KR102650151B1 - 감염병가능성 예측장치 및 이를 이용한 감염병가능성 예측방법 - Google Patents
감염병가능성 예측장치 및 이를 이용한 감염병가능성 예측방법 Download PDFInfo
- Publication number
- KR102650151B1 KR102650151B1 KR1020210070165A KR20210070165A KR102650151B1 KR 102650151 B1 KR102650151 B1 KR 102650151B1 KR 1020210070165 A KR1020210070165 A KR 1020210070165A KR 20210070165 A KR20210070165 A KR 20210070165A KR 102650151 B1 KR102650151 B1 KR 102650151B1
- Authority
- KR
- South Korea
- Prior art keywords
- infectious disease
- information
- prevalence
- individual
- infectious
- Prior art date
Links
- 208000035473 Communicable disease Diseases 0.000 title claims abstract description 959
- 208000015181 infectious disease Diseases 0.000 title claims abstract description 957
- 238000000034 method Methods 0.000 title claims abstract description 79
- 230000036760 body temperature Effects 0.000 claims abstract description 48
- 238000013528 artificial neural network Methods 0.000 claims abstract description 42
- 238000013135 deep learning Methods 0.000 claims abstract description 37
- 208000024891 symptom Diseases 0.000 claims abstract description 30
- 230000005540 biological transmission Effects 0.000 claims abstract description 22
- 230000002458 infectious effect Effects 0.000 claims description 30
- 201000010099 disease Diseases 0.000 claims description 19
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 claims description 19
- 239000003814 drug Substances 0.000 claims description 19
- 229940079593 drug Drugs 0.000 claims description 18
- 238000003745 diagnosis Methods 0.000 claims description 16
- 238000012360 testing method Methods 0.000 claims description 16
- 208000025370 Middle East respiratory syndrome Diseases 0.000 abstract description 10
- 208000025721 COVID-19 Diseases 0.000 abstract description 5
- 230000000694 effects Effects 0.000 abstract description 4
- 230000008569 process Effects 0.000 description 24
- 238000004891 communication Methods 0.000 description 20
- 238000010586 diagram Methods 0.000 description 16
- 206010022000 influenza Diseases 0.000 description 14
- 238000006243 chemical reaction Methods 0.000 description 10
- 238000012545 processing Methods 0.000 description 8
- 239000000427 antigen Substances 0.000 description 7
- 108091007433 antigens Proteins 0.000 description 7
- 102000036639 antigens Human genes 0.000 description 7
- 210000004369 blood Anatomy 0.000 description 7
- 239000008280 blood Substances 0.000 description 7
- 210000001124 body fluid Anatomy 0.000 description 7
- 239000010839 body fluid Substances 0.000 description 7
- 230000002068 genetic effect Effects 0.000 description 7
- 208000001528 Coronaviridae Infections Diseases 0.000 description 6
- 244000052769 pathogen Species 0.000 description 6
- 230000001717 pathogenic effect Effects 0.000 description 6
- 241000700605 Viruses Species 0.000 description 5
- 238000011160 research Methods 0.000 description 5
- 230000008859 change Effects 0.000 description 4
- 238000003860 storage Methods 0.000 description 4
- 229960005486 vaccine Drugs 0.000 description 4
- 239000002699 waste material Substances 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 230000002265 prevention Effects 0.000 description 3
- 230000004044 response Effects 0.000 description 3
- 238000011161 development Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 230000036541 health Effects 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 230000005875 antibody response Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000005802 health problem Effects 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 108090000623 proteins and genes Proteins 0.000 description 1
- 238000004092 self-diagnosis Methods 0.000 description 1
- 230000007480 spreading Effects 0.000 description 1
- 238000003892 spreading Methods 0.000 description 1
- 238000012956 testing procedure Methods 0.000 description 1
- 230000003442 weekly 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
- G16H50/80—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for detecting, monitoring or modelling epidemics or pandemics, e.g. flu
-
- 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
- G16B—BIOINFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR GENETIC OR PROTEIN-RELATED DATA PROCESSING IN COMPUTATIONAL MOLECULAR BIOLOGY
- G16B40/00—ICT specially adapted for biostatistics; ICT specially adapted for bioinformatics-related machine learning or data mining, e.g. knowledge discovery or pattern finding
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H10/00—ICT specially adapted for the handling or processing of patient-related medical or healthcare data
- G16H10/60—ICT specially adapted for the handling or processing of patient-related medical or healthcare data for patient-specific data, e.g. for electronic patient records
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/70—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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Engineering & Computer Science (AREA)
- Medical Informatics (AREA)
- Health & Medical Sciences (AREA)
- Public Health (AREA)
- Data Mining & Analysis (AREA)
- Epidemiology (AREA)
- General Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Theoretical Computer Science (AREA)
- Databases & Information Systems (AREA)
- Primary Health Care (AREA)
- Physics & Mathematics (AREA)
- Pathology (AREA)
- Biomedical Technology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- General Physics & Mathematics (AREA)
- Computing Systems (AREA)
- Bioethics (AREA)
- Biophysics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Biotechnology (AREA)
- Evolutionary Biology (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Measuring And Recording Apparatus For Diagnosis (AREA)
- Medical Treatment And Welfare Office Work (AREA)
Abstract
본 발명은 감염병가능성 예측장치 및 이를 이용한 감염병가능성 예측방법에 관한 것으로서, 본 발명인 감염병가능성 예측장치는 감염병으로 진단된 사람에게서 수집된 기존 감염병정보를 이용하여 1차 감염병유행도를 판단하는 감염병유행도 판단부, 체온 및 감염병 증상을 포함하는 개인의 감염병정보를 수집하는 감염병정보 수집부, 상기 1차 감염병유행도 및 상기 개인의 감염병정보에 대해 딥러닝 기반의 인공신경망 학습을 수행하여 개인의 감염병가능성을 판단하는 감염병가능성 판단부 및 상기 감염병가능성 판단부의 판단결과를 출력하거나 전송하는 감염병가능성 출력전송부를 포함하여 구성되며, 부정확한 개인의 주관적 판단이 아닌 객관적인 자료에 의해 메르스, 사스, 신종플루, 코로나바이러스 감염증-19 같은 신종 감염병의 감염여부를 1차적으로 판단하므로, 감염병의 감염가능성 1차 판단에 정확성과 객관성이 존재하는 효과를 가진다.
Description
본 발명은 감염병가능성 예측장치 및 이를 이용한 감염병가능성 예측방법에 관한 것으로서, 보다 상세하게는 개인의 체온 및 감염병 증상 등 감염병정보, 개인의 위치정보, 개인의 기후정보, 개인의 의료정보가 수집되었을 때, 감염병으로 진단된 사람에게서 수집된 기존 정보를 이용하여 판단된 1차, 2차, 3차, 4차 감염유행도와 수집된 개인의 감염병정보, 위치정보, 기후정보, 의료정보에 대한 딥러닝 기반의 인공신경망 학습을 수행하여 개인의 감염병가능성을 판단하는 감염병가능성 예측장치 및 이를 이용한 감염병가능성 예측방법에 관한 것이다.
메르스, 사스, 신종플루, 코로나바이러스 감염증-19와 같은 다양한 감염병(전염성 질병)의 출현은 전세계적으로 중대한 보건 문제로 대두되고 있다. 최근의 코로나바이러스 감염증-19 사태에서 알 수 있듯이 운송 수단의 발달과 글로벌화로 인해 감염병은 국경을 무시하고 빠른 시간 내에 전 세계적으로 대유행을 만들고, 전세계적으로 빠르게 확산되어 전 세계적인 재앙으로 확대되고 있다.
이전부터 다양한 전염병을 대비하기 위한 생물학적 백신 개발이 활발하게 진행되고 있으나, 다양한 전염병에 대해 모두 적용가능한 백신은 사실상 존재하지 아니하며, 다양한 전염병에 대한 실질적인 대책은 현재로서는 조기에 예방하고 유행 및 확산을 방지하는 것이다. 특히, 다양한 전염병에 사용되는 백신의 제조에는 예를 들어 신종 플루의 경우 4~10개월 가량의 긴 시간이 필요하므로, 신종 플루 등의 다양한 전염병이 시작된 경우 백신 제조 기간 동안에 질병이 상당히 확산 되었을 가능성이 높고, 이 기간 동안 다양한 전염병의 유행과 확산을 막는 것이 무엇보다 중요하다.
메르스, 사스, 신종플루, 코로나바이러스 감염증-19 같은 신종 감염병의 경우, 일반적으로 혈액이나 체액의 RNA 유전자 검사를 통해 감염여부를 판단하거나 항원, 항체 반응을 통한 감염여부를 판단한다. 그러나 개인이 신종 감염병에 감염되었는지 스스로 판단하고, 혈액이나 체액의 RNA 유전자 검사 또는 항원, 항체 반응을 위해 별도의 검사장을 찾는 것은 개인에게 많은 부담이 발생하는 일이다. 또한, 개인의 프라이버시의 측면에서 신종 감염병에 감염되었음에도 객관적인 판단이 존재하지 아니하므로 이를 숨기거나, 애써 감염 사실을 회피하는 경우가 많이 발생할 수 있다. 나아가 개인 스스로 신종 감염병에 감염되지 않았다고 잘못 판단하고, 혈액이나 체액의 RNA 유전자 검사 또는 항원, 항체 반응을 통해 감염여부를 객관적으로 확인하지 않았을 때 발생할 수 있는 2차, 3차 감염의 발생은 감염병 확산과 유행이라는 심각한 결과를 낳을 수 있다. 즉, 개인이 주관적으로 판단하고. 메르스, 사스, 신종플루, 코로나바이러스 감염증-19 같은 신종 감염병의 감염여부를 확인하기 위해 검사장을 방문토록 하기 보다는, 보다 객관적인 판단에 의해 메르스, 사스, 신종플루, 코로나바이러스 감염증-19 같은 신종 감염병의 감염여부를 1차적으로 확인하고, 2차적으로 보다 정확하게 확인하기 위해 검사장을 방문토록 하는 것이 감염병의 유행과 확산을 방지하는데 보다 효과적이다.
한편, 독감과 같은 전염병의 경우, 질병 관리 본부 등의 기관에서는 전염병 확산 조기 예방 차원에서 독감 표본 감시 사업을 진행하며, 독감의 유행 수준을 주 단위로 발표하고 있다. 그런데, 이러한 국가 단위인 유행 수준은 광범위한 지역에 영향을 주는 지수로서 개개인의 감염병가능성 판단에는 결정적인 영향을 주지 못하고 있다. 따라서, 개인 스스로 객관적으로 감염병유행도를 산정하고 이를 이용해 다양한 감염병에 대한 개개인의 감염가능성을 간단하고 객관적으로 판단하는 장치나 방법이 요구되고 있다.
나아가, 혈액이나 체액의 RNA 유전자 검사하여 감염여부를 판단하는 과정이나 항원, 항체 반응을 통한 감염여부를 판단하는 과정 등 복잡하고 시간이 많이 소요되는 과학적 판단 과정 이전에 개인이 스스로 감염가능성을 간단하고 객관적으로 판단하는 장치나 방법이 필요하고, 개인이 스스로 감염가능성을 간단하고 객관적으로 판단한 이후에 복잡하고 시간이 많이 소요되는 과학적 판단 과정을 거치도록 함으로써, 불필요한 검사 절차를 진행함에 따라 발생할 수 있는 시간의 낭비와 비용의 낭비를 줄일 수 있다.
이와 관련하여 감염병가능성 예측장치 및 이를 이용한 감염병가능성 예측방법과 관련된 선행기술로 대한민국 등록특허공보 제10-1779705호(특허문헌 1)가 개시된 바 있다.
