KR102667400B1 - 디지털 서비스 기반의 코호트를 활용한 혈당 스파이크 원인 추측 장치, 방법 및 프로그램 - Google Patents
디지털 서비스 기반의 코호트를 활용한 혈당 스파이크 원인 추측 장치, 방법 및 프로그램 Download PDFInfo
- Publication number
- KR102667400B1 KR102667400B1 KR1020240004028A KR20240004028A KR102667400B1 KR 102667400 B1 KR102667400 B1 KR 102667400B1 KR 1020240004028 A KR1020240004028 A KR 1020240004028A KR 20240004028 A KR20240004028 A KR 20240004028A KR 102667400 B1 KR102667400 B1 KR 102667400B1
- Authority
- KR
- South Korea
- Prior art keywords
- blood sugar
- data
- user
- spike
- records
- Prior art date
Links
- 239000008280 blood Substances 0.000 title claims abstract description 506
- 210000004369 blood Anatomy 0.000 title claims abstract description 505
- 238000000034 method Methods 0.000 title claims description 31
- 230000000694 effects Effects 0.000 claims abstract description 102
- 238000013473 artificial intelligence Methods 0.000 claims abstract description 55
- 230000002068 genetic effect Effects 0.000 claims abstract description 32
- 235000005911 diet Nutrition 0.000 claims description 27
- 230000037213 diet Effects 0.000 claims description 27
- 239000003814 drug Substances 0.000 claims description 26
- 229940079593 drug Drugs 0.000 claims description 26
- 238000004891 communication Methods 0.000 claims description 24
- 230000008859 change Effects 0.000 claims description 22
- 235000015872 dietary supplement Nutrition 0.000 claims description 21
- 235000020828 fasting Nutrition 0.000 claims description 19
- 235000013305 food Nutrition 0.000 claims description 15
- 201000010099 disease Diseases 0.000 claims description 14
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 claims description 14
- 230000036541 health Effects 0.000 claims description 11
- 150000001720 carbohydrates Chemical class 0.000 claims description 10
- 235000014633 carbohydrates Nutrition 0.000 claims description 10
- 238000007726 management method Methods 0.000 claims description 10
- LFQSCWFLJHTTHZ-UHFFFAOYSA-N Ethanol Chemical compound CCO LFQSCWFLJHTTHZ-UHFFFAOYSA-N 0.000 claims description 8
- 230000002175 menstrual effect Effects 0.000 claims description 8
- 208000022249 Sleep-Wake Transition disease Diseases 0.000 claims description 7
- 230000005906 menstruation Effects 0.000 claims description 7
- 239000000203 mixture Substances 0.000 claims description 7
- 210000003205 muscle Anatomy 0.000 claims description 7
- 230000035945 sensitivity Effects 0.000 claims description 7
- 206010012601 diabetes mellitus Diseases 0.000 claims description 6
- 235000020829 intermittent fasting Nutrition 0.000 claims description 6
- 206010020751 Hypersensitivity Diseases 0.000 claims description 5
- 230000007815 allergy Effects 0.000 claims description 5
- 230000036772 blood pressure Effects 0.000 claims description 5
- 230000008451 emotion Effects 0.000 claims description 5
- 238000002483 medication Methods 0.000 claims description 5
- 230000009245 menopause Effects 0.000 claims description 5
- 230000003821 menstrual periods Effects 0.000 claims description 5
- 230000035935 pregnancy Effects 0.000 claims description 5
- 239000000955 prescription drug Substances 0.000 claims description 5
- 230000000391 smoking effect Effects 0.000 claims description 5
- 238000012360 testing method Methods 0.000 claims description 5
- 238000005259 measurement Methods 0.000 claims description 3
- 235000006286 nutrient intake Nutrition 0.000 claims 1
- 235000012054 meals Nutrition 0.000 description 16
- 230000008569 process Effects 0.000 description 14
- 238000004422 calculation algorithm Methods 0.000 description 12
- 238000010586 diagram Methods 0.000 description 8
- 230000000291 postprandial effect Effects 0.000 description 6
- 230000004044 response Effects 0.000 description 5
- WQZGKKKJIJFFOK-GASJEMHNSA-N Glucose Natural products OC[C@H]1OC(O)[C@H](O)[C@@H](O)[C@@H]1O WQZGKKKJIJFFOK-GASJEMHNSA-N 0.000 description 3
- 239000008103 glucose Substances 0.000 description 3
- 238000010295 mobile communication Methods 0.000 description 3
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 3
- CIWBSHSKHKDKBQ-JLAZNSOCSA-N Ascorbic acid Chemical compound OC[C@H](O)[C@H]1OC(=O)C(O)=C1O CIWBSHSKHKDKBQ-JLAZNSOCSA-N 0.000 description 2
- 238000004590 computer program Methods 0.000 description 2
- 238000012937 correction Methods 0.000 description 2
- 230000001186 cumulative effect Effects 0.000 description 2
- 230000007423 decrease Effects 0.000 description 2
- 230000014509 gene expression Effects 0.000 description 2
- 201000001421 hyperglycemia Diseases 0.000 description 2
- 230000007774 longterm Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 241000251468 Actinopterygii Species 0.000 description 1
- ZZZCUOFIHGPKAK-UHFFFAOYSA-N D-erythro-ascorbic acid Natural products OCC1OC(=O)C(O)=C1O ZZZCUOFIHGPKAK-UHFFFAOYSA-N 0.000 description 1
- 235000010627 Phaseolus vulgaris Nutrition 0.000 description 1
- 244000046052 Phaseolus vulgaris Species 0.000 description 1
- XUIMIQQOPSSXEZ-UHFFFAOYSA-N Silicon Chemical compound [Si] XUIMIQQOPSSXEZ-UHFFFAOYSA-N 0.000 description 1
- 229930003268 Vitamin C Natural products 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 235000021074 carbohydrate intake Nutrition 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 235000013339 cereals Nutrition 0.000 description 1
- 235000013365 dairy product Nutrition 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 235000018823 dietary intake Nutrition 0.000 description 1
- 235000008242 dietary patterns Nutrition 0.000 description 1
- 230000035622 drinking Effects 0.000 description 1
- 235000013399 edible fruits Nutrition 0.000 description 1
- 235000013601 eggs Nutrition 0.000 description 1
- 239000003925 fat Substances 0.000 description 1
- 235000019688 fish Nutrition 0.000 description 1
- 235000012631 food intake Nutrition 0.000 description 1
- 230000037406 food intake Effects 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 239000011521 glass Substances 0.000 description 1
- 235000013372 meat Nutrition 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 235000015097 nutrients Nutrition 0.000 description 1
- 230000001151 other effect Effects 0.000 description 1
- 102000004169 proteins and genes Human genes 0.000 description 1
- 108090000623 proteins and genes Proteins 0.000 description 1
- 230000002787 reinforcement Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 229910052710 silicon Inorganic materials 0.000 description 1
- 239000010703 silicon Substances 0.000 description 1
- 239000010454 slate Substances 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 208000001072 type 2 diabetes mellitus Diseases 0.000 description 1
- 235000013311 vegetables Nutrition 0.000 description 1
- 235000019154 vitamin C Nutrition 0.000 description 1
- 239000011718 vitamin C Substances 0.000 description 1
Images
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
- A61B5/145—Measuring characteristics of blood in vivo, e.g. gas concentration, pH value; Measuring characteristics of body fluids or tissues, e.g. interstitial fluid, cerebral tissue
- A61B5/14532—Measuring characteristics of blood in vivo, e.g. gas concentration, pH value; Measuring characteristics of body fluids or tissues, e.g. interstitial fluid, cerebral tissue for measuring glucose, e.g. by tissue impedance measurement
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/68—Arrangements of detecting, measuring or recording means, e.g. sensors, in relation to patient
- A61B5/6801—Arrangements of detecting, measuring or recording means, e.g. sensors, in relation to patient specially adapted to be attached to or worn on the body surface
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/74—Details of notification to user or communication with user or patient ; user input means
- A61B5/742—Details of notification to user or communication with user or patient ; user input means using visual displays
-
- 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
- G16H10/20—ICT specially adapted for the handling or processing of patient-related medical or healthcare data for electronic clinical trials or questionnaires
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H10/00—ICT specially adapted for the handling or processing of patient-related medical or healthcare data
- G16H10/60—ICT specially adapted for the handling or processing of patient-related medical or healthcare data for patient-specific data, e.g. for electronic patient records
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H20/00—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance
-
- 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
- G16H40/00—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices
- G16H40/60—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices for the operation of medical equipment or devices
- G16H40/67—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices for the operation of medical equipment or devices for remote operation
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/70—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for mining of medical data, e.g. analysing previous cases of other patients
Landscapes
- Health & Medical Sciences (AREA)
- Engineering & Computer Science (AREA)
- Medical Informatics (AREA)
- Public Health (AREA)
- General Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Primary Health Care (AREA)
- Epidemiology (AREA)
- Pathology (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Biophysics (AREA)
- Surgery (AREA)
- Heart & Thoracic Surgery (AREA)
- Molecular Biology (AREA)
- Animal Behavior & Ethology (AREA)
- Veterinary Medicine (AREA)
- Databases & Information Systems (AREA)
- Artificial Intelligence (AREA)
- Physiology (AREA)
- Business, Economics & Management (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Theoretical Computer Science (AREA)
- Psychiatry (AREA)
- Optics & Photonics (AREA)
- Signal Processing (AREA)
- General Business, Economics & Management (AREA)
- Emergency Medicine (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- General Physics & Mathematics (AREA)
- Cardiology (AREA)
- Tourism & Hospitality (AREA)
- Medical Treatment And Welfare Office Work (AREA)
- Evolutionary Computation (AREA)
- Chemical & Material Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Nutrition Science (AREA)
- Medicinal Chemistry (AREA)
Abstract
본 개시는, 연속혈당데이터, 혈당 스파이크 전과 후의 활동 로그 데이터, 의료 데이터, 유전자 데이터, 라이프로그 데이터, 웨어러블 디바이스 데이터, 및 설문 데이터를 제1 인공지능 모델에 입력하고, 제1 인공지능 모델을 기반으로 학습하여 분석한 유사 코호트 그룹의 혈당 데이터를 출력하며, 유저의 단말기가 혈당 스파이크의 원인 추측을 요청한 경우, 유저의 단말기로부터 유저의 실시간 혈당 데이터 내의 혈당 스파이크 데이터, 및 유저의 실시간 혈당 스파이크 전과 후의 활동 로그 데이터를 수신하고, 유사 코호트 그룹의 혈당 데이터, 유저의 실시간 혈당 데이터 내의 혈당 스파이크 데이터, 및 유저의 실시간 혈당 스파이크 전과 후의 활동 로그 데이터를 제2 인공지능 모델에 입력하며, 제2 인공지능 모델을 기반으로 학습하여 분석한 유저의 혈당 스파이크 원인 추측 데이터를 출력하고, 유저의 혈당 스파이크 원인 추측 데이터를 유저의 단말기 상에 표시하는 것을 특징으로 할 수 있다.
Description
본 개시는 디지털 서비스 기반의 코호트를 활용한 혈당 스파이크 원인 추측 장치, 방법 및 프로그램에 관한 것이다.
세계 성인의 약 4억 2,500만 명(20세 내지 79세)이 당뇨병으로 고통받고 있으며, 실제로 2045년에는 6억 2900만명으로 늘어날 것으로 추정되고 있다. 특히, 수명 증가와 함께 노년층에서 제2형 당뇨환자의 비율이 증가하고 있는 실정이다.
그러나, 운동과 식이 정보 등을 자가 관리하도록 하는 장치는 다이어트 분야에서 활발하게 개발되고 사용되고 있는 실정이다.
즉, 종래 다이어트와 건강을 위한 칼로리 계산, 퍼스널 트레이닝 앱 등은 매우 많이 출시되어 유저에게 제공되고 있다.
그런데, 위와 같이 전체 칼로리 조절만을 목표로 한 다이어트 앱의 경우, 당뇨 환자에게 적용되기 부족한 문제가 있다. 왜냐하면 당뇨환자의 경우, 총 칼로리뿐만 아니라 곡류, 고기, 생선, 달걀, 콩류, 채소류, 과일류, 유제품과 같은 식품군을 골고루 섭취하고 이러한 식습관을 장기적으로 유지하는 것이 주요 이슈인데 반하여, 종래에 출시된 칼로리 계산, 퍼스널 트레이닝 앱 등은 전체 칼로리 계산만을 수행하거나 탄수화물, 단백질, 지방과 같이 환자들이 이해하기 어려운 영양소를 기준으로 정보를 제공하여 장기적인 습관을 유도하기 어렵기 때문이다.
