KR102623020B1 - 인공지능 기반의 생체 데이터 분석을 통한 패혈성 쇼크 조기 예측방법, 장치 및 컴퓨터프로그램 - Google Patents

인공지능 기반의 생체 데이터 분석을 통한 패혈성 쇼크 조기 예측방법, 장치 및 컴퓨터프로그램 Download PDF

Info

Publication number
KR102623020B1
KR102623020B1 KR1020230120549A KR20230120549A KR102623020B1 KR 102623020 B1 KR102623020 B1 KR 102623020B1 KR 1020230120549 A KR1020230120549 A KR 1020230120549A KR 20230120549 A KR20230120549 A KR 20230120549A KR 102623020 B1 KR102623020 B1 KR 102623020B1
Authority
KR
South Korea
Prior art keywords
biometric data
artificial intelligence
septic shock
user
occurrence
Prior art date
Application number
KR1020230120549A
Other languages
English (en)
Inventor
김용환
샌 리
Original Assignee
주식회사 슈파스
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 주식회사 슈파스 filed Critical 주식회사 슈파스
Priority to KR1020230120549A priority Critical patent/KR102623020B1/ko
Application granted granted Critical
Publication of KR102623020B1 publication Critical patent/KR102623020B1/ko

Links

Classifications

    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/41—Detecting, measuring or recording for evaluating the immune or lymphatic systems
    • A61B5/412—Detecting or monitoring sepsis
    • 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
    • G16H15/00—ICT specially adapted for medical reports, e.g. generation or transmission thereof
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Public Health (AREA)
  • General Health & Medical Sciences (AREA)
  • Epidemiology (AREA)
  • Biomedical Technology (AREA)
  • Primary Health Care (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Pathology (AREA)
  • Software Systems (AREA)
  • Databases & Information Systems (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Molecular Biology (AREA)
  • Surgery (AREA)
  • Animal Behavior & Ethology (AREA)
  • Veterinary Medicine (AREA)
  • Artificial Intelligence (AREA)
  • Vascular Medicine (AREA)
  • Evolutionary Computation (AREA)
  • Biophysics (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Immunology (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

인공지능 기반의 생체 데이터 분석을 통한 패혈성 쇼크 조기 예측방법, 장치 및 컴퓨터프로그램이 제공된다. 본 발명의 다양한 실시예에 따른 인공지능 기반의 생체 데이터 분석을 통한 패혈성 쇼크 조기 예측방법은 컴퓨팅 장치에 의해 수행되는 방법에 있어서, 사용자로부터 실시간으로 측정되는 시계열 기반의 생체 데이터를 수집하는 단계 및 인공지능 모델을 기반으로 상기 수집된 생체 데이터를 분석함에 따라 상기 사용자에 대한 패혈성 쇼크 발생을 예측하는 단계를 포함하며, 상기 패혈성 쇼크 발생을 예측하는 단계는, 상기 수집된 생체 데이터를 분석하여 상기 사용자에 대한 패혈증(Sepsis) 발생이 감지되는 경우, 상기 수집된 생체 데이터를 기반으로 예측되는 미래 일 시점에서의 생체 데이터를 분석하여 상기 미래 일 시점에서의 패혈성 쇼크(Septic shock) 발생을 조기 예측하는 단계를 포함한다.

