의 시간 경과에 따른 진화를 예측하는 방법의 단계들을 수행하게 한다.
예측 모델은, 예를 들어, 클라우드에서 원격으로 또는 스마트 프레임에서 로컬로 사용될 수 있다. 모델의 업데이트 및 재계산은 유리하게 클라우드에서 수행될 수 있다.
명령어들의 시퀀스(들)는, 클라우드의 미리 결정된 위치를 포함하여 하나 또는 여러 개의 컴퓨터-판독가능 저장 매체/매체들에 저장될 수 있다.
예측 모델을 구축하기 위해, 프로세서는, 예를 들어, 무선 또는 셀룰러 통신 링크를 통해, 개인들의 그룹의 구성원(들) 및/또는 사람에 대한 미리 정해진 제1 유형의 파라미터(들)의 시간 경과에 따른 반복 측정에 각각 대응하는 연속 값들을 다양한 센서로부터 수신할 수 있다.
대표적인 방법 및 장치를 본원에서 상세히 설명하였지만, 통상의 기술자는, 첨부된 청구범위에 의해 설명되고 정의된 범위를 벗어나지 않고 다양한 대체 및 수정이 이루어질 수 있음을 인식할 것이다.
Claims (14)
- 적어도 하나의 프로세서를 포함하는 컴퓨터에 의해 구현되는, 적어도 한 사람의 적어도 하나의 시력-관련 파라미터의 시간 경과에 따른 진화를 예측하기 위한 예측 모델을 구축하는 방법으로서,
상기 컴퓨터의 입력부를 통해 개인들의 그룹 중의 적어도 한 구성원에 대한 미리 정해진 제1 유형의 적어도 하나의 파라미터의 시간 경과에 따른 반복 측정에 각각 대응하는 연속 값들을 취득하는 단계;
상기 컴퓨터의 인터페이스를 통해 상기 개인들의 그룹 중의 상기 적어도 한 구성원에 대한 상기 적어도 하나의 시력-관련 파라미터의 시간 경과에 따른 진화를 취득하는 단계; 및
상기 컴퓨터의 적어도 하나의 프로세서에 의해, 상기 연속 값들의 적어도 일부를 상기 개인들의 그룹 중의 상기 적어도 한 구성원에 대한 상기 적어도 하나의 시력-관련 파라미터의 시간 경과에 따른 상기 취득된 진화와 연관짓는 단계를 포함하는, 상기 예측 모델을 구축하는 단계를 포함하고,
상기 연관짓는 단계는, 상기 미리 정해진 제1 유형의 상기 적어도 하나의 파라미터 중의 동일한 파라미터에 연관된 상기 연속 값들의 상기 적어도 일부를 공동처리하는 단계를 포함하고,
상기 미리 정해진 제1 유형의 상기 적어도 하나의 파라미터는 라이프스타일 또는 활동 또는 거동에 관한 파라미터이고,
상기 예측 모델은 상기 동일한 파라미터에 연관된 상기 연속 값들의 상기 적어도 일부의 각각에 대한 함수가 달라지는 것으로서,
라이프스타일 또는 활동 또는 거동이 달라짐에 따라 상기 공동 처리된 연속 값들이 서로 다른 경우, 상기 공동 처리된 서로 다른 연속 값들마다 고유한 가중치를 부여함으로써, 상기 적어도 하나의 시력-관련 파라미터의 시간 경과에 따른 진화를 예측할 때에 상기 공동 처리된 연속 값들 각각에 차등적으로 의존하는, 방법. - 제1항에 있어서, 상기 예측 모델을 구축하는 단계 전에, 상기 컴퓨터의 입력부를 통해 상기 개인들의 그룹 중의 상기 적어도 한 구성원에 대한 미리 정해진 제2 유형의 적어도 하나의 파라미터의 변경된 값에 관한 정보를 취득하는 단계를 더 포함하고,
상기 구축 단계는, 상기 연속 값들의 상기 적어도 일부와 함께 상기 변경된 값을, 상기 개인들의 그룹 중의 상기 적어도 한 구성원에 대한 상기 적어도 하나의 시력-관련 파라미터의 시간 경과에 따른 상기 취득된 진화와 연관짓는 단계를 더 포함하는, 방법. - 제1항에 있어서, 상기 연속 값들의 상기 적어도 일부는 상기 연속 값들의 적어도 3개를 포함하는, 방법.
