KR102609482B1 - 개인화 부작용 데이터를 이용한 부작용 약물 탐지 및 최적화된 약물 제공 방법 및 장치 - Google Patents
개인화 부작용 데이터를 이용한 부작용 약물 탐지 및 최적화된 약물 제공 방법 및 장치 Download PDFInfo
- Publication number
- KR102609482B1 KR102609482B1 KR1020220122884A KR20220122884A KR102609482B1 KR 102609482 B1 KR102609482 B1 KR 102609482B1 KR 1020220122884 A KR1020220122884 A KR 1020220122884A KR 20220122884 A KR20220122884 A KR 20220122884A KR 102609482 B1 KR102609482 B1 KR 102609482B1
- Authority
- KR
- South Korea
- Prior art keywords
- drug
- side effect
- information
- side effects
- drugs
- Prior art date
Links
- 239000003814 drug Substances 0.000 title claims abstract description 359
- 229940079593 drug Drugs 0.000 title claims abstract description 358
- 238000000034 method Methods 0.000 title claims abstract description 43
- 238000002483 medication Methods 0.000 title claims description 16
- 230000002411 adverse Effects 0.000 title 1
- 230000000694 effects Effects 0.000 claims abstract description 353
- 238000004458 analytical method Methods 0.000 claims description 51
- 208000024891 symptom Diseases 0.000 claims description 44
- 230000001364 causal effect Effects 0.000 claims description 22
- 230000004044 response Effects 0.000 claims description 14
- 238000010801 machine learning Methods 0.000 claims description 7
- 238000012066 statistical methodology Methods 0.000 claims description 5
- 238000004590 computer program Methods 0.000 claims description 3
- 208000030453 Drug-Related Side Effects and Adverse reaction Diseases 0.000 abstract description 65
- 238000004891 communication Methods 0.000 description 13
- 206010061623 Adverse drug reaction Diseases 0.000 description 11
- 238000004422 calculation algorithm Methods 0.000 description 10
- 238000001514 detection method Methods 0.000 description 9
- 239000000284 extract Substances 0.000 description 8
- 239000000955 prescription drug Substances 0.000 description 6
- 101000842368 Homo sapiens Protein HIRA Proteins 0.000 description 4
- 102100030473 Protein HIRA Human genes 0.000 description 4
- 201000010099 disease Diseases 0.000 description 4
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 4
- 238000007726 management method Methods 0.000 description 4
- 239000000835 fiber Substances 0.000 description 3
- 230000036541 health Effects 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000012552 review Methods 0.000 description 3
- 206010013710 Drug interaction Diseases 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000012377 drug delivery Methods 0.000 description 2
- 230000000857 drug effect Effects 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 101150012579 ADSL gene Proteins 0.000 description 1
- 102100020775 Adenylosuccinate lyase Human genes 0.000 description 1
- 108700040193 Adenylosuccinate lyases Proteins 0.000 description 1
- XUIMIQQOPSSXEZ-UHFFFAOYSA-N Silicon Chemical compound [Si] XUIMIQQOPSSXEZ-UHFFFAOYSA-N 0.000 description 1
- 230000032683 aging Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000009223 counseling Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 238000001647 drug administration Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 239000011521 glass Substances 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 239000004615 ingredient Substances 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000001151 other effect Effects 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 229910052710 silicon Inorganic materials 0.000 description 1
- 239000010703 silicon Substances 0.000 description 1
- 239000010454 slate Substances 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 230000002123 temporal effect Effects 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
- 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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- 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
- 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
- G16H70/00—ICT specially adapted for the handling or processing of medical references
- G16H70/40—ICT specially adapted for the handling or processing of medical references relating to drugs, e.g. their side effects or intended usage
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Public Health (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Epidemiology (AREA)
- Theoretical Computer Science (AREA)
- Medicinal Chemistry (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Chemical & Material Sciences (AREA)
- Software Systems (AREA)
- Pathology (AREA)
- Databases & Information Systems (AREA)
- Biomedical Technology (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Pharmacology & Pharmacy (AREA)
- Toxicology (AREA)
- Medical Treatment And Welfare Office Work (AREA)
Abstract
본 발명은 개인화 부작용 데이터를 이용한 부작용 약물 탐지 및 최적화된 약물 제공 방법을 제공한다. 상기 방법은 사용자로부터 처방전 정보를 수신하는 단계, 상기 사용자로부터 부작용 정보를 수신하는 단계, 개인화 부작용 데이터베이스를 기초로 상기 처방전 정보에 포함된 약제들 및 상기 부작용 정보에 기초하여 부작용 발생 가능성을 분석하여 부작용을 유발하는 특정 약제를 추출하고 대체 약제를 결정하는 단계, 상기 대체 약제를 기반으로 최적화된 처방전 정보를 생성하여 상기 사용자에게 제공하는 단계, 및 상기 사용자로부터 상기 최적화된 처방전 정보에 기초한 약물 복용 후 피드백 정보를 수집하여 상기 개인화 부작용 데이터베이스를 업데이트하는 단계를 포함할 수 있다.
Description
본 개시는 부작용 유발 위험 약물을 탐지하고 최적화된 약물을 추천 및/또는 제공하는 기술에 관한 것이다. 보다 상세하게는, 본 개시는 개인화 부작용 데이터를 이용하여 부작용 약물을 탐지하고 최적화된 약물을 제공하는 방법 및 장치에 관한 것이다.
최근 전 세계적으로 고령화에 따른 약물 복용 빈도와 수량은 급격하게 증가하고 있는 추세이다. 이에 따른 약물 부작용 역시 급속하게 증가하여 환자의 안전을 위협하고 있는 실정이다. 이에 시판되고 있는 약물에 대해 조기에 새로운 부작용 또는 심각한 부작용이 있는지를 분석하고 발견하는 것이 중요한 이슈로 부각되고 있고, 이를 위해서는 약물 복용자의 데이터를 수집하는 것이 중요하다.
또한, 약물 복용자의 수집된 데이터를 이용하여 추후 복용 가능성이 있는 약물들에 대해 부작용을 예측하고, 부작용 발생 위험이 낮은 약물을 제공하는 것이 중요하다.
본 개시에 개시된 실시예는 개인화 부작용 데이터를 이용하여 부작용 약물을 탐지하고 최적화된 약물을 제공하는 방법 및 장치를 제공하는데 그 목적이 있다.
본 개시가 해결하고자 하는 과제들은 이상에서 언급된 과제로 제한되지 않으며, 언급되지 않은 또 다른 과제들은 아래의 기재로부터 통상의 기술자에게 명확하게 이해될 수 있을 것이다.
상술한 기술적 과제를 달성하기 위한 본 개시의 일 측면에 따른 서버에 의해 수행되는 개인화 부작용 데이터를 이용한 부작용 약물 탐지 및 최적화된 약물 제공 방법은, (1) 사용자로부터 처방전 정보를 수신하는 단계, (2) 상기 사용자로부터 부작용 정보를 수신하는 단계, (3) 개인화 부작용 데이터베이스를 기초로 상기 처방전 정보에 포함된 약제들 및 상기 부작용 정보에 기초하여 부작용 발생 가능성을 분석하여 부작용을 유발하는 특정 약제를 추출하고 대체 약제를 결정하는 단계, (4) 상기 대체 약제를 기반으로 최적화된 처방전 정보를 생성하여 상기 사용자에게 제공하는 단계, 및 (5) 상기 사용자로부터 상기 최적화된 처방전 정보에 기초한 약물 복용 후 피드백 정보를 수집하여 상기 개인화 부작용 데이터베이스를 업데이트하는 단계를 포함할 수 있다.
또한, 상기 부작용을 유발하는 특정 약제를 추출하고 상기 대체 약제를 결정하는 단계는, 상기 개인화 부작용 데이터베이스를 기초로 학습된 학습 모델을 이용하여 상기 처방전 정보에 포함된 약제들 및 상기 부작용 정보에 기초하여 부작용 발생 가능성을 분석하여 상기 부작용을 유발하는 특정 약제를 추출하고 상기 대체 약제를 결정할 수 있다.
또한, 상기 부작용을 유발하는 특정 약제를 추출하고 상기 대체 약제를 결정하는 단계는, 상기 개인화 부작용 데이터베이스를 기초로 통계적 방법론에 따라 상기 처방전 정보에 포함된 약제들 및 상기 부작용 정보에 기초하여 부작용 발생 가능성을 분석하여 부작용 확률을 계산하는 단계, 및 상기 부작용 확률이 기설정된 임계값을 초과하는지 여부에 기초하여 상기 부작용을 유발하는 특정 약제를 추출하고 상기 대체 약제를 결정하는 단계를 포함할 수 있다.
또한, 상기 부작용을 유발하는 특정 약제를 추출하고 상기 대체 약제를 결정하는 단계는, 상기 처방전 정보에 포함된 약제들 및 상기 부작용 정보에 기초하여 부작용 발생 가능성에 관련된 질문에 대한 응답을 상기 사용자로부터 수신하는 단계, 및 상기 응답을 기초로 상기 처방전 정보에 포함된 약제들 및 상기 부작용 정보에 기초하여 부작용 발생 가능성을 판단하는 단계를 더 포함할 수 있다.
또한, 사용자 정보, 처방전 정보 및 부작용 정보 중 적어도 하나를 기반으로 획득되는 개인화 부작용 데이터를 이용하여 상기 개인화 부작용 데이터베이스를 구축하는 단계, 및 상기 개인화 부작용 데이터베이스를 기반으로 머신러닝을 통해 부작용 유발 약제를 추출하고 대체 약제를 결정하기 위한 상기 학습 모델을 생성하는 단계를 포함할 수 있다.
또한, 상기 학습 모델은, 상기 최적화된 처방전 정보에 기초한 약물 복용 후 수집된 피드백 정보를 업데이트한 상기 개인화 부작용 데이터베이스를 기반으로 상기 머신러닝을 통해 상기 부작용 유발 약제를 추출하고 상기 대체 약제를 결정하는 학습을 더 수행할 수 있다.
또한, 상기 부작용을 유발하는 특정 약제를 추출하고 상기 대체 약제를 결정하는 단계는, 상기 개인화 부작용 데이터베이스 및 외부 데이터베이스를 더 이용하여 상기 부작용을 유발하는 특정 약제를 추출하고 상기 대체 약제를 결정할 수 있다.
또한, 상기 부작용 정보, 상기 부작용을 유발하는 특정 약제, 상기 대체 약제, 상기 최적화된 처방전 정보, 또는 상기 피드백 정보 중 적어도 하나를 외부 서버로 제공하는 단계를 더 포함할 수 있다.