Description

인공지능 기반의 생체 데이터 분석을 통한 패혈성 쇼크 조기 예측방법, 장치 및 컴퓨터프로그램{METHOD, COMPUTING DEVICE AND COMPUTER PROGRAM FOR EARLY PREDICTING SEPTIC SHOCK THROUGH BIO-DATA ANALYSIS BASED ON ARTIFICIAL INTELLIGENCE}
본 발명의 다양한 실시예는 인공지능 기반의 생체 데이터 분석을 통한 패혈성 쇼크 조기 예측방법, 장치 및 컴퓨터프로그램에 관한 것이다.
패혈증은 세균이나 세균의 독소가 혈중에 있으면서 이로 인해 나타나는 신체 전반의 현상을 의미한다.
체온이 38도 이상으로 올라가는 발열 증상 혹은 36도 이하로 내려가는 저체온증, 호흡수가 분당 24회 이상으로 증가(빈호흡), 분당 90회 이상의 심박수(빈맥), 혈액 검사상 백혈구 수의 증가 혹은 현저한 감소 중 두 가지 이상의 증상을 보이는 경우, 이를 전신성 염증 반응 증후군(systemic inflammatory response syndrome; SIRS)이라고 부르며, 이러한 전신성 염증 반응 증후군이 미생물의 감염에 의한 것일 때 패혈증이라고 한다.
균이나 균이 만들어내는 독소가 혈중에 나타나면 우리 신체는 다양한 방어기전으로 대응하게 되는데 그 대응 과정에서 환자는 위 증상들을 보이기 때문에다.
신체가 패혈증에 대응하면서 발생한 여러 염증 매개물질들의 작용과 이에 동반된 혈류 장애에 의해 중요 장기의 손상이 초래되기도 한다. 중요 장기의 손상을 동반한 패혈증을 중증 패혈증이라고 하며 일반적인 수액요법으로 혈압이 유지되지 않으면 패혈성 쇼크라고 한다. 사망률은 당연히 패혈증보다는 중증 패혈증이, 중증 패혈증보다는 패혈성 쇼크 때 증가된다.
패혈증이 조기에 수습이 되지 않으면 환자의 신체 반응은 마치 회오리바람과 같이 증폭되어 수 일 내에 사망할 수 있다. 조기에 적정 항균제의 사용과 적절한 수액요법이 이루어지면 패혈증의 진행 과정이 완화될 수 있다. 그러므로 환자의 생존율을 개선시키기 위해서는 조기 치료가 필수적이다. 의료진으로서는 조기 증상 발현 후 2시간 이내에, 늦어도 하루를 넘기지 않고 조치를 취해야 한다는 점이 어렵다. 이미 패혈증이 진행되고 나면 여러 장치들과 전문의사들이 집중치료를 잘해도 생존율을 개선시키기는 어렵다.
패혈증 여부를 진단하기 위해서는 활력 징후(Vital signs)와 혈액검사가 필요하다. 활력 징후는 의료진이 정기적으로 측정해야 하며, 혈액검사는 혈액 채취와 분석이 가능한 인프라를 필요로 한다. 따라서, 병원에서는 실시간으로 패혈증 발생 여부를 모니터링하기 어려운 문제점이 있었다. 특히 패혈증은 사회인구통계지수(sociodemographic index)가 낮은 지역에서 큰 부담으로 안고 있다. 이러한 지역은 패혈증 진단과 치료에 대한 의료 자원이 부족한 상황이기 때문이다.
한국공개특허 제10-2022-0104582호 (2022.07.26)
본 발명이 해결하고자 하는 과제는 사용자로부터 실시간으로 수집되는 시계열 기반의 생체 데이터(vital signs)를 분석하여 사용자에 대한 패혈증 발생 여부 및 패혈성 쇼크 발생 여부를 판단함으로써, 패혈증 및 패혈성 쇼크를 실시간으로 진단 및 예측할 수 있고, 전문적인 측정 장치뿐만 아니라 스마트 워치와 같은 웨어러블 디바이스를 통해 수집되는 센서 데이터를 통해서도 보다 간편하게 패혈증 및 패혈성 쇼크를 진단 및 예측할 수 있는 인공지능 기반의 생체 데이터 분석을 통한 패혈성 쇼크 조기 예측방법, 장치 및 컴퓨터프로그램을 제공하는 것이다.
본 발명이 해결하고자 하는 다른 과제는 사용자로부터 실시간으로 수집되는 생체 데이터를 분석하여 패혈증 발생이 감지되는 경우, 현재 생체 데이터를 기반으로 미래의 생체 데이터를 예측하고, 미래의 생체 데이터를 분석하여 패혈성 쇼크의 발생을 감지함으로써, 패혈성 쇼크의 발생을 조기에 예측할 수 있고, 이를 통해, 패혈증 환자의 사망률을 획기적으로 감소시킬 수 있는 인공지능 기반의 생체 데이터 분석을 통한 패혈성 쇼크 조기 예측방법, 장치 및 컴퓨터프로그램을 제공하는 것이다.
본 발명이 해결하고자 하는 과제들은 이상에서 언급된 과제로 제한되지 않으며, 언급되지 않은 또 다른 과제들은 아래의 기재로부터 통상의 기술자에게 명확하게 이해될 수 있을 것이다.
상술한 과제를 해결하기 위한 본 발명의 일 실시예에 따른 인공지능 기반의 생체 데이터 분석을 통한 패혈성 쇼크 조기 예측방법은 컴퓨팅 장치에 의해 수행되는 방법에 있어서, 사용자로부터 실시간으로 측정되는 시계열 기반의 생체 데이터를 수집하는 단계 및 인공지능 모델을 기반으로 상기 수집된 생체 데이터를 분석함에 따라 상기 사용자에 대한 패혈성 쇼크 발생을 예측하는 단계를 포함하며, 상기 패혈성 쇼크 발생을 예측하는 단계는, 상기 수집된 생체 데이터를 분석하여 상기 사용자에 대한 패혈증(Sepsis) 발생이 감지되는 경우, 상기 수집된 생체 데이터를 기반으로 예측되는 미래 일 시점에서의 생체 데이터를 분석하여 상기 미래 일 시점에서의 패혈성 쇼크(Septic shock) 발생을 조기 예측하는 단계를 포함할 수 있다.
다양한 실시예에서, 상기 미래 일 시점에서의 패혈성 쇼크 발생을 조기 예측하는 단계는, 상기 사용자로부터 제1 시점에 수집된 생체 데이터를 분석하여 상기 제1 시점에서의 상기 사용자에 대한 패혈증 발생 여부를 판단하는 단계, 상기 패혈증이 발생된 것으로 판단되는 경우, 상기 제1 시점에 수집된 생체 데이터를 기반으로 상기 제1 시점으로부터 소정의 시간이 경과한 제2 시점에서의 생체 데이터를 예측하는 단계 및 상기 예측된 제2 시점에서의 생체 데이터를 분석하여 상기 제2 시점에서의 상기 사용자에 대한 패혈성 쇼크 발생 여부를 판단하는 단계를 포함할 수 있다.
다양한 실시예에서, 상기 제1 시점에서의 상기 사용자에 대한 패혈증 발생 여부를 판단하는 단계는, 제1 인공지능 모델을 이용하여 상기 제1 시점에 수집된 생체 데이터를 분석함에 따라 상기 제1 시점에서의 상기 사용자에 대한 패혈증 발생 여부를 판단하는 단계를 포함하되, 상기 제1 인공지능 모델은, 패혈증 발생에 관한 정보가 레이블링된 복수의 생체 데이터를 학습 데이터로 하여 학습된 머신러닝 또는 딥러닝 기반의 분류 모델(Classifier)일 수 있다.
다양한 실시예에서, 상기 제2 시점에서의 생체 데이터를 예측하는 단계는, 제2 인공지능 모델을 이용하여 상기 제1 시점에 수집된 생체 데이터를 분석함에 따라 상기 제2 시점에서의 생체 데이터를 예측하는 단계를 포함하되, 상기 제2 인공지능 모델은, 패혈증 환자들로부터 수집되는 복수의 생체 데이터를 학습 데이터로 하여 학습된 딥러닝 기반의 예측 모델(Forecaster)일 수 있다.
다양한 실시예에서, 상기 제2 시점에서의 상기 사용자에 대한 패혈성 쇼크 발생 여부를 판단하는 단계는, 제3 인공지능 모델을 통해 상기 예측된 제2 시점에서의 생체 데이터를 분석하여 상기 제2 시점에서의 상기 사용자에 대한 패혈성 쇼크 발생 여부를 판단하는 단계를 포함하되, 상기 제3 인공지능 모델은, 패혈성 쇼크 발생에 관한 정보가 레이블링된 복수의 생체 데이터를 학습 데이터로 하여 학습된 머신러닝 또는 딥러닝 기반의 분류 모델(Classifier)일 수 있다.
다양한 실시예에서, 상기 학습 데이터는, 패혈성 쇼크가 발생된 시점에 대응하는 위치에 패혈성 쇼크의 발생이 레이블링된 복수의 생체 데이터를 포함하되, 상기 패혈성 쇼크가 발생된 시점은 승압제(vasopressor)의 투여 시점일 수 있다.
다양한 실시예에서, 상기 인공지능 모델은, 서로 다른 속성을 가지는 복수의 측정 장치로부터 수집되는 생체 데이터들을 측정 장치별로 분류하고, 상기 측정 장치별로 분류된 생체 데이터 각각을 학습 데이터로 하여 학습시킴에 따라 생성되는 복수의 인공지능 모델을 포함하며, 상기 복수의 인공지능 모델은, 상기 복수의 측정 장치 각각에 대응하는 가중치에 기초하여 상호 독립적으로 파인 튜닝(Fine Tuning)된 모델이며, 상기 복수의 측정 장치 각각에 대응하는 가중치는, 상기 복수의 측정 장치 각각을 통해 측정되는 센서 데이터의 정확도에 기초하여 결정되는 것일 수 있다.
다양한 실시예에서, 상기 수집된 생체 데이터는, 서로 다른 종류의 복수의 생체 데이터를 포함하며, 상기 패혈성 쇼크 발생을 예측하는 단계는, 상기 복수의 생체 데이터를 측정한 측정 장치의 종류에 기초하여 상기 복수의 생체 데이터 중 적어도 하나의 생체 데이터를 선택하고, 상기 인공지능 모델을 통해 상기 선택된 적어도 하나의 생체 데이터만을 분석하여 상기 사용자에 대한 패혈성 쇼크 발생을 예측하는 단계를 더 포함할 수 있다.
다양한 실시예에서, 상기 수집된 생체 데이터는, 서로 다른 종류의 복수의 생체 데이터를 포함하며, 상기 패혈성 쇼크 발생을 예측하는 단계는, 상기 인공지능 모델을 통해 상기 복수의 생체 데이터를 개별적으로 분석함에 따라 복수의 결과 데이터를 추출하고, 상기 추출된 복수의 결과 데이터를 이용하여 상기 사용자에 대한 패혈성 쇼크 발생을 예측하되, 상기 복수의 생체 데이터를 측정한 측정 장치의 종류에 기초하여 상기 추출된 복수의 결과 데이터 각각에 가중치를 부여하고, 상기 가중치가 부여된 복수의 결과 데이터를 이용하여 상기 사용자에 대한 패혈성 쇼크 발생을 예측하는 단계를 더 포함할 수 있다.
다양한 실시예에서, 상기 인공지능 모델은, 서로 다른 환경에서 수집되는 복수의 생체 데이터를 상황별로 분류하고, 상기 상황별로 분류된 복수의 생체 데이터 각각을 학습 데이터로 하여 학습시킴에 따라 생성되는 복수의 인공지능 모델을 포함하며, 상기 패혈성 쇼크 발생을 예측하는 단계는, 상기 사용자로부터 특정 상황에서의 생체 데이터가 수집되는 경우, 상기 복수의 인공지능 모델 중 상기 특정 상황에서 수집된 생체 데이터들을 학습 데이터로 하여 학습된 인공지능 모델을 채택하여 상기 특정 상황에서 수집된 생체 데이터를 분석함에 따라 상기 사용자에 대한 패혈성 쇼크 발생을 예측하는 단계를 더 포함할 수 있다.
삭제
상술한 과제를 해결하기 위한 본 발명의 다른 실시예에 따른 인공지능 기반의 생체 데이터 분석을 통한 패혈성 쇼크 조기 예측방법을 수행하는 컴퓨팅 장치는 프로세서, 네트워크 인터페이스, 메모리 및 상기 메모리에 로드(load) 되고, 상기 프로세서에 의해 실행되는 컴퓨터 프로그램을 포함하되, 상기 컴퓨터 프로그램은, 사용자로부터 실시간으로 측정되는 시계열 기반의 생체 데이터를 수집하는 인스트럭션(instruction), 인공지능 모델을 기반으로 상기 수집된 생체 데이터를 분석함에 따라 상기 사용자에 대한 패혈성 쇼크 발생을 예측하는 인스트럭션을 포함하며, 상기 패혈성 쇼크 발생을 예측하는 인스트럭션은, 상기 수집된 생체 데이터를 분석하여 상기 사용자에 대한 패혈증(Sepsis) 발생이 감지되는 경우, 상기 수집된 생체 데이터를 기반으로 예측되는 미래 일 시점에서의 생체 데이터를 분석하여 상기 미래 일 시점에서의 패혈성 쇼크(Septic shock) 발생을 조기 예측하는 인스트럭션을 포함할 수 있다.