특허문헌 1은 사물인터넷기반 신종 감염병 예측 대응 플랫폼 시스템에 관한 것으로, 감염 병원균 바이러스의 항체를 주입하고, 감염병의 해당 감염 병원균 바이러스에 따른 광원의 빛 세기, 파장, 색상을 측정하여 감염 병원균 바이러스를 감지하는 감염병 예측기, 감염병의 해당 감염 병원균 바이러스에 대하여 사용자의 자가진단이 가능한 스마트 단말, 감염병에 관한 사용자 정보 및 감염병의 해당 감염 병원균에 대한 정보를 저장하고, 통합, 비교, 분석하여 감염병을 예측하는 진단부, 상기 감염병 예측기, 상기 스마트 단말, 상기 진단부 간에 감염 병원균 바이러스 결과, 자가진단 결과, 감염병 예측 결과를 포함하는 감염병 정보 및 각각의 결과에 따른 대응 방안을 공유하도록 하는 통신 모듈을 포함한다.
그러나, 특허문헌 1을 포함하는 종래의 감염병 예측 대응 시스템은 혈액이나 체액의 RNA 유전자를 검사하여 감염여부를 판단하는 과정이나 항원, 항체 반응을 통한 감염여부를 판단하는 과정 등 복잡하고 시간이 많이 소요되는 과정을 거쳐야 하므로, 시간이나 비용 면에서 문제가 존재하고, 시간이 많이 소요되는 감염여부 판단 과정에서 2차, 3차 감염이 발생할 가능성이 크므로 감염병의 확산과 유행이라는 심각한 문제가 발생할 수 있다.
전술한 문제점을 해소함에 있어서, 본 발명의 목적은 부정확한 개인의 주관적 판단이 아닌 객관적인 자료에 의해 메르스, 사스, 신종플루, 코로나바이러스 감염증-19 같은 신종 감염병의 감염여부를 1차적으로 판단하므로, 감염병의 감염가능성 1차 판단에 정확성과 객관성이 존재하는 감염병가능성 예측장치 및 이를 이용한 감염병가능성 예측방법을 제공하는 것이다.
또한, 본 발명의 목적은 객관적인 자료에 의해 메르스, 사스, 신종플루, 코로나바이러스 감염증-19 같은 신종 감염병의 감염여부가 상대적으로 정확하게 1차로 판단되므로, 신종 감염병에 감염되지 않았음에도 감염여부를 확인하기 위하여 혈액이나 체액의 RNA 유전자 검사하여 감염여부를 판단하는 과정이나 항원, 항체 반응을 통한 감염여부를 판단하는 과정 등 복잡하고 시간이 많이 소요되는 2차 판단 과정을 거치는 빈도를 줄여 비용의 낭비와 시간의 낭비를 줄이는 감염병가능성 예측장치 및 이를 이용한 감염병가능성 예측방법을 제공하는 것이다.
또한, 본 발명의 목적은 개인이 주관적으로 신종 감염병에 감염되지 않았다고 잘못된 판단을 하고, 신종 감염병에 감염되었음에도 2차 과학적 판단 과정을 통해 감염여부를 객관적으로 확인하지 않았을 때 발생할 수 있는 2차, 3차 감염을 통한 감염병 확산과 유행의 위험을 방지할 수 있는 감염병가능성 예측장치 및 이를 이용한 감염병가능성 예측방법을 제공하는 것이다.
본 발명의 실시예에 따른 감염병가능성 예측장치는 감염병으로 진단된 사람에게서 수집된 기존 감염병정보를 이용하여 1차 감염병유행도를 판단하는 감염병유행도 판단부, 체온 및 감염병 증상을 포함하는 개인의 감염병정보를 수집하는 감염병정보 수집부, 상기 1차 감염병유행도 및 상기 개인의 감염병정보에 대해 딥러닝 기반의 인공신경망 학습을 수행하여 개인의 감염병가능성을 판단하는 감염병가능성 판단부 및 상기 감염병가능성 판단부의 판단결과를 출력하거나 전송하는 감염병가능성 출력전송부를 포함하여 구성된다.
이 경우, 본 발명의 실시예에 따른 감염병가능성 예측장치에서 1차 감염병유행도는 이하의 단순유행도와 표준유행도를 포함하여 판단되는 것을 특징으로 할 수 있다.
단순유행도: Psimple(d) = Infectious7(d)/Infectious365(d)
Infectious7(d) : 특정일 d 기준으로 이전 7일간의 감염병 진단수
Infectious365(d) : 특정일 d 기준으로 이전 365일간의 감염병 진단수
표준유행도 : Pstandard(d) = Infectious7(d)/diagnosis7(d)
Infectious7(d) : 특정일 d 기준으로 이전 7일간의 감염병 진단수
diagnosis7(d) : 특정일 d 기준으로 이전 7일간의 질병 진단수
이 경우, 본 발명의 실시예에 따른 감염병가능성 예측장치는 개인의 감염병정보가 수집된 장소와 관련하여 개인의 위치정보를 수집하는 위치정보 수집부를 추가로 포함하며, 상기 감염병유행도 판단부는 감염병으로 진단된 사람에게서 수집된 기존 감염병정보와 기존 위치정보를 이용하여 2차 감염병유행도를 판단하며, 상기 감염병가능성 판단부는 상기 1차 감염병유행도, 상기 2차 감염병 유행도, 상기 개인의 감염병정보 및 상기 개인의 위치정보에 대해 딥러닝 기반의 인공신경망 학습을 수행하여 개인의 감염병가능성을 판단하는 것을 특징으로 할 수 있다.
이 경우, 본 발명의 실시예에 따른 감염병가능성 예측장치에서 상기 위치정보수집부는 감염병으로 진단된 사람의 기존 위치정보와 개인의 위치정보를 이용하여 거리를 계산하며, 상기 감염병가능성 출력전송부를 통해 계산된 거리를 출력하거나 전송하여 경고하는 것을 특징으로 할 수 있다.
이 경우, 본 발명의 실시예에 따른 감염병가능성 예측장치에서 2차 감염병유행도는 이하의 지역평균체온과 지역감염병분율을 포함하여 판단되는 것을 특징으로 할 수 있다.
지역평균체온 : mtemp(lat, lng) = ∑(tempi/tempn)
lat: 개인의 위치정보와 관련된 위도
lng: 개인의 위치정보와 관련된 경도
tempi : 개인과 같은 도시(시/군/구) 안에서 전일 측정된 다른 체온들
tempn : 개인과 같은 도시(시/군/구) 안에서 전일 측정된 다른 체온들의 갯수
지역감염병분율 : Plocal(d, r) = Infectiouslocal7(d, r)/diagnosislocal7(d, r)
Infectiouslocal7(d, r) : 개인의 위치정보와 거리 r 이내, 특정일 d 기준으로 이전 7일간의 감염병 진단수
diagnosislocal7(d, r) : 개인의 위치정보와 거리 r 이내, 특정일 d 기준으로 이전 7일간의 질병 진단수
이 경우, 본 발명의 실시예에 따른 감염병가능성 예측장치는 감염병정보가 수집된 장소와 관련하여 개인의 기후정보를 수집하는 기후정보 수집부를 추가로 포함하며, 상기 감염병유행도 판단부는 감염병으로 진단된 사람에게서 수집된 기존 감염병정보, 기존 위치정보 및 기존 기후정보를 이용하여 3차 감염병유행도를 판단하며, 상기 감염병가능성 판단부는 상기 1차 감염병유행도, 상기 2차 감염병 유행도, 상기 3차 감염병유행도, 상기 개인의 감염병정보, 상기 개인의 위치정보 및 상기 개인의 기후정보에 대한 딥러닝 기반의 인공신경망 학습을 수행하여 개인의 감염병가능성을 판단하는 것을 특징으로 할 수 있다.
이 경우, 본 발명의 실시예에 따른 감염병가능성 예측장치는 진찰자료, 검사자료, 투약한 약의 정보, 투약 주기, 투약 후 체온 및 투약 후 감염병 증상을 포함하는 개인의 의료정보를 수집하는 의료정보 수집부를 추가로 포함하며, 상기 감염병유행도 판단부는 감염병으로 진단된 사람에게서 수집된 기존 감염병정보, 기존 위치정보, 기존 기후정보 및 기존 의료정보를 이용하여 4차 감염병유행도를 판단하며, 상기 감염병가능성 판단부는 상기 1차 감염병유행도, 상기 2차 감염병 유행도, 상기 3차 감염병유행도, 상기 4차 감염병유행도, 상기 개인의 감염병정보, 상기 개인의 위치정보, 상기 개인의 기후정보 및 상기 개인의 의료정보에 대한 딥러닝 기반의 인공신경망 학습을 수행하여 개인의 감염병가능성을 판단하는 것을 특징으로 할 수 있다.
본 발명의 실시예에 따른 감염병가능성 예측방법은 감염병으로 진단된 사람에게서 수집된 기존 감염병정보를 이용하여 1차 감염병유행도를 판단하는 단계, 체온 및 감염병 증상을 포함하는 개인의 감염병정보를 수집하는 단계, 상기 1차 감염병유행도 및 상기 개인의 감염병정보에 대해 딥러닝 기반의 인공신경망 학습을 수행하여 개인의 감염병가능성을 판단하는 단계 및 상기 감염병가능성 판단부의 판단결과를 출력하거나 전송하는 단계를 포함하여 구성된다.
본 발명의 실시예에 따른 감염병가능성 예측방법은 감염병으로 진단된 사람에게서 수집된 기존 감염병정보를 이용하여 1차 감염병유행도를 판단하는 단계, 감염병으로 진단된 사람에게서 수집된 기존 감염병정보와 기존 위치정보를 이용하여 2차 감염병유행도를 판단하는 단계, 체온 및 감염병 증상을 포함하는 개인의 감염병정보를 수집하는 단계, 감염병정보가 수집된 장소와 관련하여 개인의 위치정보를 수집하는 단계, 상기 1차 감염병유행도, 상기 2차 감염병 유행도, 상기 개인의 감염병정보 및 상기 개인의 위치정보에 대해 딥러닝 기반의 인공신경망 학습을 수행하여 개인의 감염병가능성을 판단하는 단계 및 상기 감염병가능성 판단부의 판단결과를 출력하거나 전송하는 단계를 포함하여 구성된다.
본 발명의 실시예에 따른 감염병가능성 예측방법은 감염병으로 진단된 사람에게서 수집된 기존 감염병정보를 이용하여 1차 감염병유행도를 판단하는 단계, 감염병으로 진단된 사람에게서 수집된 기존 감염병정보와 기존 위치정보를 이용하여 2차 감염병유행도를 판단하는 단계, 감염병으로 진단된 사람에게서 수집된 기존 감염병정보, 기존 위치정보 및 기존 기후정보를 이용하여 3차 감염병유행도를 판단하는 단계, 체온 및 감염병 증상을 포함하는 개인의 감염병정보를 수집하는 단계, 감염병정보가 수집된 장소와 관련하여 개인의 위치정보를 수집하는 단계, 감염병정보가 수집된 장소와 관련하여 개인의 기후정보를 수집하는 단계, 상기 1차 감염병유행도, 상기 2차 감염병 유행도, 상기 3차 감염병유행도, 상기 개인의 감염병정보, 상기 개인의 위치정보 및 상기 개인의 기후정보에 대한 딥러닝 기반의 인공신경망 학습을 수행하여 개인의 감염병가능성을 판단하는 단계 및 상기 감염병가능성 판단부의 판단결과를 출력하거나 전송하는 단계를 포함하여 구성된다.