또한, 본 개시의 다른 측면에 따른 개인화 부작용 데이터를 이용한 부작용 약물 탐지 및 최적화된 약물 제공 방법을 제공하는 장치는, 사용자로부터 처방전 정보를 수신하고, 상기 사용자로부터 부작용 정보를 수신하는 정보 수신부, 개인화 부작용 데이터베이스를 기초로 상기 처방전 정보에 포함된 약제들 및 상기 부작용 정보에 기초하여 부작용 발생 가능성을 분석하여 부작용을 유발하는 특정 약제를 추출하고 대체 약제를 결정하는 분석부, 상기 대체 약제를 기반으로 최적화된 처방전 정보를 생성하여 상기 사용자에게 제공하는 정보 제공부, 및 상기 사용자로부터 상기 최적화된 처방전 정보에 기초한 약물 복용 후 피드백 정보를 수집하여 상기 개인화 부작용 데이터베이스를 업데이트하는 업데이트부를 포함할 수 있다.
이 외에도, 본 개시를 구현하기 위한 실행하기 위한 컴퓨터 판독 가능한 기록 매체에 저장된 컴퓨터 프로그램이 더 제공될 수 있다.
이 외에도, 본 개시를 구현하기 위한 방법을 실행하기 위한 컴퓨터 프로그램을 기록하는 컴퓨터 판독 가능한 기록 매체가 더 제공될 수 있다.
본 개시의 전술한 과제 해결 수단에 의하면, 개인별 약물 복용에 따른 효능, 부작용 등의 정보가 축적된 데이터베이스(즉, 개인화된 부작용 데이터베이스)를 사용하므로, 개인별 부작용 약물을 잠지하여 약물 부작용 발생을 예방하고 최적화된 약물을 제공하는데 효과적일 수 있다.
또한, 본 개시의 전술한 과제 해결 수단에 의하면, 최적화된 약물을 포함하는 처방전을 제공한 후 약물 복용 후 부작용 발생 여부 및 증상에 대한 피드백 정보를 반영하여 데이터베이스(즉, 개인화된 부작용 데이터베이스 혹은 개인화된 부작용 발생 확률 데이터베이스) 업데이트함으로써 부작용 약물을 추출하고 대체 약제를 결정함에 있어 정확도 및 신뢰도를 향상시킬 있다.
또한, 본 개시의 전술한 과제 해결 수단에 의하면, 약물과 부작용 간의 인과관계 또는 약물의 부작용 발생 가능성에 관련된 다양한 질문에 대한 답변 결과를 기초로 인과성 판단 알고리즘을 구성함으로써 환자에게 발생한 증상이 약물과 인과성 또는 부작용 발생 가능성이 있는 것이여서 약물 부작용으로 볼 수 있는지 여부를 용이하게 판단할 수 있다.
또한, 본 개시의 전술한 과제 해결 수단에 의하면, 약물 및 부작용 간의 인과관계 또는 약물 부작용 발생 가능성에 대한 분석을 통해서 약물 복용 시 약물 종류에 따라 환자에게 발생될 부작용을 예측하고 부작용 발생 위험이 낮은 약물을 처방하고 추천할 수 있는 효과를 가진다.
본 개시의 효과들은 이상에서 언급된 효과로 제한되지 않으며, 언급되지 않은 또 다른 효과들은 아래의 기재로부터 통상의 기술자에게 명확하게 이해될 수 있을 것이다.
도 1은 본 발명의 일 실시예에 따른 개인화 부작용 데이터를 이용한 부작용 약물 탐지 및 최적화된 약물 제공 방법이 수행되는 시스템을 개략적으로 나타낸다.
도 2는 본 발명의 일 실시예에 따른 개인화 부작용 데이터를 이용한 부작용 약물 탐지 및 최적화된 약물 제공 방법을 수행하는 장치를 개략적으로 나타내는 블록도이다.
도 3은 본 발명의 일 실시예에 따른 개인화 부작용 데이터를 이용한 부작용 약물 탐지 및 최적화된 약물 제공 방법을 개략적으로 나타내는 순서도이다.
도 4 내지 도 10은 본 발명의 일 실시예에 따른 약물과 부작용 간의 인과관계 또는 약물의 부작용 발생 가능성 분석을 위한 알고리즘의 예시들을 나타낸다.
도 2는 본 발명의 일 실시예에 따른 개인화 부작용 데이터를 이용한 부작용 약물 탐지 및 최적화된 약물 제공 방법을 수행하는 장치를 개략적으로 나타내는 블록도이다.
도 3은 본 발명의 일 실시예에 따른 개인화 부작용 데이터를 이용한 부작용 약물 탐지 및 최적화된 약물 제공 방법을 개략적으로 나타내는 순서도이다.
도 4 내지 도 10은 본 발명의 일 실시예에 따른 약물과 부작용 간의 인과관계 또는 약물의 부작용 발생 가능성 분석을 위한 알고리즘의 예시들을 나타낸다.
본 발명의 이점 및 특징, 그리고 그것들을 달성하는 방법은 첨부되는 도면과 함께 상세하게 후술되어 있는 실시예들을 참조하면 명확해질 것이다. 그러나, 본 발명은 이하에서 개시되는 실시예들에 제한되는 것이 아니라 서로 다른 다양한 형태로 구현될 수 있으며, 단지 본 실시예들은 본 발명의 개시가 완전하도록 하고, 본 발명이 속하는 기술 분야의 통상의 기술자에게 본 발명의 범주를 완전하게 알려주기 위해 제공되는 것이며, 본 발명은 청구항의 범주에 의해 정의될 뿐이다.
본 명세서에서 사용된 용어는 실시예들을 설명하기 위한 것이며 본 발명을 제한하고자 하는 것은 아니다. 본 명세서에서, 단수형은 문구에서 특별히 언급하지 않는 한 복수형도 포함한다. 명세서에서 사용되는 "포함한다(comprises)" 및/또는 "포함하는(comprising)"은 언급된 구성요소 외에 하나 이상의 다른 구성요소의 존재 또는 추가를 배제하지 않는다. 명세서 전체에 걸쳐 동일한 도면 부호는 동일한 구성 요소를 지칭하며, "및/또는"은 언급된 구성요소들의 각각 및 하나 이상의 모든 조합을 포함한다. 비록 "제1", "제2" 등이 다양한 구성요소들을 서술하기 위해서 사용되나, 이들 구성요소들은 이들 용어에 의해 제한되지 않음은 물론이다. 이들 용어들은 단지 하나의 구성요소를 다른 구성요소와 구별하기 위하여 사용하는 것이다. 따라서, 이하에서 언급되는 제1 구성요소는 본 발명의 기술적 사상 내에서 제2 구성요소일 수도 있음은 물론이다.
다른 정의가 없다면, 본 명세서에서 사용되는 모든 용어(기술 및 과학적 용어를 포함)는 본 발명이 속하는 기술분야의 통상의 기술자에게 공통적으로 이해될 수 있는 의미로 사용될 수 있을 것이다. 또한, 일반적으로 사용되는 사전에 정의되어 있는 용어들은 명백하게 특별히 정의되어 있지 않는 한 이상적으로 또는 과도하게 해석되지 않는다.
본 개시 전체에 걸쳐 동일 참조 부호는 동일 구성요소를 지칭한다. 본 개시가 실시예들의 모든 요소들을 설명하는 것은 아니며, 본 개시가 속하는 기술분야에서 일반적인 내용 또는 실시예들 간에 중복되는 내용은 생략한다. 명세서에서 사용되는 '부, 모듈, 부재, 블록'이라는 용어는 소프트웨어 또는 하드웨어로 구현될 수 있으며, 실시예들에 따라 복수의 '부, 모듈, 부재, 블록'이 하나의 구성요소로 구현되거나, 하나의 '부, 모듈, 부재, 블록'이 복수의 구성요소들을 포함하는 것도 가능하다.
명세서 전체에서, 어떤 부분이 다른 부분과 "연결"되어 있다고 할 때, 이는 직접적으로 연결되어 있는 경우뿐 아니라, 간접적으로 연결되어 있는 경우를 포함하고, 간접적인 연결은 무선 통신망을 통해 연결되는 것을 포함한다. 또한 어떤 부분이 어떤 구성요소를 "포함"한다고 할 때, 이는 특별히 반대되는 기재가 없는 한 다른 구성요소를 제외하는 것이 아니라 다른 구성요소를 더 포함할 수 있는 것을 의미한다.
명세서 전체에서, 어떤 부재가 다른 부재 "상에" 위치하고 있다고 할 때, 이는 어떤 부재가 다른 부재에 접해 있는 경우뿐 아니라 두 부재 사이에 또 다른 부재가 존재하는 경우도 포함한다.
각 단계들에 있어 식별부호는 설명의 편의를 위하여 사용되는 것으로 식별부호는 각 단계들의 순서를 설명하는 것이 아니며, 각 단계들은 문맥상 명백하게 특정 순서를 기재하지 않는 이상 명기된 순서와 다르게 실시될 수 있다.
이하 첨부된 도면들을 참고하여 본 개시의 작용 원리 및 실시예들에 대해 설명한다.
한편, 기존에는 환자 개인의 약물 복용 경험을 저장 및 프로세싱할 수 있는 장치가 없는 문제가 있었다. 다만, 약제별로 부작용 유발 가능성에 대한 공개 데이터가 존재하지만, 해당 데이터는 일반적으로 발생 확률을 의미한다. 그러나, 유전체 등을 포함한 특정 특질을 가지고 있는 개인에서 A라는 약물을 복용 후 B라는 부작용이 발생하는 이벤트가 항상 확률로 존재함을 의미하지는 않는다.
예를 들어, X라는 사람이 A라는 약을 먹고 B라는 부작용이 발생했는지 또는 부작용이 발생하지 않았는지를 모니터링하면, 해당 이벤트에 기반하여, X가 A라는 약을 먹고 B라는 부작용이 발생할 사후 확률은 조정될 수 있다.
이처럼 개개인의 약물 부작용 발생 여부를 모니터링 함을 통해 개인화된 약물부작용 발생 확률에 대한 데이터베이스를 구축할 수 있다.
이하에서는 본 발명의 실시예들에 관해 구체적으로 설명하도록 한다.
도 1은 본 발명의 일 실시예에 따른 개인화 부작용 데이터를 이용한 부작용 약물 탐지 및 최적화된 약물 제공 방법이 수행되는 시스템을 개략적으로 나타낸다.
도 1을 참조하면, 본 발명의 일 실시예에 따른 개인화 부작용 데이터를 이용한 부작용 약물 탐지 및 최적화된 약물 제공 방법이 수행되는 시스템(10)은 서버(100) 및 적어도 하나 이상의 사용자 단말(200)을 포함할 수 있다. 여기서, 도 1에 도시된 시스템(10)은 하나의 예시일 뿐이며, 도 1에 도시된 구성요소보다 더 적은 수의 구성요소나 더 많은 구성요소를 포함할 수 있다.