- 제1항에 있어서, 상기 적어도 한 사람은 상기 개인들의 그룹에 속하는, 방법.
- 제1항에 있어서,
상기 적어도 하나의 시력-관련 파라미터는 근시 수준이고,
상기 미리 정해진 제1 유형의 상기 적어도 하나의 파라미터 중의 동일한 파라미터는 근시와 관련된 작업에 소요된 시간이고,
상기 근시와 관련된 작업에 소요된 시간의 연속 값들이 타임스탬프를 이용해서 취득되고,
상기 예측 모델은 상기 근시와 관련된 작업에 소요된 시간의 양에 따라 근시 수준의 시간 경과에 따른 진화를 차등적으로 반영하는, 방법. - 제1항에 있어서, 상기 적어도 하나의 파라미터는, 실외 또는 실내에서 보낸 지속 시간, 눈과 읽거나 쓰고 있는 텍스트 간의 거리, 읽기 또는 쓰기의 지속 시간, 광 강도 또는 스펙트럼, 또는 시각 장비를 착용하는 빈도 또는 지속 시간을 더 포함하는, 방법.
- 제1항에 있어서, 상기 구축 단계는 자체-보고(self-reported) 파라미터를 고려하는 단계를 더 포함하는, 방법.
- 제1항에 있어서, 상기 미리 정해진 제1 유형의 상기 적어도 하나의 파라미터는 하루에 적어도 한 번 측정되는, 방법.
- 제1항에 있어서, 상기 미리 정해진 제1 유형의 상기 적어도 하나의 파라미터는 1 Hz보다 높은 주파수에서 측정되는, 방법.
- 제1항 내지 제9항 중 어느 한 항에 있어서, 상기 구축 단계에서는 기계 학습 알고리즘을 사용하는, 방법.
- 적어도 한 사람의 적어도 하나의 시력-관련 파라미터의 시간 경과에 따른 진화를 예측하기 위한 예측 모델을 구축하는 장치로서,
개인들의 그룹 중의 적어도 한 구성원에 대한 미리 정해진 제1 유형의 적어도 하나의 파라미터의 시간 경과에 따른 반복 측정에 각각 대응하는 연속 값들, 및 상기 개인들의 그룹 중의 상기 적어도 한 구성원에 대한 상기 적어도 하나의 시력-관련 파라미터의 시간 경과에 따른 진화를 수신하도록 구성된 적어도 하나의 입력부;
상기 미리 정해진 제1 유형의 상기 적어도 하나의 파라미터 중의 동일한 파라미터에 연관된 상기 연속 값들의 적어도 일부를 공동 처리하는 것을 포함하여, 상기 연속 값들의 적어도 일부를 상기 개인들의 그룹 중의 상기 적어도 한 구성원에 대한 상기 적어도 하나의 시력-관련 파라미터의 시간 경과에 따른 상기 수신된 진화와 연관짓는 것을 포함하여 상기 예측 모델을 구축하도록 구성된 적어도 하나의 프로세서를 포함하고,
상기 미리 정해진 제1 유형의 상기 적어도 하나의 파라미터는 라이프스타일 또는 활동 또는 거동에 관한 파라미터이고,
상기 예측 모델은 상기 동일한 파라미터에 연관된 상기 연속 값들의 상기 적어도 일부의 각각에 대한 함수를 달리하는 것으로서, 라이프스타일 또는 활동 또는 거동이 달라짐에 따라 상기 공동 처리된 연속 값들이 서로 다른 경우, 상기 공동 처리된 서로 다른 연속 값들마다 고유한 가중치를 부여함으로써, 상기 적어도 하나의 시력-관련 파라미터의 시간 경과에 따른 진화를 예측할 때에 상기 공동 처리된 연속 값들 각각에 차등적으로 의존하는, 장치. - 제11항에 있어서, 표시 수단 및/또는 스마트폰 또는 스마트 태블릿 또는 스마트 아이웨어를 포함하는, 장치.