본 발명의 실시예에 따른 감염병가능성 예측방법은 감염병으로 진단된 사람에게서 수집된 기존 감염병정보를 이용하여 1차 감염병유행도를 판단하는 단계, 감염병으로 진단된 사람에게서 수집된 기존 감염병정보와 기존 위치정보를 이용하여 2차 감염병유행도를 판단하는 단계, 감염병으로 진단된 사람에게서 수집된 기존 감염병정보, 기존 위치정보 및 기존 기후정보를 이용하여 3차 감염병유행도를 판단하는 단계, 감염병으로 진단된 사람에게서 수집된 기존 감염병정보, 기존 위치정보, 기존 기후정보 및 기존 의료정보에 따라 4차 감염병유행도를 판단하는 단계, 체온 및 감염병 증상을 포함하는 개인의 감염병정보를 수집하는 단계, 감염병정보가 수집된 장소와 관련하여 개인의 위치정보를 수집하는 단계, 감염병정보가 수집된 장소와 관련하여 개인의 기후정보를 수집하는 단계, 진찰자료, 검사자료, 투약한 약의 정보, 투약 주기, 투약 후 체온 및 투약 후 감염병 증상을 포함하는 개인의 의료정보를 수집하는 단계, 상기 1차 감염병유행도, 상기 2차 감염병 유행도, 상기 3차 감염병유행도, 상기 4차 감염병유행도, 상기 개인의 감염병정보, 상기 개인의 위치정보, 상기 개인의 기후정보 및 상기 개인의 의료정보에 대한 딥러닝 기반의 인공신경망 학습을 수행하여 개인의 감염병가능성을 판단하는 단계 및 상기 감염병가능성 판단부의 판단결과를 출력하거나 전송하는 단계를 포함하여 구성된다.
상술한 바와 같이, 본 발명에 의한 감염병가능성 예측장치 및 이를 이용한 감염병가능성 예측방법은 부정확한 개인의 주관적 판단이 아닌 객관적인 자료에 의해 메르스, 사스, 신종플루, 코로나바이러스 감염증-19 같은 신종 감염병의 감염여부를 1차적으로 판단하므로, 감염병의 감염가능성 1차 판단에 정확성과 객관성이 존재하는 효과를 가진다..
또한, 본 발명에 의한 감염병가능성 예측장치 및 이를 이용한 감염병가능성 예측방법은 객관적인 자료에 의해 메르스, 사스, 신종플루, 코로나바이러스 감염증-19 같은 신종 감염병의 감염여부가 상대적으로 정확하게 1차로 판단되므로, 신종 감염병에 감염되지 않았음에도 감염여부를 확인하기 위하여 혈액이나 체액의 RNA 유전자 검사하여 감염여부를 판단하는 과정이나 항원, 항체 반응을 통한 감염여부를 판단하는 과정 등 복잡하고 시간이 많이 소요되는 2차 판단 과정을 거치는 빈도를 줄여 비용의 낭비와 시간의 낭비를 줄이는 효과를 가진다.
또한, 본 발명에 의한 감염병가능성 예측장치 및 이를 이용한 감염병가능성 예측방법은 개인이 주관적으로 신종 감염병에 감염되지 않았다고 잘못된 판단을 하고, 신종 감염병에 감염되었음에도 2차 과학적 판단 과정을 통해 감염여부를 객관적으로 확인하지 않았을 때 발생할 수 있는 2차, 3차 감염을 통한 감염병 확산과 유행의 위험을 방지할 수 있는 효과를 가진다.
도 1은 본 발명의 실시예에 따라 1차 감염병유행도를 판단하고 이를 이용하여 개인의 감염병가능성을 판단하는 감염병가능성 예측장치의 구성을 보여주는 도면이다.
도 2는 본 발명의 실시예에 따라 2차 감염병유행도를 판단하고 이를 이용하여 개인의 감염병가능성을 판단하는 감염병가능성 예측장치의 구성을 보여주는 도면이다.
도 3은 본 발명의 실시예에 따라 3차 감염병유행도를 판단하고 이를 이용하여 개인의 감염병가능성을 판단하는 감염병가능성 예측장치의 구성을 보여주는 도면이다.
도 4는 본 발명의 실시예에 따라 4차 감염병유행도를 판단하고 이를 이용하여 개인의 감염병가능성을 판단하는 감염병가능성 예측장치의 구성을 보여주는 도면이다.
도 5는 본 발명의 실시예에 따라 1차 감염병유행도를 판단하고 이를 이용하여 개인의 감염병가능성을 판단하는 감염병가능성 예측방법의 순서를 보여주는 도면이다.
도 6은 본 발명의 실시예에 따라 2차 감염병유행도를 판단하고 이를 이용하여 개인의 감염병가능성을 판단하는 감염병가능성 예측방법의 순서를 보여주는 도면이다.
도 7은 본 발명의 실시예에 따라 3차 감염병유행도를 판단하고 이를 이용하여 개인의 감염병가능성을 판단하는 감염병가능성 예측방법의 순서를 보여주는 도면이다.
도 8은 본 발명의 실시예에 따라 4차 감염병유행도를 판단하고 이를 이용하여 개인의 감염병가능성을 판단하는 감염병가능성 예측방법의 순서를 보여주는 도면이다.
도 2는 본 발명의 실시예에 따라 2차 감염병유행도를 판단하고 이를 이용하여 개인의 감염병가능성을 판단하는 감염병가능성 예측장치의 구성을 보여주는 도면이다.
도 3은 본 발명의 실시예에 따라 3차 감염병유행도를 판단하고 이를 이용하여 개인의 감염병가능성을 판단하는 감염병가능성 예측장치의 구성을 보여주는 도면이다.
도 4는 본 발명의 실시예에 따라 4차 감염병유행도를 판단하고 이를 이용하여 개인의 감염병가능성을 판단하는 감염병가능성 예측장치의 구성을 보여주는 도면이다.
도 5는 본 발명의 실시예에 따라 1차 감염병유행도를 판단하고 이를 이용하여 개인의 감염병가능성을 판단하는 감염병가능성 예측방법의 순서를 보여주는 도면이다.
도 6은 본 발명의 실시예에 따라 2차 감염병유행도를 판단하고 이를 이용하여 개인의 감염병가능성을 판단하는 감염병가능성 예측방법의 순서를 보여주는 도면이다.
도 7은 본 발명의 실시예에 따라 3차 감염병유행도를 판단하고 이를 이용하여 개인의 감염병가능성을 판단하는 감염병가능성 예측방법의 순서를 보여주는 도면이다.
도 8은 본 발명의 실시예에 따라 4차 감염병유행도를 판단하고 이를 이용하여 개인의 감염병가능성을 판단하는 감염병가능성 예측방법의 순서를 보여주는 도면이다.
본 명세서 및 청구범위에 사용되는 용어나 단어는 통상적이거나 사전적인 의미로 한정 해석되지 않으며, 발명자는 그 자신의 발명을 가장 최선의 방법으로 설명하기 위해 용어의 개념을 적절하게 정의할 수 있다는 점에 입각하여, 본 발명의 기술적 사상에 부합하는 의미와 개념으로 해석되어야 한다. 따라서, 본 발명의 명세서에 기재된 실시예와 도면에 도시된 구성은 본 발명의 가장 바람직한 일 실시예에 불과할 뿐이고 본 발명의 기술적 사상을 모두 대변하는 것은 아닌바, 본 발명의 출원 시점에 있어서 이를 대체할 수 있는 다양한 균등물과 변형예들이 가능하거나 존재할 수 있음을 이해하여야 할 것이다.
또한, 본 발명을 설명하기에 앞서, 본 발명의 요지를 드러내기 위해서 필요하지 않은 사항 즉 통상의 지식을 가진 당업자가 자명하게 부가할 수 있는 공지 구성에 대해서는 설명하지 않거나, 구체적으로 기술하지 않았음을 밝혀둔다.
도 1은 본 발명의 실시예에 따라 1차 감염병유행도를 판단하고 이를 이용하여 개인의 감염병가능성을 판단하는 감염병가능성 예측장치의 구성을 보여주는 도면이다.
도 1에 의하면, 본 발명의 실시예에 따른 감염병가능성 예측장치는 감염병으로 진단된 사람에게서 수집된 기존 감염병정보를 이용하여 1차 감염병유행도를 판단하는 감염병유행도 판단부(100), 체온 및 감염병 증상을 포함하는 개인의 감염병정보를 수집하는 감염병정보 수집부(200), 상기 1차 감염병유행도 및 상기 개인의 감염병정보에 대해 딥러닝 기반의 인공신경망 학습을 수행하여 개인의 감염병가능성을 판단하는 감염병가능성 판단부(300) 및 상기 감염병가능성 판단부(300)의 판단결과를 출력하거나 전송하는 감염병가능성 출력전송부(400)를 포함하여 구성된다.
본 발명인 감염병가능성 예측장치에서 감염병유행도 판단부(100)는 기존에 감염병으로 진단된 사람에게서 수집된 다양한 감염병정보를 이용하여 1차 감염병유행도 등을 판단하는 구성으로서, 대상이 되는 감염병의 종류에는 특별한 제한이 존재하지 아니한다. 대표적인 감염병의 예로는 메르스, 사스, 신종플루, 코로나바이러스 감염증-19 등이 있다. 상기 감염병유행도 판단부(100)는 감염병으로 진단된 사람에게서 수집된 다양한 감염병정보를 저장하는 정보저장부를 구비할 수 있으며, 상기 감염병유행도 판단부(100)는 수집된 다양한 감염병정보를 1차 감염병유행도 판단을 위해 처리 가능하도록 유효한 정보로 가공 처리할 수 있다. 가공 처리 과정에서 다양한 감염병정보는 필요에 따라 다양한 변환, 연산 처리 등이 수반될 수 있다. 1차 감염병유행도 판단은 다양한 정보와 다양한 방식으로 판단될 수 있으며, 특정한 정보와 특정한 방식을 이용하여 1차감염병유행도를 판단하는 것으로 한정되는 것은 아니다.
감염병으로 진단된 사람에게서 수집된 다양한 감염병정보를 이용하여 감염병유행도 판단부(100)가 1차 감염병유행도를 판단하는데, 1차 감염병유행도는 이하의 단순유행도와 표준유행도를 포함하여 판단될 수 있다.
단순유행도: Psimple(d) = Infectious7(d)/Infectious365(d)
Infectious7(d) : 특정일 d 기준으로 이전 7일간의 감염병 진단수
Infectious365(d) : 특정일 d 기준으로 이전 365일간의 감염병 진단수
단순유행도(Psimple(d))는 특정일 d 기준으로 이전 7일간의 감염병 진단수를 특정일 d 기준으로 이전 365일간의 감염병 진단수로 나눈 것으로서, 특정일 d 기준으로 이전 365일간의 감염병 진단수와 대비하여 특정일을 기준으로 7일간 감염병 진단수가 얼마나 증가하였는지 알 수 있고, 특정일 d 기준으로 이전 365일간의 감염병의 유행 강도와 대비하여 특정일을 기준으로 7일간 감염병의 유행 강도가 얼마나 증가하였는지 알 수 있다. 특정일 d는 자유롭게 선택될 수 있는데, 일반적으로 특정일 d는 개인의 감염병정보가 입력되거나 수집된 날을 선택하는 것이 바람직하다.
표준유행도 : Pstandard(d) = Infectious7(d)/diagnosis7(d)
Infectious7(d) : 특정일 d 기준으로 이전 7일간의 감염병 진단수
diagnosis7(d) : 특정일 d 기준으로 이전 7일간의 질병 진단수
표준유행도(Pstandard(d))는 특정일 d 기준으로 이전 7일간의 감염병 진단수를 특정일 d 기준으로 이전 7일간의 질병 진단수로 나눈 것으로서, 특정일 d 기준으로 이전 7일간의 질병 진단수 중 특정일을 기준으로 7일간 감염병 진단수가 얼마만큼의 비율을 차지하는지 알 수 있고, 특정일 d 기준으로 7일 이전의 감염병 비율과 대비하여 특정일 d 기준으로 7일간 감염병 비율이 상대적으로 얼마나 증가하였는지 알 수 있다. 특정일 d는 자유롭게 선택될 수 있는데, 일반적으로 특정일 d는 개인의 감염병정보가 입력되거나 수집된 날을 선택하는 것이 바람직하다.
이상과 같이 단순유행도와 표준유행도를 포함하여 감염병유행도 판단부(100)가 1차 감염병유행도를 판단하는데, 감염병유행도가 단순유행도와 표준유행도에 한정되는 것은 아니고 감염병으로 진단된 사람에게서 수집된 다양한 감염병정보를 이용하여 감염병유행도 판단부(100)가 다양한 방식으로 1차 감염병유행도를 판단할 수 있다.