서버(100)는 본 발명의 일 실시예에 따른 개인화 부작용 데이터를 이용한 부작용 약물 탐지 및 최적화된 약물 제공 방법을 수행하는 컴퓨팅 장치일 수 있다. 또한, 서버(100)는 본 발명의 일 실시예에 따른 상기 방법을 수행하는데 필요한 연산처리를 수행하여 사용자에게 결과를 제공할 수 있는 다양한 장치들을 모두 포함할 수 있다. 또한, 서버(100)는 클라이언트 또는 다른 웹서버의 작업수행 요청에 대응하는 작업 결과를 도출하여 제공하는 컴퓨터 시스템, 컴퓨터 소프트웨어(웹서버 프로그램)를 포함할 수 있다. 서버(100)는 전술한 웹서버 프로그램 이외에, 웹서버 상에서 동작하는 일련의 응용 프로그램(Application Program) 또는 장치 내부에 구축되어 있는 각종 데이터베이스를 포함할 수 있다. 예를 들어, 컴퓨터, 서버 장치 및 휴대용 단말기를 모두 포함하거나, 또는 어느 하나의 형태가 될 수 있다.
여기에서, 상기 컴퓨터는 예를 들어, 웹 브라우저(WEB Browser)가 탑재된 노트북, 데스크톱(desktop), 랩톱(laptop), 태블릿 PC, 슬레이트 PC 등을 포함할 수 있다.
상기 서버 장치는 외부 장치와 통신을 수행하여 정보를 처리하는 서버로써, 애플리케이션 서버, 컴퓨팅 서버, 데이터베이스 서버, 파일 서버, 게임 서버, 메일 서버, 프록시 서버 및 웹 서버 등을 포함할 수 있다.
상기 휴대용 단말기는 예를 들어, 휴대성과 이동성이 보장되는 무선 통신 장치로서, PCS(Personal Communication System), GSM(Global System for Mobile communications), PDC(Personal Digital Cellular), PHS(Personal Handyphone System), PDA(Personal Digital Assistant), IMT(International Mobile Telecommunication)-2000, CDMA(Code Division Multiple Access)-2000, W-CDMA(W-Code Division Multiple Access), WiBro(Wireless Broadband Internet) 단말, 스마트 폰(Smart Phone) 등과 같은 모든 종류의 핸드헬드(Handheld) 기반의 무선 통신 장치와 시계, 반지, 팔찌, 발찌, 목걸이, 안경, 콘택트 렌즈, 또는 머리 착용형 장치(head-mounted-device(HMD) 등과 같은 웨어러블 장치를 포함할 수 있다.
서버(100)는 네트워크를 통해 연결된 적어도 하나 이상의 사용자 단말(200)에게 개인화 부작용 데이터를 이용한 부작용 약물 탐지 및 최적화된 약물 제공 서비스를 제공할 수 있다. 이에 대한 상세한 설명은 후술하도록 한다.
사용자 단말(200)은 네트워크를 통해 연결된 서버(100)에 접속하여 정보를 입력하고 그 결과를 출력할 수 있는 컴퓨팅 장치일 수 있다. 일 실시예로, 사용자 단말(200)은 각종 기기 또는 유무선 네트워크와 통신을 수행하기 위한 통신 모뎀 등의 통신 장치, 각종 프로그램과 데이터를 저장하기 위한 메모리, 프로그램을 실행하여 연산 및 제어하기 위한 마이크로프로세서 등을 구비하는 다양한 컴퓨팅 장치를 포함할 수 있다. 예를 들어, 상술한 컴퓨터, 휴대용 단말기 등일 수 있다.
일 실시예로서, 환자가 사용자 단말(200)을 통해 개인화 부작용 데이터를 이용한 부작용 약물 탐지 및 최적화된 약물 제공 서비스를 제공하는 플랫폼에 접속할 수 있고, 상기 플랫폼을 통해 의사로부터 처방받은 처방전 정보, 약물 복용 후 부작용, 효과 등의 정보를 입력할 수 있다. 상기 플랫폼에 입력된 정보는 서버(100)로 전송될 수 있고, 이후 환자는 사용자 단말(200)을 통해 서버(100)로부터 상기 입력된 정보(예: 처방전 정보, 부작용 정보, 효과 정보 등)에 상응하는 결과(예: 부작용을 유발하는 약제, 최적화된 약제 정보 등)를 수신하여 상기 플랫폼의 화면 상에 출력할 수 있다.
또한, 실시예에 따라서, 본 발명의 일 실시예에 따른 개인화 부작용 데이터를 이용한 부작용 약물 탐지 및 최적화된 약물 제공 방법은 의사, 약사, 병원, 약국, 배송 서비스 등과 연계되어 수행될 수 있다. 즉, 적어도 하나 이상의 외부 서버(300) 또는 타 플랫폼 등과 연계될 수도 있다.
일 실시예로, 외부 서버(300)는 환자 맞춤형 약물 추천 및 약물 부작용 예방을 위한 서비스를 제공하는 플랫폼을 구현하여 의사, 약사, 병원, 약국 측에서 사용할 수 있도록 한다. 또한, 상기 의사, 약사, 약국 등과 같은 의료 기관이나 의료 파트뿐만 아니라 특정인의 보호자 또는 권한을 양도받은 특정인 또는 회사 등에서도 활용할 수도 있다. 예를 들어, 전문가 단말(예: 의사, 약사)은 외부 서버(300)에서 제공하는 상기 플랫폼에 접속할 수 있고, 상기 플랫폼을 통해 이전에 환자에게 처방된 처방전 정보, 부작용을 유발한 약제 정보, 최적화된 약제 정보 등을 획득할 수 있다. 여기서, 환자에게 처방된 처방전 정보, 부작용을 유발한 약제 정보, 최적화된 약제 정보 등은 상술한 개인화 부작용 데이터를 이용한 부작용 약물 탐지 및 최적화된 약물 제공 서비스를 제공하는 플랫폼(즉, 서버(100))으로부터 수신한 정보일 수 있다. 이러한 정보를 기반으로 전문가 단말(예: 의사, 약사)은 처방 단계 혹은 조제 단계에서 약물 종류에 따라 환자에게 발생될 부작용을 예측할 수 있고, 이를 기반으로 각 환자에게 부작용 위험이 낮은 약물을 처방 또는 조제할 수 있다. 또한, 전문가 단말(예: 의사, 약사)은 상기 플랫폼을 통해서 환자별 맞춤형 약물 추천을 제공받을 수도 있다. 또한, 실시예에 따라, 외부 서버(300)는 심사평가원의 DUR 서버나 한국의약품안전관리원 등과 같은 식약처 산하 약물부작용 관리 전문기관의 서버와 연계되거나 경유함으로써 상술한 플랫폼을 구현하여 서비스를 제공할 수 있다. 또는, 실시예에 따라, 외부 서버(300)는 외부 EMR 회사 등과 연계되거나 경유할 수도 있고, 또는 종합병원의 EMR 시스템과 연계되어 운영될 수도 있다.
또한, 일 실시예로, 외부 서버(300)는 비대면 인공지능 복약 지도 서비스를 제공하는 플랫폼을 구현하여서 약사, 약국 측에서 사용할 수 있도록 한다. 예를 들어, 전문가 단말(예: 약사, 약국)은 상술한 것처럼 플랫폼을 통해서 환자에게 부작용 위험이 낮은 약물을 처방하고 환자별 맞춤형 약물 추천을 제공받을 수 있으며, 이때 인공지능 약사를 이용하여 비대면으로 처방된 약물에 대한 복약을 지도하거나 복약 상담을 제공할 수 있다.
또한, 일 실시예로, 외부 서버(300)는 약물 배송 플랫폼을 구현하여서 배송 측에서 사용할 수 있도록 한다. 예를 들어, 배송 단말(예: 배송 서비스 회사, 택배 기사 등)은 외부 서버(300)에서 제공하는 약물 배송 플랫폼을 통해서 전문가 단말(예: 의사, 약사)로부터 환자에게 처방된 약물 정보를 수신할 수 있고, 상기 약물 정보(즉, 처방전) 또는 상기 약물 정보에 기초하여 조제된 약물을 해당 환자에게 배송할 수 있다.
상술한 플랫폼들은 각각 외부 서버(300) 상에 구현되어 서비스될 수 있고, 이때 외부 서버(300)는 서로 상이할 수 있다. 또한 실시예에 따라서는 상술한 플랫폼들은 하나의 통합된 플랫폼으로 구현되어 서비스될 수도 있으며, 이 경우 서버(100) 상에 구현되어 서비스될 수도 있다. 즉, 상술한 실시예들은 하나의 예시일 뿐이며, 반드시 이에 한정되는 것은 아니고 다양하게 수정 및 변형하여 적용 가능하다.
한편, 네트워크는 서버(100), 적어도 하나 이상의 사용자 단말(200), 외부 서버(300) 간의 다양한 정보를 송수신할 수 있다. 네트워크는 다양한 형태의 통신망이 이용될 수 있으며, 예컨대, WLAN(Wireless LAN), 와이파이(Wi-Fi), 와이브로(Wibro), 와이맥스(Wimax), HSDPA(High Speed Downlink Packet Access) 등의 무선 통신방식 또는 이더넷(Ethernet), xDSL(ADSL, VDSL), HFC(Hybrid Fiber Coax), FTTC(Fiber to The Curb), FTTH(Fiber To The Home) 등의 유선 통신방식이 이용될 수 있다.
네트워크는 상기에 제시된 통신방식에 한정되는 것은 아니며, 상술한 통신방식 이외에도 기타 널리 공지되었거나 향후 개발될 모든 형태의 통신 방식을 포함할 수 있다.
도 2는 본 발명의 일 실시예에 따른 개인화 부작용 데이터를 이용한 부작용 약물 탐지 및 최적화된 약물 제공 방법을 수행하는 장치를 개략적으로 나타내는 블록도이다.
도 2에 개시된 본 발명의 일 실시예에 따른 개인화 부작용 데이터를 이용한 부작용 약물 탐지 및 최적화된 약물 제공 방법을 수행하는 장치(100)는 상술한 도 1의 서버(100)에 대응한다. 즉, 도 2에 개시된 상기 장치(100)는 상술한 바와 같이 연산처리를 수행하여 사용자에게 결과를 제공할 수 있는 다양한 장치들을 모두 포함할 수 있다. 예를 들어, 도 2에 개시된 상기 장치(100)는 컴퓨터, 서버 장치 및 휴대용 단말기를 모두 포함하거나, 또는 어느 하나의 형태가 될 수 있다.
