KR102674339B1 - Method and system for predicting thyroid dysfunction for subject - Google Patents
Method and system for predicting thyroid dysfunction for subject Download PDFInfo
- Publication number
- KR102674339B1 KR102674339B1 KR1020247000978A KR20247000978A KR102674339B1 KR 102674339 B1 KR102674339 B1 KR 102674339B1 KR 1020247000978 A KR1020247000978 A KR 1020247000978A KR 20247000978 A KR20247000978 A KR 20247000978A KR 102674339 B1 KR102674339 B1 KR 102674339B1
- Authority
- KR
- South Korea
- Prior art keywords
- heart
- section
- biometric information
- heart rate
- day
- Prior art date
Links
- 238000000034 method Methods 0.000 title claims abstract description 135
- 230000006016 thyroid dysfunction Effects 0.000 title abstract description 88
- 229940088597 hormone Drugs 0.000 claims abstract description 231
- 239000005556 hormone Substances 0.000 claims abstract description 231
- 238000007781 pre-processing Methods 0.000 claims abstract description 108
- 210000001685 thyroid gland Anatomy 0.000 claims abstract description 59
- 238000012360 testing method Methods 0.000 claims description 769
- 206010020850 Hyperthyroidism Diseases 0.000 claims description 196
- 239000005495 thyroid hormone Substances 0.000 claims description 92
- 229940036555 thyroid hormone Drugs 0.000 claims description 92
- AUYYCJSJGJYCDS-LBPRGKRZSA-N Thyrolar Chemical class IC1=CC(C[C@H](N)C(O)=O)=CC(I)=C1OC1=CC=C(O)C(I)=C1 AUYYCJSJGJYCDS-LBPRGKRZSA-N 0.000 claims description 80
- 230000006870 function Effects 0.000 claims description 46
- 238000002372 labelling Methods 0.000 claims description 29
- 238000012544 monitoring process Methods 0.000 claims description 17
- 210000004369 blood Anatomy 0.000 claims description 7
- 239000008280 blood Substances 0.000 claims description 7
- 238000005259 measurement Methods 0.000 claims description 4
- 230000004044 response Effects 0.000 claims description 2
- 238000013473 artificial intelligence Methods 0.000 claims 5
- 238000010606 normalization Methods 0.000 claims 2
- 230000002040 relaxant effect Effects 0.000 claims 2
- 238000009826 distribution Methods 0.000 abstract description 83
- 230000008859 change Effects 0.000 description 252
- 208000013403 hyperactivity Diseases 0.000 description 111
- 102000011923 Thyrotropin Human genes 0.000 description 105
- 108010061174 Thyrotropin Proteins 0.000 description 105
- 208000003532 hypothyroidism Diseases 0.000 description 72
- 230000002989 hypothyroidism Effects 0.000 description 69
- 230000000284 resting effect Effects 0.000 description 64
- 238000003745 diagnosis Methods 0.000 description 53
- 238000012549 training Methods 0.000 description 44
- 238000009532 heart rate measurement Methods 0.000 description 32
- 238000007689 inspection Methods 0.000 description 31
- XNSAINXGIQZQOO-UHFFFAOYSA-N L-pyroglutamyl-L-histidyl-L-proline amide Natural products NC(=O)C1CCCN1C(=O)C(NC(=O)C1NC(=O)CC1)CC1=CN=CN1 XNSAINXGIQZQOO-UHFFFAOYSA-N 0.000 description 26
- 102100032251 Pro-thyrotropin-releasing hormone Human genes 0.000 description 26
- 239000000627 Thyrotropin-Releasing Hormone Substances 0.000 description 26
- 101800004623 Thyrotropin-releasing hormone Proteins 0.000 description 26
- XNSAINXGIQZQOO-SRVKXCTJSA-N protirelin Chemical compound NC(=O)[C@@H]1CCCN1C(=O)[C@@H](NC(=O)[C@H]1NC(=O)CC1)CC1=CN=CN1 XNSAINXGIQZQOO-SRVKXCTJSA-N 0.000 description 26
- 229940034199 thyrotropin-releasing hormone Drugs 0.000 description 26
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 22
- 238000004891 communication Methods 0.000 description 19
- 208000035475 disorder Diseases 0.000 description 18
- 230000007423 decrease Effects 0.000 description 17
- 238000002360 preparation method Methods 0.000 description 13
- 230000004043 responsiveness Effects 0.000 description 13
- 230000035945 sensitivity Effects 0.000 description 13
- 210000002966 serum Anatomy 0.000 description 12
- 230000002159 abnormal effect Effects 0.000 description 10
- 238000012545 processing Methods 0.000 description 9
- XUIIKFGFIJCVMT-LBPRGKRZSA-N L-thyroxine Chemical compound IC1=CC(C[C@H]([NH3+])C([O-])=O)=CC(I)=C1OC1=CC(I)=C(O)C(I)=C1 XUIIKFGFIJCVMT-LBPRGKRZSA-N 0.000 description 8
- 238000010586 diagram Methods 0.000 description 8
- 230000000052 comparative effect Effects 0.000 description 7
- 230000008569 process Effects 0.000 description 7
- 238000004422 calculation algorithm Methods 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 6
- 230000028327 secretion Effects 0.000 description 6
- XUIIKFGFIJCVMT-UHFFFAOYSA-N thyroxine-binding globulin Natural products IC1=CC(CC([NH3+])C([O-])=O)=CC(I)=C1OC1=CC(I)=C(O)C(I)=C1 XUIIKFGFIJCVMT-UHFFFAOYSA-N 0.000 description 6
- 230000003247 decreasing effect Effects 0.000 description 5
- 229950008325 levothyroxine Drugs 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 4
- 201000010099 disease Diseases 0.000 description 4
- 238000007637 random forest analysis Methods 0.000 description 4
- 238000012706 support-vector machine Methods 0.000 description 4
- 208000024891 symptom Diseases 0.000 description 4
- 206010039840 Secondary hypothyroidism Diseases 0.000 description 3
- XUIMIQQOPSSXEZ-UHFFFAOYSA-N Silicon Chemical compound [Si] XUIMIQQOPSSXEZ-UHFFFAOYSA-N 0.000 description 3
- 230000005856 abnormality Effects 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 3
- 230000010267 cellular communication Effects 0.000 description 3
- 208000029305 central congenital hypothyroidism Diseases 0.000 description 3
- 238000013145 classification model Methods 0.000 description 3
- 230000033001 locomotion Effects 0.000 description 3
- 229910052710 silicon Inorganic materials 0.000 description 3
- 239000010703 silicon Substances 0.000 description 3
- 239000007787 solid Substances 0.000 description 3
- 206010062767 Hypophysitis Diseases 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000002405 diagnostic procedure Methods 0.000 description 2
- 229940079593 drug Drugs 0.000 description 2
- 239000003814 drug Substances 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 210000003635 pituitary gland Anatomy 0.000 description 2
- ZCYVEMRRCGMTRW-UHFFFAOYSA-N 7553-56-2 Chemical compound [I] ZCYVEMRRCGMTRW-UHFFFAOYSA-N 0.000 description 1
- XUIIKFGFIJCVMT-GFCCVEGCSA-N D-thyroxine Chemical compound IC1=CC(C[C@@H](N)C(O)=O)=CC(I)=C1OC1=CC(I)=C(O)C(I)=C1 XUIIKFGFIJCVMT-GFCCVEGCSA-N 0.000 description 1
- 206010011953 Decreased activity Diseases 0.000 description 1
- GCKMFJBGXUYNAG-HLXURNFRSA-N Methyltestosterone Chemical compound C1CC2=CC(=O)CC[C@]2(C)[C@@H]2[C@@H]1[C@@H]1CC[C@](C)(O)[C@@]1(C)CC2 GCKMFJBGXUYNAG-HLXURNFRSA-N 0.000 description 1
- 206010033557 Palpitations Diseases 0.000 description 1
- 208000022249 Sleep-Wake Transition disease Diseases 0.000 description 1
- 238000010241 blood sampling Methods 0.000 description 1
- 210000004556 brain Anatomy 0.000 description 1
- 238000012790 confirmation Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000002124 endocrine Effects 0.000 description 1
- 229910052740 iodine Inorganic materials 0.000 description 1
- 239000011630 iodine Substances 0.000 description 1
- 230000007257 malfunction Effects 0.000 description 1
- 230000004060 metabolic process Effects 0.000 description 1
- 230000037323 metabolic rate Effects 0.000 description 1
- 210000000056 organ Anatomy 0.000 description 1
- 230000007170 pathology Effects 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 230000036578 sleeping time Effects 0.000 description 1
- 208000011726 slow pulse Diseases 0.000 description 1
- 230000004936 stimulating effect Effects 0.000 description 1
- 229940034208 thyroxine Drugs 0.000 description 1
- 210000000707 wrist Anatomy 0.000 description 1
Classifications
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/50—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for simulation or modelling of medical disorders
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/42—Detecting, measuring or recording for evaluating the gastrointestinal, the endocrine or the exocrine systems
- A61B5/4222—Evaluating particular parts, e.g. particular organs
- A61B5/4227—Evaluating particular parts, e.g. particular organs endocrine glands, i.e. thyroid, adrenals, hypothalamic, pituitary
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7271—Specific aspects of physiological measurement analysis
- A61B5/7275—Determining trends in physiological measurement data; Predicting development of a medical condition based on physiological measurements, e.g. determining a risk factor
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H10/00—ICT specially adapted for the handling or processing of patient-related medical or healthcare data
- G16H10/60—ICT specially adapted for the handling or processing of patient-related medical or healthcare data for patient-specific data, e.g. for electronic patient records
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/70—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)
- Data Mining & Analysis (AREA)
- Pathology (AREA)
- Epidemiology (AREA)
- Primary Health Care (AREA)
- Physics & Mathematics (AREA)
- Databases & Information Systems (AREA)
- Animal Behavior & Ethology (AREA)
- Molecular Biology (AREA)
- Surgery (AREA)
- Heart & Thoracic Surgery (AREA)
- Biophysics (AREA)
- Artificial Intelligence (AREA)
- Veterinary Medicine (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physiology (AREA)
- Theoretical Computer Science (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- Psychiatry (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Gastroenterology & Hepatology (AREA)
- Endocrinology (AREA)
- Urology & Nephrology (AREA)
- Signal Processing (AREA)
- Investigating Or Analysing Biological Materials (AREA)
Abstract
본 출원에 의하면, 대상(subject)에 대한 갑상선기능이상증(thyroid dysfunction)의 예측방법이 개시된다. 상기 예측방법은, 트리거 신호에 기초하여 결정된 대상일(target date)을 결정함; 상기 결정된 대상일에 대응되는 구간 심박수들을 획득함; 상기 대상에 대하여, 상기 획득된 대상일에 대응되는 구간 심박수들에 대한 제1 전처리 결과를 획득함 - 이때, 상기 제1 전처리 결과는 상기 대상일에 대응되는 구간 심박수들의 평균 및 분포(distribution)에 관한 적어도 하나의 지표 중 적어도 하나를 포함함 - ; 상기 대상에 대하여, 기준일에 대응되는 갑상선에 관련된 적어도 하나 이상의 호르몬 농도를 획득함; 상기 대상에 대하여, 상기 기준일에 대응되는 구간 심박수들에 대한 제2 전처리 결과를 획득함 - 이때, 상기 제2 전처리 결과는 상기 기준일에 대응되는 구간 심박수들의 평균 및 분포(distribution)에 관한 적어도 하나의 지표 중 적어도 하나를 포함함 - ; 상기 제2 전처리 결과에 대한 상기 제1 전처리 결과의 차이를 획득함; 및 상기 기준일에 대응되는 적어도 하나 이상의 호르몬 농도 및 상기 차이를 포함하는 값들에 기초하여 획득된 갑상선기능이상증에 대한 예측결과를 획득함;을 포함한다.According to the present application, a method for predicting thyroid dysfunction for a subject is disclosed. The prediction method determines a target date determined based on a trigger signal; Obtaining zone heart rates corresponding to the determined target date; For the target, a first preprocessing result for the section heart rates corresponding to the acquired target date is obtained - At this time, the first preprocessing result is the average and distribution of the section heart rates corresponding to the target date. Contains at least one of at least one indicator about - ; For the subject, obtain the concentration of at least one hormone related to the thyroid gland corresponding to the reference date; For the object, a second preprocessing result for the section heart rates corresponding to the reference date is obtained - At this time, the second preprocessing result is at least one information about the average and distribution of the section heart rates corresponding to the reference date. Contains at least one of the indicators - ; Obtaining a difference between the first preprocessing result and the second preprocessing result; and obtaining a prediction result for thyroid dysfunction obtained based on values including the difference and at least one hormone concentration corresponding to the reference date.
Description
본 출원은 환자의 심박수를 분석하고, 그 분석결과에 기초하여 갑상선의 기능이상에 대해 예측하는 방법 및 그 방법을 수행하기 위한 장치 및 시스템에 관한 것이다.This application relates to a method of analyzing a patient's heart rate and predicting thyroid dysfunction based on the analysis results, and a device and system for performing the method.
갑상선은 목의 앞부분에 위치하는 내분비기관으로, 뇌에 있는 뇌하수체에서 분비되는 갑상선자극호르몬의 신호를 받아 갑상선 호르몬을 만들어 내는 일을 한다. The thyroid gland is an endocrine organ located in the front of the neck. Its job is to produce thyroid hormones by receiving signals from thyroid-stimulating hormone secreted by the pituitary gland in the brain.
갑상선에서 생성되는 갑상선 호르몬은 우리 몸의 대사 속도를 조절하는 역할을 한다. 이러한 갑상선 호르몬이 정상 수준보다 더 많이 분비되면, 신체의 대사가 비정상적으로 빠르게 진행되어 평소보다 더위를 많이 느끼거나 가슴이 두근거리는 것을 느끼게 되는 등의 증상이 나타나게 된다. 반면, 이러한 갑상선 호르몬이 정상 수준보다 더 적게 분비되면, 추위를 심하게 느끼거나 피로감 및 무력감을 느끼게 되고, 맥박이 느려지는 등의 증상이 나타나게 된다.Thyroid hormones produced by the thyroid gland play a role in regulating our body's metabolic rate. When these thyroid hormones are secreted at a higher than normal level, the body's metabolism progresses abnormally quickly, causing symptoms such as feeling hotter than usual or feeling heart palpitations. On the other hand, when these thyroid hormones are secreted at a lower than normal level, symptoms such as feeling extremely cold, fatigue and helplessness, and a slow pulse appear.
갑상선의 기능이 정상적일 때에는, 갑상선 호르몬의 분비가 문제없이 이루어지지만, 갑상선의 기능에 이상이 생기게 되면, 갑상선 호르몬의 분비가 줄어들거나 늘어나게 되는데, 갑상선 호르몬의 분비가 줄어들어서 생기는 일련의 질환들을 갑상선기능저하증(hypothyroidism)이라고 하며, 갑상선 호르몬의 분비가 늘어서 생기는 일련의 질환들을 갑상선기능항진증(hyperthyroidism)이라고 한다. 아울러, 이 두 질환을 갑상선기능이상증(thyroid dysfunction)이라고 한다.When the function of the thyroid gland is normal, the secretion of thyroid hormones occurs without problem, but when the function of the thyroid gland is abnormal, the secretion of thyroid hormones decreases or increases. A series of diseases caused by decreased secretion of thyroid hormones are caused by the thyroid gland. It is called hypothyroidism, and a series of diseases caused by increased secretion of thyroid hormones are called hyperthyroidism. Additionally, these two diseases are called thyroid dysfunction.
현재, 갑상선의 기능의 이상을 확인하기 위한 유일한 진단 방법은 환자의 혈액속에 있는 갑상선 호르몬의 농도를 확인하여, 갑상선 호르몬의 농도가 정상범위 이내인지, 아니면 높은 수준인지 혹은 낮은 수준인지를 임상병리학적으로 확인하는 것이 유일한 방법이다.Currently, the only diagnostic method to confirm abnormalities in thyroid function is to check the concentration of thyroid hormones in the patient's blood and determine whether the concentration of thyroid hormones is within the normal range, high level, or low level using clinical pathology. The only way is to check.
한편, 갑상선기능항진증과 갑상선기능저하증을 치료하는 데에는 여러가지 방법들이 있지만, 가장 널리 사용되고 있는 치료방법은 약물치료방법이다. 갑상선항진증을 겪고 있는 환자들과 갑상선기능저하증을 겪고 있는 환자들은 대부분 일정 기간 동안의 약물 복용을 통해 정상 수준의 갑상선의 호르몬 생성 및 분비 기능을 되찾게 된다. 그러나, 갑상선기능항진증과 갑상선기능저하증은 완치율이 높지 않고 재발율이 매우 높은 질환으로 갑상선기능항진증 또는 갑상선기능저하증이 재발하는지 여부에 대해서 지속적으로 모니터링을 할 필요가 있다.Meanwhile, there are various methods to treat hyperthyroidism and hypothyroidism, but the most widely used treatment method is drug treatment. Most patients suffering from hyperthyroidism and patients suffering from hypothyroidism regain normal levels of thyroid hormone production and secretion function by taking medication for a certain period of time. However, hyperthyroidism and hypothyroidism are diseases that do not have a high cure rate and have a very high recurrence rate, so there is a need to continuously monitor whether hyperthyroidism or hypothyroidism recurs.
그러나, 전술한 바와 같이, 갑상선의 기능을 확인하기 위한 유일한 진단방법은 채혈을 통한 호르몬의 농도를 확인하는 방법이기 때문에, 갑상선의 기능 이상 여부를 모니터링하기 위해서는 환자가 주기적으로 병원에 방문하여야 하는 문제가 있다.However, as mentioned above, the only diagnostic method to check the function of the thyroid gland is to check the concentration of hormones through blood sampling, so the patient must visit the hospital periodically to monitor whether the thyroid function is abnormal. There is.
이에, 채혈을 통한 호르몬 수치의 확인 이외의 방법으로 보다 더 정확하게 갑상선의 기능에 이상이 있는지 여부를 확인할 수 있는 기술의 개발이 요구되고 있다.Accordingly, there is a need for the development of technology that can more accurately confirm whether there is an abnormality in thyroid function by methods other than confirmation of hormone levels through blood collection.
즉, 환자들이, 병원 직접 방문 없이도, 개개인이 보다 간편하고 신속하게 갑상선의 기능 이상에 관한 모니터링을 할 수 있도록 하며, 필요한 경우 환자의 내원을 유도하는 방법의 개발이 요구되고 있다.In other words, there is a need to develop a method that allows patients to monitor thyroid dysfunction more easily and quickly without having to visit a hospital in person, and to encourage patients to visit the hospital when necessary.
상술한 갑상선의 기능 이상에 관한 모니터링 방법 중 하나로, (특허문헌 0001) 공개특허공보 제10-2019-0032668호 (2019.03.28.)가 개시되어있다.As one of the monitoring methods for the above-mentioned thyroid dysfunction, (Patent Document 0001) Publication No. 10-2019-0032668 (2019.03.28.) is disclosed.
본 출원에 의해 개시되는 내용들이 해결하고자 하는 과제는 전문적인 의학 진단 기기가 아닌 일반인들이 사용할 수 있는 개인용 전자기기(personal electronic device)를 이용하여 획득된 심박수 정보에 기초하여 갑상선의 기능 이상 여부를 예측할 수 있는 예측 모델을 제공하는 것이다.The problem to be solved by the contents disclosed by this application is to predict whether thyroid function is abnormal based on heart rate information obtained using a personal electronic device that can be used by the general public rather than a professional medical diagnostic device. It provides a predictive model that can be predicted.
본 출원에 의해 개시되는 내용들이 해결하고자 하는 다른 과제는 전술한 심박수 정보에 기초하여 갑상선의 기능 이상 여부를 예측할 수 있는 예측 모델의 학습 방법을 제공하는 것이다.Another problem to be solved by the contents disclosed by the present application is to provide a method of learning a prediction model that can predict whether thyroid function is abnormal based on the above-described heart rate information.
본 출원에 의해 개시되는 내용들이 해결하고자 하는 또 다른 과제는 전술한 심박수 정보에 기초하여 갑상선의 기능 이상 여부를 예측하는 모델을 이용하여 일반인들이, 의사의 도움없이 그리고 병원 직접 방문 없이, 지속적으로 갑상선의 기능 이상에 대해 모니터링할 수 있는 방법 및 시스템을 제공하는 것이다.Another problem that is sought to be solved by the contents disclosed by this application is to use a model to predict whether thyroid function is abnormal based on the above-mentioned heart rate information, so that the general public can continuously monitor the thyroid gland without the help of a doctor and without visiting the hospital directly. The purpose is to provide a method and system for monitoring malfunctions.
본 출원이 해결하고자 하는 과제가 상술한 과제로 제한되는 것은 아니며, 언급되지 아니한 과제들은 본 명세서 및 첨부된 도면으로부터 본 출원에 의해 개시되는 기술이 속하는 기술분야에서 통상의 지식을 가진 자에게 명확하게 이해될 수 있을 것이다.The problem to be solved by this application is not limited to the above-mentioned problems, and problems not mentioned are clearly apparent to those skilled in the art from this specification and the attached drawings to which the technology disclosed by this application belongs. It will be understandable.
본 출원의 일 양태에 의하면, 대상(subject)에 대한 갑상선기능이상증(thyroid dysfunction)의 예측방법이 개시된다. 상기 대상에 대한 갑상선기능이상증의 예측방법은, 트리거 신호를 획득함; 상기 획득된 트리거 신호에 기초하여 결정된 대상일(target date)을 결정함; 상기 결정된 대상일에 대응되는 구간 심박수들을 획득함; 상기 대상에 대하여, 상기 획득된 대상일에 대응되는 구간 심박수들에 대한 제1 전처리 결과를 획득함 - 이때, 상기 제1 전처리 결과는 상기 대상일에 대응되는 구간 심박수들의 평균 및 분포(distribution)에 관한 적어도 하나의 지표를 포함함 - ; 상기 대상에 대하여, 기준일에 대응되는 갑상선에 관련된 적어도 하나 이상의 호르몬 농도를 획득함; 상기 대상에 대하여, 상기 기준일에 대응되는 구간 심박수들에 대한 제2 전처리 결과를 획득함 - 이때, 상기 제2 전처리 결과는 상기 기준일에 대응되는 구간 심박수들의 평균 및 분포(distribution)에 관한 적어도 하나의 지표를 포함함 - ; 상기 제2 전처리 결과에 대한 상기 제1 전처리 결과의 차이를 획득함; 및 상기 기준일에 대응되는 적어도 하나 이상의 호르몬 농도 및 상기 차이를 포함하는 값들에 기초하여 획득된 갑상선기능이상증에 대한 예측결과를 획득함;을 포함한다. 이때, 상기 갑상선기능이상증에 대한 예측결과는 상기 기준일에 대응되는 적어도 하나 이상의 호르몬 농도 및 상기 차이를 포함하는 입력값들이 갑상선기능이상 예측 모델에 의해 처리된 결과일 수 있다.According to one aspect of the present application, a method for predicting thyroid dysfunction for a subject is disclosed. The method for predicting thyroid dysfunction for the subject includes obtaining a trigger signal; determining a target date determined based on the obtained trigger signal; Obtaining zone heart rates corresponding to the determined target date; For the target, a first preprocessing result for the section heart rates corresponding to the acquired target date is obtained - At this time, the first preprocessing result is the average and distribution of the section heart rates corresponding to the target date. - Contains at least one indicator about ; For the subject, obtain the concentration of at least one hormone related to the thyroid gland corresponding to the reference date; For the object, a second preprocessing result for the section heart rates corresponding to the reference date is obtained - At this time, the second preprocessing result is at least one information about the average and distribution of the section heart rates corresponding to the reference date. Contains indicators - ; Obtaining a difference between the first preprocessing result and the second preprocessing result; and obtaining a prediction result for thyroid dysfunction obtained based on values including the difference and at least one hormone concentration corresponding to the reference date. At this time, the prediction result for thyroid dysfunction may be a result of processing input values including the difference and at least one hormone concentration corresponding to the reference date by a thyroid dysfunction prediction model.
본 출원에 의해 개시되는 몇몇 실시예들에 있어서, 상기 대상일에 대응되는 구간 심박수들의 분포에 관한 적어도 하나의 지표는 상기 대상일에 대응되는 구간 심박수들의 표준편차, 왜도 및 첨도를 포함하고, 상기 기준일에 대응되는 구간 심박수들의 분포에 관한 적어도 하나의 지표는 상기 기준일에 대응되는 구간 심박수들의 표준편차, 왜도 및 첨도를 포함할 수 있다.In some embodiments disclosed by the present application, at least one indicator regarding the distribution of zone heart rates corresponding to the target date includes standard deviation, skewness, and kurtosis of zone heart rates corresponding to the target date, At least one indicator regarding the distribution of section heart rates corresponding to the reference date may include standard deviation, skewness, and kurtosis of section heart rates corresponding to the reference date.
본 출원에 의해 개시되는 몇몇 실시예들에 있어서, 상기 제2 전처리 결과에 대한 상기 제1 전처리 결과의 차이는, 1) 상기 기준일에 대한 상기 대상일의 구간 심박수들의 평균의 변화량, 2) 상기 기준일에 대한 상기 대상일의 구간 심박수들의 평균의 변화율, 3) 상기 기준일에 대한 상기 대상일의 표준편차의 변화량, 4) 상기 기준일에 대한 상기 대상일의 상대 표준편차의 변화량, 5) 상기 기준일에 대한 상기 대상일의 왜도의 변화량, 6) 상기 기준일에 대한 상기 대상일의 첨도의 변화량 및 7) 상기 기준일에 대응되는 구간 삼박수들과 상기 대상일에 대응되는 구간 심박수들 간의 JS Divergence로 이루어진 그룹에서 선택된 하나 또는 그들의 조합일 수 있다.In some embodiments disclosed by the present application, the difference between the first preprocessing result and the second preprocessing result is 1) the amount of change in the average of the heart rates of the intervals of the target day with respect to the reference date, 2) the reference date The rate of change in the average of the heart rates of the target day for A group consisting of the amount of change in skewness of the target date, 6) the amount of change in kurtosis of the target date with respect to the reference date, and 7) JS Divergence between section heart rates corresponding to the reference date and section heart rates corresponding to the target date. It may be one selected from or a combination thereof.
본 출원에 의해 개시되는 몇몇 실시예들에 있어서, 상기 기준일에 대응되는 적어도 하나 이상의 호르몬 농도는 1) 갑상선 자극 호르몬(thyroid stimulating hormone, TSH)의 농도, 2) 사요오드티로닌(tetraiodothyronine, T4)의 농도, 3) 혈청에 유리된 T4 (free T4)의 농도, 4) 삼요오드티로닌(triiodothyronine, T3)의 농도, 5) 혈청에 유리된 T3 (free T3)의 농도 및 6) 갑상샘자극호르몬-방출 호르몬(Thyrotropin-Releasing Hormone, TRH)의 농도로 이루어진 그룹에서 선택된 하나 또는 이들의 조합일 수 있다.In some embodiments disclosed by the present application, the concentration of at least one hormone corresponding to the reference date is 1) the concentration of thyroid stimulating hormone (TSH), 2) tetraiodothyronine (T4) concentration, 3) concentration of free T4 in serum, 4) concentration of triiodothyronine (T3), 5) concentration of free T3 (free T3) in serum, and 6) thyroid-stimulating hormone. -It may be one selected from the group consisting of the concentration of Thyrotropin-Releasing Hormone (TRH) or a combination thereof.
본 출원에 의해 개시되는 몇몇 실시예들에 있어서, 상기 대상에 대한 갑상선기능이상증의 예측방법은, 1) 상기 기준일에 대한 상기 대상일의 구간 심박수들의 평균의 변화량, 2) 상기 기준일에 대한 상기 대상일의 구간 심박수들의 평균의 변화율, 3) 상기 기준일에 대한 상기 대상일의 표준편차의 변화량, 4) 상기 기준일에 대한 상기 대상일의 상대 표준편차의 변화량, 5) 상기 기준일에 대한 상기 대상일의 왜도의 변화량, 6) 상기 기준일에 대한 상기 대상일의 첨도의 변화량, 7) 상기 기준일에 대응되는 구간 삼박수들과 상기 대상일에 대응되는 구간 심박수들 간의 JS Divergence, 8) 상기 기준일에 대응되는 상기 대상의 갑상선 자극 호르몬(thyroid stimulating hormone, TSH)의 농도, 9) 상기 기준일에 대응되는 상기 대상의 사요오드티로닌(tetraiodothyronine, T4)의 농도, 10) 상기 기준일에 대응되는 상기 대상의 혈청에 유리된 T4 (free T4)의 농도, 11) 상기 기준일에 대응되는 상기 대상의 삼요오드티로닌(triiodothyronine, T3)의 농도, 12) 상기 기준일에 대응되는 상기 대상의 혈청에 유리된 T3 (free T3)의 농도 및 13) 상기 기준일에 대응되는 상기 대상의 갑상샘자극호르몬-방출 호르몬(Thyrotropin-Releasing Hormone, TRH)의 농도로 이루어진 그룹에서 제1 값 및 제2 값을 획득함; 및 상기 i) 상기 제1 값과 상기 제2 값을 곱한 값, ii) 상기 제1 값을 상기 제2 값으로 나눈 값 및 iii) 상기 제2 값을 상기 제1값으로 나눈 값 중 하나를 획득함;을 더 포함할 수 있다. In some embodiments disclosed by the present application, the method for predicting thyroid dysfunction for the subject includes: 1) the amount of change in the average of the heart rates of the section of the subject day with respect to the reference date, 2) the subject with respect to the reference date The rate of change in the average of heart rates in daily sections, 3) the amount of change in the standard deviation of the target day with respect to the reference date, 4) the amount of change in the relative standard deviation of the target day with respect to the reference date, 5) the amount of change in the target day with respect to the reference date Amount of change in skewness, 6) Amount of change in kurtosis of the target date with respect to the reference date, 7) JS Divergence between section heart rates corresponding to the reference date and section heart rates corresponding to the target date, 8) Corresponding to the reference date concentration of thyroid stimulating hormone (TSH) in the subject, 9) concentration of tetraiodothyronine (T4) in the subject corresponding to the reference date, 10) serum of the subject corresponding to the reference date Concentration of free T4 (free T4), 11) Concentration of triiodothyronine (T3) in the subject corresponding to the reference date, 12) Free T3 (free) in the serum of the subject corresponding to the reference date Obtaining the first and second values from the group consisting of the concentration of T3) and 13) the concentration of Thyrotropin-Releasing Hormone (TRH) of the subject corresponding to the reference date; and obtain one of i) a value obtained by multiplying the first value and the second value, ii) a value obtained by dividing the first value by the second value, and iii) a value obtained by dividing the second value by the first value. It may further include;
이때, 상기 기준일에 대응되는 적어도 하나 이상의 호르몬 농도 및 상기 차이를 포함하는 값들에 기초하여 획득된 갑상선기능이상증에 대한 예측결과를 획득함은, 상기 기준일에 대응되는 적어도 하나 이상의 호르몬 농도, 상기 차이 및 상기 획득된 하나의 값을 포함하는 값들에 기초하여 획득된 갑상선기능이상증에 대한 예측결과를 획득하는 것이고, 상기 갑상선기능이상증에 대한 예측결과는 상기 기준일에 대응되는 적어도 하나 이상의 호르몬 농도, 상기 차이 및 상기 획득된 하나의 값을 포함하는 입력값들이 갑상선기능이상 예측 모델에 의해 처리된 결과일 수 있다.At this time, obtaining a prediction result for thyroid dysfunction obtained based on values including at least one hormone concentration corresponding to the reference date and the difference includes at least one hormone concentration corresponding to the reference date, the difference, and A prediction result for thyroid dysfunction is obtained based on values including the obtained single value, and the prediction result for thyroid dysfunction is the concentration of at least one hormone corresponding to the reference date, the difference, and Input values including the obtained single value may be the result of being processed by a thyroid dysfunction prediction model.
본 출원에 의해 개시되는 몇몇 실시예들에 있어서, 상기 대상에 대한 갑상선기능이상증의 예측방법은, 상기 대상일과 상기 기준일 사이의 차이(day gap)를 획득함;을 더 포함할 수 있다.In some embodiments disclosed by the present application, the method for predicting thyroid dysfunction for the subject may further include obtaining a difference (day gap) between the subject date and the reference date.
이때, 상기 기준일에 대응되는 적어도 하나 이상의 호르몬 농도 및 상기 차이를 포함하는 값들에 기초하여 획득된 갑상선기능이상증에 대한 예측결과를 획득함은, 상기 기준일에 대응되는 적어도 하나 이상의 호르몬 농도, 상기 차이 및 상기 대상일과 상기 기준일 사이의 차이(day gap)를 포함하는 값들에 기초하여 획득된 갑상선기능이상증에 대한 예측결과를 획득하는 것이고, 상기 갑상선기능이상증에 대한 예측결과는 상기 기준일에 대응되는 적어도 하나 이상의 호르몬 농도, 상기 차이 및 상기 대상일과 상기 기준일 사이의 차이를 포함하는 입력값들이 갑상선기능이상 예측 모델에 의해 처리된 결과일 수 있다.At this time, obtaining a prediction result for thyroid dysfunction obtained based on values including at least one hormone concentration corresponding to the reference date and the difference includes at least one hormone concentration corresponding to the reference date, the difference, and A prediction result for dysthyroidism is obtained based on values including the difference (day gap) between the target date and the reference date, and the prediction result for dysthyroidism is at least one corresponding to the reference date. Input values including hormone concentration, the difference, and the difference between the target date and the reference date may be the result of being processed by a thyroid dysfunction prediction model.
본 출원에 의해 개시되는 몇몇 실시예들에 있어서, 상기 대상일에 대응되는 구간 심박수들은 상기 대상일을 기준으로 미리 결정된 기간에 대응되는 모든 휴지기 심박수(resting heart rate)이고, 상기 기준일에 대응되는 구간 심박수들은 상기 기준일을 기준으로 상기 미리 결정된 기간에 대응되는 모든 휴지기 심박수일 수 있다.In some embodiments disclosed by the present application, the section heart rates corresponding to the target date are all resting heart rates corresponding to a predetermined period based on the target date, and the section corresponding to the reference date The heart rates may be all resting heart rates corresponding to the predetermined period based on the reference date.
이때, 상기 미리 결정된 기간은 8, 9, 10, 11, 12, 13, 14, 15, 16 및 17일 중에서 선택된 어느 하나일 수 있다.At this time, the predetermined period may be any one selected from 8, 9, 10, 11, 12, 13, 14, 15, 16, and 17 days.
본 출원에 의해 개시되는 몇몇 실시예들에 있어서, 상기 갑상선기능이상증 예측모델은 갑상선기능항진증 예측모델 및 갑상선기능저하증 예측모델을 포함할 수 있다.In some embodiments disclosed by the present application, the dysthyroidism prediction model may include a hyperthyroidism prediction model and a hypothyroidism prediction model.
이때, 상기 갑상선기능이상증에 대한 예측결과는 상기 기준일에 대응되는 적어도 하나 이상의 호르몬 농도 및 상기 차이를 포함하는 입력값들이 상기 갑상선기능항진증 예측모델에 의해 처리된 제1 예측결과와 상기 기준일에 대응되는 적어도 하나 이상의 호르몬 농도 및 상기 차이를 포함하는 입력값들이 상기 갑상선기능저하증 예측모델에 의해 처리된 제2 예측결과를 고려하여 결정될 수 있다.At this time, the prediction result for dysthyroidism is the first prediction result processed by the hyperthyroidism prediction model and the input values including the difference and at least one hormone concentration corresponding to the reference date and the reference date. Input values including at least one hormone concentration and the difference may be determined by considering the second prediction result processed by the hypothyroidism prediction model.
본 출원에 의해 개시되는 내용들에 의하여, 전문적인 의학 진단 기기가 아닌 일반인들이 사용할 수 있는 개인용 전자기기(personal electronic device)를 이용하여 획득된 심박수 정보에 기초하여 갑상선의 기능 이상 여부를 예측할 수 있는 예측 모델을 제공될 수 있다.According to the contents disclosed by this application, it is possible to predict whether thyroid function is abnormal based on heart rate information obtained using a personal electronic device that can be used by the general public rather than a professional medical diagnostic device. A prediction model may be provided.
본 출원에 의해 개시되는 내용들에 의하여, 전술한 심박수 정보에 기초하여 갑상선의 기능 이상 여부를 예측할 수 있는 예측 모델의 학습 방법이 제공된다.According to the contents disclosed by the present application, a method of learning a prediction model that can predict whether the thyroid function is abnormal based on the above-described heart rate information is provided.
본 출원에 의해 개시되는 내용들에 의하여, 전술한 심박수 정보에 기초하여 갑상선의 기능 이상 여부를 예측하는 모델을 이용하여 일반인들이, 의사의 도움없이 그리고 병원 직접 방문 없이, 지속적으로 갑상선의 기능 이상에 대해 모니터링할 수 있는 방법 및 시스템을 제공된다.According to the contents disclosed by the present application, the general public can continuously detect abnormal thyroid function without the help of a doctor and without visiting the hospital directly, using a model that predicts abnormality of thyroid function based on the above-mentioned heart rate information. A method and system for monitoring is provided.
도 1은 본 출원에 의해 개시되는 일실시예에 따른 갑상선기능이상증을 예측하기 위한 시스템을 도시하는 도면이다.
도 2는 본 출원에 의해 개시되는 심박수 측정 디바이스의 블록도이다.
도 3은 본 출원에 의해 개시되는 사용자 단말기의 블록도이다.
도 4는 본 출원에 의해 개시되는 서버의 블록도이다.
도 5는 본 출원에 의해 개시되는 갑상선기능이상증을 예측하는 방법을 설명하기 위한 흐름도이다.
도 6은 본 출원에 의해 개시되는 갑상선기능이상증을 예측하는 방법을 설명하기 위한 흐름도이다.1 is a diagram illustrating a system for predicting thyroid dysfunction according to an embodiment disclosed by the present application.
Figure 2 is a block diagram of a heart rate measurement device disclosed by the present application.
Figure 3 is a block diagram of a user terminal disclosed by the present application.
Figure 4 is a block diagram of the server disclosed by this application.
Figure 5 is a flow chart to explain the method for predicting thyroid dysfunction disclosed by the present application.
Figure 6 is a flowchart for explaining the method for predicting thyroid dysfunction disclosed by the present application.
본 출원의 상술한 목적, 특징들 및 장점은 첨부된 도면과 관련된 다음의 상세한 설명을 통해 보다 분명해질 것이다. 다만, 본 출원은 다양한 변경을 가할 수 있고 여러 가지 실시예들을 가질 수 있는 바, 이하에서는 특정 실시예들을 도면에 예시하고 이를 상세히 설명하고자 한다.The above-described objects, features and advantages of the present application will become more apparent through the following detailed description in conjunction with the accompanying drawings. However, since this application can make various changes and have various embodiments, specific embodiments will be illustrated in the drawings and described in detail below.
명세서 전체에 걸쳐서 동일한 참조번호들은 원칙적으로 동일한 구성요소들을 나타낸다. 또한, 각 실시예의 도면에 나타나는 동일한 사상의 범위 내의 기능이 동일한 구성요소는 동일한 참조부호를 사용하여 설명하며, 이에 대한 중복되는 설명은 생략하기로 한다.Like reference numerals throughout the specification in principle refer to the same elements. In addition, components with the same function within the scope of the same idea shown in the drawings of each embodiment will be described using the same reference numerals, and overlapping descriptions thereof will be omitted.
본 출원과 관련된 공지 기능 혹은 구성에 대한 구체적인 설명이 본 출원의 요지를 불필요하게 흐릴 수 있다고 판단되는 경우 그 상세한 설명을 생략한다. 또한, 본 명세서의 설명 과정에서 이용되는 숫자(예를 들어, 제1, 제2 등)는 하나의 구성요소를 다른 구성요소와 구분하기 위한 식별기호에 불과하다.If it is determined that a detailed description of a known function or configuration related to the present application may unnecessarily obscure the gist of the present application, the detailed description will be omitted. In addition, numbers (eg, first, second, etc.) used in the description of this specification are merely identifiers to distinguish one component from another component.
또한, 이하의 실시예에서 사용되는 구성요소에 대한 접미사 "모듈" 및 "부"는 명세서 작성의 용이함만이 고려되어 부여되거나 혼용되는 것으로서, 그 자체로 서로 구별되는 의미 또는 역할을 갖는 것은 아니다.In addition, the suffixes “module” and “part” for components used in the following examples are given or used interchangeably only for the ease of writing the specification, and do not have distinct meanings or roles in themselves.
이하의 실시예에서, 단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 복수의 표현을 포함한다.In the following examples, singular terms include plural terms unless the context clearly dictates otherwise.
이하의 실시예에서, 포함하다 또는 가지다 등의 용어는 명세서상에 기재된 특징, 또는 구성요소가 존재함을 의미하는 것이고, 하나 이상의 다른 특징들 또는 구성요소가 부가될 가능성을 미리 배제하는 것은 아니다.In the following embodiments, terms such as include or have mean that the features or components described in the specification exist, and do not exclude in advance the possibility of adding one or more other features or components.
도면에서는 설명의 편의를 위하여 구성 요소들이 그 크기가 과장 또는 축소될 수 있다. 예컨대, 도면에서 나타난 각 구성의 크기 및 두께는 설명의 편의를 위해 임의로 나타낸 것으로, 본 발명이 반드시 도시된 바에 한정되지 않는다.In the drawings, the sizes of components may be exaggerated or reduced for convenience of explanation. For example, the size and thickness of each component shown in the drawings are arbitrarily shown for convenience of explanation, and the present invention is not necessarily limited to what is shown.
어떤 실시예가 달리 구현 가능한 경우에 특정한 프로세스의 순서는 설명되는 순서와 다르게 수행될 수도 있다. 예를 들어, 연속하여 설명되는 두 프로세스가 실질적으로 동시에 수행될 수도 있고, 설명되는 순서와 반대의 순서로 진행될 수 있다.If an embodiment can be implemented differently, the order of specific processes may be performed differently from the order described. For example, two processes described in succession may be performed substantially simultaneously, or may proceed in an order opposite to that in which they are described.
이하의 실시예에서, 구성 요소 등이 연결되었다고 할 때, 구성 요소들이 직접적으로 연결된 경우뿐만 아니라 구성요소들 중간에 구성 요소들이 개재되어 간접적으로 연결된 경우도 포함한다. 예컨대, 본 명세서에서 구성 요소 등이 전기적으로 연결되었다고 할 때, 구성 요소 등이 직접 전기적으로 연결된 경우뿐만 아니라, 그 중간에 구성 요소 등이 개재되어 간접적으로 전기적 연결된 경우도 포함한다.In the following embodiments, when components are connected, this includes not only the case where the components are directly connected, but also the case where the components are indirectly connected by intervening between the components. For example, in this specification, when components, etc. are said to be electrically connected, this includes not only cases where the components are directly electrically connected, but also cases where components, etc. are interposed and indirectly electrically connected.