- 적어도 한 사람의 적어도 하나의 시력-관련 파라미터의 시간 경과에 따른 진화를 예측하기 위한 예측 모델을 구축하기 위하여 비일시적 컴퓨터-판독가능 저장 매체에 저장된 컴퓨터 프로그램으로서,
프로세서에 액세스가능한 명령어들의 하나 이상의 시퀀스를 포함하고,
상기 명령어들의 하나 이상의 시퀀스는, 상기 프로세서에 의해 실행될 때, 상기 프로세서로 하여금, 미리 정해진 제1 유형의 적어도 하나의 파라미터 중의 동일한 파라미터에 연관된 연속 값들의 적어도 일부를 공동 처리하는 것을 포함하여, 개인들의 그룹 중의 적어도 한 구성원에 대한 상기 미리 정해진 제1 유형의 상기 적어도 하나의 파라미터의 시간 경과에 따른 반복 측정에 각각 대응하는 상기 연속 값들의 상기 적어도 일부를 상기 개인들의 그룹 중의 상기 적어도 한 구성원에 대한 상기 적어도 하나의 시력-관련 파라미터의 시간 경과에 따른 취득된 진화와 연관짓는 것을 포함하여 상기 예측 모델을 구축하게 하고,
상기 미리 정해진 제1 유형의 상기 적어도 하나의 파라미터는 라이프스타일 또는 활동 또는 거동에 관한 파라미터이고,
상기 예측 모델은 상기 동일한 파라미터에 연관된 상기 연속 값들의 상기 적어도 일부의 각각에 대한 함수가 달라지는 것으로서, 라이프스타일 또는 활동 또는 거동이 달라짐에 따라 상기 공동 처리된 연속 값들이 서로 다른 경우, 상기 공동 처리된 서로 다른 연속 값들마다 고유한 가중치를 부여함으로써, 상기 적어도 하나의 시력-관련 파라미터의 시간 경과에 따른 진화를 예측할 때에 상기 공동 처리된 연속 값들 각각에 차등적으로 의존하는, 컴퓨터 프로그램. - 프로세서에 액세스가능한 명령어들의 하나 이상의 시퀀스를 저장하는 비일시적 컴퓨터-판독가능 저장 매체로서,
상기 명령어들의 하나 이상의 시퀀스는, 상기 프로세서에 의해 실행될 때, 상기 프로세서로 하여금 예측 모델을 구축하게 하고, 상기 예측 모델의 구축에는 미리 정해진 제1 유형의 적어도 하나의 파라미터 중의 동일한 파라미터에 연관된 연속 값들의 적어도 일부를 공동 처리하는 것을 포함하고, 개인들의 그룹 중의 적어도 한 구성원에 대한 상기 미리 정해진 제1 유형의 상기 적어도 하나의 파라미터의 시간 경과에 따른 반복 측정에 각각 대응하는 상기 연속 값들의 상기 적어도 일부를 상기 개인들의 그룹 중의 상기 적어도 한 구성원에 대한 상기 적어도 하나의 시력-관련 파라미터의 시간 경과에 따른 취득된 진화와 연관짓는 것을 포함하며,
상기 미리 정해진 제1 유형의 상기 적어도 하나의 파라미터는 라이프스타일 또는 활동 또는 거동에 관한 파라미터이고,
상기 예측 모델은 상기 동일한 파라미터에 연관된 상기 연속 값들의 상기 적어도 일부의 각각에 대한 함수가 달라지는 것으로서, 라이프스타일 또는 활동 또는 거동이 달라짐에 따라 상기 공동 처리된 연속 값들이 서로 다른 경우, 상기 공동 처리된 서로 다른 연속 값들마다 고유한 가중치를 부여함으로써, 상기 적어도 하나의 시력-관련 파라미터의 시간 경과에 따른 진화를 예측할 때에 상기 공동 처리된 연속 값들 각각에 차등적으로 의존하는, 비일시적 컴퓨터-판독가능 저장 매체.