도 2를 참조하면, 본 발명의 일 실시예에 따른 개인화 부작용 데이터를 이용한 부작용 약물 탐지 및 최적화된 약물 제공 방법을 수행하는 장치(100)는, 정보 수신부(110), 분석부(120), 정보 제공부(130), 업데이트부(140), 및 개인화 부작용 데이터베이스(150)를 포함할 수 있다. 도 2에 도시된 구성요소들은 본 개시에 따른 장치(100)를 구현하는데 있어서 필수적인 것은 아니어서, 본 명세서 상에서 설명되는 장치(100)는 도 2에 도시된 구성요소들 보다 많거나, 또는 적은 구성요소들을 가질 수 있다.
정보 수신부(110)는 사용자 단말(200)로부터 처방전 정보를 수신할 수 있다. 그리고, 정보 수신부(110)는 사용자 단말(200)로부터 부작용 정보를 수신할 수 있다.
여기서, 처방전 정보는 환자에 대한 인적사항(예: 성명, 나이, 성별, 주민등록번호 등), 의료기관 정보(예: 명칭, 주소, 전화번호 등), 처방의료인 정보, 질병 정보, 처방 의약품 정보(예: 처방 의약품(약제) 명칭, 투약량, 투약일수, 투여횟수, 용법 등) 등을 포함할 수 있다. 부작용 정보는 약물 복용에 따른 상태 정보, 부작용 증상, 효과 등을 포함할 수 있다. 또한, 부작용 정보는 약물 복용에 따른 상태 정보, 부작용 증상, 효과 등을 포함할 수 있다.
또한, 실시예에 따라, 정보 수신부(110)는 외부 네트워크를 통해 의사의 EMR 또는 약사의 단말로부터 처방전 정보를 수신할 수도 있다. 즉, 사용자 단말은 환자뿐만 아니라 의사 또는 약사에 의해 다양한 정보를 입력 받는 장치일 수 있다.
또한, 실시예에 따라, 정보 수신부(110)는 병원 등에서 처방을 할 때 처방전 정보를 심사평가원 DUR 시스템으로 보낼 수 있고, 이 경우 해당 시스템(예: DUR 관련 모듈)에 의해서 정보를 보낸 다음에 부작용 위험 정보를 다시 보내줄 수도 있다. 즉, 처방전 정보를 받은 심사평가원에서 해당 정보를 다시 정보 수신부(110)로 전송해 줄 수도 있다.
분석부(120)는 개인화 부작용 데이터베이스(150)를 기초로 처방전 정보에 포함된 약제들 및 부작용 정보 간의 인과관계 또는 약물의 부작용 발생 가능성을 분석하여 부작용을 유발하는 특정 약제를 추출하고 대체 약제를 결정할 수 있다.
이때, 분석부(120)는 개인화 부작용 데이터베이스(150) 뿐만 아니라 외부 데이터베이스를 더 이용하여 처방전 정보에 포함된 약제들 및 부작용 정보 간의 인과관계 또는 약물의 부작용 발생 가능성을 분석하여 부작용을 유발하는 또는 부작용 유발 가능성이 높은 특정 약제를 추출하고 대체 약제를 결정할 수 있다. 개인화 부작용 데이터베이스(150)의 경우 초기 단계에서는 충분한 데이터를 수집하지 못할 수 있으므로, 외부 데이터베이스를 이용할 수 있다. 예를 들어, 외부 데이터베이스는 식약처, 심평원, 보건복지부, 미국의 FDA, 유럽의 EMA 등과 같이 의약품 관련 데이터를 수집하고 이를 데이터베이스화하여 구축한 DB를 사용할 수 있고, 또는 식품의약품안전처, 한국의약품안전관리원, 미국의 FDA, 유럽의 EMA 등과 같이 의약품 부작용 관련 정보를 수집하고 평가하여 이를 데이터베이스화한 DB를 사용할 수도 있다. 또는, 일예로, 외부데이터베이스는 심사평가원의 '내가 먹는 약' 등에 입력된 개인별 부작용 내역 등을 참고할 수도 있다. 또는, 일예로, 외부데이터베이스는 환자 정보 공유를 위한 목적으로 만들어진 마이헬스웨이 플랫폼 또는 다른 회사의 플랫폼 등을 사용할 수도 있다.
또한, 실시예에 따라, 분석부(120)는 상기 개인화 부작용 데이터 뿐만 아니라 환자의 인구학적 특성(예: 나이, 성별 등), 동반질환 정보 등에 의해서도 부작용 발생 위험에 영향을 미치는지 여부를 분석할 수 있다. 그리고, 분석부(120)는 분석 결과에 기반하여 부작용 발생에 영향을 미치는 특정 약제를 추출하고 대체 약제를 결정할 수 있다.
정보 제공부(130)는 대체 약제를 기반으로 최적화된 처방전 정보를 생성하여 사용자 단말(200)로 제공할 수 있다. 즉, 처방전 내에 포함된 약제들 중 부작용을 유발하는 약제를 추출할 수 있으므로, 정보 제공부(130)는 부작용 유발 약제 대신 대체 약제를 포함하여 사용자(즉, 환자)에게 최적화된 처방전을 다시 처방할 수 있다. 여기서, 대체 약제는 동일 또는 유사한 효과를 예상할 수 있고, 동시에 부작용 발생 가능성이 낮은 대체 약제를 포함할 수 있다.
업데이트부(140)는 사용자 단말(200)로부터 최적화된 처방전 정보에 기초한 약물 복용 후 피드백 정보를 수집하여 개인화 부작용 데이터베이스(150)를 업데이트할 수 있다. 여기서, 피드백 정보는 약물 부작용 발생 여부, 증상, 강도, 시간적 선후 관계 등을 포함할 수 있다.
개인화 부작용 데이터베이스(150)는 사용자 정보(즉, 환자 정보), 처방전 정보, 부작용 정보(공개된 부작용 정보 및 개인이 알고 있는 약물 부작용 정보를 포함할 수 있음) 등을 기반으로 획득되는 개인화 부작용 데이터의 집합으로 구성될 수 있다. 다시 말해서, 개인화 부작용 데이터베이스(150)는 약물 복용 후 발생한 부작용 정보를 별도의 알고리즘을 통해 특정 약제의 부작용 발생 가능성을 업데이트할 수 있고, 이를 통해 획득된 개인화 약제별 부작용 데이터의 집합으로 구성될 수 있다.
여기서, 상술한 바와 같이, 사용자 정보(즉, 환자 정보, 또는 질병 정보)는 성명, 나이, 성별, 주민등록번호, 주소 등을 포함할 수 있다. 처방전 정보는 환자에 대한 인적사항(예: 성명, 나이, 성별, 주민등록번호 등), 의료기관 정보(예: 명칭, 주소, 전화번호 등), 처방의료인 정보, 질병 정보, 처방 의약품 정보(예: 처방 의약품(약제) 명칭, 투약량, 투약일수, 투여횟수, 용법 등) 등을 포함할 수 있다. 부작용 정보는 약물 복용에 따른 상태 정보, 부작용 증상, 효과 등을 포함할 수 있다. 또한, 부작용 정보는 해당 플랫폼을 사용하기 전 평가된 또는 파악된 또는 경험한 부작용 정보를 업데이트한 정보를 더 포함할 수 있다. 즉, 본 발명의 실시예에 따른 플랫폼의 사용을 통해 업데이트 되는 정보들을 통해, 상기 플랫폼을 사용하기 전 평가된 또는 파악된 또는 경험한 부작용 정보가 업데이트되고 이를 통해 보다 정확해지는 정보를 부작용 정보로서 사용할 수 있다.
일 실시예로, 개인화 부작용 데이터베이스(150)는 각 환자별 약물 부작용 이력 및 약물 부작용 발생 확률을 기반으로 데이터베이스를 구축할 수 있다. 또는, 개인화 부작용 데이터베이스(150)는 환자가 약물 복용 후 사용자 단말(200)을 통해 증상 변화(효과, 부작용 등)를 입력하면 이를 기초로 데이터베이스를 구축할 수 있다. 또한, 개인화 부작용 데이터베이스(150)는 약물 효과 및 약물 부작용 증상을 기반으로 약물 부작용 발생 확률을 계산하고 이를 업데이트함으로써 구축된 데이터베이스의 개인화 부작용 데이터를 최적화된 상태로 유지할 수 있다. 예를 들어, 약물 효과 및 약물 부작용 증상을 기반으로 통계적 방법론에 따라 약물 부작용 발생 확률을 계산할 수 있고, 상기 부작용 발생 확률이 기설정된 임계값을 초과하는지 여부에 기초하여 개인화 부작용 데이트베이스(150)를 업데이트할 수 있다.
또한, 본 발명의 일 실시예에 따른 개인화 부작용 데이터를 이용한 부작용 약물 탐지 및 최적화된 약물 제공 방법을 수행하는 장치(200)는, 도 2에 도시되지는 않았으나 메모리부 및 제어부 등을 더 포함할 수도 있다.
메모리부는 본 장치의 다양한 기능을 지원하는 데이터와, 제어부의 동작을 위한 프로그램을 저장할 수 있고, 입/출력되는 데이터들(예를 들어, 음악 파일, 정지영상, 동영상 등)을 저장할 있고, 본 장치에서 구동되는 다수의 응용 프로그램(application program 또는 애플리케이션(application)), 본 장치의 동작을 위한 데이터들, 명령어들을 저장할 수 있다. 이러한 응용 프로그램 중 적어도 일부는, 무선 통신을 통해 외부 서버로부터 다운로드 될 수 있다.
이러한, 메모리부는 플래시 메모리 타입(flash memory type), 하드디스크 타입(hard disk type), SSD 타입(Solid State Disk type), SDD 타입(Silicon Disk Drive 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 및 광디스크 중 적어도 하나의 타입의 저장매체를 포함할 수 있다. 또한, 메모리부는 본 장치와는 분리되어 있으나, 유선 또는 무선으로 연결된 데이터베이스가 될 수도 있다.
제어부는 본 장치 내의 구성요소들의 동작을 제어하기 위한 알고리즘 또는 알고리즘을 재현한 프로그램에 대한 데이터를 저장하는 메모리, 및 메모리에 저장된 데이터를 이용하여 전술한 동작을 수행하는 적어도 하나의 프로세서(미도시)로 구현될 수 있다. 이때, 메모리와 프로세서는 각각 별개의 칩으로 구현될 수 있다. 또는, 메모리와 프로세서는 단일 칩으로 구현될 수도 있다.
또한, 제어부는 이하에서 설명되는 본 개시에 따른 다양한 실시 예들을 본 장치 상에서 구현하기 위하여, 위에서 살펴본 구성요소들을 중 어느 하나 또는 복수를 조합하여 제어할 수 있다.