따라서, 최근에는 유저가 혈당 스파이크의 원인 추측을 요청한 경우, 유저에게 혈당 스파이크 원인 추측 정보를 제공하여 서비스의 만족도를 높이면서 신뢰성을 향상시키기 위한 연구가 지속적으로 행해져오고 있다.
본 개시에 개시된 실시예는, 유저가 혈당 스파이크의 원인 추측을 요청한 경우, 유저에게 혈당 스파이크 원인 추측 정보를 제공하여 서비스의 만족도를 높이면서 신뢰성을 향상시킬 수 있는 것을 제공하는데 그 목적이 있다.
본 개시가 해결하고자 하는 과제들은 이상에서 언급된 과제로 제한되지 않으며, 언급되지 않은 또 다른 과제들은 아래의 기재로부터 통상의 기술자에게 명확하게 이해될 수 있을 것이다.
상술한 기술적 과제를 달성하기 위한 본 개시의 일 측면에 따른 코호트를 활용한 혈당 스파이크 원인 추측 장치는, 유저의 단말기와 통신을 수행하는 통신부; 및 코호트를 활용한 혈당 스파이크 원인의 추측과 관련된 동작을 제어하는 프로세서; 를 포함하고, 상기 프로세서는 상기 통신부를 통해 상기 유저의 단말기로부터 연속혈당데이터, 혈당 스파이크 전과 후의 활동 로그 데이터, 의료 데이터, 유전자 데이터, 라이프로그 데이터, 웨어러블 디바이스 데이터, 및 설문 데이터를 수신하며, 상기 연속혈당데이터, 상기 혈당 스파이크 전과 후의 활동 로그 데이터, 상기 의료 데이터, 상기 유전자 데이터, 상기 라이프로그 데이터, 상기 웨어러블 디바이스 데이터, 및 상기 설문 데이터를 제1 인공지능 모델에 입력하고, 상기 제1 인공지능 모델을 기반으로 학습하여 분석한 유사 코호트 그룹의 혈당 데이터를 출력하며, 상기 유저의 단말기가 상기 혈당 스파이크의 원인 추측을 요청한 경우, 상기 유저의 단말기로부터 유저의 실시간 혈당 데이터 내의 혈당 스파이크 데이터, 및 유저의 실시간 혈당 스파이크 전과 후의 활동 로그 데이터를 수신하고, 상기 유사 코호트 그룹의 혈당 데이터, 상기 유저의 실시간 혈당 데이터 내의 혈당 스파이크 데이터, 및 상기 유저의 실시간 혈당 스파이크 전과 후의 활동 로그 데이터를 제2 인공지능 모델에 입력하며, 상기 제2 인공지능 모델을 기반으로 학습하여 분석한 유저의 혈당 스파이크 원인 추측 데이터를 출력하고, 상기 유저의 혈당 스파이크 원인 추측 데이터를 상기 유저의 단말기 상에 표시하는 것을 특징으로 할 수 있다.
또한, 상기 혈당 스파이크 전과 후의 활동 로그 데이터는 식단 기록, 운동 기록, 수면 기록, 영양제 섭취 기록, 복용약 섭취 기록, 월경 기록, 단식 기록, 심박수 기록, 및 걸음수 기록인 것을 특징으로 할 수 있다.
또한, 상기 의료 데이터는 건강검진결과, 처방약, 복용의약물, 및 병의원 방문기록인 것을 특징으로 할 수 있다.
또한, 상기 유전자 데이터는 유전자 검사 결과인 것을 특징으로 할 수 있다.
또한, 상기 라이프로그 데이터는 식단 기록, 운동 기록, 음식 사진 기록, 수면 기록, 감정 기록, 컨디션 기록, 생리 기록, 및 영양제 섭취 기록인 것을 특징으로 할 수 있다.
또한, 상기 웨어러블 디바이스 데이터는 혈당, 심박수, 걸음수, 체성분 데이터, 운동 기록, 생리 기간, 및 혈압인 것을 특징으로 할 수 있다.
또한, 상기 설문 데이터는 건강 고민, 신체 관리 목표, 가족력, 알러지, 기저질환, 임신, 흡연, 갱년기, 및 자녀계획 여부인 것을 특징으로 할 수 있다.
또한, 상기 프로세서는 상기 제1 인공지능 모델을 기반으로, 성별, 연령, 기저질환, 복용약, 체질량지수, 근육량, 유전적 탄수화물민감도, 가족력으로 구분된 혈당 데이터를 각각의 유사 코호트 그룹별로 출력하는 것을 특징으로 할 수 있다.
또한, 상기 프로세서는 상기 제2 인공지능 모델을 기반으로 상기 유저의 혈당 스파이크 원인 추측 데이터를 출력할 때, 상기 혈당 스파이크 전과 후의 활동 로그 데이터에 상응하는 식단 기록, 운동 기록, 수면 기록, 영양제 섭취 기록, 복용약 섭취 기록, 월경 기록, 단식 기록, 심박수 기록, 및 걸음수 기록 중 상기 유저의 혈당 스파이크에 영향을 끼칠 가능성이 높은 활동 로그 데이터를 순서적으로 정렬하여 출력하는 것을 특징으로 할 수 있다.
본 개시의 다른 측면에 따른 코호트를 활용한 혈당 스파이크 원인 추측 방법은, 유저의 단말기로부터 연속혈당데이터, 혈당 스파이크 전과 후의 활동 로그 데이터, 의료 데이터, 유전자 데이터, 라이프로그 데이터, 웨어러블 디바이스 데이터, 및 설문 데이터를 수신하는 단계; 상기 연속혈당데이터, 상기 혈당 스파이크 전과 후의 활동 로그 데이터, 상기 의료 데이터, 상기 유전자 데이터, 상기 라이프로그 데이터, 상기 웨어러블 디바이스 데이터, 및 상기 설문 데이터를 제1 인공지능 모델에 입력하고, 상기 제1 인공지능 모델을 기반으로 학습하여 분석한 유사 코호트 그룹의 혈당 데이터를 출력하는 단계; 상기 유저의 단말기가 상기 혈당 스파이크의 원인 추측을 요청한 경우, 상기 유저의 단말기로부터 유저의 실시간 혈당 데이터 내의 혈당 스파이크 데이터, 및 유저의 실시간 혈당 스파이크 전과 후의 활동 로그 데이터를 수신하는 단계; 상기 유사 코호트 그룹의 혈당 데이터, 상기 유저의 실시간 혈당 데이터 내의 혈당 스파이크 데이터, 및 상기 유저의 실시간 혈당 스파이크 전과 후의 활동 로그 데이터를 제2 인공지능 모델에 입력하며, 상기 제2 인공지능 모델을 기반으로 학습하여 분석한 유저의 혈당 스파이크 원인 추측 데이터를 출력하는 단계; 및 상기 유저의 혈당 스파이크 원인 추측 데이터를 상기 유저의 단말기 상에 표시하는 단계; 를 포함할 수 있다.
이 외에도, 본 개시를 구현하기 위한 방법을 실행하기 위한 컴퓨터 판독 가능한 기록 매체에 저장된 컴퓨터 프로그램이 더 제공될 수 있다.
이 외에도, 본 개시를 구현하기 위한 방법을 실행하기 위한 컴퓨터 프로그램을 기록하는 컴퓨터 판독 가능한 기록 매체가 더 제공될 수 있다.
본 개시의 전술한 과제 해결 수단에 의하면, 각 음식별로 유저의 평균적인 혈당 반응치를 확인시키되, 함께 먹은 음식 및 운동등 혈당에 영향을 주는 기타 활동과 함께 총체적으로 혈당 반응을 확인시킴으로써, 혈당 관리가 필요한 유저에게 음식의 적합 여부를 제공하여 서비스의 만족도를 높이면서 신뢰성을 향상시킬 수 있는 효과를 제공한다.
본 개시의 효과들은 이상에서 언급된 효과로 제한되지 않으며, 언급되지 않은 또 다른 효과들은 아래의 기재로부터 통상의 기술자에게 명확하게 이해될 수 있을 것이다.
도 1은 본 개시의 코호트를 활용한 혈당 스파이크 원인 추측 시스템을 나타낸 도면이다.
도 2는 도 1의 혈당 스파이크 원인 추측 장치의 구성을 나타낸 도면이다.
도 3 및 도 4는 본 개시의 코호트를 활용한 혈당 스파이크 원인 추측 방법을 나타낸 순서도들이다.
도 5 내지 도 7d는 도 2의 혈당 스파이크 원인 추측 장치를 통해 유저의 혈당 스파이크 원인 추측 데이터를 표시하는 과정을 나타낸 도면들이다.
도 8 내지 도 18은 도 2의 혈당 스파이크 원인 추측 장치를 이용하여 혈당 점수를 산출하는 과정을 나타낸 도면들이다.
도 2는 도 1의 혈당 스파이크 원인 추측 장치의 구성을 나타낸 도면이다.
도 3 및 도 4는 본 개시의 코호트를 활용한 혈당 스파이크 원인 추측 방법을 나타낸 순서도들이다.
도 5 내지 도 7d는 도 2의 혈당 스파이크 원인 추측 장치를 통해 유저의 혈당 스파이크 원인 추측 데이터를 표시하는 과정을 나타낸 도면들이다.
도 8 내지 도 18은 도 2의 혈당 스파이크 원인 추측 장치를 이용하여 혈당 점수를 산출하는 과정을 나타낸 도면들이다.
본 개시 전체에 걸쳐 동일 참조 부호는 동일 구성요소를 지칭한다. 본 개시가 실시예들의 모든 요소들을 설명하는 것은 아니며, 본 개시가 속하는 기술분야에서 일반적인 내용 또는 실시예들 간에 중복되는 내용은 생략한다. 명세서에서 사용되는'부, 모듈, 부재, 블록'이라는 용어는 소프트웨어 또는 하드웨어로 구현될 수 있으며, 실시예들에 따라 복수의 '부, 모듈, 부재, 블록'이 하나의 구성요소로 구현되거나, 하나의 '부, 모듈, 부재, 블록'이 복수의 구성요소들을 포함하는 것도 가능하다.
명세서 전체에서, 어떤 부분이 다른 부분과 "연결"되어 있다고 할 때, 이는 직접적으로 연결되어 있는 경우뿐 아니라, 간접적으로 연결되어 있는 경우를 포함하고, 간접적인 연결은 무선 통신망을 통해 연결되는 것을 포함한다.
또한 어떤 부분이 어떤 구성요소를 "포함"한다고 할 때, 이는 특별히 반대되는 기재가 없는 한 다른 구성요소를 제외하는 것이 아니라 다른 구성요소를 더 포함할 수 있는 것을 의미한다.
명세서 전체에서, 어떤 부재가 다른 부재 "상에" 위치하고 있다고 할 때, 이는 어떤 부재가 다른 부재에 접해 있는 경우뿐 아니라 두 부재 사이에 또 다른 부재가 존재하는 경우도 포함한다.
제 1, 제 2 등의 용어는 하나의 구성요소를 다른 구성요소로부터 구별하기 위해 사용되는 것으로, 구성요소가 전술된 용어들에 의해 제한되는 것은 아니다.
단수의 표현은 문맥상 명백하게 예외가 있지 않는 한, 복수의 표현을 포함한다.
각 단계들에 있어 식별부호는 설명의 편의를 위하여 사용되는 것으로 식별부호는 각 단계들의 순서를 설명하는 것이 아니며, 각 단계들은 문맥상 명백하게 특정 순서를 기재하지 않는 이상 명기된 순서와 다르게 실시될 수 있다.
이하 첨부된 도면들을 참고하여 본 개시의 작용 원리 및 실시예들에 대해 설명한다.
본 명세서에서 본 개시에 따른 코호트를 활용한 혈당 스파이크 원인 추측 시스템은, 연산처리를 수행하여 유저에게 결과를 제공할 수 있는 다양한 장치들이 모두 포함된다. 예를 들어, 본 개시에 따른 코호트를 활용한 혈당 스파이크 원인 추측 시스템은, 컴퓨터, 서버 및 휴대용 단말기를 모두 포함하거나, 또는 어느 하나의 형태가 될 수 있다.
여기에서, 컴퓨터는 예를 들어, 웹 브라우저(WEB Browser)가 탑재된 노트북, 데스크톱(desktop), 랩톱(laptop), 태블릿 PC, 슬레이트 PC 등을 포함할 수 있다.
서버는 외부 장치와 통신을 수행하여 정보를 처리하는 것으로써, 애플리케이션 서버, 컴퓨팅 서버, 데이터베이스 서버, 파일 서버, 메일 서버, 프록시 서버 및 웹 서버 등을 포함할 수 있다.