본 출원의 일 양태에 의하면, 대상(subject)에 대한 갑상선기능이상증(thyroid dysfunction)의 예측방법이 개시된다. 상기 대상에 대한 갑상선기능이상증의 예측방법은, 트리거 신호를 획득함; 상기 획득된 트리거 신호에 기초하여 결정된 대상일(target date)을 결정함; 상기 결정된 대상일에 대응되는 구간 심박수들을 획득함; 상기 대상에 대하여, 상기 획득된 대상일에 대응되는 구간 심박수들에 대한 제1 전처리 결과를 획득함 - 이때, 상기 제1 전처리 결과는 상기 대상일에 대응되는 구간 심박수들의 평균 및 분포(distribution)에 관한 적어도 하나의 지표를 포함함 - ; 상기 대상에 대하여, 기준일에 대응되는 갑상선에 관련된 적어도 하나 이상의 호르몬 농도를 획득함; 상기 대상에 대하여, 상기 기준일에 대응되는 구간 심박수들에 대한 제2 전처리 결과를 획득함 - 이때, 상기 제2 전처리 결과는 상기 기준일에 대응되는 구간 심박수들의 평균 및 분포(distribution)에 관한 적어도 하나의 지표를 포함함 - ; 상기 제2 전처리 결과에 대한 상기 제1 전처리 결과의 차이를 획득함; 및 상기 기준일에 대응되는 적어도 하나 이상의 호르몬 농도 및 상기 차이를 포함하는 값들에 기초하여 획득된 갑상선기능이상증에 대한 예측결과를 획득함;을 포함한다. 이때, 상기 갑상선기능이상증에 대한 예측결과는 상기 기준일에 대응되는 적어도 하나 이상의 호르몬 농도 및 상기 차이를 포함하는 입력값들이 갑상선기능이상 예측 모델에 의해 처리된 결과일 수 있다.According to one aspect of the present application, a method for predicting thyroid dysfunction for a subject is disclosed. The method for predicting thyroid dysfunction for the subject includes obtaining a trigger signal; determining a target date determined based on the obtained trigger signal; Obtaining zone heart rates corresponding to the determined target date; For the target, a first preprocessing result for the section heart rates corresponding to the acquired target date is obtained - At this time, the first preprocessing result is the average and distribution of the section heart rates corresponding to the target date. - Contains at least one indicator about ; For the subject, obtain the concentration of at least one hormone related to the thyroid gland corresponding to the reference date; For the object, a second preprocessing result for the section heart rates corresponding to the reference date is obtained - At this time, the second preprocessing result is at least one information about the average and distribution of the section heart rates corresponding to the reference date. Contains indicators - ; Obtaining a difference between the first preprocessing result and the second preprocessing result; and obtaining a prediction result for thyroid dysfunction obtained based on values including the difference and at least one hormone concentration corresponding to the reference date. At this time, the prediction result for thyroid dysfunction may be a result of processing input values including the difference and at least one hormone concentration corresponding to the reference date by a thyroid dysfunction prediction model.
본 출원에 의해 개시되는 몇몇 실시예들에 있어서, 상기 대상일에 대응되는 구간 심박수들의 분포에 관한 적어도 하나의 지표는 상기 대상일에 대응되는 구간 심박수들의 표준편차, 왜도 및 첨도를 포함하고, 상기 기준일에 대응되는 구간 심박수들의 분포에 관한 적어도 하나의 지표는 상기 기준일에 대응되는 구간 심박수들의 표준편차, 왜도 및 첨도를 포함할 수 있다.In some embodiments disclosed by the present application, at least one indicator regarding the distribution of zone heart rates corresponding to the target date includes standard deviation, skewness, and kurtosis of zone heart rates corresponding to the target date, At least one indicator regarding the distribution of section heart rates corresponding to the reference date may include standard deviation, skewness, and kurtosis of section heart rates corresponding to the reference date.
본 출원에 의해 개시되는 몇몇 실시예들에 있어서, 상기 제2 전처리 결과에 대한 상기 제1 전처리 결과의 차이는, 1) 상기 기준일에 대한 상기 대상일의 구간 심박수들의 평균의 변화량, 2) 상기 기준일에 대한 상기 대상일의 구간 심박수들의 평균의 변화율, 3) 상기 기준일에 대한 상기 대상일의 표준편차의 변화량, 4) 상기 기준일에 대한 상기 대상일의 상대 표준편차의 변화량, 5) 상기 기준일에 대한 상기 대상일의 왜도의 변화량, 6) 상기 기준일에 대한 상기 대상일의 첨도의 변화량 및 7) 상기 기준일에 대응되는 구간 삼박수들과 상기 대상일에 대응되는 구간 심박수들 간의 JS Divergence로 이루어진 그룹에서 선택된 하나 또는 그들의 조합일 수 있다.In some embodiments disclosed by the present application, the difference between the first preprocessing result and the second preprocessing result is 1) the amount of change in the average of the heart rates of the intervals of the target day with respect to the reference date, 2) the reference date The rate of change in the average of the heart rates of the target day for A group consisting of the amount of change in skewness of the target date, 6) the amount of change in kurtosis of the target date with respect to the reference date, and 7) JS Divergence between section heart rates corresponding to the reference date and section heart rates corresponding to the target date. It may be one selected from or a combination thereof.
본 출원에 의해 개시되는 몇몇 실시예들에 있어서, 상기 기준일에 대응되는 적어도 하나 이상의 호르몬 농도는 1) 갑상선 자극 호르몬(thyroid stimulating hormone, TSH)의 농도, 2) 사요오드티로닌(tetraiodothyronine, T4)의 농도, 3) 혈청에 유리된 T4 (free T4)의 농도, 4) 삼요오드티로닌(triiodothyronine, T3)의 농도, 5) 혈청에 유리된 T3 (free T3)의 농도 및 6) 갑상샘자극호르몬-방출 호르몬(Thyrotropin-Releasing Hormone, TRH)의 농도로 이루어진 그룹에서 선택된 하나 또는 이들의 조합일 수 있다.In some embodiments disclosed by the present application, the concentration of at least one hormone corresponding to the reference date is 1) the concentration of thyroid stimulating hormone (TSH), 2) tetraiodothyronine (T4) concentration, 3) concentration of free T4 in serum, 4) concentration of triiodothyronine (T3), 5) concentration of free T3 (free T3) in serum, and 6) thyroid-stimulating hormone. -It may be one selected from the group consisting of the concentration of Thyrotropin-Releasing Hormone (TRH) or a combination thereof.
본 출원에 의해 개시되는 몇몇 실시예들에 있어서, 상기 대상에 대한 갑상선기능이상증의 예측방법은, 1) 상기 기준일에 대한 상기 대상일의 구간 심박수들의 평균의 변화량, 2) 상기 기준일에 대한 상기 대상일의 구간 심박수들의 평균의 변화율, 3) 상기 기준일에 대한 상기 대상일의 표준편차의 변화량, 4) 상기 기준일에 대한 상기 대상일의 상대 표준편차의 변화량, 5) 상기 기준일에 대한 상기 대상일의 왜도의 변화량, 6) 상기 기준일에 대한 상기 대상일의 첨도의 변화량, 7) 상기 기준일에 대응되는 구간 삼박수들과 상기 대상일에 대응되는 구간 심박수들 간의 JS Divergence, 8) 상기 기준일에 대응되는 상기 대상의 갑상선 자극 호르몬(thyroid stimulating hormone, TSH)의 농도, 9) 상기 기준일에 대응되는 상기 대상의 사요오드티로닌(tetraiodothyronine, T4)의 농도, 10) 상기 기준일에 대응되는 상기 대상의 혈청에 유리된 T4 (free T4)의 농도, 11) 상기 기준일에 대응되는 상기 대상의 삼요오드티로닌(triiodothyronine, T3)의 농도, 12) 상기 기준일에 대응되는 상기 대상의 혈청에 유리된 T3 (free T3)의 농도 및 13) 상기 기준일에 대응되는 상기 대상의 갑상샘자극호르몬-방출 호르몬(Thyrotropin-Releasing Hormone, TRH)의 농도로 이루어진 그룹에서 제1 값 및 제2 값을 획득함; 및 상기 i) 상기 제1 값과 상기 제2 값을 곱한 값, ii) 상기 제1 값을 상기 제2 값으로 나눈 값 및 iii) 상기 제2 값을 상기 제1값으로 나눈 값 중 하나를 획득함;을 더 포함할 수 있다. In some embodiments disclosed by the present application, the method for predicting thyroid dysfunction for the subject includes: 1) the amount of change in the average of the heart rates of the section of the subject day with respect to the reference date, 2) the subject with respect to the reference date The rate of change in the average of heart rates in daily sections, 3) the amount of change in the standard deviation of the target day with respect to the reference date, 4) the amount of change in the relative standard deviation of the target day with respect to the reference date, 5) the amount of change in the target day with respect to the reference date Amount of change in skewness, 6) Amount of change in kurtosis of the target date with respect to the reference date, 7) JS Divergence between section heart rates corresponding to the reference date and section heart rates corresponding to the target date, 8) Corresponding to the reference date concentration of thyroid stimulating hormone (TSH) in the subject, 9) concentration of tetraiodothyronine (T4) in the subject corresponding to the reference date, 10) serum of the subject corresponding to the reference date Concentration of free T4 (free T4), 11) Concentration of triiodothyronine (T3) in the subject corresponding to the reference date, 12) Free T3 (free) in the serum of the subject corresponding to the reference date Obtaining the first and second values from the group consisting of the concentration of T3) and 13) the concentration of Thyrotropin-Releasing Hormone (TRH) of the subject corresponding to the reference date; and obtain one of i) a value obtained by multiplying the first value and the second value, ii) a value obtained by dividing the first value by the second value, and iii) a value obtained by dividing the second value by the first value. It may further include;
이때, 상기 기준일에 대응되는 적어도 하나 이상의 호르몬 농도 및 상기 차이를 포함하는 값들에 기초하여 획득된 갑상선기능이상증에 대한 예측결과를 획득함은, 상기 기준일에 대응되는 적어도 하나 이상의 호르몬 농도, 상기 차이 및 상기 획득된 하나의 값을 포함하는 값들에 기초하여 획득된 갑상선기능이상증에 대한 예측결과를 획득하는 것이고, 상기 갑상선기능이상증에 대한 예측결과는 상기 기준일에 대응되는 적어도 하나 이상의 호르몬 농도, 상기 차이 및 상기 획득된 하나의 값을 포함하는 입력값들이 갑상선기능이상 예측 모델에 의해 처리된 결과일 수 있다.At this time, obtaining a prediction result for thyroid dysfunction obtained based on values including at least one hormone concentration corresponding to the reference date and the difference includes at least one hormone concentration corresponding to the reference date, the difference, and A prediction result for thyroid dysfunction is obtained based on values including the obtained single value, and the prediction result for thyroid dysfunction is the concentration of at least one hormone corresponding to the reference date, the difference, and Input values including the obtained single value may be the result of being processed by a thyroid dysfunction prediction model.
본 출원에 의해 개시되는 몇몇 실시예들에 있어서, 상기 대상에 대한 갑상선기능이상증의 예측방법은, 상기 대상일과 상기 기준일 사이의 차이(day gap)를 획득함;을 더 포함할 수 있다.In some embodiments disclosed by the present application, the method for predicting thyroid dysfunction for the subject may further include obtaining a difference (day gap) between the subject date and the reference date.
이때, 상기 기준일에 대응되는 적어도 하나 이상의 호르몬 농도 및 상기 차이를 포함하는 값들에 기초하여 획득된 갑상선기능이상증에 대한 예측결과를 획득함은, 상기 기준일에 대응되는 적어도 하나 이상의 호르몬 농도, 상기 차이 및 상기 대상일과 상기 기준일 사이의 차이(day gap)를 포함하는 값들에 기초하여 획득된 갑상선기능이상증에 대한 예측결과를 획득하는 것이고, 상기 갑상선기능이상증에 대한 예측결과는 상기 기준일에 대응되는 적어도 하나 이상의 호르몬 농도, 상기 차이 및 상기 대상일과 상기 기준일 사이의 차이를 포함하는 입력값들이 갑상선기능이상 예측 모델에 의해 처리된 결과일 수 있다.At this time, obtaining a prediction result for thyroid dysfunction obtained based on values including at least one hormone concentration corresponding to the reference date and the difference includes at least one hormone concentration corresponding to the reference date, the difference, and A prediction result for dysthyroidism is obtained based on values including the difference (day gap) between the target date and the reference date, and the prediction result for dysthyroidism is at least one corresponding to the reference date. Input values including hormone concentration, the difference, and the difference between the target date and the reference date may be the result of being processed by a thyroid dysfunction prediction model.
본 출원에 의해 개시되는 몇몇 실시예들에 있어서, 상기 대상일에 대응되는 구간 심박수들은 상기 대상일을 기준으로 미리 결정된 기간에 대응되는 모든 휴지기 심박수(resting heart rate)이고, 상기 기준일에 대응되는 구간 심박수들은 상기 기준일을 기준으로 상기 미리 결정된 기간에 대응되는 모든 휴지기 심박수일 수 있다.In some embodiments disclosed by the present application, the section heart rates corresponding to the target date are all resting heart rates corresponding to a predetermined period based on the target date, and the section corresponding to the reference date The heart rates may be all resting heart rates corresponding to the predetermined period based on the reference date.
이때, 상기 미리 결정된 기간은 8, 9, 10, 11, 12, 13, 14, 15, 16 및 17일 중에서 선택된 어느 하나일 수 있다.At this time, the predetermined period may be any one selected from 8, 9, 10, 11, 12, 13, 14, 15, 16, and 17 days.
본 출원에 의해 개시되는 몇몇 실시예들에 있어서, 상기 갑상선기능이상증 예측모델은 갑상선기능항진증 예측모델 및 갑상선기능저하증 예측모델을 포함할 수 있다.In some embodiments disclosed by the present application, the dysthyroidism prediction model may include a hyperthyroidism prediction model and a hypothyroidism prediction model.
이때, 상기 갑상선기능이상증에 대한 예측결과는 상기 기준일에 대응되는 적어도 하나 이상의 호르몬 농도 및 상기 차이를 포함하는 입력값들이 상기 갑상선기능항진증 예측모델에 의해 처리된 제1 예측결과와 상기 기준일에 대응되는 적어도 하나 이상의 호르몬 농도 및 상기 차이를 포함하는 입력값들이 상기 갑상선기능저하증 예측모델에 의해 처리된 제2 예측결과를 고려하여 결정될 수 있다.At this time, the prediction result for dysthyroidism is the first prediction result processed by the hyperthyroidism prediction model and the input values including the difference and at least one hormone concentration corresponding to the reference date and the reference date. Input values including at least one hormone concentration and the difference may be determined by considering the second prediction result processed by the hypothyroidism prediction model.
1. 용어의 정의1. Definition of terms
심박수(heart rate)heart rate
본 명세서에서, 용어 "심박수(heart rate)"는 단위시간당 심장박동 수를 의미한다. 예를 들어, 심박수는 분당 심장박동수(beats per minute, bpm)로 측정될 수 있다. 한편, 본 명세서에서, 특별한 언급이 있거나 그 용어를 일반적인 과학적 설명을 목적으로 사용하는 경우가 아니라면, "심박수"는 그 심박수가 측정된 시점(estimation time point)과 대응되거나 연계되어 있는 것으로 본다.As used herein, the term “heart rate” refers to the number of heartbeats per unit time. For example, heart rate may be measured in beats per minute (bpm). Meanwhile, in this specification, unless specifically mentioned or the term is used for the purpose of general scientific explanation, “heart rate” is considered to correspond to or be linked to the estimation time point at which the heart rate was measured.
휴지기(resting period)resting period
본 명세서에서, 용어 "휴지기(resting period)"는 사람의 신체적인 움직임이 일정 수준 이하인 구간을 의미한다. 일반적으로 "휴지기"는 대상이 깨어 있으면서 움직임이 없는 기간을 의미하지만, 본 명세서에서 용어 "휴지기"는 대상이 수면을 취하고 있는 기간도 포함하여 지칭한다.In this specification, the term “resting period” refers to a period in which a person's physical movement is below a certain level. Generally, “rest period” refers to a period in which the subject is awake and does not move, but in this specification, the term “rest period” also refers to a period in which the subject is sleeping.
휴지기 심박수들(resting heart rates)Resting heart rates
본 명세서에서, 용어 "휴지기 심박수들(resting heart rates)"는 그 심박수가 측정된 시점이 사람의 휴지기(resting period) 내에 있는 심박수들을 의미한다. As used herein, the term “resting heart rates” refers to heart rates that are within a person's resting period when the heart rate is measured.
특히, 본 명세서에서 "X일에 대응되는 휴지기 심박수들"이라 함은 X일의 오전 12시 00분 00초부터 X일의 오후 11시 59분 59초까지의 기간에 포함된 휴지기에 대응되는 모든 심박수들을 의미할 수 있다. In particular, in this specification, "resting heart rates corresponding to day It can mean heart rates.
다만, i) 휴지기는 일반적으로 사람의 수면시간을 포함한다는 점, ii) 사람들의 수면 습관들을 고려할 때, 오전 12시 00분 00초 이전에 수면을 시작하는 사람들이 많이 있다는 점 등을 고려하여, 본 명세서에서 "X일에 대응되는 휴지기 심박수들"은 X일의 바로 전날(이하, X-1일이라 함)에 잠들기 시작한 시각부터 X-1일의 오후 11시 59분 59초까지의 시간에 대응되는 휴지기 심박수들을 포함할 수 있다. 이와 유사하게, "X일에 대응되는 휴지기 심박수들"는 X일에 잠들기 시작한 시각부터 X일의 오후 11시 59분 59초까지의 시간에 대응되는 휴지기 심박수들을 포함하지 않을 수 있다. 즉, X일에 잠들기 시작한 시각부터 X일의 오후 11시 59분 59초까지의 시간에 대응되는 휴지기 심박수들은 전술한 바와 같이 "X일의 다음날(이하, X+1일이라 함)에 대응되는 휴지기 심박수들"에 포함될 수 있다.However, taking into account that i) the resting period generally includes a person's sleeping time, and ii) considering people's sleeping habits, there are many people who start sleeping before 12:00:00 a.m. In this specification, “resting heart rates corresponding to day Corresponding resting heart rates may be included. Similarly, “resting heart rates corresponding to day In other words, the resting heart rates corresponding to the time from the time you start falling asleep on Day X to 11:59:59 PM on Day It may be included in “resting heart rates.”
구간 심박수들(period heart rates)Period heart rates
본 명세서에서, 용어 "구간 심박수들(period heart rates)"는 2일 이상의 기간에 대응되는 모든 휴지기 심박수들을 의미한다. 본 명세서에서 용어 "구간 휴지기 심박수들(period resting heart rates)"는 "구간 심박수들"과 동일한 의미로 사용될 수 있다.As used herein, the term “period heart rates” means all resting heart rates corresponding to a period of two or more days. As used herein, the term “period resting heart rates” may be used interchangeably with “period resting heart rates.”
구간 평균 심박수(period average heart rate)period average heart rate
본 명세서에서, 용어 "구간 평균 심박수(period average heart rate)"는 2일이상의 기간 동안 측정된 휴지기 심박수들(즉, 구간 심박수들)의 평균값을 의미한다. 예를 들어, 5일간의 구간 평균 심박수는 제1일(first day)에 대응되는 휴지기 심박수들, 제2일(second day)에 대응되는 휴지기 심박수들, 제3일(third day)에 대응되는 휴지기 심박수들, 제4일(fourth day)에 대응되는 휴지기 심박수들 및 제5일(fifth day)에 대응되는 휴지기 심박수들의 평균값을 의미한다. 본 명세서에서 용어 "구간 심박수들의 평균(average of period heart rates)"는 "구간 평균 심박수"와 동일한 의미로 사용될 수 있다.As used herein, the term “period average heart rate” refers to the average value of resting heart rates (i.e., zone heart rates) measured over a period of two or more days. For example, the average heart rate over a 5-day period is the resting heart rates corresponding to the first day, the resting heart rates corresponding to the second day, and the resting heart rates corresponding to the third day. It means the average value of heart rates, resting heart rates corresponding to the fourth day, and resting heart rates corresponding to the fifth day. In this specification, the term “average of period heart rates” may be used with the same meaning as “average period heart rate.”
갑상선 호르몬thyroid hormones
본 명세서에서, 용어 "갑상선 호르몬(thyroid hormone)"은 갑상선(thyroid)에서 분비되는 호르몬인 티록신(thyroxine, T4) 또는 사요오드티로닌(tetraiodothyronine), T4가 혈청에 유리된 형태인 혈청 유리 T4(free T4) 뿐만 아니라, T4로부터 요오드가 떨어져 나가도록 전환된 삼요오드티로닌(triiodothyronine, T3), T3가 혈청에 유리된 형태인 혈청 유리 T3(free T3), 뇌하수체에서 분비되는 갑상선 자극 호르몬(Thyroid Stimulating Hormone, TSH), 그리고 갑상샘자극호르몬-방출 호르몬(Thyrotropin-Releasing Hormone, TRH)도 포함하는 의미이다.In this specification, the term "thyroid hormone" refers to thyroxine (T4) or tetraiodothyronine, which are hormones secreted by the thyroid gland, and serum free T4 (T4 in the form of T4 free in the serum). free T4), as well as triiodothyronine (T3), which is converted to remove iodine from T4, serum free T3 (free T3), which is a form of T3 that is free in the serum, and thyroid-stimulating hormone (Thyroid) secreted by the pituitary gland. It also includes Stimulating Hormone (TSH) and Thyrotropin-Releasing Hormone (TRH).
한편, 본 명세서에서, 용어 "호르몬"은 용어 "갑상선 호르몬"과 동일한 의미로 사용될 수 있다.Meanwhile, in this specification, the term “hormone” may be used with the same meaning as the term “thyroid hormone.”
갑상선기능항진증(hyperthyroidism)Hyperthyroidism
본 명세서에서, 용어 "갑상선기능항진증(hyperthyroidism)"은 갑상선에서 분비되는 호르몬들이 과다하게 생성, 분비되거나 그 외의 요인으로 혈중 갑상선호르몬 농도가 과도하게 높아지는 상태 및 그로 인하여 발생되는 임상병리학적인 증상들을 모두 일컫는다. In this specification, the term "hyperthyroidism" refers to a condition in which the concentration of thyroid hormones in the blood is excessively high due to excessive production or secretion of hormones secreted by the thyroid gland or other factors, as well as all clinicopathological symptoms resulting therefrom. It refers to
갑상선기능저하증(hypothyroidism)hypothyroidism
본 명세서에서, 용어 "갑상선기능저하증(hypothyroidism)"은 갑상선에서 분비되는 호르몬들이 과소하게 생성, 분비되거나 그 외의 요인으로 혈중 갑상선호르몬 농도가 과도하게 낮아지는 상태 및 그로 인하여 발생되는 임상병리학적인 증상들을 모두 일컫는다. In this specification, the term "hypothyroidism" refers to a condition in which hormones secreted by the thyroid gland are produced or secreted excessively or the concentration of thyroid hormones in the blood is excessively low due to other factors, as well as the clinicopathological symptoms resulting therefrom. It refers to everyone.
갑상선기능이상증(thyroid dysfunction)thyroid dysfunction
본 명세서에서, 용어 "갑상선기능이상증(thyroid dysfunction)"은 전술한 "갑상선기능저하증" 및 "갑상선기능항진증"을 모두 포함하는 의미이다.In this specification, the term “thyroid dysfunction” includes both the aforementioned “hypothyroidism” and “hyperthyroidism.”
2. 학습 방법2. How to learn
개요outline
본 출원의 출원인은 2017년에 전술한 종래기술의 문제를 해결하고 시장의 니즈에 부합하는 기술을 개발하고자, 심박수와 갑상선기능항진증의 상관관계에 기초하여, 환자의 갑상선 기능이 "정상"이라고 판단된 시점에 대응되는 심박수, 현재의 심박수를 주요 입력변수로 하여 환자의 현재상태가 갑상선의 기능이 정상인 상태인지 혹은 현재의 상태가 갑상선의 기능에 이상이 있는 상태인지(즉, 갑상선기능항진증 혹은 갑상선기능저하증 인지 여부)를 판단하는 방법 및 시스템에 관한 기술 개발을 완료하고 이에 관한 특허출원을 진행한 바 있다.In 2017, the applicant of this application determined that the patient's thyroid function was "normal" based on the correlation between heart rate and hyperthyroidism in order to solve the problems of the prior art and develop technology that meets the needs of the market. The heart rate corresponding to the point in time and the current heart rate are used as the main input variables to determine whether the patient's current state is a state with normal thyroid function or a state with abnormal thyroid function (i.e., hyperthyroidism or thyroid function). We have completed the development of technology and applied for a patent on a method and system for determining whether a patient has hypofunction.
그러나, 본 출원의 출원인이 개발하였던 기술에는 몇 가지 문제점이 존재하였다.However, there were several problems with the technology developed by the applicant of this application.
첫째, 사람마다 갑상선 기능이 정상인 상태에서의 심박수(미리 정해진 기간에 대한 구간 평균 심박수)가 다 다르기 때문에, 단순히 정상 상태일 때의 심박수와 현재 상태의 심박수를 인자(factor)로 하여 갑상선기능이상여부를 출력하는 함수를 도출하는 데에 어려움이 있었다.First, because each person's heart rate (average heart rate for a predetermined period) when thyroid function is normal is different for each person, the heart rate in a normal state and the heart rate in the current state are simply used as factors to determine whether thyroid function is abnormal. There was difficulty in deriving a function that outputs .
둘째, "정상"일 때의 심박수가 인자로 사용되기 때문에, 호르몬 수치를 검사한 날 "정상"이 아닌 "갑상선기능항진증" 또는 "갑상선기능저하증"으로 판단된 경우에는, 전술한 기술을 적용할 수 없다는 문제점이 있었다.Second, since the heart rate when “normal” is used as a factor, if the hormone level is judged to be “hyperthyroidism” or “hypothyroidism” instead of “normal” on the day of testing, the aforementioned technique cannot be applied. There was a problem that it couldn't be done.
전술한 문제점들로 인하여, 종래에 개발하였던 기술은 낮은 정확도 및 사용 상의 불편함 등으로 인해 지속적인 모니터링의 필요성을 요구하는 시장의 니즈를 충족시키기에는 부족함이 있었다.Due to the above-mentioned problems, previously developed technologies were insufficient to meet the needs of the market requiring continuous monitoring due to low accuracy and inconvenience in use.
이러한 문제점들을 극복하기 위하여, 본 출원인들은 본 명세서에 의해 개시되는 머신 러닝 기반의 갑상선기능이상 예측 모델을 제안한다.To overcome these problems, the present applicants propose a machine learning-based thyroid dysfunction prediction model disclosed by this specification.
또한, 본 출원인들은 갑상선기능이상 여부를 예측하는 예측모델을 학습시킴에 있어서, 개인화된 예측모델을 만들어 내기에는 여러 문제점이 있었기 때문에, 예측모델을 학습시키기 위한 데이터들의 속성을 분석하고, 이로부터 예측의 정확도를 높이기 위한 목적을 가지고 모델을 다양한 방식으로 학습을 시켜보았고, 이로부터 예측모델의 정확도를 높이기 위한 몇몇 유의미한 학습방법들을 확인하였고, 본 명세서를 통해 정확도를 높이기 위한 학습방법들을 개시한다.In addition, since the present applicants had several problems in creating a personalized prediction model when learning a prediction model that predicts thyroid dysfunction, they analyzed the properties of the data to learn the prediction model and made predictions from this. With the purpose of increasing the accuracy of the model, we trained the model in various ways. From this, we identified several meaningful learning methods to increase the accuracy of the prediction model, and through this specification, we disclose learning methods to increase the accuracy.
임상 데이터의 수집Collection of clinical data
본 출원에 의해 개시되는 예측 모델을 학습시키기 위한 기본적인 임상 데이터들을 수집한 방법에 대하여 먼저 설명한다.A method of collecting basic clinical data for learning the prediction model disclosed by this application will first be described.
(1) 갑상선기능항진증 또는 갑상선기능저하증을 겪고 있는 환자들이 선별된다.(1) Patients suffering from hyperthyroidism or hypothyroidism are selected.
(2) 선별된 환자들에 대한 개인 정보들이 획득된다. 예를 들어, 선별된 환자들의 성명, 성별, 나이, 몸무게, 키 등등을 포함한 환자들의 개인정보들이 획득된다.(2) Personal information about selected patients is obtained. For example, personal information of selected patients is obtained, including name, gender, age, weight, height, etc.
(3) 선별된 환자들 각각에게, 손목에 착용가능하고 환자들의 심박수를 측정할 수 있는 기능이 탑재된 웨어러블 디바이스가 제공된다.(3) Each selected patient is provided with a wearable device that can be worn on the wrist and is equipped with a function that can measure the patient's heart rate.
(4) 선별된 환자들 각각에 대하여, 선별된 환자들이 병원에 방문하여 갑상선 호르몬 검사를 하면, 환자들에게 제공되었던 웨어러블 디바이스에 의해 측정된 심박수들 중 상기 검사일에 대응되는 구간 심박수들(period heart rates)이 확보된다.(4) For each selected patient, when the selected patients visit the hospital and undergo a thyroid hormone test, among the heart rates measured by the wearable device provided to the patients, the period heart rate corresponding to the test date is calculated. rates) are secured.
(5) 선별된 환자들 각각에 대하여, 상기 검사일에 시행된 갑상선 호르몬들의 농도값들이 확보된다.(5) For each selected patient, the concentration values of thyroid hormones performed on the test date are obtained.
(6) 선별된 환자들 각각에 대하여, 상기 갑상선 호르몬 검사 결과에 기초하여, 의사의 상기 환자에 대한 진단 결과가 확보된다. 즉, 상기 갑상선 호르몬 검사 결과, 상기 환자가 갑상선기능항진증, 갑상선기능저하증 및 정상 중 어떤 상태인지 여부가 확보된다.(6) For each of the selected patients, based on the thyroid hormone test results, a doctor's diagnosis result for the patient is secured. That is, as a result of the thyroid hormone test, it is confirmed whether the patient has hyperthyroidism, hypothyroidism, or normal condition.
결과적으로, 한 명의 환자가 갑상선 호르몬 검사를 1회 받게 되면, i) 환자의 개인정보, ii) 검사일, iii) 검사일에 대응되는 구간 심박수, iv) 검사일에 시행된 검사에 따른 갑상선 호르몬들의 농도, v) 상기 검사일에 시행된 검사 결과에 따른 갑상선기능이상여부에 대한 의사의 진단결과를 포함하는 하나의 데이터 세트가 확보될 수 있다.As a result, when a patient undergoes a thyroid hormone test once, i) the patient's personal information, ii) the test date, iii) the zone heart rate corresponding to the test date, iv) the concentration of thyroid hormones according to the test performed on the test day, v) One data set containing the doctor's diagnosis of thyroid dysfunction according to the results of the test performed on the above test date can be secured.
즉, 100명의 환자들로부터 한 환자 당 평균 4번의 호르몬 검사결과에 따른 데이터 세트들이 확보된다면, 총 400개의 데이터세트들이 확보될 수 있으며, 300명의 환자들로부터 한 환자 당 평균 3번의 호르몬 검사결과에 따른 데이터 세트들이 확보된다면, 총 900개의 데이터 세트들이 확보될 수 있다.In other words, if data sets based on an average of 4 hormone test results per patient are obtained from 100 patients, a total of 400 data sets can be obtained, and if data sets are obtained based on an average of 3 hormone test results per patient from 300 patients, If the corresponding data sets are secured, a total of 900 data sets can be secured.
갑상선기능이상을 겪고 있는 환자들은 3개월에 한 번씩 병원에 방문하여 호르몬 수치검사를 위한 채혈검사를 할 것을 권고 받는다. 따라서, 기본적으로 전술한 방식으로 데이터 세트들을 충분히 확보를 하려면, 데이터 세트의 수집 대상이 되는 환자들의 수를 늘리거나 혹은 환자 당 데이터 세트를 확보하는 기간을 수년 이상으로 늘려야 한다. 즉, 많은 비용이 투입되거나 혹은 많은 시간이 투입되어야만 갑상선기능이상에 관련된 많은 임상 데이터들이 확보될 수 있는 것이 현재의 실정이다.Patients suffering from thyroid dysfunction are advised to visit the hospital once every three months and have a blood sample taken to test hormone levels. Therefore, in order to secure sufficient data sets in the above-described manner, the number of patients subject to data set collection must be increased or the period for securing data sets per patient must be extended to several years or more. In other words, the current situation is that a lot of clinical data related to thyroid dysfunction can be secured only when a lot of money or a lot of time is invested.
학습방법 실시예#1. 기준일 심박수와의 차이값과 기준일의 호르몬값Learning method example #1. Difference value from heart rate on reference day and hormone value on reference day
본 출원에 의해 개시되는 제1 실시예에 따르면, 학습 모델을 학습시키기 위하여, 제1 검사일에 대응되는 구간 평균 심박수에서 제2 검사일에 대응되는 구간 평균 심박수를 뺀 값 및 제2 검사일의 호르몬 농도를 입력값으로 사용하고, 상기 제1 검사일에 대응되어 있는 진단 결과를 라벨링값으로 사용할 수 있다. According to the first embodiment disclosed by the present application, in order to learn a learning model, the value obtained by subtracting the section average heart rate corresponding to the second test day from the section average heart rate corresponding to the first test day and the hormone concentration of the second test day It can be used as an input value, and the diagnosis result corresponding to the first inspection date can be used as a labeling value.
이때, 상기 학습 모델은 light gradient boosting machine, support vector machine, random forest, extra trees, ada boost, extreme gradient boosting, CatBoost 등을 포함하는 분류 모델들이 사용될 수 있다. At this time, classification models including light gradient boosting machine, support vector machine, random forest, extra trees, ada boost, extreme gradient boosting, CatBoost, etc. may be used as the learning model.
상기 학습 모델은 갑상선기능항진증을 예측하기 위한 항진증 예측 모델(hyperthyroidism prediction model)과 갑상선기능저하증을 예측하기 위한 저하증 예측 모델(hypothyroidism prediction model)을 포함한다.The learning model includes a hyperthyroidism prediction model for predicting hyperthyroidism and a hypothyroidism prediction model for predicting hypothyroidism.
제1 실시예에 따라 항진증 예측 모델을 학습시킬 때, 확보한 모든 임상데이터가 활용될 수는 없고, 진단결과에 적어도 한번 이상 갑상선기능항진증 진단을 받은 환자들의 임상 데이터들만 학습 데이터로 사용될 수 있다.When learning a hyperthyroidism prediction model according to the first embodiment, not all obtained clinical data can be used, and only clinical data of patients who have been diagnosed with hyperthyroidism at least once can be used as learning data.
이하에서는, 설명의 편의를 위하여, 진단결과에서 적어도 한번 이상 갑상선기능항진증 진단을 받은 적이 있는 환자는 '항진증 환자(hyperthyroidism patient)'라고 지칭할 수 있다.Hereinafter, for convenience of explanation, a patient who has been diagnosed with hyperthyroidism at least once in the diagnostic results may be referred to as a 'hyperthyroidism patient.'
한편, 구간 평균 심박수를 산출함에 있어서, 특정일을 기준으로 미리 정해진 기간 동안의 휴지기 심박수들을 활용할 수 있으며, 이 때 상기 미리 정해진 기간은 1, 2, 3, 4, 5, 6, 7, 8, 9, 10, 11, 12, 13, 14, 15, 16, 17, 18, 19, 20, 21, 22, 23, 24, 25, 26, 27, 28, 29 및 30일 중 하나일 수 있다.Meanwhile, in calculating the section average heart rate, resting heart rates during a predetermined period based on a specific day can be used, where the predetermined period is 1, 2, 3, 4, 5, 6, 7, 8, It can be one of the following days: 9, 10, 11, 12, 13, 14, 15, 16, 17, 18, 19, 20, 21, 22, 23, 24, 25, 26, 27, 28, 29, and 30.
제1 실시예에 따라, 항진증 예측 모델을 학습시키기 위하여, 항진증 환자들의 임상 데이터들을 이용하여 [(제1 검사일에 대응되는 구간 평균 심박수 - 제2 검사일에 대응되는 구간 평균 심박수), 제2 검사일에 대응되는 갑상선 호르몬 농도, 제1 검사일에 대응되는 진단결과(항진 또는 항진아님)]와 같은 포맷의 학습 데이터 세트들이 생성될 수 있다.According to the first embodiment, in order to learn a hyperactivity disorder prediction model, clinical data of patients with hyperactivity were used [(interval average heart rate corresponding to the first examination day - interval average heart rate corresponding to the second examination day), on the second examination day. Learning data sets in the following format can be created: corresponding thyroid hormone concentration, diagnosis result (hyperactivity or non-hyperactivity) corresponding to the first test date.
예를 들어, 제1 항진증 환자로부터 획득한 데이터 세트들은 총 3개이고, 첫번째 검사에 대한 진단결과는 '항진'이며, 이때 호르몬 농도는 제1 농도였고, 두번째 검사에 대한 진단 결과는 '정상'이며, 이때 호르몬 농도는 제2 농도였고, 세번째 검사에 대한 진단 결과는 '정상'이며, 이때 호르몬 농도는 제3 농도였다고 가정한다면, 상기 제1 항진증 환자의 임상데이터로부터 확보할 수 있는 학습 데이터세트들은 다음과 같이 생성될 수 있다.For example, there are a total of 3 data sets obtained from a patient with hyperactivity disorder 1, the diagnosis result for the first test is 'hyperactivity', the hormone concentration at this time was the first concentration, and the diagnosis result for the second test is 'normal'. , At this time, the hormone concentration was the second concentration, the diagnostic result for the third test was 'normal', and assuming that the hormone concentration at this time was the third concentration, the learning datasets that can be obtained from the clinical data of the first hyperactivity disorder patient are It can be created as follows:
[(제1 검사일에 대응되는 구간 평균 심박수 - 제2 검사일에 대응되는 구간 평균 심박수), 제2 농도, 항진], [(section average heart rate corresponding to the first test day - section average heart rate corresponding to the second test day), second concentration, hyperactivity],
[(제1 검사일에 대응되는 구간 평균 심박수 - 제3 검사일에 대응되는 구간 평균 심박수), 제3 농도, 항진], [(section average heart rate corresponding to the first test day - section average heart rate corresponding to the third test day), third concentration, hyperactivity],
[(제2 검사일에 대응되는 구간 평균 심박수 - 제1 검사일에 대응되는 구간 평균 심박수), 제1 농도, 항진아님],[(interval average heart rate corresponding to the second test day - interval average heart rate corresponding to the first test day), first concentration, no hyperactivity],
*[(제2 검사일에 대응되는 구간 평균 심박수 - 제3 검사일에 대응되는 구간 평균 심박수), 제3 농도, 항진아님],*[(interval average heart rate corresponding to the second test day - interval average heart rate corresponding to the third test day), third concentration, no hyperactivity],
[(제3 검사일에 대응되는 구간 평균 심박수 - 제1 검사일에 대응되는 구간 평균 심박수), 제1 농도, 항진아님], 및[(interval average heart rate corresponding to the third test day - interval average heart rate corresponding to the first test day), first concentration, no hyperactivity], and
[(제3 검사일에 대응되는 구간 평균 심박수 - 제2 검사일에 대응되는 구간 평균 심박수), 제2 농도, 항진아님],[(interval average heart rate corresponding to the third test day - interval average heart rate corresponding to the second test day), second concentration, no hyperactivity],
다른 예를 들어, 제2 항진증 환자로부터 획득한 데이터 세트들은 총 4개이고, 첫번째 검사에 대한 진단결과는 '항진'이며, 이때 호르몬 농도는 제1 농도였고, 두번째 검사에 대한 진단 결과는 '정상'이며, 이때 호르몬 농도는 제2 농도였으며, 세번째 검사에 대한 진단결과는 '항진'이며, 이때 호르몬 농도는 제3 농도였으며, 네번째 검사에 대한 진단 결과는 '정상'이며, 이때 호르몬 농도는 제4 농도였다고 가정한다면, 상기 제2 항진증 환자의 임상데이터로부터 확보할 수 있는 학습 데이터세트들은 다음과 같이 생성될 수 있다.For another example, there are a total of 4 data sets obtained from patients with secondary hyperactivity disorder, the diagnostic result for the first test is 'hyperactivity', the hormone concentration at this time was the first concentration, and the diagnostic result for the second test is 'normal'. At this time, the hormone concentration was the second concentration, and the diagnosis result for the third test was 'hyperactivity'. At this time, the hormone concentration was the third concentration, and the diagnosis result for the fourth test was 'normal'. At this time, the hormone concentration was the fourth test. Assuming that the concentration was the same, learning datasets that can be obtained from the clinical data of the second hyperactivity disorder patient can be created as follows.
[(제1 검사일에 대응되는 구간 평균 심박수 - 제2 검사일에 대응되는 구간 평균 심박수), 제2 농도, 항진], [(section average heart rate corresponding to the first test day - section average heart rate corresponding to the second test day), second concentration, hyperactivity],
[(제1 검사일에 대응되는 구간 평균 심박수 - 제3 검사일에 대응되는 구간 평균 심박수), 제3 농도, 항진], [(section average heart rate corresponding to the first test day - section average heart rate corresponding to the third test day), third concentration, hyperactivity],
[(제1 검사일에 대응되는 구간 평균 심박수 - 제4 검사일에 대응되는 구간 평균 심박수), 제4 농도, 항진], [(section average heart rate corresponding to the first test day - section average heart rate corresponding to the fourth test day), fourth concentration, hyperactivity],
[(제2 검사일에 대응되는 구간 평균 심박수 - 제1 검사일에 대응되는 구간 평균 심박수), 제1 농도, 항진아님], [(interval average heart rate corresponding to the second test day - interval average heart rate corresponding to the first test day), first concentration, no hyperactivity],
[(제2 검사일에 대응되는 구간 평균 심박수 - 제3 검사일에 대응되는 구간 평균 심박수), 제3 농도, 항진아님], [(interval average heart rate corresponding to the second test day - interval average heart rate corresponding to the third test day), third concentration, no hyperactivity],
[(제2 검사일에 대응되는 구간 평균 심박수 - 제4 검사일에 대응되는 구간 평균 심박수), 제4 농도, 항진아님],[(interval average heart rate corresponding to the second test day - interval average heart rate corresponding to the fourth test day), fourth concentration, no hyperactivity],
[(제3 검사일에 대응되는 구간 평균 심박수 - 제1 검사일에 대응되는 구간 평균 심박수), 제1 농도, 항진], [(section average heart rate corresponding to the third test day - section average heart rate corresponding to the first test day), first concentration, hyperactivity],
[(제3 검사일에 대응되는 구간 평균 심박수 - 제2 검사일에 대응되는 구간 평균 심박수), 제2 농도, 항진], [(section average heart rate corresponding to the third test day - section average heart rate corresponding to the second test day), second concentration, hyperactivity],
[(제3 검사일에 대응되는 구간 평균 심박수 - 제4 검사일에 대응되는 구간 평균 심박수), 제4 농도, 항진], [(section average heart rate corresponding to the 3rd test day - section average heart rate corresponding to the 4th test day), 4th concentration, hyperactivity],
[(제4 검사일에 대응되는 구간 평균 심박수 - 제1 검사일에 대응되는 구간 평균 심박수), 제1 농도, 항진아님], [(interval average heart rate corresponding to the fourth test day - interval average heart rate corresponding to the first test day), first concentration, no hyperactivity],
[(제4 검사일에 대응되는 구간 평균 심박수 - 제2 검사일에 대응되는 구간 평균 심박수), 제2 농도, 항진아님], 및 [(interval average heart rate corresponding to the fourth test day - interval average heart rate corresponding to the second test day), second concentration, no hyperactivity], and
[(제4 검사일에 대응되는 구간 평균 심박수 - 제3 검사일에 대응되는 구간 평균 심박수), 제3 농도, 항진아님],[(interval average heart rate corresponding to the 4th test day - interval average heart rate corresponding to the 3rd test day), 3rd concentration, no hyperactivity],
제1 실시예에 따라, 저하증 예측 모델을 학습시킬 때 확보한 모든 임상데이터가 활용될 수는 없고, 진단결과에 적어도 한번 이상 갑상선기능저하증 진단을 받은 환자들의 임상 데이터들만 학습 데이터로 사용될 수 있다.According to the first embodiment, not all clinical data obtained when learning a hypothyroidism prediction model can be used, and only clinical data of patients who have been diagnosed with hypothyroidism at least once can be used as learning data.
이하에서는, 설명의 편의를 위하여, 진단결과에서 적어도 한번 이상 갑상선기능저하증 진단을 받은 적이 있는 환자는 '저하증 환자(hypothyroidism patient)'라고 지칭할 수 있다.Hereinafter, for convenience of explanation, a patient who has been diagnosed with hypothyroidism at least once in the diagnostic results may be referred to as a 'hypothyroidism patient.'
제1 실시예에 따라, 저하증 예측 모델을 학습시키기 위하여, 저하증 환자들의 임상 데이터들을 이용하여 [(제1 검사일에 대응되는 구간 평균 심박수 - 제2 검사일에 대응되는 구간 평균 심박수), 제2 검사일에 대응되는 갑상선 호르몬 농도, 제1 검사일에 대응되는 진단결과(저하 또는 저하아님)]와 같은 포맷의 학습 데이터 세트들이 생성될 수 있다.According to the first embodiment, in order to learn a hypothyroidism prediction model, clinical data of patients with hypothyroidism were used to calculate [(interval average heart rate corresponding to the first examination day - interval average heart rate corresponding to the second examination day), on the second examination day. Learning data sets in the following format can be created: corresponding thyroid hormone concentration, diagnostic result (low or not low) corresponding to the first test date.