본 발명인 감염병가능성 예측장치에서 감염병정보 수집부(200)는 외부로부터 다양한 감염병정보를 입력받거나, 외부로부터 다양한 감염병정보를 유무선 통신을 통해 수신받는 등, 다양한 방식으로 감염병정보를 수집하는 역할을 수행한다. 상기 감염병정보 수집부(200)가 수집하는 감염병정보에는 특별한 제한이 없으며, 기본적으로 체온 및 기본적 감염병 증상을 포함한다. 또한 상기 감염병정보 수집부(200)가 다양한 감염병정보를 수집하는 방식에는 특별한 제한이 존재하는 것이 아니고, 개인이 감염병가능성 예측장치를 통해 입력한 감염병정보, 개인이 다른 종류의 단말을 통해 입력한 감염병정보, 외부 병원 등에서 입력하여 유무선 통신을 통해 송신된 감염병정보, 외부에 저장된 서버 등에서 유무선 통신을 통해 송신된 감염병정보, 정부 기관이 보유하여 유무선 통신을 통해 송신된 감염병정보 등이 이에 포함될 수 있다.
본 발명인 감염병가능성 예측장치에서 감염병가능성 판단부(300)는 감염병으로 진단된 사람에게서 수집된 다양한 감염병정보를 이용하여 다양한 방식으로 감염병유행도 판단부(100)가 판단한 1차 감염병유행도와 개인의 감염병정보를 활용하여 딥 러닝 기반의 인공신경망 학습을 수행한다. 인공신경망 학습은 개인의 감염병정보와 기존에 감염병으로 진단된 사람에게서 수집된 다양한 감염병정보를 비교하여 유사도를 판단하고 학습하며, 감염병으로 진단된 사람에게서 수집된 다양한 감염병정보를 이용하여 다양한 방식으로 판단된 1차 감염병유행도를 활용하여 개인의 감염가능성을 판단하고 학습하는 방식으로 진행한다.
본 발명인 감염병가능성 예측장치에서 질병가능성 출력전송부(400)는 상기 감염병가능성 판단부(300)의 판단결과를 출력하거나 전송하는 기능을 수행한다. 상기 질병가능성 출력전송부(400)는 원칙적으로 감염병정보를 입력한 개인에게 상기 감염병가능성 판단부(300)의 판단결과를 출력한다. 경우에 따라서는 개인의 동의나 이에 준하는 행정명령 또는 사법적 조치 등이 있으면, 상기 질병가능성 출력전송부(400)는 상기 감염병가능성 판단부(300)의 판단결과를 외부의 병원, 정부기관, 정보관리기업, 연구기관, 연구소 등에 전송할 수 있다.
도 2는 본 발명의 실시예에 따라 2차 감염병유행도를 판단하고 이를 이용하여 개인의 감염병가능성을 판단하는 감염병가능성 예측장치의 구성을 보여주는 도면이다.
도 2에 의하면, 본 발명의 실시예에 따른 감염병가능성 예측장치는 개인의 감염병정보가 수집된 장소와 관련하여 개인의 위치정보를 수집하는 위치정보 수집부(500)를 추가로 포함하며, 상기 감염병유행도 판단부(100)는 감염병으로 진단된 사람에게서 수집된 기존 감염병정보와 기존 위치정보를 이용하여 2차 감염병유행도를 판단하며, 상기 감염병가능성 판단부(300)는 상기 1차 감염병유행도, 상기 2차 감염병 유행도, 상기 개인의 감염병정보 및 상기 개인의 위치정보에 대해 딥러닝 기반의 인공신경망 학습을 수행하여 개인의 감염병가능성을 판단하는 것을 특징으로 할 수 있다.
본 발명인 감염병가능성 예측장치에서 위치정보 수집부(500)는 자동으로 다양한 위치정보를 파악하거나 외부로부터 다양한 위치정보를 입력받을 수 있으며, 그 밖에 유무선 통신을 통해 다양한 위치정보를 수신받는 등, 다양한 방식으로 위치정보를 수집하는 역할을 수행한다. 상기 위치정보 수집부(500)가 수집하는 위치정보에는 특별한 제한이 없으며, 기본적으로 개인의 위치, 개인의 위치에 따른 인구 밀도, 개인의 위치에 따른 유동인구, 개인의 위치정보에 따라 감염병으로 진단된 사람들과 동선이 겹치는지 검토하여 접근도를 판단한 정보, 개인의 위치정보에 따라 감염병으로 진단된 사람들이 방문한 장소에 방문한 사실이 있는지 검토하여 장소방문도를 판단한 정보 등을 포함한다. 또한 상기 위치정보 수집부(500)가 다양한 위치정보를 수집하는 방식에는 특별한 제한이 존재하는 것이 아니고, 개인이 감염병가능성 예측장치를 통해 입력하거나 자동 파악된 개인의 위치정보, 개인이 다른 종류의 단말을 통해 입력하거나 파악된 개인의 위치정보, 외부 기관이나 위치정보관리기업 등이 파악하여 유무선 통신을 통해 송신된 위치정보, 외부에 저장된 서버 등에서 유무선 통신을 통해 송신된 위치정보, 정부 기관이 보유하여 유무선 통신을 통해 송신된 위치정보 등이 이에 포함될 수 있다.
본 발명인 감염병가능성 예측장치에서 감염병유행도 판단부(100)는 기존에 감염병으로 진단된 사람에게서 수집된 다양한 감염병정보 및 다양한 위치정보를 이용하여 2차 감염병유행도를 판단한다. 상기 감염병유행도 판단부(100)는 감염병으로 진단된 사람에게서 수집된 다양한 감염병정보 및 다양한 위치정보를 정보저장부에 저장할 수 있으며, 상기 감염병유행도 판단부(100)는 수집된 다양한 감염병정보 및 다양한 위치정보를 2차감염병유행도 판단을 위해 처리 가능하도록 유효한 정보로 가공 처리할 수 있다. 가공 처리 과정에서 다양한 감염병정보 및 다양한 위치정보는 필요에 따라 다양한 변환, 연산 처리 등이 수반될 수 있다. 2차 감염병유행도 판단은 다양한 정보와 다양한 방식으로 판단될 수 있으며, 특정한 정보와 특정한 방식을 이용하여 2차감염병유행도를 판단하는 것으로 한정되는 것은 아니다.
감염병으로 진단된 사람에게서 수집된 다양한 감염병정보 및 다양한 위치정보를 이용하여 감염병유행도 판단부(100)가 2차 감염병유행도를 판단하는데, 2차 감염병유행도는 이하의 지역평균체온과 지역감염병분율을 포함하여 판단될 수 있다.
지역평균체온 : mtemp(lat, lng) = ∑(tempi/tempn)
lat: 개인의 위치정보와 관련된 위도
lng: 개인의 위치정보와 관련된 경도
tempi : 개인과 같은 도시(시/군/구) 안에서 전일 측정된 다른 체온들
tempn : 개인과 같은 도시(시/군/구) 안에서 전일 측정된 다른 체온들의 갯수
지역평균체온(mtemp(lat, lng))은 개인의 위치정보와 관련된 위도 및 경도가 속하는 도시(시/군/구) 안에서 전일 측정된 다른 체온들의 합을 전일 측정된 다른 체온들의 갯수로 나눈 것으로서, 개인의 위치정보와 관련된 위도 및 경도가 속하는 도시는 시/군/구라는 행정구역으로 특정할 수 있고, 개인의 위치정보와 관련된 위도 및 경도에서 일정 반경 내의 지역으로 특정할 수도 있다. 지역평균체온(mtemp(lat, lng))에 의해 전일의 지역평균체온이 이전(예를 들어 일주일 전)의 지역평균체온 보다 얼마나 높은지 알 수 있고, 이를 통해 2차 감염병유행도를 판단할 수 있다.
지역감염병분율 : Plocal(d, r) = Infectiouslocal7(d, r)/diagnosislocal7(d, r)
Infectiouslocal7(d, r) : 개인의 위치정보와 거리 r 이내, 특정일 d 기준으로 이전 7일간의 감염병 진단수
diagnosislocal7(d, r) : 개인의 위치정보와 거리 r 이내, 특정일 d 기준으로 이전 7일간의 질병 진단수
지역감염병분율(Plocal(d, r))은 개인의 위치정보와 거리 r 이내에서 특정일 d 기준으로 이전 7일간의 감염병 진단수를 개인의 위치정보와 거리 r 이내에서 특정일 d 기준으로 이전 7일간의 질병 진단수로 나눈 것으로서, 특정지역과 특정일 d 기준으로 이전 7일간의 질병 진단수 중 특정지역과 특정일을 기준으로 7일간 감염병 진단수가 얼마만큼의 비율을 차지하는지 알 수 있고, 특정지역과 특정일 d 기준으로 7일 이전의 감염병 비율과 대비하여 특정일 d 기준으로 7일간 특정지역에서 감염병 비율이 얼마나 증가하였는지 알 수 있다. 특정일 d는 자유롭게 선택될 수 있는데, 일반적으로 특정일 d는 개인의 감염병정보가 입력되거나 수집된 날을 선택하는 것이 바람직하다.
본 발명인 감염병가능성 예측장치에서 감염병가능성 판단부(300)는 감염병으로 진단된 사람에게서 수집된 다양한 감염병정보 및 다양한 위치정보를 이용하여 다양한 방식으로 감염병유행도 판단부(100)가 판단한 1차 감염병유행도, 2차 감염병유행도와 개인의 감염병정보, 개인의 위치정보를 활용하여 딥 러닝 기반의 인공신경망 학습을 수행한다. 인공신경망 학습은 개인의 감염병정보와 기존에 감염병으로 진단된 사람에게서 수집된 다양한 감염병정보를 비교하여 유사도를 판단하고 학습하며, 개인의 위치정보와 기존에 감염병으로 진단된 사람에게서 수집된 다양한 위치정보를 비교하여 근접도를 판단하고 학습하며, 감염병으로 진단된 사람에게서 수집된 다양한 감염병정보, 다양한 위치정보를 이용하여 다양한 방식으로 판단된 1차 감염병유행도와 2차 감염병유행도를 활용하여 개인의 감염가능성을 판단하고 학습하는 방식으로 진행한다.
본 발명의 실시예에 따른 감염병가능성 예측장치에서 상기 위치정보수집부(500)는 감염병으로 진단된 사람의 기존 위치정보와 개인의 위치정보를 이용하여 거리를 계산하며, 상기 감염병가능성 출력전송부(400)를 통해 계산된 거리를 출력하거나 전송하여 경고하는 기능을 수행할 수 있다. 본 발명의 실시예에 따른 감염병가능성 예측장치에서 상기 위치정보수집부(500)는 개인의 위치정보 변동에 따라 감염병으로 진단된 사람의 기존 위치정보와 거리를 실시간으로 계산하여 상기 감염병가능성 출력전송부(400)를 통해 계산된 거리를 출력하거나 전송할 수 있으며, 일정한 거리 이내로 계산되는 경우에는 경고음이나 진동을 발생시켜 개인에게 감염위험을 경고할 수 있다. 경고음이나 진동을 발생시키는 일정한 거리는 상황에 따라 수정될 수 있으며, 경우에 따라서는 개인의 동의나 이에 준하는 행정명령 또는 사법적 조치 등이 있으면, 상기 질병가능성 출력전송부(400)는 상기 위치정보수집부(500)의 계산결과를 외부의 정부기관, 정보관리기업, 연구기관, 연구소 등에 전송할 수 있다.
도 3은 본 발명의 실시예에 따라 3차 감염병유행도를 판단하고 이를 이용하여 개인의 감염병가능성을 판단하는 감염병가능성 예측장치의 구성을 보여주는 도면이다.