휴대용 단말기는 예를 들어, 휴대성과 이동성이 보장되는 무선 통신 장치로서, PCS(Personal Communication System), GSM(Global System for Mobile communications), PDC(Personal Digital Cellular), PHS(Personal Handyphone System), PDA(Personal Digital Assistant), IMT(International Mobile Telecommunication)-2000, CDMA(Code Division Multiple Access)-2000, W-CDMA(W-Code Division Multiple Access), WiBro(Wireless Broadband Internet) 단말, 스마트 폰(Smart Phone) 등과 같은 모든 종류의 핸드헬드(Handheld) 기반의 무선 통신 장치와 시계, 반지, 팔찌, 발찌, 목걸이, 안경, 콘택트 렌즈, 또는 머리 착용형 장치(head-mounted-device(HMD) 등과 같은 웨어러블 장치를 포함할 수 있다.
본 개시에 따른 코호트를 활용한 혈당 스파이크 원인 추측 시스템은, 연속혈당데이터, 혈당 스파이크 전과 후의 활동 로그 데이터, 의료 데이터, 유전자 데이터, 라이프로그 데이터, 웨어러블 디바이스 데이터, 및 설문 데이터를 제1 인공지능 모델에 입력하고, 제1 인공지능 모델을 기반으로 학습하여 분석한 유사 코호트 그룹의 혈당 데이터를 출력하며, 유저의 단말기가 혈당 스파이크의 원인 추측을 요청한 경우, 유저의 단말기로부터 유저의 실시간 혈당 데이터 내의 혈당 스파이크 데이터, 및 유저의 실시간 혈당 스파이크 전과 후의 활동 로그 데이터를 수신하고, 유사 코호트 그룹의 혈당 데이터, 유저의 실시간 혈당 데이터 내의 혈당 스파이크 데이터, 및 유저의 실시간 혈당 스파이크 전과 후의 활동 로그 데이터를 제2 인공지능 모델에 입력하며, 제2 인공지능 모델을 기반으로 학습하여 분석한 유저의 혈당 스파이크 원인 추측 데이터를 출력하고, 유저의 혈당 스파이크 원인 추측 데이터를 유저의 단말기 상에 표시하도록 제공될 수 있다.
이러한, 코호트를 활용한 혈당 스파이크 원인 추측 시스템은, 유저가 혈당 스파이크의 원인 추측을 요청한 경우, 유저에게 혈당 스파이크 원인 추측 정보를 제공하여 서비스의 만족도를 높이면서 신뢰성을 향상시킬 수 있다.
이하에서는, 코호트를 활용한 혈당 스파이크 원인 추측 시스템을 자세하게 살펴보기로 한다.
도 1은 본 개시의 코호트를 활용한 혈당 스파이크 원인 추측 시스템을 나타낸 도면이다. 도 2는 도 1의 혈당 스파이크 원인 추측 장치의 구성을 나타낸 도면이다.
도 1 및 도 2를 참조하면, 혈당 스파이크 원인 추측 시스템(100)은 유저의 단말기(110)와 혈당 스파이크 원인 추측 장치(120)를 포함할 수 있다.
유저의 단말기(110)는 유저별로 혈당 스파이크의 원인 추측을 혈당 스파이크 원인 추측 장치(120)에 요청하고, 혈당 스파이크 원인 추측 장치(120)로부터 수신된 유저의 혈당 스파이크 원인 추측 데이터를 표시할 수 있다. 이때, 유저는 혈당 관리가 필요한 사람, 당뇨병 환자등일 수 있다.
혈당 스파이크 원인 추측 장치(120)는 코호트를 활용한 혈당 스파이크 원인의 추측과 관련된 동작을 수행할 수 있다. 혈당 스파이크 원인 추측 장치(120)는 통신부(121), 메모리(122), 프로세서(123), 표시부(124)를 포함할 수 있다.
통신부(121)는 유저의 단말기(110)와 통신을 수행할 수 있다. 여기에서, 통신부(121)는 유저의 단말기(110)로부터 연속혈당데이터, 혈당 스파이크 전과 후의 활동 로그 데이터, 의료 데이터, 유전자 데이터, 라이프로그 데이터, 웨어러블 디바이스 데이터, 및 설문 데이터를 수신할 수 있다. 또한, 통신부(121)는 유저의 단말기(110)가 요청한 혈당 스파이크의 원인 추측에 대한 요청 신호를 수신받을 수 있다.
여기에서, 통신부(121)는 와이파이(Wifi) 모듈, 와이브로(Wireless broadband) 모듈 외에도, GSM(global System for Mobile Communication), CDMA(Code Division Multiple Access), WCDMA(Wideband Code Division Multiple Access), UMTS(universal mobile telecommunications system), TDMA(Time Division Multiple Access), LTE(Long Term Evolution), 4G, 5G, 6G 등 다양한 무선 통신 방식을 지원하는 무선 통신 모듈을 포함할 수 있다.
메모리(122)는 본 장치 내의 구성요소들의 동작을 제어하기 위한 알고리즘 또는 알고리즘을 재현한 프로그램에 대한 데이터를 저장할 수 있고, 메모리(122)에 저장된 데이터를 이용하여 전술한 동작을 수행하는 적어도 하나의 프로세서(123)로 구현될 수 있다. 여기에서, 메모리(122)와 프로세서(123)는 각각 별개의 칩으로 구현될 수 있다. 또한, 메모리(122)와 프로세서(123)는 단일 칩으로 구현될 수도 있다.
메모리(122)는 본 장치의 다양한 기능을 지원하는 데이터와, 프로세서(123)의 동작을 위한 프로그램을 저장할 수 있고, 입/출력되는 데이터들을 저장할 있고, 본 장치에서 구동되는 다수의 응용 프로그램(application program 또는 애플리케이션(application)), 본 장치의 동작을 위한 데이터들, 명령어들을 저장할 수 있다. 이러한 응용 프로그램 중 적어도 일부는, 무선 통신을 통해 외부 서버로부터 다운로드 될 수 있다.
이러한, 메모리(122)는 플래시 메모리 타입(flash memory type), 하드디스크 타입(hard disk type), SSD 타입(Solid State Disk type), SDD 타입(Silicon Disk Drive type), 멀티미디어 카드 마이크로 타입(multimedia card micro type), 카드 타입의 메모리(예를 들어 SD 또는 XD 메모리 등), 램(random access memory; RAM), SRAM(static random access memory), 롬(read-only memory; ROM), EEPROM(electrically erasable programmable read-only memory), PROM(programmable read-only memory), 자기 메모리, 자기 디스크 및 광디스크 중 적어도 하나의 타입의 저장매체를 포함할 수 있다. 또한, 메모리(122)는 본 장치와는 분리되어 있으나, 유선 또는 무선으로 연결된 데이터베이스가 될 수도 있다.
프로세서(123)는 코호트를 활용한 혈당 스파이크 원인의 추측과 관련된 동작을 제어할 수 있다.
프로세서(123)는 통신부(121)를 통해 유저의 단말기(110)로부터 연속혈당데이터, 혈당 스파이크 전과 후의 활동 로그 데이터, 의료 데이터, 유전자 데이터, 라이프로그 데이터, 웨어러블 디바이스 데이터, 및 설문 데이터를 수신할 수 있다.
이때, 연속혈당데이터는, 혈당의 흐름을 연속적으로 파악하여 혈당 관리에 도움을 주는 데이터일 수 있다. 또한, 혈당 스파이크 전과 후의 활동 로그 데이터는, 혈당 스파이크 전과 후의 식단 기록, 운동 기록, 수면 기록, 영양제 섭취 기록, 복용약 섭취 기록, 월경 기록, 단식 기록, 심박수 기록, 및 걸음수 기록일 수 있다.
또한, 의료 데이터는 건강검진결과, 처방약, 복용의약물 및 병의원 방문기록일 수 있다. 또한, 유전자 데이터는 유전자 검사 결과일 수 있다. 또한, 라이프로그 데이터는 식단 기록, 운동 기록, 음식 사진 기록, 수면 기록, 감정 기록, 컨디션 기록, 생리 기록 및 영양제 섭취 기록일 수 있다.
또한, 웨어러블 디바이스 데이터는 혈당, 심박수, 걸음수, 체성분 데이터, 운동 기록, 생리 기간 및 혈압일 수 있다. 또한, 설문 데이터는 건강 고민, 신체 관리 목표, 가족력, 알러지, 기저질환, 임신, 흡연, 갱년기 및 자녀계획 여부일 수 있다.
프로세서(123)는 연속혈당데이터, 혈당 스파이크 전과 후의 활동 로그 데이터, 의료 데이터, 유전자 데이터, 라이프로그 데이터, 웨어러블 디바이스 데이터, 및 설문 데이터를 제1 인공지능 모델에 입력하고, 제1 인공지능 모델을 기반으로 학습하여 분석한 유사 코호트 그룹의 혈당 데이터를 출력할 수 있다.
이때, 프로세서(123)는 제1 인공지능 모델을 기반으로, 성별, 연령, 기저질환, 복용약, 체질량지수, 근육량, 유전적 탄수화물민감도, 가족력으로 구분된 혈당 데이터를 각각의 유사 코호트 그룹별로 출력할 수 있다.
프로세서(123)는 유저의 단말기(110)가 혈당 스파이크의 원인 추측을 요청한 경우, 통신부(121)를 통해 유저의 단말기(110)로부터 유저의 실시간 혈당 데이터 내의 혈당 스파이크 데이터, 및 유저의 실시간 혈당 스파이크 전과 후의 활동 로그 데이터를 수신할 수 있다.
프로세서(123)는 유사 코호트 그룹의 혈당 데이터, 유저의 실시간 혈당 데이터 내의 혈당 스파이크 데이터, 및 유저의 실시간 혈당 스파이크 전과 후의 활동 로그 데이터를 제2 인공지능 모델에 입력하며, 제2 인공지능 모델을 기반으로 학습하여 분석한 유저의 혈당 스파이크 원인 추측 데이터를 출력할 수 있다.
이때, 프로세서(123)는 제2 인공지능 모델을 기반으로 유저의 혈당 스파이크 원인 추측 데이터를 출력할 때, 혈당 스파이크 전과 후의 활동 로그 데이터에 상응하는 식단 기록, 운동 기록, 수면 기록, 영양제 섭취 기록, 복용약 섭취 기록, 월경 기록, 단식 기록, 심박수 기록, 및 걸음수 기록 중 유저의 혈당 스파이크에 영향을 끼칠 가능성이 높은 활동 로그 데이터를 순서적으로 정렬하여 출력할 수 있다.
프로세서(123)는 유저의 혈당 스파이크 원인 추측 데이터를 유저의 단말기 (110) 상에 표시할 수 있다. 여기에서, 프로세서(123)는 순서적으로 정렬된 유저의 혈당 스파이크에 영향을 끼칠 가능성이 높은 활동 로그 데이터를 유저의 단말기 (110) 상에 표시할 수 있다. 이때, 유저의 혈당 스파이크에 영향을 끼칠 가능성이 높은 활동 로그 데이터는, 혈당 스파이크 전과 후의 활동 로그 데이터에 상응하는 식단 기록, 운동 기록, 수면 기록, 영양제 섭취 기록, 복용약 섭취 기록, 월경 기록, 단식 기록, 심박수 기록, 및 걸음수 기록 등일 수 있다.
도 3 및 도 4는 본 개시의 코호트를 활용한 혈당 스파이크 원인 추측 방법을 나타낸 순서도들이다. 도 5 내지 도 7d는 도 2의 혈당 스파이크 원인 추측 장치를 통해 유저의 혈당 스파이크 원인 추측 데이터를 표시하는 과정을 나타낸 도면들이다.
도 3 및 도 4를 참조하면, 혈당 스파이크 원인 추측 방법은, 제1 수신 단계(S310), 제1 출력 단계(S320), 제1 판단 단계(S330), 제2 수신 단계(S340), 제2 출력 단계(S350), 표시 단계(S360)를 포함할 수 있다.
제1 수신 단계(S310)는, 통신부(121)를 통해 유저의 단말기(110)로부터 연속혈당데이터, 혈당 스파이크 전과 후의 활동 로그 데이터, 의료 데이터, 유전자 데이터, 라이프로그 데이터, 웨어러블 디바이스 데이터, 및 설문 데이터를 수신할 수 있다.
예를 들어, 프로세서(123)는 유저의 단말기(110) 내의 연속 혈당 관련 어플리케이션을 통해 혈당의 흐름을 연속적으로 파악하여 혈당 관리에 도움을 주는 데이터를 수신할 수 있다.