상술한 과제를 해결하기 위한 본 발명의 또 다른 실시예에 따른 컴퓨팅 장치와 결합되어, 사용자로부터 실시간으로 측정되는 시계열 기반의 생체 데이터를 수집하는 단계 및 인공지능 모델을 기반으로 상기 수집된 생체 데이터를 분석함에 따라 상기 사용자에 대한 패혈성 쇼크 발생을 예측하는 단계를 포함하며, 상기 패혈성 쇼크 발생을 예측하는 단계는, 상기 수집된 생체 데이터를 분석하여 상기 사용자에 대한 패혈증(Sepsis) 발생이 감지되는 경우, 상기 수집된 생체 데이터를 기반으로 예측되는 미래 일 시점에서의 생체 데이터를 분석하여 상기 미래 일 시점에서의 패혈성 쇼크(Septic shock) 발생을 조기 예측하는 단계를 포함하는 인공지능 기반의 생체 데이터 분석을 통한 패혈성 쇼크 조기 예측방법을 실행시키기 위하여 컴퓨팅 장치로 판독 가능한 기록매체에 저장될 수 있다.
본 발명의 기타 구체적인 사항들은 상세한 설명 및 도면들에 포함되어 있다.
본 발명의 다양한 실시예에 따르면, 사용자로부터 실시간으로 수집되는 시계열 기반의 생체 데이터(vital signs)를 분석하여 사용자에 대한 패혈증 발생 여부 및 패혈성 쇼크 발생 여부를 판단함으로써, 패혈증 및 패혈성 쇼크를 실시간으로 진단 및 예측할 수 있고, 전문적인 측정 장치뿐만 아니라 스마트 워치와 같은 웨어러블 디바이스를 통해 수집되는 센서 데이터를 통해서도 보다 간편하게 패혈증 및 패혈성 쇼크를 진단 및 예측할 수 있다는 이점이 있다.
또한, 사용자로부터 실시간으로 수집되는 생체 데이터를 분석하여 패혈증 발생이 감지되는 경우, 현재 생체 데이터를 기반으로 미래의 생체 데이터를 예측하고, 미래의 생체 데이터를 분석하여 패혈성 쇼크의 발생을 감지함으로써, 패혈성 쇼크의 발생을 조기에 예측할 수 있고, 이를 통해, 패혈증 환자의 사망률을 획기적으로 감소시킬 수 있다는 이점이 있다.
본 발명의 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 인공지능 기반의 생체 데이터 분석을 통한 패혈성 쇼크 조기 예측 시스템을 도시한 도면이다.
도 2는 본 발명의 다른 실시예에 따른 인공지능 기반의 생체 데이터 분석을 통한 패혈성 쇼크 조기 예측방법을 수행하는 컴퓨팅 장치의 하드웨어 구성을 도시한 도면이다.
도 3은 본 발명의 또 다른 실시예에 따른 인공지능 기반의 생체 데이터 분석을 통한 패혈성 쇼크 조기 예측방법의 순서도이다.
도 4는 다양한 실시예에 적용 가능한 생체 데이터를 예시적으로 도시한 도면이다.
도 5는 다양한 실시예에서, 인공지능 모델을 기반으로 패혈성 쇼크 발생을 조기에 예측하는 방법을 설명하기 위한 순서도이다.
도 6 및 도 7은 다양한 실시예에서, 인공지능 모델을 통해 생체 데이터를 분석하여 결과 데이터를 도출하는 과정을 도시한 도면이다.
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.
명세서에서 사용되는 "부" 또는 “모듈”이라는 용어는 소프트웨어, FPGA 또는 ASIC과 같은 하드웨어 구성요소를 의미하며, "부" 또는 “모듈”은 어떤 역할들을 수행한다. 그렇지만 "부" 또는 “모듈”은 소프트웨어 또는 하드웨어에 한정되는 의미는 아니다. "부" 또는 “모듈”은 어드레싱할 수 있는 저장 매체에 있도록 구성될 수도 있고 하나 또는 그 이상의 프로세서들을 재생시키도록 구성될 수도 있다. 따라서, 일 예로서 "부" 또는 “모듈”은 소프트웨어 구성요소들, 객체지향 소프트웨어 구성요소들, 클래스 구성요소들 및 태스크 구성요소들과 같은 구성요소들과, 프로세스들, 함수들, 속성들, 프로시저들, 서브루틴들, 프로그램 코드의 세그먼트들, 드라이버들, 펌웨어, 마이크로 코드, 회로, 데이터, 데이터베이스, 데이터 구조들, 테이블들, 어레이들 및 변수들을 포함한다. 구성요소들과 "부" 또는 “모듈”들 안에서 제공되는 기능은 더 작은 수의 구성요소들 및 "부" 또는 “모듈”들로 결합되거나 추가적인 구성요소들과 "부" 또는 “모듈”들로 더 분리될 수 있다.
공간적으로 상대적인 용어인 "아래(below)", "아래(beneath)", "하부(lower)", "위(above)", "상부(upper)" 등은 도면에 도시되어 있는 바와 같이 하나의 구성요소와 다른 구성요소들과의 상관관계를 용이하게 기술하기 위해 사용될 수 있다. 공간적으로 상대적인 용어는 도면에 도시되어 있는 방향에 더하여 사용시 또는 동작시 구성요소들의 서로 다른 방향을 포함하는 용어로 이해되어야 한다. 예를 들어, 도면에 도시되어 있는 구성요소를 뒤집을 경우, 다른 구성요소의 "아래(below)"또는 "아래(beneath)"로 기술된 구성요소는 다른 구성요소의 "위(above)"에 놓여질 수 있다. 따라서, 예시적인 용어인 "아래"는 아래와 위의 방향을 모두 포함할 수 있다. 구성요소는 다른 방향으로도 배향될 수 있으며, 이에 따라 공간적으로 상대적인 용어들은 배향에 따라 해석될 수 있다.
본 명세서에서, 컴퓨터는 적어도 하나의 프로세서를 포함하는 모든 종류의 하드웨어 장치를 의미하는 것이고, 실시 예에 따라 해당 하드웨어 장치에서 동작하는 소프트웨어적 구성도 포괄하는 의미로서 이해될 수 있다. 예를 들어, 컴퓨터는 스마트폰, 태블릿 PC, 데스크톱, 노트북 및 각 장치에서 구동되는 사용자 클라이언트 및 애플리케이션을 모두 포함하는 의미로서 이해될 수 있으며, 또한 이에 제한되는 것은 아니다.
이하, 첨부된 도면을 참조하여 본 발명의 실시예를 상세하게 설명한다.
본 명세서에서 설명되는 각 단계들은 컴퓨터에 의하여 수행되는 것으로 설명되나, 각 단계의 주체는 이에 제한되는 것은 아니며, 실시 예에 따라 각 단계들의 적어도 일부가 서로 다른 장치에서 수행될 수도 있다.
도 1은 본 발명의 일 실시예에 따른 인공지능 기반의 생체 데이터 분석을 통한 패혈성 쇼크 조기 예측 시스템을 도시한 도면이다.
도 1을 참조하면, 본 발명의 일 실시예에 따른 인공지능 기반의 생체 데이터 분석을 통한 패혈성 쇼크 조기 예측 시스템은 컴퓨팅 장치(100), 사용자 단말(200), 외부 서버(300) 및 네트워크(400)를 포함할 수 있다.
여기서, 도 1에 도시된 인공지능 기반의 생체 데이터 분석을 통한 패혈성 쇼크 조기 예측 시스템은 일 실시예에 따른 것이고, 그 구성 요소가 도 1에 도시된 실시예에 한정되는 것은 아니며, 필요에 따라 부가, 변경 또는 삭제될 수 있다.
일 실시예에서, 컴퓨팅 장치(100)는 인공지능 기반의 생체 데이터 분석을 통한 패혈성 쇼크 조기 예측 프로세스를 수행할 수 있다.
다양한 실시예에서, 컴퓨팅 장치(100)는 사용자로부터 실시간으로 측정되는 시계열 기반의 생체 데이터를 수집하고, 인공지능 모델을 통해 생체 데이터를 분석함에 따라 사용자에 대한 패혈성 쇼크 발생을 예측할 수 있다.
여기서, 인공지능 모델은 생체 데이터를 학습 데이터로 하여 학습된 모델이며, 생체 데이터를 입력 데이터로 하여 결과 데이터로서 패혈증 여부 및 패혈성 쇼크 여부를 예측하는 모델일 수 있다.
인공지능 모델(예: 신경망)은 하나 이상의 네트워크 함수로 구성되며, 하나 이상의 네트워크 함수는 일반적으로 ‘노드’라 지칭될 수 있는 상호 연결된 계산 단위들의 집합으로 구성될 수 있다. 이러한 ‘노드’들은 ‘뉴런(neuron)’들로 지칭될 수도 있다. 하나 이상의 네트워크 함수는 적어도 하나 이상의 노드들을 포함하여 구성된다. 하나 이상의 네트워크 함수를 구성하는 노드(또는 뉴런)들은 하나 이상의 ‘링크’에 의해 상호 연결될 수 있다.
인공지능 모델 내에서, 링크를 통해 연결된 하나 이상의 노드들은 상대적으로 입력 노드 및 출력 노드의 관계를 형성할 수 있다. 입력 노드 및 출력 노드의 개념은 상대적인 것으로서, 하나의 노드에 대하여 출력 노드 관계에 있는 임의의 노드는 다른 노드와의 관계에서 입력 노드 관계에 있을 수 있으며, 그 역도 성립할 수 있다. 전술한 바와 같이, 입력 노드 대 출력 노드 관계는 링크를 중심으로 생성될 수 있다. 하나의 입력 노드에 하나 이상의 출력 노드가 링크를 통해 연결될 수 있으며, 그 역도 성립할 수 있다.
하나의 링크를 통해 연결된 입력 노드 및 출력 노드 관계에서, 출력 노드는 입력 노드에 입력된 데이터에 기초하여 그 값이 결정될 수 있다. 여기서 입력 노드와 출력 노드를 상호 연결하는 노드는 가중치(weight)를 가질 수 있다. 가중치는 가변적일 수 있으며, 인공지능 모델이 원하는 기능을 수행하기 위해, 사용자 또는 알고리즘에 의해 가변될 수 있다. 예를 들어, 하나의 출력 노드에 하나 이상의 입력 노드가 각각의 링크에 의해 상호 연결된 경우, 출력 노드는 상기 출력 노드와 연결된 입력 노드들에 입력된 값들 및 각각의 입력 노드들에 대응하는 링크에 설정된 가중치에 기초하여 출력 노드 값을 결정할 수 있다.
전술한 바와 같이, 인공지능 모델은 하나 이상의 노드들이 하나 이상의 링크를 통해 상호연결 되어 인공지능 모델 내에서 입력 노드 및 출력 노드 관계를 형성한다. 인공지능 모델 내에서 노드들과 링크들의 개수 및 노드들과 링크들 사이의 연관관계, 링크들 각각에 부여된 가중치의 값에 따라, 인공지능 모델의 특성이 결정될 수 있다. 예를 들어, 동일한 개수의 노드 및 링크들이 존재하고, 링크들 사이의 가중치 값이 상이한 두 인공지능 모델이 존재하는 경우, 두 개의 인공지능 모델들은 서로 상이한 것으로 인식될 수 있다.
인공지능 모델을 구성하는 노드들 중 일부는, 최초 입력 노드로부터의 거리들에 기초하여, 하나의 레이어(layer)를 구성할 수 있다. 예를 들어, 최초 입력 노드로부터 거리가 n인 노드들의 집합은, n 레이어를 구성할 수 있다. 최초 입력 노드로부터 거리는, 최초 입력 노드로부터 해당 노드까지 도달하기 위해 거쳐야 하는 링크들의 최소 개수에 의해 정의될 수 있다. 그러나, 이러한 레이어의 정의는 설명을 위한 임의적인 것으로서, 인공지능 모델 내에서 레이어의 차수는 전술한 것과 상이한 방법으로 정의될 수 있다. 예를 들어, 노드들의 레이어는 최종 출력 노드로부터 거리에 의해 정의될 수도 있다.
최초 입력 노드는 인공지능 모델 내의 노드들 중 다른 노드들과의 관계에서 링크를 거치지 않고 데이터가 직접 입력되는 하나 이상의 노드들을 의미할 수 있다. 또는, 인공지능 모델 네트워크 내에서, 링크를 기준으로 한 노드 간의 관계에 있어서, 링크로 연결된 다른 입력 노드들 가지지 않는 노드들을 의미할 수 있다. 이와 유사하게, 최종 출력 노드는 인공지능 모델 내의 노드들 중 다른 노드들과의 관계에서, 출력 노드를 가지지 않는 하나 이상의 노드들을 의미할 수 있다. 또한, 히든 노드는 최초 입력 노드 및 최후 출력 노드가 아닌 인공지능 모델을 구성하는 노드들을 의미할 수 있다. 본 발명의 일 실시예에 따른 인공지능 모델은 입력 레이어의 노드가 출력 레이어에 가까운 히든 레이어의 노드보다 많을 수 있으며, 입력 레이어에서 히든 레이어로 진행됨에 따라 노드의 수가 감소하는 형태의 인공지능 모델일 수 있다.
