KR102615261B1 - 섬망 예측 방법 및 이의 장치 - Google Patents
섬망 예측 방법 및 이의 장치 Download PDFInfo
- Publication number
- KR102615261B1 KR102615261B1 KR1020230052402A KR20230052402A KR102615261B1 KR 102615261 B1 KR102615261 B1 KR 102615261B1 KR 1020230052402 A KR1020230052402 A KR 1020230052402A KR 20230052402 A KR20230052402 A KR 20230052402A KR 102615261 B1 KR102615261 B1 KR 102615261B1
- Authority
- KR
- South Korea
- Prior art keywords
- delirium
- information
- patients
- occurrence prediction
- control unit
- Prior art date
Links
- 206010012218 Delirium Diseases 0.000 title claims abstract description 129
- 238000000034 method Methods 0.000 title claims abstract description 56
- 230000008569 process Effects 0.000 claims abstract description 18
- 238000003066 decision tree Methods 0.000 claims abstract description 10
- 238000007781 pre-processing Methods 0.000 claims abstract description 5
- 238000007637 random forest analysis Methods 0.000 claims description 14
- 239000003814 drug Substances 0.000 claims description 8
- 229940079593 drug Drugs 0.000 claims description 6
- 238000009533 lab test Methods 0.000 claims description 6
- 238000010801 machine learning Methods 0.000 description 9
- 210000004369 blood Anatomy 0.000 description 8
- 239000008280 blood Substances 0.000 description 8
- JVTAAEKCZFNVCJ-UHFFFAOYSA-N lactic acid Chemical compound CC(O)C(O)=O JVTAAEKCZFNVCJ-UHFFFAOYSA-N 0.000 description 8
- 230000035487 diastolic blood pressure Effects 0.000 description 7
- 239000011734 sodium Substances 0.000 description 6
- 239000000935 antidepressant agent Substances 0.000 description 5
- 229940005513 antidepressants Drugs 0.000 description 5
- 238000010586 diagram Methods 0.000 description 5
- 238000011156 evaluation Methods 0.000 description 5
- 238000007477 logistic regression Methods 0.000 description 5
- BPYKTIZUTYGOLE-IFADSCNNSA-N Bilirubin Chemical compound N1C(=O)C(C)=C(C=C)\C1=C\C1=C(C)C(CCC(O)=O)=C(CC2=C(C(C)=C(\C=C/3C(=C(C=C)C(=O)N\3)C)N2)CCC(O)=O)N1 BPYKTIZUTYGOLE-IFADSCNNSA-N 0.000 description 4
- WQZGKKKJIJFFOK-GASJEMHNSA-N Glucose Natural products OC[C@H]1OC(O)[C@H](O)[C@@H](O)[C@@H]1O WQZGKKKJIJFFOK-GASJEMHNSA-N 0.000 description 4
- DDRJAANPRJIHGJ-UHFFFAOYSA-N creatinine Chemical compound CN1CC(=O)NC1=N DDRJAANPRJIHGJ-UHFFFAOYSA-N 0.000 description 4
- 239000008103 glucose Substances 0.000 description 4
- 239000004310 lactic acid Substances 0.000 description 4
- 235000014655 lactic acid Nutrition 0.000 description 4
- 229910052700 potassium Inorganic materials 0.000 description 4
- 102100036475 Alanine aminotransferase 1 Human genes 0.000 description 3
- 108010082126 Alanine transaminase Proteins 0.000 description 3
- 108010003415 Aspartate Aminotransferases Proteins 0.000 description 3
- 102000004625 Aspartate Aminotransferases Human genes 0.000 description 3
- BVKZGUZCCUSVTD-UHFFFAOYSA-M Bicarbonate Chemical compound OC([O-])=O BVKZGUZCCUSVTD-UHFFFAOYSA-M 0.000 description 3
- 108010074051 C-Reactive Protein Proteins 0.000 description 3
- 102100032752 C-reactive protein Human genes 0.000 description 3
- ZLMJMSJWJFRBEC-UHFFFAOYSA-N Potassium Chemical compound [K] ZLMJMSJWJFRBEC-UHFFFAOYSA-N 0.000 description 3
- 230000001078 anti-cholinergic effect Effects 0.000 description 3
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 description 3
- 238000004820 blood count Methods 0.000 description 3
- 238000004422 calculation algorithm Methods 0.000 description 3
- 238000002405 diagnostic procedure Methods 0.000 description 3
- 238000004868 gas analysis Methods 0.000 description 3
- 239000001301 oxygen Substances 0.000 description 3
- 229910052760 oxygen Inorganic materials 0.000 description 3
- 239000011591 potassium Substances 0.000 description 3
- 229910052708 sodium Inorganic materials 0.000 description 3
- 230000035488 systolic blood pressure Effects 0.000 description 3
- PGOHTUIFYSHAQG-LJSDBVFPSA-N (2S)-6-amino-2-[[(2S)-5-amino-2-[[(2S)-2-[[(2S)-2-[[(2S)-2-[[(2S)-4-amino-2-[[(2S)-2-[[(2S)-2-[[(2S)-2-[[(2S)-2-[[(2S)-5-amino-2-[[(2S)-5-amino-2-[[(2S)-2-[[(2S)-2-[[(2S)-2-[[(2S,3R)-2-[[(2S)-5-amino-2-[[(2S)-2-[[(2S)-2-[[(2S,3R)-2-[[(2S)-2-[[(2S)-2-[[(2S)-2-[[(2S)-2-[[(2S)-5-amino-2-[[(2S)-1-[(2S,3R)-2-[[(2S)-2-[[(2S)-2-[[(2R)-2-[[(2S)-2-[[(2S)-2-[[2-[[(2S)-2-[[(2S)-2-[[(2S)-2-[[(2S)-1-[(2S)-2-[[(2S)-2-[[(2S)-2-[[(2S)-2-amino-4-methylsulfanylbutanoyl]amino]-3-(1H-indol-3-yl)propanoyl]amino]-5-carbamimidamidopentanoyl]amino]propanoyl]pyrrolidine-2-carbonyl]amino]-3-methylbutanoyl]amino]-4-methylpentanoyl]amino]-4-methylpentanoyl]amino]acetyl]amino]-3-hydroxypropanoyl]amino]-4-methylpentanoyl]amino]-3-sulfanylpropanoyl]amino]-4-methylsulfanylbutanoyl]amino]-5-carbamimidamidopentanoyl]amino]-3-hydroxybutanoyl]pyrrolidine-2-carbonyl]amino]-5-oxopentanoyl]amino]-3-hydroxypropanoyl]amino]-3-hydroxypropanoyl]amino]-3-(1H-imidazol-5-yl)propanoyl]amino]-4-methylpentanoyl]amino]-3-hydroxybutanoyl]amino]-3-(1H-indol-3-yl)propanoyl]amino]-5-carbamimidamidopentanoyl]amino]-5-oxopentanoyl]amino]-3-hydroxybutanoyl]amino]-3-hydroxypropanoyl]amino]-3-carboxypropanoyl]amino]-3-hydroxypropanoyl]amino]-5-oxopentanoyl]amino]-5-oxopentanoyl]amino]-3-phenylpropanoyl]amino]-5-carbamimidamidopentanoyl]amino]-3-methylbutanoyl]amino]-4-methylpentanoyl]amino]-4-oxobutanoyl]amino]-5-carbamimidamidopentanoyl]amino]-3-(1H-indol-3-yl)propanoyl]amino]-4-carboxybutanoyl]amino]-5-oxopentanoyl]amino]hexanoic