다른 예를 들어, 프로세서(123)는 유저의 단말기(110) 내의 혈당 스파이크 관련 어플리케이션을 통해 혈당 스파이크 전과 후의 식단 기록, 운동 기록, 수면 기록, 영양제 섭취 기록, 복용약 섭취 기록, 월경 기록, 단식 기록, 심박수 기록, 및 걸음수 기록을 포함하는 혈당 스파이크 전과 후의 활동 로그 데이터를 수신할 수 있다.
또 다른 예를 들어, 프로세서(123)는 유저의 단말기(110) 내의 의료 관련 어플리케이션을 통해 건강검진결과, 처방약, 복용의약물 및 병의원 방문기록을 포함하는 의료 데이터를 수신할 수 있다.
또 다른 예를 들어, 프로세서(123)는 유저의 단말기(110) 내의 유전자 관련 어플리케이션을 통해 유전자 검사 결과를 포함하는 유전자 데이터를 수신할 수 있다.
또 다른 예를 들어, 프로세서(123)는 유저의 단말기(110) 내의 라이프로그 관련 어플리케이션을 통해 식단 기록, 운동 기록, 음식 사진 기록, 수면 기록, 감정 기록, 컨디션 기록, 생리 기록 및 영양제 섭취 기록을 포함하는 라이프로그 데이터를 수신할 수 있다.
또 다른 예를 들어, 유저의 단말기(110)는 스마트 워치, 연속혈당측정기, 체성분 체중계등일 수 있고, 프로세서(123)는 스마트 워치, 연속혈당측정기, 체성분 체중계를 통해 혈당, 심박수, 걸음수, 체성분 데이터, 운동 기록, 생리 기간 및 혈압을 포함하는 웨어러블 디바이스 데이터를 수신할 수 있다.
또 다른 예를 들어, 프로세서(123)는 유저의 단말기(110) 내의 설문 관련 어플리케이션을 통해 건강 고민, 신체 관리 목표, 가족력, 알러지, 기저질환, 임신, 흡연, 갱년기 및 자녀계획 여부를 포함하는 설문 데이터를 수신할 수 있다.
제1 출력 단계(S320)는, 프로세서(123)를 통해, 도 5에 도시된 바와 같이 연속혈당데이터(ID1), 혈당 스파이크 전과 후의 활동 로그 데이터(ID2), 의료 데이터(ID3), 유전자 데이터(ID4), 라이프로그 데이터(ID5), 웨어러블 디바이스 데이터(ID6), 및 설문 데이터(ID7)의 입력값을 제1 인공지능 모델(AIM1)에 입력하고, 제1 인공지능 모델(AIM1)을 기반으로 학습하여 분석한 유사 코호트 그룹의 혈당 데이터(OD1)의 결과값을 출력할 수 있다.
여기에서, 제1 인공지능 모델(AIM1)은 성별, 연령, 기저질환, 복용약, 체질량지수, 근육량, 유전적 탄수화물민감도, 가족력으로 구분된 혈당 데이터를 각각의 유사 코호트 그룹별로 출력할 수 있다. 예를 들어, 제1 인공지능 모델(AIM1)은, 남, 여, 연령대, 기저질환 여부, 기저질환 종류, 복용약 여부, 복용약 종류, 체질량지수 수준, 근육량 수준, 유전적 탄수화물민감도 수준, 가족력 여부로 구분된 혈당 데이터를 제1 유사 코호트 그룹 내지 제N 유사 코호트 그룹으로 출력할 수 있다.
이때, 제1 인공지능 모델(AIM1)은 다양한 연속혈당데이터, 혈당 스파이크 전과 후의 식단 기록 데이터, 혈당 스파이크 전과 후의 운동 기록 데이터, 혈당 스파이크 전과 후의 수면 기록 데이터, 혈당 스파이크 전과 후의 영양제 섭취 기록 데이터, 혈당 스파이크 전과 후의 복용약 섭취 기록 데이터, 혈당 스파이크 전과 후의 월경 기록 데이터, 혈당 스파이크 전과 후의 단식 기록 데이터, 혈당 스파이크 전과 후의 심박수 기록 데이터, 혈당 스파이크 전과 후의 걸음수 기록 데이터, 건강검진결과, 처방약, 복용의약물, 병의원 방문기록, 유전자 검사 결과, 식단 기록, 운동 기록, 음식 사진 기록, 수면 기록, 감정 기록, 컨디션 기록, 생리 기록, 영양제 섭취 기록, 혈당, 심박수, 걸음수, 체성분 데이터, 생리 기간, 혈압, 건강 고민, 신체 관리 목표, 가족력, 알러지, 기저질환, 임신, 흡연, 갱년기, 자녀계획 여부를 CNN 알고리즘 또는 RNN 알고리즘을 이용하여 학습데이터 셋으로 구축 및 강화 학습시킬 수 있다.
제1 판단 단계(S330)는, 프로세서(123)를 통해 유저의 단말기(110)가 혈당 스파이크의 원인 추측을 요청한 것인지를 판단할 수 있다.
제2 수신 단계(S340)는, 프로세서(123)를 통해 유저의 단말기(110)가 혈당 스파이크의 원인 추측을 요청한 경우, 통신부(121)를 통해 유저의 단말기(110)로부터 유저의 실시간 혈당 데이터 내의 혈당 스파이크 데이터, 및 유저의 실시간 혈당 스파이크 전과 후의 활동 로그 데이터를 수신할 수 있다.
예를 들어, 프로세서(123)는 유저의 단말기(110) 내의 혈당 관련 어플리케이션을 통해 유저의 실시간 혈당 데이터 내의 혈당 스파이크 데이터, 및 유저의 실시간 혈당 스파이크 전과 후의 활동 로그 데이터를 수신할 수 있다. 이때, 혈당 스파이크 데이터는 혈당 스파이크 횟수, 혈당 스파이크 높이(전후 혈당 변동량), 혈당 스파이크 지속시간 등의 스파이크 패턴일 수 있다.
제2 출력 단계(S350)는, 프로세서(123)를 통해, 도 6에 도시된 바와 같이 유사 코호트 그룹의 혈당 데이터(ID8), 유저의 실시간 혈당 데이터 내의 혈당 스파이크 데이터(ID9), 및 유저의 실시간 혈당 스파이크 전과 후의 활동 로그 데이터(ID10)를 제2 인공지능 모델(AIM2)에 입력하며, 제2 인공지능 모델(AIM2)을 기반으로 학습하여 분석한 유저의 혈당 스파이크 원인 추측 데이터(OD2)를 출력할 수 있다.
이때, 유사 코호트 그룹의 혈당 데이터(ID8)는 남, 여, 연령대, 기저질환 여부, 기저질환 종류, 복용약 여부, 복용약 종류, 체질량지수 수준, 근육량 수준, 유전적 탄수화물민감도 수준, 가족력 여부로 구분된 혈당 데이터를 갖는 제1 유사 코호트 그룹 내지 제N 유사 코호트 그룹 중 어느 하나일 수 있다.
여기에서, 프로세서(123)는 제2 인공지능 모델(AIM2)을 기반으로 유저의 혈당 스파이크 원인 추측 데이터를 출력할 때, 혈당 스파이크 전과 후의 활동 로그 데이터에 상응하는 식단 기록, 운동 기록, 수면 기록, 영양제 섭취 기록, 복용약 섭취 기록, 월경 기록, 단식 기록, 심박수 기록, 및 걸음수 기록 중 유저의 혈당 스파이크에 영향을 끼칠 가능성이 높은 활동 로그 데이터를 순서적으로 정렬하여 출력할 수 있다.
이때, 제2 인공지능 모델(AIM2)은, 다양한 유사 코호트 그룹의 혈당 데이터, 유저의 실시간 혈당 데이터 내의 혈당 스파이크 데이터, 및 유저의 실시간 혈당 스파이크 전과 후의 활동 로그 데이터를 CNN 알고리즘 또는 RNN 알고리즘을 이용하여 학습데이터 셋으로 구축 및 강화 학습시킬 수 있다.
표시 단계(S360)는, 프로세서(123)를 통해, 유저의 혈당 스파이크 원인 추측 데이터를 유저의 단말기(110) 상에 표시할 수 있다.
여기에서, 프로세서(123)는 순서적으로 정렬된 유저의 혈당 스파이크에 영향을 끼칠 가능성이 높은 활동 로그 데이터를 유저의 단말기(110) 상에 표시할 수 있다. 이때, 유저의 혈당 스파이크에 영향을 끼칠 가능성이 높은 활동 로그 데이터는, 혈당 스파이크 전과 후의 활동 로그 데이터에 상응하는 식단 기록, 운동 기록, 수면 기록, 영양제 섭취 기록, 복용약 섭취 기록, 월경 기록, 단식 기록, 심박수 기록, 및 걸음수 기록 등일 수 있다.
한편, 도 7a에 도시된 바와 같이, 프로세서(123)는 유저의 단말기(110)가 혈당 스파이크의 원인 추측을 요청한 경우, 식후 2시간 점수 기반의 혈당 반응 정보(C1), 혈당 변화량 정보(C2)를 유저의 단말기(110) 상에 표시할 수도 있다.
도 7b에 도시된 바와 같이, 프로세서(123)는 유저의 단말기(110)가 혈당 스파이크의 원인 추측을 요청한 경우, 유저의 단말기(110)가 입력한 운동 정보와 섭취 음식 정보 및 혈당 메모 정보(C3)를 기반으로, 제2 인공지능 모델을 통해 분석한 유저의 혈당 스파이크 원인 추측 정보(C4)를 유저의 단말기(110) 상에 표시할 수도 있다. 예를 들어, 유저의 혈당 스파이크 원인 추측 정보(C4)는 과도한 탄수화물 섭취, 비타민 C 섭취, 생리중일 수 있다.
도 7c에 도시된 바와 같이, 프로세서(123)는 유저의 단말기(110)가 혈당 스파이크의 원인 추측을 요청한 경우, 혈당 스파이크 원인과 연계된 섭취 정보(C5)를 유저의 단말기(110) 상에 표시할 수도 있다. 예를 들어, 혈당 스파이크 원인과 연계된 섭취 정보(C5)는 탄수화물 섭취량이 많은 편이에요라는 문구일 수 있다.
도 7d에 도시된 바와 같이, 프로세서(123)는 유저의 단말기(110)가 혈당 스파이크의 원인 추측을 요청한 경우, 혈당 스파이크 원인과 연계된 운동 정보 및 섭취 정보(C6)를 유저의 단말기(110) 상에 표시할 수도 있다. 예를 들어, 혈당 스파이크 원인과 연계된 운동 정보 및 섭취 정보(C6)는 운동으로 혈당을 낮췄지만 탄수화물 섭취량이 많은 편이에요라는 문구일 수 있다.
이와 같이, 본 개시는 유저가 혈당 스파이크의 원인 추측을 요청한 경우, 유저에게 혈당 스파이크 원인 추측 정보를 제공하여 서비스의 만족도를 높이면서 신뢰성을 향상시킬 수 있다.
도 8 내지 도 18은 도 2의 혈당 스파이크 원인 추측 장치를 이용하여 혈당 점수를 산출하는 과정을 나타낸 도면들이다.
도 8 내지 도 18를 참조하면, 프로세서(123)는 통신부(121)를 통해, 연속혈당측정장치로부터 획득된 연속혈당데이터를 수신할 수 있다.
프로세서(123)는 연속혈당데이터를 기 설정된 시간 단위로 분절할 수 있다. 예를 들어, 도 8에 도시된 바와 같이 프로세서(113)는 연속혈당데이터를 기 설정된 1분 내지 30분 단위로 분절(D1, D2, …, Dn)할 수 있다.
프로세서(123)는 분절된 혈당데이터를 modified akima 보간법을 이용하여 보간할 수 있다. 예를 들어, 도 9에 도시된 바와 같이 프로세서(123)는 분절된 혈당데이터(도9의 D1, D2, …, Dn)를 modified akima 보간법을 이용하여 보간하고 1분 단위의 데이터로 전환할 수 있다. 여기에서, 프로세서(123)는 분절된 혈당데이터(도9의 D1, D2, …, Dn)를 modified akima 보간법을 이용하여 연속 혈당 데이터로 스무딩(smoothing)할 수 있다.
이때, 프로세서(123)는 노이즈 데이터 필터 아웃 알고리즘을 이용하여 노이즈 데이터를 필터 아웃할 수 있다. 이러한, 노이즈 데이터 필터 아웃 알고리즘은 노이즈 데이터를 처리할 때, 혈당 시계열의 평균값(AVG) 과 표준편차값(SD)을 기반으로 노이즈 데이터를 처리할 수 있다. 예를 들어, 프로세서(123)는 AVG - k*SD 내지 AVG + k*SD 범위를 벗어난 혈당값은, 노이즈 데이터로 처리할 수 있다. 이때, k는 상수일 수 있다.