예를 들어, 제1 저하증 환자로부터 획득한 데이터 세트들은 총 3개이고, 첫번째 검사에 대한 진단결과는 '저하'이며, 이때 호르몬 농도는 제1 농도였고, 두번째 검사에 대한 진단 결과는 '정상'이며, 이때 호르몬 농도는 제2 농도였고, 세번째 검사에 대한 진단 결과는 '정상'이며, 이때 호르몬 농도는 제3 농도였다고 가정한다면, 상기 제1 저하증 환자의 임상데이터로부터 확보할 수 있는 학습 데이터세트들은 다음과 같이 생성될 수 있다.For example, there are a total of 3 data sets obtained from a patient with first hypothyroidism, and the diagnostic result for the first test is 'low', the hormone concentration at this time was the first concentration, and the diagnostic result for the second test is 'normal'. , At this time, the hormone concentration was the second concentration, the diagnostic result for the third test was 'normal', and assuming that the hormone concentration at this time was the third concentration, the learning datasets that can be obtained from the clinical data of the first hypothyroidism patient are It can be created as follows:
[(제1 검사일에 대응되는 구간 평균 심박수 - 제2 검사일에 대응되는 구간 평균 심박수), 제2 농도, 저하], [(interval average heart rate corresponding to the first test day - interval average heart rate corresponding to the second test day), second concentration, decline],
[(제1 검사일에 대응되는 구간 평균 심박수 - 제3 검사일에 대응되는 구간 평균 심박수), 제3 농도, 저하], [(interval average heart rate corresponding to the first test day - interval average heart rate corresponding to the third test day), third concentration, decline],
[(제2 검사일에 대응되는 구간 평균 심박수 - 제1 검사일에 대응되는 구간 평균 심박수), 제1 농도, 저하아님],[(interval average heart rate corresponding to the second test day - interval average heart rate corresponding to the first test day), first concentration, not low],
*[(제2 검사일에 대응되는 구간 평균 심박수 - 제3 검사일에 대응되는 구간 평균 심박수), 제3 농도, 저하아님],*[(interval average heart rate corresponding to the second test day - interval average heart rate corresponding to the third test day), third concentration, not low],
[(제3 검사일에 대응되는 구간 평균 심박수 - 제1 검사일에 대응되는 구간 평균 심박수), 제1 농도, 저하아님], 및[(interval average heart rate corresponding to the third test day - interval average heart rate corresponding to the first test day), first concentration, not low], and
[(제3 검사일에 대응되는 구간 평균 심박수 - 제2 검사일에 대응되는 구간 평균 심박수), 제2 농도, 저하아님],[(interval average heart rate corresponding to the third test day - interval average heart rate corresponding to the second test day), second concentration, not low],
다른 예를 들어, 제2 저하증 환자로부터 획득한 데이터 세트들은 총 4개이고, 첫번째 검사에 대한 진단결과는 '저하'이며, 이때 호르몬 농도는 제1 농도였고, 두번째 검사에 대한 진단 결과는 '정상'이며, 이때 호르몬 농도는 제2 농도였으며, 세번째 검사에 대한 진단결과는 '저하'이며, 이때 호르몬 농도는 제3 농도였으며, 네번째 검사에 대한 진단 결과는 '정상'이며, 이때 호르몬 농도는 제4 농도였다고 가정한다면, 상기 제2 저하증 환자의 임상데이터로부터 확보할 수 있는 학습 데이터세트들은 다음과 같이 생성될 수 있다.For another example, there are a total of 4 data sets obtained from patients with secondary hypothyroidism, and the diagnostic result for the first test is 'low', the hormone concentration at this time was the first concentration, and the diagnostic result for the second test is 'normal'. At this time, the hormone concentration was the second concentration, and the diagnosis result for the third test was 'decreased'. At this time, the hormone concentration was the third concentration, and the diagnosis result for the fourth test was 'normal'. At this time, the hormone concentration was the fourth test. Assuming that it was the concentration, learning datasets that can be obtained from the clinical data of the second hypothyroidism patient can be created as follows.
[(제1 검사일에 대응되는 구간 평균 심박수 - 제2 검사일에 대응되는 구간 평균 심박수), 제2 농도, 저하], [(interval average heart rate corresponding to the first test day - interval average heart rate corresponding to the second test day), second concentration, decline],
[(제1 검사일에 대응되는 구간 평균 심박수 - 제3 검사일에 대응되는 구간 평균 심박수), 제3 농도, 저하], [(interval average heart rate corresponding to the first test day - interval average heart rate corresponding to the third test day), third concentration, decline],
[(제1 검사일에 대응되는 구간 평균 심박수 - 제4 검사일에 대응되는 구간 평균 심박수), 제4 농도, 저하], [(interval average heart rate corresponding to the first test day - interval average heart rate corresponding to the fourth test day), fourth concentration, decline],
[(제2 검사일에 대응되는 구간 평균 심박수 - 제1 검사일에 대응되는 구간 평균 심박수), 제1 농도, 저하아님], [(interval average heart rate corresponding to the second test day - interval average heart rate corresponding to the first test day), first concentration, not low],
[(제2 검사일에 대응되는 구간 평균 심박수 - 제3 검사일에 대응되는 구간 평균 심박수), 제3 농도, 저하아님], [(interval average heart rate corresponding to the second test day - interval average heart rate corresponding to the third test day), third concentration, not low],
[(제2 검사일에 대응되는 구간 평균 심박수 - 제4 검사일에 대응되는 구간 평균 심박수), 제4 농도, 저하아님],[(interval average heart rate corresponding to the second test day - interval average heart rate corresponding to the fourth test day), fourth concentration, not low],
[(제3 검사일에 대응되는 구간 평균 심박수 - 제1 검사일에 대응되는 구간 평균 심박수), 제1 농도, 저하], [(interval average heart rate corresponding to the third test day - interval average heart rate corresponding to the first test day), first concentration, decline],
[(제3 검사일에 대응되는 구간 평균 심박수 - 제2 검사일에 대응되는 구간 평균 심박수), 제2 농도, 저하], [(interval average heart rate corresponding to the third test day - interval average heart rate corresponding to the second test day), second concentration, decline],
[(제3 검사일에 대응되는 구간 평균 심박수 - 제4 검사일에 대응되는 구간 평균 심박수), 제4 농도, 저하], [(interval average heart rate corresponding to the third test day - interval average heart rate corresponding to the fourth test day), fourth concentration, decline],
[(제4 검사일에 대응되는 구간 평균 심박수 - 제1 검사일에 대응되는 구간 평균 심박수), 제1 농도, 저하아님], [(interval average heart rate corresponding to the fourth test day - interval average heart rate corresponding to the first test day), first concentration, not low],
[(제4 검사일에 대응되는 구간 평균 심박수 - 제2 검사일에 대응되는 구간 평균 심박수), 제2 농도, 저하아님], 및 [(interval average heart rate corresponding to the fourth test day - interval average heart rate corresponding to the second test day), second concentration, not low], and
[(제4 검사일에 대응되는 구간 평균 심박수 - 제3 검사일에 대응되는 구간 평균 심박수), 제3 농도, 저하아님],[(interval average heart rate corresponding to the 4th test day - interval average heart rate corresponding to the 3rd test day), 3rd concentration, not low],
제1 실시예에 있어서, 호르몬 농도는 T4의 농도, free T4의 농도, T3의 농도, free T3의 농도, TSH의 농도 및 갑상샘자극호르몬방출호르몬(Thyrotropin-Releasing Hormone, TRH)의 농도로 이루어진 그룹에서 선택된 하나 또는 이들의 조합일 수도 있다.In the first embodiment, the hormone concentration is a group consisting of T4 concentration, free T4 concentration, T3 concentration, free T3 concentration, TSH concentration, and Thyrotropin-Releasing Hormone (TRH) concentration. It may be one selected from or a combination thereof.
학습방법 실시예#2. 기준일 심박수와의 차이값, 대상일 구간 평균 심박수와 기준일의 호르몬값Learning method example #2. Difference value from the heart rate on the reference day, average heart rate in the section on the target day, and hormone value on the reference day
본 출원에 의해 개시되는 제2 실시예에 따르면, 학습 모델을 학습시키기 위하여, 제1 검사일에 대응되는 구간 평균 심박수에서 제2 검사일에 대응되는 구간 평균 심박수를 뺀 값, 제2 검사일의 호르몬 농도 및 제1 검사일에 대응되는 구간 평균 심박수를 입력값으로 사용하고, 상기 제1 검사일에 대응되어 있는 진단 결과를 라벨링값으로 사용할 수 있다. According to the second embodiment disclosed by the present application, in order to learn a learning model, the section average heart rate corresponding to the first test day is subtracted from the section average heart rate corresponding to the second test day, the hormone concentration on the second test day, and The section average heart rate corresponding to the first test date can be used as an input value, and the diagnosis result corresponding to the first test date can be used as a labeling value.
이때, 상기 학습 모델은 light gradient boosting machine, support vector machine, random forest, extra trees, ada boost, extreme gradient boosting, CatBoost 등을 포함하는 분류 모델들이 사용될 수 있다.At this time, classification models including light gradient boosting machine, support vector machine, random forest, extra trees, ada boost, extreme gradient boosting, CatBoost, etc. may be used as the learning model.
상기 학습 모델은 갑상선기능항진증을 예측하기 위한 항진증 예측 모델(hyperthyroidism prediction model)과 갑상선기능저하증을 예측하기 위한 저하증 예측 모델(hypothyroidism prediction model)을 포함한다.The learning model includes a hyperthyroidism prediction model for predicting hyperthyroidism and a hypothyroidism prediction model for predicting hypothyroidism.
제2 실시예에 따라, 항진증 예측 모델을 학습시킬 때, 확보한 모든 임상데이터가 활용될 수는 없고, 진단결과에 적어도 한번 이상 갑상선기능항진증 진단을 받은 환자들의 임상 데이터들만 학습 데이터로 사용될 수 있다.According to the second embodiment, when learning a hyperthyroidism prediction model, not all obtained clinical data can be used, and only clinical data of patients who have been diagnosed with hyperthyroidism at least once in the diagnosis results can be used as learning data. .
이하에서는, 설명의 편의를 위하여, 진단결과에서 적어도 한번 이상 갑상선기능항진증 진단을 받은 적이 있는 환자는 '항진증 환자(hyperthyroidism patient)'라고 지칭할 수 있다.Hereinafter, for convenience of explanation, a patient who has been diagnosed with hyperthyroidism at least once in the diagnostic results may be referred to as a 'hyperthyroidism patient.'
한편, 구간 평균 심박수를 산출함에 있어서, 특정일을 기준으로 미리 정해진 기간 동안의 휴지기 심박수들을 활용할 수 있으며, 이 때 상기 미리 정해진 기간은 1, 2, 3, 4, 5, 6, 7, 8, 9, 10, 11, 12, 13, 14, 15, 16, 17, 18, 19, 20, 21, 22, 23, 24, 25, 26, 27, 28, 29 및 30일 중 하나일 수 있다.Meanwhile, in calculating the section average heart rate, resting heart rates during a predetermined period based on a specific day can be used, where the predetermined period is 1, 2, 3, 4, 5, 6, 7, 8, It can be one of the following days: 9, 10, 11, 12, 13, 14, 15, 16, 17, 18, 19, 20, 21, 22, 23, 24, 25, 26, 27, 28, 29, and 30.
제2 실시예에 따라, 항진증 예측 모델을 학습시키기 위하여, 항진증 환자들의 임상 데이터들을 이용하여 [(제1 검사일에 대응되는 구간 평균 심박수 - 제2 검사일에 대응되는 구간 평균 심박수), 제1 검사일에 대응되는 구간 평균 심박수, 제2 검사일에 대응되는 갑상선 호르몬 농도, 제1 검사일에 대응되는 진단결과(항진 또는 항진아님)]와 같은 포맷의 학습 데이터 세트들이 생성될 수 있다.According to a second embodiment, in order to learn a hyperactivity disorder prediction model, clinical data of patients with hyperactivity were used [(interval average heart rate corresponding to the first examination day - interval average heart rate corresponding to the second examination day), on the first examination day. Learning data sets in a format such as the corresponding section average heart rate, thyroid hormone concentration corresponding to the second test date, and diagnosis result (hyperactivity or not hyperactivity) corresponding to the first test day can be created.
예를 들어, 제1 항진증 환자로부터 획득한 데이터 세트들은 총 3개이고, 첫번째 검사에 대한 진단결과는 '항진'이며, 이때 호르몬 농도는 제1 농도였고, 두번째 검사에 대한 진단 결과는 '정상'이며, 이때 호르몬 농도는 제2 농도였고, 세번째 검사에 대한 진단 결과는 '정상'이며, 이때 호르몬 농도는 제3 농도였다고 가정한다면, 상기 제1 항진증 환자의 임상데이터로부터 확보할 수 있는 학습 데이터세트들은 다음과 같이 생성될 수 있다.For example, there are a total of 3 data sets obtained from a patient with hyperactivity disorder 1, the diagnosis result for the first test is 'hyperactivity', the hormone concentration at this time was the first concentration, and the diagnosis result for the second test is 'normal'. , At this time, the hormone concentration was the second concentration, the diagnostic result for the third test was 'normal', and assuming that the hormone concentration at this time was the third concentration, the learning datasets that can be obtained from the clinical data of the first hyperactivity disorder patient are It can be created as follows:
[(제1 검사일에 대응되는 구간 평균 심박수 - 제2 검사일에 대응되는 구간 평균 심박수), 제1 검사일에 대응되는 구간 평균 심박수, 제2 농도, 항진], [(section average heart rate corresponding to the first test day - section average heart rate corresponding to the second test day), section average heart rate corresponding to the first test day, second concentration, hyperactivity],
[(제1 검사일에 대응되는 구간 평균 심박수 - 제3 검사일에 대응되는 구간 평균 심박수), 제1 검사일에 대응되는 구간 평균 심박수, 제3 농도, 항진], [(section average heart rate corresponding to the first test day - section average heart rate corresponding to the third test day), section average heart rate corresponding to the first test day, third concentration, hyperactivity],
[(제2 검사일에 대응되는 구간 평균 심박수 - 제1 검사일에 대응되는 구간 평균 심박수), 제2 검사일에 대응되는 구간 평균 심박수, 제1 농도, 항진아님],[(section average heart rate corresponding to the second test day - section average heart rate corresponding to the first test day), section average heart rate corresponding to the second test day, first concentration, no hyperactivity],
[(제2 검사일에 대응되는 구간 평균 심박수 - 제3 검사일에 대응되는 구간 평균 심박수), 제2 검사일에 대응되는 구간 평균 심박수, 제3 농도, 항진아님],[(section average heart rate corresponding to the second test day - section average heart rate corresponding to the third test day), section average heart rate corresponding to the second test day, third concentration, no hyperactivity],
[(제3 검사일에 대응되는 구간 평균 심박수 - 제1 검사일에 대응되는 구간 평균 심박수), 제3 검사일에 대응되는 구간 평균 심박수, 제1 농도, 항진아님], 및[(section average heart rate corresponding to the third test day - section average heart rate corresponding to the first test day), section average heart rate corresponding to the third test day, first concentration, no hyperactivity], and
[(제3 검사일에 대응되는 구간 평균 심박수 - 제2 검사일에 대응되는 구간 평균 심박수), 제3 검사일에 대응되는 구간 평균 심박수, 제2 농도, 항진아님],[(section average heart rate corresponding to the third test day - section average heart rate corresponding to the second test day), section average heart rate corresponding to the third test day, second concentration, no hyperactivity],
다른 예를 들어, 제2 항진증 환자로부터 획득한 데이터 세트들은 총 4개이고, 첫번째 검사에 대한 진단결과는 '항진'이며, 이때 호르몬 농도는 제1 농도였고, 두번째 검사에 대한 진단 결과는 '정상'이며, 이때 호르몬 농도는 제2 농도였으며, 세번째 검사에 대한 진단결과는 '항진'이며, 이때 호르몬 농도는 제3 농도였으며, 네번째 검사에 대한 진단 결과는 '정상'이며, 이때 호르몬 농도는 제4 농도였다고 가정한다면, 상기 제2 항진증 환자의 임상데이터로부터 확보할 수 있는 학습 데이터세트들은 다음과 같이 생성될 수 있다.For another example, there are a total of 4 data sets obtained from patients with secondary hyperactivity disorder, the diagnostic result for the first test is 'hyperactivity', the hormone concentration at this time was the first concentration, and the diagnostic result for the second test is 'normal'. At this time, the hormone concentration was the second concentration, and the diagnosis result for the third test was 'hyperactivity'. At this time, the hormone concentration was the third concentration, and the diagnosis result for the fourth test was 'normal'. At this time, the hormone concentration was the fourth test. Assuming that the concentration was the same, learning datasets that can be obtained from the clinical data of the second hyperactivity disorder patient can be created as follows.
[(제1 검사일에 대응되는 구간 평균 심박수 - 제2 검사일에 대응되는 구간 평균 심박수), 제1 검사일에 대응되는 구간 평균 심박수, 제2 농도, 항진], [(section average heart rate corresponding to the first test day - section average heart rate corresponding to the second test day), section average heart rate corresponding to the first test day, second concentration, hyperactivity],
[(제1 검사일에 대응되는 구간 평균 심박수 - 제3 검사일에 대응되는 구간 평균 심박수), 제1 검사일에 대응되는 구간 평균 심박수, 제3 농도, 항진], [(section average heart rate corresponding to the first test day - section average heart rate corresponding to the third test day), section average heart rate corresponding to the first test day, third concentration, hyperactivity],
[(제1 검사일에 대응되는 구간 평균 심박수 - 제4 검사일에 대응되는 구간 평균 심박수), 제1 검사일에 대응되는 구간 평균 심박수, 제4 농도, 항진], [(section average heart rate corresponding to the first test day - section average heart rate corresponding to the fourth test day), section average heart rate corresponding to the first test day, fourth concentration, hyperactivity],
[(제2 검사일에 대응되는 구간 평균 심박수 - 제1 검사일에 대응되는 구간 평균 심박수), 제2 검사일에 대응되는 구간 평균 심박수, 제1 농도, 항진아님], [(section average heart rate corresponding to the second test day - section average heart rate corresponding to the first test day), section average heart rate corresponding to the second test day, first concentration, no hyperactivity],
[(제2 검사일에 대응되는 구간 평균 심박수 - 제3 검사일에 대응되는 구간 평균 심박수), 제2 검사일에 대응되는 구간 평균 심박수, 제3 농도, 항진아님], [(section average heart rate corresponding to the second test day - section average heart rate corresponding to the third test day), section average heart rate corresponding to the second test day, third concentration, no hyperactivity],
[(제2 검사일에 대응되는 구간 평균 심박수 - 제4 검사일에 대응되는 구간 평균 심박수), 제2 검사일에 대응되는 구간 평균 심박수, 제4 농도, 항진아님],[(section average heart rate corresponding to the second test day - section average heart rate corresponding to the fourth test day), section average heart rate corresponding to the second test day, fourth concentration, no hyperactivity],
[(제3 검사일에 대응되는 구간 평균 심박수 - 제1 검사일에 대응되는 구간 평균 심박수), 제3 검사일에 대응되는 구간 평균 심박수, 제1 농도, 항진], [(section average heart rate corresponding to the third test day - section average heart rate corresponding to the first test day), section average heart rate corresponding to the third test day, first concentration, hyperactivity],
[(제3 검사일에 대응되는 구간 평균 심박수 - 제2 검사일에 대응되는 구간 평균 심박수), 제3 검사일에 대응되는 구간 평균 심박수, 제2 농도, 항진], [(section average heart rate corresponding to the third test day - section average heart rate corresponding to the second test day), section average heart rate corresponding to the third test day, second concentration, hyperactivity],
[(제3 검사일에 대응되는 구간 평균 심박수 - 제4 검사일에 대응되는 구간 평균 심박수), 제3 검사일에 대응되는 구간 평균 심박수, 제4 농도, 항진], [(section average heart rate corresponding to the third test day - section average heart rate corresponding to the fourth test day), section average heart rate corresponding to the third test day, fourth concentration, hyperactivity],
[(제4 검사일에 대응되는 구간 평균 심박수 - 제1 검사일에 대응되는 구간 평균 심박수), 제4 검사일에 대응되는 구간 평균 심박수, 제1 농도, 항진아님], [(section average heart rate corresponding to the 4th test day - section average heart rate corresponding to the 1st test day), section average heart rate corresponding to the 4th test day, first concentration, no hyperactivity],
[(제4 검사일에 대응되는 구간 평균 심박수 - 제2 검사일에 대응되는 구간 평균 심박수), 제4 검사일에 대응되는 구간 평균 심박수, 제2 농도, 항진아님], 및 [(section average heart rate corresponding to the fourth test day - section average heart rate corresponding to the second test day), section average heart rate corresponding to the fourth test day, second concentration, no hyperactivity], and
[(제4 검사일에 대응되는 구간 평균 심박수 - 제3 검사일에 대응되는 구간 평균 심박수), 제4 검사일에 대응되는 구간 평균 심박수, 제3 농도, 항진아님],[(section average heart rate corresponding to the 4th test day - section average heart rate corresponding to the 3rd test day), section average heart rate corresponding to the 4th test day, 3rd concentration, no hyperactivity],
제2 실시예에 따라 저하증 예측 모델을 학습시킬 때, 확보한 모든 임상데이터가 활용될 수는 없고, 진단결과에 적어도 한번 이상 갑상선기능저하증 진단을 받은 환자들의 임상 데이터들만 학습 데이터로 사용될 수 있다.When learning a hypothyroidism prediction model according to the second embodiment, not all obtained clinical data can be used, and only clinical data of patients who have been diagnosed with hypothyroidism at least once can be used as learning data.
이하에서는, 설명의 편의를 위하여, 진단결과에서 적어도 한번 이상 갑상선기능저하증 진단을 받은 적이 있는 환자는 '저하증 환자(hypothyroidism patient)'라고 지칭할 수 있다.Hereinafter, for convenience of explanation, a patient who has been diagnosed with hypothyroidism at least once in the diagnostic results may be referred to as a 'hypothyroidism patient.'
제2 실시예에 따라 저하증 예측 모델을 학습시키기 위하여, 저하증 환자들의 임상 데이터들을 이용하여 [(제1 검사일에 대응되는 구간 평균 심박수 - 제2 검사일에 대응되는 구간 평균 심박수), 제1 검사일에 대응되는 구간 평균 심박수, 제2 검사일에 대응되는 갑상선 호르몬 농도, 제1 검사일에 대응되는 진단결과(저하 또는 저하아님)]와 같은 포맷의 학습 데이터 세트들이 생성될 수 있다.In order to learn a hypothyroidism prediction model according to the second embodiment, clinical data of patients with hypothyroidism were used to obtain [(interval average heart rate corresponding to the first examination day - interval average heart rate corresponding to the second examination day), corresponding to the first examination day. Learning data sets in the following format may be created: average heart rate for the interval, thyroid hormone concentration corresponding to the second test date, and diagnosis result (low or not low) corresponding to the first test day.
예를 들어, 제1 저하증 환자로부터 획득한 데이터 세트들은 총 3개이고, 첫번째 검사에 대한 진단결과는 '저하'이며, 이때 호르몬 농도는 제1 농도였고, 두번째 검사에 대한 진단 결과는 '정상'이며, 이때 호르몬 농도는 제2 농도였고, 세번째 검사에 대한 진단 결과는 '정상'이며, 이때 호르몬 농도는 제3 농도였다고 가정한다면, 상기 제1 저하증 환자의 임상데이터로부터 확보할 수 있는 학습 데이터세트들은 다음과 같이 생성될 수 있다.For example, there are a total of 3 data sets obtained from a patient with first hypothyroidism, and the diagnostic result for the first test is 'low', the hormone concentration at this time was the first concentration, and the diagnostic result for the second test is 'normal'. , At this time, the hormone concentration was the second concentration, the diagnostic result for the third test was 'normal', and assuming that the hormone concentration at this time was the third concentration, the learning datasets that can be obtained from the clinical data of the first hypothyroidism patient are It can be created as follows:
[(제1 검사일에 대응되는 구간 평균 심박수 - 제2 검사일에 대응되는 구간 평균 심박수), 제1 검사일에 대응되는 구간 평균 심박수, 제2 농도, 저하], [(section average heart rate corresponding to the first test day - section average heart rate corresponding to the second test day), section average heart rate corresponding to the first test day, second concentration, decline],
[(제1 검사일에 대응되는 구간 평균 심박수 - 제3 검사일에 대응되는 구간 평균 심박수), 제1 검사일에 대응되는 구간 평균 심박수, 제3 농도, 저하], [(section average heart rate corresponding to the first test day - section average heart rate corresponding to the third test day), section average heart rate corresponding to the first test day, third concentration, decline],
[(제2 검사일에 대응되는 구간 평균 심박수 - 제1 검사일에 대응되는 구간 평균 심박수), 제2 검사일에 대응되는 구간 평균 심박수, 제1 농도, 저하아님],[(section average heart rate corresponding to the second test day - section average heart rate corresponding to the first test day), section average heart rate corresponding to the second test day, first concentration, not low],
[(제2 검사일에 대응되는 구간 평균 심박수 - 제3 검사일에 대응되는 구간 평균 심박수), 제2 검사일에 대응되는 구간 평균 심박수, 제3 농도, 저하아님],[(section average heart rate corresponding to the second test day - section average heart rate corresponding to the third test day), section average heart rate corresponding to the second test day, third concentration, not low],
[(제3 검사일에 대응되는 구간 평균 심박수 - 제1 검사일에 대응되는 구간 평균 심박수), 제3 검사일에 대응되는 구간 평균 심박수, 제1 농도, 저하아님], 및[(section average heart rate corresponding to the third test day - section average heart rate corresponding to the first test day), section average heart rate corresponding to the third test day, first concentration, not low], and
[(제3 검사일에 대응되는 구간 평균 심박수 - 제2 검사일에 대응되는 구간 평균 심박수), 제3 검사일에 대응되는 구간 평균 심박수, 제2 농도, 저하아님],[(section average heart rate corresponding to the third test day - section average heart rate corresponding to the second test day), section average heart rate corresponding to the third test day, second concentration, not low],
다른 예를 들어, 제2 저하증 환자로부터 획득한 데이터 세트들은 총 4개이고, 첫번째 검사에 대한 진단결과는 '저하'이며, 이때 호르몬 농도는 제1 농도였고, 두번째 검사에 대한 진단 결과는 '정상'이며, 이때 호르몬 농도는 제2 농도였으며, 세번째 검사에 대한 진단결과는 '저하'이며, 이때 호르몬 농도는 제3 농도였으며, 네번째 검사에 대한 진단 결과는 '정상'이며, 이때 호르몬 농도는 제4 농도였다고 가정한다면, 상기 제2 저하증 환자의 임상데이터로부터 확보할 수 있는 학습 데이터세트들은 다음과 같이 생성될 수 있다.For another example, there are a total of 4 data sets obtained from patients with secondary hypothyroidism, and the diagnostic result for the first test is 'low', the hormone concentration at this time was the first concentration, and the diagnostic result for the second test is 'normal'. At this time, the hormone concentration was the second concentration, and the diagnosis result for the third test was 'decreased'. At this time, the hormone concentration was the third concentration, and the diagnosis result for the fourth test was 'normal'. At this time, the hormone concentration was the fourth test. Assuming that it was the concentration, learning datasets that can be obtained from the clinical data of the second hypothyroidism patient can be created as follows.
[(제1 검사일에 대응되는 구간 평균 심박수 - 제2 검사일에 대응되는 구간 평균 심박수), 제1 검사일에 대응되는 구간 평균 심박수, 제2 농도, 저하], [(section average heart rate corresponding to the first test day - section average heart rate corresponding to the second test day), section average heart rate corresponding to the first test day, second concentration, decline],
[(제1 검사일에 대응되는 구간 평균 심박수 - 제3 검사일에 대응되는 구간 평균 심박수), 제1 검사일에 대응되는 구간 평균 심박수, 제3 농도, 저하], [(section average heart rate corresponding to the first test day - section average heart rate corresponding to the third test day), section average heart rate corresponding to the first test day, third concentration, decline],
[(제1 검사일에 대응되는 구간 평균 심박수 - 제4 검사일에 대응되는 구간 평균 심박수), 제1 검사일에 대응되는 구간 평균 심박수, 제4 농도, 저하], [(section average heart rate corresponding to the first test day - section average heart rate corresponding to the fourth test day), section average heart rate corresponding to the first test day, fourth concentration, decline],
[(제2 검사일에 대응되는 구간 평균 심박수 - 제1 검사일에 대응되는 구간 평균 심박수), 제2 검사일에 대응되는 구간 평균 심박수, 제1 농도, 저하아님], [(section average heart rate corresponding to the second test day - section average heart rate corresponding to the first test day), section average heart rate corresponding to the second test day, first concentration, not low],
[(제2 검사일에 대응되는 구간 평균 심박수 - 제3 검사일에 대응되는 구간 평균 심박수), 제2 검사일에 대응되는 구간 평균 심박수, 제3 농도, 저하아님], [(section average heart rate corresponding to the second test day - section average heart rate corresponding to the third test day), section average heart rate corresponding to the second test day, third concentration, not low],
[(제2 검사일에 대응되는 구간 평균 심박수 - 제4 검사일에 대응되는 구간 평균 심박수), 제2 검사일에 대응되는 구간 평균 심박수, 제4 농도, 저하아님],[(section average heart rate corresponding to the second test day - section average heart rate corresponding to the fourth test day), section average heart rate corresponding to the second test day, fourth concentration, not low],
[(제3 검사일에 대응되는 구간 평균 심박수 - 제1 검사일에 대응되는 구간 평균 심박수), 제3 검사일에 대응되는 구간 평균 심박수, 제1 농도, 저하], [(section average heart rate corresponding to the third test day - section average heart rate corresponding to the first test day), section average heart rate corresponding to the third test day, first concentration, decline],
[(제3 검사일에 대응되는 구간 평균 심박수 - 제2 검사일에 대응되는 구간 평균 심박수), 제3 검사일에 대응되는 구간 평균 심박수, 제2 농도, 저하], [(section average heart rate corresponding to the third test day - section average heart rate corresponding to the second test day), section average heart rate corresponding to the third test day, second concentration, decline],
[(제3 검사일에 대응되는 구간 평균 심박수 - 제4 검사일에 대응되는 구간 평균 심박수), 제3 검사일에 대응되는 구간 평균 심박수, 제4 농도, 저하], [(section average heart rate corresponding to the third test day - section average heart rate corresponding to the fourth test day), section average heart rate corresponding to the third test day, fourth concentration, decline],
[(제4 검사일에 대응되는 구간 평균 심박수 - 제1 검사일에 대응되는 구간 평균 심박수), 제4 검사일에 대응되는 구간 평균 심박수, 제1 농도, 저하아님], [(section average heart rate corresponding to the fourth test day - section average heart rate corresponding to the first test day), section average heart rate corresponding to the fourth test day, first concentration, not low],
[(제4 검사일에 대응되는 구간 평균 심박수 - 제2 검사일에 대응되는 구간 평균 심박수), 제4 검사일에 대응되는 구간 평균 심박수, 제2 농도, 저하아님], 및 [(section average heart rate corresponding to the fourth test day - section average heart rate corresponding to the second test day), section average heart rate corresponding to the fourth test day, second concentration, not low], and
[(제4 검사일에 대응되는 구간 평균 심박수 - 제3 검사일에 대응되는 구간 평균 심박수), 제4 검사일에 대응되는 구간 평균 심박수, 제3 농도, 저하아님],[(section average heart rate corresponding to the 4th test day - section average heart rate corresponding to the 3rd test day), section average heart rate corresponding to the 4th test day, 3rd concentration, not low],
제2 실시예에 있어서, 호르몬 농도는 T4의 농도, free T4의 농도, T3의 농도, free T3의 농도, TSH의 농도 및 갑상샘자극호르몬방출호르몬(Thyrotropin-Releasing Hormone, TRH)의 농도로 이루어진 그룹에서 선택된 하나 또는 이들의 조합일 수도 있다.In the second embodiment, the hormone concentration is a group consisting of T4 concentration, free T4 concentration, T3 concentration, free T3 concentration, TSH concentration, and Thyrotropin-Releasing Hormone (TRH) concentration. It may be one selected from or a combination thereof.
학습방법 실시예#3. 기준일 심박수와의 차이값, 기준일의 호르몬값 및 분포의 변화Learning method example #3. Difference value from the heart rate on the reference day, changes in hormone values and distribution on the reference day
본 출원에 의해 개시되는 제3 실시예에 따르면 학습 모델을 학습시키기 위하여, 제1 검사일에 대응되는 구간 평균 심박수에서 제2 검사일에 대응되는 구간 평균 심박수를 뺀 값, 제1 검사일에 대응되는 구간 심박수들의 표준편차에서 제2 검사일에 대응되는 구간 심박수들의 표준편차를 뺀 값 및 제2 검사일의 호르몬 농도를 입력값으로 사용하고, 상기 제1 검사일에 대응되어 있는 진단 결과를 라벨링값으로 사용할 수 있다. According to the third embodiment disclosed by the present application, in order to learn a learning model, the section average heart rate corresponding to the first inspection day is subtracted from the section average heart rate corresponding to the second inspection day, and the section heart rate corresponding to the first inspection day The standard deviation of the heart rates corresponding to the second test date is subtracted from the standard deviation of the heart rates and the hormone concentration of the second test day can be used as input values, and the diagnosis result corresponding to the first test date can be used as a labeling value.
이때, 상기 학습 모델은 light gradient boosting machine, support vector machine, random forest, extra trees, ada boost, extreme gradient boosting, CatBoost 등을 포함하는 분류 모델들이 사용될 수 있다.At this time, classification models including light gradient boosting machine, support vector machine, random forest, extra trees, ada boost, extreme gradient boosting, CatBoost, etc. may be used as the learning model.
상기 학습 모델은 갑상선기능항진증을 예측하기 위한 항진증 예측 모델(hyperthyroidism prediction model)과 갑상선기능저하증을 예측하기 위한 저하증 예측 모델(hypothyroidism prediction model)을 포함한다.The learning model includes a hyperthyroidism prediction model for predicting hyperthyroidism and a hypothyroidism prediction model for predicting hypothyroidism.
제3 실시예에 따라 항진증 예측 모델을 학습시킬 때, 확보한 모든 임상데이터가 활용될 수는 없고, 진단결과에 적어도 한번 이상 갑상선기능항진증 진단을 받은 환자들의 임상 데이터들만 학습 데이터로 사용될 수 있다.When learning a hyperthyroidism prediction model according to the third embodiment, not all obtained clinical data can be used, and only clinical data of patients who have been diagnosed with hyperthyroidism at least once can be used as learning data.
이하에서는, 설명의 편의를 위하여, 진단결과에서 적어도 한번 이상 갑상선기능항진증 진단을 받은 적이 있는 환자는 '항진증 환자(hyperthyroidism patient)'라고 지칭할 수 있다.Hereinafter, for convenience of explanation, a patient who has been diagnosed with hyperthyroidism at least once in the diagnostic results may be referred to as a 'hyperthyroidism patient.'
한편, 구간 평균 심박수를 산출함에 있어서, 특정일을 기준으로 미리 정해진 기간 동안의 휴지기 심박수들을 활용할 수 있으며, 이 때 상기 미리 정해진 기간은 1, 2, 3, 4, 5, 6, 7, 8, 9, 10, 11, 12, 13, 14, 15, 16, 17, 18, 19, 20, 21, 22, 23, 24, 25, 26, 27, 28, 29 및 30일 중 하나일 수 있다.Meanwhile, in calculating the section average heart rate, resting heart rates during a predetermined period based on a specific day can be used, where the predetermined period is 1, 2, 3, 4, 5, 6, 7, 8, It can be one of the following days: 9, 10, 11, 12, 13, 14, 15, 16, 17, 18, 19, 20, 21, 22, 23, 24, 25, 26, 27, 28, 29, and 30.
제3 실시예에 따라, 항진증 예측 모델을 학습시키기 위하여, 항진증 환자들의 임상 데이터들을 이용하여 [(제1 검사일에 대응되는 구간 평균 심박수 - 제2 검사일에 대응되는 구간 평균 심박수), (제1 검사일에 대응되는 구간 심박수들의 표준편차 - 제2 검사일에 대응되는 구간 심박수들의 표준편차), 제2 검사일에 대응되는 갑상선 호르몬 농도, 제1 검사일에 대응되는 진단결과(항진 또는 항진아님)]와 같은 포맷의 학습 데이터 세트들이 생성될 수 있다.According to the third embodiment, in order to learn a hyperactivity disorder prediction model, clinical data of patients with hyperactivity were used [(interval average heart rate corresponding to the first examination day - interval average heart rate corresponding to the second examination day), (first examination day Standard deviation of zone heart rates corresponding to - standard deviation of zone heart rates corresponding to the second test day), thyroid hormone concentration corresponding to the second test day, diagnosis result (hyperactivity or not hyperactivity) corresponding to the first test day]. Learning data sets can be created.
예를 들어, 제1 항진증 환자로부터 획득한 데이터 세트들은 총 3개이고, 첫번째 검사에 대한 진단결과는 '항진'이며, 이때 호르몬 농도는 제1 농도였고, 두번째 검사에 대한 진단 결과는 '정상'이며, 이때 호르몬 농도는 제2 농도였고, 세번째 검사에 대한 진단 결과는 '정상'이며, 이때 호르몬 농도는 제3 농도였다고 가정한다면, 상기 제1 항진증 환자의 임상데이터로부터 확보할 수 있는 학습 데이터세트들은 다음과 같이 생성될 수 있다.For example, there are a total of 3 data sets obtained from a patient with hyperactivity disorder 1, the diagnosis result for the first test is 'hyperactivity', the hormone concentration at this time was the first concentration, and the diagnosis result for the second test is 'normal'. , At this time, the hormone concentration was the second concentration, the diagnostic result for the third test was 'normal', and assuming that the hormone concentration at this time was the third concentration, the learning datasets that can be obtained from the clinical data of the first hyperactivity disorder patient are It can be created as follows:
[(제1 검사일에 대응되는 구간 평균 심박수 - 제2 검사일에 대응되는 구간 평균 심박수), (제1 검사일에 대응되는 구간 심박수들의 표준편차 - 제2 검사일에 대응되는 구간 심박수들의 표준편차), 제2 농도, 항진], [(section average heart rate corresponding to the first test day - section average heart rate corresponding to the second test day), (standard deviation of section heart rates corresponding to the first test day - standard deviation of section heart rates corresponding to the second test day), 2 concentration, hyperactivity],
[(제1 검사일에 대응되는 구간 평균 심박수 - 제3 검사일에 대응되는 구간 평균 심박수), (제1 검사일에 대응되는 구간 심박수들의 표준편차 - 제3 검사일에 대응되는 구간 심박수들의 표준편차), 제3 농도, 항진], [(section average heart rate corresponding to the first test day - section average heart rate corresponding to the third test day), (standard deviation of section heart rates corresponding to the first test day - standard deviation of section heart rates corresponding to the third test day), 3 concentration, hyperactivity],
[(제2 검사일에 대응되는 구간 평균 심박수 - 제1 검사일에 대응되는 구간 평균 심박수), (제2 검사일에 대응되는 구간 심박수들의 표준편차 - 제1 검사일에 대응되는 구간 심박수들의 표준편차), 제1 농도, 항진아님],[(section average heart rate corresponding to the second test day - section average heart rate corresponding to the first test day), (standard deviation of section heart rates corresponding to the second test day - standard deviation of section heart rates corresponding to the first test day), 1 concentration, not hyperactivity],
[(제2 검사일에 대응되는 구간 평균 심박수 - 제3 검사일에 대응되는 구간 평균 심박수), (제2 검사일에 대응되는 구간 심박수들의 표준편차 - 제3 검사일에 대응되는 구간 심박수들의 표준편차), 제3 농도, 항진아님],[(section average heart rate corresponding to the second test day - section average heart rate corresponding to the third test day), (standard deviation of section heart rates corresponding to the second test day - standard deviation of section heart rates corresponding to the third test day), 3 concentration, not hyperactivity],
[(제3 검사일에 대응되는 구간 평균 심박수 - 제1 검사일에 대응되는 구간 평균 심박수), (제3 검사일에 대응되는 구간 심박수들의 표준편차 - 제1 검사일에 대응되는 구간 심박수들의 표준편차), 제1 농도, 항진아님], 및[(section average heart rate corresponding to the third test day - section average heart rate corresponding to the first test day), (standard deviation of section heart rates corresponding to the third test day - standard deviation of section heart rates corresponding to the first test day), 1 concentration, not hyperactivity], and
[(제3 검사일에 대응되는 구간 평균 심박수 - 제2 검사일에 대응되는 구간 평균 심박수), (제3 검사일에 대응되는 구간 심박수들의 표준편차 - 제2 검사일에 대응되는 구간 심박수들의 표준편차), 제2 농도, 항진아님],[(section average heart rate corresponding to the third test day - section average heart rate corresponding to the second test day), (standard deviation of section heart rates corresponding to the third test day - standard deviation of section heart rates corresponding to the second test day), 2 concentration, not hyperactivity],
다른 예를 들어, 제2 항진증 환자로부터 획득한 데이터 세트들은 총 4개이고, 첫번째 검사에 대한 진단결과는 '항진'이며, 이때 호르몬 농도는 제1 농도였고, 두번째 검사에 대한 진단 결과는 '정상'이며, 이때 호르몬 농도는 제2 농도였으며, 세번째 검사에 대한 진단결과는 '항진'이며, 이때 호르몬 농도는 제3 농도였으며, 네번째 검사에 대한 진단 결과는 '정상'이며, 이때 호르몬 농도는 제4 농도였다고 가정한다면, 상기 제2 항진증 환자의 임상데이터로부터 확보할 수 있는 학습 데이터세트들은 다음과 같이 생성될 수 있다.For another example, there are a total of 4 data sets obtained from patients with secondary hyperactivity disorder, the diagnostic result for the first test is 'hyperactivity', the hormone concentration at this time was the first concentration, and the diagnostic result for the second test is 'normal'. At this time, the hormone concentration was the second concentration, and the diagnosis result for the third test was 'hyperactivity'. At this time, the hormone concentration was the third concentration, and the diagnosis result for the fourth test was 'normal'. At this time, the hormone concentration was the fourth test. Assuming that the concentration was the same, learning datasets that can be obtained from the clinical data of the second hyperactivity disorder patient can be created as follows.