인공지능 모델은 하나 이상의 히든 레이어를 포함할 수 있다. 히든 레이어의 히든 노드는 이전의 레이어의 출력과 주변 히든 노드의 출력을 입력으로 할 수 있다. 각 히든 레이어 별 히든 노드의 수는 동일할 수도 있고 상이할 수도 있다. 입력 레이어의 노드의 수는 입력 데이터의 데이터 필드의 수에 기초하여 결정될 수 있으며 히든 노드의 수와 동일할 수도 있고 상이할 수도 있다. 입력 레이어에 입력된 입력 데이터는 히든 레이어의 히든 노드에 의하여 연산될 수 있고 출력 레이어인 완전 연결 레이어(FCL: fully connected layer)에 의해 출력될 수 있다.
다양한 실시예에서, 인공지능 모델은 딥러닝(Deep learning) 모델일 수 있다.
딥러닝 모델(예: 딥 뉴럴 네트워크(DNN: deep neural network, 심층신경망)는 입력 레이어와 출력 레이어 외에 복수의 히든 레이어를 포함하는 인공지능 모델을 의미할 수 있다. 딥 뉴럴 네트워크를 이용하면 데이터의 잠재적인 구조(latent structures)를 파악할 수 있다. 즉, 사진, 글, 비디오, 음성, 음악의 잠재적인 구조(예를 들어, 어떤 물체가 사진에 있는지, 글의 내용과 감정이 무엇인지, 음성의 내용과 감정이 무엇인지 등)를 파악할 수 있다.
딥 뉴럴 네트워크는 컨벌루셔널 뉴럴 네트워크(CNN: convolutional neural network), 리커런트 뉴럴 네트워크(RNN: recurrent neural network), 오토 인코더(auto encoder), GAN(Generative Adversarial Networks), 제한 볼츠만 머신(RBM: restricted boltzmann machine), 심층 신뢰 네트워크(DBN: deep belief network), Q 네트워크, U 네트워크, 샴 네트워크 등을 포함할 수 있으나, 이에 한정되지 않는다.
다양한 실시예에서, 컴퓨팅 장치(100)로부터 제공되는 인공지능 기반의 생체 데이터 분석을 통한 패혈성 쇼크 조기 예측 프로세스를 통한 패혈성 쇼크 조기 예측 및 알림 서비스는 애플리케이션 형태로 구현될 수 있고, 사용자들은 애플리케이션 구동이 가능한 기기들(예: 스마트폰, 웨어러블 디바이스 등)을 통해 해당 애플리케이션을 실행함에 따라 해당 기기들을 통해 컴퓨팅 장치(100)가 제공하는 패혈성 쇼크 조기 예측 및 알림 서비스를 이용할 수 있다.
다양한 실시예에서, 컴퓨팅 장치(100)는 네트워크(400)를 통해 사용자 단말(200)과 연결될 수 있으며, 사용자 단말(200)로부터 인공지능 기반의 생체 데이터 분석을 통한 패혈성 쇼크 조기 예측방법을 수행하기 위해 필요한 각종 정보(예: 사용자 정보, 사용자의 생체 데이터 등)를 수집하거나, 인공지능 기반의 생체 데이터 분석을 통한 패혈성 쇼크 조기 예측방법을 수행함에 따라 도출되는 각종 정보(예: 결과 리포트)를 제공할 수 있다.
여기서, 사용자 단말(200)은 컴퓨팅 장치(100)와 통신을 위한 메커니즘을 갖는 시스템에서의 임의의 형태의 엔티티(들)를 의미할 수 있다. 예를 들어, 이러한 사용자 단말(200)은 PC(personal computer), 노트북(note book), 모바일 단말기(mobile terminal), 스마트 폰(smart phone), 태블릿 PC(tablet pc) 및 웨어러블 디바이스(wearable device) 등을 포함할 수 있으며, 유/무선 네트워크에 접속할 수 있는 모든 종류의 단말을 포함할 수 있다. 또한, 사용자 단말(200)은 에이전트, API(Application Programming Interface) 및 플러그-인(Plug-in) 중 적어도 하나에 의해 구현되는 임의의 컴퓨팅 장치를 포함할 수도 있다. 또한, 사용자 단말(200)은 애플리케이션 소스 및/또는 클라이언트 애플리케이션을 포함할 수 있다. 또한, 사용자 단말(200)은 차량 내에 구비되는 인포테인먼트 시스템을 포함할 수 있으나, 이에 한정되지 않는다.
또한, 여기서, 네트워크(400)는 복수의 단말 및 서버들과 같은 각각의 노드 상호 간에 정보 교환이 가능한 연결 구조를 의미할 수 있다. 예를 들어, 네트워크(400)는 근거리 통신망(LAN: Local Area Network), 광역 통신망(WAN: Wide Area Network), 인터넷(WWW: World Wide Web), 유무선 데이터 통신망, 전화망, 유무선 텔레비전 통신망, CAN(Controller Area Network) 및 이더넷(Ethernet) 등을 포함할 수 있다.
무선 데이터 통신망은 3G, 4G, 5G, 3GPP(3rd Generation Partnership Project), 5GPP(5th Generation Partnership Project), LTE(Long Term Evolution), WIMAX(World Interoperability for Microwave Access), 와이파이(Wi-Fi), 인터넷(Internet), LAN(Local Area Network), Wireless LAN(Wireless Local Area Network), WAN(Wide Area Network), PAN(Personal Area Network), RF(Radio Frequency), 블루투스(Bluetooth) 네트워크, NFC(Near-Field Communication) 네트워크, 위성 방송 네트워크, 아날로그 방송 네트워크, DMB(Digital Multimedia Broadcasting) 네트워크 등을 포함할 수 있으나, 이에 한정되지는 않는다.
일 실시예에서, 외부 서버(300)는 네트워크(400)를 통해 컴퓨팅 장치(100)와 연결될 수 있으며, 컴퓨팅 장치(100)가 인공지능 기반의 생체 데이터 분석을 통한 패혈성 쇼크 조기 예측방법을 수행하기 위해 필요한 각종 정보 및 데이터를 저장 및 관리하거나, 컴퓨팅 장치(100)가 인공지능 기반의 생체 데이터 분석을 통한 패혈성 쇼크 조기 예측방법을 수행함에 따라 도출되는 각종 정보 및 데이터를 수집하여 저장 및 관리할 수 있다. 예컨대, 외부 서버(300)는 컴퓨팅 장치(100)의 외부에 별도로 구비되는 저장 서버일 수 있으나, 이에 한정되지 않는다. 이하, 도 2를 참조하여 인공지능 기반의 생체 데이터 분석을 통한 패혈성 쇼크 조기 예측방법을 수행하는 컴퓨팅 장치(100)의 하드웨어 구성에 대해 설명하도록 한다.
도 2는 본 발명의 다른 실시예에 따른 인공지능 기반의 생체 데이터 분석을 통한 패혈성 쇼크 조기 예측방법을 수행하는 컴퓨팅 장치의 하드웨어 구성을 도시한 도면이다.
도 2를 참조하면, 다양한 실시예에서, 컴퓨팅 장치(100)는 하나 이상의 프로세서(110), 프로세서(110)에 의하여 수행되는 컴퓨터 프로그램(151)을 로드(Load)하는 메모리(120), 버스(130), 통신 인터페이스(140) 및 컴퓨터 프로그램(151)을 저장하는 스토리지(150)를 포함할 수 있다. 여기서, 도 2에는 본 발명의 실시예와 관련 있는 구성요소들만 도시되어 있다. 따라서, 본 발명이 속한 기술분야의 통상의 기술자라면 도 2에 도시된 구성요소들 외에 다른 범용적인 구성 요소들이 더 포함될 수 있음을 알 수 있다.
프로세서(110)는 컴퓨팅 장치(100)의 각 구성의 전반적인 동작을 제어한다. 프로세서(110)는 CPU(Central Processing Unit), MPU(Micro Processor Unit), MCU(Micro Controller Unit), GPU(Graphic Processing Unit) 또는 본 발명의 기술 분야에 잘 알려진 임의의 형태의 프로세서를 포함하여 구성될 수 있다.
또한, 프로세서(110)는 본 발명의 실시예들에 따른 방법을 실행하기 위한 적어도 하나의 애플리케이션 또는 프로그램에 대한 연산을 수행할 수 있으며, 컴퓨팅 장치(100)는 하나 이상의 프로세서를 구비할 수 있다.
다양한 실시예에서, 프로세서(110)는 프로세서(110) 내부에서 처리되는 신호(또는, 데이터)를 일시적 및/또는 영구적으로 저장하는 램(RAM: Random Access Memory, 미도시) 및 롬(ROM: Read-Only Memory, 미도시)을 더 포함할 수 있다. 또한, 프로세서(110)는 그래픽 처리부, 램 및 롬 중 적어도 하나를 포함하는 시스템온칩(SoC: system on chip) 형태로 구현될 수 있다.
메모리(120)는 각종 데이터, 명령 및/또는 정보를 저장한다. 메모리(120)는 본 발명의 다양한 실시예에 따른 방법/동작을 실행하기 위하여 스토리지(150)로부터 컴퓨터 프로그램(151)을 로드할 수 있다. 메모리(120)에 컴퓨터 프로그램(151)이 로드되면, 프로세서(110)는 컴퓨터 프로그램(151)을 구성하는 하나 이상의 인스트럭션들을 실행함으로써 상기 방법/동작을 수행할 수 있다. 메모리(120)는 RAM과 같은 휘발성 메모리로 구현될 수 있을 것이나, 본 개시의 기술적 범위가 이에 한정되는 것은 아니다.
버스(130)는 컴퓨팅 장치(100)의 구성 요소 간 통신 기능을 제공한다. 버스(130)는 주소 버스(address Bus), 데이터 버스(Data Bus) 및 제어 버스(Control Bus) 등 다양한 형태의 버스로 구현될 수 있다.
통신 인터페이스(140)는 컴퓨팅 장치(100)의 유무선 인터넷 통신을 지원한다. 또한, 통신 인터페이스(140)는 인터넷 통신 외의 다양한 통신 방식을 지원할 수도 있다. 이를 위해, 통신 인터페이스(140)는 본 발명의 기술 분야에 잘 알려진 통신 모듈을 포함하여 구성될 수 있다. 몇몇 실시예에서, 통신 인터페이스(140)는 생략될 수도 있다.
스토리지(150)는 컴퓨터 프로그램(151)을 비 임시적으로 저장할 수 있다. 컴퓨팅 장치(100)를 통해 인공지능 기반의 생체 데이터 분석을 통한 패혈성 쇼크 조기 예측 프로세스를 수행하는 경우, 스토리지(150)는 인공지능 기반의 생체 데이터 분석을 통한 패혈성 쇼크 조기 예측 프로세스를 제공하기 위하여 필요한 각종 정보를 저장할 수 있다.
스토리지(150)는 ROM(Read Only Memory), EPROM(Erasable Programmable ROM), EEPROM(Electrically Erasable Programmable ROM), 플래시 메모리 등과 같은 비휘발성 메모리, 하드 디스크, 착탈형 디스크, 또는 본 발명이 속하는 기술 분야에서 잘 알려진 임의의 형태의 컴퓨터로 읽을 수 있는 기록 매체를 포함하여 구성될 수 있다.
컴퓨터 프로그램(151)은 메모리(120)에 로드될 때 프로세서(110)로 하여금 본 발명의 다양한 실시예에 따른 방법/동작을 수행하도록 하는 하나 이상의 인스트럭션들을 포함할 수 있다. 즉, 프로세서(110)는 상기 하나 이상의 인스트럭션들을 실행함으로써, 본 발명의 다양한 실시예에 따른 상기 방법/동작을 수행할 수 있다.