프로세서(123)는 유저의 단말기(110)가 혈당 예측 데이터를 요청한 경우, 유저의 단말기(110)로부터 웨어러블 디바이스의 데이터 및 유저 라이프로그 데이터를 수신할 수 있다. 예를 들어, 유저의 단말기(110)는 스마트 워치일 수 있고, 프로세서(123)는 스마트 워치 내의 웨어러블 디바이스의 어플리케이션을 통해 심박수, 핸드폰 사용시간, 수면시작시간, 기상시간, 운동시작시간, 운동종료시간, 및 시간별 걸음수를 포함하는 웨어러블 디바이스의 데이터를 수신할 수 있다. 다른 예를 들어, 프로세서(123)는 유저의 단말기(110) 내의 유저 라이프로그 관련 어플리케이션을 통해 식단 입력 기록 정보, 음식 이미지 촬영 시각, 운동 입력 기록 정보, 간헐적 단식 입력 기록 정보, 수분 기록 정보, 영양제 섭취 기록 정보, 컨디션 정보, 및 메모 기록 정보를 포함하는 유저 라이프로그 데이터를 수신할 수 있다.
도 10에 도시된 바와 같이 프로세서(123)는 메타 데이터 중 보간된 혈당 데이터(ID11), 웨어러블 디바이스의 데이터(ID12), 및 유저 라이프로그 데이터(ID13)의 입력값을 제3 인공지능 모델(AIM3)에 입력할 수 있다. 여기에서, 보간된 혈당 데이터(ID11)는 혈당의 변화량, 변화 속도, 변화 기울기, 최고점, 최저점, 및 평균 혈당등을 포함할 수 있다. 예를 들어, 도 11에 도시된 바와 같이, 표시부(124)는 식사 시작 시간부터 식사 2시간 후의 혈당 데이터를 포함하는 영역(DP1, DP2, DP3)을 디텍션하고, 디텍션한 영역을 그래프 상에 태깅하여 표시할 수 있다. 또한, 웨어러블 디바이스의 데이터(ID12)는 심박수, 핸드폰 사용시간, 수면시작시간, 기상시간, 운동시작시간, 운동종료시간, 및 시간별 걸음수등을 포함할 수 있다. 또한, 유저 라이프로그 데이터(ID13)는 식단 입력 기록 정보, 음식 이미지 촬영 시각, 운동 입력 기록 정보, 간헐적 단식 입력 기록 정보, 수분 기록 정보, 영양제 섭취 기록 정보, 컨디션 정보, 및 메모 기록 정보등을 포함할 수 있다.
프로세서(123)는 제3 인공지능 모델(AIM3)을 기반으로 학습하여 분석한 유저 활동 예측 데이터별 혈당 예측 데이터(OD3) 또는 보정된 유저 활동 예측 데이터별 혈당 예측 데이터(OD4)의 결과값을 출력할 수 있다.
이때, 제3 인공지능 모델(AIM3)은, 다양한 혈당의 변화량, 변화 속도, 변화 기울기, 최고점, 최저점, 평균 혈당, 심박수, 핸드폰 사용시간, 공복 시간, 식사시작시간, 식후 1시간, 식후 2시간, 수면시작시간, 수면종료시간, 기상시간, 운동시작시간, 운동종료시간, 시간별 걸음수, 식단 입력 기록 정보, 음식 이미지 촬영 시각, 운동 입력 기록 정보, 간헐적 단식 입력 기록 정보, 수분 기록 정보, 영양제 섭취 기록 정보, 컨디션 정보, 및 메모 기록 정보를 CNN 알고리즘 또는 RNN 알고리즘을 이용하여 학습데이터 셋으로 구축 및 강화 학습시킬 수 있다.
또한, 제3 인공지능 모델(AIM3)은, 다양한 보간된 혈당 데이터(ID11), 다양한 웨어러블 디바이스의 데이터(ID12), 및 다양한 유저 라이프로그 데이터(ID13)를 CNN 알고리즘 또는 RNN 알고리즘을 이용하여 학습데이터 셋으로 더 구축 및 더 강화 학습시킬 수 있다.
여기에서, 제3 인공지능 모델(AIM3)은, 혈당의 변화량, 변화 속도, 변화 기울기, 최고점, 최저점, 평균 혈당, 심박수, 핸드폰 사용시간, 공복 시간, 식사시작시간, 식후 1시간, 식후 2시간, 수면시작시간, 수면종료시간, 기상시간, 운동시작시간, 운동종료시간, 시간별 걸음수, 식단 입력 기록 정보, 음식 이미지 촬영 시각, 운동 입력 기록 정보, 간헐적 단식 입력 기록 정보, 수분 기록 정보, 영양제 섭취 기록 정보, 컨디션 정보, 및 메모 기록 정보를 기반으로 학습하여 분석한 유저 활동 예측 데이터별 혈당 예측 데이터(OD3) 또는 보정된 유저 활동 예측 데이터별 혈당 예측 데이터(OD4)를 출력할 수 있다.
일 예로, 프로세서(123)는 보정된 유저 활동 예측 데이터별 혈당 예측 데이터(OD4)를 출력할 때, 유저 활동 예측 데이터의 운동 스파이크 패턴 및 알코올 패턴 별로 각각의 24시간 혈당 점수를 산출할 수 있다.
그리고, 프로세서(123)는 산출된 각각의 24시간 혈당 점수를 기반으로, 보정된 유저 활동 예측 데이터별 혈당 예측 데이터(OD4)를 출력할 수 있다.
다른 일 예로, 프로세서(123)는 보정된 유저 활동 예측 데이터별 혈당 예측 데이터(OD4)를 출력할 때, 유저 활동 예측 데이터의 운동 스파이크 패턴 및 알코올 패턴 별로 각각의 2시간 혈당 점수를 산출할 수 있다.
그리고, 프로세서(123)는 산출된 각각의 2시간 혈당 점수를 기반으로, 보정된 유저 활동 예측 데이터별 혈당 예측 데이터(OD4)를 출력할 수 있다.
예를 들어, 도 12에 도시된 바와 같이 프로세서(123)는 식후 2시간 이내30mg/dL에서 50mg/dL 이상 혈당이 급격하게 상승하는 제1 패턴(P1)인 경우, 제1 패턴(P1)에 연계된 각각의 24시간 혈당 점수 또는 각각의 2시간 혈당 점수를 산출하고, 산출된 각각의 24시간 혈당 점수 또는 각각의 2시간 혈당 점수를 기반으로, 유저 활동 예측 데이터별 혈당 예측 데이터(OD3)를 출력할 수 있다.
다른 예를 들어, 프로세서(123)는 식후 2시간 이내 혈당이 식후 스파이크패턴을 보인 후에 급격하게 하락하여 식전 혈당 아래로 떨어지는 제2 패턴(P2)인 경우, 제2 패턴(P2)에 연계된 각각의 24시간 혈당 점수 또는 각각의 2시간 혈당 점수를 산출하고, 산출된 각각의 24시간 혈당 점수 또는 각각의 2시간 혈당 점수를 기반으로, 유저 활동 예측 데이터별 혈당 예측 데이터(OD3)를 출력할 수 있다. 이때, 도 13에 도시된 바와 같이, 유저의 단말기(110)는 통신부(121)를 통해 제2 패턴(P2)에 상응하는 유저 활동 예측 데이터별 혈당 예측 데이터(OD3)를 수신받고, 유저 활동 예측 데이터별 혈당 예측 데이터(OD3)와 관련된 혈당 예측 정보(PI1 내지 PI5)를 표시할 수 있다.
또 다른 예를 들어, 프로세서(123)는 식후 2시간 이내 식후 스파이크 패턴을 2번 이상 보이는 제3 패턴(P3)인 경우, 제3 패턴(P3)에 연계된 각각의 24시간 혈당 점수 또는 각각의 2시간 혈당 점수를 산출하고, 산출된 각각의 24시간 혈당 점수 또는 각각의 2시간 혈당 점수를 기반으로, 유저 활동 예측 데이터별 혈당 예측 데이터(OD3)를 출력할 수 있다.
또 다른 예를 들어, 프로세서(123)는 식후 2시간 시점에 식전 혈당으로 혈당이 내려오지 않는 제4 패턴(P4)인 경우, 제4 패턴(P4)에 연계된 각각의 24시간 혈당 점수 또는 각각의 2시간 혈당 점수를 산출하고, 산출된 각각의 24시간 혈당 점수 또는 각각의 2시간 혈당 점수를 기반으로, 유저 활동 예측 데이터별 혈당 예측 데이터(OD3)를 출력할 수 있다.
또 다른 예를 들어, 프로세서(123)는 운동을 종료하고 30분까지, 혈당이 30mg/dL에서 50mg/dL 이상 급격하게 상승하는 제5 패턴(P5)인 경우, 제5 패턴(P5)에 연계된 각각의 24시간 혈당 점수 또는 각각의 2시간 혈당 점수를 산출하고, 산출된 각각의 24시간 혈당 점수 또는 각각의 2시간 혈당 점수를 기 설정된 각각의 보정 점수로 보정하며, 보정된 각각의 24시간 혈당 점수 또는 각각의 2시간 혈당 점수를 기반으로, 보정된 유저 활동 예측 데이터별 혈당 예측 데이터(OD4)를 출력할 수 있다. 이러한, 운동 스파이크는 몸에 이로운 스파이크이기 때문에, Max 혈당에서 제외하고 그래프 상에서 Flat 처리할 수 있다. 이때, 프로세서(123)는 운동 시점 이후 혈당이 상승한다면, 운동 종료 시간 1시간까지는 운동 시작 시점의 혈당으로 치환하여 계산할 수 있다. 한편, 프로세서(123)는 운동 시작 시점의 혈당 이하로 내려오는 시점부터는 치환하지 않을 수 있다. 그리고, 프로세서(123)는 운동종료시간 + 1시간 이후에는 본래 혈당값을 사용할 수 있다.
또 다른 예를 들어, 프로세서(123)는 운동을 종료하고, 30분까지 혈당이 급격하게 하락하여 70mg/dL 아래로 떨어지는 제6 패턴(P6)인 경우, 제6 패턴(P6)에 연계된 각각의 24시간 혈당 점수 또는 각각의 2시간 혈당 점수를 산출하고, 산출된 각각의 24시간 혈당 점수 또는 각각의 2시간 혈당 점수를 기반으로, 유저 활동 예측 데이터별 혈당 예측 데이터(OD3)를 출력할 수 있다.
또 다른 예를 들어, 프로세서(123)는 아침 공복 혈당이 평균 공복 혈당보다 높고, 새벽 3시 수면 중 혈당도 평소 수면 혈당보다 높은 제7 패턴(P7)인 경우, 제7 패턴(P7)에 연계된 각각의 24시간 혈당 점수 또는 각각의 2시간 혈당 점수를 산출하고, 산출된 각각의 24시간 혈당 점수 또는 각각의 2시간 혈당 점수를 기반으로, 유저 활동 예측 데이터별 혈당 예측 데이터(OD3)를 출력할 수 있다.
또 다른 예를 들어, 프로세서(123)는 아침 공복 혈당이 평균 공복 혈당보다 높고, 새벽 3시 수면 중 혈당이 평소 수면 혈당보다 매우 낮은 제8 패턴(P8)인 경우, 제8 패턴(P8)에 연계된 각각의 24시간 혈당 점수 또는 각각의 2시간 혈당 점수를 산출하고, 산출된 각각의 24시간 혈당 점수 또는 각각의 2시간 혈당 점수를 기반으로, 유저 활동 예측 데이터별 혈당 예측 데이터(OD3)를 출력할 수 있다.
또 다른 예를 들어, 프로세서(123)는 수면 시작 시간 이후 종료 시간 전까지 혈당이 70mg/dL 이하로 떨어지거나, 또는 70mg/dL 대로 유지되거나, 또는 2회 이상 떨어지는 제9 패턴(P9)인 경우, 제9 패턴(P9)에 연계된 각각의 24시간 혈당 점수 또는 각각의 2시간 혈당 점수를 산출하고, 산출된 각각의 24시간 혈당 점수 또는 각각의 2시간 혈당 점수를 기반으로, 유저 활동 예측 데이터별 혈당 예측 데이터(OD3)를 출력할 수 있다.