[(제1 검사일에 대응되는 구간 평균 심박수 - 제2 검사일에 대응되는 구간 평균 심박수), (제1 검사일에 대응되는 구간 심박수들의 표준편차 - 제2 검사일에 대응되는 구간 심박수들의 표준편차), 제2 농도, 항진], [(section average heart rate corresponding to the first test day - section average heart rate corresponding to the second test day), (standard deviation of section heart rates corresponding to the first test day - standard deviation of section heart rates corresponding to the second test day), 2 concentration, hyperactivity],
[(제1 검사일에 대응되는 구간 평균 심박수 - 제3 검사일에 대응되는 구간 평균 심박수), (제1 검사일에 대응되는 구간 심박수들의 표준편차 - 제3 검사일에 대응되는 구간 심박수들의 표준편차), 제3 농도, 항진], [(section average heart rate corresponding to the first test day - section average heart rate corresponding to the third test day), (standard deviation of section heart rates corresponding to the first test day - standard deviation of section heart rates corresponding to the third test day), 3 concentration, hyperactivity],
[(제1 검사일에 대응되는 구간 평균 심박수 - 제4 검사일에 대응되는 구간 평균 심박수), (제1 검사일에 대응되는 구간 심박수들의 표준편차 - 제4 검사일에 대응되는 구간 심박수들의 표준편차), 제4 농도, 항진], [(section average heart rate corresponding to the first test day - section average heart rate corresponding to the fourth test day), (standard deviation of section heart rates corresponding to the first test day - standard deviation of section heart rates corresponding to the fourth test day), 4 concentration, hyperactivity],
[(제2 검사일에 대응되는 구간 평균 심박수 - 제1 검사일에 대응되는 구간 평균 심박수), (제2 검사일에 대응되는 구간 심박수들의 표준편차 - 제1 검사일에 대응되는 구간 심박수들의 표준편차), 제1 농도, 항진아님], [(section average heart rate corresponding to the second test day - section average heart rate corresponding to the first test day), (standard deviation of section heart rates corresponding to the second test day - standard deviation of section heart rates corresponding to the first test day), 1 concentration, not hyperactivity],
[(제2 검사일에 대응되는 구간 평균 심박수 - 제3 검사일에 대응되는 구간 평균 심박수), (제2 검사일에 대응되는 구간 심박수들의 표준편차 - 제3 검사일에 대응되는 구간 심박수들의 표준편차), 제3 농도, 항진아님], [(section average heart rate corresponding to the second test day - section average heart rate corresponding to the third test day), (standard deviation of section heart rates corresponding to the second test day - standard deviation of section heart rates corresponding to the third test day), 3 concentration, not hyperactivity],
[(제2 검사일에 대응되는 구간 평균 심박수 - 제4 검사일에 대응되는 구간 평균 심박수), (제2 검사일에 대응되는 구간 심박수들의 표준편차 - 제4 검사일에 대응되는 구간 심박수들의 표준편차), 제4 농도, 항진아님],[(section average heart rate corresponding to the second test day - section average heart rate corresponding to the fourth test day), (standard deviation of section heart rates corresponding to the second test day - standard deviation of section heart rates corresponding to the fourth test day), 4 concentration, not hyperactivity],
[(제3 검사일에 대응되는 구간 평균 심박수 - 제1 검사일에 대응되는 구간 평균 심박수), (제3 검사일에 대응되는 구간 심박수들의 표준편차 - 제1 검사일에 대응되는 구간 심박수들의 표준편차), 제1 농도, 항진], [(section average heart rate corresponding to the third test day - section average heart rate corresponding to the first test day), (standard deviation of section heart rates corresponding to the third test day - standard deviation of section heart rates corresponding to the first test day), 1 concentration, hyperactivity],
[(제3 검사일에 대응되는 구간 평균 심박수 - 제2 검사일에 대응되는 구간 평균 심박수), (제3 검사일에 대응되는 구간 심박수들의 표준편차 - 제2 검사일에 대응되는 구간 심박수들의 표준편차), 제2 농도, 항진], [(section average heart rate corresponding to the third test day - section average heart rate corresponding to the second test day), (standard deviation of section heart rates corresponding to the third test day - standard deviation of section heart rates corresponding to the second test day), 2 concentration, hyperactivity],
[(제3 검사일에 대응되는 구간 평균 심박수 - 제4 검사일에 대응되는 구간 평균 심박수), (제1 검사일에 대응되는 구간 심박수들의 표준편차 - 제4 검사일에 대응되는 구간 심박수들의 표준편차), 제4 농도, 항진], [(segment average heart rate corresponding to the 3rd test day - section average heart rate corresponding to the 4th test day), (standard deviation of the section heart rates corresponding to the 1st test day - standard deviation of the section heart rates corresponding to the 4th test day), 4 concentration, hyperactivity],
[(제4 검사일에 대응되는 구간 평균 심박수 - 제1 검사일에 대응되는 구간 평균 심박수), (제4 검사일에 대응되는 구간 심박수들의 표준편차 - 제1 검사일에 대응되는 구간 심박수들의 표준편차), 제1 농도, 항진아님], [(section average heart rate corresponding to the 4th test day - section average heart rate corresponding to the first test day), (standard deviation of section heart rates corresponding to the 4th test day - standard deviation of section heart rates corresponding to the first test day), 1 concentration, not hyperactivity],
[(제4 검사일에 대응되는 구간 평균 심박수 - 제2 검사일에 대응되는 구간 평균 심박수), (제4 검사일에 대응되는 구간 심박수들의 표준편차 - 제2 검사일에 대응되는 구간 심박수들의 표준편차), 제2 농도, 항진아님], 및 [(segment average heart rate corresponding to the 4th test day - section average heart rate corresponding to the 2nd test day), (standard deviation of the section heart rates corresponding to the 4th test day - standard deviation of the section heart rates corresponding to the 2nd test day), 2 concentration, not hyperactivity], and
[(제4 검사일에 대응되는 구간 평균 심박수 - 제3 검사일에 대응되는 구간 평균 심박수), (제4 검사일에 대응되는 구간 심박수들의 표준편차 - 제3 검사일에 대응되는 구간 심박수들의 표준편차), 제3 농도, 항진아님][(segment average heart rate corresponding to the 4th test day - section average heart rate corresponding to the 3rd test day), (standard deviation of the section heart rates corresponding to the 4th test day - standard deviation of the section heart rates corresponding to the 3rd test day), 3 concentration, not hyperactivity]
제3 실시예에 따라 저하증 예측 모델을 학습시킬 때, 확보한 모든 임상데이터가 활용될 수는 없고, 진단결과에 적어도 한번 이상 갑상선기능저하증 진단을 받은 환자들의 임상 데이터들만 학습 데이터로 사용될 수 있다.When learning a hypothyroidism prediction model according to the third embodiment, not all obtained clinical data can be used, and only clinical data of patients who have been diagnosed with hypothyroidism at least once can be used as learning data.
이하에서는, 설명의 편의를 위하여, 진단결과에서 적어도 한번 이상 갑상선기능저하증 진단을 받은 적이 있는 환자는 '저하증 환자(hypothyroidism patient)'라고 지칭할 수 있다.Hereinafter, for convenience of explanation, a patient who has been diagnosed with hypothyroidism at least once in the diagnostic results may be referred to as a 'hypothyroidism patient.'
제3 실시예에 따라 저하증 예측 모델을 학습시키기 위하여, 저하증 환자들의 임상 데이터들을 이용하여 [(제1 검사일에 대응되는 구간 평균 심박수 - 제2 검사일에 대응되는 구간 평균 심박수), (제1 검사일에 대응되는 구간 심박수들의 표준편차 - 제2 검사일에 대응되는 구간 심박수들의 표준편차), 제2 검사일에 대응되는 갑상선 호르몬 농도, 제1 검사일에 대응되는 진단결과(저하 또는 저하아님)]와 같은 포맷의 학습 데이터 세트들이 생성될 수 있다.In order to learn a hypothyroidism prediction model according to the third embodiment, clinical data of patients with hypothyroidism were used to obtain [(interval average heart rate corresponding to the first examination day - interval average heart rate corresponding to the second examination day), (interval average heart rate corresponding to the first examination day), standard deviation of corresponding interval heart rates - standard deviation of interval heart rates corresponding to the second test day), thyroid hormone concentration corresponding to the second test day, diagnostic result (low or not low) corresponding to the first test day] Training data sets may be created.
예를 들어, 제1 저하증 환자로부터 획득한 데이터 세트들은 총 3개이고, 첫번째 검사에 대한 진단결과는 '저하'이며, 이때 호르몬 농도는 제1 농도였고, 두번째 검사에 대한 진단 결과는 '정상'이며, 이때 호르몬 농도는 제2 농도였고, 세번째 검사에 대한 진단 결과는 '정상'이며, 이때 호르몬 농도는 제3 농도였다고 가정한다면, 상기 제1 저하증 환자의 임상데이터로부터 확보할 수 있는 학습 데이터세트들은 다음과 같이 생성될 수 있다.For example, there are a total of 3 data sets obtained from a patient with first hypothyroidism, and the diagnostic result for the first test is 'low', the hormone concentration at this time was the first concentration, and the diagnostic result for the second test is 'normal'. , At this time, the hormone concentration was the second concentration, the diagnostic result for the third test was 'normal', and assuming that the hormone concentration at this time was the third concentration, the learning datasets that can be obtained from the clinical data of the first hypothyroidism patient are It can be created as follows:
[(제1 검사일에 대응되는 구간 평균 심박수 - 제2 검사일에 대응되는 구간 평균 심박수), (제1 검사일에 대응되는 구간 심박수들의 표준편차 - 제2 검사일에 대응되는 구간 심박수들의 표준편차), 제2 농도, 저하], [(section average heart rate corresponding to the first test day - section average heart rate corresponding to the second test day), (standard deviation of section heart rates corresponding to the first test day - standard deviation of section heart rates corresponding to the second test day), 2 concentration, lowering];
[(제1 검사일에 대응되는 구간 평균 심박수 - 제3 검사일에 대응되는 구간 평균 심박수), (제1 검사일에 대응되는 구간 심박수들의 표준편차 - 제3 검사일에 대응되는 구간 심박수들의 표준편차), 제3 농도, 저하], [(section average heart rate corresponding to the first test day - section average heart rate corresponding to the third test day), (standard deviation of section heart rates corresponding to the first test day - standard deviation of section heart rates corresponding to the third test day), 3 concentration, lowering],
[(제2 검사일에 대응되는 구간 평균 심박수 - 제1 검사일에 대응되는 구간 평균 심박수), (제2 검사일에 대응되는 구간 심박수들의 표준편차 - 제1 검사일에 대응되는 구간 심박수들의 표준편차), 제1 농도, 저하아님],[(section average heart rate corresponding to the second test day - section average heart rate corresponding to the first test day), (standard deviation of section heart rates corresponding to the second test day - standard deviation of section heart rates corresponding to the first test day), 1 concentration, not low],
[(제2 검사일에 대응되는 구간 평균 심박수 - 제3 검사일에 대응되는 구간 평균 심박수), (제2 검사일에 대응되는 구간 심박수들의 표준편차 - 제3 검사일에 대응되는 구간 심박수들의 표준편차), 제3 농도, 저하아님],[(section average heart rate corresponding to the second test day - section average heart rate corresponding to the third test day), (standard deviation of section heart rates corresponding to the second test day - standard deviation of section heart rates corresponding to the third test day), 3 concentration, not low],
[(제3 검사일에 대응되는 구간 평균 심박수 - 제1 검사일에 대응되는 구간 평균 심박수), (제3 검사일에 대응되는 구간 심박수들의 표준편차 - 제1 검사일에 대응되는 구간 심박수들의 표준편차), 제1 농도, 저하아님], 및[(section average heart rate corresponding to the third test day - section average heart rate corresponding to the first test day), (standard deviation of section heart rates corresponding to the third test day - standard deviation of section heart rates corresponding to the first test day), 1 concentration, not lowering], and
[(제3 검사일에 대응되는 구간 평균 심박수 - 제2 검사일에 대응되는 구간 평균 심박수), (제3 검사일에 대응되는 구간 심박수들의 표준편차 - 제2 검사일에 대응되는 구간 심박수들의 표준편차), 제2 농도, 저하아님],[(section average heart rate corresponding to the third test day - section average heart rate corresponding to the second test day), (standard deviation of section heart rates corresponding to the third test day - standard deviation of section heart rates corresponding to the second test day), 2 concentration, not low];
다른 예를 들어, 제2 저하증 환자로부터 획득한 데이터 세트들은 총 4개이고, 첫번째 검사에 대한 진단결과는 '저하'이며, 이때 호르몬 농도는 제1 농도였고, 두번째 검사에 대한 진단 결과는 '정상'이며, 이때 호르몬 농도는 제2 농도였으며, 세번째 검사에 대한 진단결과는 '저하'이며, 이때 호르몬 농도는 제3 농도였으며, 네번째 검사에 대한 진단 결과는 '정상'이며, 이때 호르몬 농도는 제4 농도였다고 가정한다면, 상기 제2 저하증 환자의 임상데이터로부터 확보할 수 있는 학습 데이터세트들은 다음과 같이 생성될 수 있다.For another example, there are a total of 4 data sets obtained from patients with secondary hypothyroidism, and the diagnostic result for the first test is 'low', the hormone concentration at this time was the first concentration, and the diagnostic result for the second test is 'normal'. At this time, the hormone concentration was the second concentration, and the diagnosis result for the third test was 'decreased'. At this time, the hormone concentration was the third concentration, and the diagnosis result for the fourth test was 'normal'. At this time, the hormone concentration was the fourth test. Assuming that it was the concentration, learning datasets that can be obtained from the clinical data of the second hypothyroidism patient can be created as follows.
[(제1 검사일에 대응되는 구간 평균 심박수 - 제2 검사일에 대응되는 구간 평균 심박수), (제1 검사일에 대응되는 구간 심박수들의 표준편차 - 제2 검사일에 대응되는 구간 심박수들의 표준편차), 제2 농도, 저하], [(section average heart rate corresponding to the first test day - section average heart rate corresponding to the second test day), (standard deviation of section heart rates corresponding to the first test day - standard deviation of section heart rates corresponding to the second test day), 2 concentration, lowering];
[(제1 검사일에 대응되는 구간 평균 심박수 - 제3 검사일에 대응되는 구간 평균 심박수), (제1 검사일에 대응되는 구간 심박수들의 표준편차 - 제3 검사일에 대응되는 구간 심박수들의 표준편차), 제3 농도, 저하], [(section average heart rate corresponding to the first test day - section average heart rate corresponding to the third test day), (standard deviation of section heart rates corresponding to the first test day - standard deviation of section heart rates corresponding to the third test day), 3 concentration, lowering],
[(제1 검사일에 대응되는 구간 평균 심박수 - 제4 검사일에 대응되는 구간 평균 심박수), (제1 검사일에 대응되는 구간 심박수들의 표준편차 - 제4 검사일에 대응되는 구간 심박수들의 표준편차), 제4 농도, 저하], [(section average heart rate corresponding to the first test day - section average heart rate corresponding to the fourth test day), (standard deviation of section heart rates corresponding to the first test day - standard deviation of section heart rates corresponding to the fourth test day), 4 concentration, lowering],
[(제2 검사일에 대응되는 구간 평균 심박수 - 제1 검사일에 대응되는 구간 평균 심박수), (제2 검사일에 대응되는 구간 심박수들의 표준편차 - 제1 검사일에 대응되는 구간 심박수들의 표준편차), 제1 농도, 저하아님], [(section average heart rate corresponding to the second test day - section average heart rate corresponding to the first test day), (standard deviation of section heart rates corresponding to the second test day - standard deviation of section heart rates corresponding to the first test day), 1 concentration, not low],
[(제2 검사일에 대응되는 구간 평균 심박수 - 제3 검사일에 대응되는 구간 평균 심박수), (제2 검사일에 대응되는 구간 심박수들의 표준편차 - 제3 검사일에 대응되는 구간 심박수들의 표준편차), 제3 농도, 저하아님], [(section average heart rate corresponding to the second test day - section average heart rate corresponding to the third test day), (standard deviation of section heart rates corresponding to the second test day - standard deviation of section heart rates corresponding to the third test day), 3 concentration, not low],
[(제2 검사일에 대응되는 구간 평균 심박수 - 제4 검사일에 대응되는 구간 평균 심박수), (제2 검사일에 대응되는 구간 심박수들의 표준편차 - 제4 검사일에 대응되는 구간 심박수들의 표준편차), 제4 농도, 저하아님],[(section average heart rate corresponding to the second test day - section average heart rate corresponding to the fourth test day), (standard deviation of section heart rates corresponding to the second test day - standard deviation of section heart rates corresponding to the fourth test day), 4 concentration, not low],
[(제3 검사일에 대응되는 구간 평균 심박수 - 제1 검사일에 대응되는 구간 평균 심박수), (제3 검사일에 대응되는 구간 심박수들의 표준편차 - 제1 검사일에 대응되는 구간 심박수들의 표준편차), 제1 농도, 저하], [(section average heart rate corresponding to the third test day - section average heart rate corresponding to the first test day), (standard deviation of section heart rates corresponding to the third test day - standard deviation of section heart rates corresponding to the first test day), 1 concentration, lowering];
[(제3 검사일에 대응되는 구간 평균 심박수 - 제2 검사일에 대응되는 구간 평균 심박수), (제3 검사일에 대응되는 구간 심박수들의 표준편차 - 제2 검사일에 대응되는 구간 심박수들의 표준편차), 제2 농도, 저하], [(section average heart rate corresponding to the third test day - section average heart rate corresponding to the second test day), (standard deviation of section heart rates corresponding to the third test day - standard deviation of section heart rates corresponding to the second test day), 2 concentration, lowering];
[(제3 검사일에 대응되는 구간 평균 심박수 - 제4 검사일에 대응되는 구간 평균 심박수), (제3 검사일에 대응되는 구간 심박수들의 표준편차 - 제4 검사일에 대응되는 구간 심박수들의 표준편차), 제4 농도, 저하], [(section average heart rate corresponding to the third test day - section average heart rate corresponding to the fourth test day), (standard deviation of section heart rates corresponding to the third test day - standard deviation of section heart rates corresponding to the fourth test day), 4 concentration, lowering],
[(제4 검사일에 대응되는 구간 평균 심박수 - 제1 검사일에 대응되는 구간 평균 심박수), (제4 검사일에 대응되는 구간 심박수들의 표준편차 - 제1 검사일에 대응되는 구간 심박수들의 표준편차), 제1 농도, 저하아님], [(section average heart rate corresponding to the 4th test day - section average heart rate corresponding to the first test day), (standard deviation of section heart rates corresponding to the 4th test day - standard deviation of section heart rates corresponding to the first test day), 1 concentration, not low],
[(제4 검사일에 대응되는 구간 평균 심박수 - 제2 검사일에 대응되는 구간 평균 심박수), (제4 검사일에 대응되는 구간 심박수들의 표준편차 - 제2 검사일에 대응되는 구간 심박수들의 표준편차), 제2 농도, 저하아님], 및 [(segment average heart rate corresponding to the 4th test day - section average heart rate corresponding to the 2nd test day), (standard deviation of the section heart rates corresponding to the 4th test day - standard deviation of the section heart rates corresponding to the 2nd test day), 2 concentration, not lowering], and
[(제4 검사일에 대응되는 구간 평균 심박수 - 제3 검사일에 대응되는 구간 평균 심박수), (제4 검사일에 대응되는 구간 심박수들의 표준편차 - 제3 검사일에 대응되는 구간 심박수들의 표준편차), 제3 농도, 저하아님][(segment average heart rate corresponding to the 4th test day - section average heart rate corresponding to the 3rd test day), (standard deviation of the section heart rates corresponding to the 4th test day - standard deviation of the section heart rates corresponding to the 3rd test day), 3 concentration, not low]
전술한 제3 실시예에 대한 설명에서는 입력값으로 표준편차의 차이값을 활용하는 것을 기준으로 설명하였으나, 제X 검사일에 대응되는 구간 심박수들과 제Y 검사일에 대응되는 구간 심박수들 사이에 대해서 계산될 수 있는, 구간 심박수들의 표준편차의 차이값, 구간 심박수들의 상대 표준편차의 차이값, 구간 심박수들의 왜도(skewness)의 차이값, 구간 심박수들의 첨도(kurtois)의 차이값 및 제X 검사일에 대응되는 구간 심박수들 분포와 제Y 검사일에 대응되는 구간 심박수들의 분포 사이의 차이를 나타내는 JS divergence로 이루어진 그룹에서 선택된 어느 하나의 값 또는 이들의 조합이 입력값으로 활용될 수 있다.In the description of the third embodiment described above, the explanation was based on using the difference value of the standard deviation as the input value, but the calculation was made between the section heart rates corresponding to the X test date and the section heart rates corresponding to the Y test day. The difference value of the standard deviation of the section heart rates, the difference value of the relative standard deviation of the section heart rates, the difference value of the skewness of the section heart rates, the difference value of the kurtosis of the section heart rates, and Any one value selected from the group consisting of JS divergence, which represents the difference between the distribution of corresponding section heart rates and the distribution of section heart rates corresponding to the Y test date, or a combination thereof, can be used as an input value.
학습방법 실시예#4. 기준일 심박수와의 차이값, 대상일의 구간 평균 심박수,기준일의 호르몬값 및 분포의 변화Learning method example #4. Difference value from the heart rate on the reference day, average heart rate in the section on the target day, changes in hormone values and distribution on the reference day
본 출원에 의해 개시되는 제4 실시예에 따르면 학습 모델을 학습시키기 위하여, 제1 검사일에 대응되는 구간 평균 심박수에서 제2 검사일에 대응되는 구간 평균 심박수를 뺀 값, 제1 검사일에 대응되는 구간 심박수들의 표준편차에서 제2 검사일에 대응되는 구간 심박수들의 표준편차를 뺀 값, 제1 검사일에 대응되는 구간 평균 심박수 및 제2 검사일의 호르몬 농도를 입력값으로 사용하고, 상기 제1 검사일에 대응되어 있는 진단 결과를 라벨링값으로 사용할 수 있다.According to the fourth embodiment disclosed by the present application, in order to learn a learning model, the section average heart rate corresponding to the first inspection day is subtracted from the section average heart rate corresponding to the second inspection day, and the section heart rate corresponding to the first inspection day The standard deviation of the section heart rates corresponding to the second test day is subtracted from the standard deviation of the section average heart rate corresponding to the first test day and the hormone concentration of the second test day are used as input values, and the Diagnosis results can be used as labeling values.
제4 실시예는, 제3 실시예와 비교할 때, "제1 검사일의 구간 평균 심박수"를 입력값으로 더 사용한다는 것만 상이하고 다른 것들 대부분 동일하기 때문에, 여기에서는 자세한 설명을 생략하기로 한다.Compared to the third embodiment, the fourth embodiment differs only in that it uses “segment average heart rate on the first test day” as an input value and most other things are the same, so detailed description will be omitted here.
전술한 제4 실시예에 대한 설명에서는 입력값으로 표준편차의 차이값을 활용하는 것을 기준으로 설명하였으나, 제X 검사일에 대응되는 구간 심박수들과 제Y 검사일에 대응되는 구간 심박수들 사이에 대해서 계산될 수 있는, 구간 심박수들의 표준편차의 차이값, 구간 심박수들의 상대 표준편차의 차이값, 구간 심박수들의 왜도(skewness)의 차이값, 구간 심박수들의 첨도(kurtois)의 차이값 및 제X 검사일에 대응되는 구간 심박수들 분포와 제Y 검사일에 대응되는 구간 심박수들의 분포 사이의 차이를 나타내는 JS divergence로 이루어진 그룹에서 선택된 어느 하나의 값 또는 이들의 조합이 입력값으로 활용될 수 있다.In the description of the fourth embodiment described above, the explanation was based on using the difference value of the standard deviation as the input value, but the calculation was made between the section heart rates corresponding to the X test day and the section heart rates corresponding to the Y test day. The difference value of the standard deviation of the section heart rates, the difference value of the relative standard deviation of the section heart rates, the difference value of the skewness of the section heart rates, the difference value of the kurtosis of the section heart rates, and Any one value selected from the group consisting of JS divergence, which represents the difference between the distribution of corresponding section heart rates and the distribution of section heart rates corresponding to the Y test date, or a combination thereof, can be used as an input value.
학습방법 실시예#5. 기준일 심박수와의 변화율, 기준일의 호르몬값Learning method example #5. Rate of change from heart rate on the reference day, hormone value on the reference day
본 출원에 의해 개시되는 제5 실시예에 따르면 학습 모델을 학습시키기 위하여, 제2 검사일에 대한 제1 검사일의 구간 평균 심박수의 변화율 (즉, (제1 검사일에 대응되는 구간 평균 심박수 - 제2 검사일에 대응되는 구간 평균 심박수) / (제2 검사일에 대응되는 구간 평균 심박수)) 및 제2 검사일의 호르몬 농도를 입력값으로 사용하고, 상기 제1 검사일에 대응되어 있는 진단 결과를 라벨링값으로 사용할 수 있다. According to the fifth embodiment disclosed by the present application, in order to learn a learning model, the rate of change of the interval average heart rate of the first examination day with respect to the second examination day (i.e., (interval average heart rate corresponding to the first examination day - the second examination day) (section average heart rate corresponding to) / (section average heart rate corresponding to the second test day)) and the hormone concentration of the second test day can be used as input values, and the diagnosis result corresponding to the first test day can be used as a labeling value. there is.
제5 실시예는, 제1 실시예와 비교할 때, "구간 평균 심박수의 변화량"을 사용하는 대신 "구간 평균 심박수의 변화율"을 사용하는 것만 상이하고 다른 것들은 대부분 동일하기 때문에, 여기에서는 자세한 설명을 생략하기로 한다.Compared to the first embodiment, the fifth embodiment differs only in that it uses "rate of change in section average heart rate" instead of "change amount in section average heart rate" and other things are mostly the same, so a detailed description is given here. Decided to omit it.
학습방법 실시예#6. 기준일 심박수와의 변화율, 대상일의 구간 평균 심박수,기준일의 호르몬값Learning method example #6. Rate of change from heart rate on the reference day, average heart rate in the section on the target day, hormone value on the reference day
본 출원에 의해 개시되는 제6 실시예에 따르면, 학습 모델을 학습시키기 위하여, 제2 검사일에 대한 제1 검사일의 구간 평균 심박수의 변화율 (즉, (제1 검사일에 대응되는 구간 평균 심박수 - 제2 검사일에 대응되는 구간 평균 심박수) / (제2 검사일에 대응되는 구간 평균 심박수)), 제1 검사일에 대응되는 구간 평균 심박수 및 제2 검사일의 호르몬 농도를 입력값으로 사용하고, 상기 제1 검사일에 대응되어 있는 진단 결과를 라벨링값으로 사용할 수 있다.According to the sixth embodiment disclosed by the present application, in order to learn a learning model, the rate of change of the interval average heart rate of the first test day with respect to the second test day (i.e., (interval average heart rate corresponding to the first test day - the second (section average heart rate corresponding to the test day) / (section average heart rate corresponding to the second test day)), the section average heart rate corresponding to the first test day and the hormone concentration of the second test day are used as input values, and on the first test day The corresponding diagnostic result can be used as a labeling value.
제6 실시예는, 제5 실시예와 비교할 때, "제1 검사일의 구간 평균 심박수"를 입력값으로 더 사용한다는 것만 상이하고 다른 것들 대부분 동일하기 때문에, 여기에서는 자세한 설명을 생략하기로 한다.Compared to the fifth embodiment, the sixth embodiment differs only in that it uses “segment average heart rate on the first test day” as an input value and most other things are the same, so detailed description will be omitted here.
학습방법 실시예#7. 기준일 심박수와의 변화율, 기준일의 호르몬값 및 분포의 변화Learning method example #7. Rate of change from heart rate on the reference day, changes in hormone values and distribution on the reference date
본 출원에 의해 개시되는 제7 실시예에 따르면, 학습 모델을 학습시키기 위하여, 제2 검사일에 대한 제1 검사일의 구간 평균 심박수의 변화율 (즉, (제1 검사일에 대응되는 구간 평균 심박수 - 제2 검사일에 대응되는 구간 평균 심박수) / (제2 검사일에 대응되는 구간 평균 심박수)), 제2 검사일에 대한 제1 검사일의 구간 심박수들의 상대 표준편차의 변화량 (즉, (제1 검사일에 대응되는 구간 심박수들의 표준편차 / 제1 검사일에 대응되는 구간 평균 심박수) - (제2 검사일에 대응되는 구간 심박수들의 표준편차 / 제2 검사일에 대응되는 구간 평균 심박수)) 및 제2 검사일의 호르몬 농도를 입력값으로 사용하고, 상기 제1 검사일에 대응되어 있는 진단 결과를 라벨링값으로 사용할 수 있다. According to the seventh embodiment disclosed by the present application, in order to learn a learning model, the rate of change of the interval average heart rate of the first test day with respect to the second test day (i.e., (interval average heart rate corresponding to the first test day - 2 Average heart rate of the section corresponding to the test day) / (average heart rate of the section corresponding to the second test day)), the amount of change in the relative standard deviation of the section heart rates of the first test day with respect to the second test day (i.e., (section corresponding to the first test day) Standard deviation of heart rates / average heart rate of the section corresponding to the first test day) - (standard deviation of the heart rates of the section corresponding to the second test day / average heart rate of the section corresponding to the second test day)) and the hormone concentration of the second test day are input values. , and the diagnosis result corresponding to the first inspection date can be used as a labeling value.
제7 실시예는, 제5 실시예와 비교할 때, "구간 심박수들의 상대표준편차의 변화량"을 입력값으로 더 사용하는 것만 상이하고 다른 것들은 대부분 동일하기 때문에, 여기에서는 자세한 설명을 생략하기로 한다.Compared to the fifth embodiment, the seventh embodiment differs only in using "the amount of change in the relative standard deviation of section heart rates" as an input value, and most other things are the same, so detailed description will be omitted here. .
전술한 제7 실시예에 대한 설명에서는 입력값으로 상대 표준편차의 차이값을 활용하는 것을 기준으로 설명하였으나, 제X 검사일에 대응되는 구간 심박수들과 제Y 검사일에 대응되는 구간 심박수들 사이에 대해서 계산될 수 있는, 구간 심박수들의 표준편차의 차이값, 구간 심박수들의 상대 표준편차의 차이값, 구간 심박수들의 왜도(skewness)의 차이값, 구간 심박수들의 첨도(kurtois)의 차이값 및 제X 검사일에 대응되는 구간 심박수들 분포와 제Y 검사일에 대응되는 구간 심박수들의 분포 사이의 차이를 나타내는 JS divergence로 이루어진 그룹에서 선택된 어느 하나의 값 또는 이들의 조합이 입력값으로 활용될 수 있다.In the description of the above-described seventh embodiment, the explanation was based on using the difference value of the relative standard deviation as the input value, but between the section heart rates corresponding to the X test day and the section heart rates corresponding to the Y test day The difference value of the standard deviation of the interval heart rates, the difference value of the relative standard deviation of the interval heart rates, the difference value of the skewness of the interval heart rates, the difference value of the kurtosis of the interval heart rates, and the X test date that can be calculated Any one value selected from the group consisting of JS divergence, which represents the difference between the distribution of section heart rates corresponding to and the distribution of section heart rates corresponding to the Y test date, or a combination thereof, can be used as an input value.
학습방법 실시예#8. 기준일 심박수와의 변화율, 대상일의 구간 평균 심박수, 기준일의 호르몬값 및 분포의 변화Learning method example #8. Rate of change from the heart rate on the reference day, average heart rate in the section on the target day, changes in hormone values and distribution on the reference day
본 출원에 의해 개시되는 제8 실시예에 따르면, 학습 모델을 학습시키기 위하여, 제2 검사일에 대한 제1 검사일의 구간 평균 심박수의 변화율 (즉, (제1 검사일에 대응되는 구간 평균 심박수 - 제2 검사일에 대응되는 구간 평균 심박수) / (제2 검사일에 대응되는 구간 평균 심박수)), 제2 검사일에 대한 제1 검사일의 구간 심박수들의 상대 표준편차의 변화량 (즉, (제1 검사일에 대응되는 구간 심박수들의 표준편차 / 제1 검사일에 대응되는 구간 평균 심박수) - (제2 검사일에 대응되는 구간 심박수들의 표준편차 / 제2 검사일에 대응되는 구간 평균 심박수)), 제1 검사일에 대응되는 구간 평균 심박수 및 제2 검사일의 호르몬 농도를 입력값으로 사용하고, 상기 제1 검사일에 대응되어 있는 진단 결과를 라벨링값으로 사용할 수 있다.According to the eighth embodiment disclosed by the present application, in order to learn a learning model, the rate of change of the interval average heart rate of the first test day with respect to the second test day (i.e., (interval average heart rate corresponding to the first test day - the second Average heart rate of the section corresponding to the test day) / (average heart rate of the section corresponding to the second test day)), the amount of change in the relative standard deviation of the section heart rates of the first test day with respect to the second test day (i.e., (section corresponding to the first test day) Standard deviation of heart rates / section average heart rate corresponding to the first test day) - (standard deviation of section heart rates corresponding to the second test day / section average heart rate corresponding to the second test day)), section average heart rate corresponding to the first test day And the hormone concentration on the second test day can be used as an input value, and the diagnosis result corresponding to the first test day can be used as a labeling value.
제8 실시예는, 제7 실시예와 비교할 때, "제1 기준일의 구간 평균 심박수"를 입력값으로 더 사용하는 것만 상이하고 다른 것들은 대부분 동일하기 때문에, 여기에서는 자세한 설명을 생략하기로 한다.Compared to the seventh embodiment, the eighth embodiment differs only in that it further uses “segment average heart rate on the first reference day” as an input value and most other things are the same, so detailed description will be omitted here.
전술한 제8 실시예에 대한 설명에서는 입력값으로 상대 표준편차의 차이값을 활용하는 것을 기준으로 설명하였으나, 제X 검사일에 대응되는 구간 심박수들과 제Y 검사일에 대응되는 구간 심박수들 사이에 대해서 계산될 수 있는, 구간 심박수들의 표준편차의 차이값, 구간 심박수들의 상대 표준편차의 차이값, 구간 심박수들의 왜도(skewness)의 차이값, 구간 심박수들의 첨도(kurtois)의 차이값 및 제X 검사일에 대응되는 구간 심박수들 분포와 제Y 검사일에 대응되는 구간 심박수들의 분포 사이의 차이를 나타내는 JS divergence로 이루어진 그룹에서 선택된 어느 하나의 값 또는 이들의 조합이 입력값으로 활용될 수 있다.In the description of the above-described eighth embodiment, the explanation was based on using the difference value of the relative standard deviation as the input value, but between the section heart rates corresponding to the X test day and the section heart rates corresponding to the Y test day The difference value of the standard deviation of the interval heart rates, the difference value of the relative standard deviation of the interval heart rates, the difference value of the skewness of the interval heart rates, the difference value of the kurtosis of the interval heart rates, and the X test date that can be calculated Any one value selected from the group consisting of JS divergence, which represents the difference between the distribution of section heart rates corresponding to and the distribution of section heart rates corresponding to the Y test date, or a combination thereof, can be used as an input value.
학습방법 실시예#9. 기준일 심박수와의 변화율(또는 변화량), 기준일의 호르몬값, 분포의 변화 및 검사일 간의 차이Learning method example #9. Rate of change (or amount of change) from baseline heart rate, hormone values on baseline date, changes in distribution, and differences between test days
본 출원에 의해 개시되는 제9 실시예에 따르면 학습 모델을 학습시키기 위하여, 제2 검사일에 대한 제1 검사일의 구간 평균 심박수의 변화율 (즉, (제1 검사일에 대응되는 구간 평균 심박수 - 제2 검사일에 대응되는 구간 평균 심박수) / (제2 검사일에 대응되는 구간 평균 심박수)), 제2 검사일에 대한 제1 검사일의 구간 심박수들의 상대 표준편차의 변화량 (즉, (제1 검사일에 대응되는 구간 심박수들의 표준편차 / 제1 검사일에 대응되는 구간 평균 심박수) - (제2 검사일에 대응되는 구간 심박수들의 표준편차 / 제2 검사일에 대응되는 구간 평균 심박수)), 제2 검사일의 호르몬 농도 및 제1 검사일과 제2 검사일 사이의 차이(days)를 입력값으로 사용하고, 상기 제1 검사일에 대응되어 있는 진단 결과를 라벨링값으로 사용할 수 있다.According to the ninth embodiment disclosed by the present application, in order to learn a learning model, the rate of change of the interval average heart rate of the first examination day with respect to the second examination day (i.e., (interval average heart rate corresponding to the first examination day - the second examination day) (section average heart rate corresponding to the second test day) / (section average heart rate corresponding to the second test day)), the amount of change in the relative standard deviation of the section heart rates of the first test day with respect to the second test day (i.e., (segment heart rate corresponding to the first test day) standard deviation of section heart rates corresponding to the first test day) - (standard deviation of section heart rates corresponding to the second test day / section average heart rate corresponding to the second test day)), hormone concentration on the second test day and first test day The difference (days) between and the second inspection date can be used as an input value, and the diagnosis result corresponding to the first inspection date can be used as a labeling value.
제9 실시예는, 제7 실시예와 비교할 때, 제1 검사일과 제2 검사일 사이의 차이를 입력값으로 더 활용한다는 것만 상이하고 다른 것들은 대부분 동일하기 때문에, 여기서는 자세한 설명을 생략하기로 한다.Compared to the seventh embodiment, the ninth embodiment differs only in that the difference between the first inspection date and the second inspection date is used as an input value, and most other things are the same, so detailed description will be omitted here.
전술한 제9 실시예에 대한 설명에서는 입력값으로 상대 표준편차의 차이값을 활용하는 것을 기준으로 설명하였으나, 제X 검사일에 대응되는 구간 심박수들과 제Y 검사일에 대응되는 구간 심박수들 사이에 대해서 계산될 수 있는, 구간 심박수들의 표준편차의 차이값, 구간 심박수들의 상대 표준편차의 차이값, 구간 심박수들의 왜도(skewness)의 차이값, 구간 심박수들의 첨도(kurtois)의 차이값 및 제X 검사일에 대응되는 구간 심박수들 분포와 제Y 검사일에 대응되는 구간 심박수들의 분포 사이의 차이를 나타내는 JS divergence로 이루어진 그룹에서 선택된 어느 하나의 값 또는 이들의 조합이 입력값으로 활용될 수 있다.In the description of the ninth embodiment described above, the explanation was based on using the difference value of the relative standard deviation as the input value, but between the section heart rates corresponding to the X test date and the section heart rates corresponding to the Y test day The difference value of the standard deviation of the interval heart rates, the difference value of the relative standard deviation of the interval heart rates, the difference value of the skewness of the interval heart rates, the difference value of the kurtosis of the interval heart rates, and the X test date that can be calculated Any one value selected from the group consisting of JS divergence, which represents the difference between the distribution of section heart rates corresponding to and the distribution of section heart rates corresponding to the Y test date, or a combination thereof, can be used as an input value.
한편, 기준일 심박수와의 변화율 및 상대 표준편차의 변화량을 사용하는 대신, 기준일 심박수와의 변화량 및 표준편차의 변화량을 사용하는 것도 가능하다. 이 경우, 상대 표준편차의 변화량 뿐만 아니라, 제X 검사일에 대응되는 구간 심박수들과 제Y 검사일에 대응되는 구간 심박수들 사이에 대해서 계산될 수 있는, 구간 심박수들의 표준편차의 차이값, 구간 심박수들의 상대 표준편차의 차이값, 구간 심박수들의 왜도(skewness)의 차이값, 구간 심박수들의 첨도(kurtois)의 차이값 및 제X 검사일에 대응되는 구간 심박수들 분포와 제Y 검사일에 대응되는 구간 심박수들의 분포 사이의 차이를 나타내는 JS divergence로 이루어진 그룹에서 선택된 어느 하나의 값 또는 이들의 조합이 입력값으로 활용될 수 있다.Meanwhile, instead of using the rate of change from the heart rate on the reference day and the amount of change in the relative standard deviation, it is also possible to use the amount of change from the heart rate on the reference day and the amount of change in the standard deviation. In this case, not only the change in relative standard deviation, but also the difference value of the standard deviation of the section heart rates, which can be calculated between the section heart rates corresponding to the The difference value of relative standard deviation, the difference value of skewness of section heart rates, the difference value of kurtosis of section heart rates, and the distribution of section heart rates corresponding to the Any one value selected from the group consisting of JS divergence, which represents the difference between distributions, or a combination thereof, can be used as an input value.
학습방법 실시예#10. 변수들의 조합Learning method example #10. combination of variables
본 출원에 의해 개시되는 제10 실시예에 따르면, 학습 모델을 학습시키기 위하여, 다음의 [표1]에 개시된 변수들의 조합값(combination value)이 입력값으로 더 활용될 수 있다.According to the tenth embodiment disclosed by the present application, in order to train the learning model, the combination value of the variables disclosed in the following [Table 1] can be further used as an input value.
제1 기준일에 제1 구간 평균 심박수, 제1 표준편차, 제1 왜도, 제1 첨도, 제1 TSH 호르몬 농도, 제1 free T4 농도, 제1 T4 농도, 제1 free T3 농도, 제1 T3 농도, 제1 TRH 농도 및 제1 기준일에 대한 갑상선기능이상증에 대한 진단결과가 대응되어 있고, 제2 기준일에 제2 구간 평균 심박수, 제2 표준편차, 제2 왜도, 제2 첨도, 제2 TSH 호르몬 농도, 제2 free T4 농도, 제2 T4 농도, 제2 free T3 농도, 제2 T3 농도, 제2 TRH 농도 및 제2 기준일에 대한 갑상선기능이상증에 대한 진단결과가 대응되어 있을 때, 상기 변수들은 다음과 같이 산출된다.(1) 구간 평균 심박수 변화량 = 제1 기준일의 구간 평균 심박수 - 제2 기준일의 구간 평균 심박수First interval average heart rate, first standard deviation, first skewness, first kurtosis, first TSH hormone concentration, first free T4 concentration, first T4 concentration, first free T3 concentration, first T3 on the first reference day. Concentration, first TRH concentration, and diagnosis results for thyroid dysfunction for the first reference date are corresponded, and on the second reference date, the second section average heart rate, second standard deviation, second skewness, second kurtosis, and second When the diagnosis results for dysthyroidism for the TSH hormone concentration, second free T4 concentration, second T4 concentration, second free T3 concentration, second T3 concentration, second TRH concentration and second reference date correspond to the above The variables are calculated as follows: (1) Change in section average heart rate = section average heart rate on the first reference day - section average heart rate on the second reference day
(2) 구간 평균 심박수 변화율 = (제1 기준일의 구간 평균 심박수 - 제2 기준일의 구간 평균 심박수) / 제2 기준일의 구간 평균 심박수(2) Zone average heart rate change rate = (segment average heart rate on the first reference day - section average heart rate on the second reference day) / section average heart rate on the second reference day
(3) 표준편차 변화량 = 제1 기준일의 구간 심박수들의 표준편차 - 제2 기준일의 구간심박수들의 표준편차(3) Standard deviation change = standard deviation of zone heart rates on the first reference day - standard deviation of zone heart rates on the second reference day
(4) 상대 표준편차 변화량 = (제1 기준일의 구간 심박수들의 표준편차 / 제1 기준일의 구간 평균 심박수) - (제2 기준일의 구간심박수들의 표준편차 / 제2 기준일의 구간 평균 심박수)(4) Relative standard deviation change = (standard deviation of section heart rates on the first reference day / section average heart rate on the first reference day) - (standard deviation of section heart rates on the second reference day / section average heart rate on the second reference day)
(5) 구간 심박수의 왜도 변화량 = 제1 기준일의 구간 심박수들의 왜도 - 제2 기준일의 구간 심박수들의 왜도(5) Skewness change in section heart rates = skewness of section heart rates on the first reference day - skewness of section heart rates on the second reference day
(6) 구간 심박수의 첨도 변화량 = 제1 기준일의 구간 심박수들의 첨도 - 제2 기준일의 구간 심박수들의 왜도(6) Change in kurtosis of interval heart rates = kurtosis of interval heart rates on the first reference day - skewness of interval heart rates on the second reference day
(7) JS Divergence : 제1 기준일의 구간 심박수들과 제2 기준일의 구간 심박수들 사이에서 계산되는 JS Divergence(7) JS Divergence: JS Divergence calculated between the zone heart rates of the first reference day and the zone heart rates of the second reference day
이때, 상기 변수들간의 조합값은 상기 변수들 중에서 선택되는 하나의 값(이하, 제1 값이라 함)과 상기 상기 변수들 중에서 선택되는 다른 하나의 값(이하, 제2 값이라 함)을 서로 곱한 값, 제1 값을 제2 값으로 나눈 값 및 제2 값을 제1 값으로 나눈 값 중 하나를 의미한다. 예를 들어, 상기 조합값은 제2 기준일의 free T4의 농도값을 JS Divergence로 나눈값일 수 있다.At this time, the combination value between the variables is one value selected from among the variables (hereinafter referred to as the first value) and another value selected from the variables (hereinafter referred to as the second value). It means one of a multiplied value, a value obtained by dividing a first value by a second value, and a value obtained by dividing a second value by a first value. For example, the combination value may be the concentration value of free T4 on the second reference date divided by JS Divergence.
이론적으로, 상기 조합값들의 개수는 12*11 = 132개일 수 있다.Theoretically, the number of combination values may be 12*11 = 132.
한편, 변수들간의 조합값은 둘 이상이 사용될 수 있다.Meanwhile, two or more combination values between variables can be used.