일 실시예에서, 컴퓨터 프로그램(151)은 사용자로부터 실시간으로 측정되는 시계열 기반의 생체 데이터를 수집하는 단계 및 인공지능 모델을 기반으로 수집된 생체 데이터를 분석함에 따라 사용자에 대한 패혈성 쇼크 발생을 예측하는 단계를 포함하는 인공지능 기반의 생체 데이터 분석을 통한 패혈성 쇼크 조기 예측방법을 수행하도록 하는 하나 이상의 인스트럭션을 포함할 수 있다.
본 발명의 실시예와 관련하여 설명된 방법 또는 알고리즘의 단계들은 하드웨어로 직접 구현되거나, 하드웨어에 의해 실행되는 소프트웨어 모듈로 구현되거나, 또는 이들의 결합에 의해 구현될 수 있다. 소프트웨어 모듈은 RAM(Random Access Memory), ROM(Read Only Memory), EPROM(Erasable Programmable ROM), EEPROM(Electrically Erasable Programmable ROM), 플래시 메모리(Flash Memory), 하드 디스크, 착탈형 디스크, CD-ROM, 또는 본 발명이 속하는 기술 분야에서 잘 알려진 임의의 형태의 컴퓨터 판독가능 기록매체에 상주할 수도 있다.
본 발명의 구성 요소들은 하드웨어인 컴퓨터와 결합되어 실행되기 위해 프로그램(또는 애플리케이션)으로 구현되어 매체에 저장될 수 있다. 본 발명의 구성 요소들은 소프트웨어 프로그래밍 또는 소프트웨어 요소들로 실행될 수 있으며, 이와 유사하게, 실시 예는 데이터 구조, 프로세스들, 루틴들 또는 다른 프로그래밍 구성들의 조합으로 구현되는 다양한 알고리즘을 포함하여, C, C++, 자바(Java), 어셈블러(assembler) 등과 같은 프로그래밍 또는 스크립팅 언어로 구현될 수 있다. 기능적인 측면들은 하나 이상의 프로세서들에서 실행되는 알고리즘으로 구현될 수 있다. 이하, 도 3을 참조하여, 컴퓨팅 장치(100)에 의해 수행되는 인공지능 기반의 생체 데이터 분석을 통한 패혈성 쇼크 조기 예측방법에 대해 보다 구체적으로 설명하도록 한다.
도 3은 본 발명의 또 다른 실시예에 따른 인공지능 기반의 생체 데이터 분석을 통한 패혈성 쇼크 조기 예측방법의 순서도이다.
도 3을 참조하면, S110 단계에서, 컴퓨팅 장치(100)는 사용자로부터 측정되는 생체 데이터를 수집할 수 있다.
다양한 실시예에서, 컴퓨팅 장치(100)는 네트워크(400)를 통해 측정 장치와 연결될 수 있으며 측정 장치를 통해 측정되는 사용자의 생체 데이터를 수집할 수 있다.
여기서, 사용자의 생체 데이터는 측정 장치를 통해 사용자로부터 실시간으로 측정되는 시계열 기반의 생체 데이터(예: 도 4)일 수 있다. 예컨대, 사용자의 생체 데이터는 사용자의 쇼크지수(Shock Index, SI), 호흡 수(Respiration, Rr), 경피적산소포화도(Saturation of percutaneous oxygen, SpO2), 체온 값(Temperature, Temp), 심박수(Heart rate, Hr) 및 평균동맥압(Mean arterial pressure, MAP) 중 적어도 하나를 포함할 수 있으나, 이에 한정되지 않고, 사용자에 대한 상태를 파악할 수 있는 가능한 다양한 생체 데이터들이 적용될 수 있다.
또한, 여기서, 사용자의 생체 데이터를 측정하는 측정 장치는 서로 다른 종류의 생체 데이터를 측정하기 위한 복수의 센서가 포함된 의료기기 또는 복수의 센서 각각을 포함하는 복수의 의료기기일 수 있으나, 이에 한정되지 않고, 측정 장치는 사용자 단말(200)(예: 사용자의 모바일, 웨어러블 디바이스나 사용자가 탑승한 차량의 인포테인먼트 시스템)과 같이 사용자의 생체 데이터를 측정할 수 있는 어떠한 구성요소든 적용이 가능하다.
다양한 실시예에서, 컴퓨팅 장치(100)는 패혈성 쇼크의 발생을 예측하고자 하는 사용자를 담당하는 의료진으로부터 사용자에 대한 생체 데이터를 직접 입력받을 수 있다. 그러나, 이에 한정되지 않고, 사용자에 대한 생체 데이터를 수집하는 다양한 방법에 적용될 수 있다.
다양한 실시예에서, 컴퓨팅 장치(100)는 사전에 설정된 주기(예: 1시간)마다 사용자의 생체 데이터를 수집할 수 있다. 여기서, 사전에 설정되는 주기는 사용자의 패혈증 발생 이력 및/또는 패혈성 쇼크 발생 이력에 기초하여 결정되는 것일 수 있으나, 이에 한정되지 않는다.
S120 단계에서, 컴퓨팅 장치(100)는 S110 단계를 거쳐 수집된 생체 데이터를 분석하여 사용자에 대한 패혈성 쇼크 발생을 예측할 수 있다.
일반적으로, 패혈성 쇼크는 패혈증이 발생하고 진행되는 과정에서 혈압이 급격하게 떨어짐에 따라 발생되는 것 즉, 패혈성 쇼크가 발생하기 이전에 패혈증이 먼저 발생 및 진행되는 바, 컴퓨팅 장치(100)는 이러한 점을 고려하여 사용자의 생체 데이터를 분석하여 패혈증 발생 여부를 우선적으로 예측할 수 있고, 패혈증이 발생된 것으로 판단되는 경우 패혈성 쇼크의 발생 여부를 예측할 수 있다.
다양한 실시예에서, 컴퓨팅 장치(100)는 기 학습된 인공지능 모델을 통해 현재 시점에서의 생체 데이터를 분석함으로써 사용자에 대한 패혈증 발생을 감지할 수 있고, 사용자에 대한 패혈증 발생이 감지되는 경우, 현재 시점에서의 생체 데이터를 기반으로 예측되는 미래 시점의 생체 데이터를 분석하여 미래 일 시점에서의 패혈성 쇼크 발생을 조기에 예측할 수 있다. 이하, 도 5 내지 도 7을 참조하여, 인공지능 모델을 통해 수행되는 패혈성 쇼크 조기 예측 방법에 대해 보다 구체적으로 설명하도록 한다.
도 5는 다양한 실시예에서, 인공지능 모델을 기반으로 패혈성 쇼크 발생을 조기에 예측하는 방법을 설명하기 위한 순서도이며, 도 6 및 도 7은 다양한 실시예에서, 인공지능 모델을 통해 생체 데이터를 분석하여 결과 데이터를 도출하는 과정을 도시한 도면이다.
도 5 내지 도 7을 참조하면, S210 단계에서, 컴퓨팅 장치(100)는 사용자로부터 제1 시점(예: 현재 시점)에 생체 데이터가 수집되는 경우, 제1 시점에 수집된 생체 데이터를 분석하여 제1 시점에서의 패혈증 발생 여부를 판단할 수 있다.
다양한 실시예에서, 컴퓨팅 장치(100)는 제1 인공지능 모델(10)을 이용하여 제1 시점에 수집된 생체 데이터를 분석함으로써, 제1 시점에서의 패혈증 발생 여부를 판단할 수 있다.
여기서, 제1 인공지능 모델(10)은 패혈증 발생에 관한 정보가 레이블링된 복수의 생체 데이터를 학습 데이터로 하여 학습된 모델로, 특정 생체 데이터를 입력 데이터로 하여 결과 데이터로서 패혈증 발생 여부를 출력하는 모델일 수 있다.
또한, 여기서, 제1 인공지능 모델(10)은 머신러닝 또는 딥러닝 기반의 분류 모델(Classifier)일 수 있으며, 생체 데이터를 분석하여, 사용자를 사전에 정의된 복수의 그룹(예: 정상 그룹, 경증 패혈증 그룹 및 중증 패혈증 그룹) 중 어느 하나의 그룹으로 분류하는 모델일 수 있으나, 이에 한정되지 않는다.
다양한 실시예에서, 컴퓨팅 장치(100)는 사용자로부터 서로 다른 종류의 복수의 센서 데이터가 수집되는 경우, 제1 인공지능 모델(10)을 통해 복수의 센서 데이터 각각을 개별적으로 분석하여 복수의 결과 데이터를 추출할 수 있고, 추출된 복수의 결과 데이터를 종합하여 제1 시점에서의 패혈증 발생 여부를 판단할 수 있다. 예컨대, 컴퓨팅 장치(100)는 제1 인공지능 모델(10)을 통해 사용자로부터 수집된 쇼크지수, 호흡 수, 경피적산소포화도, 체온 값, 심박수 및 평균동맥압 각각을 분석함에 따라 6개의 결과 데이터를 획득할 수 있고, 6개의 결과를 취합(예: hard voting 또는 soft voting)하여 최종적인 패혈증 발생 여부를 판단할 수 있다. 그러나, 이에 한정되지 않는다.
S220 단계에서, 컴퓨팅 장치(100)는 S210 단계를 거쳐 패혈증이 발생된 것으로 판단되는 경우, 제2 시점에서의 생체 데이터를 예측할 수 있다.
여기서, 제2 시점은 현재 시점인 제1 시점으로부터 소정의 시간이 경과한 미래의 시점을 의미할 수 있다. 예컨대, 제2 시점은 현재 시점을 기준으로 3시간 내지 4시간이 경과한 시점일 수 있으나, 이에 한정되지 않는다.
다양한 실시예에서, 컴퓨팅 장치(100)는 제2 인공지능 모델(20)을 이용하여 제1 시점에 수집된 생체 데이터를 분석함에 따라 제2 시점에서의 생체 데이터를 예측할 수 있다.
여기서, 제2 인공지능 모델(20)은 패혈증 환자들로부터 수집되는 복수의 생체 데이터를 학습 데이터로 하여 학습된 모델로 특정 시점의 생체 데이터를 입력 데이터로 하여 특정 시점으로부터 소정의 시간이 경과한 시점의 생체 데이터를 출력하는 모델일 수 있다.
또한, 제2 인공지능 모델(20)은 딥러닝 기반의 예측 모델(Forecaster)일 수 있으나, 이에 한정되지 않는다.
다양한 실시예에서, 컴퓨팅 장치(100)는 사용자로부터 서로 다른 종류의 복수의 센서 데이터가 수집되는 경우, 제2 인공지능 모델(20)을 통해 복수의 센서 데이터 각각을 개별적으로 분석함으로써, 제1 시점에서의 복수의 센서 데이터 각각에 대응하는 제2 시점에서의 복수의 센서 데이터를 예측할 수 있다. 그러나, 이에 한정되지 않는다.
한편, 컴퓨팅 장치(100)는 S210 단계를 거쳐 패혈증이 발생되지 않은 것으로 판단되는 경우, 인공지능 기반의 생체 데이터 분석을 통한 패혈성 쇼크 조기 예측 프로세스의 동작을 종료할 수 있다.
S230 단계에서, 컴퓨팅 장치(100)는 S220 단계를 거쳐 예측된 생체 데이터 즉, 제2 시점에서의 생체 데이터를 분석하여 제2 시점에서의 사용자에 대한 패혈성 쇼크 발생 여부를 판단할 수 있다.
다양한 실시예에서, 컴퓨팅 장치(100)는 제3 인공지능 모델(30)을 통해 제2 시점에서의 생체 데이터를 분석함으로써, 제2 시점에서의 사용자에 대한 패혈성 쇼크 발생 여부를 판단할 수 있다.
여기서, 제3 인공지능 모델(30)은 패혈성 쇼크 발생에 관한 정보가 레이블링된 복수의 생체 데이터를 학습 데이터로 하여 학습된 모델로, 특정 생체 데이터를 입력 데이터로 하여 결과 데이터로서 패혈성 쇼크 발생 여부를 출력하는 모델일 수 있다. 예컨대, 제3 인공지능 모델(30)은 패혈성 쇼크가 발생된 시점에 대응하는 위치에 패혈성 쇼크의 발생이 레이블링된 복수의 생체 데이터를 학습 데이터로 하여 학습된 모델일 수 있다.
여기서, 제3 인공지능 모델(30)의 학습 데이터로서 사용되는 생체 데이터에는 패혈성 쇼크가 발생된 시점에 대한 레이블링 작업이 필요한데, 패혈성 쇼크가 발생된 시점이 다소 모호한 시간 기준이기 때문에 해당 시점을 정확하게 특정하는 것이 어렵다는 문제가 있으며, 이러한 학습 데이터를 이용하여 학습된 제3 인공지능 모델(30)의 성능이 떨어질 수 있다는 문제가 있다.