도 3에 의하면, 본 발명의 실시예에 따른 감염병가능성 예측장치는 감염병정보가 수집된 장소와 관련하여 개인의 기후정보를 수집하는 기후정보 수집부(600)를 추가로 포함하며, 상기 감염병유행도 판단부(100)는 감염병으로 진단된 사람에게서 수집된 기존 감염병정보, 기존 위치정보 및 기존 기후정보를 이용하여 3차 감염병유행도를 판단하며, 상기 감염병가능성 판단부(300)는 상기 1차 감염병유행도, 상기 2차 감염병 유행도, 상기 3차 감염병유행도, 상기 개인의 감염병정보, 상기 개인의 위치정보 및 상기 개인의 기후정보에 대한 딥러닝 기반의 인공신경망 학습을 수행하여 개인의 감염병가능성을 판단하는 것을 특징으로 할 수 있다.
본 발명인 감염병가능성 예측장치에서 기후정보 수집부(600)는 자동으로 다양한 기후정보를 파악하거나 외부로부터 다양한 기후정보를 입력받을 수 있으며, 그 밖에 유무선 통신을 통해 다양한 기후정보를 수신받는 등, 다양한 방식으로 기후정보를 수집하는 역할을 수행한다. 상기 기후정보 수집부(600)가 수집하는 기후정보에는 특별한 제한이 없으며, 기본적으로 개인의 위치정보에 따른 지역의 기온, 지역의 습도, 지역의 강우 여부, 지역의 강설 여부, 지역의 시간의 변화에 따른 기온 또는 습도의 변화정도, 개인의 위치정보 변화에 따른 기온 또는 습도의 변화정도 등의 기후정보를 포함한다. 또한 상기 기후정보 수집부(600)가 다양한 기후정보를 수집하는 방식에는 특별한 제한이 존재하는 것이 아니고, 개인이 감염병가능성 예측장치를 통해 입력하거나 자동 파악된 개인의 위치에 따른 기후정보, 개인이 다른 종류의 단말을 통해 입력하거나 파악된 개인의 위치에 따른 기후정보, 국내외 기상청, 외부 기관이나 기상정보회사 등이 파악하여 유무선 통신을 통해 송신된 다양한 기후정보, 외부에 저장된 서버 등에서 유무선 통신을 통해 송신된 다양한 기후정보, 정부 기관이 보유하여 유무선 통신을 통해 송신된 다양한 기후정보 등이 이에 포함될 수 있다.
본 발명인 감염병가능성 예측장치에서 감염병유행도 판단부(100)는 기존에 감염병으로 진단된 사람에게서 수집된 다양한 감염병정보, 다양한 위치정보 및 다양한 기후정보를 이용하여 3차 감염병유행도를 판단한다. 상기 감염병유행도 판단부(100)는 감염병으로 진단된 사람에게서 수집된 다양한 감염병정보, 다양한 위치정보 및 다양한 기후정보를 정보저장부에 저장할 수 있으며, 상기 감염병유행도 판단부(100)는 수집된 다양한 감염병정보, 다양한 위치정보 및 다양한 기후정보를 3차감염병유행도 판단을 위해 처리 가능하도록 유효한 정보로 가공 처리할 수 있다. 가공 처리 과정에서 다양한 감염병정보, 다양한 위치정보 및 다양한 기후정보는 필요에 따라 다양한 변환, 연산 처리 등이 수반될 수 있다. 3차 감염병유행도 판단은 다양한 정보와 다양한 방식으로 판단될 수 있으며, 특정한 정보와 특정한 방식을 이용하여 3차감염병유행도를 판단하는 것으로 한정되는 것은 아니다.
본 발명인 감염병가능성 예측장치에서 감염병가능성 판단부(300)는 감염병으로 진단된 사람에게서 수집된 다양한 감염병정보, 다양한 위치정보 및 다양한 기후정보를 이용하여 다양한 방식으로 감염병유행도 판단부(100)가 판단한 1차 감염병유행도, 2차 감염병유행도, 3차 감염병유행도와 개인의 감염병정보, 개인의 위치정보, 개인의 기후정보를 활용하여 딥 러닝 기반의 인공신경망 학습을 수행한다. 인공신경망 학습은 개인의 감염병정보와 기존에 감염병으로 진단된 사람에게서 수집된 다양한 감염병정보를 비교하여 유사도를 판단하고 학습하며, 개인의 위치정보와 기존에 감염병으로 진단된 사람에게서 수집된 다양한 위치정보를 비교하여 근접도를 판단하고 학습하며, 개인의 기후정보와 기존에 감염병으로 진단된 사람에게서 수집된 다양한 기후정보를 비교하여 근사성을 판단하고 학습하며, 감염병으로 진단된 사람에게서 수집된 다양한 감염병정보, 다양한 위치정보, 다양한 기후정보를 이용하여 다양한 방식으로 판단된 1차 감염병유행도, 2차 감염병유행도와 3차 감염병유행도를 활용하여 개인의 감염가능성을 판단하고 학습하는 방식으로 진행한다.
도 4는 본 발명의 실시예에 따라 4차 감염병유행도를 판단하고 이를 이용하여 개인의 감염병가능성을 판단하는 감염병가능성 예측장치의 구성을 보여주는 도면이다.
도 4에 의하면, 본 발명의 실시예에 따른 감염병가능성 예측장치는 진찰자료, 검사자료, 투약한 약의 정보, 투약 주기, 투약 후 체온 및 투약 후 감염병 증상을 포함하는 개인의 의료정보를 수집하는 의료정보 수집부(700)를 추가로 포함하며, 상기 감염병유행도 판단부(100)는 감염병으로 진단된 사람에게서 수집된 기존 감염병정보, 기존 위치정보, 기존 기후정보 및 기존 의료정보를 이용하여 4차 감염병유행도를 판단하며, 상기 감염병가능성 판단부(300)는 상기 1차 감염병유행도, 상기 2차 감염병 유행도, 상기 3차 감염병유행도, 상기 4차 감염병유행도, 상기 개인의 감염병정보, 상기 개인의 위치정보, 상기 개인의 기후정보 및 상기 개인의 의료정보에 대한 딥러닝 기반의 인공신경망 학습을 수행하여 개인의 감염병가능성을 판단하는 것을 특징으로 할 수 있다.
본 발명인 감염병가능성 예측장치에서 의료정보 수집부(700)는 자동으로 다양한 의료정보를 파악하거나 외부로부터 다양한 의료정보를 입력받을 수 있으며, 그 밖에 유무선 통신을 통해 다양한 의료정보를 수신받는 등, 다양한 방식으로 의료정보를 수집하는 역할을 수행한다. 상기 의료정보 수집부(700)가 수집하는 의료정보에는 특별한 제한이 없으며, 기본적으로 개인의 진단정보, 진단자료, 투약한 약의 정보, 투약 주기, 투약 후 체온 및 투약 후 감염병 증상 등을 포함하며, 개인의 진단사진, 개인의 기저질환 정보, 개인의 가족력, 개인의 유전정보, 개인의 생체정보 등의 의료정보를 포함한다. 또한 상기 의료정보 수집부(700)가 다양한 의료정보를 수집하는 방식에는 특별한 제한이 존재하는 것이 아니고, 개인이 감염병가능성 예측장치를 통해 입력하거나 자동 파악된 개인의 의료정보, 개인이 다른 종류의 단말을 통해 입력하거나 파악된 개인의 의료정보, 국내외 의료기관, 검사기관, 국민건강보험공단, 보험회사, 보건복지부, 기타 기관이나 회사 등이 파악하여 유무선 통신을 통해 송신된 다양한 의료정보, 외부에 저장된 서버 등에서 유무선 통신을 통해 송신된 다양한 의료정보, 정부 기관이 보유하여 유무선 통신을 통해 송신된 다양한 의료정보 등이 이에 포함될 수 있다.
본 발명인 감염병가능성 예측장치에서 감염병유행도 판단부(100)는 기존에 감염병으로 진단된 사람에게서 수집된 다양한 감염병정보, 다양한 위치정보, 다양한 기후정보 및 다양한 의료정보를 이용하여 4차 감염병유행도를 판단한다. 상기 감염병유행도 판단부(100)는 감염병으로 진단된 사람에게서 수집된 다양한 감염병정보, 다양한 위치정보, 다양한 기후정보 및 다양한 의료정보를 정보저장부에 저장할 수 있으며, 상기 감염병유행도 판단부(100)는 수집된 다양한 감염병정보, 다양한 위치정보, 다양한 기후정보 및 다양한 의료정보를 4차감염병유행도 판단을 위해 처리 가능하도록 유효한 정보로 가공 처리할 수 있다. 가공 처리 과정에서 다양한 감염병정보, 다양한 위치정보, 다양한 기후정보 및 다양한 의료정보는 필요에 따라 다양한 변환, 연산 처리 등이 수반될 수 있다. 4차 감염병유행도 판단은 다양한 정보와 다양한 방식으로 판단될 수 있으며, 특정한 정보와 특정한 방식을 이용하여 4차감염병유행도를 판단하는 것으로 한정되는 것은 아니다.
본 발명인 감염병가능성 예측장치에서 감염병가능성 판단부(300)는 감염병으로 진단된 사람에게서 수집된 다양한 감염병정보, 다양한 위치정보, 다양한 기후정보 및 다양한 의료정보를 이용하여 다양한 방식으로 감염병유행도 판단부(100)가 판단한 1차 감염병유행도, 2차 감염병유행도, 3차 감염병유행도, 4차 감염병유행도와 개인의 감염병정보, 개인의 위치정보, 개인의 기후정보, 개인의 의료정보를 활용하여 딥 러닝 기반의 인공신경망 학습을 수행한다. 인공신경망 학습은 개인의 감염병정보와 기존에 감염병으로 진단된 사람에게서 수집된 다양한 감염병정보를 비교하여 유사도를 판단하고 학습하며, 개인의 위치정보와 기존에 감염병으로 진단된 사람에게서 수집된 다양한 위치정보를 비교하여 근접도를 판단하고 학습하며, 개인의 기후정보와 기존에 감염병으로 진단된 사람에게서 수집된 다양한 기후정보를 비교하여 근사성을 판단하고 학습하며, 개인의 의료정보와 기존에 감염병으로 진단된 사람에게서 수집된 다양한 의료정보를 비교하여 밀접성을 판단하고 학습하며, 감염병으로 진단된 사람에게서 수집된 다양한 감염병정보, 다양한 위치정보, 다양한 기후정보, 다양한 의료정보를 이용하여 다양한 방식으로 판단된 1차 감염병유행도, 2차 감염병유행도, 3차 감염병유행도와 제4차 감염병유행도를 활용하여 개인의 감염가능성을 판단하고 학습하는 방식으로 진행한다.
도 5는 본 발명의 실시예에 따라 1차 감염병유행도를 판단하고 이를 이용하여 개인의 감염병가능성을 판단하는 감염병가능성 예측방법의 순서를 보여주는 도면이다.
도 5에 의하면, 본 발명의 실시예에 따른 감염병가능성 예측방법은 감염병으로 진단된 사람에게서 수집된 기존 감염병정보를 이용하여 1차 감염병유행도를 판단하는 단계(S101), 체온 및 감염병 증상을 포함하는 개인의 감염병정보를 수집하는 단계(S102), 상기 1차 감염병유행도 및 상기 개인의 감염병정보에 대해 딥러닝 기반의 인공신경망 학습을 수행하여 개인의 감염병가능성을 판단하는 단계(S103) 및 상기 감염병가능성 판단부의 판단결과를 출력하거나 전송하는 단계(S104)를 포함하여 구성된다.
감염병으로 진단된 사람에게서 수집된 기존 감염병정보를 이용하여 1차 감염병유행도를 판단하는 단계(S101)는 감염병유행도 판단부(100)에서 수행되며, 감염병유행도 판단부(100)는 수집된 다양한 감염병정보를 1차 감염병유행도 판단을 위해 처리 가능하도록 유효한 정보로 가공 처리할 수 있다. 가공된 다양한 감염병정보를 이용하여 감염병유행도 판단부(100)가 단순유행도와 표준유행도를 포함하여 1차 감염병유행도를 판단하는데, 감염병유행도 판단부(100)에서 고려되는 감염병유행도가 단순유행도와 표준유행도에 한정되는 것은 아니다. 즉, 감염병으로 진단된 사람에게서 수집된 다양한 감염병정보를 이용하여 감염병유행도 판단부(100)가 다양한 방식으로 1차 감염병유행도를 판단할 수 있다.