제10 실시예에 따라 학습 모델을 학습시킬 때, 입력값은 다음과 같을 수 있다.When training a learning model according to the tenth embodiment, the input value may be as follows.
[구간 평균 심박수의 변화량, 제2 검사일의 호르몬 농도들 중 적어도 하나, 전술한 조합값들 중 적어도 하나][Change in interval average heart rate, at least one of the hormone concentrations on the second test day, and at least one of the above-mentioned combination values]
[구간 평균 심박수의 변화량, 제2 검사일의 호르몬 농도들 중 적어도 하나, 구간 평균 심박수의 표준편차 변화량, 전술한 조합값들 중 적어도 하나][change in section average heart rate, at least one of the hormone concentrations on the second test day, standard deviation change in section average heart rate, and at least one of the above combination values]
[구간 평균 심박수의 변화량, 제2 검사일의 호르몬 농도들 중 적어도 하나, 제1 기준일의 구간 평균 심박수, 전술한 조합값들 중 적어도 하나][Change in section average heart rate, at least one of the hormone concentrations on the second test day, section average heart rate on the first reference day, and at least one of the above-mentioned combination values]
[구간 평균 심박수의 변화량, 제2 검사일의 호르몬 농도들 중 적어도 하나, 구간 평균 심박수의 표준편차 변화량, 제1 기준일의 구간 평균 심박수, 전술한 조합값들 중 적어도 하나][change in section average heart rate, at least one of the hormone concentrations on the second test day, standard deviation change in section average heart rate, section average heart rate on the first reference day, at least one of the above-mentioned combination values]
[구간 평균 심박수의 변화량, 제2 검사일의 호르몬 농도들 중 적어도 하나, 구간 평균 심박수의 표준편차 변화량, 제1 기준일의 구간 평균 심박수, 제2 기준일과 제1 기준일 사이의 차이(day gap), 전술한 조합값들 중 적어도 하나][change in section average heart rate, at least one of the hormone concentrations on the second test day, standard deviation change in section average heart rate, section average heart rate on the first reference day, difference between the second reference date and the first reference day (day gap), above At least one of the combination values]
[구간 평균 심박수의 변화율, 제2 검사일의 호르몬 농도들 중 적어도 하나, 전술한 조합값들 중 적어도 하나][rate of change in interval average heart rate, at least one of the hormone concentrations on the second test day, and at least one of the above combination values]
[구간 평균 심박수의 변화율, 제2 검사일의 호르몬 농도들 중 적어도 하나, 구간 평균 심박수의 상대 표준편차 변화량, 전술한 조합값들 중 적어도 하나][Rate of change in section average heart rate, at least one of the hormone concentrations on the second test day, change in relative standard deviation of section average heart rate, and at least one of the above combination values]
[구간 평균 심박수의 변화율, 제2 검사일의 호르몬 농도들 중 적어도 하나, 제1 기준일의 구간 평균 심박수, 전술한 조합값들 중 적어도 하나][rate of change in interval average heart rate, at least one of the hormone concentrations on the second test day, interval average heart rate on the first reference day, and at least one of the above-mentioned combination values]
[구간 평균 심박수의 변화율, 제2 검사일의 호르몬 농도들 중 적어도 하나, 구간 평균 심박수의 상대 표준편차 변화량, 제1 기준일의 구간 평균 심박수, 전술한 조합값들 중 적어도 하나][Rate of change in section average heart rate, at least one of the hormone concentrations on the second test day, change in relative standard deviation of section average heart rate, section average heart rate on the first reference day, and at least one of the above combination values]
[구간 평균 심박수의 변화율, 제2 검사일의 호르몬 농도들 중 적어도 하나, 구간 평균 심박수의 상대 표준편차 변화량, 제1 기준일의 구간 평균 심박수, 제2 기준일과 제1 기준일 사이의 차이(day gap), 전술한 조합값들 중 적어도 하나][Rate of change in section average heart rate, at least one of the hormone concentrations on the second test day, relative standard deviation change in section average heart rate, section average heart rate on the first reference day, difference between the second reference date and the first reference date (day gap), At least one of the above combination values]
[구간 평균 심박수의 변화량, 제2 검사일의 호르몬 농도들 중 적어도 하나, 구간 평균 심박수들의 왜도 또는 첨도의 변화량 또는 JS Divergence, 전술한 조합값들 중 적어도 하나][At least one of the change in section average heart rate, hormone concentrations on the second test day, change in skewness or kurtosis of section average heart rates, or JS Divergence, at least one of the above combination values]
[구간 평균 심박수의 변화량, 제2 검사일의 호르몬 농도들 중 적어도 하나, 구간 평균 심박수들의 왜도 또는 첨도의 변화량 또는 JS Divergence, 제1 기준일의 구간 평균 심박수, 전술한 조합값들 중 적어도 하나][Change in section average heart rate, at least one of hormone concentrations on the second test day, change in skewness or kurtosis of section average heart rates or JS Divergence, section average heart rate on the first reference day, at least one of the above combination values]
[구간 평균 심박수의 변화량, 제2 검사일의 호르몬 농도들 중 적어도 하나, 구간 평균 심박수들의 왜도 또는 첨도의 변화량 또는 JS Divergence, 제1 기준일의 구간 평균 심박수, 제2 기준일과 제1 기준일 사이의 차이(day gap), 전술한 조합값들 중 적어도 하나][Change in section average heart rate, at least one of the hormone concentrations on the second test day, change in skewness or kurtosis of section average heart rates or JS Divergence, section average heart rate on the first reference day, difference between the second reference date and the first reference date (day gap), at least one of the above combination values]
[구간 평균 심박수의 변화율, 제2 검사일의 호르몬 농도들 중 적어도 하나, 구간 평균 심박수들의 왜도 또는 첨도의 변화량 또는 JS Divergence, 전술한 조합값들 중 적어도 하나][Rate of change in interval average heart rate, at least one of the hormone concentrations on the second test day, change in skewness or kurtosis of interval average heart rates, or JS Divergence, at least one of the above combination values]
[구간 평균 심박수의 변화율, 제2 검사일의 호르몬 농도들 중 적어도 하나, 구간 평균 심박수들의 왜도 또는 첨도의 변화량 또는 JS Divergence, 제1 기준일의 구간 평균 심박수, 전술한 조합값들 중 적어도 하나][Rate of change in section average heart rate, at least one of the hormone concentrations on the second test day, change in skewness or kurtosis of section average heart rates or JS Divergence, section average heart rate on the first reference day, at least one of the above combination values]
[구간 평균 심박수의 변화율, 제2 검사일의 호르몬 농도들 중 적어도 하나, 구간 평균 심박수들의 왜도 또는 첨도의 변화량 또는 JS Divergence, 제1 기준일의 구간 평균 심박수, 제2 기준일과 제1 기준일 사이의 차이(day gap), 전술한 조합값들 중 적어도 하나][Rate of change in section average heart rate, at least one of the hormone concentrations on the second test day, change in skewness or kurtosis of section average heart rates or JS Divergence, section average heart rate on the first reference day, difference between the second reference date and the first reference date (day gap), at least one of the above combination values]
[구간 평균 심박수의 변화량, 제2 검사일의 호르몬 농도들 중 적어도 하나, 구간 평균 심박수들의 표준편차의 변화량, 구간 평균 심박수들의 왜도 또는 첨도의 변화량 또는 JS Divergence, 전술한 조합값들 중 적어도 하나][Change in section average heart rate, at least one of the hormone concentrations on the second test day, change in standard deviation of section average heart rates, change in skewness or kurtosis of section average heart rates, or JS Divergence, at least one of the above combination values]
[구간 평균 심박수의 변화량, 제2 검사일의 호르몬 농도들 중 적어도 하나, 구간 평균 심박수들의 표준편차의 변화량, 구간 평균 심박수들의 왜도 또는 첨도의 변화량 또는 JS Divergence, 제1 기준일의 구간 평균 심박수, 전술한 조합값들 중 적어도 하나][Change in section average heart rate, at least one of the hormone concentrations on the second test day, change in standard deviation of section average heart rates, change in skewness or kurtosis of section average heart rates or JS Divergence, section average heart rate on the first reference day, above At least one of the combination values]
[구간 평균 심박수의 변화량, 제2 검사일의 호르몬 농도들 중 적어도 하나, 구간 평균 심박수들의 표준편차의 변화량, 구간 평균 심박수들의 왜도 또는 첨도의 변화량 또는 JS Divergence, 제1 기준일의 구간 평균 심박수, 제2 기준일과 제1 기준일 사이의 차이(day gap), 전술한 조합값들 중 적어도 하나][Change in section average heart rate, at least one of the hormone concentrations on the second test day, change in standard deviation of section average heart rates, change in skewness or kurtosis of section average heart rates or JS Divergence, section average heart rate on the first reference day, 2 Difference between the reference date and the first reference date (day gap), at least one of the above-mentioned combination values]
[구간 평균 심박수의 변화율, 제2 검사일의 호르몬 농도들 중 적어도 하나, 구간 평균 심박수들의 상대 표준편차의 변화량, 구간 평균 심박수들의 왜도 또는 첨도의 변화량 또는 JS Divergence, 전술한 조합값들 중 적어도 하나][Rate of change in section average heart rate, at least one of the hormone concentrations on the second test day, change in relative standard deviation of section average heart rates, change in skewness or kurtosis of section average heart rates, or JS Divergence, at least one of the above combination values ]
[구간 평균 심박수의 변화율, 제2 검사일의 호르몬 농도들 중 적어도 하나, 구간 평균 심박수들의 상대 표준편차의 변화량, 구간 평균 심박수들의 왜도 또는 첨도의 변화량 또는 JS Divergence, 제1 기준일의 구간 평균 심박수, 전술한 조합값들 중 적어도 하나][Rate of change in section average heart rate, at least one of the hormone concentrations on the second test day, change in relative standard deviation of section average heart rates, change in skewness or kurtosis of section average heart rates or JS Divergence, section average heart rate on the first reference day, At least one of the above combination values]
[구간 평균 심박수의 변화율, 제2 검사일의 호르몬 농도들 중 적어도 하나, 구간 평균 심박수들의 상대 표준편차의 변화량, 구간 평균 심박수들의 왜도 또는 첨도의 변화량 또는 JS Divergence, 제1 기준일의 구간 평균 심박수, 제2 기준일과 제1 기준일 사이의 차이(day gap), 전술한 조합값들 중 적어도 하나][Rate of change in section average heart rate, at least one of the hormone concentrations on the second test day, change in relative standard deviation of section average heart rates, change in skewness or kurtosis of section average heart rates or JS Divergence, section average heart rate on the first reference day, Difference between the second reference date and the first reference date (day gap), at least one of the above-mentioned combination values]
한편, 제10 실시예에 따라 학습 모델을 학습시킬 때, 라벨링값은 제1 검사일의 진단결과일 수 있다. 예를 들어, 갑상선기능항진증 예측 모델을 학습시킬 때, 제1 검사일의 진단 결과가 '항진증'이면, 그 라벨값은 '항진'으로, 제1 검사일의 진단 결과가 '정상'이면, 그 라벨값은 '항진아님'으로 라벨할 수 있고, 갑상선기능저하증 예측 모델을 학습시킬 때, 제1 검사일의 진단 결과가 '저하증'이면, 그 라벨값은 '저하'로, 제1 검사일의 진단 결과가 '정상'이면, 그 라벨값은 '저하아님'으로 라벨할 수 있다.Meanwhile, when training the learning model according to the tenth embodiment, the labeling value may be the diagnosis result on the first inspection day. For example, when learning a hyperthyroidism prediction model, if the diagnosis result on the first test day is 'hyperthyroidism', the label value is 'hyperthyroidism', and if the diagnosis result on the first test day is 'normal', the label value is can be labeled as 'not hyperthyroid', and when training a hypothyroidism prediction model, if the diagnosis result on the first test day is 'hypothyroidism', the label value is 'hypothyroidism', and the diagnosis result on the first test day is 'hypothyroidism'. If it is ‘normal’, the label value can be labeled as ‘not deteriorated’.
학습방법 실시예#11. 성별 및 연령 등의 개인정보의 활용Learning method example #11. Use of personal information such as gender and age
본 출원에 의해 개시되는 제11 실시예에 따르면, 학습 모델을 학습시키기 위하여, 전술한 제1 실시예 내지 제10 실시예에서 설명한 입력값에 더하여, 대상의 개인정보를 입력값으로 사용할 수 있다. 예를 들어, 대상의 성별 및/또는 나이가 입력값으로 사용될 수 있다.According to the eleventh embodiment disclosed by the present application, in order to train a learning model, the target's personal information can be used as an input value in addition to the input values described in the above-described first to tenth embodiments. For example, the subject's gender and/or age may be used as input values.
예를 들어, 제6 실시예에서 설명한 입력값에 더하여 대상의 성별 및 나이를입력값으로 사용하는 경우, 제2 검사일에 대한 제1 검사일의 구간 평균 심박수의 변화율 (즉, (제1 검사일에 대응되는 구간 평균 심박수 - 제2 검사일에 대응되는 구간 평균 심박수) / (제2 검사일에 대응되는 구간 평균 심박수)), 제1 검사일에 대응되는 구간 평균 심박수, 제2 검사일의 호르몬 농도, 성별 및 나이를 입력값으로 사용하고, 상기 제1 검사일에 대응되어 있는 진단 결과를 라벨링값으로 사용할 수 있다.For example, when using the gender and age of the subject as input values in addition to the input values described in the sixth embodiment, the rate of change of the interval average heart rate of the first test day with respect to the second test day (i.e., (corresponds to the first test day) average heart rate of the section corresponding to the second test day - average heart rate of the section corresponding to the second test day) / (average heart rate of the section corresponding to the second test day)), average heart rate of the section corresponding to the first test day, hormone concentration, gender and age of the second test day It can be used as an input value, and the diagnosis result corresponding to the first inspection date can be used as a labeling value.
제1 실시예 내지 제10 실시예에서 설명된 입력값들에 더하여 대상의 개인정보를 보다 더 사용하는 것에 대한 자세한 설명은 생략하기로 한다.A detailed description of further use of the subject's personal information in addition to the input values described in the first to tenth embodiments will be omitted.
한편, 대상의 개인정보로 성별과 나이를 모두 사용하는 것에 대하여 설명하였지만, 성별과 나이가 함께 사용되는 대신, 성별만 사용되거나 나이만 사용되는 실시예도 가능하며, 성별과 나이 이외의 다른 개인정보가 더 활용될 수도 있을 것이다.On the other hand, although the use of both gender and age as the target's personal information was explained, an embodiment in which only gender or age is used instead of gender and age together is also possible, and personal information other than gender and age is used. It could be used more.
이하에서는, 본 출원에 의해 개시되는 예측 모델을 이용하여 대상(subject)의 갑상선기능이상증을 예측하는 방법 및 시스템에 대해서 설명한다.Below, a method and system for predicting thyroid dysfunction in a subject using the prediction model disclosed by this application will be described.
3. 전체 시스템3. Entire system
(1) 시스템의 하드웨어적 구성(1) System hardware configuration
도 1은 본 출원에 의해 개시되는 일실시예에 따른 갑상선기능이상증을 예측하기 위한 시스템을 도시하는 도면이다.1 is a diagram illustrating a system for predicting thyroid dysfunction according to an embodiment disclosed by the present application.
도 1을 참조하면, 상기 시스템(1)은 복수의 심박수 측정 디바이스들(heart rate measuring device, 10), 복수의 사용자 단말기들(user terminal, 20) 및 서버(30)를 포함한다.Referring to FIG. 1, the system 1 includes a plurality of heart rate measuring devices (10), a plurality of user terminals (20), and a server (30).
이하에서는, 상기 복수의 심박수 측정 디바이스들(10), 상기 복수의 사용자 단말기들(20) 및 상기 서버(30)에 대해 보다 구체적으로 설명한다.Hereinafter, the plurality of heart rate measurement devices 10, the plurality of user terminals 20, and the server 30 will be described in more detail.
(2) 심박수 측정 디바이스의 기능(2) Function of heart rate measurement device
상기 복수의 심박수 측정 디바이스들(10)은 대상(사용자)의 심박수(heart rate)를 측정할 수 있다. 예를 들어, 상기 심박수 측정 디바이스들(10)은 대상의 단위 시간당 심박수(beats per minute)를 측정할 수 있다. 즉, 상기 심박수 측정 디바이스들(10)은 대상의 분당 심박수를 측정할 수 있다.The plurality of heart rate measurement devices 10 can measure the heart rate of a subject (user). For example, the heart rate measurement devices 10 may measure the subject's heart rate (beats per minute) per unit time. That is, the heart rate measurement devices 10 can measure the heart rate per minute of the subject.
상기 복수의 심박수 측정 디바이스들(10)은 측정된 대상의 심박수들을 저장할 수 있다. 이때, 상기 심박수 측정 디바이스들(10)은, 상기 복수의 심박수들을 저장할 때, 상기 심박수(단위 시간당 심박수)가 측정된 시각(time point)를 함께 매칭시켜 저장할 수 있다.The plurality of heart rate measurement devices 10 may store the measured heart rates of the target. At this time, when the heart rate measurement devices 10 store the plurality of heart rates, they may store the time points at which the heart rate (heart rate per unit time) was measured by matching them together.
상기 복수의 심박수 측정 디바이스들(10)은 상기 저장된 심박수들을 상기 복수의 사용자 단말기들(20) 및/또는 상기 서버(30)로 전송할 수 있다.The plurality of heart rate measurement devices 10 may transmit the stored heart rates to the plurality of user terminals 20 and/or the server 30.
상기 복수의 심박수 측정 디바이스들(10)은 상기 서버(30) 또는 상기 사용자단말기들(20)로부터 갑상선기능이상증에 관한 예측결과를 수신할 수 있다.The plurality of heart rate measurement devices 10 may receive prediction results regarding thyroid dysfunction from the server 30 or the user terminals 20.
(3) 심박수 측정 디바이스의 종류(3) Types of heart rate measurement devices
상기 심박수 측정 디바이스는 웨어러블 워치(wearable watch), 웨어러블 밴드(wearable band) 또는 패치 타입 디바이스(patch type device)일 수 있다.The heart rate measurement device may be a wearable watch, a wearable band, or a patch type device.
(4) 사용자 단말기의 기능(4) Functions of user terminal
상기 복수의 사용자 단말기들(20)은 각종 네트워크를 통해 상기 서버(30)에 정보를 전송하고, 또 상기 서버(30)로부터 정보를 수신한다. The plurality of user terminals 20 transmit information to the server 30 and receive information from the server 30 through various networks.
상기 복수의 사용자 단말기들(20)은 상기 심박수 측정 디바이스(10)로부터 상기 측정된 심박수들을 수신하고 또 상기 수신된 심박수들을 저장할 수 있다.The plurality of user terminals 20 may receive the measured heart rates from the heart rate measurement device 10 and store the received heart rates.
상기 복수의 사용자 단말기들(20)은 상기 저장된 심박수들을 전처리할 수 있다. 예를 들어, 상기 사용자 단말기들(20)은 저장되어 있는 모든 심박수들 중에서 휴지기에 측정된 심박수들을 선별할 수 있다. 다른 예를 들어, 상기 사용자 단말기들(20)은 특정한 날을 기준으로 상기 저장되어 있는 모든 심박수들 중에서 전술한 구간 심박수들을 선별할 수 있다. 또 다른 예를 들어, 상기 사용자 단말기들(20)은 상기 특정한 날을 기준으로 선별된 구간 심박수들의 평균을 산출할 수 있다. 또 다른 예를 들어, 상기 사용자 단말기들(20)은 상기 특정한 날을 기준으로 선별된 구간 심박수들의 표준편차, 상대 표준편차, 왜도, 첨도 등을 산출할 수 있다.The plurality of user terminals 20 may preprocess the stored heart rates. For example, the user terminals 20 may select heart rates measured in the resting state from among all stored heart rates. For another example, the user terminals 20 may select the heart rates in the above-described zone among all the stored heart rates based on a specific day. As another example, the user terminals 20 may calculate the average of heart rates in selected sections based on the specific day. For another example, the user terminals 20 may calculate the standard deviation, relative standard deviation, skewness, kurtosis, etc. of the heart rates in selected sections based on the specific day.
상기 복수의 사용자 단말기들(20)은 사용자의 호르몬 농도의 검사일을 획득할 수 있으며, 상기 검사일에 대응되는 검사결과(예를 들어, 호르몬 농도 및/또는 의사의 진단 결과 등)를 획득할 수 있다. 상기 복수의 사용자 단말기들(20)은 상기 검사일 및 그에 대한 검사결과를 사용자의 입력에 의해 획득할 수도 있으며, 네트워크를 통해 외부로부터 수신하는 방식으로 획득할 수도 있다.The plurality of user terminals 20 can obtain the test date of the user's hormone concentration and obtain test results (for example, hormone concentration and/or doctor's diagnosis results, etc.) corresponding to the test date. . The plurality of user terminals 20 may obtain the inspection date and its inspection results through user input, or may obtain them by receiving them from the outside through a network.
상기 복수의 사용자 단말기들(20)은 상기 저장된 심박수들 및/또는 상기 전처리된 결과들을 상기 서버(30)로 전송할 수 있다.The plurality of user terminals 20 may transmit the stored heart rates and/or the preprocessed results to the server 30 .
상기 복수의 사용자 단말기들(20)은 상기 검사일 및 검사결과를 상기 서버(30)로 전송할 수 있다.The plurality of user terminals 20 may transmit the test date and test results to the server 30.
상기 복수의 사용자 단말기들(20)은 상기 서버(30)에 의해 처리된 갑상선기능이상증에 관한 예측결과를 상기 서버(30)로부터 수신할 수 있다.The plurality of user terminals 20 may receive prediction results regarding thyroid dysfunction processed by the server 30 from the server 30 .
(5) 사용자 단말기의 종류(5) Type of user terminal
상기 복수의 사용자 단말기들(20) 스마트폰, 태블릿 PC, 랩탑, 데스크탑 중 적어도 하나일 수 있다.The plurality of user terminals 20 may be at least one of a smartphone, tablet PC, laptop, and desktop.
(6) 서버의 기능(6) Server functions
상기 서버(30)는 각종 네트워크를 통해 상기 복수의 사용자 단말기들(20)에 정보를 전송하고, 또 상기 복수의 사용자 단말기들(20)로부터 정보를 수신한다.The server 30 transmits information to the plurality of user terminals 20 through various networks, and also receives information from the plurality of user terminals 20.
상기 서버(30)는 상기 복수의 사용자 단말기들(20)로부터 측정된 심박수들의전부 또는 일부를 수신할 수 있다. 이때, 상기 서버(30)는 상기 수신된 심박수들을 전처리할 수 있다.The server 30 may receive all or part of the heart rates measured from the plurality of user terminals 20. At this time, the server 30 may preprocess the received heart rates.
또는 상기 서버(30)는 상기 복수의 사용자 단말기들(20)로부터 상기 사용자 단말기(20)에 의해 전처리된 결과를 수신할 수 있다.Alternatively, the server 30 may receive a result preprocessed by the user terminal 20 from the plurality of user terminals 20 .
또한, 상기 서버(30)는 사용자들 각각에 대하여 호르몬 농도 검사일 및 그에 대한 검사결과를 획득할 수 있다. 상기 검사일 및 검사결과는 상기 사용자 단말기(20)로부터 수신되거나 혹은 다른 외부 장치로부터 수신될 수 있다.Additionally, the server 30 can obtain the hormone concentration test date and test results for each user. The test date and test results may be received from the user terminal 20 or from another external device.
상기 서버(30)는 상기 전처리된 결과 등에 기초하여 대상의 갑상선기능이상증에 대한 예측결과를 획득할 수 있다.The server 30 may obtain a prediction result for the subject's thyroid dysfunction based on the preprocessed results, etc.
상기 서버(30)는 상기 갑상선기능이상증에 대한 예측결과를 상기 심박수 측정 디바이스(10) 및/또는 상기 복수의 사용자 단말기들(20)로 전송할 수 있다.The server 30 may transmit the prediction result for thyroid dysfunction to the heart rate measurement device 10 and/or the plurality of user terminals 20.
(7) 시스템의 소프트웨어적 구성(7) Software configuration of the system
상기 시스템(1)이 동작하기 위하여, 몇몇 소프트웨어적 구성들이 필요하다.In order for the system 1 to operate, several software configurations are required.
상기 사용자 단말기들(20)과 상기 서버(30) 사이의 통신을 수행하기 위하여, 상기 복수의 사용자 단말기들(20)에 단말기 소프트웨어가 설치될 필요가 있으며, 상기 서버(30)에 서버 소프트웨어가 설치될 필요가 있다. In order to perform communication between the user terminals 20 and the server 30, terminal software needs to be installed on the plurality of user terminals 20, and server software must be installed on the server 30. needs to be
상기 전처리된 결과에 기초하여 갑상선기능이상증을 예측하기 위한 복수의 예측모델들이 사용될 수 있다.A plurality of prediction models can be used to predict thyroid dysfunction based on the preprocessed results.
상기 복수의 예측모델들은 상기 서버(30)에 설치되는 소프트웨어에 의해 구동될 수도 있다. 또는 상기 복수의 예측모델들은 상기 사용자 단말기들(20)에 설치되는 단말기 소프트웨어에 의해 구동될 수 있다. 또는 상기 복수의 학습모델들의 일부는 상기 사용자 단말기들(20)에 의해 실행되고, 나머지 일부는 상기 서버(30)에 의해 실행될 수 있다.The plurality of prediction models may be driven by software installed on the server 30. Alternatively, the plurality of prediction models may be driven by terminal software installed on the user terminals 20. Alternatively, some of the plurality of learning models may be executed by the user terminals 20, and the remaining portions may be executed by the server 30.
(8) 심박수 측정 디바이스의 구성요소(8) Components of a heart rate measurement device
도 2는 본 출원에 의해 개시되는 심박수 측정 디바이스의 블록도이다.Figure 2 is a block diagram of a heart rate measurement device disclosed by the present application.
도 2를 참조하면, 본 출원에 의해 개시되는 심박수 측정 디바이스(10)는 출력부(110), 통신부(120), 메모리(130), 심박수 측정부(140) 및 컨트롤러(150)를 포함한다.Referring to FIG. 2, the heart rate measurement device 10 disclosed by the present application includes an output unit 110, a communication unit 120, a memory 130, a heart rate measurement unit 140, and a controller 150.
출력부(110)는 컨트롤러(150)의 제어 명령에 따라 각종 정보를 출력한다. 일 실시예에 따르면, 출력부(110)는 사용자에게 정보를 시각적으로 출력하는 디스플레이(112)를 포함할 수 있다. 또는, 도면에 도시하지는 않았지만, 사용자에게 정보를 청각적으로 출력하는 스피커, 사용자에게 정보를 촉각적으로 출력하는 진동모터를 포함할 수 있다.The output unit 110 outputs various types of information according to control commands from the controller 150. According to one embodiment, the output unit 110 may include a display 112 that visually outputs information to the user. Alternatively, although not shown in the drawing, it may include a speaker that audibly outputs information to the user and a vibration motor that tactilely outputs information to the user.
통신부(120)는 무선 통신 모듈 및/또는 유선 통신 모듈을 포함할 수 있다. 여기서, 무선 통신 모듈은 와이파이(Wi-Fi) 통신 모듈, 셀룰러 통신 모듈 등을 포함할 수 있다. The communication unit 120 may include a wireless communication module and/or a wired communication module. Here, the wireless communication module may include a Wi-Fi communication module, a cellular communication module, etc.
메모리(130)는 컨트롤러(150)에 의해 읽힐 수 있는 실행 코드, 처리된 결과값 및 필요한 데이터 등을 저장한다. 상기 메모리(130)는 HDD(Hard Disk Drive), SSD(Solid State Disk), SDD(Silicon Disk Drive), ROM, RAM 등을 포함할 수 있다. 메모리(130)는 전술한 단말기 소프트웨어를 저장할 수 있고, 전술한 다양한 전처리 알고리즘 및/또는 학습모델들을 구현하기 위한 실행코드들을 저장할 수 있다. 나아가, 메모리(130)는 상기 심박수 측정부(140)를 통해 획득되는 대상의 심박수 및 그 심박수의 측정 시각 등을 저장할 수 있다. The memory 130 stores executable codes that can be read by the controller 150, processed result values, and necessary data. The memory 130 may include a hard disk drive (HDD), solid state disk (SSD), silicon disk drive (SDD), ROM, RAM, etc. The memory 130 may store the above-described terminal software, and may store execution codes for implementing the various preprocessing algorithms and/or learning models described above. Furthermore, the memory 130 may store the heart rate of the target obtained through the heart rate measuring unit 140 and the measurement time of the heart rate.
심박수 측정부(140)는 대상(사용자)의 분당 심박수를 측정할 수 있다. 대상의 분당 심박수를 측정하는 방식은 널리 알려져 있으므로 이에 대한 자세한 설명은 생략한다.The heart rate measurement unit 140 can measure the heart rate per minute of the subject (user). The method of measuring a subject's heart rate per minute is widely known, so a detailed description thereof will be omitted.
컨트롤러(150)는 적어도 하나의 프로세서를 포함할 수 있다. 이때, 각각의 프로세서는 메모리(130)에 저장된 적어도 하나의 명령어를 실행시킴으로써, 소정의 동작을 실행할 수 있다. 구체적으로, 컨트롤러(150)는 상기 심박수 측정 디바이스(10)에서 구동되는 단말기 소프트웨어, 전처리 알고리즘 및/또는 학습모델에 따라 정보를 처리할 수 있다. 한편, 상기 컨트롤러(150)는 심박수 측정 디바이스(10)의 전반적인 동작을 제어한다.Controller 150 may include at least one processor. At this time, each processor can execute a predetermined operation by executing at least one instruction stored in the memory 130. Specifically, the controller 150 may process information according to terminal software running on the heart rate measurement device 10, a preprocessing algorithm, and/or a learning model. Meanwhile, the controller 150 controls the overall operation of the heart rate measurement device 10.
도면에 도시하지는 않았지만, 상기 심박수 측정 디바이스(10)는 사용자 입력부를 포함할 수 있다. 상기 심박수 측정 디바이스(10)는 상기 사용자 입력부를 통해 심박수 측정 디바이스(10)의 동작에 필요한 여러 정보를 사용자로부터 입력 받을 수 있다.Although not shown in the drawing, the heart rate measuring device 10 may include a user input unit. The heart rate measurement device 10 may receive various information required for operation of the heart rate measurement device 10 from the user through the user input unit.
(9) 사용자 단말기의 구성요소(9) Components of the user terminal
도 3은 본 출원에 의해 개시되는 사용자 단말기의 블록도이다.Figure 3 is a block diagram of a user terminal disclosed by the present application.
도 3을 참조하면, 본 출원에 의해 개시되는 사용자 단말기(20)는 출력부(210), 통신부(220), 메모리(230) 및 컨트롤러(250)를 포함한다.Referring to FIG. 3, the user terminal 20 disclosed by the present application includes an output unit 210, a communication unit 220, a memory 230, and a controller 250.
출력부(210)는 컨트롤러(250)의 제어 명령에 따라 각종 정보를 출력한다. 일 실시예에 따르면, 출력부(210)는 사용자에게 정보를 시각적으로 출력하는 디스플레이(212)를 포함할 수 있다. 또는, 도면에 도시하지는 않았지만, 사용자에게 정보를 청각적으로 출력하는 스피커, 사용자에게 정보를 촉각적으로 출력하는 진동모터를 포함할 수 있다.The output unit 210 outputs various information according to control commands from the controller 250. According to one embodiment, the output unit 210 may include a display 212 that visually outputs information to the user. Alternatively, although not shown in the drawing, it may include a speaker that audibly outputs information to the user and a vibration motor that tactilely outputs information to the user.
통신부(220)는 무선 통신 모듈 및/또는 유선 통신 모듈을 포함할 수 있다. 여기서, 무선 통신 모듈은 와이파이(Wi-Fi) 통신 모듈, 셀룰러 통신 모듈 등을 포함할 수 있다. The communication unit 220 may include a wireless communication module and/or a wired communication module. Here, the wireless communication module may include a Wi-Fi communication module, a cellular communication module, etc.
메모리(230)는 컨트롤러(250)에 의해 읽힐 수 있는 실행 코드, 처리된 결과값 및 필요한 데이터 등을 저장한다. 상기 메모리(230)는 HDD(Hard Disk Drive), SSD(Solid State Disk), SDD(Silicon Disk Drive), ROM, RAM 등을 포함할 수 있다. 메모리(230)는 전술한 단말기 소프트웨어를 저장할 수 있고, 전술한 다양한 전처리 알고리즘 및/또는 학습모델들을 구현하기 위한 실행코드들을 저장할 수 있다. The memory 230 stores executable codes that can be read by the controller 250, processed results, and necessary data. The memory 230 may include a hard disk drive (HDD), solid state disk (SSD), silicon disk drive (SDD), ROM, RAM, etc. The memory 230 may store the above-described terminal software, and may store execution codes for implementing the various preprocessing algorithms and/or learning models described above.
컨트롤러(240)는 적어도 하나의 프로세서를 포함할 수 있다. 이때, 각각의 프로세서는 메모리(230)에 저장된 적어도 하나의 명령어를 실행시킴으로써, 소정의 동작을 실행할 수 있다. 구체적으로, 컨트롤러(240)는 상기 사용자 단말기(20)에서 구동되는 단말기 소프트웨어, 전처리 알고리즘 및/또는 학습모델에 따라 정보를 처리할 수 있다. 한편, 상기 컨트롤러(240)는 상기 사용자 단말기(20)의 전반적인 동작을 제어한다.Controller 240 may include at least one processor. At this time, each processor can execute a predetermined operation by executing at least one instruction stored in the memory 230. Specifically, the controller 240 may process information according to terminal software running on the user terminal 20, a preprocessing algorithm, and/or a learning model. Meanwhile, the controller 240 controls the overall operation of the user terminal 20.
도면에 도시하지는 않았지만, 상기 사용자 단말기(20)는 사용자 입력부를 포함할 수 있다. 상기 사용자 단말기(20)는 상기 사용자 입력부를 통해 사용자 단말기(20)의 동작에 필요한 여러 정보를 사용자로부터 입력 받을 수 있다.Although not shown in the drawing, the user terminal 20 may include a user input unit. The user terminal 20 can receive various information required for operation of the user terminal 20 from the user through the user input unit.
(10) 서버의 구성요소(10) Server components
도 4는 본 출원에 의해 개시되는 서버의 블록도이다.Figure 4 is a block diagram of the server disclosed by this application.
도 4를 참조하면, 본 출원에 의해 개시되는 서버(30)는 통신부(310), 메모리(320) 및 컨트롤러(330)를 포함한다.Referring to FIG. 4, the server 30 disclosed by the present application includes a communication unit 310, a memory 320, and a controller 330.
통신부(310)는 무선 통신 모듈 및/또는 유선 통신 모듈을 포함할 수 있다. 여기서, 무선 통신 모듈은 와이파이(Wi-Fi) 통신 모듈, 셀룰러 통신 모듈 등을 포함할 수 있다. The communication unit 310 may include a wireless communication module and/or a wired communication module. Here, the wireless communication module may include a Wi-Fi communication module, a cellular communication module, etc.
메모리(320)는 컨트롤러(330)에 의해 읽힐 수 있는 실행 코드, 처리된 결과값 및 필요한 데이터 등을 저장한다. 상기 메모리(320)는 HDD(Hard Disk Drive), SSD(Solid State Disk), SDD(Silicon Disk Drive), ROM, RAM 등을 포함할 수 있다. 메모리(320)는 전술한 서버 소프트웨어를 저장할 수 있고, 전술한 다양한 전처리 알고리즘 및/또는 학습모델들을 구현하기 위한 실행코드들을 저장할 수 있다. 나아가, 메모리(320)는 상기 사용자 단말기(20)로부터 사용자별 심박수 및/또는 그에 대한 전처리 결과 등을 저장할 수 있다. The memory 320 stores executable codes that can be read by the controller 330, processed results, and necessary data. The memory 320 may include a hard disk drive (HDD), solid state disk (SSD), silicon disk drive (SDD), ROM, RAM, etc. The memory 320 may store the above-described server software and may store execution codes for implementing the various preprocessing algorithms and/or learning models described above. Furthermore, the memory 320 may store heart rate and/or pre-processing results for each user from the user terminal 20.
컨트롤러(330)는 적어도 하나의 프로세서를 포함할 수 있다. 이때, 각각의 프로세서는 메모리(320)에 저장된 적어도 하나의 명령어를 실행시킴으로써, 소정의 동작을 실행할 수 있다. 구체적으로, 컨트롤러(330)는 상기 서버(30)에서 구동되는 서버 소프트웨어, 전처리 알고리즘 및/또는 학습모델에 따라 정보를 처리할 수 있다. 한편, 상기 컨트롤러(330)는 상기 서버(30)의 전반적인 동작을 제어한다.Controller 330 may include at least one processor. At this time, each processor can execute a predetermined operation by executing at least one instruction stored in the memory 320. Specifically, the controller 330 may process information according to server software running on the server 30, a preprocessing algorithm, and/or a learning model. Meanwhile, the controller 330 controls the overall operation of the server 30.
4. 갑상선기능이상증의 예측방법4. How to predict thyroid dysfunction
본 출원에 의해 개시되는 갑상선기능이상증(thyroid dysfunction)을 예측하는 방법은 전술한 시스템(1)에 의해 수행될 수 있다.The method for predicting thyroid dysfunction disclosed by the present application can be performed by the above-described system 1.
도 5는 본 출원에 의해 개시되는 갑상선기능이상증을 예측하는 방법을 설명하기 위한 흐름도이다.Figure 5 is a flow chart to explain the method for predicting thyroid dysfunction disclosed by the present application.
도 5를 참고하면, 본 출원에 의해 개시되는 대상(subject)에 대한 갑상선기능이상증을 예측하는 방법은 트리거 신호를 획득함(S100), 상기 트리거 신호에 의해 결정되는 대상일에 대응되는 구간 심박수들을 획득함(S110), 상기 대상일에 대응되는 상기 구간 심박수들을 전처리함(S120), 기준일에 대응되는 호르몬 농도를 획득함(S130), 상기 기준일에 대응되는 구간 심박수들에 대한 전처리 결과를 획득함(S140), 상기 대상일에 대응되는 구간 심박수들의 전처리 결과와 상기 기준일에 대응되는 구간 심박수들에 대한 전처리 결과의 차이를 획득함(S150), 상기 획득된 차이 및 상기 기준일에 대응되는 호르몬 농도를 갑상선기능이상 예측모델을 이용하여 처리하고 상기 대상에 대한 갑상선기능이상증에 대한 결과를 획득함(S160)을 포함한다.Referring to FIG. 5, the method for predicting thyroid dysfunction for a subject disclosed by the present application acquires a trigger signal (S100), and obtains heart rates in the section corresponding to the target date determined by the trigger signal. Obtaining (S110), preprocessing the section heart rates corresponding to the target date (S120), obtaining the hormone concentration corresponding to the reference date (S130), obtaining preprocessing results for the section heart rates corresponding to the reference date (S140), obtain the difference between the preprocessing results of the section heart rates corresponding to the target date and the preprocessing result of the section heart rates corresponding to the reference date (S150), calculate the obtained difference and the hormone concentration corresponding to the reference date It includes processing using a thyroid dysfunction prediction model and obtaining results on thyroid dysfunction for the subject (S160).
트리거 신호의 획득(S100)Acquisition of trigger signal (S100)
트리거 신호가 획득될 수 있다(S100).A trigger signal may be obtained (S100).
여기서, 트리거 신호라 함은 대상의 갑상선기능이상증에 대한 예측결과를 획득할 것을 요청하는 신호를 의미한다.Here, the trigger signal refers to a signal requesting to obtain a prediction result for the subject's thyroid dysfunction.
상기 트리거 신호는 상기 사용자의 입력에 의해 생성될 수 있다. 예를 들어, 사용자가 사용자 단말기(20)의 사용자 입력부를 통해 갑상선기능이상증에 대한 예측결과를 획득할 것을 요청하고, 상기 사용자의 요청에 응답하여 상기 사용자 단말기(20)는 상기 트리거 신호를 생성할 수 있다. 다른 예를 들어, 사용자가 상기 사용자 단말기(20)와 통신을 수행하고 있는 심박수 측정 디바이스(10)의 사용자 입력부를 통해 갑상선기능이상증에 대한 예측결과를 획득할 것을 요청하고, 상기 사용자의 요청에 응답하여 상기 심박수 측정 디바이스(10) 또는 상기 사용자 단말기(20)는 상기 트리거 신호를 생성할 수 있다.The trigger signal may be generated by the user's input. For example, the user requests to obtain a prediction result for thyroid dysfunction through the user input unit of the user terminal 20, and in response to the user's request, the user terminal 20 generates the trigger signal. You can. For another example, the user requests to obtain a prediction result for thyroid dysfunction through the user input unit of the heart rate measurement device 10 that is communicating with the user terminal 20, and responds to the user's request. Thus, the heart rate measurement device 10 or the user terminal 20 can generate the trigger signal.
또는, 상기 트리거 신호는 상기 시스템(1)에 의해 사용자의 요청과 무관하게 자동으로 생성될 수 있다. 예를 들어, 상기 심박수 측정 디바이스(10), 상기 사용자 단말기(20) 또는 상기 서버(30)에 설치되어 있는 소프트웨어는 미리 정해진 규칙에 따라 상기 트리거 신호를 생성할 수 있다. 만약 상기 심박수 측정 디바이스(10) 또는 상기 서버(30)에 의해 상기 트리거 신호가 생성된 경우, 상기 생성된 트리거 신호는 상기 사용자 단말기(20)로 전송될 수 있다.Alternatively, the trigger signal may be automatically generated by the system 1 regardless of the user's request. For example, software installed on the heart rate measuring device 10, the user terminal 20, or the server 30 may generate the trigger signal according to a predetermined rule. If the trigger signal is generated by the heart rate measurement device 10 or the server 30, the generated trigger signal may be transmitted to the user terminal 20.
트리거 신호에 기초한 대상일의 결정(S110)Determination of target date based on trigger signal (S110)
상기 트리거 신호에 의해 대상일이 결정될 수 있다. 예를 들어, 상기 트리거 신호가 생성된 날이 상기 대상일로 결정될 수 있다. 다른 예를 들어, 상기 트리거 신호가 생성될 때, 상기 사용자의 입력 혹은 상기 시스템(1)에 의해 특정한 날(specific day)이 함께 지정(designate)될 수 있으며, 이 경우 상기 지정된 특정한 날이 상기 대상일로 결정될 수 있다.The target date may be determined by the trigger signal. For example, the day on which the trigger signal was generated may be determined as the target date. For another example, when the trigger signal is generated, a specific day may be designated by the user's input or the system 1, in which case the designated specific day is the target. It can be decided by work.
대상일에 대응되는 구간 심박수들의 획득(S110)Acquisition of section heart rates corresponding to the target date (S110)
미리 정해진 기간에 따라 상기 대상일에 대응되는 구간 심박수들이 획득될 수 있다(S110).Zone heart rates corresponding to the target date may be obtained according to a predetermined period (S110).
상기 미리 정해진 기간은 1, 2, 3, 4, 5, 6, 7, 8, 9, 10, 11, 12, 13, 14, 15, 16, 17, 18, 19, 20, 21, 22, 23, 24, 25, 26, 27, 28, 29 및 30일 중 하나일 수 있다.The predetermined period is 1, 2, 3, 4, 5, 6, 7, 8, 9, 10, 11, 12, 13, 14, 15, 16, 17, 18, 19, 20, 21, 22, 23. , 24, 25, 26, 27, 28, 29, and 30 days.
상기 미리 정해진 기간이 10일이고 상기 대상일이 07월 21일인 경우, 상기 구간 심박수들은 07월 21일에 대응되는 휴지기 심박수들, 07월 20일에 대응되는 휴지기 심박수들, 07월 19일에 대응되는 휴지기 심박수들, 07월 18일에 대응되는 휴지기 심박수들, 07월 17일에 대응되는 휴지기 심박수들, 07월 16일에 대응되는 휴지기 심박수들, 07월 15일에 대응되는 휴지기 심박수들, 07월 14일에 대응되는 휴지기 심박수들, 07월 13일에 대응되는 휴지기 심박수들, 07월 12일에 대응되는 휴지기 심박수들이 상기 구간 심박수들로 획득된다.If the predetermined period is 10 days and the target date is July 21st, the zone heart rates correspond to resting heart rates corresponding to July 21st, resting heart rates corresponding to July 20th, and July 19th. Resting heart rates corresponding to July 18, Resting heart rates corresponding to July 17, Resting heart rates corresponding to July 16, Resting heart rates corresponding to July 15, 07 Resting heart rates corresponding to the 14th of the month, resting heart rates corresponding to the 13th of July, and resting heart rates corresponding to the 12th of July are obtained as the zone heart rates.