또 다른 예를 들어, 프로세서(123)는 운동을 종료하고, 30분까지 혈당이 점진적으로 하락하는 제10 패턴(P10)인 경우, 제10 패턴(P10)에 연계된 각각의 24시간 혈당 점수 또는 각각의 2시간 혈당 점수를 산출하고, 산출된 각각의 24시간 혈당 점수 또는 각각의 2시간 혈당 점수를 기반으로, 유저 활동 예측 데이터별 혈당 예측 데이터(OD3)를 출력할 수 있다.
또 다른 예를 들어, 프로세서(123)는 음주후 2시간 이내, 혈당에 스파이크가 없이 유지되는 제11 패턴(P11)인 경우, 제11 패턴(P11)에 연계된 각각의 24시간 혈당 점수 또는 각각의 2시간 혈당 점수를 산출하고, 산출된 각각의 24시간 혈당 점수 또는 각각의 2시간 혈당 점수를 기 설정된 각각의 보정 점수로 보정하며, 보정된 각각의 24시간 혈당 점수 또는 각각의 2시간 혈당 점수를 기반으로, 보정된 유저 활동 예측 데이터별 혈당 예측 데이터(OD4)를 출력할 수 있다. 이때, 도 16에 도시된 바와 같이 프로세서(123)는 알코올이 포함된 식사는 혈당을 낮출 수 있어, 그래프 상에서 괜찮아 보이지만, 실제로는 몸에 해롭기 때문에 술이 포함된 식후의 혈당 데이터를 D3에서 D3'로 증폭 처리할 수 있다. 여기에서, 프로세서(123)는 알코올 섭취 시간 이후 2시간 동안의 혈당값을 1.3배하여 계산할 수 있다.
또 다른 예를 들어, 프로세서(123)는 측정된 혈당이 70mg/dL 미만으로 60분 이내에 2번 이상 발생한 경우, 제12 패턴(P12)에 연계된 각각의 24시간 혈당 점수 또는 각각의 2시간 혈당 점수를 산출하고, 산출된 각각의 24시간 혈당 점수 또는 각각의 2시간 혈당 점수를 기반으로, 유저 활동 예측 데이터별 혈당 예측 데이터(OD3)를 출력할 수 있다.
또 다른 예를 들어, 프로세서(123)는 최고 혈당에 오르기 전에 운동을 시작했을 경우, 제13 패턴(P13)에 연계된 각각의 24시간 혈당 점수 또는 각각의 2시간 혈당 점수를 산출하고, 산출된 각각의 24시간 혈당 점수 또는 각각의 2시간 혈당 점수를 기반으로, 유저 활동 예측 데이터별 혈당 예측 데이터(OD3)를 출력할 수 있다.
본 개시에서, 24시간 혈당 점수를 산출하는 과정은 다음과 같다.
프로세서(123)는 24시간 혈당 점수를 0점 내지 100점 사이값으로 산출할 수 있다.
예를 들어, 도 15에 도시된 바와 같이 프로세서(123)는 목표 혈당인 140 이상으로 식후 스파이크 발생(SP1, SP2, SP3)했으나, 짧게 지속되거나 스파이크의 높이가 높지 않고 면적이 크지 않은 경우, 24시간 혈당 점수를 50점으로 산출할 수 있다. 다른 예를 들어, 도 16에 도시된 바와 같이 프로세서(123)는 목표 혈당인 140 이상으로 알코올이 포함되고 식후 스파이크 발생(SP4)했으나, 스파이크의 높이가 높고 면적이 큰 경우, 24시간 혈당 점수를 18점으로 산출할 수 있다. 또 다른 예를 들어, 프로세서(123)는 목표 혈당인 140 아래로 꾸준히 유지한 경우, 24시간 혈당 점수를 90점으로 산출할 수 있다.
그리고, 프로세서(123)는 24시간 혈당 점수를 산출할 시에, 하기 [수학식 1]의 고혈당 노출 면적 점수에 30%의 가중치를 적용한 후, 소수점 첫째자리에서 반올림할 수 있다.
[수학식 1]
고혈당 노출 면적 점수 = 100 - (1/0.025m * HBG_AUC)
HBG_AUC ≥ 2.5*m = 1/2* 5(mg/dL) * 24(h) * 60(min/h) 일 때, 0점
여기에서, HBG_AUC는 목표혈당을 넘어선 면적으로, 도 17에 도시된 바와 같이 FBG_Avg보다 TBG Diff 이상 높아진 구간의 빨간 그래프(CT1 내지 CT7)에 해당하는 면적일 수 있다. 이때, FBG_Avg는 공복 혈당 평균값일 수 있고, TBG Diff는 유저가 지정한 혈당 범위의 차이값일 수 있으며, m은 0시부터 현재 시간까지를 분으로 환산한 것일 수 있다. 예를 들어, 새벽 1시 = 60분, m=60일 수 있다.
또한, 프로세서(123)는 24시간 혈당 점수를 산출할 시에, 하기 [수학식 2]의 최고 혈당 점수에 30%의 가중치를 적용한 후, 소수점 첫째자리에서 반올림할 수 있다.
[수학식 2]
최고 혈당 점수 = 100 - {(G(max) - TBG_Max)} / 0.4
G(max) ≤ TBG_Max 일 때, 100점
G(max) - TBG_Max >40 일 때, 0점
여기에서, G(max)는 일일 혈당값 중 최고값일 수 있고, TBG_Max는 유저가 지정한 혈당 범위의 최고값일 수 있다.
또한, 프로세서(123)는 24시간 혈당 점수를 산출할 시에, 하기 [수학식 3]의 평균 혈당 점수에 10%의 가중치를 적용한 후, 소수점 첫째자리에서 반올림할 수 있다.
[수학식 3]
평균 혈당 점수 = 100 - {G(avg) - TBG_Avg)} / 0.2
G(avg) ≤ TBG_Avg 일 때, 100점
G(avg) - TBG_Avg > 20 일 때, 0점
이때, G(avg)는 일일 혈당값의 평균값일 수 있고, TBG_Avg는 목표 평균혈당값일 수 있다.
또한, 프로세서(123)는 24시간 혈당 점수를 산출할 시에, 하기 [수학식 4]의 혈당변동성에 10%의 가중치를 적용한 후, 소수점 첫째자리에서 반올림할 수 있다.
[수학식 4]
혈당 변동성 점수 = 100 - (CV - TBG_CV) / 0.16
CV ≤ TBG_CV 인 경우, 100점
CV - TBG_CV > 16인 경우, 0점
CV = SD(표준편차) / (평균혈당) * 100
이때, CV는 변동 계수(coefficient of variation)일 수 있고, TBG_CV는 목표 혈당 변동 계수일 수 있다.
또한, 프로세서(123)는 24시간 혈당 점수를 산출할 시에, 하기 [수학식 5]의 건강혈당범위에 20%의 가중치를 적용한 후, 소수점 첫째자리에서 반올림할 수 있다. 이때, 프로세서(123)는 음수값이 나오면 0점 처리할 수 있고, 데이터가 없을 때 계산하지 않을 수 있다.
[수학식 5]
건강 혈당 범위 점수 = (건강 혈당 범위 비율 *10 - 800)/2
건강 혈당 범위 비율 < 80 일 때, 0점
건강 혈당 범위 비율(%) = 혈당값이 [TBG_Min ~ TBG_Max] 안에 들어온 시간](min) / 1440(min) * 100(%)
이때, TBG_Max는 유저가 지정한 혈당 범위의 최고값일 수 있고, TBG_Min은 유저가 지정한 혈당 범위의 최저값일 수 있다.
본 개시에서, 2시간 혈당 점수를 산출하는 과정은 다음과 같다.
프로세서(123)는 2시간 혈당 점수를 산출할 시에, 하기 [수학식 6]의 혈당 피크 점수에 30%의 가중치를 적용한 후, 가장 가까운 정수로 반올림할 수 있다.
[수학식 6]
혈당 피크 점수 = 10 - (2HZ_Max-TBG_Max)/2
2HZ_Max < TBG_Max, 10점
2HZ_Max - TBG_Max > 20, 0점
이때, 2HZ_Max는 2HZ(또는 Mega Zone) 안의 Max(사실상 식후 혈당 Max)일 수 있고, TBG_Max는 유저가 지정한 혈당 범위의 최고값일 수 있다.
프로세서(123)는 2시간 혈당 점수를 산출할 시에, 하기 [수학식 7]의 혈당 변화 기울기 점수에 20%의 가중치를 적용한 후, 가장 가까운 정수로 반올림할 수 있다.
[수학식 7]
혈당 변화 기울기 점수 = 10 - (2HZ_MaxSlope - 20)
2HZ_MaxSlope < 20, 10점
2HZ_MaxSlope > 30, 0점
이때, 2HZ_MaxSlope는 2HZ 안의 가장 큰 기울기(15분 동안의 변화가 가장 큰 혈당 차이값)일 수 있고, 2HZ_MaxSlope > 0 만 확인할 수 있다(오르는 것만 확인, 내리는 것은 제외).
프로세서(123)는 2시간 혈당 점수를 산출할 시에, 하기 [수학식 8]의 혈당 변화 누적 점수에 30%의 가중치를 적용한 후, 가장 가까운 정수로 반올림할 수 있다. 이때, 혈당 점수는 0-10점 사이값으로 할 수 있고, 음수값이 나오면 0점 처리할 수 있으며, 데이터 없을 때 계산하지 않을 수 있다.
[수학식 8]
혈당 변화 누적 점수 = 10 - (2HZ_AUC_Avg - Target_2HZ_AUC_Avg)
2HZ_AUC_Avg ≤ Target_2HZ_AUC_Avg, 10점
(2HZ_AUC_Avg - Target_2HZ_AUC_Avg) ≥ 10, 0점
이때, 2HZ_AUC는 2HZ(또는 Mega Zone)에서 2HZ_Base를 기준선으로 정했을 때 그려지는 그래프의 면적 합일 수 있다. 또한, 2HZ_AUC_Avg는 2HZ_AUC의 평균값으로, 2HZ인 경우 2HZ_AUC를 120(min)으로 나눌 수 있고, Mega Zone인 경우 2HZ_AUC를 Mega Zone 시간(min)으로 나눌 수 있다.
또한, Target_2HZ_AUC_Avg는 목표 2HZ_혈당변화면적평균으로, TBG_Max 선택 후 자동 맞춤 설정을 할 수 있다. 예를 들어, TBG_Max ≤ 120 이면 10mg/dL*min으로 자동 맞춤 설정할 수 있고, 120 < TBG_Max ≤ 140 이면 15mg/dL*min으로 자동 맞춤 설정할 수 있으며, 140 < TBG_Max ≤ 160 이면 20mg/dL*min으로 자동 맞춤 설정할 수 있고, TBG_Max > 160 이면 25mg/dL*min으로 자동 맞춤 설정할 수 있다.
프로세서(123)는 2시간 혈당 점수를 산출할 시에, 하기 [수학식 9]의 고혈당 노출 면적 점수에 20%의 가중치를 적용한 후, 가장 가까운 정수로 반올림할 수 있다.
[수학식 9]
고혈당 노출 면적 점수 = 10 - {1/30 * HBG_AUC}
HBG_AUC = 0, 10점
HBG_AUC ≥300 = 1/2* 5 * 120(min/h), 0점
이때, HBG_AUC는 목표혈당을 넘어선 면적으로, TBG_MAX이상 높아진 구간의 그래프 아래 면적일 수 있고, 하기 노란 그래프가 나오는 부분의 면적일 수 있다.
이와 같이, 도 18에 도시된 바와 같이 [수학식 6] 내지 [수학식 9]을 기반으로 산출된 제1 시간대(SC1)(08:24:00 ~ 10:24:00)에서의 2시간 혈당 점수는 7일 수 있고, 제2 시간대(SC2)(12:00:00 ~ 14:00:00)에서의 2시간 혈당 점수는 6일 수 있으며, 제3 시간대(SC3)(17:33:00 ~ 19:33:00)에서의 2시간 혈당 점수는 9일 수 있다.
프로세서(123)는 유저 활동 예측 데이터별 혈당 예측 데이터(OD3) 또는 보정된 유저 활동 예측 데이터별 혈당 예측 데이터(OD4)를 유저의 단말기(110) 상에 표시하도록, 유저의 단말기(110)를 제어할 수 있다.