도 2에 도시된 구성 요소들의 성능에 대응하여 적어도 하나의 구성요소가 추가되거나 삭제될 수 있다. 또한, 구성 요소들의 상호 위치는 시스템의 성능 또는 구조에 대응하여 변경될 수 있다는 것은 당해 기술 분야에서 통상의 지식을 가진 자에게 용이하게 이해될 것이다.
한편, 도 2에서 도시된 각각의 구성요소는 소프트웨어 및/또는 Field Programmable Gate Array(FPGA) 및 주문형 반도체(ASIC, Application Specific Integrated Circuit)와 같은 하드웨어 구성요소를 의미한다.
이하에서는, 상술한 본 발명의 일 실시예에 따른 상기 장치(100)에서 수행되는 개인화 부작용 데이터를 이용한 부작용 약물 탐지 및 최적화된 약물 제공 방법에 관해 상세히 설명하도록 한다.
도 3은 본 발명의 일 실시예에 따른 개인화 부작용 데이터를 이용한 부작용 약물 탐지 및 최적화된 약물 제공 방법을 개략적으로 나타내는 순서도이다.
도 3의 방법은 도 2에 개시된 장치(100)에 의해 수행될 수 있다. 여기서, 도 2에 개시된 장치(100)는 컴퓨팅 장치(즉, 컴퓨터, 서버 장치, 휴대용 단말기 등)일 수 있으며, 이 경우 도 3의 방법은 컴퓨팅 장치(보다 구체적으로, 서버)에 의해 수행될 수 있다.
도 3을 참조하면, 정보 수신부(110)는 사용자로부터 처방전 정보를 수신할 수 있다(S300).
처방전 정보는 상술한 바와 같이 환자에 대한 인적사항(예: 성명, 나이, 성별, 주민등록번호 등), 의료기관 정보(예: 명칭, 주소, 전화번호 등), 처방의료인 정보, 질병 정보, 처방 의약품 정보(예: 처방 의약품(약제) 명칭, 투약량, 투약일수, 투여횟수, 용법 등) 등을 포함할 수 있다.
예를 들어, 사용자(즉, 환자)는 사용자 단말(200)의 플랫폼 또는 어플리케이션을 통해 사용자에게 처방된 약제들을 포함하는 처방전 정보를 입력할 수 있다. 상기 입력된 처방전 정보는 사용자 단말(200)로부터 정보 수신부(110)로 전송될 수 있다.
여기서, 플랫폼 또는 어플리케이션은 개인화 부작용 데이터를 이용한 부작용 약물 탐지 및 최적화된 약물 제공 서비스를 제공하도록 구현된 것으로, 서버(100)로부터 사용자 단말(200)로 다운로드되어 사용자 단말(200) 상에 설치될 수 있다. 사용자는 사용자 단말(200)에 설치된 플랫폼 또는 어플리케이션을 실행하여 처방전 정보 입력을 위한 인터페이스를 제공받을 수 있다. 예를 들어, 사용자 단말(200)에 설치된 플랫폼 또는 어플리케이션을 실행하여 카메라를 통해 처방전 정보를 촬영하여 입력하면, 상기 촬영된 처방전 정보를 정보 수신부(110)로 전송할 수 있다. 또한, 실시예에 따라, 사용자 단말(200)에 설치된 플랫폼 또는 어플리케이션을 실행하여 처방전 정보에 포함된 QR 코드를 인식하면, 상기 인식된 QR 코드에 포함된 정보가 정보 수신부(110)로 전송될 수 있다. 또는, 사용자 단말(200)에 설치된 플랫폼 또는 어플리케이션을 실행하여 처방전 정보의 스캔 후 OCR 인식(즉, 텍스트 인식)을 수행하고, 상기 OCR 인식을 기반으로 입력된 처방전 정보를 정보 수신부(110)로 전송할 수 있다. 또는, 실시예에 따라, 상기 사용자의 의해 입력된 처방전 정보는 AWS와 같은 상용 클라우드 또는 별도의 서버에 저장될 수 있고, 이 경우 처방전 정보는 클라우드 또는 별도의 서버를 통해 정보 수신부(110)로 전송될 수 있다.
또는, 실시예에 따라, 사용자(즉, 환자)의 처방전(즉, 처방정보)를 수신함에 있어서, EMR 시스템 등을 통해서 환자의 처방 정보를 수신할 수도 있다.
정보 수신부(110)는 사용자로부터 부작용 정보를 수신할 수 있다(S310).
부작용 정보는 상술한 바와 같이 약물 복용에 따른 상태 정보, 부작용 증상, 효과 등을 포함할 수 있다. 또한, 부작용 정보는 약물 복용에 따른 예측하지 못한 모든 반응을 포함할 수 있다.
예를 들어, 사용자(즉, 환자)는 처방전 정보에 기초하여 약제들을 복용한 후 복용 약제들에 대한 증상(즉, 부작용 증상)을 사용자 단말(200)의 플랫폼 또는 어플리케이션을 통해 입력하고, 이 부작용 증상을 정보 수신부(110)로 전송할 수 있다.
또는, 실시예에 따라, 상기 사용자의 의해 입력된 부작용 정보는 AWS와 같은 상용 클라우드 또는 별도의 서버에 저장될 수 있고, 이 경우 부작용 정보는 클라우드 또는 별도의 서버를 통해 정보 수신부(110)로 전송될 수 있다.
분석부(120)는 개인화 부작용 데이터베이스(150)를 기초로 처방전 정보에 포함된 약제들 및 부작용 정보에 기초하여 부작용 발생 가능성을 분석하여 부작용을 유발하는 특정 약제를 추출하고 대체 약제를 결정할 수 있다(S320).
이때, 개인화 부작용 데이터베이스(150)의 경우 초기 단계에서는 충분한 개인화 부작용 데이터를 수집하지 못할 수 있으므로, 분석부(120)는 개인화 부작용 데이터베이스(150) 뿐만 아니라 외부 데이터베이스를 더 이용할 수 있다. 예를 들어, 상술한 바와 같이 외부 데이터베이스는 식약처, 심평원, 보건복지부 등과 같이 의약품 관련 데이터를 수집하고 이를 데이터베이스화하여 구축한 DB를 사용할 수 있고, 또는 식품의약품안전처 등과 같이 의약품 부작용 관련 정보를 수집하고 평가하여 이를 데이터베이스화한 DB를 사용할 수도 있다.
일 실시예로, 약물의 부작용 발생 가능성을 분석함에 있어서, 분석부(120)는 약물과 부작용에 관련된 정보를 획득하고, 상기 정보에 기초하여 약물과 부작용 증상에 기초한 부작용 발생 가능성 요인을 분석하고 분석 결과를 제공할 수 있다. 예를 들어, 분석부(120)는 처방전 정보에 포함된 약제들 및 부작용 정보에 관련된 질문에 대한 응답을 사용자(예: 사용자 단말(200), 상기 응답이 저장된 클라우드 서버 또는 별도 서버)로부터 수신하고, 상기 응답을 기초로 처방전 정보에 포함된 약제들 및 부작용 정보에 기반하여 약물 부작용 발생 가능성 정도를 판단할 수 있다. 이후, 분석부(120)는 상기 약물 부작용 발생 가능성에 기초하여 처방전 내에 포함된 약제들 중 부작용 발생 가능성이 있다고 판단되는 특정 약제를 추출할 수 있다.
구체적 예로서, 분석부(120)는 환자가 처방전을 등록하고 약물 복용 n일 후 발생되는 부작용 증상을 입력받아 상기 부작용 증상이 최초 처방전 등록 시의 증상에 포함되어 있는지 여부를 확인할 수 있다. 또는, 분석부(120)는 환자가 이전에 동일 또는 유사 약물에 의한 부작용 경험 여부를 질의하여 확인할 수 있다. 또는, 분석부(120)는 환자의 처방전에 병용금기 약물 존재 여부 및 부작용이 병용금지 약물에 해당하는지 여부를 확인할 수 있다. 또는, 분석부(120)는 약물 부작용이 약물 복용 후 발생했는지 또는 약물 복용 전에 발생했는지 여부를 확인할 수 있다. 또는, 분석부(120)는 환자가 복용한 약물에 대한 알려진 부작용 정보가 있는지 여부를 확인할 수 있다. 또는, 분석부(120)는 환자가 과거 약물 재투약과 관련된 정보가 있는지 여부를 확인할 수 있다. 즉, 분석부(120)는 상기와 같은 환자의 약물 복용과 부작용 증상에 관련된 정보에 기초하여 환자에게 발생된 약물 부작용이 복용 약물과 관련성(즉, 부작용 발생 가능성)이 있는지 여부를 판단할 수 있다.
또한, 일 실시예로, 상기와 같은 약물의 부작용 발생 가능성 분석에 기반하여 부작용을 유발하는 특정 약제를 추출하고 대체 약제를 결정함에 있어서, 분석부(120)는 개인화 부작용 데이터베이스(150)를 기초로 학습된 학습 모델을 이용하여 처방전 정보에 포함된 약제들 및 부작용 정보에 기초하여 약물 부작용 발생 가능성을 분석하여 부작용을 유발하는 특정 약제를 추출하고 대체 약제를 결정할 수 있다.
구체적 예로서, 분석부(120)는 사용자 정보, 처방전 정보 및 부작용 정보 중 적어도 하나를 기반으로 획득되는 개인화 부작용 데이터(예: 사용자 나이, 성별, 증상, 체질, 약물 및 부작용 인과관계, 약물 부작용 발생 가능성, 개인화된 부작용 발생 확률 등)를 이용하여 개인화 부작용 데이터베이스(150)를 구축할 수 있다. 분석부(120)는 개인화 부작용 데이터베이스(150)를 기반으로 머신러닝을 통해 부작용 유발 약제를 추출하고 대체 약제를 결정하기 위한 학습 모델을 생성할 수 있다. 이후, 분석부(120)는 학습 모델에 기초하여 처방전 내 약제들과 부작용 증상에 기초하여 약물 부작용 발생 가능성 분석을 통한 약제별 부작용 발생 확률을 계산하고 이를 기반으로 처방전 내 약제들 중 부작용을 유발하는 특정 약제를 추출하여 대체 약제로 대체할 수 있다.
이때, 초기 단계에서 개인화 부작용 데이터가 충분히 데이터베이스화되지 못한 경우, 분석부(120)는 개인화 부작용 데이터베이스(150) 뿐만 아니라 외부 데이터베이스를 더 이용하여 학습된 학습 모델을 기초로 처방전 정보에 포함된 약제들 및 부작용 정보에 기초하여 약물 부작용 발생 가능성을 분석하여 부작용을 유발하는 특정 약제를 추출하고 대체 약제를 결정할 수 있다.