상기 구간 심박수들은 상기 결정된 대상일 및 상기 미리 정해진 기간에 의해 결정되는 날들에 대응되어 저장된 모든 심박수들 중에서 선택된다. 상기 심박수들에 대응된 측정 시각에 기초하여, 상기 측정 시각이 대상(subject)(즉, 사용자)의 휴지기 내에 있는 심박수들이 휴지기 심박수들로 선택된다.The zone heart rates are selected from all heart rates stored corresponding to days determined by the determined target date and the predetermined period. Based on the measurement time corresponding to the heart rates, heart rates at which the measurement time is within the resting state of the subject (i.e., the user) are selected as the resting heart rates.
상기 휴지기는 다양한 방식에 의해 결정될 수 있다.The resting period can be determined in various ways.
예를 들어, 상기 휴지기는 상기 심박수 측정 디바이스(10) 또는 상기 사용자 단말기(20)에 내장되어 있는 모션 센서를 통해 사용자의 움직임이 기준값 이하인 구간으로 결정될 수 있다.For example, the resting period may be determined as a section in which the user's movement is below a reference value through the heart rate measuring device 10 or a motion sensor built into the user terminal 20.
다른 예를 들어, 상기 휴지기는 상기 심박수 측정 디바이스(10) 또는 상기 사용자 단말기(20)에 내장되어 있는 다양한 센서들을 통해 사용자가 휴식 또는 수면 중이라고 판단된 구간으로 결정될 수 있다.For another example, the rest period may be determined as a section in which the user is determined to be resting or sleeping through various sensors built into the heart rate measurement device 10 or the user terminal 20.
또 다른 예를 들어, 상기 휴지기는 상기 심박수 측정 디바이스(10) 또는 상기 사용자 단말기(20)를 통해 사용자가 직접 입력한 수면 기간(수면 시작 시각 및 수면 종료 시각)에 의해 결정될 수 있다.For another example, the rest period may be determined by the sleep period (sleep start time and sleep end time) directly input by the user through the heart rate measurement device 10 or the user terminal 20.
대상일에 대응되는 구간 심박수들의 전처리(S120)Preprocessing of section heart rates corresponding to the target date (S120)
상기 대상일에 대응되는 구간 심박수들이 전처리될 수 있다(S120).The section heart rates corresponding to the target date may be preprocessed (S120).
상기 대상일에 대응되는 구간 심박수들의 평균이 계산될 수 있다.The average of heart rates in the sections corresponding to the target date may be calculated.
상기 대상일에 대응되는 구간 심박수들의 분포(distribution)에 관련된 다양한 지표들이 산출될 수 있다. 예를 들어, 상기 대상일에 대응되는 구간 심박수들의 표준편차(standard deviation)가 계산될 수 있다. 다른 예를 들어, 상기 대상일에 대응되는 구간 심박수들의 왜도(skewness)가 계산될 수 있다. 또 다른 예를 들어, 상기 대상일에 대응되는 구간 심박수들의 첨도(kurtosis)가 계산될 수 있다.Various indicators related to the distribution of heart rates in the section corresponding to the target date can be calculated. For example, the standard deviation of heart rates in the section corresponding to the target date may be calculated. For another example, the skewness of heart rates in the sections corresponding to the target date may be calculated. As another example, the kurtosis of the heart rate intervals corresponding to the target date may be calculated.
상기 대상일에 대응되는 구간 심박수들의 다양한 전처리 결과들 중 후술하는 예측모델의 학습에 사용된 입력값에 관련된 전처리 결과들만 획득될 수 있다. 예를 들어, 상기 예측모델의 학습에 대상일과 기준일에 대한 구간 심박수들의 평균값의 변화율 및 상대 표준편차의 변화량이 사용된 경우, 상기 대상일에 대응되는 구간 심박수들로부터 상기 대상일에 대응되는 구간 심박수들의 평균 및 표준편차만 획득될 수 있다. 다만, 예측모델의 학습에 사용된 입력값과 무관하게 전술한 모든 또는 일부의 전처리 결과들이 획득될 수도 있다.Among the various preprocessing results of the heart rates in the section corresponding to the target date, only preprocessing results related to the input values used for learning the prediction model, which will be described later, can be obtained. For example, when the rate of change and the change in the relative standard deviation of the average value of section heart rates for the target date and the reference date are used in learning the prediction model, the section heart rate corresponding to the target date is calculated from the section heart rates corresponding to the target date. Only the mean and standard deviation of the values can be obtained. However, all or some of the above-described preprocessing results may be obtained regardless of the input values used for learning the prediction model.
기준일의 결정(S130)Determination of base date (S130)
*상기 대상에 대한 기준일이 결정될 수 있다(S130).*The base date for the above object can be determined (S130).
상기 기준일은 상기 대상이 호르몬 검사를 받은 적어도 하나 이상의 검사일 중에서 선택될 수 있다. 즉, 상기 기준일은 상기 대상의 과거 호르몬 검사일들 중에서 선택된다.The reference date may be selected from at least one test date on which the subject underwent a hormone test. That is, the reference date is selected from among the subject's past hormone test dates.
상기 기준일은 상기 대상의 호르몬 농도가 대응되어 저장된 적어도 하나 이상의 날들 중에서 선택될 수 있다. 즉, 상기 기준일은 상기 대상의 과거 호르몬 농도가 저장되어 있는 날들 중에서 선택될 수 있다.The reference date may be selected from at least one or more days on which the subject's hormone concentration is stored correspondingly. That is, the reference date may be selected from days in which the subject's past hormone concentration is stored.
상기 기준일은 오직 하나만 선택될 수 있으나, 이에 국한되지 않는다. 즉, 상기 기준일은 복수개가 선택될 수 있다.Only one such reference date may be selected, but is not limited thereto. That is, multiple reference dates may be selected.
복수의 검사일 혹은 복수의 호르몬 농도가 저장되어 있는 날들 중에서 오직 하나의 기준일이 선택되는 경우, 상기 기준일은 상기 대상일을 기준으로 가장 가까운 날로 결정될 수 있다.When only one reference date is selected from among multiple test dates or days on which multiple hormone concentrations are stored, the reference date may be determined as the closest day based on the target date.
기준일에 대응되는 호르몬 농도의 획득(S130)Obtaining hormone concentrations corresponding to the reference date (S130)
상기 결정된 기준일에 대응되는 호르몬 농도가 획득될 수 있다.The hormone concentration corresponding to the determined reference date can be obtained.
상기 호르몬 농도는 T4의 농도, free T4의 농도, T3의 농도, free T3의 농도, TSH의 농도 및 TRH의 농도로 이루어진 그룹에서 선택된 하나 또는 이들의 조합일 수 있다. The hormone concentration may be one selected from the group consisting of T4 concentration, free T4 concentration, T3 concentration, free T3 concentration, TSH concentration, and TRH concentration, or a combination thereof.
상기 결정된 기준일에 대응되는 호르몬 농도들 중에서, 후술하는 예측모델의 학습에 사용된 호르몬 농도값들만 선택적으로 선택될 수 있다. 예를 들어, 결정된 기준일에 대응된 호르몬 농도가 T4의 농도, free T4의 농도, T3의 농도, free T3의 농도, TSH의 농도 및 TRH의 농도를 모두 포함하고 있을 때, 상기 예측모델의 학습에 free T4 및 TSH의 농도만 사용된 경우, free T3 및 TSH의 농도만 획득될 수 있다.Among the hormone concentrations corresponding to the determined reference date, only the hormone concentration values used for learning the prediction model described later can be selectively selected. For example, when the hormone concentration corresponding to the determined reference date includes all of the concentration of T4, concentration of free T4, concentration of T3, concentration of free T3, concentration of TSH, and concentration of TRH, learning of the prediction model If only the concentrations of free T4 and TSH are used, only the concentrations of free T3 and TSH can be obtained.
만약, 복수의 기준일이 결정된 경우, 복수의 기준일 각각에 대응되는 호르몬 농도가 획득될 수 있다.If multiple reference dates are determined, hormone concentrations corresponding to each of the multiple reference days can be obtained.
기준일에 대응되는 구간 심박수들의 전처리 결과 획득(S140)Obtain preprocessing results of section heart rates corresponding to the reference date (S140)
상기 기준일에 대응되는 구간 심박수들의 전처리가 이미 수행되었고, 그 전처리 결과가 저장되어 있는 경우, 상기 저장된 전처리 결과가 획득될 수 있다.If preprocessing of the heart rates in the section corresponding to the reference date has already been performed and the preprocessing result is stored, the stored preprocessing result may be obtained.
만약, 상기 기준일에 대응되는 구간 심박수들의 전처리가 아직 수행되지 않은 경우, 상기 기준일에 대응되는 구간 심박수들의 전처리가 수행될 수 있다.If preprocessing of the zone heart rates corresponding to the reference date has not yet been performed, preprocessing of the zone heart rates corresponding to the reference date may be performed.
상기 기준일에 대응되는 구간 심박수들의 획득 및 그에 대한 전처리는 전술한 대상일에 대응되는 구간 심박수들의 획득 및 그에 대한 전처리와 유사하기 때문에 여기서는 자세한 설명을 생략한다.Since the acquisition of zone heart rates corresponding to the reference date and preprocessing thereof are similar to the acquisition of zone heart rates corresponding to the target date and preprocessing thereof, detailed description thereof will be omitted here.
결과적으로, 상기 기준일에 대한 구간 심박수들의 전처리 결과는 상기 기준일에 대응되는 구간 심박수들의 평균 및 상기 기준일에 대응되는 구간 심박수들의 분포(distribution)에 관한 지표 중 적어도 하나를 포함할 수 있다. 이때, 상기 기준일에 대응되는 구간 심박수들의 분포에 관한 지표는 상기 대상일에 대응되는 구간 심박수들의 표준편차(standard deviation), 상기 대상일에 대응되는 구간 심박수들의 왜도(skewness) 및 상기 대상일에 대응되는 구간 심박수들의 첨도(kurtosis) 중 적어도 하나를 포함할 수 있다.As a result, the preprocessing result of the section heart rates for the reference date may include at least one of an average of the section heart rates corresponding to the reference date and an index regarding the distribution of section heart rates corresponding to the reference date. At this time, the index regarding the distribution of section heart rates corresponding to the reference date is the standard deviation of section heart rates corresponding to the target date, the skewness of section heart rates corresponding to the target date, and the target date. It may include at least one of the kurtosis of the corresponding interval heart rates.
만약, 복수의 기준일이 결정된 경우, 복수의 기준일 각각에 대응되는 구간 심박수들의 전처리 결과가 획득될 수 있다.If a plurality of reference days are determined, preprocessing results of section heart rates corresponding to each of the plurality of reference days may be obtained.
한편, 상기 기준일에 대응되는 구간 심박수들의 다양한 전처리 결과들 중 후술하는 예측모델의 학습에 사용된 입력값에 관련된 전처리 결과들만 획득될 수 있다. 예를 들어, 상기 예측모델의 학습에 대상일과 기준일에 대한 구간 심박수들의 평균값의 변화율 및 상대 표준편차의 변화량이 사용된 경우, 상기 기준일에 대응되는 구간 심박수들로부터 상기 기준일에 대응되는 구간 심박수들의 평균 및 표준편차만 획득될 수 있다. 다만, 예측모델의 학습에 사용된 입력값과 무관하게 전술한 모든 또는 일부의 전처리 결과들이 획득될 수도 있다.Meanwhile, among the various preprocessing results of the heart rates in the section corresponding to the reference date, only preprocessing results related to the input value used for learning the prediction model, which will be described later, can be obtained. For example, when the rate of change and the change in the relative standard deviation of the average value of section heart rates for the target date and the reference date are used in learning the prediction model, the average of the section heart rates corresponding to the reference date is calculated from the section heart rates corresponding to the reference date. and only standard deviation can be obtained. However, all or some of the above-described preprocessing results may be obtained regardless of the input values used for learning the prediction model.
대상일의 구간 심박수들에 대한 전처리 결과와 기준일의 구간 심박수들에 대한 전처리 결과의 차이의 산출(S150)Calculation of the difference between the preprocessing results for the zone heart rates of the target day and the preprocessing results for the zone heart rates of the reference day (S150)
대상일의 구간 심박수들에 대한 전처리 결과와 기준일의 구간 심박수들에 대한 전처리 결과의 차이는 다음 중 하나 또는 이들의 조합일 수 있다.The difference between the preprocessing result for the zone heart rates of the target day and the preprocessing result for the zone heart rates of the reference day may be one of the following or a combination of these.
1) 대상일에 대응되는 구간 심박수들의 평균(대상일의 구간 평균 심박수)의기준일에 대응되는 구간 심박수들의 평균(기준일의 구간 평균 심박수)에 대한 변화량 (대상일의 구간 평균 심박수 - 기준일의 구간 평균 심박수)1) The amount of change in the average of section heart rates corresponding to the target day (segment average heart rate of the target day) to the average of section heart rates corresponding to the reference day (segment average heart rate of the target day - section average of the reference day) heart rate)
2) 대상일에 대응되는 구간 심박수들의 평균(대상일의 구간 평균 심박수)의 기준일에 대응되는 구간 심박수들의 평균(기준일의 구간 평균 심박수)에 대한 변화율 ( (대상일의 구간 평균 심박수 - 기준일의 구간 평균 심박수) / 기준일의 구간 평균 심박수 )2) The rate of change of the average of the section heart rates corresponding to the target day (average heart rate of the section of the target day) to the average of the section heart rates corresponding to the reference day (average heart rate of the section of the target day) ((average heart rate of the section of the target day - section of the reference day) Average heart rate) / Average heart rate of the section on the reference day)
*3) 대상일에 대응되는 구간 심박수들의 표준편차의 기준일에 대응되는 구간 심박수들의 표준편차에 대한 변화량 (대상일에 대응되는 구간 심박수들의 표준편차 - 기준일에 대응되는 구간 심박수들의 표준편차)*3) The amount of change in the standard deviation of section heart rates corresponding to the target date of the standard deviation of section heart rates corresponding to the target date (standard deviation of section heart rates corresponding to the target date - standard deviation of section heart rates corresponding to the reference date)
4) 대상일에 대응되는 구간 심박수들의 상대 표준편차의 기준일에 대응되는 구간 심박수들의 상대 표준편차에 대한 변화량 ( (대상일에 대응되는 구간 심박수들의 표준편차 / 대상일의 구간 평균 심박수) - (기준일에 대응되는 구간 심박수들의 표준편차 / 기준일의 구간 평균 심박수) )4) The amount of change in the relative standard deviation of section heart rates corresponding to the target date of the relative standard deviation of section heart rates corresponding to the target date ((standard deviation of section heart rates corresponding to the target day / average heart rate of the section on the target day) - (base date Standard deviation of the corresponding section heart rates / Average section heart rate on the reference day) )
5) 대상일에 대응되는 구간 심박수들의 왜도의 기준일에 대응되는 구간 심박수들의 왜도에 대한 변화량 (대상일에 대응되는 구간 심박수들의 왜도 - 기준일에 대응되는 구간 심박수들의 왜도)5) The amount of change in the skewness of section heart rates corresponding to the reference date of the skewness of section heart rates corresponding to the target date (skewness of section heart rates corresponding to the target date - skewness of section heart rates corresponding to the reference date)
6) 대상일에 대응되는 구간 심박수들의 첨도의 기준일에 대응되는 구간 심박수들의 첨도에 대한 변화량 (대상일에 대응되는 구간 심박수들의 첨도 - 기준일에 대응되는 구간 심박수들의 첨도)6) The amount of change in the kurtosis of section heart rates corresponding to the reference date of the kurtosis of section heart rates corresponding to the target date (kurtosis of section heart rates corresponding to the target date - kurtosis of section heart rates corresponding to the reference date)
7) 대상일에 대응되는 구간 심박수들의 분포(distribution)과 기준일에 대응되는 구간 심박수들의 분포(distribution) 사이의 JS divergence7) JS divergence between the distribution of zone heart rates corresponding to the target day and the distribution of zone heart rates corresponding to the reference day
만약, 복수의 기준일이 결정된 경우, 복수의 기준일 각각에 대한 전처리 결과의 차이들이 획득될 수 있다. 예를 들어, 제1 기준일과 대상일 사이에서 결정되는 제1 전처리 결과의 차이와 제2 기준일과 대상일 사이에서 결정되는 제2 전처리 결과의 차이가 획득될 수 있다.If multiple reference dates are determined, differences in preprocessing results for each of the multiple reference dates may be obtained. For example, the difference between the first preprocessing result determined between the first reference date and the target date and the difference between the second preprocessing result determined between the second reference date and the target date may be obtained.
한편, 상기 전처리 결과의 차이들 중 후술하는 예측모델의 학습에 사용된 입력값에 관련된 전처리 결과의 차이들만 획득될 수 있다. 예를 들어, 상기 예측모델의 학습에 대상일과 기준일에 대한 구간 심박수들의 평균값의 변화율 및 상대 표준편차의 변화량이 사용된 경우, 대상일에 대응되는 구간 심박수들의 평균(대상일의 구간 평균 심박수)의 기준일에 대응되는 구간 심박수들의 평균(기준일의 구간 평균 심박수)에 대한 변화율 및 대상일에 대응되는 구간 심박수들의 표준편차의 기준일에 대응되는 구간 심박수들의 표준편차에 대한 변화량만 획득될 수 있다. 다만, 예측모델의 학습에 사용된 입력값과 무관하게 전술한 모든 또는 일부의 전처리 결과의 차이들이 획득될 수도 있다.Meanwhile, among the differences in the preprocessing results, only the differences in the preprocessing results related to the input values used for learning the prediction model described later can be obtained. For example, when the rate of change and the change in the relative standard deviation of the average value of section heart rates for the target date and the reference day are used in learning the prediction model, the average of section heart rates corresponding to the target date (average heart rate of the section on the target day) Only the rate of change with respect to the average of section heart rates corresponding to the reference date (average section heart rate of the reference date) and the change in the standard deviation of section heart rates corresponding to the reference date of the standard deviation of section heart rates corresponding to the target date can be obtained. However, differences in all or part of the above-mentioned preprocessing results may be obtained regardless of the input values used for learning the prediction model.
조합값의 산출Calculation of combination values
본 출원에 의해 개시되는 몇몇 실시예들에 따르면, 변수들의 조합값이 산출될 수 있다.According to some embodiments disclosed by the present application, combination values of variables may be calculated.
제1 기준일에 제1 구간 평균 심박수, 제1 표준편차, 제1 왜도, 제1 첨도, 제1 TSH 호르몬 농도, 제1 free T4 농도, 제1 T4 농도, 제1 free T3 농도, 제1 T3 농도, 제1 TRH 농도 및 제1 기준일에 대한 갑상선기능이상증에 대한 진단결과가 대응되어 있고, 제2 기준일에 제2 구간 평균 심박수, 제2 표준편차, 제2 왜도, 제2 첨도, 제2 TSH 호르몬 농도, 제2 free T4 농도, 제2 T4 농도, 제2 free T3 농도, 제2 T3 농도, 제2 TRH 농도 및 제2 기준일에 대한 갑상선기능이상증에 대한 진단결과가 대응되어 있을 때, 상기 변수들은 다음과 같이 산출된다.First interval average heart rate, first standard deviation, first skewness, first kurtosis, first TSH hormone concentration, first free T4 concentration, first T4 concentration, first free T3 concentration, first T3 on the first reference day. Concentration, first TRH concentration, and diagnosis results for thyroid dysfunction for the first reference date are corresponded, and on the second reference date, the second section average heart rate, second standard deviation, second skewness, second kurtosis, and second When the diagnosis results for dysthyroidism for the TSH hormone concentration, second free T4 concentration, second T4 concentration, second free T3 concentration, second T3 concentration, second TRH concentration and second reference date correspond to the above The variables are calculated as follows.
(1) 구간 평균 심박수 변화량 = 제1 기준일의 구간 평균 심박수 - 제2 기준일의 구간 평균 심박수,(1) Change in section average heart rate = section average heart rate on the first reference day - section average heart rate on the second reference day,
(2) 구간 평균 심박수 변화율 = (제1 기준일의 구간 평균 심박수 - 제2 기준일의 구간 평균 심박수) / 제2 기준일의 구간 평균 심박수,(2) Zone average heart rate change rate = (section average heart rate on the first reference day - section average heart rate on the second reference day) / section average heart rate on the second reference day,
(3) 표준편차 변화량 = 제1 기준일의 구간 심박수들의 표준편차 - 제2 기준일의 구간심박수들의 표준편차,(3) Standard deviation change = standard deviation of section heart rates on the first reference day - standard deviation of section heart rates on the second reference day,
(4) 상대 표준편차 변화량 = (제1 기준일의 구간 심박수들의 표준편차 / 제1 기준일의 구간 평균 심박수) - (제2 기준일의 구간심박수들의 표준편차 / 제2 기준일의 구간 평균 심박수),(4) Relative standard deviation change = (standard deviation of section heart rates on the first reference day / section average heart rate on the first reference day) - (standard deviation of section heart rates on the second reference day / section average heart rate on the second reference day),
(5) 구간 심박수의 왜도 변화량 = 제1 기준일의 구간 심박수들의 왜도 - 제2 기준일의 구간 심박수들의 왜도,(5) Skewness change in section heart rate = skewness of section heart rates on the first reference day - skewness of section heart rates on the second reference day,
(6) 구간 심박수의 첨도 변화량 = 제1 기준일의 구간 심박수들의 첨도 - 제2 기준일의 구간 심박수들의 왜도,(6) Change in kurtosis of section heart rates = kurtosis of section heart rates on the first reference day - skewness of section heart rates on the second reference day,
(7) JS Divergence : 제1 기준일의 구간 심박수들과 제2 기준일의 구간 심박수들 사이에서 계산되는 JS Divergence,(7) JS Divergence: JS Divergence calculated between the zone heart rates of the first reference day and the zone heart rates of the second reference day,
(8) 제1 TSH 호르몬 농도,(8) primary TSH hormone concentration,
(9) 제1 free T4 농도,(9) first free T4 concentration,
(10) 제1 T4 농도, (10) first T4 concentration,
(11) 제1 free T3 농도, (11) first free T3 concentration,
(12) 제1 T3 농도, (12) first T3 concentration,
(13) 제1 TRH 농도,(13) first TRH concentration,
(14) 제2 TSH 호르몬 농도, (14) secondary TSH hormone concentration,
(15) 제2 free T4 농도, (15) second free T4 concentration,
(16) 제2 T4 농도, (16) second T4 concentration,
(17) 제2 free T3 농도, (17) second free T3 concentration,
(18) 제2 T3 농도, 및 (18) a second T3 concentration, and
(19) 제2 TRH 농도(19) Second TRH concentration
이때, 상기 변수들간의 조합값은 상기 변수들 중에서 선택되는 하나의 값(이하, 제1 값이라 함)과 상기 상기 변수들 중에서 선택되는 다른 하나의 값(이하, 제2 값이라 함)을 서로 곱한 값, 제1 값을 제2 값으로 나눈 값 및 제2 값을 제1 값으로 나눈 값 중 하나를 의미한다. 예를 들어, 상기 조합값은 제2 기준일의 free T4의 농도값을 JS Divergence로 나눈값일 수 있다.At this time, the combination value between the variables is one value selected from among the variables (hereinafter referred to as the first value) and another value selected from the variables (hereinafter referred to as the second value). It means one of a multiplied value, a value obtained by dividing a first value by a second value, and a value obtained by dividing a second value by a first value. For example, the combination value may be the concentration value of free T4 on the second reference date divided by JS Divergence.
대상일와 기준일의 차이(day gap)을 산출Calculate the difference (day gap) between the target date and the reference date
본 출원에 의해 개시되는 몇몇 실시예들에 따르면, 상기 대상일과 상기 기준일 사이의 차이(day gap)가 획득될 수 있다.According to some embodiments disclosed by the present application, a day gap between the target date and the reference date may be obtained.
사용자의 개인 정보 획득Obtaining your personal information
본 출원에 의해 개시되는 몇몇 실시예들에 따르면, 대상(subject)의 개인 정보, 즉 사용자의 개인 정보가 획득될 수 있다.According to some embodiments disclosed by the present application, the subject's personal information, that is, the user's personal information, may be obtained.
갑상선기능이상 예측모델을 통한 갑상선기능이상증에 대한 예측결과 획득(S160)Obtaining prediction results for thyroid dysfunction through thyroid dysfunction prediction model (S160)
갑상선기능항진증 예측모델을 통한 갑상선기능항진증에 대한 예측결과 획득Obtaining prediction results for hyperthyroidism through hyperthyroidism prediction model
학습방법 실시예#1에서 설명한 바와 같이 학습된 갑상선기능항진증 예측모델에 상기 획득된 기준일의 호르몬 농도 및 상기 획득된 대상일에 대응되는 구간 심박수들의 평균(대상일의 구간 평균 심박수)의 기준일에 대응되는 구간 심박수들의 평균(기준일의 구간 평균 심박수)에 대한 변화량이 입력될 수 있으며, 그에 따라 대상이 갑상선기능항진증 인지 혹은 갑상선기능항진증이 아닌지에 대한 결과가 획득될 수 있다. 즉, 갑상선기능항진 여부에 대한 예측결과가 획득될 수 있다.Learning method As described in Example #1, the learned hyperthyroidism prediction model corresponds to the reference date of the hormone concentration of the obtained reference day and the average of the section heart rates corresponding to the obtained target date (average heart rate of the section of the target day) The amount of change in the average of the heart rates in each section (average heart rate in the section on the reference day) can be entered, and accordingly, a result can be obtained as to whether the subject is hyperthyroid or not hyperthyroid. In other words, a prediction result regarding whether hyperthyroidism is present can be obtained.
학습방법 실시예#2에서 설명한 바와 같이 학습된 갑상선기능항진증 예측모델에 상기 획득된 기준일의 호르몬 농도, 상기 획득된 대상일에 대응되는 구간 심박수들의 평균(대상일의 구간 평균 심박수)의 기준일에 대응되는 구간 심박수들의 평균(기준일의 구간 평균 심박수)에 대한 변화량 및 상기 대상일에 대응되는 구간 평균 심박수가 입력될 수 있으며, 그에 따라 대상이 갑상선기능항진증 인지 혹은 갑상선기능항진증이 아닌지에 대한 결과가 획득될 수 있다. 즉, 갑상선기능항진 여부에 대한 예측결과가 획득될 수 있다.Learning method As described in Example #2, the learned hyperthyroidism prediction model corresponds to the reference date of the hormone concentration of the obtained reference day and the average of the section heart rates corresponding to the obtained target date (average heart rate of the section of the target day) The amount of change in the average of the heart rates in each section (average heart rate in the section on the reference day) and the average heart rate in the section corresponding to the target date can be entered, and a result is obtained as to whether the subject has hyperthyroidism or not hyperthyroidism. It can be. In other words, a prediction result regarding whether hyperthyroidism is present can be obtained.
학습방법 실시예#3에서 설명한 바와 같이 학습된 갑상선기능항진증 예측모델에 상기 획득된 기준일의 호르몬 농도, 상기 획득된 대상일에 대응되는 구간 심박수들의 평균(대상일의 구간 평균 심박수)의 기준일에 대응되는 구간 심박수들의 평균(기준일의 구간 평균 심박수)에 대한 변화량 및 상기 대상일에 대응되는 구간 심박수들의 분포(distribution)에 관한 지표와 상기 기준일에 대응되는 구간 심박수들의 분포(distribution)에 관한 지표 사이의 차이가 입력될 수 있으며, 그에 따라 대상이 갑상선기능항진증 인지 혹은 갑상선기능항진증이 아닌지에 대한 결과가 획득될 수 있다. 즉, 갑상선기능항진 여부에 대한 예측결과가 획득될 수 있다. 이때, 상기 대상일에 대응되는 구간 심박수들의 분포에 관한 지표와 기준일에 대응되는 구간 심박수들의 분포에 관한 지표 사이의 차이는 다음에서 선택되는 하나 또는 이들의 조합일 수 있다.Learning method As described in Example #3, the learned hyperthyroidism prediction model corresponds to the reference date of the hormone concentration of the obtained reference day and the average of the section heart rates corresponding to the obtained target date (average heart rate of the section of the target day) The amount of change in the average of the section heart rates (the average heart rate of the section on the reference day) and the index regarding the distribution of section heart rates corresponding to the target date and the index regarding the distribution of section heart rates corresponding to the reference date The difference can be entered, and a result can be obtained accordingly as to whether the subject is hyperthyroid or not hyperthyroid. In other words, a prediction result regarding whether hyperthyroidism is present can be obtained. At this time, the difference between the index regarding the distribution of section heart rates corresponding to the target date and the index regarding the distribution of section heart rates corresponding to the reference date may be one selected from the following or a combination thereof.
1) 대상일에 대응되는 구간 심박수들의 표준편차의 기준일에 대응되는 구간 심박수들의 표준편차에 대한 변화량 (대상일에 대응되는 구간 심박수들의 표준편차 - 기준일에 대응되는 구간 심박수들의 표준편차)1) The amount of change in the standard deviation of section heart rates corresponding to the target date of the standard deviation of section heart rates corresponding to the target date (standard deviation of section heart rates corresponding to the target date - standard deviation of section heart rates corresponding to the reference date)
2) 대상일에 대응되는 구간 심박수들의 왜도의 기준일에 대응되는 구간 심박수들의 왜도에 대한 변화량 (대상일에 대응되는 구간 심박수들의 왜도 - 기준일에 대응되는 구간 심박수들의 왜도)2) The amount of change in the skewness of section heart rates corresponding to the reference date of the skewness of section heart rates corresponding to the target date (skewness of section heart rates corresponding to the target date - skewness of section heart rates corresponding to the reference date)
3) 대상일에 대응되는 구간 심박수들의 첨도의 기준일에 대응되는 구간 심박수들의 첨도에 대한 변화량 (대상일에 대응되는 구간 심박수들의 첨도 - 기준일에 대응되는 구간 심박수들의 첨도)3) The amount of change in the kurtosis of section heart rates corresponding to the reference date of the kurtosis of section heart rates corresponding to the target date (kurtosis of section heart rates corresponding to the target date - kurtosis of section heart rates corresponding to the reference date)
4) 대상일에 대응되는 구간 심박수들의 분포(distribution)과 기준일에 대응되는 구간 심박수들의 분포(distribution) 사이의 JS divergence4) JS divergence between the distribution of zone heart rates corresponding to the target day and the distribution of zone heart rates corresponding to the reference day
학습방법 실시예#4에서 설명한 바와 같이 학습된 갑상선기능항진증 예측모델에 상기 획득된 기준일의 호르몬 농도 및 상기 획득된 대상일에 대응되는 구간 심박수들의 평균(대상일의 구간 평균 심박수)의 기준일에 대응되는 구간 심박수들의 평균(기준일의 구간 평균 심박수)에 대한 변화량, 상기 대상일에 대응되는 구간 심박수들의 평균, 및 상기 대상일에 대응되는 구간 심박수들의 분포(distribution)에 관한 지표와 상기 기준일에 대응되는 구간 심박수들의 분포(distribution)에 관한 지표 사이의 차이가 입력될 수 있으며, 그에 따라 대상이 갑상선기능항진증 인지 혹은 갑상선기능항진증이 아닌지에 대한 결과가 획득될 수 있다. 즉, 갑상선기능항진 여부에 대한 예측결과가 획득될 수 있다.Learning method As described in Example #4, the learned hyperthyroidism prediction model corresponds to the reference date of the hormone concentration of the obtained reference day and the average of the section heart rates corresponding to the obtained target date (average heart rate of the section of the target day) The amount of change in the average of the section heart rates (the average heart rate of the section on the reference day), the average of the section heart rates corresponding to the target date, and the index of the distribution of section heart rates corresponding to the target date and the index corresponding to the reference date The difference between the indices regarding the distribution of zone heart rates can be input, and accordingly a result can be obtained as to whether the subject is hyperthyroid or not hyperthyroid. In other words, a prediction result regarding whether hyperthyroidism is present can be obtained.
학습방법 실시예#5에서 설명한 바와 같이 학습된 갑상선기능항진증 예측모델에 상기 획득된 기준일의 호르몬 농도 및 상기 획득된 대상일에 대응되는 구간 심박수들의 평균(대상일의 구간 평균 심박수)의 기준일에 대응되는 구간 심박수들의 평균(기준일의 구간 평균 심박수)에 대한 변화율이 입력될 수 있으며, 그에 따라 대상이 갑상선기능항진증 인지 혹은 갑상선기능항진증이 아닌지에 대한 결과가 획득될 수 있다. 즉, 갑상선기능항진 여부에 대한 예측결과가 획득될 수 있다.Learning method As described in Example #5, the learned hyperthyroidism prediction model corresponds to the reference date of the hormone concentration of the obtained reference day and the average of the section heart rates corresponding to the obtained target date (average heart rate of the section of the target day) The rate of change for the average of the heart rates in each section (the average heart rate of the section on the reference day) can be input, and accordingly, a result can be obtained as to whether the subject is hyperthyroid or not hyperthyroid. In other words, a prediction result regarding whether hyperthyroidism is present can be obtained.
학습방법 실시예#6에서 설명한 바와 같이 학습된 갑상선기능항진증 예측모델에 상기 획득된 기준일의 호르몬 농도, 상기 획득된 대상일에 대응되는 구간 심박수들의 평균(대상일의 구간 평균 심박수)의 기준일에 대응되는 구간 심박수들의 평균(기준일의 구간 평균 심박수)에 대한 변화율 및 상기 대상일에 대응되는 구간 심박수들의 평균이 입력될 수 있으며, 그에 따라 대상이 갑상선기능항진증 인지 혹은 갑상선기능항진증이 아닌지에 대한 결과가 획득될 수 있다. 즉, 갑상선기능항진 여부에 대한 예측결과가 획득될 수 있다. Learning method As described in Example #6, the learned hyperthyroidism prediction model corresponds to the reference date of the hormone concentration of the obtained reference day and the average of the section heart rates corresponding to the obtained target date (average heart rate of the section of the target day). The rate of change for the average of the heart rates in the zone (average heart rate in the zone on the reference day) and the average of the heart rates in the zone corresponding to the target date can be input, and the result as to whether the subject has hyperthyroidism or not hyperthyroidism is obtained accordingly. can be obtained. In other words, a prediction result regarding whether hyperthyroidism is present can be obtained.
학습방법 실시예#7에서 설명한 바와 같이 학습된 갑상선기능항진증 예측모델에 상기 획득된 기준일의 호르몬 농도, 상기 획득된 대상일에 대응되는 구간 심박수들의 평균(대상일의 구간 평균 심박수)의 기준일에 대응되는 구간 심박수들의 평균(기준일의 구간 평균 심박수)에 대한 변화율, 및 대상일에 대응되는 구간 심박수들의 분포(distribution)에 관한 지표와 기준일에 대응되는 구간 심박수들의 분포(distribution)에 관한 지표 사이의 차이가 입력될 수 있으며, 그에 따라 대상이 갑상선기능항진증 인지 혹은 갑상선기능항진증이 아닌지에 대한 결과가 획득될 수 있다. 즉, 갑상선기능항진 여부에 대한 예측결과가 획득될 수 있다. 이때, 상기 대상일에 대응되는 구간 심박수들의 분포에 관한 지표와 기준일에 대응되는 구간 심박수들의 분포에 관한 지표 사이의 차이는 다음에서 선택되는 하나 또는 이들의 조합일 수 있다.Learning method As described in Example #7, the learned hyperthyroidism prediction model corresponds to the reference date of the hormone concentration of the obtained reference day and the average of the section heart rates corresponding to the obtained target date (segment average heart rate of the target day). The rate of change in the average of the zone heart rates (average heart rate of the zone on the reference day), and the difference between the index of the distribution of zone heart rates corresponding to the target day and the index of the distribution of zone heart rates corresponding to the reference day. can be entered, and accordingly, a result can be obtained as to whether the subject is hyperthyroid or not hyperthyroid. In other words, a prediction result regarding whether hyperthyroidism is present can be obtained. At this time, the difference between the index regarding the distribution of section heart rates corresponding to the target date and the index regarding the distribution of section heart rates corresponding to the reference date may be one selected from the following or a combination thereof.
1) 대상일에 대응되는 구간 심박수들의 상대 표준편차의 기준일에 대응되는 구간 심박수들의 상대 표준편차에 대한 변화량 ( (대상일에 대응되는 구간 심박수들의 표준편차 / 대상일의 구간 평균 심박수) - (기준일에 대응되는 구간 심박수들의 표준편차 / 기준일의 구간 평균 심박수) )1) The amount of change in the relative standard deviation of section heart rates corresponding to the target date of the relative standard deviation of section heart rates corresponding to the target date ((standard deviation of section heart rates corresponding to the target day / average heart rate of the section on the target day) - (base date Standard deviation of the corresponding section heart rates / Average section heart rate on the reference day) )
2) 대상일에 대응되는 구간 심박수들의 왜도의 기준일에 대응되는 구간 심박수들의 왜도에 대한 변화량 (대상일에 대응되는 구간 심박수들의 왜도 - 기준일에 대응되는 구간 심박수들의 왜도)2) The amount of change in the skewness of section heart rates corresponding to the reference date of the skewness of section heart rates corresponding to the target date (skewness of section heart rates corresponding to the target date - skewness of section heart rates corresponding to the reference date)
3) 대상일에 대응되는 구간 심박수들의 첨도의 기준일에 대응되는 구간 심박수들의 첨도에 대한 변화량 (대상일에 대응되는 구간 심박수들의 첨도 - 기준일에 대응되는 구간 심박수들의 첨도)3) The amount of change in the kurtosis of section heart rates corresponding to the reference date of the kurtosis of section heart rates corresponding to the target date (kurtosis of section heart rates corresponding to the target date - kurtosis of section heart rates corresponding to the reference date)
4) 대상일에 대응되는 구간 심박수들의 분포(distribution)과 기준일에 대응되는 구간 심박수들의 분포(distribution) 사이의 JS divergence4) JS divergence between the distribution of zone heart rates corresponding to the target day and the distribution of zone heart rates corresponding to the reference day
학습방법 실시예#8에서 설명한 바와 같이 학습된 갑상선기능항진증 예측모델에 상기 획득된 기준일의 호르몬 농도, 상기 획득된 대상일에 대응되는 구간 심박수들의 평균(대상일의 구간 평균 심박수)의 기준일에 대응되는 구간 심박수들의 평균(기준일의 구간 평균 심박수)에 대한 변화율, 상기 대상일에 대응되는 구간 심박수들의 평균 및 대상일에 대응되는 구간 심박수들의 분포(distribution)에 관한 지표와 기준일에 대응되는 구간 심박수들의 분포(distribution)에 관한 지표 사이의 차이가 입력될 수 있으며, 그에 따라 대상이 갑상선기능항진증 인지 혹은 갑상선기능항진증이 아닌지에 대한 결과가 획득될 수 있다. 즉, 갑상선기능항진 여부에 대한 예측결과가 획득될 수 있다. 이때, 상기 대상일에 대응되는 구간 심박수들의 분포에 관한 지표와 기준일에 대응되는 구간 심박수들의 분포에 관한 지표 사이의 차이는 다음에서 선택되는 하나 또는 이들의 조합일 수 있다.Learning method As described in Example #8, the learned hyperthyroidism prediction model corresponds to the reference date of the hormone concentration of the obtained reference day and the average of the section heart rates corresponding to the obtained target date (segment average heart rate of the target day) The rate of change for the average of the section heart rates (the average heart rate of the section on the reference day), the average of the section heart rates corresponding to the target date and the distribution of the section heart rates corresponding to the target day, and the index of the section heart rates corresponding to the reference date Differences between indicators regarding distribution can be entered, and results can be obtained accordingly as to whether the subject is hyperthyroid or not hyperthyroid. In other words, a prediction result regarding whether hyperthyroidism is present can be obtained. At this time, the difference between the index regarding the distribution of section heart rates corresponding to the target date and the index regarding the distribution of section heart rates corresponding to the reference date may be one selected from the following or a combination thereof.
1) 대상일에 대응되는 구간 심박수들의 상대 표준편차의 기준일에 대응되는 구간 심박수들의 상대 표준편차에 대한 변화량 ( (대상일에 대응되는 구간 심박수들의 표준편차 / 대상일의 구간 평균 심박수) - (기준일에 대응되는 구간 심박수들의 표준편차 / 기준일의 구간 평균 심박수) )1) The amount of change in the relative standard deviation of section heart rates corresponding to the target date of the relative standard deviation of section heart rates corresponding to the target date ((standard deviation of section heart rates corresponding to the target day / average heart rate of the section on the target day) - (base date Standard deviation of the corresponding section heart rates / Average section heart rate on the reference day) )
2) 대상일에 대응되는 구간 심박수들의 왜도의 기준일에 대응되는 구간 심박수들의 왜도에 대한 변화량 (대상일에 대응되는 구간 심박수들의 왜도 - 기준일에 대응되는 구간 심박수들의 왜도)2) The amount of change in the skewness of section heart rates corresponding to the reference date of the skewness of section heart rates corresponding to the target date (skewness of section heart rates corresponding to the target date - skewness of section heart rates corresponding to the reference date)
3) 대상일에 대응되는 구간 심박수들의 첨도의 기준일에 대응되는 구간 심박수들의 첨도에 대한 변화량 (대상일에 대응되는 구간 심박수들의 첨도 - 기준일에 대응되는 구간 심박수들의 첨도)3) The amount of change in the kurtosis of section heart rates corresponding to the reference date of the kurtosis of section heart rates corresponding to the target date (kurtosis of section heart rates corresponding to the target date - kurtosis of section heart rates corresponding to the reference date)
4) 대상일에 대응되는 구간 심박수들의 분포(distribution)과 기준일에 대응되는 구간 심박수들의 분포(distribution) 사이의 JS divergence4) JS divergence between the distribution of zone heart rates corresponding to the target day and the distribution of zone heart rates corresponding to the reference day
학습방법 실시예#9에서 설명한 바와 같이 학습된 갑상선기능항진증 예측모델에 상기 획득된 기준일의 호르몬 농도, 상기 획득된 대상일에 대응되는 구간 심박수들의 평균(대상일의 구간 평균 심박수)의 기준일에 대응되는 구간 심박수들의 평균(기준일의 구간 평균 심박수)에 대한 변화율(또는 변화량), 대상일에 대응되는 구간 심박수들의 분포(distribution)에 관한 지표와 기준일에 대응되는 구간 심박수들의 분포(distribution)에 관한 지표 사이의 차이 및 상기 대상일과 상기 기준일 사이의 차이(day gap)이 입력될 수 있으며, 그에 따라 대상이 갑상선기능항진증 인지 혹은 갑상선기능항진증이 아닌지에 대한 결과가 획득될 수 있다. 즉, 갑상선기능항진 여부에 대한 예측결과가 획득될 수 있다. 이때, 상기 대상일에 대응되는 구간 심박수들의 분포에 관한 지표와 기준일에 대응되는 구간 심박수들의 분포에 관한 지표 사이의 차이는 다음에서 선택되는 하나 또는 이들의 조합일 수 있다.Learning method As described in Example #9, the learned hyperthyroidism prediction model corresponds to the reference date of the hormone concentration of the obtained reference day and the average of the section heart rates corresponding to the obtained target date (average heart rate of the section of the target day). The rate of change (or amount of change) of the average of the zone heart rates (average heart rate of the zone on the reference day), an index of the distribution of the zone heart rates corresponding to the target date, and an index of the distribution of the zone heart rates corresponding to the reference day. The difference between and the difference (day gap) between the target date and the reference date can be input, and accordingly, a result can be obtained as to whether the target is hyperthyroid or not hyperthyroid. In other words, a prediction result regarding whether hyperthyroidism is present can be obtained. At this time, the difference between the index regarding the distribution of section heart rates corresponding to the target date and the index regarding the distribution of section heart rates corresponding to the reference date may be one selected from the following or a combination thereof.