통상적으로, 패혈성 쇼크는 패혈증이 진행되는 과정에서 혈압이 급격하게 낮아짐에 따라 발생되는 것인 바, 패혈성 쇼크가 발생하는 경우 승압제를 즉시 투여하는 것이 기본이라는 점을 고려하여, 학습 데이터 생성 시 패혈성 쇼크가 발생된 시점을 승압제(vasopressor)의 투여 시점으로 설정함으로써, 보다 정확한 학습 데이터 세트를 구축할 수 있고, 이를 통해 보다 신뢰도 높은 제3 인공지능 모델(30)을 구축할 수 있다.
또한, 여기서, 제3 인공지능 모델(30)은 머신러닝 또는 딥러닝 기반의 분류 모델(Classifier)일 수 있으며, 생체 데이터를 분석하여, 사용자를 사전에 정의된 복수의 그룹(예: 정상 그룹, 주의 그룹 및 위험 그룹) 중 어느 하나의 그룹으로 분류하는 모델일 수 있으나, 이에 한정되지 않는다.
다양한 실시예에서, 컴퓨팅 장치(100)는 제2 인공지능 모델(20)을 통해, 서로 다른 종류의 복수의 센서 데이터 각각에 대응하는 복수의 센서 데이터가 예측되는 경우, 제3 인공지능 모델(30)을 통해 복수의 센서 데이터 각각을 개별적으로 분석하여 복수의 결과 데이터를 추출할 수 있고, 추출된 복수의 결과 데이터를 종합하여 제2 시점에서의 패혈성 쇼크 발생 여부를 판단할 수 있다. 예컨대, 컴퓨팅 장치(100)는 제2 인공지능 모델(20)을 통해 예측된 쇼크지수, 호흡 수, 경피적산소포화도, 체온 값, 심박수 및 평균동맥압 각각을 분석함에 따라 6개의 결과 데이터를 획득할 수 있고, 6개의 결과를 취합(예: hard voting 또는 soft voting)하여 최종적인 패혈성 쇼크 발생 여부를 판단할 수 있다. 그러나, 이에 한정되지 않는다.
다양한 실시예에서, 컴퓨팅 장치(100)는 사전에 구축된 복수의 인공지능 모델 중 사용자로부터 생체 데이터를 측정한 측정 장치에 대응하는 인공지능 모델을 선택하고, 선택된 인공지능 모델을 분석하여 사용자의 생체 데이터를 분석함으로써, 사용자에 대한 패혈성 쇼크 발생 여부를 판단할 수 있다.
통상적으로, 생체 데이터를 측정하는 전문적인 의료기기의 경우 비교적 신뢰도 높은 센서 데이터를 획득할 수 있는데 반해, 웨어러블 디바이스의 경우 웨어러블 디바이스의 성능, 사용자의 상태, 상황 및 자세 등 다양한 요소들로 인해 의료기기 대비 상대적으로 신뢰도 낮은 센서 데이터가 수집될 수 있다.
또한, 같은 종류의 측정 장치라 하더라도, 그 측정 장치의 속성(예컨대, 웨어러블 디바이스의 경우, 웨어러블 디바이스의 버전, 브랜드 등)에 따라 센서별 정확도 및 신뢰도가 상이하다.
또한, 경우에 따라, 패혈증 발생 여부 및 패혈성 쇼크 발생 여부를 판단하는 과정에서 필요한 생체 데이터 중 일부 생체 데이터만 제한적으로 수집이 가능한 측정 장치도 존재한다.
이러한 점을 고려하여, 컴퓨팅 장치(100)는 사전에 서로 다른 속성을 가지는 복수의 측정 장치 각각에 대응하는 복수의 인공지능 모델을 개별적으로 마련해두고, 사용자로부터 생체 데이터를 수집하는 측정 장치에 대응하는 인공지능 모델을 채택하여 사용자에 대한 패혈증 발생 여부 및 패혈성 쇼크 발생 여부를 판단할 수 있다.
보다 구체적으로, 먼저, 컴퓨팅 장치(100)는 서로 다른 속성을 가지는 복수의 측정 장치로부터 수집되는 생체 데이터들을 측정 장치별로 분류하고, 측정 장치별로 분류된 생체 데이터 각각을 학습 데이터로 하여 서로 다른 모델을 학습시킴에 따라 복수의 측정 장치 각각에 대응하는 복수의 인공지능 모델을 사전에 구축할 수 있다.
이때, 복수의 인공지능 모델은 복수의 측정 장치 각각에 대응하는 가중치에 기초하여 상호 독립적으로 파인 튜닝(Fine Tuning)된 모델일 수 있다.
여기서, 복수의 측정 장치 각각에 대응하는 가중치는 복수의 측정 장치 각각을 통해 측정되는 센서 데이터의 정확도에 기초하여 결정될 수 있다. 예컨대, 컴퓨팅 장치(100)는 서로 다른 종류의 생체 데이터 중 정확도가 상대적으로 높은 생체 데이터에 대하여 정확도가 상대적으로 낮은 생체 데이터 대비 높은 가중치를 부여할 수 있으나, 이에 한정되지 않는다.
이후, 컴퓨팅 장치(100)는 특정 측정 장치를 통해 생체 데이터가 수집되는 경우, 복수의 인공지능 모델 중 특정 측정 장치에 대응하는 인공지능 모델을 채택하여 생체 데이터를 분석하여 사용자에 대한 패혈증 발생 여부 및 패혈성 쇼크 발생 여부를 판단함으로써, 보다 정확한 결과를 도출할 수 있다.
다양한 실시예에서, 컴퓨팅 장치(100)는 사용자로부터 서로 다른 종류의 복수의 생체 데이터가 획득되는 경우, 인공지능 모델을 통해 복수의 생체 데이터를 분석함에 따라 사용자에 대한 패혈증 발생 여부 및 패혈성 쇼크 발생 여부를 판단하되, 복수의 생체 데이터를 측정한 측정 장치의 종류에 기초하여 복수의 생체 데이터 중 적어도 하나의 생체 데이터를 선택하고, 인공지능 모델을 통해 선택된 적어도 하나의 생체 데이터만을 분석하여 사용자에 대한 패혈성 쇼크 발생을 예측할 수 있다.
예컨대, 컴퓨팅 장치(100)는 사전에 측정 장치별 생체 데이터 수집 성능에 기초하여, 측정 장치별로 정확도가 높은 생체 데이터 종류를 사전에 정의할 수 있으며, 특정 측정 장치로부터 복수의 생체 데이터가 수집되는 경우, 특정 측정 장치에 대하여 사전에 설정된 생체 데이터 종류 즉, 특정 측정 장치로부터 수집된 복수의 생체 데이터 중 정확도가 높은 종류의 생체 데이터만을 선택적으로 분석하여 사용자에 대한 패혈증 발생 여부 및 패혈성 쇼크 발생 여부를 판단함으로써, 보다 정확한 결과가 도출되도록 할 수 있다.
다양한 실시예에서, 컴퓨팅 장치(100)는 사용자로부터 서로 다른 종류의 복수의 생체 데이터가 획득되는 경우, 인공지능 모델을 통해 복수의 생체 데이터 각각을 분석하여 복수의 결과 데이터를 추출하고, 복수의 결과 데이터를 취합하여 사용자에 대한 패혈증 발생 여부 및 패혈성 쇼크 발생 여부를 판단하되, 복수의 생체 데이터를 측정한 측정 장치의 종류에 기초하여 복수의 결과 데이터 각각에 가중치를 부여하고, 가중치가 부여된 복수의 결과 데이터를 이용하여 사용자에 대한 패혈증 발생 여부 및 패혈성 쇼크 발생 여부를 판단할 수 있다. 예컨대, 컴퓨팅 장치(100)는 복수의 생체 데이터를 측정한 측정 장치의 종류에 기초하여 정확도가 낮은 생체 데이터로부터 도출된 결과 데이터 대비 정확도가 높은 생체 데이터로부터 도출된 결과 데이터에 더 큰 가중치를 부여함으로써, 보다 정확한 결과가 도출되도록 할 수 있다.
다양한 실시예에서, 컴퓨팅 장치(100)는 사전에 구축된 복수의 인공지능 모델 중 사용자로부터 생체 데이터를 측정할 당시의 사용자의 상황에 대응하는 인공지능 모델을 선택하고, 선택된 인공지능 모델을 분석하여 사용자의 생체 데이터를 분석함으로써, 사용자에 대한 패혈성 쇼크 발생 여부를 판단할 수 있다.
보다 구체적으로, 먼저, 컴퓨팅 장치(100)는 서로 다른 환경에서 수집되는 복수의 생체 데이터를 상황별로 분류(예컨대, 운전 중, 일상생활 중, 운동 중, 명상(부동자세) 중 등)하고, 상황별로 분류된 복수의 생체 데이터 각각을 학습 데이터로 하여 서로 다른 모델을 학습시킴에 따라 서로 다른 복수의 상황 각각에 대응하는 복수의 인공지능 모델을 사전에 구축할 수 있다.
이때, 복수의 인공지능 모델은 서로 다른 복수의 상황 각각에 대응하는 가중치에 기초하여 상호 독립적으로 파인 튜닝된 모델일 수 있으며, 여기서의 가중치는 상황별 생체 데이터 수집 정확도에 기초하여 결정되는 것일 수 있다.
이후, 컴퓨팅 장치(100)는 사용자로부터 특정 상황에서의 생체 데이터가 수집되는 경우, 복수의 인공지능 모델 중 특정 상황에 대응하는 인공지능 모델을 채택하여 생체 데이터를 분석하여 사용자에 대한 패혈증 발생 여부 및 패혈성 쇼크 발생 여부를 판단함으로써, 보다 정확한 결과를 도출할 수 있다. 예컨대, 사용자가 운전 중인 상태에서 생체 데이터가 수집되는 경우, 운전 중인 상황에서 수집된 생체 데이터들을 학습 데이터로 하여 학습된 인공지능 모델을 통해 사용자의 생체 데이터를 분석함으로써, 운전 중인 사용자에 대한 패혈증 발생 여부 및 패혈성 쇼크 발생 여부를 보다 정확하게 판단할 수 있다.
다양한 실시예에서, 컴퓨팅 장치(100)는 사용자에 대한 생체 데이터 분석을 수행함에 따라 사용자에 대한 패혈성 쇼크 발생이 예측되는 경우, 사용자에게 패혈성 쇼크 발생에 대응하는 알림을 제공할 수 있다.
이때, 알림의 속성(예: 크기, 종류, 주기, 횟수, 제공 범위 등)은 사용자에 대하여 예측된 패혈성 쇼크 발생의 가능성에 기초하여 결정되는 것일 수 있다.
일례로, 컴퓨팅 장치(100)는 인공지능 모델을 통해 생체 데이터를 분석함에 따라 도출되는 결과 데이터에 기초하여, 사용자에게 패혈성 쇼크 발생 확률을 산출할 수 있고, 산출된 확률에 따라 사용자를 정상 등급, 주의 등급 또는 위험 등급으로 분류할 수 있으며, 사용자가 정상 등급인 경우 별도의 알림을 제공하지 않을 수 있고, 사용자가 주의 등급일 경우 제1 크기의 알림을 사용자에게 제1 주기마다 제공할 수 있으며, 사용자가 위험 등급일 경우 제1 크기 보다 큰 제2 크기의 알림을 사용자 뿐만 아니라 사용자에 대하여 사전에 등록된 보호자(예: 가족, 담당 의료인 등)에게도 제1 주기보다 짧은 제2 주기마다 제공할 수 있다.
다른 예로, 컴퓨팅 장치(100)는 인공지능 모델을 통해 운전 중인 사용자의 생체 데이터를 분석함에 따라 사용자가 정상 등급으로 분류되는 경우 별도의 알림을 제공하지 않을 수 있고, 사용자가 주의 등급으로 분류되는 경우 사용자의 모바일로 알림을 제공할 수 있으며, 사용자가 위험 등급으로 분류되는 경우 사용자의 모바일, 차량의 인포테인먼트 시스템뿐만 아니라 차량에 함께 탑승한 동승자들의 모바일을 통해서도 알림을 제공할 수 있다.
다양한 실시예에서, 컴퓨팅 장치(100)는 제4 인공지능 모델(40)을 통해 제1 인공지능 모델(10), 제2 인공지능 모델(20) 및 제3 인공지능 모델(30)을 통해 도출된 결과에 대응하는 결과 리포트를 생성할 수 있고, 이를 사용자에게 제공할 수 있다.
삭제
전술한 인공지능 기반의 생체 데이터 분석을 통한 패혈성 쇼크 조기 예측방법은 도면에 도시된 순서도를 참조하여 설명하였다. 간단한 설명을 위해 인공지능 기반의 생체 데이터 분석을 통한 패혈성 쇼크 조기 예측방법은 일련의 블록들로 도시하여 설명하였으나, 본 발명은 상기 블록들의 순서에 한정되지 않고, 몇몇 블록들은 본 명세서에 도시되고 시술된 것과 상이한 순서로 수행되거나 또는 동시에 수행될 수 있다. 또한, 본 명세서 및 도면에 기재되지 않은 새로운 블록이 추가되거나, 일부 블록이 삭제 또는 변경된 상태로 수행될 수 있다.
이상, 첨부된 도면을 참조로 하여 본 발명의 실시예를 설명하였지만, 본 발명이 속하는 기술분야의 통상의 기술자는 본 발명이 그 기술적 사상이나 필수적인 특징을 변경하지 않고서 다른 구체적인 형태로 실시될 수 있다는 것을 이해할 수 있을 것이다. 그러므로, 이상에서 기술한 실시예들은 모든 면에서 예시적인 것이며, 제한적이 아닌 것으로 이해해야만 한다.
100 : 컴퓨팅 장치
200 : 사용자 단말
300 : 외부 서버
400 : 네트워크