또한, 일 실시예로, 분석부(120)는 개인화 부작용 데이터베이스(150)를 기초로 통계적 방법론에 따라 처방전 정보에 포함된 약제들 및 부작용 정보에 기초하여 약물 부작용 발생 가능성을 분석하여 부작용 확률을 계산하고, 상기 부작용 확률이 기설정된 임계값을 초과하는지 여부에 기초하여 부작용을 유발하는 특정 약제를 추출하고 대체 약제를 결정할 수 있다. 예를 들어, 분석부(120)는 처방전 정보에 포함된 약제들 중 부작용 확률이 기설정된 임계값을 초과하는 약제의 경우, 이 약제를 부작용을 유발하는 약제로 판단하여 대체 약제로 대체할 수 있다.
이때, 초기 단계에서 개인화 부작용 데이터가 충분히 데이터베이스화되지 못한 경우, 분석부(120)는 개인화 부작용 데이터베이스(150) 뿐만 아니라 외부 데이터베이스를 더 이용하여 통계적 방법론을 수행할 수 있다.
정보 제공부(130)는 대체 약제를 기반으로 최적화된 처방전 정보를 생성하여 사용자에게 제공할 수 있다(S330).
즉, 정보 제공부(130)는 처방전 내에 포함된 약제들 중 부작용을 유발하는 약제를 검출한 후 이를 대신하여 최적화된 대체 약제를 제공할 수 있고, 이에 따라 최적화된 대체 약제를 포함하는 처방전을 다시 처방할 수 있다. 사용자는 사용자 단말(200)을 통해 최적화된 대체 약제를 포함하는 처방전 정보를 제공받을 수 있다.
업데이트부(140)는 사용자로부터 최적화된 처방전 정보에 기초한 약물 복용 후 피드백 정보를 수집하여 개인화 부작용 데이터베이스(150)를 업데이트할 수 있다(S340).
일 실시예로, 사용자는 최적화된 처방전 정보에 기초하여 처방받은 약제들을 복용한 후 피드백 정보(예: 복용 후 증상)를 사용자 단말(200)의 플랫폼 또는 어플리케이션을 통해 입력할 수 있다. 업데이트부(140)는 상기 입력된 피드백 정보를 사용자 단말(200)로부터 수신하고, 상기 피드백 정보를 기초로 개인화 부작용 데이터베이스(150)를 업데이트할 수 있다. 또는, 실시예에 따라, 상기 사용자의 의해 입력된 피드백 정보는 AWS와 같은 상용 클라우드 또는 별도의 서버에 저장될 수 있고, 이 경우 피드백 정보는 클라우드 또는 별도의 서버를 통해 업데이트부(140)로 전송될 수 있다.
이때, 개인화 부작용 데이터베이스(150)는 대체 약제를 포함하는 최적화된 처방전 정보에 기초한 약물 복용 후 수집된 피드백 정보를 반영하므로, 개인별 약물 부작용 데이터에 대한 정확도를 향상시킬 수 있고 최적화된 데이터 상태를 유지시킬 수 있다.
이에 따라, 실시예에 따라서, 업데이트부(140)는 최적화된 처방전 정보에 기초한 약물 복용 후 수집된 피드백 정보를 업데이트한 개인화 부작용 데이터베이스(150)를 기반으로 머신러닝을 통해 부작용 유발 약제를 추출하고 대체 약제를 결정하는 학습을 수행할 수 있다. 즉, 피드백 정보를 반영하여 학습된 학습 모델을 이용할 경우 약물 복용과 부작용 발생 가능성 간의 관련성을 분석하여 부작용 유발 약제를 추출하고 대체 약제를 결정하는 과정에서 분석 및 예측의 정확도를 향상시킬 수 있는 효과를 얻을 수 있다. 여기서, 머신러닝은 인과성 평가를 위한 룰 기반(rule-based) 다양한 메커니즘을 모두 포함할 수 있다.
또한, 실시예에 따라서, 업데이트부(140)는 약물 복용 후 발생하는 여러 이벤트(예: 증상)를 탐지해서 부작용 확률을 업데이트하는데, 이때 약물 상호 작용을 분석할 수 있는 외부 데이터베이스(예: 식약처, 심평원, 보건복지부, 식품의약품안전처, 한국의약품안전관리원 등과 같이 의약품 관련 데이터를 수집하고 이를 데이터베이스화하여 구축한 공용 데이터베이스(public DB))를 이용하여 약물 상호 작용 위험성 등에 대한 확률을 조정할 수 있다. 이후, 조정된 확률을 기반으로 개인화 부작용 데이터베이스(150)를 통해 보다 정확한 약물 복용과 부작용 발생 가능성 간의 관련성을 분석할 수 있는 효과가 있다.
또한, 실시예에 따라서, 본 발명의 일 실시예에 따른 장치(100)는 상술한 부작용 정보, 부작용을 유발하는 특정 약제, 대체 약제, 최적화된 처방전 정보, 또는 피드백 정보 중 적어도 하나를 외부 서버(300)로 제공할 수 있다.
예를 들어, 본 발명의 일 실시예에 따른 장치(100)는 환자에게 부작용을 유발하는 특정 약제에 대한 정보, 대체 약제에 대한 정보, 최적화된 처방전 정보, 피드백 정보 등을 외부 서버(300)(예: 병원 서버, 약국 서버 등)로 제공할 수 있다. 외부 서버(300)(예: 병원 서버, 약국 서버 등)는 상기와 같은 환자에 관련된 정보를 제공받아 진단, 처방, 조제, 복약 지도 시에 이를 활용할 수 있다.
또는, 예를 들어, 본 발명의 일 실시예에 따른 장치(100)는 대체 약제를 포함하는 최적화된 처방전 정보를 외부 서버(300)(예: 배송을 위한 물류 서버)로 제공할 수 있다. 외부 서버(300)(예: 배송을 위한 물류 서버)는 배송 서비스 회사 또는 택배 기사 등을 통해서 상기 최적화된 처방전 정보를 기반으로 조제된 약제들을 해당 환자에게 배송할 수 있다.
도 4 내지 도 10은 본 발명의 일 실시예에 따른 약물과 부작용 간의 인과관계 또는 약물의 부작용 발생 가능성 분석을 위한 알고리즘의 예시들을 나타낸다.
상술한 바와 같이, 분석부(120)는 처방전에 포함된 약물 복용 후 설정된 질문에 대한 응답을 기초로 처방전 정보에 포함된 약제들 및 부작용 정보 간의 인과관계 또는 약물 부작용 발생 가능성을 판단할 수 있다.
일 실시예로, 도 4를 참조하면, 분석부(120)는 약물 투여와 유해사례 발현의 선후 관계에 관한 정보를 질문하여 약물과 부작용 간의 인과관계 또는 약물 부작용 발생 가능성을 판단할 수 있다. 예를 들어, 분석부(120)는 부작용 증상이 처방전 입력 당시 증상에 포함되어 있었는지 여부를 질문하여 그 응답에 따라 인과성 점수 또는 약물 부작용 발생 가능성 정도를 계산할 수 있다. 일예로, 이 질문은 2020.12.31 처방된 모든 약을 성분별로 분리한 다음에, 이에 맞춰서 질문이 들어가야 하며, 만약에 5개가 처방되었는데 3개 약제는 이전 처방 내역에 있었다고 한다면 이는 시간 선후관계 모순으로 판단될 수 있고(인과성 점수가 -3점으로 계산), 나머지 2개 약제는 2020.12.31에서 7일 이전 복용 이력이 없다면 시간 선후관계에 합당한 것으로 판단될 수 있다(인과성 점수 또는 약물 부작용 발생 가능성 정도가 3점으로 계산).
또한, 일 실시예로, 도 5를 참조하면, 분석부(120)는 약물 감량 또는 중단에 대한 정보를 질문하여 약물과 부작용 간의 인과관계 또는 약물 부작용 발생 가능성을 판단할 수 있다. 예를 들어, 분석부(120)는 약물 복용 a일 후 첫번째 부작용 발생 여부를 질문하고, 이때 부작용 증상이 심하거나 부작용 가능성이 있는 경우 해당 약제 복용 중단을 권유할 수 있다. 이후, 분석부(120)는 +b일 후 약물 중단 후 증상 호전 여부에 관해 질문하여 그 응답에 따라 인과성 점수 또는 약물 부작용 발생 가능성 정도를 계산할 수 있다. 일예로, 약물 감량 또는 중단 후 증상 호전이 관찰된 경우 인과성 점수 또는 약물 부작용 발생 가능성 정도는 3점으로 계산될 수 있고, 약물 감량 또는 중단과 무관한 임상경과를 보이는 경우 인과성 점수 또는 약물 부작용 발생 가능성 정도는 -2점으로 계산될 수 있다.
또한, 일 실시예로, 도 6을 참조하면, 분석부(120)는 이전에 동일한 또는 유사한 약물로 유해사례를 경험한 적이 있는지(즉, 유해사례 과거력)에 기초하여 약물과 부작용 간의 인과관계 또는 약물 부작용 발생 가능성을 판단할 수 있다. 예를 들어, 분석부(120)는 과거 해당 약물에 노출되었을 때 동일한 증상이 발생한 적이 있는지에 대해 환자에게 질문하거나 또는 데이터베이스(즉, 개인화 부작용 데이터베이스)를 조회하여 그 결과에 따라 인과성 점수 또는 약물 부작용 발생 가능성 정도를 계산할 수 있다. 일예로, 해당 약물에 대해 부작용 증상의 발생 이력이 없는 경우 인과성 점수 또는 약물 부작용 발생 가능성 정도는 -1점으로 계산될 수 있다. 반면, 해당 약물에 대해 부작용 증상의 발생 이력이 있는 경우, 해당 증상의 과거력이 있으면 인과성 점수 또는 약물 부작용 발생 가능성 정도는 1점으로 계산될 수 있고, 해당 증상의 과거력이 없으면 인과성 점수 또는 약물 부작용 발생 가능성 정도는 0점으로 계산될 수 있다.
또한, 일 실시예로, 도 7을 참조하면, 분석부(120)는 병용약물 정보에 대한 정보가 있는지를 질문하여 약물과 부작용 간의 인과관계 또는 약물 부작용 발생 가능성을 판단할 수 있다. 병용약제의 인과관계 또는 약물 부작용 발생 가능성의 판단시에는 새로 처방된 약제뿐만 아니라 환자들이 현재 복용하고 있는 약물들을 모두 포함해서 비교한다. 예를 들어, 분석부(120)는 처방 리스트에 포함된 약물들 각각에 대해 부작용 증상이 존재하는지 여부와 해당 약물을 제외한 다른 약물에 대한 부작용 증상은 없는지 여부를 질의하여 그에 대한 응답에 따라 인과성 점수 또는 약물 부작용 발생 가능성 정도를 계산할 수 있다.