acid Chemical compound CSCC[C@H](N)C(=O)N[C@@H](Cc1c[nH]c2ccccc12)C(=O)N[C@@H](CCCNC(N)=N)C(=O)N[C@@H](C)C(=O)N1CCC[C@H]1C(=O)N[C@@H](C(C)C)C(=O)N[C@@H](CC(C)C)C(=O)N[C@@H](CC(C)C)C(=O)NCC(=O)N[C@@H](CO)C(=O)N[C@@H](CC(C)C)C(=O)N[C@@H](CS)C(=O)N[C@@H](CCSC)C(=O)N[C@@H](CCCNC(N)=N)C(=O)N[C@@H]([C@@H](C)O)C(=O)N1CCC[C@H]1C(=O)N[C@@H](CCC(N)=O)C(=O)N[C@@H](CO)C(=O)N[C@@H](CO)C(=O)N[C@@H](Cc1cnc[nH]1)C(=O)N[C@@H](CC(C)C)C(=O)N[C@@H]([C@@H](C)O)C(=O)N[C@@H](Cc1c[nH]c2ccccc12)C(=O)N[C@@H](CCCNC(N)=N)C(=O)N[C@@H](CCC(N)=O)C(=O)N[C@@H]([C@@H](C)O)C(=O)N[C@@H](CO)C(=O)N[C@@H](CC(O)=O)C(=O)N[C@@H](CO)C(=O)N[C@@H](CCC(N)=O)C(=O)N[C@@H](CCC(N)=O)C(=O)N[C@@H](Cc1ccccc1)C(=O)N[C@@H](CCCNC(N)=N)C(=O)N[C@@H](C(C)C)C(=O)N[C@@H](CC(C)C)C(=O)N[C@@H](CC(N)=O)C(=O)N[C@@H](CCCNC(N)=N)C(=O)N[C@@H](Cc1c[nH]c2ccccc12)C(=O)N[C@@H](CCC(O)=O)C(=O)N[C@@H](CCC(N)=O)C(=O)N[C@@H](CCCCN)C(O)=O PGOHTUIFYSHAQG-LJSDBVFPSA-N 0.000 description 2
- 108010088751 Albumins Proteins 0.000 description 2
- 102000009027 Albumins Human genes 0.000 description 2
- CURLTUGMZLYLDI-UHFFFAOYSA-N Carbon dioxide Chemical compound O=C=O CURLTUGMZLYLDI-UHFFFAOYSA-N 0.000 description 2
- 206010012289 Dementia Diseases 0.000 description 2
- DGAQECJNVWCQMB-PUAWFVPOSA-M Ilexoside XXIX Chemical compound C[C@@H]1CC[C@@]2(CC[C@@]3(C(=CC[C@H]4[C@]3(CC[C@@H]5[C@@]4(CC[C@@H](C5(C)C)OS(=O)(=O)[O-])C)C)[C@@H]2[C@]1(C)O)C)C(=O)O[C@H]6[C@@H]([C@H]([C@@H]([C@H](O6)CO)O)O)O.[Na+] DGAQECJNVWCQMB-PUAWFVPOSA-M 0.000 description 2
- 206010028980 Neoplasm Diseases 0.000 description 2
- 208000001647 Renal Insufficiency Diseases 0.000 description 2
- 208000006011 Stroke Diseases 0.000 description 2
- 108010000499 Thromboplastin Proteins 0.000 description 2
- 102000002262 Thromboplastin Human genes 0.000 description 2
- 239000003242 anti bacterial agent Substances 0.000 description 2
- 229940088710 antibiotic agent Drugs 0.000 description 2
- 239000000164 antipsychotic agent Substances 0.000 description 2
- 229940005529 antipsychotics Drugs 0.000 description 2
- 239000002249 anxiolytic agent Substances 0.000 description 2
- 230000000949 anxiolytic effect Effects 0.000 description 2
- 229940005530 anxiolytics Drugs 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 229940049706 benzodiazepine Drugs 0.000 description 2
- 150000001557 benzodiazepines Chemical class 0.000 description 2
- WQZGKKKJIJFFOK-VFUOTHLCSA-N beta-D-glucose Chemical compound OC[C@H]1O[C@@H](O)[C@H](O)[C@@H](O)[C@@H]1O WQZGKKKJIJFFOK-VFUOTHLCSA-N 0.000 description 2
- 230000023555 blood coagulation Effects 0.000 description 2
- 201000011510 cancer Diseases 0.000 description 2
- 239000003795 chemical substances by application Substances 0.000 description 2
- 230000001713 cholinergic effect Effects 0.000 description 2
- 208000010877 cognitive disease Diseases 0.000 description 2
- 229940109239 creatinine Drugs 0.000 description 2
- 201000010099 disease Diseases 0.000 description 2
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 208000019622 heart disease Diseases 0.000 description 2
- 238000005534 hematocrit Methods 0.000 description 2
- 239000003326 hypnotic agent Substances 0.000 description 2
- 230000000147 hypnotic effect Effects 0.000 description 2
- 230000000297 inotrophic effect Effects 0.000 description 2
- 201000006370 kidney failure Diseases 0.000 description 2
- 210000000265 leukocyte Anatomy 0.000 description 2
- 208000019423 liver disease Diseases 0.000 description 2
- 230000036210 malignancy Effects 0.000 description 2
- 239000003402 opiate agonist Substances 0.000 description 2
- 239000003401 opiate antagonist Substances 0.000 description 2
- 230000001499 parasympathomimetic effect Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 235000018102 proteins Nutrition 0.000 description 2
- 102000004169 proteins and genes Human genes 0.000 description 2
- 108090000623 proteins and genes Proteins 0.000 description 2
- 239000000932 sedative agent Substances 0.000 description 2
- 229940125723 sedative agent Drugs 0.000 description 2
- 230000035945 sensitivity Effects 0.000 description 2
- 208000019116 sleep disease Diseases 0.000 description 2
- 208000020685 sleep-wake disease Diseases 0.000 description 2
- 150000003431 steroids Chemical class 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 208000024172 Cardiovascular disease Diseases 0.000 description 1
- 208000028698 Cognitive impairment Diseases 0.000 description 1
- 206010010071 Coma Diseases 0.000 description 1