체온 및 감염병 증상을 포함하는 개인의 감염병정보를 수집하는 단계(S102)는 감염병정보 수집부(200)에서 수행되며, 감염병정보 수집부(200)는 외부로부터 다양한 감염병정보를 입력받거나, 외부로부터 다양한 감염병정보를 유무선 통신을 통해 수신받는다. 상기 감염병정보 수집부(200)가 수집하는 감염병정보에는 특별한 제한이 없고, 다양한 감염병정보를 수집하는 방식에도 특별한 제한이 존재하는 것이 아니다.
상기 1차 감염병유행도 및 상기 개인의 감염병정보에 대해 딥러닝 기반의 인공신경망 학습을 수행하여 개인의 감염병가능성을 판단하는 단계(S103)는 감염병가능성 판단부(300)에서 수행되며, 감염병으로 진단된 사람에게서 수집된 다양한 감염병정보를 이용하여 다양한 방식으로 감염병유행도 판단부(100)가 판단한 1차 감염병유행도와 개인의 감염병정보를 활용하여 딥 러닝 기반의 인공신경망 학습을 수행한다.
상기 감염병가능성 판단부의 판단결과를 출력하거나 전송하는 단계(S104)는 감염병가능성 출력전송부(400)에서 수행되며, 감염병가능성 판단부(300)의 판단결과를 개인에게 출력하거나, 경우에 따라 개인의 동의나 이에 준하는 행정명령 또는 사법적 조치 등이 있으면 감염병가능성 판단부(300)의 판단결과를 외부에 전송하는 단계이다.
도 6은 본 발명의 실시예에 따라 2차 감염병유행도를 판단하고 이를 이용하여 개인의 감염병가능성을 판단하는 감염병가능성 예측방법의 순서를 보여주는 도면이다.
도 6에 의하면, 본 발명의 실시예에 따른 감염병가능성 예측방법은 감염병으로 진단된 사람에게서 수집된 기존 감염병정보를 이용하여 1차 감염병유행도를 판단하는 단계(S201), 감염병으로 진단된 사람에게서 수집된 기존 감염병정보와 기존 위치정보를 이용하여 2차 감염병유행도를 판단하는 단계(S202), 체온 및 감염병 증상을 포함하는 개인의 감염병정보를 수집하는 단계(S203), 감염병정보가 수집된 장소와 관련하여 개인의 위치정보를 수집하는 단계(S204), 상기 1차 감염병유행도, 상기 2차 감염병 유행도, 상기 개인의 감염병정보 및 상기 개인의 위치정보에 대해 딥러닝 기반의 인공신경망 학습을 수행하여 개인의 감염병가능성을 판단하는 단계(S205) 및 상기 감염병가능성 판단부의 판단결과를 출력하거나 전송하는 단계(S206)를 포함하여 구성된다.
감염병으로 진단된 사람에게서 수집된 기존 감염병정보를 이용하여 1차 감염병유행도를 판단하는 단계(S201)는 감염병유행도 판단부(100)에서 수행되며, 감염병으로 진단된 사람에게서 수집된 다양한 감염병정보를 이용하여 감염병유행도 판단부(100)가 다양한 방식으로 1차 감염병유행도를 판단할 수 있다.
감염병으로 진단된 사람에게서 수집된 기존 감염병정보와 기존 위치정보를 이용하여 2차 감염병유행도를 판단하는 단계(S202)는 감염병유행도 판단부(100)에서 수행되며, 감염병유행도 판단부(100)는 수집된 다양한 감염병정보와 다양한 위치정보를 2차 감염병유행도 판단을 위해 처리 가능하도록 유효한 정보로 가공 처리할 수 있다. 가공된 다양한 감염병정보와 다양한 위치정보를 이용하여 감염병유행도 판단부(100)가 지역평균체온과 지역감염병분율을 포함하여 2차 감염병유행도를 판단하는데, 감염병유행도 판단부(100)에서 고려되는 요소가 지역평균체온과 지역감염병분율에 한정되는 것은 아니다. 즉, 감염병으로 진단된 사람에게서 수집된 다양한 감염병정보와 다양한 위치정보를 이용하여 감염병유행도 판단부(100)가 다양한 방식으로 2차 감염병유행도를 판단할 수 있다.
체온 및 감염병 증상을 포함하는 개인의 감염병정보를 수집하는 단계(S203)는 감염병정보 수집부(200)에서 수행되며, 수집하는 감염병정보와 수집하는 방식에 특별한 제한이 존재하는 것이 아니다.
감염병정보가 수집된 장소와 관련하여 개인의 위치정보를 수집하는 단계(S204)는 위치정보 수집부(500)에서 수행되며, 위치정보 수집부(500)는 자동으로 다양한 위치정보를 파악하거나 외부로부터 다양한 위치정보를 입력받을 수 있다. 상기 위치정보 수집부(500)가 수집하는 위치정보에는 특별한 제한이 없고, 다양한 위치정보를 수집하는 방식에도 특별한 제한이 존재하는 것이 아니다.
상기 1차 감염병유행도, 상기 2차 감염병 유행도, 상기 개인의 감염병정보 및 상기 개인의 위치정보에 대해 딥러닝 기반의 인공신경망 학습을 수행하여 개인의 감염병가능성을 판단하는 단계(S205)는 감염병가능성 판단부(300)에서 수행되며, 감염병으로 진단된 사람에게서 수집된 다양한 감염병정보와 다양한 위치정보를 이용하여 다양한 방식으로 감염병유행도 판단부(100)가 판단한 1차 감염병유행도, 2차 감염병유행도와 개인의 감염병정보, 개인의 위치정보를 활용하여 딥 러닝 기반의 인공신경망 학습을 수행한다.
상기 감염병가능성 판단부의 판단결과를 출력하거나 전송하는 단계(S206)는 감염병가능성 출력전송부(400)에서 수행되며, 감염병가능성 판단부(300)의 판단결과를 출력하거나 전송하는 단계이다.
도 7은 본 발명의 실시예에 따라 3차 감염병유행도를 판단하고 이를 이용하여 개인의 감염병가능성을 판단하는 감염병가능성 예측방법의 순서를 보여주는 도면이다.
도 7에 의하면, 본 발명의 실시예에 따른 감염병가능성 예측방법은 감염병으로 진단된 사람에게서 수집된 기존 감염병정보를 이용하여 1차 감염병유행도를 판단하는 단계(S301), 감염병으로 진단된 사람에게서 수집된 기존 감염병정보와 기존 위치정보를 이용하여 2차 감염병유행도를 판단하는 단계(S302), 감염병으로 진단된 사람에게서 수집된 기존 감염병정보, 기존 위치정보 및 기존 기후정보를 이용하여 3차 감염병유행도를 판단하는 단계(S303), 체온 및 감염병 증상을 포함하는 개인의 감염병정보를 수집하는 단계(S304), 감염병정보가 수집된 장소와 관련하여 개인의 위치정보를 수집하는 단계(S305), 감염병정보가 수집된 장소와 관련하여 개인의 기후정보를 수집하는 단계(S306), 상기 1차 감염병유행도, 상기 2차 감염병 유행도, 상기 3차 감염병유행도, 상기 개인의 감염병정보, 상기 개인의 위치정보 및 상기 개인의 기후정보에 대한 딥러닝 기반의 인공신경망 학습을 수행하여 개인의 감염병가능성을 판단하는 단계(S307) 및 상기 감염병가능성 판단부의 판단결과를 출력하거나 전송하는 단계(S308)를 포함하여 구성된다.
감염병으로 진단된 사람에게서 수집된 기존 감염병정보를 이용하여 1차 감염병유행도를 판단하는 단계(S301)는 감염병유행도 판단부(100)에서 수행되며, 감염병으로 진단된 사람에게서 수집된 다양한 감염병정보를 이용하여 감염병유행도 판단부(100)가 다양한 방식으로 1차 감염병유행도를 판단할 수 있다.
감염병으로 진단된 사람에게서 수집된 기존 감염병정보와 기존 위치정보를 이용하여 2차 감염병유행도를 판단하는 단계(S302)는 감염병유행도 판단부(100)에서 수행되며, 감염병으로 진단된 사람에게서 수집된 다양한 감염병정보와 다양한 위치정보를 이용하여 감염병유행도 판단부(100)가 다양한 방식으로 2차 감염병유행도를 판단할 수 있다.
감염병으로 진단된 사람에게서 수집된 기존 감염병정보, 기존 위치정보 및 기존 기후정보를 이용하여 3차 감염병유행도를 판단하는 단계(S303)는 감염병유행도 판단부(100)에서 수행되며, 감염병유행도 판단부(100)는 수집된 다양한 감염병정보, 다양한 위치정보와 다양한 기후정보를 3차 감염병유행도 판단을 위해 처리 가능하도록 유효한 정보로 가공 처리할 수 있다. 가공된 다양한 감염병정보, 다양한 위치정보와 다양한 기후정보를 이용하여 감염병유행도 판단부(100)가 3차 감염병유행도를 판단하는데, 3차 감염병유행도 판단에서 고려되는 요소와 방식에 특별한 제한이 존재하는 것은 아니다. 즉, 감염병으로 진단된 사람에게서 수집된 다양한 감염병정보, 다양한 위치정보와 다양한 기후정보를 이용하여 감염병유행도 판단부(100)가 다양한 방식으로 3차 감염병유행도를 판단할 수 있다.
체온 및 감염병 증상을 포함하는 개인의 감염병정보를 수집하는 단계(S304)는 감염병정보 수집부(200)에서 수행되며, 수집하는 감염병정보와 수집하는 방식에 특별한 제한이 존재하는 것이 아니다.
감염병정보가 수집된 장소와 관련하여 개인의 위치정보를 수집하는 단계(S305)는 위치정보 수집부(500)에서 수행되며, 수집하는 위치정보와 수집하는 방식에 특별한 제한이 존재하는 것이 아니다.
감염병정보가 수집된 장소와 관련하여 개인의 기후정보를 수집하는 단계(S306)는 기후정보 수집부(600)에서 수행되며, 기후정보 수집부(600)는 자동으로 다양한 기후정보를 파악하거나 외부로부터 다양한 기후정보를 입력받을 수 있고, 그 밖에 유무선 통신을 통해 다양한 기후정보를 수신받을 수 있다. 상기 기후정보 수집부(600)가 수집하는 기후정보에는 특별한 제한이 없고, 다양한 기후정보를 수집하는 방식에도 특별한 제한이 존재하는 것이 아니다.
상기 1차 감염병유행도, 상기 2차 감염병 유행도, 상기 3차 감염병유행도, 상기 개인의 감염병정보, 상기 개인의 위치정보 및 상기 개인의 기후정보에 대한 딥러닝 기반의 인공신경망 학습을 수행하여 개인의 감염병가능성을 판단하는 단계(S307)는 감염병가능성 판단부(300)에서 수행되며, 감염병으로 진단된 사람에게서 수집된 다양한 감염병정보, 다양한 위치정보와 다양한 기후정보를 이용하여 다양한 방식으로 감염병유행도 판단부(100)가 판단한 1차 감염병유행도, 2차 감염병유행도, 3차 감염병유행도와 개인의 감염병정보, 개인의 위치정보, 개인의 기후정보를 활용하여 딥 러닝 기반의 인공신경망 학습을 수행한다.
상기 감염병가능성 판단부의 판단결과를 출력하거나 전송하는 단계(S308)는 감염병가능성 출력전송부(400)에서 수행되며, 감염병가능성 판단부(300)의 판단결과를 출력하거나 전송하는 단계이다.