또한, 일 실시예로, 도 8을 참조하면, 분석부(120)는 비약물 요인에 대한 정보가 있는지를 질문하여 약물과 부작용 간의 인과관계 또는 약물 부작용 발생 가능성을 판단할 수 있다. 예를 들어, 분석부(120)는 부작용 증상이 처방전 등록 시 존재했던 증상에 포함되는지 여부를 질문하고 그 응답에 따라 인과성 점수 또는 약물 부작용 발생 가능성 정도를 계산할 수 있다. 일예로, 부작용 증상이 처방전 등록 시 존재했던 증상에 포함되는 경우 인과성 점수 또는 약물 부작용 발생 가능성 정도는 -1점으로 계산될 수 있고, 부작용 증상이 처방전 등록 시 존재했던 증상에 포함되지 않는 경우 인과성 점수 또는 약물 부작용 발생 가능성 정도는 1점으로 계산될 수 있다.
또한, 일 실시예로, 도 9를 참조하면, 분석부(120)는 약물에 대해 알려진 정보가 있는지를 질문하여 약물과 부작용 간의 인과관계 또는 약물 부작용 발생 가능성을 판단할 수 있다. 예를 들어, 분석부(120)는 해당 약물에 대한 부작용 빈도수 정보 및 환자에게 발생한 부작용 정보가 존재하는지를 데이터베이스를 조회하여 그 결과에 따라 인과성 점수 또는 약물 부작용 발생 가능성 정도를 계산할 수 있다. 일예로, 부작용 DB에서 해당 약물에 대한 부작용 빈도수 정보가 존재하는 경우, 인과성 점수 또는 약물 부작용 발생 가능성 정도는 3점으로 계산할 수 있다. 또는, 부작용 DB에서 해당 약물에 대한 부작용 빈도수 정보가 존재하지 않지만, 개인화 부작용 DB에서 환자에게 발생한 부작용 정보가 존재하면 인과성 점수 또는 약물 부작용 발생 가능성 정도는 1점으로 계산하고 환자에게 발생한 부작용 정보가 존재하지 않으면 인과성 점수 또는 약물 부작용 발생 가능성 정도는 0점으로 계산할 수 있다.
또한, 일 실시예로, 도 10을 참조하면, 분석부(120)는 약물 재투여에 관한 정보가 있는지를 질문하여 약물과 부작용 간의 인과관계 또는 약물 부작용 발생 가능성을 판단할 수 있다. 예를 들어, 분석부(120)는 해당 약물에 대한 과거 투약력이 있는지 여부와 해당 약물의 복용 및 그에 따른 부작용 이력이 있는지 여부를 환자에게 질문하거나 또는 데이터베이스(즉, 개인화 부작용 데이터베이스)를 조회하여 그 결과에 따라 인과성 점수 또는 약물 부작용 발생 가능성 정도를 계산할 수 있다. 일예로, 해당 약물에 대한 과거 투약력이 없는 경우 인과성 점수 또는 약물 부작용 발생 가능성 정도는 0점으로 계산할 수 있다. 또는, 해당 약물에 대한 과거 투약력이 있으면서, 해당 약물의 복용 및 그에 따른 부작용 이력이 있는 경우 인과성 점수 또는 약물 부작용 발생 가능성 정도는 3점으로 계산할 수 있다. 또는, 해당 약물에 대한 과거 투약력이 있으면서, 해당 약물의 복용 및 그에 따른 부작용 이력이 없는 경우 인과성 점수 또는 약물 부작용 발생 가능성 정도는 -2점으로 계산할 수 있다.
즉, 도 4 내지 도 10에 도시된 바와 같은 약물과 부작용 간의 인과관계 또는 약물 부작용 발생 가능성에 관련된 질문과 그에 따른 응답을 기초로 약물과 부작용 간의 인과성 점수 또는 약물 부작용 발생 가능성 정도를 계산할 수 있다. 상기 인과성 점수 또는 약물 부작용 발생 가능성 정도를 이용하여 환자에게 발생한 약물 부작용이 복용 약물과 인과성 또는 어느 정도의 부작용 발생 가능성이 있는지 여부를 판단할 수 있고, 이를 통해 처방전 정보에 포함된 약제들 중 부작용을 유발하는 특정 약제를 추출할 수 있게 된다.
또한, 본 발명의 일 실시예에 있어서는, 약물과 부작용 간의 인과관계 또는 약물 부작용 발생 가능성 분석을 위한 알고리즘으로서 한국의약품안전관리원에서 사용되고 있는 의약품 부작용 피해구제 평가시에 WHO-UMC, Naranzo 스케일과 함께 한국형 인과성 평가 알고리즘을 더 활용할 수도 있다.
상술한 본 발명에 따르면, 개인별 약물 복용에 따른 효능, 부작용 등의 정보가 축적된 데이터베이스(즉, 개인화된 부작용 데이터베이스)를 사용하므로, 개인별 부작용 약물을 탐지하고 최적화된 약물을 제공하는데 효과적일 수 있다.
또한, 상술한 본 발명에 따르면, 최적화된 약물을 포함하는 처방전을 제공한 후 피드백 정보를 반영하여 데이터베이스(즉, 개인화된 부작용 데이터베이스) 업데이트함으로써 부작용 약물을 추출하고 대체 약제를 결정함에 있어 정확도 및 신뢰도를 향상시킬 있다.
또한, 상술한 본 발명에 따르면, 약물과 부작용 간의 인과관계 또는 약물 부작용 발생 가능성에 관련된 다양한 질문에 대한 답변 결과를 기초로 인과성 판단 알고리즘 또는 약물 부작용 발생 가능성 판단 알고리즘을 구성함으로써 환자에게 발생한 증상이 약물과 인과성 혹은 부작용 발생 가능성이 있는 것이여서 약물 부작용으로 볼 수 있는지 여부를 용이하게 판단할 수 있다.
또한, 상술한 본 발명에 따르면, 약물 및 부작용 간의 인과관계 또는 약물 부작용 발생 가능성 분석을 통해서 약물 복용 시 약물 종류에 따라 환자에게 발생될 부작용을 예측하고 부작용 발생 위험이 낮은 약물을 처방하고 추천할 수 있는 효과를 가진다.
이상에서 전술한 본 발명에 따른 방법은, 하드웨어인 컴퓨터와 결합되어 실행되기 위해 프로그램(또는 어플리케이션)으로 구현되어 매체에 저장될 수 있다.
한편, 개시된 실시예들은 컴퓨터에 의해 실행 가능한 명령어를 저장하는 기록매체의 형태로 구현될 수 있다. 명령어는 프로그램 코드의 형태로 저장될 수 있으며, 프로세서에 의해 실행되었을 때, 프로그램 모듈을 생성하여 개시된 실시예들의 동작을 수행할 수 있다. 기록매체는 컴퓨터로 읽을 수 있는 기록매체로 구현될 수 있다.
컴퓨터가 읽을 수 있는 기록매체로는 컴퓨터에 의하여 해독될 수 있는 명령어가 저장된 모든 종류의 기록 매체를 포함한다. 예를 들어, ROM(Read Only Memory), RAM(Random Access Memory), 자기 테이프, 자기 디스크, 플래쉬 메모리, 광 데이터 저장장치 등이 있을 수 있다.
이상에서와 같이 첨부된 도면을 참조하여 개시된 실시예들을 설명하였다. 본 개시가 속하는 기술분야에서 통상의 지식을 가진 자는 본 개시의 기술적 사상이나 필수적인 특징을 변경하지 않고도, 개시된 실시예들과 다른 형태로 본 개시가 실시될 수 있음을 이해할 것이다. 개시된 실시예들은 예시적인 것이며, 한정적으로 해석되어서는 안 된다.
Claims (10)
- 서버에 의해 수행되는, 개인화 부작용 데이터를 이용한 부작용 약물 탐지 및 최적화된 약물 제공 방법에 있어서,
사용자로부터 처방전 정보를 수신하는 단계;
상기 사용자로부터 부작용 정보를 수신하는 단계;
개인화 부작용 데이터베이스를 기초로 상기 처방전 정보에 포함된 약제들 및 상기 부작용 정보 간의 인과관계에 대한 인과성 점수를 산출하고, 상기 사용자의 상기 약물에 대한 부작용 발생 가능성을 분석하여 부작용을 유발하는 특정 약제를 추출하고 대체 약제를 결정하는 단계;
상기 대체 약제를 기반으로 최적화된 처방전 정보를 생성하여 상기 사용자에게 제공하는 단계; 및
상기 사용자로부터 상기 생성된 처방전 정보에 기초한 약물 복용 후 피드백 정보를 수집하여 상기 개인화 부작용 데이터베이스를 업데이트하는 단계;를 포함하며,
상기 서버는,
상기 사용자의 부작용 증상이 상기 처방전을 입력할 때 당시의 증상에 포함되어 있었는지의 여부에 따라 상기 인과성 점수 및 상기 약물에 대한 부작용 발생 가능성을 산출하고,
상기 사용자가 부작용 증상에 의해 약물 복용을 중단한 날로부터 기 설정된 날 이후에 상기 사용자의 상기 부작용 증상이 호전되었는지 여부를 기반으로 상기 인과성 점수 및 상기 약물에 대한 부작용 발생 가능성을 산출하는 것을 특징으로 하는, 방법. - 제1항에 있어서,
상기 부작용을 유발하는 특정 약제를 추출하고 상기 대체 약제를 결정하는 단계는,
상기 개인화 부작용 데이터베이스를 기초로 학습된 학습 모델을 이용하여 상기 처방전 정보에 포함된 약제들 및 상기 부작용 정보에 기초하여 부작용 발생 가능성을 분석하여 상기 부작용을 유발하는 특정 약제를 추출하고 상기 대체 약제를 결정하는, 방법. - 제1항에 있어서,
상기 부작용을 유발하는 특정 약제를 추출하고 상기 대체 약제를 결정하는 단계는,
상기 개인화 부작용 데이터베이스를 기초로 통계적 방법론에 따라 상기 처방전 정보에 포함된 약제들 및 상기 부작용 정보에 기초하여 부작용 발생 가능성을 분석하여 부작용 확률을 계산하는 단계; 및
상기 부작용 확률이 기설정된 임계값을 초과하는지 여부에 기초하여 상기 부작용을 유발하는 특정 약제를 추출하고 상기 대체 약제를 결정하는 단계;를 포함하는, 방법. - 제1항에 있어서,
상기 부작용을 유발하는 특정 약제를 추출하고 상기 대체 약제를 결정하는 단계는,
상기 처방전 정보에 포함된 약제들 및 상기 부작용 정보에 기초하여 부작용 발생 가능성에 관련된 질문에 대한 응답을 상기 사용자로부터 수신하는 단계; 및
상기 응답을 기초로 상기 처방전 정보에 포함된 약제들 및 상기 부작용 정보에 기초하여 부작용 발생 가능성을 판단하는 단계;를 더 포함하는, 방법. - 제2항에 있어서,
사용자 정보, 처방전 정보 및 부작용 정보 중 적어도 하나를 기반으로 획득되는 개인화 부작용 데이터를 이용하여 상기 개인화 부작용 데이터베이스를 구축하는 단계; 및
상기 개인화 부작용 데이터베이스를 기반으로 머신러닝을 통해 부작용 유발 약제를 추출하고 대체 약제를 결정하기 위한 상기 학습 모델을 생성하는 단계;를 포함하는, 방법. - 제5항에 있어서,
상기 학습 모델은,
상기 생성된 처방전 정보에 기초한 약물 복용 후 수집된 피드백 정보를 업데이트한 상기 개인화 부작용 데이터베이스를 기반으로 상기 머신러닝을 통해 상기 부작용 유발 약제를 추출하고 상기 대체 약제를 결정하는 학습을 더 수행하는 것인, 방법. - 제1항에 있어서,
상기 부작용을 유발하는 특정 약제를 추출하고 상기 대체 약제를 결정하는 단계는,
상기 개인화 부작용 데이터베이스 및 외부 데이터베이스를 더 이용하여 상기 부작용을 유발하는 특정 약제를 추출하고 상기 대체 약제를 결정하는, 방법. - 제1항에 있어서,
상기 부작용 정보, 상기 부작용을 유발하는 특정 약제, 상기 대체 약제, 상기 생성된 처방전 정보, 또는 상기 피드백 정보 중 적어도 하나를 외부 서버로 제공하는 단계;를 더 포함하는, 방법. - 하드웨어인 컴퓨터와 결합되어, 제1항 내지 제8항 중 어느 한 항의 방법을 실행시키기 위하여 컴퓨터 판독가능 기록매체에 저장된 컴퓨터 프로그램.