1) 대상일에 대응되는 구간 심박수들의 표준편차의 기준일에 대응되는 구간 심박수들의 표준편차에 대한 변화량 (대상일에 대응되는 구간 심박수들의 표준편차 - 기준일에 대응되는 구간 심박수들의 표준편차)1) The amount of change in the standard deviation of section heart rates corresponding to the target date of the standard deviation of section heart rates corresponding to the target date (standard deviation of section heart rates corresponding to the target date - standard deviation of section heart rates corresponding to the reference date)
2) 대상일에 대응되는 구간 심박수들의 상대 표준편차의 기준일에 대응되는 구간 심박수들의 상대 표준편차에 대한 변화량 ( (대상일에 대응되는 구간 심박수들의 표준편차 / 대상일의 구간 평균 심박수) - (기준일에 대응되는 구간 심박수들의 표준편차 / 기준일의 구간 평균 심박수) )2) The amount of change in the relative standard deviation of section heart rates corresponding to the reference date of the relative standard deviation of section heart rates corresponding to the target date ((standard deviation of section heart rates corresponding to the target date / average heart rate of the section on the target day) - (reference date Standard deviation of the corresponding section heart rates / Average section heart rate on the reference day) )
3) 대상일에 대응되는 구간 심박수들의 왜도의 기준일에 대응되는 구간 심박수들의 왜도에 대한 변화량 (대상일에 대응되는 구간 심박수들의 왜도 - 기준일에 대응되는 구간 심박수들의 왜도)3) The amount of change in the skewness of section heart rates corresponding to the reference date of the skewness of section heart rates corresponding to the target date (skewness of section heart rates corresponding to the target date - skewness of section heart rates corresponding to the reference date)
4) 대상일에 대응되는 구간 심박수들의 첨도의 기준일에 대응되는 구간 심박수들의 첨도에 대한 변화량 (대상일에 대응되는 구간 심박수들의 첨도 - 기준일에 대응되는 구간 심박수들의 첨도)4) The amount of change in the kurtosis of section heart rates corresponding to the reference date of the kurtosis of section heart rates corresponding to the target date (kurtosis of section heart rates corresponding to the target date - kurtosis of section heart rates corresponding to the reference date)
5) 대상일에 대응되는 구간 심박수들의 분포(distribution)과 기준일에 대응되는 구간 심박수들의 분포(distribution) 사이의 JS divergence5) JS divergence between the distribution of zone heart rates corresponding to the target date and the distribution of zone heart rates corresponding to the reference day
학습방법 실시예#10에서 설명한 바와 같이 학습된 갑상선기능항진증 예측모델에 상기 획득된 기준일의 호르몬 농도, 상기 획득된 대상일에 대응되는 구간 심박수들의 평균(대상일의 구간 평균 심박수)의 기준일에 대응되는 구간 심박수들의 평균(기준일의 구간 평균 심박수)에 대한 변화율(또는 변화량), 대상일에 대응되는 구간 심박수들의 분포(distribution)에 관한 지표와 기준일에 대응되는 구간 심박수들의 분포(distribution)에 관한 지표 사이의 차이 및 변수들 간의 조합값이 입력될 수 있으며, 그에 따라 대상이 갑상선기능항진증 인지 혹은 갑상선기능항진증이 아닌지에 대한 결과가 획득될 수 있다. 즉, 갑상선기능항진 여부에 대한 예측결과가 획득될 수 있다. Learning method As described in Example #10, the learned hyperthyroidism prediction model corresponds to the reference date of the hormone concentration of the obtained reference day and the average of the section heart rates corresponding to the obtained target date (average heart rate of the section of the target day). The rate of change (or amount of change) of the average of the zone heart rates (average heart rate of the zone on the reference day), an index of the distribution of the zone heart rates corresponding to the target date, and an index of the distribution of the zone heart rates corresponding to the reference day. Differences between variables and combination values between variables can be input, and results can be obtained accordingly as to whether the subject is hyperthyroid or not hyperthyroid. In other words, a prediction result regarding whether hyperthyroidism is present can be obtained.
이때, 상기 대상일에 대응되는 구간 심박수들의 분포에 관한 지표와 기준일에 대응되는 구간 심박수들의 분포에 관한 지표 사이의 차이는 다음에서 선택되는 하나 또는 이들의 조합일 수 있다.At this time, the difference between the index regarding the distribution of section heart rates corresponding to the target date and the index regarding the distribution of section heart rates corresponding to the reference date may be one selected from the following or a combination thereof.
1) 대상일에 대응되는 구간 심박수들의 표준편차의 기준일에 대응되는 구간 심박수들의 표준편차에 대한 변화량 (대상일에 대응되는 구간 심박수들의 표준편차 - 기준일에 대응되는 구간 심박수들의 표준편차)1) The amount of change in the standard deviation of section heart rates corresponding to the target date of the standard deviation of section heart rates corresponding to the target date (standard deviation of section heart rates corresponding to the target date - standard deviation of section heart rates corresponding to the reference date)
2) 대상일에 대응되는 구간 심박수들의 상대 표준편차의 기준일에 대응되는 구간 심박수들의 상대 표준편차에 대한 변화량 ( (대상일에 대응되는 구간 심박수들의 표준편차 / 대상일의 구간 평균 심박수) - (기준일에 대응되는 구간 심박수들의 표준편차 / 기준일의 구간 평균 심박수) )2) The amount of change in the relative standard deviation of section heart rates corresponding to the reference date of the relative standard deviation of section heart rates corresponding to the target date ((standard deviation of section heart rates corresponding to the target date / average heart rate of the section on the target day) - (reference date Standard deviation of the corresponding section heart rates / Average section heart rate on the reference day) )
3) 대상일에 대응되는 구간 심박수들의 왜도의 기준일에 대응되는 구간 심박수들의 왜도에 대한 변화량 (대상일에 대응되는 구간 심박수들의 왜도 - 기준일에 대응되는 구간 심박수들의 왜도)3) The amount of change in the skewness of section heart rates corresponding to the reference date of the skewness of section heart rates corresponding to the target date (skewness of section heart rates corresponding to the target date - skewness of section heart rates corresponding to the reference date)
4) 대상일에 대응되는 구간 심박수들의 첨도의 기준일에 대응되는 구간 심박수들의 첨도에 대한 변화량 (대상일에 대응되는 구간 심박수들의 첨도 - 기준일에 대응되는 구간 심박수들의 첨도)4) The amount of change in the kurtosis of section heart rates corresponding to the reference date of the kurtosis of section heart rates corresponding to the target date (kurtosis of section heart rates corresponding to the target date - kurtosis of section heart rates corresponding to the reference date)
5) 대상일에 대응되는 구간 심박수들의 분포(distribution)과 기준일에 대응되는 구간 심박수들의 분포(distribution) 사이의 JS divergence5) JS divergence between the distribution of zone heart rates corresponding to the target date and the distribution of zone heart rates corresponding to the reference day
한편, 변수들 간의 조합값은 학습방법 실시예#10에서 자세히 설명한 바 있으므로, 여기서는 자세한 설명을 생략한다.Meanwhile, since the combination values between variables have been explained in detail in Learning Method Example #10, detailed explanation is omitted here.
학습방법 실시예#11에서 설명한 바와 같이 학습된 갑상선기능항진증 예측모델에 다음과 같은 값들이 입력될 수 있으며, 그에 따라 갑상선기능항진증 인지 혹은 갑상선기능항진증이 아닌지에 대한 결과가 획득될 수 있다. 즉, 갑상선기능항진 여부에 대한 예측결과가 획득될 수 있다.As described in Learning Method Example #11, the following values can be input into the learned hyperthyroidism prediction model, and accordingly, a result of whether hyperthyroidism or not hyperthyroidism can be obtained. In other words, a prediction result regarding whether hyperthyroidism is present can be obtained.
(1) 상기 획득된 기준일의 호르몬 농도, 상기 획득된 대상일에 대응되는 구간 심박수들의 평균(대상일의 구간 평균 심박수)의 기준일에 대응되는 구간 심박수들의 평균(기준일의 구간 평균 심박수)에 대한 변화량 및 상기 대상의 나이 및/또는 성별(1) The amount of change in the hormone concentration of the obtained reference day, the average of section heart rates corresponding to the obtained target date (segment average heart rate of target day) with respect to the average of section heart rates corresponding to the reference day (segment average heart rate of reference day) and the age and/or gender of said subject.
(2) 상기 획득된 기준일의 호르몬 농도, 상기 획득된 대상일에 대응되는 구간 심박수들의 평균(대상일의 구간 평균 심박수)의 기준일에 대응되는 구간 심박수들의 평균(기준일의 구간 평균 심박수)에 대한 변화량, 상기 대상일에 대응되는 구간 평균 심박수 및 상기 대상의 나이 및/또는 성별(2) The amount of change in the hormone concentration of the obtained reference day, the average of section heart rates corresponding to the obtained target date (segment average heart rate of target day) with respect to the average of section heart rates corresponding to the reference day (segment average heart rate of reference day) , the average heart rate of the section corresponding to the target date, and the age and/or gender of the target
(3) 상기 획득된 기준일의 호르몬 농도, 상기 획득된 대상일에 대응되는 구간 심박수들의 평균(대상일의 구간 평균 심박수)의 기준일에 대응되는 구간 심박수들의 평균(기준일의 구간 평균 심박수)에 대한 변화량, 상기 대상일에 대응되는 구간 심박수들의 분포(distribution)에 관한 지표와 상기 기준일에 대응되는 구간 심박수들의 분포(distribution)에 관한 지표 사이의 차이 및 상기 대상의 나이 및/또는 성별(3) The amount of change in the hormone concentration of the obtained reference day, the average of section heart rates corresponding to the obtained target date (segment average heart rate of target day) with respect to the average of section heart rates corresponding to the reference date (segment average heart rate of reference day) , the difference between the index regarding the distribution of section heart rates corresponding to the target date and the index regarding the distribution of section heart rates corresponding to the reference date, and the age and/or gender of the subject.
(4) 상기 획득된 기준일의 호르몬 농도 및 상기 획득된 대상일에 대응되는 구간 심박수들의 평균(대상일의 구간 평균 심박수)의 기준일에 대응되는 구간 심박수들의 평균(기준일의 구간 평균 심박수)에 대한 변화량, 상기 대상일에 대응되는 구간 심박수들의 평균, 상기 대상일에 대응되는 구간 심박수들의 분포(distribution)에 관한 지표와 상기 기준일에 대응되는 구간 심박수들의 분포(distribution)에 관한 지표 사이의 차이 및 상기 대상의 나이 및/또는 성별(4) The amount of change in the hormone concentration of the obtained reference day and the average of section heart rates corresponding to the obtained target date (segment average heart rate of target day) with respect to the average of section heart rates corresponding to the reference date (segment average heart rate of reference day) , the average of the section heart rates corresponding to the target date, the difference between the index regarding the distribution of section heart rates corresponding to the target day and the index regarding the distribution of section heart rates corresponding to the reference date, and the target age and/or gender
(5) 상기 획득된 기준일의 호르몬 농도, 상기 획득된 대상일에 대응되는 구간 심박수들의 평균(대상일의 구간 평균 심박수)의 기준일에 대응되는 구간 심박수들의 평균(기준일의 구간 평균 심박수)에 대한 변화율 및 상기 대상의 나이 및/또는 성별(5) The rate of change of the hormone concentration of the obtained reference day, the average of section heart rates corresponding to the obtained target date (segment average heart rate of target day) with respect to the average of section heart rates corresponding to the reference date (segment average heart rate of reference day) and the age and/or gender of said subject.
(6) 상기 획득된 기준일의 호르몬 농도, 상기 획득된 대상일에 대응되는 구간 심박수들의 평균(대상일의 구간 평균 심박수)의 기준일에 대응되는 구간 심박수들의 평균(기준일의 구간 평균 심박수)에 대한 변화율, 상기 대상일에 대응되는 구간 심박수들의 평균 및 상기 대상의 나이 및/또는 성별(6) The rate of change of the hormone concentration of the obtained reference day, the average of section heart rates corresponding to the obtained target date (segment average heart rate of target day) with respect to the average of section heart rates corresponding to the reference date (segment average heart rate of reference day) , the average of section heart rates corresponding to the target date and the age and/or gender of the target
(7) 상기 획득된 기준일의 호르몬 농도, 상기 획득된 대상일에 대응되는 구간 심박수들의 평균(대상일의 구간 평균 심박수)의 기준일에 대응되는 구간 심박수들의 평균(기준일의 구간 평균 심박수)에 대한 변화율, 대상일에 대응되는 구간 심박수들의 분포(distribution)에 관한 지표와 기준일에 대응되는 구간 심박수들의 분포(distribution)에 관한 지표 사이의 차이 및 상기 대상의 나이 및/또는 성별(7) The rate of change of the hormone concentration of the obtained reference day, the average of section heart rates corresponding to the obtained target date (segment average heart rate of target day) with respect to the average of section heart rates corresponding to the reference day (segment average heart rate of reference day) , the difference between the index regarding the distribution of section heart rates corresponding to the target date and the index regarding the distribution of section heart rates corresponding to the reference date, and the age and/or gender of the subject.
(8) 상기 획득된 기준일의 호르몬 농도, 상기 획득된 대상일에 대응되는 구간 심박수들의 평균(대상일의 구간 평균 심박수)의 기준일에 대응되는 구간 심박수들의 평균(기준일의 구간 평균 심박수)에 대한 변화율, 상기 대상일에 대응되는 구간 심박수들의 평균, 대상일에 대응되는 구간 심박수들의 분포(distribution)에 관한 지표와 기준일에 대응되는 구간 심박수들의 분포(distribution)에 관한 지표 사이의 차이 및 상기 대상의 나이 및/또는 성별(8) The rate of change of the hormone concentration of the obtained reference date, the average of section heart rates corresponding to the obtained target date (segment average heart rate of target day) with respect to the average of section heart rates corresponding to the reference date (segment average heart rate of reference day) , the average of the section heart rates corresponding to the target date, the difference between the index of the distribution of section heart rates corresponding to the target day and the index of the distribution of section heart rates corresponding to the reference day, and the age of the target. and/or gender
(9) 상기 획득된 기준일의 호르몬 농도, 상기 획득된 대상일에 대응되는 구간 심박수들의 평균(대상일의 구간 평균 심박수)의 기준일에 대응되는 구간 심박수들의 평균(기준일의 구간 평균 심박수)에 대한 변화율(또는 변화량), 대상일에 대응되는 구간 심박수들의 분포(distribution)에 관한 지표와 기준일에 대응되는 구간 심박수들의 분포(distribution)에 관한 지표 사이의 차이, 상기 대상일과 상기 기준일 사이의 차이(day gap) 및 상기 대상의 나이 및/또는 성별(9) The rate of change of the hormone concentration of the obtained reference day, the average of section heart rates corresponding to the obtained target date (segment average heart rate of target day) with respect to the average of section heart rates corresponding to the reference date (segment average heart rate of reference day) (or amount of change), the difference between the index regarding the distribution of section heart rates corresponding to the target date and the index regarding the distribution of section heart rates corresponding to the reference day, the difference between the target date and the reference date (day gap) ) and the age and/or gender of said subject.
(10) 상기 획득된 기준일의 호르몬 농도, 상기 획득된 대상일에 대응되는 구간 심박수들의 평균(대상일의 구간 평균 심박수)의 기준일에 대응되는 구간 심박수들의 평균(기준일의 구간 평균 심박수)에 대한 변화율(또는 변화량), 대상일에 대응되는 구간 심박수들의 분포(distribution)에 관한 지표와 기준일에 대응되는 구간 심박수들의 분포(distribution)에 관한 지표 사이의 차이, 변수들 간의 조합값 및 상기 대상의 나이 및/또는 성별(10) The rate of change of the hormone concentration of the obtained reference day, the average of the section heart rates corresponding to the obtained target date (segment average heart rate of the target day) with respect to the average of section heart rates corresponding to the reference day (segment average heart rate of the reference day) (or amount of change), the difference between the index regarding the distribution of section heart rates corresponding to the target date and the index regarding the distribution of section heart rates corresponding to the reference date, the combination value between variables and the age of the subject, and /or gender
갑상선기능저하증 예측모델을 통한 갑상선기능저하증에 대한 예측결과 획득Obtaining prediction results for hypothyroidism through hypothyroidism prediction model
갑상선기능항진증 예측모델을 통한 갑상선기능항진증에 대한 예측결과 획득에 설명한 바와 유사하게, 갑상선기능저하증 예측모델을 통해 갑상선기능저항증에 대한 예측결과를 획득할 수 있다. 이에 대한 자세한 설명은 생략한다.Similar to what was described in obtaining prediction results for hyperthyroidism through a hyperthyroidism prediction model, prediction results for hypothyroidism can be obtained through a hypothyroidism prediction model. A detailed description of this will be omitted.
갑상선기능이상증에 대한 예측결과의 획득Obtaining prediction results for thyroid dysfunction
상기 갑상선기능항진증에 대한 예측결과와 상기 갑상성기능저하증에 대한 예측결과를 종합하여 대상의 갑상선기능이상증에 대한 예측 결과가 획득된다.By combining the prediction results for hyperthyroidism and the prediction results for hypothyroidism, a prediction result for the subject's dysthyroidism is obtained.
갑상선기능항진증에 대한 예측결과(A)와 갑상선기능저하증에 대한 예측결과(B)를 고려한 갑상선기능이상증에 대한 예측 결과는 다음의 [표2]와 같이 획득될 수 있다.The prediction results for dysthyroidism considering the prediction results for hyperthyroidism (A) and the prediction results for hypothyroidism (B) can be obtained as shown in [Table 2] below.
갑상선기능저하증Hyperthyroidism or
hypothyroidism
한편, 갑상선기능항진증에 대한 예측결과가 갑상선기능항진증으로 나오고, 갑상선기능저하증에 대한 예측결과도 갑상선기능저하증으로 나온 경우, 갑상선기능항진증 예측모델의 출력값(확률값)과 갑상선기능저하증 예측모델의 출력값(확률값)을 비교하여, 보다 더 높은 확률값을 출력한 결과가 최종적인 갑상선기능이상증에 대한 결과로 채택될 수 있다.전술한 트리거 신호를 획득함(S100), 상기 트리거 신호에 의해 결정되는 대상일에 대응되는 구간 심박수들을 획득함(S110), 상기 대상일에 대응되는 상기 구간 심박수들을 전처리함(S120), 기준일에 대응되는 호르몬 농도를 획득함(S130), 상기 기준일에 대응되는 구간 심박수들에 대한 전처리 결과를 획득함(S140), 상기 대상일에 대응되는 구간 심박수들의 전처리 결과와 상기 기준일에 대응되는 구간 심박수들에 대한 전처리 결과의 차이를 획득함(S150), 상기 획득된 차이 및 상기 기준일에 대응되는 호르몬 농도를 갑상선기능이상 예측모델을 이용하여 처리하고 상기 대상에 대한 갑상선기능이상증에 대한 결과를 획득함(S160)은 모두 상기 심박수 측정 디바이스(10)에 의해 수행될 수 있다.On the other hand, if the prediction result for hyperthyroidism comes out as hyperthyroidism and the prediction result for hypothyroidism also comes out as hypothyroidism, the output value (probability value) of the hyperthyroidism prediction model and the output value (probability value) of the hypothyroidism prediction model ( probability value), the result outputting a higher probability value can be adopted as the final result for thyroid dysfunction. Obtaining the above-mentioned trigger signal (S100), on the target date determined by the trigger signal Acquire corresponding section heart rates (S110), preprocess the section heart rates corresponding to the target date (S120), obtain hormone concentration corresponding to the reference date (S130), obtain the section heart rates corresponding to the reference date Acquire pre-processing results (S140), obtain the difference between the pre-processing results of the section heart rates corresponding to the target date and the pre-processing results of the section heart rates corresponding to the reference date (S150), obtain the obtained difference and the reference date Processing the corresponding hormone concentration using a thyroid dysfunction prediction model and obtaining results on thyroid dysfunction for the subject (S160) can all be performed by the heart rate measurement device 10.
전술한 트리거 신호를 획득함(S100), 상기 트리거 신호에 의해 결정되는 대상일에 대응되는 구간 심박수들을 획득함(S110), 상기 대상일에 대응되는 상기 구간 심박수들을 전처리함(S120), 기준일에 대응되는 호르몬 농도를 획득함(S130), 상기 기준일에 대응되는 구간 심박수들에 대한 전처리 결과를 획득함(S140), 상기 대상일에 대응되는 구간 심박수들의 전처리 결과와 상기 기준일에 대응되는 구간 심박수들에 대한 전처리 결과의 차이를 획득함(S150), 상기 획득된 차이 및 상기 기준일에 대응되는 호르몬 농도를 갑상선기능이상 예측모델을 이용하여 처리하고 상기 대상에 대한 갑상선기능이상증에 대한 결과를 획득함(S160)은 모두 상기 사용자 단말기(20)에 의해 수행될 수 있다.Obtaining the above-mentioned trigger signal (S100), obtaining section heart rates corresponding to the target date determined by the trigger signal (S110), preprocessing the section heart rates corresponding to the target date (S120), on the reference date Obtaining the corresponding hormone concentration (S130), obtaining preprocessing results for section heart rates corresponding to the reference date (S140), preprocessing results for section heart rates corresponding to the target date and section heart rates corresponding to the reference date Obtaining the difference in pre-processing results (S150), processing the obtained difference and the hormone concentration corresponding to the reference date using a thyroid dysfunction prediction model, and obtaining the results for thyroid dysfunction for the subject (S150). S160) can all be performed by the user terminal 20.
전술한 트리거 신호를 획득함(S100), 상기 트리거 신호에 의해 결정되는 대상일에 대응되는 구간 심박수들을 획득함(S110), 상기 대상일에 대응되는 상기 구간 심박수들을 전처리함(S120), 기준일에 대응되는 호르몬 농도를 획득함(S130), 상기 기준일에 대응되는 구간 심박수들에 대한 전처리 결과를 획득함(S140), 상기 대상일에 대응되는 구간 심박수들의 전처리 결과와 상기 기준일에 대응되는 구간 심박수들에 대한 전처리 결과의 차이를 획득함(S150), 상기 획득된 차이 및 상기 기준일에 대응되는 호르몬 농도를 갑상선기능이상 예측모델을 이용하여 처리하고 상기 대상에 대한 갑상선기능이상증에 대한 결과를 획득함(S160)은 모두 상기 서버(30)에 의해 수행될 수 있다.Obtaining the above-mentioned trigger signal (S100), obtaining section heart rates corresponding to the target date determined by the trigger signal (S110), preprocessing the section heart rates corresponding to the target date (S120), on the reference date Obtaining the corresponding hormone concentration (S130), obtaining preprocessing results for section heart rates corresponding to the reference date (S140), preprocessing results for section heart rates corresponding to the target date and section heart rates corresponding to the reference date Obtaining the difference in pre-processing results (S150), processing the obtained difference and the hormone concentration corresponding to the reference date using a thyroid dysfunction prediction model, and obtaining the results for thyroid dysfunction for the subject (S150). S160) can all be performed by the server 30.
전술한 트리거 신호를 획득함(S100), 상기 트리거 신호에 의해 결정되는 대상일에 대응되는 구간 심박수들을 획득함(S110), 상기 대상일에 대응되는 상기 구간 심박수들을 전처리함(S120), 기준일에 대응되는 호르몬 농도를 획득함(S130), 상기 기준일에 대응되는 구간 심박수들에 대한 전처리 결과를 획득함(S140), 상기 대상일에 대응되는 구간 심박수들의 전처리 결과와 상기 기준일에 대응되는 구간 심박수들에 대한 전처리 결과의 차이를 획득함(S150), 상기 획득된 차이 및 상기 기준일에 대응되는 호르몬 농도를 갑상선기능이상 예측모델을 이용하여 처리하고 상기 대상에 대한 갑상선기능이상증에 대한 결과를 획득함(S160)은 상기 심박수 측정 디바이스(10), 상기 사용자 단말기(20) 및 상기 서버(30)에 의해 적절히 분산되어 수행될 수 있다.Obtaining the above-mentioned trigger signal (S100), obtaining section heart rates corresponding to the target date determined by the trigger signal (S110), preprocessing the section heart rates corresponding to the target date (S120), on the reference date Obtaining the corresponding hormone concentration (S130), obtaining preprocessing results for section heart rates corresponding to the reference date (S140), preprocessing results for section heart rates corresponding to the target date and section heart rates corresponding to the reference date Obtaining the difference in pre-processing results (S150), processing the obtained difference and the hormone concentration corresponding to the reference date using a thyroid dysfunction prediction model, and obtaining the results for thyroid dysfunction for the subject (S150). S160) may be appropriately distributed and performed by the heart rate measurement device 10, the user terminal 20, and the server 30.
예를 들어, 트리거 신호를 획득함(S100), 상기 트리거 신호에 의해 결정되는 대상일에 대응되는 구간 심박수들을 획득함(S110), 상기 대상일에 대응되는 상기 구간 심박수들을 전처리함(S120)은 상기 사용자 단말기(20)에 의해 수행되고, 기준일에 대응되는 호르몬 농도를 획득함(S130), 상기 기준일에 대응되는 구간 심박수들에 대한 전처리 결과를 획득함(S140), 상기 대상일에 대응되는 구간 심박수들의 전처리 결과와 상기 기준일에 대응되는 구간 심박수들에 대한 전처리 결과의 차이를 획득함(S150), 상기 획득된 차이 및 상기 기준일에 대응되는 호르몬 농도를 갑상선기능이상 예측모델을 이용하여 처리하고 상기 대상에 대한 갑상선기능이상증에 대한 결과를 획득함(S160)은 상기 서버(30)에 의해 수행될 수 있다.For example, obtaining a trigger signal (S100), obtaining section heart rates corresponding to the target date determined by the trigger signal (S110), and preprocessing the section heart rates corresponding to the target date (S120). Performed by the user terminal 20, the hormone concentration corresponding to the reference date is obtained (S130), the preprocessing results for the heart rates of the section corresponding to the reference date are obtained (S140), the section corresponding to the target date Obtain the difference between the preprocessing result of the heart rates and the preprocessing result of the heart rates in the section corresponding to the reference date (S150), process the obtained difference and the hormone concentration corresponding to the reference date using a thyroid dysfunction prediction model, and Obtaining results on thyroid dysfunction for the subject (S160) may be performed by the server 30.
다른 예를 들어, 트리거 신호를 획득함(S100)은 상기 사용자 단말기(20)에 의해 수행되고, 상기 트리거 신호에 의해 결정되는 대상일에 대응되는 구간 심박수들을 획득함(S110), 상기 대상일에 대응되는 상기 구간 심박수들을 전처리함(S120), 기준일에 대응되는 호르몬 농도를 획득함(S130), 상기 기준일에 대응되는 구간 심박수들에 대한 전처리 결과를 획득함(S140), 상기 대상일에 대응되는 구간 심박수들의 전처리 결과와 상기 기준일에 대응되는 구간 심박수들에 대한 전처리 결과의 차이를 획득함(S150), 상기 획득된 차이 및 상기 기준일에 대응되는 호르몬 농도를 갑상선기능이상 예측모델을 이용하여 처리하고 상기 대상에 대한 갑상선기능이상증에 대한 결과를 획득함(S160)은 상기 서버(30)에 의해 수행될 수 있다.For another example, acquiring a trigger signal (S100) is performed by the user terminal 20, and obtaining section heart rates corresponding to the target date determined by the trigger signal (S110), on the target date Preprocess the corresponding section heart rates (S120), obtain the hormone concentration corresponding to the reference date (S130), obtain preprocessing results for the section heart rates corresponding to the reference date (S140), and obtain the preprocessing results for the section heart rates corresponding to the reference date (S140). Obtaining the difference between the preprocessing results of the section heart rates and the preprocessing results of the section heart rates corresponding to the reference date (S150), processing the obtained difference and the hormone concentration corresponding to the reference date using a thyroid dysfunction prediction model, Obtaining results on thyroid dysfunction for the subject (S160) may be performed by the server 30.
다만, 전술한 분산 수행의 형태에 국한되지 않고, 더 다양한 형태로 분산 수행될 수 있다.However, it is not limited to the form of distributed execution described above, and distributed execution can be performed in more diverse forms.
5. 실험예5. Experimental example
이하에서는, 본 출원에 의해 개시되는 갑상선기능이상증 예측모델을 학습시킨 실험예들과 그에 대한 정확도 등을 분석한 결과를 설명한다.Below, experimental examples of learning the thyroid dysfunction prediction model disclosed by this application and the results of analyzing the accuracy thereof will be described.
이하에서 설명하는 실험예들 및 비교예들에 사용된 임상 데이터는 전술한 방법에 의해 수집을 하였으며, 총 297명의 환자를 대상으로 수집한 총 1,027개의 임상 데이터 세트들이 활용되었고, 이 중 호르몬 농도에 대한 진단 결과 " 갑상선기능항진증"으로 분류된 임상 데이터 세트들은 총 168개, "정상"으로 분류된 임상 데이터 세트들은 총 801개, "갑상선기능저하증"으로 분류된 임상 데이터 세트들은 총 58개였다.The clinical data used in the experimental examples and comparative examples described below were collected by the method described above, and a total of 1,027 clinical data sets collected from a total of 297 patients were used, of which hormone concentration As a result of the diagnosis, there were a total of 168 clinical data sets classified as “hyperthyroidism,” a total of 801 clinical data sets classified as “normal,” and a total of 58 clinical data sets classified as “hypothyroidism.”
(1) 비교예#1 - 정상 기준일에 대한 심박수 차이 - 라벨링(1) Comparative Example #1 - Heart rate difference compared to normal reference day - Labeling
학습 데이터 세트들의 준비Preparation of training data sets
본 출원에 의해 개시되는 다양한 실시예들의 실험 결과와 비교하기 위한 비교예에 따른 예측모델을 학습시키기 위하여, 다음과 같은 방식으로 학습 데이터 세트가 준비되었다.In order to learn a prediction model according to a comparative example for comparison with the experimental results of various embodiments disclosed by this application, a learning data set was prepared in the following manner.
환자들 각각에 대하여, 진단결과가 정상이 아닌 검사일에 대응되는 구간 평균 심박수에서 진단결과가 정상인 검사일에 대응되는 구간 평균 심박수를 뺀 값이 입력값(예를 들어, 구간 평균 심박수의 변화량)으로 사용되었고, 상기 진단결과가 정상이 아닌 검사일에 대응되어 있는 진단 결과(항진 또는 저하)가 라벨링값으로 사용되었다. 그리고, 진단결과가 정상인 검사일이 둘 이상인 경우, 하나의 검사일(정상인 검사일)에 대응되는 구간 평균 심박수에서 다른 하나의 검사일(정상인 다른 검사일)에 대응되는 구간 평균 심박수를 뺀 값이 입력값으로 사용되었고, 항진아님 또는 저하아님이 라벨링값으로 사용되었다.For each patient, the value obtained by subtracting the section average heart rate corresponding to the test day when the diagnosis result was normal from the section average heart rate corresponding to the test day when the diagnosis result was not normal is used as an input value (e.g., the amount of change in section average heart rate). and the diagnostic result (increased or decreased) corresponding to the test date when the diagnostic result was not normal was used as the labeling value. In addition, when there were two or more test days with normal diagnostic results, the value obtained by subtracting the section average heart rate corresponding to one test day (the other normal test day) from the section average heart rate corresponding to one test day (the other normal test day) was used as the input value. , not high or not low were used as labeling values.
이때, 상기 검사일에 대응되는 구간 평균 심박수는 상기 검사일을 기준으로 10일간의 휴지기 심박수들을 획득하고, 상기 획득된 휴지기 심박수들의 평균을 산출하였다. At this time, the section average heart rate corresponding to the test date was obtained by obtaining resting heart rates for 10 days based on the test date, and calculating the average of the obtained resting heart rates.
이때, 서로 다른 환자들의 임상 데이터들 사이의 "차이"를 이용하여 학습 데이터 세트가 생성되지는 않았으며, 한 명의 환자로부터 획득된 임상 데이터 세트들을 이용하여 학습 데이터 세트가 생성되었다.At this time, a learning data set was not created using “differences” between clinical data of different patients, but a learning data set was created using clinical data sets obtained from one patient.
이 때, 학습에 활용된 임상 데이터들은 157명의 환자로부터 확보한 495개의데이터들이 활용되었으며, 이로부터 생성된 학습 데이터 세트들의 개수는 총 1,199개였다.At this time, the clinical data used for learning was 495 data obtained from 157 patients, and the total number of learning data sets created from this was 1,199.
갑상선기능항진증 예측모델의 학습Learning of hyperthyroidism prediction model
Light gradient boosting machine을 이용하여, 전술한 학습 데이터 세트들을 이용하여 갑상선기능항진증 예측모델이 학습되었다.Using a light gradient boosting machine, a hyperthyroidism prediction model was learned using the aforementioned training data sets.
갑상선기능항진증 예측모델의 테스트Test of hyperthyroidism prediction model
학습된 예측 모델의 정확도를 판단하기 위하여 사용된 테스트 데이터 세트들은 총 121명의 환자로부터 확보된 437개의 임상 데이터들로부터 생성되었으며, 총 1,138개의 테스트 데이터 세트들이 생성되었다.The test data sets used to determine the accuracy of the learned prediction model were created from 437 clinical data obtained from a total of 121 patients, and a total of 1,138 test data sets were created.
비교예#1에 따르는 갑상선기능항진증 예측모델의 정확도, 민감도, 특이도, PPV (Positive Predictive Value), NPV (Negative Predictive Value)는 다음의 [표3]와 같다.The accuracy, sensitivity, specificity, PPV (Positive Predictive Value), and NPV (Negative Predictive Value) of the hyperthyroidism prediction model according to Comparative Example #1 are shown in [Table 3] below.
(2) 실험예#1 - 심박수 차이 + 호르몬수치 (vs 비교예 #1)(2) Experimental example #1 - Heart rate difference + hormone level (vs comparative example #1) 학습 데이터 세트들의 준비Preparation of training data sets
총 171명의 환자를 대상으로 수집한 총 563개의 임상 데이터 세트들이 사용되었다.A total of 563 clinical data sets collected from a total of 171 patients were used.
전술한 학습방법 실시예#1에 기재한 갑상선기능항진증 예측 모델의 학습 방법에 따라 모델이 학습되었다. 즉, [(제1 검사일에 대응되는 구간 평균 심박수 - 제2 검사일에 대응되는 구간 평균 심박수), 제2 검사일에 대응되는 갑상선 호르몬 농도, 제1 검사일에 대응되는 진단결과(항진 또는 항진아님)]와 같은 포맷의 학습 데이터 세트들이 생성되었고, 이 학습 데이터 세트들이 모델을 학습시키는 데에 사용되었다.The model was learned according to the learning method of the hyperthyroidism prediction model described in the above-described learning method example #1. That is, [(section average heart rate corresponding to the first test day - section average heart rate corresponding to the second test day), thyroid hormone concentration corresponding to the second test day, diagnosis result (hyperactivity or not hyperactivity) corresponding to the first test day] Training data sets in the same format were created, and these training data sets were used to train the model.
이때, 상기 검사일에 대응되는 구간 평균 심박수는 상기 검사일을 기준으로 10일간의 휴지기 심박수들을 획득하고, 상기 획득된 휴지기 심박수들의 평균을 산출하였다. At this time, the section average heart rate corresponding to the test date was obtained by obtaining resting heart rates for 10 days based on the test date, and calculating the average of the obtained resting heart rates.
그리고, 사용된 호르몬 수치는 free T4의 농도만 사용하거나 또는 free T4 및 TSH 농도 모두 사용하는 방식을 함께 사용하였다.Additionally, the hormone levels used were either free T4 alone or both free T4 and TSH.
이때, 서로 다른 환자들의 임상 데이터들 사이의 "차이"를 이용하여 학습 데이터 세트가 생성되지는 않았으며, 한 명의 환자로부터 획득된 임상 데이터 세트들을 이용하여 학습 데이터 세트가 생성되었다.At this time, a learning data set was not created using “differences” between clinical data of different patients, but a learning data set was created using clinical data sets obtained from one patient.
이 때, 학습에 활용된 임상 데이터들은 171명의 환자로부터 확보한 563개의데이터들이 활용되었으며, 이로부터 생성된 학습 데이터 세트들의 개수는 총 1,542개였다.At this time, the clinical data used for learning was 563 data obtained from 171 patients, and the total number of learning data sets created from this was 1,542.
갑상선기능항진증 예측모델의 학습Learning of hyperthyroidism prediction model
Light gradient boosting machine을 이용하여, 전술한 학습 데이터 세트들을 이용하여 갑상선기능항진증 예측모델이 학습되었다.Using a light gradient boosting machine, a hyperthyroidism prediction model was learned using the aforementioned training data sets.
갑상선기능항진증 예측모델의 테스트Test of hyperthyroidism prediction model
학습된 예측 모델의 정확도를 판단하기 위하여 사용된 테스트 데이터 세트들은 총 126명의 환자로부터 확보된 464개의 임상 데이터들로부터 생성되었으며, 총 1,416개의 테스트 데이터 세트들이 생성되었다.The test data sets used to determine the accuracy of the learned prediction model were created from 464 clinical data obtained from a total of 126 patients, and a total of 1,416 test data sets were created.
실험예#1에 따라 학습된 갑상선기능항진증 예측모델의 정확도의 테스트는 전술한 테스트 세트들을 이용하여 진행되었다.Testing the accuracy of the hyperthyroidism prediction model learned according to Experimental Example #1 was conducted using the above-described test sets.
실험예#1에 따르는 갑상선기능항진증 예측모델의 정확도, 민감도, 특이도, PPV (Positive Predictive Value), NPV (Negative Predictive Value)는 다음의 [표4]와 같다.The accuracy, sensitivity, specificity, PPV (Positive Predictive Value), and NPV (Negative Predictive Value) of the hyperthyroidism prediction model according to Experimental Example #1 are shown in [Table 4] below.
본 출원의 발명자들은, 비교예#1과 같이 호르몬 수치가 "정상"인 때를 기준일로 결정하고, 해당 기준일과 분석 대상일 사이의 구간 평균 심박수 간의 차이를 활용하지 않고, "정상"인지 "갑상선기능항진증"인지 여부와 무관하게 기준일을 결정하고, 해당 기준일에 대응되는 호르몬 농도와 함께 기준일과 분석 대상일 사이의 구간 평균 심박수 간의 차이를 활용하여도 "갑상선기능항진증"인지 여부를 충분히 예측할 수 있다는 것을 알 수 있었으며, 오히려 정확도와 민감도 등의 결과가 훨씬 더 높아지는 것을 알 수 있었다.이로써, 동일한 수준의 임상 데이터로부터 보다 더 많은 학습 데이터 세트를 얻을 수 있게 되었을 뿐만 아니라, 보다 더 정확하게 갑상선기능이상증을 예측할 수 있는 예측모델을 확보할 수 있게 되었다.The inventors of the present application determined the time when the hormone level was "normal" as the reference date, as in Comparative Example #1, and did not use the difference between the average heart rate of the section between the reference date and the date of analysis, and determined whether it was "normal" or "thyroid". It is possible to sufficiently predict whether a person has “hyperthyroidism” by determining the reference date regardless of whether it is “hyperthyroidism” and by using the difference between the average heart rate of the section between the reference date and the analysis target date along with the hormone concentration corresponding to the reference date. In fact, it was found that the results such as accuracy and sensitivity were much higher. This not only made it possible to obtain more learning data sets from the same level of clinical data, but also more accurately diagnosed thyroid dysfunction. It has become possible to secure a predictive model that can make predictions.
(3) 실험예#2 - 심박수 차이 + 현재 심박수 + 호르몬수치 (3) Experimental example #2 - Heart rate difference + current heart rate + hormone level
*학습 데이터 세트들의 준비 * Preparation of training data sets
총 171명의 환자를 대상으로 수집한 총 563개의 임상 데이터 세트들이 사용되었다.A total of 563 clinical data sets collected from a total of 171 patients were used.
전술한 학습방법 실시예#2에 기재한 갑상선기능항진증 예측 모델의 학습 방법에 따라 모델이 학습되었다. 즉, [(제1 검사일에 대응되는 구간 평균 심박수 - 제2 검사일에 대응되는 구간 평균 심박수), 제1 검사일에 대응되는 구간 평균 심박수, 제2 검사일에 대응되는 갑상선 호르몬 농도, 제1 검사일에 대응되는 진단결과(항진 또는 항진아님)]와 같은 포맷의 학습 데이터 세트들이 생성되었고, 이 학습 데이터 세트들이 모델을 학습시키는 데에 사용되었다.The model was learned according to the learning method of the hyperthyroidism prediction model described in the above-described learning method example #2. That is, [(section average heart rate corresponding to the first test day - section average heart rate corresponding to the second test day), section average heart rate corresponding to the first test day, thyroid hormone concentration corresponding to the second test day, corresponding to the first test day. Training data sets in the same format as diagnostic results (hyperactivity or non-hyperactivity disorder) were created, and these training data sets were used to train the model.
이때, 상기 검사일에 대응되는 구간 평균 심박수는 상기 검사일을 기준으로 10일간의 휴지기 심박수들을 획득하고, 상기 획득된 휴지기 심박수들의 평균을 산출하였다. At this time, the section average heart rate corresponding to the test date was obtained by obtaining resting heart rates for 10 days based on the test date, and calculating the average of the obtained resting heart rates.
그리고, 사용된 호르몬 수치는 free T4의 농도만 사용하거나 또는 free T4 및 TSH 농도 모두 사용하는 방식을 함께 사용하였다.Additionally, the hormone levels used were either free T4 alone or both free T4 and TSH.
이때, 서로 다른 환자들의 임상 데이터들 사이의 "차이"를 이용하여 학습 데이터 세트가 생성되지는 않았으며, 한 명의 환자로부터 획득된 임상 데이터 세트들을 이용하여 학습 데이터 세트가 생성되었다.At this time, a learning data set was not created using “differences” between clinical data of different patients, but a learning data set was created using clinical data sets obtained from one patient.
이 때, 학습에 활용된 임상 데이터들은 171명의 환자로부터 확보한 563개의데이터들이 활용되었으며, 이로부터 생성된 학습 데이터 세트들의 개수는 총 1,542개였다.At this time, the clinical data used for learning was 563 data obtained from 171 patients, and the total number of learning data sets created from this was 1,542.
갑상선기능항진증 예측모델의 학습Learning of hyperthyroidism prediction model
Light gradient boosting machine을 이용하여, 전술한 학습 데이터 세트들을 이용하여 갑상선기능항진증 예측모델이 학습되었다.Using a light gradient boosting machine, a hyperthyroidism prediction model was learned using the aforementioned training data sets.
갑상선기능항진증 예측모델의 테스트Test of hyperthyroidism prediction model
학습된 예측 모델의 정확도를 판단하기 위하여 사용된 테스트 데이터 세트들은 총 126명의 환자로부터 확보된 464개의 임상 데이터들로부터 생성되었으며, 총 1,416개의 테스트 데이터 세트들이 생성되었다.The test data sets used to determine the accuracy of the learned prediction model were created from 464 clinical data obtained from a total of 126 patients, and a total of 1,416 test data sets were created.
실험예#2에 따라 학습된 갑상선기능항진증 예측모델의 정확도의 테스트는 전술한 테스트 세트들을 이용하여 진행되었다.Testing the accuracy of the hyperthyroidism prediction model learned according to Experimental Example #2 was conducted using the test sets described above.
실험예#2에 따르는 갑상선기능항진증 예측모델의 정확도, 민감도, 특이도, PPV (Positive Predictive Value), NPV (Negative Predictive Value)는 다음의 [표5]와 같다.The accuracy, sensitivity, specificity, PPV (Positive Predictive Value), and NPV (Negative Predictive Value) of the hyperthyroidism prediction model according to Experimental Example #2 are shown in [Table 5] below.