도 8은 본 발명의 실시예에 따라 4차 감염병유행도를 판단하고 이를 이용하여 개인의 감염병가능성을 판단하는 감염병가능성 예측방법의 순서를 보여주는 도면이다.
도 8에 의하면, 본 발명의 실시예에 따른 감염병가능성 예측방법은 감염병으로 진단된 사람에게서 수집된 기존 감염병정보를 이용하여 1차 감염병유행도를 판단하는 단계(S401), 감염병으로 진단된 사람에게서 수집된 기존 감염병정보와 기존 위치정보를 이용하여 2차 감염병유행도를 판단하는 단계(S402), 감염병으로 진단된 사람에게서 수집된 기존 감염병정보, 기존 위치정보 및 기존 기후정보를 이용하여 3차 감염병유행도를 판단하는 단계(S403), 감염병으로 진단된 사람에게서 수집된 기존 감염병정보, 기존 위치정보, 기존 기후정보 및 기존 의료정보에 따라 4차 감염병유행도를 판단하는 단계(S404), 체온 및 감염병 증상을 포함하는 개인의 감염병정보를 수집하는 단계(S405), 감염병정보가 수집된 장소와 관련하여 개인의 위치정보를 수집하는 단계(S406), 감염병정보가 수집된 장소와 관련하여 개인의 기후정보를 수집하는 단계(S407), 진찰자료, 검사자료, 투약한 약의 정보, 투약 주기, 투약 후 체온 및 투약 후 감염병 증상을 포함하는 개인의 의료정보를 수집하는 단계(S408), 상기 1차 감염병유행도, 상기 2차 감염병 유행도, 상기 3차 감염병유행도, 상기 4차 감염병유행도, 상기 개인의 감염병정보, 상기 개인의 위치정보, 상기 개인의 기후정보 및 상기 개인의 의료정보에 대한 딥러닝 기반의 인공신경망 학습을 수행하여 개인의 감염병가능성을 판단하는 단계(S409) 및 상기 감염병가능성 판단부의 판단결과를 출력하거나 전송하는 단계(S410)를 포함하여 구성된다.
감염병으로 진단된 사람에게서 수집된 기존 감염병정보를 이용하여 1차 감염병유행도를 판단하는 단계(S401)는 감염병유행도 판단부(100)에서 수행되며, 감염병으로 진단된 사람에게서 수집된 다양한 감염병정보를 이용하여 감염병유행도 판단부(100)가 다양한 방식으로 1차 감염병유행도를 판단할 수 있다.
감염병으로 진단된 사람에게서 수집된 기존 감염병정보와 기존 위치정보를 이용하여 2차 감염병유행도를 판단하는 단계(S402)는 감염병유행도 판단부(100)에서 수행되며, 감염병으로 진단된 사람에게서 수집된 다양한 감염병정보와 다양한 위치정보를 이용하여 감염병유행도 판단부(100)가 다양한 방식으로 2차 감염병유행도를 판단할 수 있다.
감염병으로 진단된 사람에게서 수집된 기존 감염병정보, 기존 위치정보 및 기존의 기후정보를 이용하여 3차 감염병유행도를 판단하는 단계(S403)는 감염병유행도 판단부(100)에서 수행되며, 감염병으로 진단된 사람에게서 수집된 다양한 감염병정보, 다양한 위치정보와 다양한 기후정보를 이용하여 감염병유행도 판단부(100)가 다양한 방식으로 3차 감염병유행도를 판단할 수 있다.
감염병으로 진단된 사람에게서 수집된 기존 감염병정보, 기존 위치정보, 기존 기후정보 및 기존 의료정보에 따라 4차 감염병유행도를 판단하는 단계(S404)는 감염병유행도 판단부(100)에서 수행되며, 감염병유행도 판단부(100)는 수집된 다양한 감염병정보, 다양한 위치정보, 다양한 기후정보와 다양한 의료정보를 4차 감염병유행도 판단을 위해 처리 가능하도록 유효한 정보로 가공 처리할 수 있다. 가공된 다양한 감염병정보, 다양한 위치정보, 다양한 기후정보와 다양한 의료정보를 이용하여 감염병유행도 판단부(100)가 4차 감염병유행도를 판단하는데, 4차 감염병유행도 판단에서 고려되는 요소와 방식에 특별한 제한이 존재하는 것은 아니다. 즉, 감염병으로 진단된 사람에게서 수집된 다양한 감염병정보, 다양한 위치정보, 다양한 기후정보와 다양한 의료정보를 이용하여 감염병유행도 판단부(100)가 다양한 방식으로 4차 감염병유행도를 판단할 수 있다.
체온 및 감염병 증상을 포함하는 개인의 감염병정보를 수집하는 단계(S405)는 감염병정보 수집부(200)에서 수행되며, 수집하는 감염병정보와 수집하는 방식에 특별한 제한이 존재하는 것이 아니다.
감염병정보가 수집된 장소와 관련하여 개인의 위치정보를 수집하는 단계(S406)는 위치정보 수집부(500)에서 수행되며, 수집하는 위치정보와 수집하는 방식에 특별한 제한이 존재하는 것이 아니다.
감염병정보가 수집된 장소와 관련하여 개인의 기후정보를 수집하는 단계(S407)는 기후정보 수집부(600)에서 수행되며, 수집하는 기후정보와 수집하는 방식에 특별한 제한이 존재하는 것이 아니다.
투약한 약의 정보, 투약 주기, 투약 후 체온 및 투약 후 감염병 증상을 포함하는 개인의 의료정보를 수집하는 단계(S408)는 의료정보수집부(700)에서 수행되며, 의료정보 수집부(700)는 자동으로 다양한 의료정보를 파악하거나 외부로부터 다양한 의료정보를 입력받을 수 있고, 그 밖에 유무선 통신을 통해 다양한 의료정보를 수신받을 수 있다. 상기 의료정보 수집부(700)가 수집하는 의료정보에는 특별한 제한이 없고, 다양한 의료정보를 수집하는 방식에도 특별한 제한이 존재하는 것이 아니다.
상기 1차 감염병유행도, 상기 2차 감염병 유행도, 상기 3차 감염병유행도, 상기 4차 감염병유행도, 상기 개인의 감염병정보, 상기 개인의 위치정보, 상기 개인의 기후정보 및 상기 개인의 의료정보에 대한 딥러닝 기반의 인공신경망 학습을 수행하여 개인의 감염병가능성을 판단하는 단계(S409)는 감염병가능성 판단부(300)에서 수행되며, 감염병으로 진단된 사람에게서 수집된 다양한 감염병정보, 다양한 위치정보, 다양한 기후정보와 다양한 의료정보를 이용하여 다양한 방식으로 감염병유행도 판단부(100)가 판단한 1차 감염병유행도, 2차 감염병유행도, 3차 감염병유행도, 4차 감염병유행도와 개인의 감염병정보, 개인의 위치정보, 개인의 기후정보, 개인의 의료정보를 활용하여 딥 러닝 기반의 인공신경망 학습을 수행한다.
상기 감염병가능성 판단부의 판단결과를 출력하거나 전송하는 단계(S410)는 감염병가능성 출력전송부(400)에서 수행되며, 감염병가능성 판단부(300)의 판단결과를 출력하거나 전송하는 단계이다.
이상에서는 본 발명의 바람직한 실시예에 대하여 도시하고 설명하였지만, 본 발명은 상술한 특정의 실시예에 한정되지 아니하며, 청구범위에서 청구하는 본 발명의 요지를 벗어남이 없이 당해 발명이 속하는 기술분야에서 통상의 지식을 가진자에 의해 변형실시 또는 추가실시가 가능한 것은 물론이고, 이러한 변형실시 또는 추가실시들은 본 발명의 기술적 사상이나 전망으로부터 개별적으로 이해되어져서는 안될 것이다.
본 발명은 감염병가능성 예측장치 및 이를 이용한 감염병가능성 예측방법에 관한 것으로, 감염병가능성을 예측하여 확산이나 유행을 방지하기 위한 산업분야에 이용 가능하다.
100: 감염병유행도 판단부
200: 감염병정보 수집부
300: 감염병가능성 판단부
400: 감염병가능성 출력전송부
500: 위치정보 수집부
600: 기후정보 수집부
700: 의료정보 수집부
200: 감염병정보 수집부
300: 감염병가능성 판단부
400: 감염병가능성 출력전송부
500: 위치정보 수집부
600: 기후정보 수집부
700: 의료정보 수집부
Claims (11)
- 삭제
- 감염병으로 진단된 사람에게서 수집된 기존 감염병정보를 이용하여 1차 감염병유행도를 판단하는 감염병유행도 판단부;
체온 및 감염병 증상을 포함하는 개인의 감염병정보를 수집하는 감염병정보 수집부;
상기 1차 감염병유행도 및 상기 개인의 감염병정보에 대해 딥러닝 기반의 인공신경망 학습을 수행하여 개인의 감염병가능성을 판단하는 감염병가능성 판단부; 및
상기 감염병가능성 판단부의 판단결과를 출력하거나 전송하는 감염병가능성 출력전송부;를 포함하며,
1차 감염병유행도는 이하의 단순유행도와 표준유행도를 포함하여 판단되는 것을 특징으로 하는 감염병가능성 예측장치.
단순유행도: Psimple(d) = Infectious7(d)/Infectious365(d)
Infectious7(d) : 특정일 d 기준으로 이전 7일간의 감염병 진단수
Infectious365(d) : 특정일 d 기준으로 이전 365일간의 감염병 진단수
표준유행도 : Pstandard(d) = Infectious7(d)/diagnosis7(d)
Infectious7(d) : 특정일 d 기준으로 이전 7일간의 감염병 진단수
diagnosis7(d) : 특정일 d 기준으로 이전 7일간의 질병 진단수
- 감염병으로 진단된 사람에게서 수집된 기존 감염병정보를 이용하여 1차 감염병유행도를 판단하는 감염병유행도 판단부;
체온 및 감염병 증상을 포함하는 개인의 감염병정보를 수집하는 감염병정보 수집부;
상기 1차 감염병유행도 및 상기 개인의 감염병정보에 대해 딥러닝 기반의 인공신경망 학습을 수행하여 개인의 감염병가능성을 판단하는 감염병가능성 판단부; 및
상기 감염병가능성 판단부의 판단결과를 출력하거나 전송하는 감염병가능성 출력전송부;를 포함하며,
개인의 감염병정보가 수집된 장소와 관련하여 개인의 위치정보를 수집하는 위치정보 수집부;를 추가로 포함하며,
상기 감염병유행도 판단부는 감염병으로 진단된 사람에게서 수집된 기존 감염병정보와 기존 위치정보를 이용하여 2차 감염병유행도를 판단하며,
상기 감염병가능성 판단부는 상기 1차 감염병유행도, 상기 2차 감염병 유행도, 상기 개인의 감염병정보 및 상기 개인의 위치정보에 대해 딥러닝 기반의 인공신경망 학습을 수행하여 개인의 감염병가능성을 판단하는 것을 특징으로 하는 감염병가능성 예측장치.
- 제3항에 있어서,
상기 위치정보수집부는 감염병으로 진단된 사람의 기존 위치정보와 개인의 위치정보를 이용하여 거리를 계산하며,
상기 감염병가능성 출력전송부를 통해 계산된 거리를 출력하거나 전송하여 경고하는 것을 특징으로 하는 감염병가능성 예측장치.
- 제3항에 있어서,
2차 감염병유행도는 이하의 지역평균체온과 지역감염병분율을 포함하여 판단되는 것을 특징으로 하는 감염병가능성 예측장치.