- 208000004547 Hallucinations Diseases 0.000 description 1
- 208000007222 Physiological Sexual Dysfunction Diseases 0.000 description 1
- 108010094028 Prothrombin Proteins 0.000 description 1
- 102100027378 Prothrombin Human genes 0.000 description 1
- 208000003443 Unconsciousness Diseases 0.000 description 1
- PNNCWTXUWKENPE-UHFFFAOYSA-N [N].NC(N)=O Chemical compound [N].NC(N)=O PNNCWTXUWKENPE-UHFFFAOYSA-N 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 230000001154 acute effect Effects 0.000 description 1
- 238000009534 blood test Methods 0.000 description 1
- 230000005978 brain dysfunction Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 239000001569 carbon dioxide Substances 0.000 description 1
- 229910002092 carbon dioxide Inorganic materials 0.000 description 1
- 230000015271 coagulation Effects 0.000 description 1
- 238000005345 coagulation Methods 0.000 description 1
- 230000006999 cognitive decline Effects 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 230000002526 effect on cardiovascular system Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000000004 hemodynamic effect Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000005399 mechanical ventilation Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 229940053544 other antidepressants in atc Drugs 0.000 description 1
- 238000004393 prognosis Methods 0.000 description 1
- 230000002035 prolonged effect Effects 0.000 description 1
- 229940039716 prothrombin Drugs 0.000 description 1
- 238000012552 review Methods 0.000 description 1
- 238000001356 surgical procedure Methods 0.000 description 1
- 230000001052 transient 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
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/50—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for simulation or modelling of medical disorders
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- 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
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H20/00—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance
- G16H20/10—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance relating to drugs or medications, e.g. for ensuring correct administration to patients
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/30—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for calculating health indices; for individual health risk assessment
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/70—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for mining of medical data, e.g. analysing previous cases of other patients
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Public Health (AREA)
- General Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Epidemiology (AREA)
- Primary Health Care (AREA)
- Biomedical Technology (AREA)
- Databases & Information Systems (AREA)
- Pathology (AREA)
- Software Systems (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Artificial Intelligence (AREA)
- Chemical & Material Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Medicinal Chemistry (AREA)
- Measuring And Recording Apparatus For Diagnosis (AREA)
Abstract
본 발명에 따른 섬망 예측 방법은, 전자의무기록(Electronic Medical Record, EMR) 시스템으로부터 섬망 고위험군 환자의 정보를 입력 받는 과정; 상기 입력된 정보를 전처리하고, 전처리된 정보를 학습하는 과정; 및 상기 전처리된 정보 또는 학습된 결과를 바탕으로 부스티드 디시즌 트리(boosted decision tree)를 통해 섬망 발생 예측 결과를 도출하는 과정; 을 포함할 수 있다.
Description
본 발명은 섬망 고위험군 환자를 대상으로 하는 섬망 예측 방법 및 이의 장치로서, 상세하게, 머신 러닝을 이용하여 섬망 고위험군 환자의 섬망 발생 여부를 예측하는 방법 및 이의 장치에 관한 것이다.
섬망은 상당 비율의 중환자실에 입원한 환자에 발생된다. 중환자실 환자에게 섬망이 발생되면, 환자는 인지 기능 저하, 환각 등 뇌의 전반적인 기능 장애를 겪게 된다. 이에 따라, 환자는 침대에서 낙상하는 등 불안정하게 행동할 수 있고, 중증 상태에서 기계 환기 유지 기간의 연장, 중환자실 및 병원 사망률의 증가 등의 부작용이 발생하며 이는 의료비용 상승으로 이어질 수 있다. 즉, 중환자실 환자의 섬망은 즉각적으로 생명에 위협을 초래할 수 있을 뿐만 아니라 인지기능 장애와 혼돈상태에서 치료 이행의 어려움으로 치료가 지연시킬 수 있다.
이에, 중환자실 환자와 같은 섬망 고위험군 환자를 대상으로 조기에 섬망 발생 여부를 예측하는 방법이 필요하다. 다만, 섬망은 여러 원인에 의해 발생할 수 있고 요인들의 상호작용이 명확하지 않아 유용한 예측 방법이 개발되지 못하였다. 종래 로지스틱 회귀분석(logistic regression) 방법을 통해 개발된 섬망 예측 모델이 있으나 예측 정확도에서 한계가 있으며, 활용도가 모호하여 유용하게 사용되지 못하고 있다. 또한, 종래 섬망 예측 방법은 환자나 보호자에게 물어봐야 파악할 수 있는 기저 정보를 필요로 하는데, 의식이 없는 환자에 대해서는 섬망을 예측할 수 없는 한계를 가졌다.
전술한 문제를 해결하기 위해, 본 발명의 일 실시예에 따른 섬망 예측 방법 및 이의 장치는 머신 러닝 및 이에 적용되는 알고리즘 중 부스티드 디시즌 트리(boosted decision tree)를 활용하여 섬망 고위험군 환자를 대상으로 조기에 섬망을 예측하는 방법을 제공하는 것에 목적이 있다.
상기 목적을 달성하기 위하여 본 발명에 따른 섬망 예측 방법은, 전자의무기록(Electronic Medical Record, EMR) 시스템으로부터 섬망 고위험군 환자의 정보를 입력 받는 과정; 상기 입력된 정보를 전처리하고, 전처리된 정보를 학습하는 과정; 및 상기 전처리된 정보 또는 학습된 결과를 바탕으로 부스티드 디시즌 트리(boosted decision tree)를 통해 섬망 발생 예측 결과를 도출하는 과정; 을 포함할 수 있다.
실시예에 따라, 상기 섬망 고위험군 환자의 정보는 중환자실에 입실한 시점에서 4시간 이내에 수집된 정보를 포함할 수 있다.
실시예에 따라, 상기 섬망 발생 예측 결과는 수치화된 중환자실에 입실한 시점에서 24시간 이내에 섬망이 발생할 가능성을 수치화한 값을 포함할 수 있다.
실시예에 따라, 상기 입력된 정보를 전처리하고, 전처리된 정보를 학습하는 과정은, 시간에 따라 여러 값을 갖는 정보는 평균, 표준 편차, 최소값, 최대값 또는 최근값(latest data) 중 적어도 어느 하나를 대표값으로 대응시키는 과정을 포함할 수 있다.
실시예에 따라, 상기 대표값으로 대응시키는 과정은, 섬망 발생 예측 모델을 고려하여 대응시키는 과정을 포함할 수 있다.