이때, 유저는 유저 활동 예측 데이터별 혈당 예측 데이터(OD3) 또는 보정된 유저 활동 예측 데이터별 혈당 예측 데이터(OD4)를 확인하기 위해, 유저의 단말기(120)를 이용하여 보간된 혈당 데이터(ID11), 웨어러블 디바이스의 데이터(ID12), 및 유저 라이프로그 데이터(ID13)를 입력할 수 있다. 즉, 프로세서(123)는 유저의 단말기(110)에 의해 입력된 보간된 혈당 데이터(ID11), 웨어러블 디바이스의 데이터(ID12), 및 유저 라이프로그 데이터(ID13)를 기반으로 학습하여 분석한 유저 활동 예측 데이터별 혈당 예측 데이터(OD3) 또는 보정된 유저 활동 예측 데이터별 혈당 예측 데이터(OD4)를 출력할 수 있다.
한편, 표시부(124)는 연속혈당측정장치로부터 연속혈당데이터를 획득하는 과정을 기 설정된 시간 동안 또는 실시간으로 표시할 수 있고, 연속혈당데이터를 기 설정된 시간 단위로 분절하는 과정을 표시할 수도 있으며, 분절된 혈당데이터를 modified akima 보간법을 이용하여 보간하는 과정을 표시할 수도 있고, 보간된 혈당 데이터를 표시할 수도 있으며, 유저의 단말기(110)로부터 수신된 웨어러블 디바이스의 데이터 및 유저 라이프로그 데이터를 표시할 수도 있다.
또한, 표시부(124)는 인공지능 모델을 기반으로 학습하여 분석한 유저 활동 예측 데이터별 혈당 예측 데이터 또는 보정된 유저 활동 예측 데이터별 혈당 예측 데이터를 표시할 수도 있다.
이와 같이, 본 개시는 유저별로 활동을 예측하여, 유저별로 현재의 혈당 상태를 정확하게 예측할 수 있다.
도 1, 도 2, 도 5 내지 도 18에 도시된 구성 요소들의 성능에 대응하여 적어도 하나의 구성요소가 추가되거나 삭제될 수 있다. 또한, 구성 요소들의 상호 위치는 시스템의 성능 또는 구조에 대응하여 변경될 수 있다는 것은 당해 기술 분야에서 통상의 지식을 가진 자에게 용이하게 이해될 것이다.
도 3 및 도 4는 복수의 단계를 순차적으로 실행하는 것으로 기재하고 있으나, 이는 본 실시예의 기술 사상을 예시적으로 설명한 것에 불과한 것으로서, 본 실시예가 속하는 기술분야에서 통상의 지식을 가진 자라면 본 실시예의 본질적인 특성에서 벗어나지 않는 범위에서 도 3 및 도 4에 기재된 순서를 변경하여 실행하거나 복수의 단계 중 하나 이상의 단계를 병렬적으로 실행하는 것으로 다양하게 수정 및 변형하여 적용 가능할 것이므로, 도 3 및 도 4는 시계열적인 순서로 한정되는 것은 아니다.
한편, 개시된 실시예들은 컴퓨터에 의해 실행 가능한 명령어를 저장하는 기록매체의 형태로 구현될 수 있다. 명령어는 프로그램 코드의 형태로 저장될 수 있으며, 프로세서에 의해 실행되었을 때, 프로그램 모듈을 생성하여 개시된 실시예들의 동작을 수행할 수 있다. 기록매체는 컴퓨터로 읽을 수 있는 기록매체로 구현될 수 있다.
컴퓨터가 읽을 수 있는 기록매체로는 컴퓨터에 의하여 해독될 수 있는 명령어가 저장된 모든 종류의 기록 매체를 포함한다. 예를 들어, ROM(Read Only Memory), RAM(Random Access Memory), 자기 테이프, 자기 디스크, 플래쉬 메모리, 광 데이터 저장장치 등이 있을 수 있다.
이상에서와 같이 첨부된 도면을 참조하여 개시된 실시예들을 설명하였다. 본 개시가 속하는 기술분야에서 통상의 지식을 가진 자는 본 개시의 기술적 사상이나 필수적인 특징을 변경하지 않고도, 개시된 실시예들과 다른 형태로 본 개시가 실시될 수 있음을 이해할 것이다. 개시된 실시예들은 예시적인 것이며, 한정적으로 해석되어서는 안 된다.
100: 시스템 110: 유저의 단말기
120: 혈당 스파이크 원인 추측 장치 121: 통신부
122: 메모리 123: 프로세서
124: 표시부
120: 혈당 스파이크 원인 추측 장치 121: 통신부
122: 메모리 123: 프로세서
124: 표시부
Claims (10)
- 유저의 단말기와 통신을 수행하는 통신부; 및
코호트를 활용한 혈당 스파이크 원인의 추측과 관련된 동작을 제어하는 프로세서; 를 포함하고,
상기 프로세서는,
상기 통신부를 통해 상기 유저의 단말기로부터 연속혈당데이터, 혈당 스파이크 전과 후의 활동 로그 데이터, 의료 데이터, 유전자 데이터, 라이프로그 데이터, 웨어러블 디바이스 데이터 및 설문 데이터를 수신하며,
상기 연속혈당데이터, 상기 혈당 스파이크 전과 후의 활동 로그 데이터, 상기 의료 데이터, 상기 유전자 데이터, 상기 라이프로그 데이터, 상기 웨어러블 디바이스 데이터 및 상기 설문 데이터를 제1 인공지능 모델에 입력하고, 상기 제1 인공지능 모델을 기반으로 학습하여 분석한 유사 코호트 그룹의 혈당 데이터를 출력하며,
상기 유저의 단말기가 상기 혈당 스파이크의 원인 추측을 요청한 경우, 상기 유저의 단말기로부터 유저의 실시간 혈당 데이터 내의 혈당 스파이크 데이터 및 유저의 실시간 혈당 스파이크 전과 후의 활동 로그 데이터를 수신하고,
상기 유사 코호트 그룹의 혈당 데이터, 상기 유저의 실시간 혈당 데이터 내의 혈당 스파이크 데이터 및 상기 유저의 실시간 혈당 스파이크 전과 후의 활동 로그 데이터를 제2 인공지능 모델에 입력하며, 상기 제2 인공지능 모델을 기반으로 학습하여 분석한 유저의 혈당 스파이크 원인 추측 데이터를 출력하고,
상기 유저의 혈당 스파이크 원인 추측 데이터를 상기 유저의 단말기 상에 표시하며,
상기 제1 인공지능 모델을 기반으로, 성별, 연령, 기저질환, 복용약, 체질량지수, 근육량, 유전적 탄수화물민감도 및 가족력으로 구분된 혈당 데이터를 각각의 유사 코호트 그룹별로 출력하고,
상기 제2 인공지능 모델을 기반으로 상기 유저의 혈당 스파이크 원인 추측 데이터를 출력할 때, 상기 혈당 스파이크 전과 후의 활동 로그 데이터에 상응하는 식단 기록, 운동 기록, 수면 기록, 영양제 섭취 기록, 복용약 섭취 기록, 월경 기록, 단식 기록, 심박수 기록 및 걸음수 기록 중 상기 유저의 혈당 스파이크에 영향을 끼칠 가능성이 높은 활동 로그 데이터를 순서적으로 정렬하여 출력하되,
상기 통신부를 통해 연속혈당측정장치로부터 수신된 연속혈당데이터를 기 설정된 시간 단위로 더 분절하고,
상기 분절된 혈당데이터를 modified akima 보간법을 이용하여 더 보간하며,
상기 유저의 단말기가 혈당 예측 데이터를 요청한 경우, 상기 유저의 단말기로부터 상기 웨어러블 디바이스 데이터 및 상기 라이프로그 데이터를 더 수신하고,
상기 보간된 혈당 데이터, 상기 웨어러블 디바이스 데이터 및 상기 라이프로그 데이터를 제3 인공지능 모델에 더 입력하되,
상기 보간된 혈당 데이터는 혈당의 변화량, 변화 속도, 변화 기울기, 최고점, 최저점 및 평균 혈당이고,
상기 웨어러블 디바이스 데이터는 심박수, 핸드폰 사용시간, 수면시작시간, 기상시간, 운동시작시간, 운동종료시간 및 시간별 걸음수이며,
상기 라이프로그 데이터는 식단 입력 기록 정보, 음식 이미지 촬영 시각, 운동 입력 기록 정보, 간헐적 단식 입력 기록 정보, 수분 기록 정보, 영양제 섭취 기록 정보, 컨디션 정보 및 메모 기록 정보이고,
상기 제3 인공지능 모델을 기반으로 학습하여 분석한 유저 활동 예측 데이터별 혈당 예측 데이터를 더 출력하되,
상기 유저 활동 예측 데이터별 혈당 예측 데이터를 출력할 때, 유저 활동 예측 데이터의 운동 스파이크 패턴 또는 알코올 패턴별로 보정된 유저 활동 예측 데이터별 혈당 예측 데이터를 더 출력하고,
상기 유저 활동 예측 데이터별 혈당 예측 데이터를 상기 유저의 단말기 상에 더 표시하며,
상기 유저는, 혈당 관리가 필요한 사람 또는 당뇨병 환자인 것을 특징으로 하는, 코호트를 활용한 혈당 스파이크 원인 추측 장치. - 제1항에 있어서,
상기 혈당 스파이크 전과 후의 활동 로그 데이터는, 식단 기록, 운동 기록, 수면 기록, 영양제 섭취 기록, 복용약 섭취 기록, 월경 기록, 단식 기록, 심박수 기록, 및 걸음수 기록인 것을 특징으로 하는, 코호트를 활용한 혈당 스파이크 원인 추측 장치. - 제2항에 있어서,
상기 의료 데이터는, 건강검진결과, 처방약, 복용의약물, 및 병의원 방문기록인 것을 특징으로 하는, 코호트를 활용한 혈당 스파이크 원인 추측 장치. - 제3항에 있어서,
상기 유전자 데이터는, 유전자 검사 결과인 것을 특징으로 하는, 코호트를 활용한 혈당 스파이크 원인 추측 장치. - 제4항에 있어서,
상기 라이프로그 데이터는, 식단 기록, 운동 기록, 음식 사진 기록, 수면 기록, 감정 기록, 컨디션 기록, 생리 기록, 및 영양제 섭취 기록인 것을 특징으로 하는, 코호트를 활용한 혈당 스파이크 원인 추측 장치. - 제5항에 있어서,
상기 웨어러블 디바이스 데이터는, 혈당, 심박수, 걸음수, 체성분 데이터, 운동 기록, 생리 기간, 및 혈압인 것을 특징으로 하는, 코호트를 활용한 혈당 스파이크 원인 추측 장치. - 제6항에 있어서,
상기 설문 데이터는, 건강 고민, 신체 관리 목표, 가족력, 알러지, 기저질환, 임신, 흡연, 갱년기, 및 자녀계획 여부인 것을 특징으로 하는, 코호트를 활용한 혈당 스파이크 원인 추측 장치. - 삭제
- 삭제
- 장치에 의해 수행되는 코호트를 활용한 혈당 스파이크 원인 추측 방법에 있어서,
유저의 단말기로부터 연속혈당데이터, 혈당 스파이크 전과 후의 활동 로그 데이터, 의료 데이터, 유전자 데이터, 라이프로그 데이터, 웨어러블 디바이스 데이터 및 설문 데이터를 수신하는 단계;
상기 연속혈당데이터, 상기 혈당 스파이크 전과 후의 활동 로그 데이터, 상기 의료 데이터, 상기 유전자 데이터, 상기 라이프로그 데이터, 상기 웨어러블 디바이스 데이터 및 상기 설문 데이터를 제1 인공지능 모델에 입력하고, 상기 제1 인공지능 모델을 기반으로 학습하여 분석한 유사 코호트 그룹의 혈당 데이터를 출력하는 단계;
상기 유저의 단말기가 상기 혈당 스파이크의 원인 추측을 요청한 경우, 상기 유저의 단말기로부터 유저의 실시간 혈당 데이터 내의 혈당 스파이크 데이터 및 유저의 실시간 혈당 스파이크 전과 후의 활동 로그 데이터를 수신하는 단계;
상기 유사 코호트 그룹의 혈당 데이터, 상기 유저의 실시간 혈당 데이터 내의 혈당 스파이크 데이터, 및 상기 유저의 실시간 혈당 스파이크 전과 후의 활동 로그 데이터를 제2 인공지능 모델에 입력하며, 상기 제2 인공지능 모델을 기반으로 학습하여 분석한 유저의 혈당 스파이크 원인 추측 데이터를 출력하는 단계; 및
상기 유저의 혈당 스파이크 원인 추측 데이터를 상기 유저의 단말기 상에 표시하는 단계; 를 포함하고,
상기 유사 코호트 그룹의 혈당 데이터를 출력하는 단계는,
상기 제1 인공지능 모델을 기반으로, 성별, 연령, 기저질환, 복용약, 체질량지수, 근육량, 유전적 탄수화물민감도 및 가족력으로 구분된 혈당 데이터를 각각의 유사 코호트 그룹별로 출력하고,
상기 유저의 혈당 스파이크 원인 추측 데이터를 출력하는 단계는,
상기 제2 인공지능 모델을 기반으로 상기 유저의 혈당 스파이크 원인 추측 데이터를 출력할 때, 상기 혈당 스파이크 전과 후의 활동 로그 데이터에 상응하는 식단 기록, 운동 기록, 수면 기록, 영양제 섭취 기록, 복용약 섭취 기록, 월경 기록, 단식 기록, 심박수 기록 및 걸음수 기록 중 상기 유저의 혈당 스파이크에 영향을 끼칠 가능성이 높은 활동 로그 데이터를 순서적으로 정렬하여 출력하되,
연속혈당측정장치로부터 획득된 연속혈당데이터를 수신하는 단계를 더 포함하고,
상기 연속혈당데이터를 기 설정된 시간 단위로 분절하는 단계를 더 포함하며,
상기 분절된 혈당데이터를 modified akima 보간법을 이용하여 보간하는 단계를 더 포함하고,
상기 유저의 단말기가 혈당 예측 데이터를 요청한 경우, 상기 유저의 단말기로부터 상기 웨어러블 디바이스 데이터 및 상기 라이프로그 데이터를 수신하는 단계를 더 포함하며,
상기 보간된 혈당 데이터, 상기 웨어러블 디바이스 데이터 및 상기 라이프로그 데이터를 제3 인공지능 모델에 입력하는 단계를 더 포함하되,
상기 보간된 혈당 데이터는 혈당의 변화량, 변화 속도, 변화 기울기, 최고점, 최저점 및 평균 혈당이며,
상기 웨어러블 디바이스 데이터는 심박수, 핸드폰 사용시간, 수면시작시간, 기상시간, 운동시작시간, 운동종료시간 및 시간별 걸음수이고,
상기 라이프로그 데이터는 식단 입력 기록 정보, 음식 이미지 촬영 시각, 운동 입력 기록 정보, 간헐적 단식 입력 기록 정보, 수분 기록 정보, 영양제 섭취 기록 정보, 컨디션 정보 및 메모 기록 정보이며,
상기 제3 인공지능 모델을 기반으로 학습하여 분석한 유저 활동 예측 데이터별 혈당 예측 데이터를 출력하는 단계를 더 포함하되,
상기 유저 활동 예측 데이터별 혈당 예측 데이터를 출력하는 단계는, 유저 활동 예측 데이터의 운동 스파이크 패턴 또는 알코올 패턴별로 보정된 유저 활동 예측 데이터별 혈당 예측 데이터를 더 출력하며,
상기 유저 활동 예측 데이터별 혈당 예측 데이터를 상기 유저의 단말기 상에 표시하는 단계를 더 포함하고,
상기 유저는, 혈당 관리가 필요한 사람 또는 당뇨병 환자인 것을 특징으로 하는, 방법.