지역평균체온 : mtemp(lat, lng) = ∑(tempi/tempn)
lat: 개인의 위치정보와 관련된 위도
lng: 개인의 위치정보와 관련된 경도
tempi : 개인과 같은 도시(시/군/구) 안에서 전일 측정된 다른 체온들
tempn : 개인과 같은 도시(시/군/구) 안에서 전일 측정된 다른 체온들의 갯수
지역감염병분율 : Plocal(d, r) = Infectiouslocal7(d, r)/diagnosislocal7(d, r)
Infectiouslocal7(d, r) : 개인의 위치정보와 거리 r 이내, 특정일 d 기준으로 이전 7일간의 감염병 진단수
diagnosislocal7(d, r) : 개인의 위치정보와 거리 r 이내, 특정일 d 기준으로 이전 7일간의 질병 진단수
- 제3항에 있어서
감염병정보가 수집된 장소와 관련하여 개인의 기후정보를 수집하는 기후정보 수집부;를 추가로 포함하며,
상기 감염병유행도 판단부는 감염병으로 진단된 사람에게서 수집된 기존 감염병정보, 기존 위치정보 및 기존 기후정보를 이용하여 3차 감염병유행도를 판단하며,
상기 감염병가능성 판단부는 상기 1차 감염병유행도, 상기 2차 감염병 유행도, 상기 3차 감염병유행도, 상기 개인의 감염병정보, 상기 개인의 위치정보 및 상기 개인의 기후정보에 대한 딥러닝 기반의 인공신경망 학습을 수행하여 개인의 감염병가능성을 판단하는 것을 특징으로 하는 감염병가능성 예측장치.
- 제6항에 있어서,
진찰자료, 검사자료, 투약한 약의 정보, 투약 주기, 투약 후 체온 및 투약 후 감염병 증상을 포함하는 개인의 의료정보를 수집하는 의료정보 수집부;를 추가로 포함하며,
상기 감염병유행도 판단부는 감염병으로 진단된 사람에게서 수집된 기존 감염병정보, 기존 위치정보, 기존 기후정보 및 기존 의료정보를 이용하여 4차 감염병유행도를 판단하며,
상기 감염병가능성 판단부는 상기 1차 감염병유행도, 상기 2차 감염병 유행도, 상기 3차 감염병유행도, 상기 4차 감염병유행도, 상기 개인의 감염병정보, 상기 개인의 위치정보, 상기 개인의 기후정보 및 상기 개인의 의료정보에 대한 딥러닝 기반의 인공신경망 학습을 수행하여 개인의 감염병가능성을 판단하는 것을 특징으로 하는 감염병가능성 예측장치.
- 삭제
- 감염병유행도 판단부가 감염병으로 진단된 사람에게서 수집된 기존 감염병정보를 이용하여 1차 감염병유행도를 판단하는 단계;
상기 감염병유행도 판단부가 감염병으로 진단된 사람에게서 수집된 기존 감염병정보와 기존 위치정보를 이용하여 2차 감염병유행도를 판단하는 단계;
감염병정보 수집부가 체온 및 감염병 증상을 포함하는 개인의 감염병정보를 수집하는 단계;
위치정보 수집부가 감염병정보가 수집된 장소와 관련하여 개인의 위치정보를 수집하는 단계;
감염병가능성 판단부가 상기 1차 감염병유행도, 상기 2차 감염병 유행도, 상기 개인의 감염병정보 및 상기 개인의 위치정보에 대해 딥러닝 기반의 인공신경망 학습을 수행하여 개인의 감염병가능성을 판단하는 단계; 및
출력전송부가 상기 감염병가능성 판단부의 판단결과를 출력하거나 전송하는 단계;를 포함하는 감염병가능성 예측방법.
- 감염병유행도 판단부가 감염병으로 진단된 사람에게서 수집된 기존 감염병정보를 이용하여 1차 감염병유행도를 판단하는 단계;
상기 감염병유행도 판단부가 감염병으로 진단된 사람에게서 수집된 기존 감염병정보와 기존 위치정보를 이용하여 2차 감염병유행도를 판단하는 단계;
상기 감염병유행도 판단부가 감염병으로 진단된 사람에게서 수집된 기존 감염병정보, 기존 위치정보 및 기존 기후정보를 이용하여 3차 감염병유행도를 판단하는 단계;
감염병정보 수집부가 체온 및 감염병 증상을 포함하는 개인의 감염병정보를 수집하는 단계;
위치정보 수집부가 감염병정보가 수집된 장소와 관련하여 개인의 위치정보를 수집하는 단계;
기후정보 수집부가 감염병정보가 수집된 장소와 관련하여 개인의 기후정보를 수집하는 단계;
감염병가능성 판단부가 상기 1차 감염병유행도, 상기 2차 감염병 유행도, 상기 3차 감염병유행도, 상기 개인의 감염병정보, 상기 개인의 위치정보 및 상기 개인의 기후정보에 대한 딥러닝 기반의 인공신경망 학습을 수행하여 개인의 감염병가능성을 판단하는 단계; 및
출력전송부가 상기 감염병가능성 판단부의 판단결과를 출력하거나 전송하는 단계;를 포함하는 감염병가능성 예측방법.
- 감염병유행도 판단부가 감염병으로 진단된 사람에게서 수집된 기존 감염병정보를 이용하여 1차 감염병유행도를 판단하는 단계;
상기 감염병유행도 판단부가 감염병으로 진단된 사람에게서 수집된 기존 감염병정보와 기존 위치정보를 이용하여 2차 감염병유행도를 판단하는 단계;
상기 감염병유행도 판단부가 감염병으로 진단된 사람에게서 수집된 기존 감염병정보, 기존 위치정보 및 기존 기후정보를 이용하여 3차 감염병유행도를 판단하는 단계;
상기 감염병유행도 판단부가 감염병으로 진단된 사람에게서 수집된 기존 감염병정보, 기존 위치정보, 기존 기후정보 및 기존 의료정보에 따라 4차 감염병유행도를 판단하는 단계;
감염병정보 수집부가 체온 및 감염병 증상을 포함하는 개인의 감염병정보를 수집하는 단계;
위치정보 수집부가 감염병정보가 수집된 장소와 관련하여 개인의 위치정보를 수집하는 단계;
기후정보 수집부가 감염병정보가 수집된 장소와 관련하여 개인의 기후정보를 수집하는 단계;
의료정보 수집부가 진찰자료, 검사자료, 투약한 약의 정보, 투약 주기, 투약 후 체온 및 투약 후 감염병 증상을 포함하는 개인의 의료정보를 수집하는 단계;
감염병가능성 판단부가 상기 1차 감염병유행도, 상기 2차 감염병 유행도, 상기 3차 감염병유행도, 상기 4차 감염병유행도, 상기 개인의 감염병정보, 상기 개인의 위치정보, 상기 개인의 기후정보 및 상기 개인의 의료정보에 대한 딥러닝 기반의 인공신경망 학습을 수행하여 개인의 감염병가능성을 판단하는 단계; 및
출력전송부가 상기 감염병가능성 판단부의 판단결과를 출력하거나 전송하는 단계;를 포함하는 감염병가능성 예측방법.
Applications Claiming Priority (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR20200064802 | 2020-05-29 | ||
| KR1020200064802 | 2020-05-29 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| KR20210147991A KR20210147991A (ko) | 2021-12-07 |
| KR102650151B1 true KR102650151B1 (ko) | 2024-03-22 |
Family
ID=78868704
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020210070165A KR102650151B1 (ko) | 2020-05-29 | 2021-05-31 | 감염병가능성 예측장치 및 이를 이용한 감염병가능성 예측방법 |
Country Status (1)
| Country | Link |
|---|---|
| KR (1) | KR102650151B1 (ko) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR102505267B1 (ko) * | 2022-11-15 | 2023-03-03 | (주)맥캘리커뮤니케이션즈 | 빅데이터를 활용한 질병 확산 예측 서비스 제공 장치, 시스템, 방법 및 프로그램 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR101960504B1 (ko) * | 2017-12-18 | 2019-07-15 | 세종대학교산학협력단 | 전염병 확산 예측 모델링 장치 및 방법 |
| JP2020067884A (ja) * | 2018-10-25 | 2020-04-30 | キヤノンメディカルシステムズ株式会社 | 医用情報処理装置及びプログラム |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR101744592B1 (ko) * | 2015-09-21 | 2017-06-08 | 주식회사 엠트리케어 | 스마트 체온계 데이터 수집 및 체온 정보를 활용한 서비스 제공 방법과 시스템 |
| KR101779705B1 (ko) | 2016-03-16 | 2017-09-20 | 한양대학교 산학협력단 | 사물인터넷기반 신종 감염병 예측 대응 플랫폼 시스템 |
-
2021
- 2021-05-31 KR KR1020210070165A patent/KR102650151B1/ko active IP Right Grant
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR101960504B1 (ko) * | 2017-12-18 | 2019-07-15 | 세종대학교산학협력단 | 전염병 확산 예측 모델링 장치 및 방법 |
| JP2020067884A (ja) * | 2018-10-25 | 2020-04-30 | キヤノンメディカルシステムズ株式会社 | 医用情報処理装置及びプログラム |
Also Published As
| Publication number | Publication date |
|---|---|
| KR20210147991A (ko) | 2021-12-07 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Lauer et al. | The incubation period of coronavirus disease 2019 (COVID-19) from publicly reported confirmed cases: estimation and application | |
| Semigran et al. | Evaluation of symptom checkers for self diagnosis and triage: audit study | |
| Lê Cook et al. | The role of provider supply and organization in reducing racial/ethnic disparities in mental health care in the US | |
| US20200402671A1 (en) | Systems and methods for determining, tracking, and predicting common infectious illness outbreaks | |
| US20140114677A1 (en) | Assisted Medical and Associated Lifestyle Decision Making | |
| CA2936876A1 (en) | Systems and methods for near-real or real-time contact tracing | |
| Hargreaves et al. | Screening for latent TB, HIV, and hepatitis B/C in new migrants in a high prevalence area of London, UK: a cross-sectional study | |
| Joore et al. | The importance of registration of sexual orientation and recognition of indicator conditions for an adequate HIV risk-assessment | |
| Collatuzzo et al. | Application of P4 (predictive, preventive, personalized, participatory) approach to occupational medicine | |
| US20160012193A1 (en) | System, method and computer program product for disease monitoring and identification | |
| Gebrezgi et al. | Acceptance of opt-out HIV screening in outpatient settings in the United States: a systematic review and meta-analysis | |
| Smith et al. | Connected diagnostics: linking digital rapid diagnostic tests and mobile health wallets to diagnose and treat brucellosis in Samburu, Kenya | |
| KR102650151B1 (ko) | 감염병가능성 예측장치 및 이를 이용한 감염병가능성 예측방법 | |
| Cocoros et al. | Denominators matter: understanding medical encounter frequency and its impact on surveillance estimates using EHR data | |
| Zhang et al. | Identifying urban built environment factors in pregnancy care and maternal mental health outcomes | |
| Joshua et al. | The use of digital technologies in the response to SARS-2 CoV2-19 in the public health sector | |
| Safary et al. | A qualitative exploration of perceptions of the COVID-19 vaccine in Malawi during the vaccine rollout phase | |
| Ford et al. | Could dementia be detected from UK primary care patients’ records by simple automated methods earlier than by the treating physician? A retrospective case-control study | |
| Morris | Smart biomedical sensors, big healthcare data analytics, and virtual care technologies in monitoring, detection, and prevention of COVID-19 | |
| Radezova Trifunovska et al. | Environmental Data as Еxposome and Оpportunity of Combining with Cloud-Based Personal Health Records | |
| Jandorf et al. | Increasing cancer screening for Latinas: examining the impact of health messages and navigation in a cluster-randomized study | |
| Keeves et al. | Serious injury in metropolitan and regional victoria: Exploring travel to treatment and utilisation of post-discharge health services by injury type | |
| Kawamoto et al. | Clinical decision support systems in healthcare | |
| Vest et al. | Contribution of different data sources to the prediction of emergency department revisits in a safety-net population | |
| Montazeri et al. | Learning from previous epidemics; overcoming COVID-19 using e-Health |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| E902 | Notification of reason for refusal | ||
| N231 | Notification of change of applicant | ||
| E701 | Decision to grant or registration of patent right | ||
| GRNT | Written decision to grant |