또한, 본 발명의 따른 섬망 예측 장치는, 전자의무기록(Electronic Medical Record, EMR) 시스템으로부터 섬망 고위험군 환자의 정보를 입력 받는 입력부; 상기 입력된 정보를 전처리하고, 전처리된 정보를 학습하고, 상기 전처리된 정보 또는 학습된 결과를 바탕으로 부스티드 디시즌 트리(boosted decision tree)를 통해 섬망 발생 예측 결과를 도출하는 제어부; 및 상기 섬망 발생 예측 결과를 출력하는 출력부;를 포함할 수 있다.
실시예에 따라, 상기 섬망 고위험군 환자의 정보는 중환자실에 입실한 시점에서 4시간 이내에 수집된 정보를 포함할 수 있다.
실시예에 따라, 상기 섬망 발생 예측 결과는 수치화된 중환자실에 입실한 시점에서 24시간 이내에 섬망이 발생할 가능성을 수치화한 값을 포함할 수 있다.
실시예에 따라, 상기 제어부는, 시간에 따라 여러 값을 갖는 정보는 평균, 표준 편차, 최소값, 최대값 또는 최근값(latest data) 중 적어도 어느 하나를 대표값으로 대응시킬 수 있다.
실시예에 따라, 상기 제어부는, 섬망 발생 예측 모델을 고려하여 대응시킬 수 있다.
본 발명의 일 실시 예로서 제공되는 본 발명의 일 실시예에 따른 섬망 예측 방법 및 이의 장치는 중환자실에 입실하는 환자의 섬망 발생 여부를 예측할 수 있도록 하여 의료진이 섬망 발생 예상 환자를 보다 유의 깊게 관리함으로써, 미리 준비된 상황에서 섬망에 대한 신속한 조치를 수행할 수 있도록 한다.
도 1은 본 발명의 일 실시예에 따른 섬망 예측 방법을 설명하기 위한 순서도이다.
도 2는 본 발명의 일 실시예에 따른 섬망 예측 장치를 설명하기 위한 구성도이다.
도 3은 본 발명의 일 실시예에 따른 섬망 예측 방법 및 이의 장치에서 입력되는 환자의 정보를 설명하기 위한 도면이다.
도 4는 본 발명의 일 실시예에 따른 섬망 예측 방법 및 이의 장치에서 사용되는 부스티드 디시즌 트리의 효과를 설명하기 위한 도면이다.
도 2는 본 발명의 일 실시예에 따른 섬망 예측 장치를 설명하기 위한 구성도이다.
도 3은 본 발명의 일 실시예에 따른 섬망 예측 방법 및 이의 장치에서 입력되는 환자의 정보를 설명하기 위한 도면이다.
도 4는 본 발명의 일 실시예에 따른 섬망 예측 방법 및 이의 장치에서 사용되는 부스티드 디시즌 트리의 효과를 설명하기 위한 도면이다.
이하, 본 명세서에서 사용되는 용어에 대해 간략히 설명하고, 본 발명을 실시하기 위한 구체적인 내용으로서 본 발명의 바람직한 실시 예의 구성과 작용에 대해 구체적으로 설명하기로 한다.
본 명세서에서 사용되는 용어는 본 발명에서의 기능을 고려하면서 가능한 현재 널리 사용되는 일반적인 용어들을 선택하였으나, 이는 당 분야에 종사하는 기술자의 의도 또는 판례, 새로운 기술의 출현 등에 따라 달라질 수 있다. 또한, 특정한 경우는 출원인이 임의로 선정한 용어도 있으며, 이 경우 해당되는 발명의 설명 부분에서 상세히 그 의미를 기재할 것이다. 따라서 본 발명에서 사용되는 용어는 단순한 용어의 명칭이 아닌, 그 용어가 가지는 의미와 본 발명의 전반에 걸친 내용을 토대로 정의되어야 한다.
명세서 전체에서 어떤 부분이 어떤 구성요소를 "포함"한다고 할 때, 이는 특별히 반대되는 기재가 없는 한 다른 구성요소를 제외하는 것이 아니라 다른 구성요소를 더 포함할 수 있음을 의미한다. 또한, 명세서에 기재된 "...부", "모듈" 등의 용어는 적어도 하나의 기능이나 동작을 처리하는 단위를 의미하며, 이는 하드웨어 또는 소프트웨어로 구현되거나 하드웨어와 소프트웨어의 결합으로 구현될 수 있다. 또한, 명세서 전체에서 어떤 부분이 다른 부분과 "연결"되어 있다고 할 때, 이는 "직접적으로 연결"되어 있는 경우뿐 아니라, "그 중간에 다른 구성을 사이에 두고" 연결되어 있는 경우도 포함한다.
아래에서는 첨부한 도면을 참조하여 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자가 용이하게 실시할 수 있도록 본 발명의 실시 예를 상세히 설명한다. 그러나 본 발명은 여러 가지 상이한 형태로 구현될 수 있으며 여기에서 설명하는 실시 예에 한정되지 않는다. 그리고 도면에서 본 발명을 명확하게 설명하기 위해서 설명과 관계없는 부분은 생략하였으며, 명세서 전체를 통하여 유사한 부분에 대해서는 유사한 도면 부호를 붙였다.
이하, 도면을 참고하여 본 발명의 구체적인 실시 예들에 대해 설명하기로 한다.
도 1은 본 발명의 일 실시예에 따른 섬망 예측 방법을 설명하기 위한 순서도이다.
도 1에 따른 섬망 예측 방법은 도 2에 따른 섬망 예측 장치에 의해 수행될 수 있어, 도 1과 도 2을 함께 설명한다.
도 1을 참조하면, 섬망 예측 장치(200)에 포함되는 입력부(210)는 섬망 고위험군 환자의 정보를 입력 받을 수 있다(S110).
실시예에 따라, 섬망 고위험군 환자는 중환자실에 입실한 환자를 포함할 수 있으며, 내과전용 중환자실 또는 외과전용 중환자실에 국한되지 않는다.
실시예에 따라, 섬망 고위험군 환자의 정보는 전자의무기록(Electronic Medical Record, EMR) 차트에 포함되는 항목들에 대한 정보를 포함할 수 있다. EMR 차트에 포함되는 항목들 등을 포함하는 섬망 고위험군 환자의 정보는 머신 러닝을 통한 섬망 예측을 위한 학습 및 개별 환자의 섬망 예측 결과를 도출하기 위해 사용될 수 있다.
실시예에 따라, 섬망 고위험군 환자의 정보는 중환자실에 입실하는 환자의 입실 전 4시간의 검사 결과 또는 입실 당시의 검사 결과 또는 혈역학적 값(혈액 진단 검사 결과) 등을 포함할 수 있고, 섬망 예측 장치(200)는 중환자실에 입실한 후 8시간 이내에 섬망이 발생할지 여부에 대한 예측 결과를 도출할 수 있다.