Applications Claiming Priority (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR20230163794 | 2023-11-22 | ||
| KR1020230163794 | 2023-11-22 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| KR102667400B1 true KR102667400B1 (ko) | 2024-05-21 |
Family
ID=91075847
Family Applications (5)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020230167135A KR102664490B1 (ko) | 2023-11-22 | 2023-11-27 | 디지털 서비스 기반의 개인별 추천 음식 정보와 비추천 음식 정보를 제공하는 장치, 방법 및 프로그램 |
| KR1020230167134A KR102664489B1 (ko) | 2023-11-22 | 2023-11-27 | 디지털 서비스 기반의 연속 혈당 측정을 이용한 혈당 예측 장치, 방법 |
| KR1020230176880A KR102667391B1 (ko) | 2023-11-22 | 2023-12-07 | 디지털 서비스 기반의 코호트를 활용한 음식 섭취 및 활동별 혈당 변화량 예측 장치, 방법 및 프로그램 |
| KR1020230178868A KR102664491B1 (ko) | 2023-11-22 | 2023-12-11 | 디지털 서비스 기반의 유저별 활동 패턴에 따른 혈당 코칭 정보 제공 장치, 방법 및 프로그램 |
| KR1020240004028A KR102667400B1 (ko) | 2023-11-22 | 2024-01-10 | 디지털 서비스 기반의 코호트를 활용한 혈당 스파이크 원인 추측 장치, 방법 및 프로그램 |
Family Applications Before (4)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020230167135A KR102664490B1 (ko) | 2023-11-22 | 2023-11-27 | 디지털 서비스 기반의 개인별 추천 음식 정보와 비추천 음식 정보를 제공하는 장치, 방법 및 프로그램 |
| KR1020230167134A KR102664489B1 (ko) | 2023-11-22 | 2023-11-27 | 디지털 서비스 기반의 연속 혈당 측정을 이용한 혈당 예측 장치, 방법 |
| KR1020230176880A KR102667391B1 (ko) | 2023-11-22 | 2023-12-07 | 디지털 서비스 기반의 코호트를 활용한 음식 섭취 및 활동별 혈당 변화량 예측 장치, 방법 및 프로그램 |
| KR1020230178868A KR102664491B1 (ko) | 2023-11-22 | 2023-12-11 | 디지털 서비스 기반의 유저별 활동 패턴에 따른 혈당 코칭 정보 제공 장치, 방법 및 프로그램 |
Country Status (1)
| Country | Link |
|---|---|
| KR (5) | KR102664490B1 (ko) |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20090117153A (ko) | 2008-05-08 | 2009-11-12 | 가톨릭대학교 산학협력단 | 임상의사결정지원시스템이 적용된 반자동화 혈당관리시스템 및 그 방법 |
| KR20210025811A (ko) * | 2019-08-28 | 2021-03-10 | (주)이노맥스글로벌 | 생체정보 수집 및 온라인 문진을 이용한 건강관리케어 서비스 제공 서버 |
| JP2022079506A (ja) * | 2014-04-10 | 2022-05-26 | デックスコム・インコーポレーテッド | 血糖緊急度評価及び警告インターフェース |
| JP2022133922A (ja) * | 2021-03-02 | 2022-09-14 | Ｓｓｓｔ株式会社 | 生体情報演算システム |
| JP2023521449A (ja) * | 2020-04-17 | 2023-05-24 | パーフード ゲーエムベーハー | 血糖応答を判定するための改善された方法 |
Family Cites Families (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20080235053A1 (en) * | 2007-03-20 | 2008-09-25 | Pinaki Ray | Communication medium for diabetes management |
| JP5636859B2 (ja) * | 2010-10-14 | 2014-12-10 | セイコーエプソン株式会社 | 血糖値予測システム |
| KR102486823B1 (ko) * | 2016-10-19 | 2023-01-10 | 삼성전자주식회사 | 혈당 관리 서비스를 제공하기 위한 전자 장치 및 방법 |
| KR20220016487A (ko) * | 2019-05-31 | 2022-02-09 | 인포메드 데이터 시스템즈 아이엔씨 디/비/에이 원 드롭 | 생체 모니터링 및 혈당 예상을 위한 시스템들, 및 연관된 방법들 |
| KR20210008267A (ko) * | 2019-07-12 | 2021-01-21 | 동국대학교 산학협력단 | 사용자의 건강상태 모니터링 시스템 및 이의 분석 방법 |
| KR20210062470A (ko) * | 2019-11-21 | 2021-05-31 | (주)휴레이포지티브 | 건강상태 및 식습관 패턴 정보를 반영한 맞춤형 식단 추천 서비스 |
| JP2022153288A (ja) * | 2021-03-29 | 2022-10-12 | 日清食品ホールディングス株式会社 | 血糖値推定装置、血糖値推定方法及びプログラム |
| KR20230059360A (ko) * | 2021-10-26 | 2023-05-03 | 주식회사 네오드림스 | 비식별화된 개인건강정보를 활용하여 맞춤형서비스를 제공하는 시스템 및 방법 |
| KR20230083520A (ko) * | 2021-12-03 | 2023-06-12 | 주식회사 디이프 | 혈당 반응값을 활용한 식이 추천 시스템 및 그 방법 |
| KR102405677B1 (ko) * | 2022-02-24 | 2022-06-08 | 주식회사 필라이즈 | 인공지능을 이용한 이미지 인식 기반 맞춤형 건강기능식품 정보를 제공하는 방법, 장치 및 시스템 |
-
2023
- 2023-11-27 KR KR1020230167135A patent/KR102664490B1/ko active IP Right Grant
- 2023-11-27 KR KR1020230167134A patent/KR102664489B1/ko active IP Right Grant
- 2023-12-07 KR KR1020230176880A patent/KR102667391B1/ko active IP Right Grant
- 2023-12-11 KR KR1020230178868A patent/KR102664491B1/ko active IP Right Grant
-
2024
- 2024-01-10 KR KR1020240004028A patent/KR102667400B1/ko active IP Right Grant
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20090117153A (ko) | 2008-05-08 | 2009-11-12 | 가톨릭대학교 산학협력단 | 임상의사결정지원시스템이 적용된 반자동화 혈당관리시스템 및 그 방법 |
| JP2022079506A (ja) * | 2014-04-10 | 2022-05-26 | デックスコム・インコーポレーテッド | 血糖緊急度評価及び警告インターフェース |
| KR20210025811A (ko) * | 2019-08-28 | 2021-03-10 | (주)이노맥스글로벌 | 생체정보 수집 및 온라인 문진을 이용한 건강관리케어 서비스 제공 서버 |
| JP2023521449A (ja) * | 2020-04-17 | 2023-05-24 | パーフード ゲーエムベーハー | 血糖応答を判定するための改善された方法 |
| JP2022133922A (ja) * | 2021-03-02 | 2022-09-14 | Ｓｓｓｔ株式会社 | 生体情報演算システム |
Also Published As
| Publication number | Publication date |
|---|---|
| KR102664490B1 (ko) | 2024-05-17 |
| KR102664489B1 (ko) | 2024-05-14 |
| KR102667391B1 (ko) | 2024-05-23 |
| KR102664491B1 (ko) | 2024-05-14 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Shan et al. | Association of low-carbohydrate and low-fat diets with mortality among US adults | |
| US12131661B2 (en) | Personalized health coaching system | |
| Contreras et al. | Artificial intelligence for diabetes management and decision support: literature review | |
| US20180233064A1 (en) | Nutrition scoring system | |
| EP1972270B1 (en) | Method and glucose monitoring system for monitoring individual metabolic response | |
| Picciano et al. | Dietary supplement use among infants, children, and adolescents in the United States, 1999-2002 | |
| KR102400740B1 (ko) | 사용자의 건강상태 모니터링 시스템 및 이의 분석 방법 | |
| US20220230730A1 (en) | Recipe recommendation method and device, computing device and storage medium | |
| KR102004438B1 (ko) | 사용자 건강습관정보 수집을 통한 건강관리 서비스 제공 장치 및 제공 방법 | |
| JP2023019885A (ja) | プログラム、方法、およびシステム | |
| US20240233938A1 (en) | Decision support and treatment administration systems | |
| KR20220068594A (ko) | 챗봇 기반의 질의응답 및 생체표지자 데이터를 이용한 맞춤형 영양 관리 시스템 | |
| KR101807853B1 (ko) | 당뇨병 증상을 가진 사용자에 운동량을 고려한 개인화된 음식 추천 방법 | |
| US20220061710A1 (en) | Virtually monitoring glucose levels in a patient using machine learning and digital twin technology | |
| US20230162859A1 (en) | Improved method for determining blood glucose responses | |
| KR102667400B1 (ko) | 디지털 서비스 기반의 코호트를 활용한 혈당 스파이크 원인 추측 장치, 방법 및 프로그램 | |
| Endevelt et al. | Socioeconomic status and gender affects utilization of medical nutrition therapy | |
| CN117941007A (zh) | 用于前驱糖尿病的数字和个性化风险监测和营养计划系统 | |
| US20130018244A1 (en) | Budget Your Weight System | |
| TWI853143B (zh) | 資訊處理用程式、資訊處理方法及資訊處理裝置 | |
| US20240177826A1 (en) | Generating personalized food guidance using predicted hunger | |
| CN117894463A (zh) | 生活方式管理效果评估方法及相关设备 | |
| EP3731233A1 (en) | Decision support system, and method in relation thereto | |
| TW202147336A (zh) | 程式、資訊處理方法及資訊處理裝置 | |
| KR20220019390A (ko) | 인공지능 딥러닝을 활용한 당뇨병환자의 당화혈색소값 예측방법 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| E701 | Decision to grant or registration of patent right | ||
| A107 | Divisional application of patent | ||
| GRNT | Written decision to grant |