Claims (13)

  1. 컴퓨팅 장치에 의해 수행되는 방법에 있어서,
    사용자로부터 실시간으로 측정되는 시계열 기반의 생체 데이터를 수집하는 단계; 및
    인공지능 모델을 기반으로 상기 수집된 생체 데이터를 분석함에 따라 상기 사용자에 대한 패혈성 쇼크 발생을 예측하는 단계를 포함하며,
    상기 인공지능 모델은,
    서로 다른 환경에서 수집되는 복수의 생체 데이터를 상황별로 분류하고, 상기 상황별로 분류된 복수의 생체 데이터 각각을 학습 데이터로 하여 학습시킴에 따라 생성되는 복수의 인공지능 모델을 포함하고,
    상기 패혈성 쇼크 발생을 예측하는 단계는,
    상기 수집된 생체 데이터를 분석하여 상기 사용자에 대한 패혈증(Sepsis) 발생이 감지되는 경우, 상기 수집된 생체 데이터를 기반으로 예측되는 미래 일 시점에서의 생체 데이터를 분석하여 상기 미래 일 시점에서의 패혈성 쇼크(Septic shock) 발생을 조기 예측하는 단계; 및
    상기 사용자로부터 특정 상황에서의 생체 데이터가 수집되는 경우, 상기 복수의 인공지능 모델 중 상기 특정 상황에서 수집된 생체 데이터들을 학습 데이터로 하여 학습된 인공지능 모델을 채택하여 상기 특정 상황에서 수집된 생체 데이터를 분석함에 따라 상기 사용자에 대한 패혈성 쇼크 발생을 예측하는 단계를 포함하는,
    인공지능 기반의 생체 데이터 분석을 통한 패혈성 쇼크 조기 예측방법.
  2. 제1항에 있어서,
    상기 미래 일 시점에서의 패혈성 쇼크 발생을 조기 예측하는 단계는,
    상기 사용자로부터 제1 시점에 수집된 생체 데이터를 분석하여 상기 제1 시점에서의 상기 사용자에 대한 패혈증 발생 여부를 판단하는 단계;
    상기 패혈증이 발생된 것으로 판단되는 경우, 상기 제1 시점에 수집된 생체 데이터를 기반으로 상기 제1 시점으로부터 소정의 시간이 경과한 제2 시점에서의 생체 데이터를 예측하는 단계; 및
    상기 예측된 제2 시점에서의 생체 데이터를 분석하여 상기 제2 시점에서의 상기 사용자에 대한 패혈성 쇼크 발생 여부를 판단하는 단계를 포함하는,
    인공지능 기반의 생체 데이터 분석을 통한 패혈성 쇼크 조기 예측방법.
  3. 제2항에 있어서,
    상기 제1 시점에서의 상기 사용자에 대한 패혈증 발생 여부를 판단하는 단계는,
    제1 인공지능 모델을 이용하여 상기 제1 시점에 수집된 생체 데이터를 분석함에 따라 상기 제1 시점에서의 상기 사용자에 대한 패혈증 발생 여부를 판단하는 단계를 포함하되,
    상기 제1 인공지능 모델은,
    패혈증 발생에 관한 정보가 레이블링된 복수의 생체 데이터를 학습 데이터로 하여 학습된 머신러닝 또는 딥러닝 기반의 분류 모델(Classifier)인 것을 특징으로 하는,
    인공지능 기반의 생체 데이터 분석을 통한 패혈성 쇼크 조기 예측방법.
  4. 제2항에 있어서,
    상기 제2 시점에서의 생체 데이터를 예측하는 단계는,
    제2 인공지능 모델을 이용하여 상기 제1 시점에 수집된 생체 데이터를 분석함에 따라 상기 제2 시점에서의 생체 데이터를 예측하는 단계를 포함하되,
    상기 제2 인공지능 모델은,
    패혈증 환자들로부터 수집되는 복수의 생체 데이터를 학습 데이터로 하여 학습된 딥러닝 기반의 예측 모델(Forecaster)인 것을 특징으로 하는,
    인공지능 기반의 생체 데이터 분석을 통한 패혈성 쇼크 조기 예측방법.
  5. 제2항에 있어서,
    상기 제2 시점에서의 상기 사용자에 대한 패혈성 쇼크 발생 여부를 판단하는 단계는,
    제3 인공지능 모델을 통해 상기 예측된 제2 시점에서의 생체 데이터를 분석하여 상기 제2 시점에서의 상기 사용자에 대한 패혈성 쇼크 발생 여부를 판단하는 단계를 포함하되,
    상기 제3 인공지능 모델은,
    패혈성 쇼크 발생에 관한 정보가 레이블링된 복수의 생체 데이터를 학습 데이터로 하여 학습된 머신러닝 또는 딥러닝 기반의 분류 모델(Classifier)인 것을 특징으로 하는,
    인공지능 기반의 생체 데이터 분석을 통한 패혈성 쇼크 조기 예측방법.
  6. 제5항에 있어서,
    상기 학습 데이터는,
    패혈성 쇼크가 발생된 시점에 대응하는 위치에 패혈성 쇼크의 발생이 레이블링된 복수의 생체 데이터를 포함하되, 상기 패혈성 쇼크가 발생된 시점은 승압제(vasopressor)의 투여 시점인 것을 특징으로 하는,
    인공지능 기반의 생체 데이터 분석을 통한 패혈성 쇼크 조기 예측방법.
  7. 제1항에 있어서,
    상기 인공지능 모델은,
    서로 다른 속성을 가지는 복수의 측정 장치로부터 수집되는 생체 데이터들을 측정 장치별로 분류하고, 상기 측정 장치별로 분류된 생체 데이터 각각을 학습 데이터로 하여 학습시킴에 따라 생성되는 복수의 인공지능 모델을 포함하며,
    상기 복수의 인공지능 모델은,
    상기 복수의 측정 장치 각각에 대응하는 가중치에 기초하여 상호 독립적으로 파인 튜닝(Fine Tuning)된 모델이며,
    상기 복수의 측정 장치 각각에 대응하는 가중치는,
    상기 복수의 측정 장치 각각을 통해 측정되는 센서 데이터의 정확도에 기초하여 결정되는 것인,
    인공지능 기반의 생체 데이터 분석을 통한 패혈성 쇼크 조기 예측방법.
  8. 제1항에 있어서,
    상기 수집된 생체 데이터는,
    서로 다른 종류의 복수의 생체 데이터를 포함하며,
    상기 패혈성 쇼크 발생을 예측하는 단계는,
    상기 복수의 생체 데이터를 측정한 측정 장치의 종류에 기초하여 상기 복수의 생체 데이터 중 적어도 하나의 생체 데이터를 선택하고, 상기 인공지능 모델을 통해 상기 선택된 적어도 하나의 생체 데이터만을 분석하여 상기 사용자에 대한 패혈성 쇼크 발생을 예측하는 단계를 더 포함하는,
    인공지능 기반의 생체 데이터 분석을 통한 패혈성 쇼크 조기 예측방법.
  9. 제1항에 있어서,
    상기 수집된 생체 데이터는,
    서로 다른 종류의 복수의 생체 데이터를 포함하며,
    상기 패혈성 쇼크 발생을 예측하는 단계는,
    상기 인공지능 모델을 통해 상기 복수의 생체 데이터를 개별적으로 분석함에 따라 복수의 결과 데이터를 추출하고, 상기 추출된 복수의 결과 데이터를 이용하여 상기 사용자에 대한 패혈성 쇼크 발생을 예측하되, 상기 복수의 생체 데이터를 측정한 측정 장치의 종류에 기초하여 상기 추출된 복수의 결과 데이터 각각에 가중치를 부여하고, 상기 가중치가 부여된 복수의 결과 데이터를 이용하여 상기 사용자에 대한 패혈성 쇼크 발생을 예측하는 단계를 더 포함하는,
    인공지능 기반의 생체 데이터 분석을 통한 패혈성 쇼크 조기 예측방법.
  10. 삭제
  11. 삭제
  12. 프로세서;
    네트워크 인터페이스;
    메모리; 및
    상기 메모리에 로드(load) 되고, 상기 프로세서에 의해 실행되는 컴퓨터 프로그램을 포함하되,
    상기 컴퓨터 프로그램은,
    사용자로부터 실시간으로 측정되는 시계열 기반의 생체 데이터를 수집하는 인스트럭션(instruction); 및
    인공지능 모델을 기반으로 상기 수집된 생체 데이터를 분석함에 따라 상기 사용자에 대한 패혈성 쇼크 발생을 예측하는 인스트럭션을 포함하며,
    상기 인공지능 모델은,
    서로 다른 환경에서 수집되는 복수의 생체 데이터를 상황별로 분류하고, 상기 상황별로 분류된 복수의 생체 데이터 각각을 학습 데이터로 하여 학습시킴에 따라 생성되는 복수의 인공지능 모델을 포함하고,
    상기 패혈성 쇼크 발생을 예측하는 인스트럭션은,
    상기 수집된 생체 데이터를 분석하여 상기 사용자에 대한 패혈증(Sepsis) 발생이 감지되는 경우, 상기 수집된 생체 데이터를 기반으로 예측되는 미래 일 시점에서의 생체 데이터를 분석하여 상기 미래 일 시점에서의 패혈성 쇼크(Septic shock) 발생을 조기 예측하는 인스트럭션; 및
    상기 사용자로부터 특정 상황에서의 생체 데이터가 수집되는 경우, 상기 복수의 인공지능 모델 중 상기 특정 상황에서 수집된 생체 데이터들을 학습 데이터로 하여 학습된 인공지능 모델을 채택하여 상기 특정 상황에서 수집된 생체 데이터를 분석함에 따라 상기 사용자에 대한 패혈성 쇼크 발생을 예측하는 인스트럭션을 포함하는,
    인공지능 기반의 생체 데이터 분석을 통한 패혈성 쇼크 조기 예측방법을 수행하는 컴퓨팅 장치.
  13. 컴퓨팅 장치와 결합되어,
    사용자로부터 실시간으로 측정되는 시계열 기반의 생체 데이터를 수집하는 단계; 및
    인공지능 모델을 기반으로 상기 수집된 생체 데이터를 분석함에 따라 상기 사용자에 대한 패혈성 쇼크 발생을 예측하는 단계를 포함하며,
    상기 인공지능 모델은,
    서로 다른 환경에서 수집되는 복수의 생체 데이터를 상황별로 분류하고, 상기 상황별로 분류된 복수의 생체 데이터 각각을 학습 데이터로 하여 학습시킴에 따라 생성되는 복수의 인공지능 모델을 포함하고,
    상기 패혈성 쇼크 발생을 예측하는 단계는,
    상기 수집된 생체 데이터를 분석하여 상기 사용자에 대한 패혈증(Sepsis) 발생이 감지되는 경우, 상기 수집된 생체 데이터를 기반으로 예측되는 미래 일 시점에서의 생체 데이터를 분석하여 상기 미래 일 시점에서의 패혈성 쇼크(Septic shock) 발생을 조기 예측하는 단계; 및
    상기 사용자로부터 특정 상황에서의 생체 데이터가 수집되는 경우, 상기 복수의 인공지능 모델 중 상기 특정 상황에서 수집된 생체 데이터들을 학습 데이터로 하여 학습된 인공지능 모델을 채택하여 상기 특정 상황에서 수집된 생체 데이터를 분석함에 따라 상기 사용자에 대한 패혈성 쇼크 발생을 예측하는 단계를 포함하는 인공지능 기반의 생체 데이터 분석을 통한 패혈성 쇼크 조기 예측방법을 실행시키기 위하여 컴퓨팅 장치로 판독 가능한 기록매체에 저장된, 컴퓨터프로그램.
KR1020230120549A 2023-09-11 2023-09-11 인공지능 기반의 생체 데이터 분석을 통한 패혈성 쇼크 조기 예측방법, 장치 및 컴퓨터프로그램 KR102623020B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020230120549A KR102623020B1 (ko) 2023-09-11 2023-09-11 인공지능 기반의 생체 데이터 분석을 통한 패혈성 쇼크 조기 예측방법, 장치 및 컴퓨터프로그램