실시예에 따라, 섬망 고위험군 환자의 정보는 중환자실 입실 후 4시간 이내에 수집한 정보(활력징후, 혈액검사 결과, 기본 임상 정보 등)를 포함할 수 있고, 섬망 예측 장치(200)는 중환자실에 입실한 후 24시간 이내에 섬망이 발생할지 여부에 대한 예측 결과를 도출할 수 있다.
실시예에 따라, 섬망 고위험군 환자의 정보는 53개의 변수를 포함할 수 있고, 변수는 표 1의 내용을 포함할 수 있다.
| Features | ||
| Patient information | Age, Sex, Sleep disorder | |
| Admission type | Surgical, Medical | |
| Vital signs | SBP, DBP, HR, SpO2, GCS | |
| Reason for ICU admission | Cardiovascular, peri-operation | |
| Laboratory tests | Complete blood count | WBC Count, Hematocrit, Platelet Count |
| Coagulation | PT(INR), APTT | |
| Chemistry | Protein Total, Total Albumin, Bilirubin Total, AST, ALT, Glucose Fasting, BUN, Creatinine, Na, Potassium (K), CRP, Quantitative (High Sensitivity), Lactic Acid | |
| ABGA | pH, pCO2, pO2, HCO3, O2 Saturation, Na, K, Glucose, Lactic Acid | |
| Comorbidity | Heart disease, Stroke, Malignancy, Renal failure, Liver disease, Dementia | |
| Medication | Antibiotics, benzodiazepines, Inotropics, Miscellaneous Antidepressants, miscellaneous antidepressants anxiolytics sedatives hypnotics, anticholinergic antipsychotics, Opiate Agonists, Opiate Antagonists, Parasympathomimetic (Cholinergic) agents, steroids | |
[표 1]을 참조하면, 섬망 고위험군 환자의 정보는 4개의 카테고리로 구분될 수 있다. 4개의 카테고리는 환자 정보(Patient information), 진단 검사(Laboratory tests), 동반 질환(Comorbidity) 및 약물(Medication) 중 적어도 어느 하나를 포함할 수 있다.
실시예에 따라, 환자 정보는 나이(age), 성별(sex) 및 수면 장애(sleep disorder), 입원 유형이 내과계인지 또는 외과계인지(Admission type - Surgical, Medical), 활력징후(vital signs), 중환자실 입실 사유(Reason for ICU admission)가 급성심혈관질환(Cardiovascular)인지 수술 전인지(peri-operation) 중 적어도 어느 하나를 포함할 수 있다.
실시예에 따라, 활력징후(vital signs)는 수축기 혈압(systolic blood pressure, SBP), 이완기 혈압(diastolic blood pressure, DBP), 심박수(heart rate, HR), 산소포화도(SpO2), 의식 상태(Glasgow Coma Scale, GCS) 중 적어도 어느 하나를 포함할 수 있다.
실시예에 따라, 진단 검사의 정보는 혈액 진단 검사의 결과에 대한 정보를 포함할 수 있고, 예를 들어, 전혈구 수(Complete blood count), 혈액응고(Coagulation), 혈액화학(Chemistry), 동맥혈 가스 분석(arterial blood gas analysis, ABGA) 중 적어도 어느 하나를 포함할 수 있다.
실시예에 따라, 전혈구 수는 백혈구(white blood cell, WBC) 수, 헤마토크릿(Hematocrit, Hct), 혈소판 수(Platelet Count) 중 적어도 어느 하나를 포함할 수 있다.
실시예에 따라, 혈액응고에 대한 정보는 프로트롬빈 시간(Protrombin Time (International Normalized Ratio), PT(INR)), 활성화부분트롬보플라스틴 시간(Activated Partial Thromboplastin Time) 중 적어도 어느 하나를 포함할 수 있다.
실시예에 따라, 혈액화학에 대한 정보는 단백질 총계(Protein Total), 알부민 총계(Total Albumin), 빌리루빈 총계(Bilirubin Total), 아스파르테이트 아미노전이효소(AST), 알라닌 아미노전이효소(ALT), 공복 혈당(Glucose Fasting), 혈중 요소 질산 (blood urea nitrogen, BUN), 크레아티닌, 나트륨(Na), 칼륨(K),고민감도 C반응성 단백(c-reactive protein(CRP), Quantitative (High Sensitivity)), 젖산 중 적어도 어느 하나를 포함할 수 있다.
실시예에 따라, 동맥혈 가스 분석(arterial blood gas analysis, ABGA)에 대한 정보는 동맥혈액의 산도(pH), 이산화탄소분압(pCO2), 산소분압(pO2), 중탄산이온수치(HCO3), 산소포화도(O2 Saturation), 나트륨(Na), 칼륨(K), 포도당(Glucose), 젖산(Lactic Acid) 중 적어도 어느 하나를 포함할 수 있다.
실시예에 따라, 동반 질환에 대한 정보는 심장병(Heart disease), 뇌졸중(Stroke), 악성 종양(Malignancy), 신부전(Renal failure), 간 질환(Liver disease), 치매(Dementia) 중 적어도 어느 하나가 환자에 있는지 여부에 대한 정보를 포함할 수 있다.
실시예에 따라, 약물에 대한 정보는 항생제(Antibiotics), 벤조디아제핀(benzodiazepines), 이노트로픽(Inotropics), 기타 항우울제(Miscellaneous Antidepressants), 기타 항우울제 불안 완화 진정 최면제(miscellaneous antidepressants anxiolytics sedatives hypnotics), 항콜린 성 항 정신병제(anticholinergic antipsychotics), 아편유사작용제(Opiate Agonists), 아편유사길항제(Opiate Antagonists), 부교감 신경제(Parasympathomimetic (Cholinergic) agents), 스테로이드(steroids) 중 적어도 어느 하나가 환자에 처방되었는지 여부에 대한 정보를 포함할 수 있다.
한편, 섬망 예측 장치(200)에 포함되는 제어부(220)는 섬망 발생 예측 결과를 도출하기 위해 사전에 머신 러닝을 통해 기초 자료를 학습할 수 있다.
실시예에 따라, 기초 자료는 18세 이상 섬망 고위험군 환자의 정보를 포함할 수 있고, 내과 전용 또는 외과 전용 중환자실에 입실한 환자의 정보를 포함할 수 있다.
실시예에 따라, 기초 자료는 중환자실 입실 당일에 CAM-ICU(Confusion Assessment Method for the Intensive Care Unit) 평가 결과가 없거나, 긍정적인 평가 결과를 갖는 환자의 정보는 포함하지 않을 수 있다.
실시예에 따라, 머신 러닝을 위한 기초 자료는 매사추세츠 공과대학교(Massachusetts Institute of Technology, MIT)의 익명화된 중환자실 데이터 MIMIC-III(Medical Information Mart for intensive Care - III)의 데이터 셋이 활용될 수 있다.