Applications Claiming Priority (3)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| EP18306805.5 | 2018-12-21 | ||
| EP18306805 | 2018-12-21 | ||
| PCT/EP2019/083723 WO2020126513A1 (en) | 2018-12-21 | 2019-12-04 | A method and device for building a model for predicting evolution over time of a vision-related parameter |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| KR20210088654A KR20210088654A (ko) | 2021-07-14 |
| KR102608915B1 true KR102608915B1 (ko) | 2023-12-01 |
Family
ID=65234355
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020217017282A KR102608915B1 (ko) | 2018-12-21 | 2019-12-04 | 시력-관련 파라미터의 시간 경과에 따른 진화를 예측하기 위한 모델을 구축하는 방법 및 장치 |
Country Status (9)
| Country | Link |
|---|---|
| US (1) | US20220028552A1 (ko) |
| EP (1) | EP3899986A1 (ko) |
| JP (1) | JP2022515378A (ko) |
| KR (1) | KR102608915B1 (ko) |
| CN (1) | CN113261067A (ko) |
| AU (1) | AU2019407110A1 (ko) |
| BR (1) | BR112021010770A2 (ko) |
| SG (1) | SG11202105448RA (ko) |
| WO (1) | WO2020126513A1 (ko) |
Families Citing this family (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20220084687A1 (en) * | 2018-12-21 | 2022-03-17 | Essilor International | A method and device for predicting evolution over time of a vision-related parameter |
| EP4177907A1 (en) | 2021-11-04 | 2023-05-10 | Essilor International | A method and system for determining a risk of an onset or progression of myopia |
| WO2023077411A1 (en) | 2021-11-05 | 2023-05-11 | Carl Zeiss Vision International Gmbh | Devices and methods for determining data related to a progression of refractive values of a person |
| EP4187311A1 (en) * | 2021-11-26 | 2023-05-31 | Essilor International | Computer-implemented method, apparatus, system and computer program for providing a user with a representation of an effect of a sightedness impairment control solution |
Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20180160894A1 (en) * | 2016-12-09 | 2018-06-14 | Microsoft Technology Licensing, Llc | Forecasting eye condition progression for eye patients |
Family Cites Families (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| FR3042400A1 (fr) * | 2015-10-15 | 2017-04-21 | Essilor Int | Dispositif de test du comportement visuel d'un individu et methode de determination d'au moins un parametre de conception optique d'une lentille ophtalmique utilisant un tel dispositif |
| WO2017120475A1 (en) * | 2016-01-06 | 2017-07-13 | University Of Utah Research Foundation | Low-power large aperture adaptive lenses for smart eyeglasses |
| US10912456B2 (en) * | 2016-01-27 | 2021-02-09 | Johnson & Johnson Vision Care, Inc. | Ametropia treatment tracking methods and system |
| US10042181B2 (en) * | 2016-01-27 | 2018-08-07 | Johnson & Johnson Vision Care, Inc. | Ametropia treatment tracking methods and system |
| EP3239870B1 (en) * | 2016-04-28 | 2021-06-02 | Essilor International | A method for monitoring the behavior of a cohort group of members |
| WO2018184072A1 (en) * | 2017-04-07 | 2018-10-11 | Brien Holden Vision Institute | Systems, devices and methods for slowing the progression of a condition of the eye and/or improve ocular and/or other physical conditions |
| IL258706A (en) * | 2017-04-25 | 2018-06-28 | Johnson & Johnson Vision Care | Treatment follow-up methods in emmetropia and system |