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020230120549A KR102623020B1 (ko) 2023-09-11 2023-09-11 인공지능 기반의 생체 데이터 분석을 통한 패혈성 쇼크 조기 예측방법, 장치 및 컴퓨터프로그램

Publications (1)

Publication Number Publication Date
KR102623020B1 true KR102623020B1 (ko) 2024-01-10

Family

ID=89511778

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020230120549A KR102623020B1 (ko) 2023-09-11 2023-09-11 인공지능 기반의 생체 데이터 분석을 통한 패혈성 쇼크 조기 예측방법, 장치 및 컴퓨터프로그램

Country Status (1)

Country Link
KR (1) KR102623020B1 (ko)

Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2018503885A (ja) * 2014-11-14 2018-02-08 ゾール メディカル コーポレイションＺＯＬＬ Ｍｅｄｉｃａｌ Ｃｏｒｐｏｒａｔｉｏｎ 医療前兆イベント予測
KR101886374B1 (ko) * 2017-08-16 2018-08-07 재단법인 아산사회복지재단 딥러닝 기반의 패혈증 조기 감지방법 및 프로그램
WO2019244646A1 (ja) * 2018-06-18 2019-12-26 日本電気株式会社 疾病リスク予測装置、疾病リスク予測方法および疾病リスク予測プログラム
KR20200040669A (ko) * 2018-10-10 2020-04-20 연세대학교 산학협력단 사망 또는 패혈증 위험도 예측 방법 및 이를 이용한 사망 또는 패혈증 위험도 예측용 디바이스
JP2020532025A (ja) * 2017-08-11 2020-11-05 ビュノ インコーポレイテッドＶｕｎｏ， Ｉｎｃ． 被検体の致命的症状の発生を早期に予測するための予測結果を生成する方法、及びそれを利用する装置
KR20210017342A (ko) * 2019-08-08 2021-02-17 한국전자통신연구원 과거 데이터에 기초한 시계열 예측 방법 및 장치
KR20210043941A (ko) * 2019-10-14 2021-04-22 연세대학교 산학협력단 사망 위험도에 대한 정보 제공 방법 및 이를 이용한 디바이스
KR20220104582A (ko) 2021-01-18 2022-07-26 주식회사 바디프랜드 심전도를 기반으로 하는 패혈증 진단 시스템
KR20220116419A (ko) * 2020-05-06 2022-08-23 주식회사 슈파스 인공지능을 이용한 환자의 쇼크 발생 예측 방법, 장치 및 컴퓨터프로그램
JP2022551005A (ja) * 2020-11-04 2022-12-06 オンタクト ヘルス カンパニー リミテッド 疾患の発症を予測するための方法及び装置
JP2023020667A (ja) * 2021-07-30 2023-02-09 テルモ株式会社 医療情報処理方法、医療情報処理装置およびプログラム

Patent Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2018503885A (ja) * 2014-11-14 2018-02-08 ゾール メディカル コーポレイションＺＯＬＬ Ｍｅｄｉｃａｌ Ｃｏｒｐｏｒａｔｉｏｎ 医療前兆イベント予測
JP2020532025A (ja) * 2017-08-11 2020-11-05 ビュノ インコーポレイテッドＶｕｎｏ， Ｉｎｃ． 被検体の致命的症状の発生を早期に予測するための予測結果を生成する方法、及びそれを利用する装置
KR101886374B1 (ko) * 2017-08-16 2018-08-07 재단법인 아산사회복지재단 딥러닝 기반의 패혈증 조기 감지방법 및 프로그램
WO2019244646A1 (ja) * 2018-06-18 2019-12-26 日本電気株式会社 疾病リスク予測装置、疾病リスク予測方法および疾病リスク予測プログラム
KR20200040669A (ko) * 2018-10-10 2020-04-20 연세대학교 산학협력단 사망 또는 패혈증 위험도 예측 방법 및 이를 이용한 사망 또는 패혈증 위험도 예측용 디바이스
KR20210017342A (ko) * 2019-08-08 2021-02-17 한국전자통신연구원 과거 데이터에 기초한 시계열 예측 방법 및 장치
KR20210043941A (ko) * 2019-10-14 2021-04-22 연세대학교 산학협력단 사망 위험도에 대한 정보 제공 방법 및 이를 이용한 디바이스
KR20220116419A (ko) * 2020-05-06 2022-08-23 주식회사 슈파스 인공지능을 이용한 환자의 쇼크 발생 예측 방법, 장치 및 컴퓨터프로그램
JP2022551005A (ja) * 2020-11-04 2022-12-06 オンタクト ヘルス カンパニー リミテッド 疾患の発症を予測するための方法及び装置
KR20220104582A (ko) 2021-01-18 2022-07-26 주식회사 바디프랜드 심전도를 기반으로 하는 패혈증 진단 시스템
JP2023020667A (ja) * 2021-07-30 2023-02-09 テルモ株式会社 医療情報処理方法、医療情報処理装置およびプログラム

Similar Documents

Publication Publication Date Title
US11017902B2 (en) System and method for processing human related data including physiological signals to make context aware decisions with distributed machine learning at edge and cloud
Mdhaffar et al. CEP4HFP: complex event processing for heart failure prediction
US12057232B2 (en) Passive data collection and use of machine-learning models for event prediction
JP2020536623A (ja) モバイルデバイスを用いたユーザの健康の連続的監視
US10638980B2 (en) System and method for predicting heart failure decompensation
US12053287B2 (en) Neural networks for atrial fibrillation screening
KR102208759B1 (ko) 생체 신호에 기반하여 건강상태 및 병리증상을 진단하기 위한 딥러닝 모델 생성방법
US11547346B2 (en) Method, server, and computer program for classifying severe cognitive impairment patients by analyzing EEG data
US20220188601A1 (en) System implementing encoder-decoder neural network adapted to prediction in behavioral and/or physiological contexts
Chang et al. Risk prediction of critical vital signs for ICU patients using recurrent neural network
US20220122735A1 (en) System and method for processing human related data including physiological signals to make context aware decisions with distributed machine learning at edge and cloud
Bajaj et al. Prediction of Mental Health Treatment Adherence using Machine Learning Algorithms
Awotunde et al. An IoT machine learning model-based real-time diagnostic and monitoring system
KR102623020B1 (ko) 인공지능 기반의 생체 데이터 분석을 통한 패혈성 쇼크 조기 예측방법, 장치 및 컴퓨터프로그램
US20230029542A1 (en) Medical information processing method, medical information processing device, and program
Hadhri et al. A voting ensemble classifier for stress detection
Iapăscurtă A less traditional approach to biomedical signal processing for sepsis prediction
KR102685710B1 (ko) 인공지능 모델의 학습 및 분석을 위한 생체 데이터 증강 방법, 장치 및 컴퓨터프로그램
US20220375615A1 (en) Method and system for predicting health risk
Manashty Predictive analytics in health monitoring
Javed et al. Cognitive Health Assessment of Decentralized Smart home Activities using Federated Learning
KR102308844B1 (ko) 인공지능 모델을 이용한 혼수상태 환자의 예후 예측방법, 서버 및 컴퓨터프로그램
Ahmed et al. Cardiovascular Patients Monitoring Using Internet of Things And Decision Tree
KR102553295B1 (ko) 맞춤형으로 검사 일정을 추천하는 전자 장치, 제어 방법 및 컴퓨터프로그램
KR102438367B1 (ko) 생체정보 관리 시스템

Legal Events

Date Code Title Description
E902 Notification of reason for refusal
E701 Decision to grant or registration of patent right
A107 Divisional application of patent
GRNT Written decision to grant