실시예에 따라, 섬망 고위험군 환자로 분류된 환자를 대상으로 중환자실에 입실한 후의 CAM-ICU 평가 결과가 기초 자료로 사용될 수 있다.
실시예에 따라, 중환자실에 입실한 시점부터 4시간 이내 음성의 CAM-ICU 평가 결과를 가진 환자가 중환자실에 입실한 4시간 이후부터 24시간 이내 양성의 CAM-ICU 평가 결과를 가진 경우, 해당 환자에 섬망이 발생했다고 정의될 수 있다.
섬망 예측 장치(200)에 포함되는 제어부(220)는 입력된 섬망 고위험군 환자의 정보를 전처리하고, 전처리된 결과를 이용하여 학습할 수 있다(S120).
실시예에 따라, 제어부(220)는 섬망 고위험군 환자의 정보의 일반적인 데이터 처리를 위해 잘못된 값을 제거할 수 있다. 예를 들어, 심박수는 0 - 300 사이의 값을 가져야 하는데, 해당 범위를 벗어나는 값을 갖는 데이터는 제거될 수 있다.
실시예에 따라, 제어부(220)는 섬망 고위험군 환자의 정보로서 수치를 정규화하고 스케일링하여 수치화할 수 있다. 예를 들어, 제어부(220)는 수치의 최종 값이 0과 1 사이가 되도록 표준 정규화와 최소-최대 스케일링을 수행할 수 있다.
실시예에 따라, 제어부(220)는 누락된 수치적 값을 평균값으로 처리할 수 있으며, 범주형 데이터 (categorical data)의 누락된 값은 공란으로 남겨 더미 변수가 모두 0이 되도록 설정할 수 있다.
실시예에 따라, 제어부(220)는 시간 정보를 갖는 특정 정보에 대해서 평균, 표준 편차, 최소값, 최대값 또는 중환자실 입실 시의 값과 가장 가까운 값 중 적어도 하나를 통해 여러 값을 하나의 값으로 결정할 수 있다. 예를 들어, 활력징후(vital signs) 또는 진단 검사(Laboratory tests)의 결과들을 하나의 숫자로 결정할 수 있다. 예를 들어, 제어부(220)는, 이완기 혈압(DBP)이 시간에 따라 여러 값을 가질 때, 평균, 표준 편차, 최소값, 최대값 또는 최근 이완기 혈압값 중 적어도 어느 하나를 대표값으로 선택할 수 있다.
실시예에 따라, 제어부(220)는 머신 러닝의 특정 알고리즘을 통한 학습을 위해 필요한 정보의 개수의 수를 줄이기 위해, 랜덤 포레스트(Random forest)에 따른 중요도에 따라 여러 통계값 중에서 하나의 대표값을 선택할 수 있다. 예를 들어, 랜덤 포레스트에 따른 중요도에 따라 이완기 혈압의 대표값 중에서 평균값을 선택할 수 있다.
실시예에 따라, 제어부(220)는 섬망 발생 예측 모델로 부스티드 디시즌 트리(boosted decision tree) 중 XGBoost(eXtreme Gradient Boosting), 랜덤 포레스트 (Random Forest, RF), DNN (deep neural network) 또는 LR (logistic regression) 중 적어도 어느 하나를 사용할 수 있다. 또한, 제어부(220)는 섬망 발생 예측 모델을 선택하고, 변수를 검색하기 위해 TPOT (Tree-based Pipeline Optimization Tool)라는 자동화된 머신 러닝(AutoML) 알고리즘을 사용할 수 있다.
실시예에 따라, 제어부(220)는 RF(Random Forest, 랜덤 포레스트) 기반의 섬망 발생 예측 모델과 XGBoost (Extreme Gradient Boosting) 기반의 섬망 발생 예측 모델 중 적어도 어느 하나를 포함할 수 있으며, 바람직하게는 RF 기반의 섬망 발생 예측 모델과 XGBoost 기반의 섬망 발생 예측 모델을 함께 포함할 수 있다.
RF 기반의 섬망 발생 예측 모델은 의사결정 트리 기반의 기계학습 기법 중 하나로, 성능이 낮은(정확도가 낮은) 여러 개의 모델이 결합하여 높은 성능의 모델을 형성하는 앙상블 기법이다. 분류를 수행하기 위해 각 트리는 특정 class에 대해 “투표”하고, 가장 많은 득표를 한 class로 분류한다. 독립 변수의 중요도를 계산할 수 있고 과적합을 줄일 수 있다는 장점을 가지고 있다.
XGBoost 기반의 섬망 발생 예측 모델은 트리 부스팅을 위한 고효율의 확장 가능한 기계학습 기법으로, 기존 트리 부스팅 기반의 기법보다 높은 성능을 보여 다양한 분야에서 사용되고 있다. 트리 앙상블 기법 중 하나로, 트리를 구성할 때 병렬처리 기법을 사용하기 때문에 수행시간이 빠르다는 장점이 있다. 실시예에 따라, XGBoost 기반의 섬망 발생 예측 모델이 적용되는 경우, 변수는 섬망 고위험군 환자의 정보일 수 있으며, 결과값을 섬망 발생 예측 결과일 수 있다.
실시예에 따라, 제어부(220)는 전자의무기록(Electronic Medical Record, EMR) 차트에 대한 정보를 포함하는 EMR 시스템을 포함하는 병원 내부 전산망과 정보를 송수신할 수 있고, 병원 내우 전산망으로부터 수신된 정보를 섬망 고위험군 환자의 정보로서 활용할 수 있다.
섬망 예측 장치(200)에 포함되는 출력부(230)는 전처리된 정보 및 학습된 정보를 바탕으로 섬망 발생 예측 결과를 도출하고 출력할 수 있다(S130).
실시예에 따라, 출력부(230)는 섬망 발생 예측 결과를 중환자실에 입실한 시점으로부터 특정 시간 이내에 섬망이 발생할 가능성을 수치화하여 출력할 수 있다.
실시예에 따라, 도출된 섬망 발생 예측 결과는 전처리된 후 다시 학습을 위해 사용될 수 있다.
실시예에 따라, 출력부(230)가 출력하는 섬망 발생 예측 결과는 환자가 중환자실에 입실한 시점으로부터 특정 시간이내 섬망이 발생할 가능성에 대한 수치를 포함할 수 있고, 이에 따라 중환자실 입실 이후 환자의 예후 개선에 도움을 줄 수 있다.
도 3은 본 발명의 일 실시예에 따른 섬망 예측 방법 및 이의 장치에서 입력되는 환자의 정보를 설명하기 위한 도면이다.