| US10758120B2 (en) * | 2017-06-23 | 2020-09-01 | Adaptive Sensory Technology, Inc. | Systems and methods for testing and analysis of visual acuity and its changes |
| WO2020083382A1 (en) * | 2018-10-26 | 2020-04-30 | Ai Technologies Inc. | Accurate prediction and treatment of myopic progression by artificial intelligence |
| US20220084687A1 (en) * | 2018-12-21 | 2022-03-17 | Essilor International | A method and device for predicting evolution over time of a vision-related parameter |
-
2019
- 2019-12-04 JP JP2021534770A patent/JP2022515378A/ja active Pending
- 2019-12-04 US US17/414,198 patent/US20220028552A1/en active Pending
- 2019-12-04 SG SG11202105448RA patent/SG11202105448RA/en unknown
- 2019-12-04 EP EP19813534.5A patent/EP3899986A1/en active Pending
- 2019-12-04 AU AU2019407110A patent/AU2019407110A1/en active Pending
- 2019-12-04 KR KR1020217017282A patent/KR102608915B1/ko active IP Right Grant
- 2019-12-04 CN CN201980084045.2A patent/CN113261067A/zh active Pending
- 2019-12-04 BR BR112021010770-3A patent/BR112021010770A2/pt unknown
- 2019-12-04 WO PCT/EP2019/083723 patent/WO2020126513A1/en unknown
Patent Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20180160894A1 (en) * | 2016-12-09 | 2018-06-14 | Microsoft Technology Licensing, Llc | Forecasting eye condition progression for eye patients |
Also Published As
| Publication number | Publication date |
|---|---|
| KR20210088654A (ko) | 2021-07-14 |
| EP3899986A1 (en) | 2021-10-27 |
| SG11202105448RA (en) | 2021-07-29 |
| WO2020126513A1 (en) | 2020-06-25 |
| BR112021010770A2 (pt) | 2021-09-08 |
| JP2022515378A (ja) | 2022-02-18 |
| US20220028552A1 (en) | 2022-01-27 |
| AU2019407110A1 (en) | 2021-06-10 |
| CN113261067A (zh) | 2021-08-13 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| KR102608927B1 (ko) | 시력-관련 파라미터의 시간 경과에 따른 진화를 예측하는 방법 및 장치 | |
| KR102608915B1 (ko) | 시력-관련 파라미터의 시간 경과에 따른 진화를 예측하기 위한 모델을 구축하는 방법 및 장치 | |
| RU2703654C1 (ru) | Способы и система слежения за лечением аметропии | |
| RU2664173C2 (ru) | Способы и система слежения за лечением аметропии | |
| EP3395233B1 (en) | Ametropia treatment tracking methods and system | |
| AU2005215056B2 (en) | System and method for analyzing wavefront aberrations | |
| CN107358036A (zh) | 一种儿童近视风险预测方法、装置及系统 | |
| Kingston et al. | Population spherical aberration: associations with ametropia, age, corneal curvature, and image quality | |
| CN112700858A (zh) | 一种儿童青少年近视预警方法及设备 | |
| JP6959791B2 (ja) | 生活情報提供システム、生活情報提供方法、および、プログラム | |
| KR102387396B1 (ko) | 개인을 위한 개인화된 시각적 보정을 위한 프로그레시브 안구 기기를 결정하기 위한 방법 | |
| WO2023079062A1 (en) | Devices and methods for determining data related to a progression of refractive values of a person | |
| CN114048687A (zh) | 一种近视、高度近视预测模型及其应用 | |
| EP3883454A1 (en) | Intelligent topographic corneal procedure advisor | |
| KR102320581B1 (ko) | 딥러닝을 이용한 미숙아의 시력 발달 및 근시 진행을 예측하는 방법 및 시스템 | |
| EP4177907A1 (en) | A method and system for determining a risk of an onset or progression of myopia | |
| KR20190015922A (ko) | 미래 시력장애 정도 측정 장치 및 방법 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| E902 | Notification of reason for refusal | ||
| E701 | Decision to grant or registration of patent right | ||
| GRNT | Written decision to grant |