- 사용자로부터 처방전 정보를 수신하고, 상기 사용자로부터 부작용 정보를 수신하는 정보 수신부;
개인화 부작용 데이터베이스를 기초로 상기 처방전 정보에 포함된 약제들 및 상기 부작용 정보 간의 인과관계에 대한 인과성 점수를 산출하고, 상기 사용자의 약물에 대한 부작용 발생 가능성을 분석하여 부작용을 유발하는 특정 약제를 추출하고 대체 약제를 결정하는 분석부;
상기 대체 약제를 기반으로 최적화된 처방전 정보를 생성하여 상기 사용자에게 제공하는 정보 제공부; 및
상기 사용자로부터 상기 생성된 처방전 정보에 기초한 약물 복용 후 피드백 정보를 수집하여 상기 개인화 부작용 데이터베이스를 업데이트하는 업데이트부;를 포함하며,
상기 분석부는,
상기 사용자의 부작용 증상이 상기 처방전을 입력할 때 당시의 증상에 포함되어 있었는지의 여부에 따라 상기 인과성 점수 및 상기 약물에 대한 부작용 발생 가능성을 산출하고,
상기 사용자가 부작용 증상에 의해 약물 복용을 중단한 날로부터 기 설정된 날 이후에 상기 사용자의 상기 부작용 증상이 호전되었는지 여부를 기반으로 상기 인과성 점수 및 상기 약물에 대한 부작용 발생 가능성을 산출하는 것을 특징으로 하는, 장치.
Priority Applications (3)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020220122884A KR102609482B1 (ko) | 2022-09-27 | 2022-09-27 | 개인화 부작용 데이터를 이용한 부작용 약물 탐지 및 최적화된 약물 제공 방법 및 장치 |
| PCT/KR2023/009195 WO2024071595A1 (ko) | 2022-09-27 | 2023-06-30 | 개인화 부작용 데이터를 이용한 부작용 약물 탐지 및 최적화된 약물 제공 방법 및 장치 |
| KR1020230169555A KR20240044379A (ko) | 2022-09-27 | 2023-11-29 | 약물과 부작용의 인과관계를 판단하는 장치, 방법 및 프로그램 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020220122884A KR102609482B1 (ko) | 2022-09-27 | 2022-09-27 | 개인화 부작용 데이터를 이용한 부작용 약물 탐지 및 최적화된 약물 제공 방법 및 장치 |
Related Child Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020230169555A Division KR20240044379A (ko) | 2022-09-27 | 2023-11-29 | 약물과 부작용의 인과관계를 판단하는 장치, 방법 및 프로그램 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| KR102609482B1 true KR102609482B1 (ko) | 2023-12-05 |
Family
ID=89157022
Family Applications (2)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020220122884A KR102609482B1 (ko) | 2022-09-27 | 2022-09-27 | 개인화 부작용 데이터를 이용한 부작용 약물 탐지 및 최적화된 약물 제공 방법 및 장치 |
| KR1020230169555A KR20240044379A (ko) | 2022-09-27 | 2023-11-29 | 약물과 부작용의 인과관계를 판단하는 장치, 방법 및 프로그램 |
Family Applications After (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020230169555A KR20240044379A (ko) | 2022-09-27 | 2023-11-29 | 약물과 부작용의 인과관계를 판단하는 장치, 방법 및 프로그램 |
Country Status (2)
| Country | Link |
|---|---|
| KR (2) | KR102609482B1 (ko) |
| WO (1) | WO2024071595A1 (ko) |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20070053604A (ko) * | 2005-11-21 | 2007-05-25 | 김용우 | 개방형 약품정보 관리 시스템 및 방법 |
| KR20190054762A (ko) * | 2017-11-14 | 2019-05-22 | 주식회사 유비케어 | 처방약품 부작용 관리 방법 및 처방약품 부작용 관리 시스템 |
| US20190198179A1 (en) | 2017-12-27 | 2019-06-27 | International Business Machines Corporation | Estimating Personalized Drug Responses from Real World Evidence |
| JP2019133553A (ja) * | 2018-02-02 | 2019-08-08 | 今井 博久 | 情報処理装置 |
| KR102320066B1 (ko) * | 2021-04-21 | 2021-11-02 | (주)미라벨소프트 | 전자처방전 기반 환자 맞춤형 처방 및 이상반응 관리 서비스 |
| KR20220097601A (ko) * | 2020-12-30 | 2022-07-08 | 충북대학교병원 | 약물 부작용의 개인화된 확률을 산정하는 방법 및 장치 |
-
2022
- 2022-09-27 KR KR1020220122884A patent/KR102609482B1/ko active IP Right Grant
-
2023
- 2023-06-30 WO PCT/KR2023/009195 patent/WO2024071595A1/ko unknown
- 2023-11-29 KR KR1020230169555A patent/KR20240044379A/ko unknown
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20070053604A (ko) * | 2005-11-21 | 2007-05-25 | 김용우 | 개방형 약품정보 관리 시스템 및 방법 |
| KR20190054762A (ko) * | 2017-11-14 | 2019-05-22 | 주식회사 유비케어 | 처방약품 부작용 관리 방법 및 처방약품 부작용 관리 시스템 |
| US20190198179A1 (en) | 2017-12-27 | 2019-06-27 | International Business Machines Corporation | Estimating Personalized Drug Responses from Real World Evidence |
| JP2019133553A (ja) * | 2018-02-02 | 2019-08-08 | 今井 博久 | 情報処理装置 |
| KR20220097601A (ko) * | 2020-12-30 | 2022-07-08 | 충북대학교병원 | 약물 부작용의 개인화된 확률을 산정하는 방법 및 장치 |
| KR102320066B1 (ko) * | 2021-04-21 | 2021-11-02 | (주)미라벨소프트 | 전자처방전 기반 환자 맞춤형 처방 및 이상반응 관리 서비스 |
Also Published As
| Publication number | Publication date |
|---|---|
| WO2024071595A1 (ko) | 2024-04-04 |
| KR20240044379A (ko) | 2024-04-04 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US20210327594A1 (en) | Machine-learning based query construction and pattern identification | |
| US11775932B2 (en) | High fidelity clinical documentation improvement (CDI) smart scoring systems and methods | |
| US20200152332A1 (en) | Systems and methods for dynamic monitoring of patient conditions and prediction of adverse events | |
| Chen et al. | OrderRex: clinical order decision support and outcome predictions by data-mining electronic medical records | |
| US11651330B2 (en) | Machine learning for dynamically updating a user interface | |
| US11177041B1 (en) | Method and system for cardiac risk assessment of a patient using historical and real-time data | |
| US10657480B1 (en) | Methods and systems for pharmacy modeling | |
| US20130197936A1 (en) | Predictive Healthcare Diagnosis Animation | |
| US11450434B2 (en) | Implementation of machine-learning based query construction and pattern identification through visualization in user interfaces | |
| US20200143946A1 (en) | Patient risk scoring and evaluation systems and methods | |
| US20190237192A1 (en) | Personal health operating system | |
| US20150371003A1 (en) | Prescription decision support system and method using comprehensive multiplex drug monitoring | |
| Cartmell et al. | Effect of an evidence-based inpatient tobacco dependence treatment service on 1-year postdischarge health care costs | |
| US8041580B1 (en) | Forecasting consequences of healthcare utilization choices | |
| CN111933302B (zh) | 药物推荐方法、装置、计算机设备及存储介质 | |
| KR102609482B1 (ko) | 개인화 부작용 데이터를 이용한 부작용 약물 탐지 및 최적화된 약물 제공 방법 및 장치 | |
| US11410761B2 (en) | Automated detection of medication interactions | |
| Law et al. | Use of an embedded, micro-randomised trial to investigate non-compliance in telehealth interventions | |
| CN113076486B (zh) | 药物信息推送方法、装置、计算机设备及存储介质 | |
| KR20220052417A (ko) | 인공지능 및 전문가 큐레이션을 이용한 양방향 개인 맞춤형 건강관리 솔루션 플랫폼 및 양방향 건강관리 솔루션 제공방법 | |
| US11967433B1 (en) | Method and system for cardiac risk assessment of a patient using historical and real-time data | |
| US20230352134A1 (en) | Ai based systems and methods for providing a care plan | |
| US20230335246A1 (en) | System, Method, and Computer Program Product for Validating Prescriptions | |
| Matthews et al. | The impact of electronic health record functions on patterns of depression treatment in primary care | |
| US20240170157A1 (en) | Resupply attrition using machine learning |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| A107 | Divisional application of patent | ||
| GRNT | Written decision to grant |