도 3을 참조하면, 섬망 고위험군 환자의 정보가 섬망 예측 방법 및 이의 장치가 고려하는 변수로 활용될 수 있으며, 섬망 고위험군 환자의 정보는 환자 정보(Patient information), 진단 검사(Laboratory tests), 동반 질환(Comorbidity) 및 약물(Medication), 4개의 카테고리로 구분되어, 색을 달리하여 도시되어 있다.
실시예에 따라, 섬망 예측 방법 및 이의 장치가 고려하는 변수는 카테고리와 무관하게 개별적으로 섬망 예측에 고려되는 중요도(importance)를 가질 수 있다. 실시예에 따라, 섬망 예측 방법 및 이의 장치는 중요도를 가중치로 고려하여 섬망 예측에 반영할 수 있다.
일 실시예에 따른 섬망 예측 방법 및 이의 장치가 고려하는 변수는 EMR에서 4시간 안에 얻을 수 있는 변수만을 사용할 수 있고, 추가적인 계산이 필요한 변수는 EMR에서 제외하여 사용할 수 있다.
일 실시예에 따른 섬망 예측 방법 및 이의 장치는 중요도(importance)에서 상위 값을 가지고 있어도 중환자전문의 2인의 추가적인 검토를 통해 변수를 선정하여 임상에서 실제 중요하다고 판단되는 변수가 누락되지 않도록 추가적인 변수를 입력 받을 수 있으며, 추가적으로 입력된 변수를 고려하여 섬망 발생 여부를 예측할 수 있다.
도 4는 본 발명의 일 실시예에 따른 섬망 예측 방법 및 이의 장치에서 사용되는 부스티드 디시즌 트리의 정확도를 설명하기 위한 도면이다.
도 4를 참조하면, 섬망 발생 예측 방법 및 이의 장치가 사용하는 섬망 발생 예측 모델로서, XGBoost (eXtreme Gradient Boosting), RF(Random Forest, 랜덤 포레스트), DNN (deep neural network) 또는 LR (logistic regression) 중 적어도 어느 하나가 사용될 수 있다.
XGBoost (eXtreme Gradient Boosting), RF(Random Forest, 랜덤 포레스트), DNN (deep neural network) 및 LR (logistic regression) 각각을 섬망 발생 예측 모델로 적용한 ROC 커브(Receiver Operating Characteristic curve) 및 AUC(Area under the receiver operation Characteristics, AUROC)을 참조하면, XGBoost을 섬망 발생 예측 모델로 활용했을 때의 AUROC가 가장 크기 때문에, 정확도가 가장 높다고 해석될 수 있다.
한편, 본 발명의 일 실시 예에 의하면, 전술한 방법을 컴퓨터에서 실행시키기 위한 프로그램을 기록한 컴퓨터로 읽을 수 있는 기록매체를 제공할 수 있다. 다시 말해서, 전술한 방법은 컴퓨터에서 실행될 수 있는 프로그램으로 작성 가능하고, 컴퓨터 판독 가능 매체를 이용하여 상기 프로그램을 동작시키는 범용 디지털 컴퓨터에서 구현될 수 있다. 또한, 상술한 방법에서 사용된 데이터의 구조는 컴퓨터 판독 가능 매체에 여러 수단을 통하여 기록될 수 있다. 본 발명의 다양한 방법들을 수행하기 위한 실행 가능한 컴퓨터 프로그램이나 코드를 기록하는 기록 매체는, 반송파(carrier waves)나 신호들과 같이 일시적인 대상들은 포함하는 것으로 이해되지는 않아야 한다. 상기 컴퓨터 판독 가능 매체는 마그네틱 저장매체(예를 들면, 롬, 플로피 디스크, 하드 디스크 등), 광학적 판독 매체(예를 들면, 시디롬, DVD 등)와 같은 저장 매체를 포함할 수 있다.
이상에서 대표적인 실시 예를 통하여 본 발명을 상세하게 설명하였으나, 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자는 상술한 실시 예에 대하여 본 발명의 범주에서 벗어나지 않는 한도 내에서 다양한 변형이 가능함을 이해할 것이다. 그러므로 본 발명의 권리 범위는 설명한 실시 예에 국한되어 정해져서는 안 되며, 후술하는 특허청구범위뿐만 아니라 특허청구범위와 균등 개념으로부터 도출되는 모든 변경 또는 변형된 형태에 의하여 정해져야 한다.
Claims (10)
- 전자의무기록(Electronic Medical Record, EMR) 시스템으로부터 환자 정보(Patient information), 진단 검사(Laboratory tests), 동반 질환(Comorbidity) 및 약물(Medication) 중 어느 하나 이상의 카테고리로 구분되고, 중요도가 선별되거나 추가된 변수인 섬망 고위험군 환자의 정보를 입력부로 입력 받는 과정; 및
상기 입력부로 입력된 정보를 전처리하고, 전처리된 정보를 학습하고,
상기 전처리된 정보 또는 학습된 결과를 바탕으로 부스티드 디시즌 트리(boosted decision tree) 를 통해 섬망 발생 예측 결과를 제어부를 통해 도출하는 과정;
을 포함하는,
섬망 예측 방법으로
상기 입력된 정보를 전처리하고, 전처리된 정보를 학습하는 과정은,
시간에 따라 여러 값을 갖는 정보는 평균, 표준 편차, 최소값, 최대값 또는 최근값(latest data) 중 적어도 어느 하나를 대표값으로 대응시키는 과정을 포함하고;
상기 제어부는 RF(Random Forest, 랜덤 포레스트) 기반의 섬망 발생 예측 모델과 XGBoost (Extreme Gradient Boosting) 기반의 섬망 발생 예측 모델을 포함하는 것인 섬망 예측 방법.
- 제 1 항에 있어서,
상기 섬망 고위험군 환자의 정보는 중환자실에 입실한 시점에서 4시간 이내에 수집된 정보를 포함하는,
섬망 예측 방법.
- 제 1 항에 있어서,
상기 섬망 발생 예측 결과는 수치화된 중환자실에 입실한 시점에서 24시간 이내에 섬망이 발생할 가능성을 수치화한 값을 포함하는,
섬망 예측 방법.
- 삭제
- 제 1 항에 있어서,
상기 대표값으로 대응시키는 과정은,
섬망 발생 예측 모델을 고려하여 대응시키는 과정을 포함하는,
섬망 예측 방법.
- 전자의무기록(Electronic Medical Record, EMR) 시스템으로부터 환자 정보(Patient information), 진단 검사(Laboratory tests), 동반 질환(Comorbidity) 및 약물(Medication) 중 어느 하나 이상의 카테고리로 구분되고, 중요도가 선별되거나 추가된 변수인 섬망 고위험군 환자의 정보를 입력 받는 입력부;
상기 입력된 정보를 전처리하고, 전처리된 정보를 학습하고, 상기 전처리된 정보 또는 학습된 결과를 바탕으로 부스티드 디시즌 트리(boosted decision tree)를 통해 섬망 발생 예측 결과를 도출하는 제어부; 및
상기 섬망 발생 예측 결과를 출력하는 출력부;를 포함하는,
섬망 예측 장치로서
상기 제어부는,
시간에 따라 여러 값을 갖는 정보는 평균, 표준 편차, 최소값, 최대값 또는 최근값(latest data) 중 적어도 어느 하나를 대표값으로 대응시키고,
상기 제어부는 RF(Random Forest, 랜덤 포레스트) 기반의 섬망 발생 예측 모델과 XGBoost (Extreme Gradient Boosting) 기반의 섬망 발생 예측 모델을 포함하는 것인,
섬망 예측 장치.
- 제 6 항에 있어서,
상기 섬망 고위험군 환자의 정보는 중환자실에 입실한 시점에서 4시간 이내에 수집된 정보를 포함하는,
섬망 예측 장치.
- 제 6 항에 있어서,
상기 섬망 발생 예측 결과는 수치화된 중환자실에 입실한 시점에서 24시간 이내에 섬망이 발생할 가능성을 수치화한 값을 포함하는,
섬망 예측 장치.
- 삭제
- 제 6 항에 있어서,
상기 제어부는,
섬망 발생 예측 모델을 고려하여 대응시키는,
섬망 예측 장치.
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020230052402A KR102615261B1 (ko) | 2020-07-07 | 2023-04-21 | 섬망 예측 방법 및 이의 장치 |
Applications Claiming Priority (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020200083386A KR102525866B1 (ko) | 2020-07-07 | 2020-07-07 | 섬망 예측 방법 및 이의 장치 |
| KR1020230052402A KR102615261B1 (ko) | 2020-07-07 | 2023-04-21 | 섬망 예측 방법 및 이의 장치 |
Related Parent Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020200083386A Division KR102525866B1 (ko) | 2020-07-07 | 2020-07-07 | 섬망 예측 방법 및 이의 장치 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| KR20230063354A KR20230063354A (ko) | 2023-05-09 |
| KR102615261B1 true KR102615261B1 (ko) | 2023-12-15 |
Family
ID=79343046
Family Applications (2)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020200083386A KR102525866B1 (ko) | 2020-07-07 | 2020-07-07 | 섬망 예측 방법 및 이의 장치 |
| KR1020230052402A KR102615261B1 (ko) | 2020-07-07 | 2023-04-21 | 섬망 예측 방법 및 이의 장치 |
Family Applications Before (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020200083386A KR102525866B1 (ko) | 2020-07-07 | 2020-07-07 | 섬망 예측 방법 및 이의 장치 |
Country Status (1)
| Country | Link |
|---|---|
| KR (2) | KR102525866B1 (ko) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116168840B (zh) * | 2023-04-23 | 2023-12-22 | 北京大学人民医院 | 一种预测术后谵妄发生风险的方法、设备及系统 |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR101347509B1 (ko) | 2011-06-20 | 2014-01-06 | 가톨릭대학교 산학협력단 | 섬망 고위험군 예측모형 시스템 및 그 예측모형 방법, 및 그것을 이용한 섬망 고위험군 예측 시스템 |
| KR102183744B1 (ko) * | 2018-11-26 | 2020-11-27 | 연세대학교 산학협력단 | 섬망 발병 위험도의 예측 방법 및 이를 이용한 디바이스 |
-
2020
- 2020-07-07 KR KR1020200083386A patent/KR102525866B1/ko active IP Right Grant
-
2023
- 2023-04-21 KR KR1020230052402A patent/KR102615261B1/ko active IP Right Grant
Also Published As
| Publication number | Publication date |
|---|---|
| KR20220005791A (ko) | 2022-01-14 |
| KR20230063354A (ko) | 2023-05-09 |
| KR102525866B1 (ko) | 2023-04-25 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Javan et al. | An intelligent warning model for early prediction of cardiac arrest in sepsis patients | |
| Ramon et al. | Mining data from intensive care patients | |
| Hassan et al. | Preventing sepsis; how can artificial intelligence inform the clinical decision-making process? A systematic review | |
| CN111081381B (zh) | 院内致命性消化道再出血预测关键指标的智能筛选方法 | |
| US20130226611A1 (en) | Significance parameter extraction method and its clinical decision support system for differential diagnosis of abdominal diseases based on entropy rough approximation technology | |
| KR102615261B1 (ko) | 섬망 예측 방법 및 이의 장치 | |
| Curto et al. | Predicting ICU readmissions based on bedside medical text notes | |
| Xu et al. | Predictive modeling of the risk of acute kidney injury in critical care: a systematic investigation of the class imbalance problem | |
| Al-Mualemi et al. | A deep learning-based sepsis estimation scheme | |
| Cai et al. | Predicting acute kidney injury risk in acute myocardial infarction patients: an artificial intelligence model using medical information mart for intensive care databases | |
| Monteiro et al. | Prediction of mortality in Intensive Care Units: a multivariate feature selection | |
| Vali et al. | Prediction prolonged mechanical ventilation in trauma patients of the intensive care unit according to initial medical factors: a machine learning approach | |
| US20240062913A1 (en) | Method for predicting the occurrence of postoperative acute kidney injury and system thereof | |
| Jiang et al. | Interpretable machine-learning model for real-time, clustered risk factor analysis of sepsis and septic death in critical care | |
| Mantovani et al. | Mining compact predictive pattern sets using classification model | |
| CN117476242A (zh) | 一种脓毒症急性肾损伤患者icu病死风险预警的可解释机器学习模型构建方法及应用 | |
| Alhmiedat et al. | The Investigation of Employing Supervised Machine Learning Models to Predict Type 2 Diabetes Among Adults. | |
| Nesaragi et al. | An explainable machine learning model for early prediction of sepsis using ICU data | |
| Golovco et al. | Acute kidney injury prediction with gradient boosting decision trees enriched with temporal features | |
| Gulati et al. | Comparative analysis of machine learning techniques based on chronic kidney disease dataset | |
| Umut et al. | Prediction of sepsis disease by Artificial Neural Networks | |
| Viangteeravat et al. | Analyzing electronic medical records to predict risk of DIT (death, intubation, or transfer to ICU) in pediatric respiratory failure or related conditions | |
| Anil et al. | Prediction of Chronic Kidney Disease Using Various Machine Learning Algorithms | |
| Chadaga et al. | Severity prediction in COVID-19 patients using clinical markers and explainable artificial intelligence: A stacked ensemble machine learning approach | |
| Shanthi | A novel machine learning approach to predict sepsis at an early stage |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| A107 | Divisional application of patent | ||
| E902 | Notification of reason for refusal | ||
| E701 | Decision to grant or registration of patent right | ||
| GRNT | Written decision to grant |