본 출원의 발명자들은, 갑상선기능항진증을 예측함에 있어서, 구간 평균 심박수의 변화량에 더하여 대상일의 구간 평균 심박수(현재의 구간 평균 심박수)를 입력값으로 더 활용하는 경우, 정확도가 조금 더 상승하는 것을 알 수 있었다.(4) 실험예#3 - 심박수 차이 + 호르몬수치 + 표준편차 The inventors of the present application have found that when predicting hyperthyroidism, the accuracy increases slightly when the section average heart rate (current section average heart rate) of the target day is used as an input value in addition to the change in section average heart rate. Could know. (4) Experimental Example #3 - Heart rate difference + hormone level + standard deviation
학습 데이터 세트들의 준비Preparation of training data sets
총 171명의 환자를 대상으로 수집한 총 563개의 임상 데이터 세트들이 사용되었다.A total of 563 clinical data sets collected from a total of 171 patients were used.
전술한 학습방법 실시예#3에 기재한 갑상선기능항진증 예측 모델의 학습 방법에 따라 모델이 학습되었다. 즉, [(제1 검사일에 대응되는 구간 평균 심박수 - 제2 검사일에 대응되는 구간 평균 심박수), (제1 검사일에 대응되는 구간 심박수들의 표준편차 - 제2 검사일에 대응되는 구간 심박수들의 표준편차), 제2 검사일에 대응되는 갑상선 호르몬 농도, 제1 검사일에 대응되는 진단결과(항진 또는 항진아님)]와 같은 포맷의 학습 데이터 세트들이 생성되었고, 이 학습 데이터 세트들이 모델을 학습시키는 데에 사용되었다.The model was learned according to the learning method of the hyperthyroidism prediction model described in the above-described learning method example #3. That is, [(section average heart rate corresponding to the first test day - section average heart rate corresponding to the second test day), (standard deviation of section heart rates corresponding to the first test day - standard deviation of section heart rates corresponding to the second test day) , thyroid hormone concentration corresponding to the second examination day, diagnosis result (hyperactivity or not hyperactivity) corresponding to the first examination day] were created, and these learning data sets were used to train the model. .
이때, 상기 검사일에 대응되는 구간 평균 심박수는 상기 검사일을 기준으로 10일간의 휴지기 심박수들을 획득하고, 상기 획득된 휴지기 심박수들의 평균을 산출하였다. At this time, the section average heart rate corresponding to the test date was obtained by obtaining resting heart rates for 10 days based on the test date, and calculating the average of the obtained resting heart rates.
그리고, 사용된 호르몬 수치는 free T4 및 TSH 농도를 모두 입력값으로 사용하였다.Additionally, the hormone levels used included both free T4 and TSH concentrations as input values.
이때, 서로 다른 환자들의 임상 데이터들 사이의 "차이"를 이용하여 학습 데이터 세트가 생성되지는 않았으며, 한 명의 환자로부터 획득된 임상 데이터 세트들을 이용하여 학습 데이터 세트가 생성되었다.At this time, a learning data set was not created using “differences” between clinical data of different patients, but a learning data set was created using clinical data sets obtained from one patient.
이 때, 학습에 활용된 임상 데이터들은 171명의 환자로부터 확보한 563개의데이터들이 활용되었으며, 이로부터 생성된 학습 데이터 세트들의 개수는 총 1,542개였다.At this time, the clinical data used for learning was 563 data obtained from 171 patients, and the total number of learning data sets created from this was 1,542.
갑상선기능항진증 예측모델의 학습Learning of hyperthyroidism prediction model
Light gradient boosting machine을 이용하여, 전술한 학습 데이터 세트들을 이용하여 갑상선기능항진증 예측모델이 학습되었다.Using a light gradient boosting machine, a hyperthyroidism prediction model was learned using the aforementioned training data sets.
갑상선기능항진증 예측모델의 테스트Test of hyperthyroidism prediction model
학습된 예측 모델의 정확도를 판단하기 위하여 사용된 테스트 데이터 세트들은 총 126명의 환자로부터 확보된 464개의 임상 데이터들로부터 생성되었으며, 총 1,416개의 테스트 데이터 세트들이 생성되었다.The test data sets used to determine the accuracy of the learned prediction model were created from 464 clinical data obtained from a total of 126 patients, and a total of 1,416 test data sets were created.
실험예#3에 따라 학습된 갑상선기능항진증 예측모델의 정확도의 테스트는 전술한 테스트 세트들을 이용하여 진행되었다.Testing the accuracy of the hyperthyroidism prediction model learned according to Experimental Example #3 was conducted using the test sets described above.
실험예#3에 따르는 갑상선기능항진증 예측모델의 정확도, 민감도, 특이도, PPV (Positive Predictive Value), NPV (Negative Predictive Value)는 다음의 [표6]와 같다.The accuracy, sensitivity, specificity, PPV (Positive Predictive Value), and NPV (Negative Predictive Value) of the hyperthyroidism prediction model according to Experimental Example #3 are shown in [Table 6] below.
본 출원의 발명자들은, 갑상선기능항진증을 예측함에 있어서, 구간 평균 심박수의 변화량에 더하여 대상일의 구간 평균 심박수(현재의 구간 평균 심박수)를 입력값으로 더 활용하는 경우, 정확도가 조금 더 상승하는 것을 알 수 있었다.(5) 실험예#4 - 심박수 차이 + 호르몬수치 + 표준편차 변화 + 왜도 The inventors of the present application have found that when predicting hyperthyroidism, the accuracy increases slightly when the section average heart rate (current section average heart rate) of the target day is used as an input value in addition to the change in section average heart rate. Could know. (5) Experimental example #4 - Heart rate difference + hormone level + standard deviation change + skewness
학습 데이터 세트들의 준비Preparation of training data sets
총 171명의 환자를 대상으로 수집한 총 563개의 임상 데이터 세트들이 사용되었다.A total of 563 clinical data sets collected from a total of 171 patients were used.
전술한 학습방법 실시예#4에 기재한 갑상선기능항진증 예측 모델의 학습 방법에 따라 모델이 학습되었다. 다만, 표준편차 및 왜도를 분포와 관련된 지표로 사용하였다. 즉, [(제1 검사일에 대응되는 구간 평균 심박수 - 제2 검사일에 대응되는 구간 평균 심박수), (제1 검사일에 대응되는 구간 심박수들의 표준편차 - 제2 검사일에 대응되는 구간 심박수들의 표준편차), (제1 검사일에 대응되는 구간 심박수들의 왜도 - 제2 검사일에 대응되는 구간 심박수들의 왜도), 제2 검사일에 대응되는 갑상선 호르몬 농도, 제1 검사일에 대응되는 진단결과(항진 또는 항진아님)]와 같은 포맷의 학습 데이터 세트들이 생성되었고, 이 학습 데이터 세트들이 모델을 학습시키는 데에 사용되었다.The model was learned according to the learning method of the hyperthyroidism prediction model described in the above-described learning method example #4. However, standard deviation and skewness were used as indicators related to distribution. That is, [(section average heart rate corresponding to the first test day - section average heart rate corresponding to the second test day), (standard deviation of section heart rates corresponding to the first test day - standard deviation of section heart rates corresponding to the second test day) , (skewness of segment heart rates corresponding to the first examination day - skewness of segment heart rates corresponding to the second examination day), thyroid hormone concentration corresponding to the second examination day, diagnostic result (hyperactivity or not hyperactivity) corresponding to the first examination day )], training data sets in the same format were created, and these training data sets were used to train the model.
이때, 상기 검사일에 대응되는 구간 평균 심박수는 상기 검사일을 기준으로 10일간의 휴지기 심박수들을 획득하고, 상기 획득된 휴지기 심박수들의 평균을 산출하였다. At this time, the section average heart rate corresponding to the test date was obtained by obtaining resting heart rates for 10 days based on the test date, and calculating the average of the obtained resting heart rates.
그리고, 사용된 호르몬 수치는 free T4 및 TSH 농도를 모두 입력값으로 사용하였다.Additionally, the hormone levels used included both free T4 and TSH concentrations as input values.
이때, 서로 다른 환자들의 임상 데이터들 사이의 "차이"를 이용하여 학습 데이터 세트가 생성되지는 않았으며, 한 명의 환자로부터 획득된 임상 데이터 세트들을 이용하여 학습 데이터 세트가 생성되었다.At this time, a learning data set was not created using “differences” between clinical data of different patients, but a learning data set was created using clinical data sets obtained from one patient.
이 때, 학습에 활용된 임상 데이터들은 171명의 환자로부터 확보한 563개의데이터들이 활용되었으며, 이로부터 생성된 학습 데이터 세트들의 개수는 총 1,542개였다.At this time, the clinical data used for learning was 563 data obtained from 171 patients, and the total number of learning data sets created from this was 1,542.
갑상선기능항진증 예측모델의 학습Learning of hyperthyroidism prediction model
Light gradient boosting machine을 이용하여, 전술한 학습 데이터 세트들을 이용하여 갑상선기능항진증 예측모델이 학습되었다.Using a light gradient boosting machine, a hyperthyroidism prediction model was learned using the aforementioned training data sets.
갑상선기능항진증 예측모델의 테스트Test of hyperthyroidism prediction model
학습된 예측 모델의 정확도를 판단하기 위하여 사용된 테스트 데이터 세트들은 총 126명의 환자로부터 확보된 464개의 임상 데이터들로부터 생성되었으며, 총 1,416개의 테스트 데이터 세트들이 생성되었다.The test data sets used to determine the accuracy of the learned prediction model were created from 464 clinical data obtained from a total of 126 patients, and a total of 1,416 test data sets were created.
실험예#4에 따라 학습된 갑상선기능항진증 예측모델의 정확도의 테스트는 전술한 테스트 세트들을 이용하여 진행되었다.The accuracy test of the hyperthyroidism prediction model learned according to Experimental Example #4 was conducted using the test sets described above.
실험예#4에 따르는 갑상선기능항진증 예측모델의 정확도, 민감도, 특이도, PPV (Positive Predictive Value), NPV (Negative Predictive Value)는 다음의 [표7]와 같다.The accuracy, sensitivity, specificity, PPV (Positive Predictive Value), and NPV (Negative Predictive Value) of the hyperthyroidism prediction model according to Experimental Example #4 are shown in [Table 7] below.
(6) 실험예#5 - 심박수 차이 + 호르몬수치 + 표준편차 변화 + 첨도(6) Experimental example #5 - Heart rate difference + hormone level + standard deviation change + kurtosis 학습 데이터 세트들의 준비Preparation of training data sets
실험예#5는, 실험예#4와 비교할 때, 분포와 관련된 지표로 표준편차 및 왜도를 사용하는 대신 표준편차 및 첨도를 사용하였다는 것을 제외하면 동일하게 학습 데이터 세트들 및 테스트 데이터 세트들이 생성되었다.In Experimental Example #5, compared to Experimental Example #4, the training data sets and test data sets were the same except that standard deviation and kurtosis were used instead of standard deviation and skewness as indices related to distribution. was created.
갑상선기능항진증 예측모델의 학습Learning of hyperthyroidism prediction model
Light gradient boosting machine을 이용하여, 전술한 학습 데이터 세트들을 이용하여 갑상선기능항진증 예측모델이 학습되었다.Using a light gradient boosting machine, a hyperthyroidism prediction model was learned using the aforementioned training data sets.
갑상선기능항진증 예측모델의 테스트Test of hyperthyroidism prediction model
실험예#5에 따라 학습된 갑상선기능항진증 예측모델의 정확도의 테스트는 전술한 테스트 세트들을 이용하여 진행되었다.Testing the accuracy of the hyperthyroidism prediction model learned according to Experimental Example #5 was conducted using the test sets described above.
실험예#5에 따르는 갑상선기능항진증 예측모델의 정확도, 민감도, 특이도, PPV (Positive Predictive Value), NPV (Negative Predictive Value)는 다음의 [표8]와 같다.The accuracy, sensitivity, specificity, PPV (Positive Predictive Value), and NPV (Negative Predictive Value) of the hyperthyroidism prediction model according to Experimental Example #5 are shown in [Table 8] below.
(7) 실험예#6 - 심박수 차이 + 호르몬수치 + 표준편차 변화 + JS Divergence(7) Experimental Example #6 - Heart rate difference + hormone level + standard deviation change + JS Divergence 학습 데이터 세트들의 준비Preparation of training data sets
실험예#6은, 실험예#4와 비교할 때, 분포와 관련된 지표의 차이로 표준편차 및 왜도의 차이를 사용하는 대신 JS Divergence를 사용하였다는 것을 제외하면 동일하게 학습 데이터 세트들 및 테스트 데이터 세트들이 생성되었다.Experimental Example #6, compared to Experimental Example #4, had the same training data sets and test data except that JS Divergence was used instead of using the difference in standard deviation and skewness due to the difference in indicators related to the distribution. Sets have been created.
갑상선기능항진증 예측모델의 학습Learning of hyperthyroidism prediction model
Light gradient boosting machine을 이용하여, 전술한 학습 데이터 세트들을 이용하여 갑상선기능항진증 예측모델이 학습되었다.Using a light gradient boosting machine, a hyperthyroidism prediction model was learned using the aforementioned training data sets.
갑상선기능항진증 예측모델의 테스트Test of hyperthyroidism prediction model
실험예#6에 따라 학습된 갑상선기능항진증 예측모델의 정확도의 테스트는 전술한 테스트 세트들을 이용하여 진행되었다.The accuracy test of the hyperthyroidism prediction model learned according to Experimental Example #6 was conducted using the test sets described above.
실험예#6에 따르는 갑상선기능항진증 예측모델의 정확도, 민감도, 특이도, PPV (Positive Predictive Value), NPV (Negative Predictive Value)는 다음의 [표9]와 같다.The accuracy, sensitivity, specificity, PPV (Positive Predictive Value), and NPV (Negative Predictive Value) of the hyperthyroidism prediction model according to Experimental Example #6 are shown in [Table 9] below.
본 출원의 발명자들은, 실험예#4,5,6을 통해 알 수 있듯이, 갑상선기능항진증을 예측함에 있어서, 표준편차의 변화량에 더하여, 구간 심박수들의 분포의 변화를 관찰하기 위한 추가적인 변수들이 함께 입력값으로 활용될 때 조금씩 정확도가 더 상승하는 것을 알 수 있었다.(8) 실험예#7 - 심박수 변화율 + 호르몬 수치 + 상대표준편차 변화 As can be seen through Experimental Examples #4, 5, and 6, the inventors of the present application input additional variables to observe changes in the distribution of heart rates in addition to the change in standard deviation when predicting hyperthyroidism. It was found that the accuracy gradually increased when used as a value. (8) Experimental Example #7 - Heart rate change rate + hormone level + relative standard deviation change
학습 데이터 세트들의 준비Preparation of training data sets
총 171명의 환자를 대상으로 수집한 총 563개의 임상 데이터 세트들이 사용되었다.A total of 563 clinical data sets collected from a total of 171 patients were used.
전술한 학습방법 실시예#5에 기재한 갑상선기능항진증 예측 모델의 학습 방법에 따라 모델이 학습되었다. 즉, [((제1 검사일에 대응되는 구간 평균 심박수 - 제2 검사일에 대응되는 구간 평균 심박수) / 제2 검사일에 대응되는 구간 평균 심박수), (제1 검사일에 대응되는 구간 심박수들의 상대 표준편차 - 제2 검사일에 대응되는 구간 심박수들의 상대 표준편차), 제2 검사일에 대응되는 갑상선 호르몬 농도, 제1 검사일에 대응되는 진단결과(항진 또는 항진아님)]와 같은 포맷의 학습 데이터 세트들이 생성되었고, 이 학습 데이터 세트들이 모델을 학습시키는 데에 사용되었다.The model was learned according to the learning method of the hyperthyroidism prediction model described in the above-described learning method example #5. That is, [((section average heart rate corresponding to the first test day - section average heart rate corresponding to the second test day) / section average heart rate corresponding to the second test day), (relative standard deviation of the section heart rates corresponding to the first test day) - Learning data sets in the following formats were created: (relative standard deviation of heart rates in the interval corresponding to the second test day), thyroid hormone concentration corresponding to the second test day, and diagnosis result (hyperactivity or not hyperactivity) corresponding to the first test day. , these training data sets were used to train the model.
이때, 상기 검사일에 대응되는 구간 평균 심박수는 상기 검사일을 기준으로 10일간의 휴지기 심박수들을 획득하고, 상기 획득된 휴지기 심박수들의 평균을 산출하였다. At this time, the section average heart rate corresponding to the test date was obtained by obtaining resting heart rates for 10 days based on the test date, and calculating the average of the obtained resting heart rates.
그리고, 사용된 호르몬 수치는 free T4 및 TSH 농도 모두 사용하는 방식이 사용되었다.Additionally, the hormone levels used were based on both free T4 and TSH concentrations.
이때, 서로 다른 환자들의 임상 데이터들 사이의 "차이"를 이용하여 학습 데이터 세트가 생성되지는 않았으며, 한 명의 환자로부터 획득된 임상 데이터 세트들을 이용하여 학습 데이터 세트가 생성되었다.At this time, a learning data set was not created using “differences” between clinical data of different patients, but a learning data set was created using clinical data sets obtained from one patient.
이 때, 학습에 활용된 임상 데이터들은 171명의 환자로부터 확보한 563개의데이터들이 활용되었으며, 이로부터 생성된 학습 데이터 세트들의 개수는 총 1,542개였다.At this time, the clinical data used for learning was 563 data obtained from 171 patients, and the total number of learning data sets created from this was 1,542.
갑상선기능항진증 예측모델의 학습Learning of hyperthyroidism prediction model
Light gradient boosting machine을 이용하여, 전술한 학습 데이터 세트들을 이용하여 갑상선기능항진증 예측모델이 학습되었다.Using a light gradient boosting machine, a hyperthyroidism prediction model was learned using the aforementioned training data sets.
갑상선기능항진증 예측모델의 테스트Test of hyperthyroidism prediction model
학습된 예측 모델의 정확도를 판단하기 위하여 사용된 테스트 데이터 세트들은 총 126명의 환자로부터 확보된 464개의 임상 데이터들로부터 생성되었으며, 총 1,416개의 테스트 데이터 세트들이 생성되었다.The test data sets used to determine the accuracy of the learned prediction model were created from 464 clinical data obtained from a total of 126 patients, and a total of 1,416 test data sets were created.
실험예#5에 따라 학습된 갑상선기능항진증 예측모델의 정확도의 테스트는 전술한 테스트 세트들을 이용하여 진행되었다.Testing the accuracy of the hyperthyroidism prediction model learned according to Experimental Example #5 was conducted using the test sets described above.
실험예#4에 따르는 갑상선기능항진증 예측모델의 정확도, 민감도, 특이도, PPV (Positive Predictive Value), NPV (Negative Predictive Value)는 다음의 [표10]와 같다.The accuracy, sensitivity, specificity, PPV (Positive Predictive Value), and NPV (Negative Predictive Value) of the hyperthyroidism prediction model according to Experimental Example #4 are shown in [Table 10] below.
실험예#5는, 실험예#3과 비교할 때, 구간 평균 심박수의 변화량 및 표준편차의 변화량을 사용하는 대신, 구간 평균 심박수의 변화율 및 상대 표준편차의 변화량을 사용하였다는 점을 제외하면, 동일한 조건으로 진행된 실험이다.본 출원의 발명자들은, 구간 평균 심박수의 변화율 및 상대 표준편차의 변화량이 입력값으로 활용되어도 무방하다는 것을 알 수 있었다.Experimental Example #5 is the same as Experimental Example #3, except that instead of using the change amount of the section average heart rate and the change amount of the standard deviation, the rate of change of the section average heart rate and the change amount of the relative standard deviation were used. This is an experiment conducted under the following conditions. The inventors of the present application found that the rate of change in section average heart rate and the change in relative standard deviation could be used as input values.
(9) 실험예#8 - 심박수 변화율 + 호르몬 수치 + 상대표준편차 변화 + day gap (9) Experimental Example #8 - Heart rate change rate + hormone level + relative standard deviation change + day gap
학습 데이터 세트들의 준비Preparation of training data sets
총 171명의 환자를 대상으로 수집한 총 563개의 임상 데이터 세트들이 사용되었다.A total of 563 clinical data sets collected from a total of 171 patients were used.
전술한 학습방법 실시예#9에 기재한 갑상선기능항진증 예측 모델의 학습 방법에 따라 모델이 학습되었다. 즉, [((제1 검사일에 대응되는 구간 평균 심박수 - 제2 검사일에 대응되는 구간 평균 심박수) / 제2 검사일에 대응되는 구간 평균 심박수), (제1 검사일에 대응되는 구간 심박수들의 상대 표준편차 - 제2 검사일에 대응되는 구간 심박수들의 상대 표준편차), 제2 검사일과 제1 검사일 사이의 차이(day gap), 제2 검사일에 대응되는 갑상선 호르몬 농도, 제1 검사일에 대응되는 진단결과(항진 또는 항진아님)]와 같은 포맷의 학습 데이터 세트들이 생성되었고, 이 학습 데이터 세트들이 모델을 학습시키는 데에 사용되었다.The model was learned according to the learning method of the hyperthyroidism prediction model described in the above-described learning method example #9. That is, [((section average heart rate corresponding to the first test day - section average heart rate corresponding to the second test day) / section average heart rate corresponding to the second test day), (relative standard deviation of the section heart rates corresponding to the first test day) - Relative standard deviation of zone heart rates corresponding to the second test day), difference between the second test day and the first test day (day gap), thyroid hormone concentration corresponding to the second test day, diagnostic result (hyperactivity disorder) corresponding to the first test day or not) were created and these training data sets were used to train the model.
이때, 상기 검사일에 대응되는 구간 평균 심박수는 상기 검사일을 기준으로 10일간의 휴지기 심박수들을 획득하고, 상기 획득된 휴지기 심박수들의 평균을 산출하였다. At this time, the section average heart rate corresponding to the test date was obtained by obtaining resting heart rates for 10 days based on the test date, and calculating the average of the obtained resting heart rates.
그리고, 사용된 호르몬 수치는 free T4 및 TSH 농도 모두 사용하는 방식이 사용되었다.Additionally, the hormone levels used were based on both free T4 and TSH concentrations.
이때, 서로 다른 환자들의 임상 데이터들 사이의 "차이"를 이용하여 학습 데이터 세트가 생성되지는 않았으며, 한 명의 환자로부터 획득된 임상 데이터 세트들을 이용하여 학습 데이터 세트가 생성되었다.At this time, a learning data set was not created using “differences” between clinical data of different patients, but a learning data set was created using clinical data sets obtained from one patient.
이 때, 학습에 활용된 임상 데이터들은 171명의 환자로부터 확보한 563개의데이터들이 활용되었으며, 이로부터 생성된 학습 데이터 세트들의 개수는 총 1,542개였다.At this time, the clinical data used for learning was 563 data obtained from 171 patients, and the total number of learning data sets created from this was 1,542.
갑상선기능항진증 예측모델의 학습Learning of hyperthyroidism prediction model
Light gradient boosting machine을 이용하여, 전술한 학습 데이터 세트들을 이용하여 갑상선기능항진증 예측모델이 학습되었다.Using a light gradient boosting machine, a hyperthyroidism prediction model was learned using the aforementioned training data sets.
갑상선기능항진증 예측모델의 테스트Test of hyperthyroidism prediction model
학습된 예측 모델의 정확도를 판단하기 위하여 사용된 테스트 데이터 세트들은 총 126명의 환자로부터 확보된 464개의 임상 데이터들로부터 생성되었으며, 총 1,416개의 테스트 데이터 세트들이 생성되었다.The test data sets used to determine the accuracy of the learned prediction model were created from 464 clinical data obtained from a total of 126 patients, and a total of 1,416 test data sets were created.
실험예#8에 따라 학습된 갑상선기능항진증 예측모델의 정확도의 테스트는 전술한 테스트 세트들을 이용하여 진행되었다.The accuracy of the hyperthyroidism prediction model learned according to Experimental Example #8 was tested using the test sets described above.
실험예#8에 따르는 갑상선기능항진증 예측모델의 정확도, 민감도, 특이도, PPV (Positive Predictive Value), NPV (Negative Predictive Value)는 다음의 [표11]와 같다.The accuracy, sensitivity, specificity, PPV (Positive Predictive Value), and NPV (Negative Predictive Value) of the hyperthyroidism prediction model according to Experimental Example #8 are shown in [Table 11] below.
(10) 실험예#9 - 심박수 변화율 + 호르몬 수치 + 상대표준편차 변화 + 조합값(10) Experimental Example #9 - Heart rate change rate + hormone level + relative standard deviation change + combination value 학습 데이터 세트들의 준비Preparation of training data sets
총 171명의 환자를 대상으로 수집한 총 563개의 임상 데이터 세트들이 사용되었다.A total of 563 clinical data sets collected from a total of 171 patients were used.
*전술한 학습방법 실시예#10에 기재한 갑상선기능항진증 예측 모델의 학습 방법에 따라 모델이 학습되었다. 즉, [((제1 검사일에 대응되는 구간 평균 심박수 - 제2 검사일에 대응되는 구간 평균 심박수) / 제2 검사일에 대응되는 구간 평균 심박수), (제1 검사일에 대응되는 구간 심박수들의 상대 표준편차 - 제2 검사일에 대응되는 구간 심박수들의 상대 표준편차), 제2 검사일과 제1 검사일 사이의 차이(day gap), 제2 검사일에 대응되는 갑상선 호르몬 농도, 변수들의 조합값, 제1 검사일에 대응되는 진단결과(항진 또는 항진아님)]와 같은 포맷의 학습 데이터 세트들이 생성되었고, 이 학습 데이터 세트들이 모델을 학습시키는 데에 사용되었다.*The model was learned according to the learning method of the hyperthyroidism prediction model described in the above-mentioned learning method example #10. That is, [((section average heart rate corresponding to the first test day - section average heart rate corresponding to the second test day) / section average heart rate corresponding to the second test day), (relative standard deviation of the section heart rates corresponding to the first test day) - Relative standard deviation of interval heart rates corresponding to the second test day), difference between the second test day and the first test day (day gap), thyroid hormone concentration corresponding to the second test day, combination value of variables, corresponding to the first test day Training data sets in the same format as diagnostic results (hyperactivity or non-hyperactivity disorder) were created, and these training data sets were used to train the model.
이때, 상기 검사일에 대응되는 구간 평균 심박수는 상기 검사일을 기준으로 10일간의 휴지기 심박수들을 획득하고, 상기 획득된 휴지기 심박수들의 평균을 산출하였다. At this time, the section average heart rate corresponding to the test date was obtained by obtaining resting heart rates for 10 days based on the test date, and calculating the average of the obtained resting heart rates.
그리고, 사용된 호르몬 수치는 free T4 및 TSH 농도 모두 사용하는 방식이 사용되었다.Additionally, the hormone levels used were based on both free T4 and TSH concentrations.
이때, 서로 다른 환자들의 임상 데이터들 사이의 "차이"를 이용하여 학습 데이터 세트가 생성되지는 않았으며, 한 명의 환자로부터 획득된 임상 데이터 세트들을 이용하여 학습 데이터 세트가 생성되었다.At this time, a learning data set was not created using “differences” between clinical data of different patients, but a learning data set was created using clinical data sets obtained from one patient.
이 때, 학습에 활용된 임상 데이터들은 171명의 환자로부터 확보한 563개의데이터들이 활용되었으며, 이로부터 생성된 학습 데이터 세트들의 개수는 총 1,542개였다.At this time, the clinical data used for learning was 563 data obtained from 171 patients, and the total number of learning data sets created from this was 1,542.
갑상선기능항진증 예측모델의 학습Learning of hyperthyroidism prediction model
Light gradient boosting machine을 이용하여, 전술한 학습 데이터 세트들을 이용하여 갑상선기능항진증 예측모델이 학습되었다.Using a light gradient boosting machine, a hyperthyroidism prediction model was learned using the aforementioned training data sets.
갑상선기능항진증 예측모델의 테스트Test of hyperthyroidism prediction model
학습된 예측 모델의 정확도를 판단하기 위하여 사용된 테스트 데이터 세트들은 총 126명의 환자로부터 확보된 464개의 임상 데이터들로부터 생성되었으며, 총 1,416개의 테스트 데이터 세트들이 생성되었다.The test data sets used to determine the accuracy of the learned prediction model were created from 464 clinical data obtained from a total of 126 patients, and a total of 1,416 test data sets were created.
실험예#9에 따라 학습된 갑상선기능항진증 예측모델의 정확도의 테스트는 전술한 테스트 세트들을 이용하여 진행되었다.The accuracy test of the hyperthyroidism prediction model learned according to Experimental Example #9 was conducted using the test sets described above.
실험예#9에 따르는 갑상선기능항진증 예측모델의 정확도, 민감도, 특이도, PPV (Positive Predictive Value), NPV (Negative Predictive Value)는 다음의 [표12] 및 [표 13]과 같다.The accuracy, sensitivity, specificity, PPV (Positive Predictive Value), and NPV (Negative Predictive Value) of the hyperthyroidism prediction model according to Experimental Example #9 are shown in [Table 12] and [Table 13].
(11) 실험예#10 - 대상의 개인 정보 활용(11) Experimental Example #10 - Utilization of the subject’s personal information 학습 데이터 세트들의 준비Preparation of training data sets
총 171명의 환자를 대상으로 수집한 총 563개의 임상 데이터 세트들이 사용되었다.A total of 563 clinical data sets collected from a total of 171 patients were used.
전술한 학습방법 실시예#11에 기재한 갑상선기능항진증 예측 모델의 학습 방법에 따라 모델이 학습되었다. The model was learned according to the learning method of the hyperthyroidism prediction model described in the above-described learning method example #11.
특히, (1) [(제1 검사일에 대응되는 구간 평균 심박수 - 제2 검사일에 대응되는 구간 평균 심박수), 제2 검사일에 대응되는 free T4의 농도, 대상의 나이, 대상의 성별, 제1 검사일에 대응되는 진단결과(항진 또는 항진아님)]과 같은 학습 데이터 세트들을 이용하여 학습이 진행되었으며, 또한 (2) [((제1 검사일에 대응되는 구간 평균 심박수 - 제2 검사일에 대응되는 구간 평균 심박수) / 제2 검사일에 대응되는 구간 평균 심박수), 제2 검사일에 대응되는 free T4의 농도, 대상의 나이, 대상의 성별, 제1 검사일에 대응되는 진단결과(항진 또는 항진아님)]과 같은 학습 데이터 세트들을 이용하여 학습이 진행되었고, 나아가 (3) [(제1 검사일에 대응되는 구간 평균 심박수 - 제2 검사일에 대응되는 구간 평균 심박수), 제2 검사일에 대응되는 free T4의 농도, 제2 검사일에 대응되는 TSH의 농도, 대상의 나이, 대상의 성별, 제1 검사일에 대응되는 진단결과(항진 또는 항진아님)]과 같은 학습데이터 세트들을 이용하여 학습이 진행되었으며, 또한 (4) [((제1 검사일에 대응되는 구간 평균 심박수 - 제2 검사일에 대응되는 구간 평균 심박수) / 제2 검사일에 대응되는 구간 평균 심박수), 제2 검사일에 대응되는 free T4의 농도, 제2 검사일에 대응되는 TSH의 농도, 대상의 나이, 대상의 성별, 제1 검사일에 대응되는 진단결과(항진 또는 항진아님)]과 같은 학습데이터 세트들을 이용하여 학습이 진행되었고, 마지막으로 (5) [((제1 검사일에 대응되는 구간 평균 심박수 - 제2 검사일에 대응되는 구간 평균 심박수) / 제2 검사일에 대응되는 구간 평균 심박수), (제1 검사일에 대응되는 구간 심박수들의 상대 표준편차 - 제2 검사일에 대응되는 구간 심박수들의 상대 표준편차), (제1 검사일에 대응되는 구간 심박수들의 왜도 - 제2 검사일에 대응되는 구간 심박수들의 왜도), (제1 검사일에 대응되는 구간 심박수들의 첨도 - 제2 검사일에 대응되는 구간 심박수들의 첨도), (제1 검사일에 대응되는 구간 심박수들과 제2 검사일에 대응되는 구간 심박수들 사이의 JS Divergence), 제2 검사일에 대응되는 free T4의 농도, 제2 검사일에 대응되는 TSH의 농도, 대상의 나이, 대상의 성별, 제1 검사일에 대응되는 진단결과(항진 또는 항진아님)]와 같은 학습 데이터 세트들을 이용하여 학습이 진행되었다.In particular, (1) [(section average heart rate corresponding to the first test day - section average heart rate corresponding to the second test day), concentration of free T4 corresponding to the second test day, subject's age, subject's gender, first test day Learning was conducted using learning data sets such as (2) [((((section average heart rate corresponding to the first test day) - section average corresponding to the second test day). heart rate) / section average heart rate corresponding to the second test day), concentration of free T4 corresponding to the second test day, age of the subject, gender of the subject, diagnostic result (hyperactivity or not hyperactivity) corresponding to the first test day] Learning was carried out using learning data sets, and further (3) [(section average heart rate corresponding to the first test day - section average heart rate corresponding to the second test day), concentration of free T4 corresponding to the second test day, 2 Learning was conducted using learning data sets such as TSH concentration corresponding to the test date, subject's age, subject's gender, and diagnosis result (hyperactivity or non-hyperactivity) corresponding to the first test date, and (4) [ ((section average heart rate corresponding to the first test day - section average heart rate corresponding to the second test day) / section average heart rate corresponding to the second test day), concentration of free T4 corresponding to the second test day, corresponding to the second test day Learning was carried out using learning data sets such as TSH concentration, subject's age, subject's gender, and diagnosis result (hyperactivity or non-hyperactivity) corresponding to the first test date, and finally (5) [((( 1 Zone average heart rate corresponding to the second inspection day - Section average heart rate corresponding to the second inspection day) / Section average heart rate corresponding to the second inspection day), (Relative standard deviation of section heart rates corresponding to the first inspection day - Corresponding to the second inspection day Relative standard deviation of section heart rates), (skewness of section heart rates corresponding to the first test day - skewness of section heart rates corresponding to the second test day), (kurtosis of section heart rates corresponding to the first test day - second test day kurtosis of the interval heart rates corresponding to), (JS Divergence between the interval heart rates corresponding to the first test day and the interval heart rates corresponding to the second test day), the concentration of free T4 corresponding to the second test day, the second test day Learning was conducted using the following learning data sets: corresponding TSH concentration, subject's age, subject's gender, and diagnosis result (hyperactivity or not hyperactivity) corresponding to the first test date.
이때, 상기 검사일에 대응되는 구간 평균 심박수는 상기 검사일을 기준으로 10일간의 휴지기 심박수들을 획득하고, 상기 획득된 휴지기 심박수들의 평균을 산출하였다. At this time, the section average heart rate corresponding to the test date was obtained by obtaining resting heart rates for 10 days based on the test date, and calculating the average of the obtained resting heart rates.
이때, 서로 다른 환자들의 임상 데이터들 사이의 "차이"를 이용하여 학습 데이터 세트가 생성되지는 않았으며, 한 명의 환자로부터 획득된 임상 데이터 세트들을 이용하여 학습 데이터 세트가 생성되었다.At this time, a learning data set was not created using “differences” between clinical data of different patients, but a learning data set was created using clinical data sets obtained from one patient.
이 때, 학습에 활용된 임상 데이터들은 171명의 환자로부터 확보한 563개의데이터들이 활용되었으며, 이로부터 생성된 학습 데이터 세트들의 개수는 총 1,542개였다.At this time, the clinical data used for learning was 563 data obtained from 171 patients, and the total number of learning data sets created from this was 1,542.
갑상선기능항진증 예측모델의 학습Learning of hyperthyroidism prediction model
Light gradient boosting machine을 이용하여, 전술한 학습 데이터 세트들을 이용하여 갑상선기능항진증 예측모델이 학습되었다.Using a light gradient boosting machine, a hyperthyroidism prediction model was learned using the aforementioned training data sets.
갑상선기능항진증 예측모델의 테스트Test of hyperthyroidism prediction model
학습된 예측 모델의 정확도를 판단하기 위하여 사용된 테스트 데이터 세트들은 총 126명의 환자로부터 확보된 464개의 임상 데이터들로부터 생성되었으며, 총 1,416개의 테스트 데이터 세트들이 생성되었다.The test data sets used to determine the accuracy of the learned prediction model were created from 464 clinical data obtained from a total of 126 patients, and a total of 1,416 test data sets were created.
실험예#10에 따라 학습된 갑상선기능항진증 예측모델의 정확도의 테스트는 전술한 테스트 세트들을 이용하여 진행되었다.The accuracy test of the hyperthyroidism prediction model learned according to Experimental Example #10 was conducted using the test sets described above.
실험예#10에 따르는 갑상선기능항진증 예측모델의 정확도, 민감도, 특이도, PPV (Positive Predictive Value), NPV (Negative Predictive Value)는 다음의 [표14]와 같다.The accuracy, sensitivity, specificity, PPV (Positive Predictive Value), and NPV (Negative Predictive Value) of the hyperthyroidism prediction model according to Experimental Example #10 are shown in [Table 14] below.
(12) 실험예#11 - 미리 정해진 구간의 길이에 대한 실험(12) Experimental Example #11 - Experiment on the length of a predetermined section 학습 데이터 세트들의 준비Preparation of training data sets
총 171명의 환자를 대상으로 수집한 총 563개의 임상 데이터 세트들이 사용되었다.A total of 563 clinical data sets collected from a total of 171 patients were used.
전술한 학습방법 실시예#10에 기재한 갑상선기능항진증 예측 모델의 학습 방법에 따라 모델이 학습되었다. The model was learned according to the learning method of the hyperthyroidism prediction model described in the above-described learning method example #10.
특히, 분포의 변화를 확인하기 위한 지표들로 상대 표준편차의 변화량, 왜도의 변화량, 첨도의 변화량, JS Divergence를 사용하였으며, 나아가, 변수들의 조합값으로 (제2 기준일의 free T4 농도 / JS divergence)를 사용하였다. 즉, [((제1 검사일에 대응되는 구간 평균 심박수 - 제2 검사일에 대응되는 구간 평균 심박수) / 제2 검사일에 대응되는 구간 평균 심박수), (제1 검사일에 대응되는 구간 심박수들의 상대 표준편차 - 제2 검사일에 대응되는 구간 심박수들의 상대 표준편차), (제1 검사일에 대응되는 구간 심박수들의 왜도 - 제2 검사일에 대응되는 구간 심박수들의 왜도), (제1 검사일에 대응되는 구간 심박수들의 첨도 - 제2 검사일에 대응되는 구간 심박수들의 첨도), (제1 검사일 및 제2 검사일에 대응되는 구간 심박수들 사이의 JS Divergence), 제1 검사일과 제2 검사일 사이의 차이(day gap), 제2 검사일에 대응되는 갑상선 호르몬 농도, (제2 검사일 free T4의 농도 / 제2 검사일 및 제1 검사일에 대응되는 구간 심박수들 사이의 JS Divergence), 제1 검사일에 대응되는 진단결과(항진 또는 항진아님)]와 같은 포맷의 학습 데이터 세트들이 생성되었고, 이 학습 데이터 세트들이 모델을 학습시키는 데에 사용되었다.In particular, the change in relative standard deviation, change in skewness, change in kurtosis, and JS Divergence were used as indicators to confirm changes in distribution. Furthermore, as a combination of variables (free T4 concentration on the second reference date / JS divergence) was used. That is, [((section average heart rate corresponding to the first test day - section average heart rate corresponding to the second test day) / section average heart rate corresponding to the second test day), (relative standard deviation of the section heart rates corresponding to the first test day) - Relative standard deviation of section heart rates corresponding to the second test day), (skewness of section heart rates corresponding to the first test day - Skewness of section heart rates corresponding to the second test day), (segment heart rate corresponding to the first test day kurtosis of - kurtosis of the interval heart rates corresponding to the second test day), (JS Divergence between the interval heart rates corresponding to the first and second test days), difference between the first and second test days (day gap), Thyroid hormone concentration corresponding to the second test day, (concentration of free T4 on the second test day / JS Divergence between the zone heart rates corresponding to the second test day and the first test day), diagnostic result (hyperactivity or hyperactivity) corresponding to the first test day (not)], training data sets in the same format were created, and these training data sets were used to train the model.
본 실험예#11에서는 상기 검사일에 대응되는 구간 평균 심박수를 산출하기 위한 미리 정해진 기간을 1, 5, 10, 15, 25 및 30일로 변경하면서 정확도에 미치는 영향을 확인하였다. In this Experimental Example #11, the predetermined period for calculating the section average heart rate corresponding to the test date was changed to 1, 5, 10, 15, 25, and 30 days to confirm the effect on accuracy.
그리고, 사용된 호르몬 수치는 free T4 및 TSH 농도 모두 사용하는 방식이 사용되었다.Additionally, the hormone levels used were based on both free T4 and TSH concentrations.
이때, 서로 다른 환자들의 임상 데이터들 사이의 "차이"를 이용하여 학습 데이터 세트가 생성되지는 않았으며, 한 명의 환자로부터 획득된 임상 데이터 세트들을 이용하여 학습 데이터 세트가 생성되었다.At this time, a learning data set was not created using “differences” between clinical data of different patients, but a learning data set was created using clinical data sets obtained from one patient.
이 때, 학습에 활용된 임상 데이터들은 171명의 환자로부터 확보한 563개의데이터들이 활용되었으며, 이로부터 생성된 학습 데이터 세트들의 개수는 총 1,542개였다.At this time, the clinical data used for learning was 563 data obtained from 171 patients, and the total number of learning data sets created from this was 1,542.
갑상선기능항진증 예측모델의 학습Learning of hyperthyroidism prediction model
Light gradient boosting machine을 이용하여, 전술한 학습 데이터 세트들을 이용하여 갑상선기능항진증 예측모델이 학습되었다.Using a light gradient boosting machine, a hyperthyroidism prediction model was learned using the aforementioned training data sets.
갑상선기능항진증 예측모델의 테스트Test of hyperthyroidism prediction model
학습된 예측 모델의 정확도를 판단하기 위하여 사용된 테스트 데이터 세트들은 총 126명의 환자로부터 확보된 464개의 임상 데이터들로부터 생성되었으며, 총 1,416개의 테스트 데이터 세트들이 생성되었다.The test data sets used to determine the accuracy of the learned prediction model were created from 464 clinical data obtained from a total of 126 patients, and a total of 1,416 test data sets were created.
실험예#11에 따라 학습된 갑상선기능항진증 예측모델의 정확도의 테스트는 전술한 테스트 세트들을 이용하여 진행되었다.The accuracy of the hyperthyroidism prediction model learned according to Experimental Example #11 was tested using the test sets described above.
실험예#11에 따르는 갑상선기능항진증 예측모델의 정확도, 민감도, 특이도, PPV (Positive Predictive Value), NPV (Negative Predictive Value)는 다음의 [표15]와 같다.The accuracy, sensitivity, specificity, PPV (Positive Predictive Value), and NPV (Negative Predictive Value) of the hyperthyroidism prediction model according to Experimental Example #11 are shown in [Table 15] below.
(days)a predetermined period of time
(days)
본 출원의 발명자들은, 갑상선기능항진증을 예측함에 있어서, 구간 심박수들을 산출하기 위한 미리 정해진 기간은 15일을 사용하였을 때 가장 높은 정확도가 나오는 것을 알 수 있었다.이상, 갑상선기능이상증 예측모델의 학습방법, 이를 이용한 갑상선기능이상증 예측방법 및 이를 위한 시스템에 대하여 설명하였다.The inventors of the present application found that, in predicting hyperthyroidism, the highest accuracy was obtained when 15 days was used as a predetermined period for calculating zone heart rates. Above, learning method of dysthyroidism prediction model , a method for predicting thyroid dysfunction using this method and a system for this were explained.
이하에서는, 갑상선 호르몬 수치를 예측하는 모델의 학습방법 및 이를 이용한 갑상선기능이상증 예측방법 및 이를 위한 시스템에 대하여 간단히 설명한다.Below, we will briefly describe the learning method of a model for predicting thyroid hormone levels, the method for predicting thyroid dysfunction using the same, and the system for the same.
6. 갑상선 호르몬 예측모델의 학습방법6. Learning method of thyroid hormone prediction model
학습방법 실시예#12. 기준일 심박수와의 차이값과 기준일의 호르몬값Learning method example #12. The difference value from the heart rate on the reference day and the hormone value on the reference day
본 출원에 의해 개시되는 제12 실시예에 따르면, 학습 모델을 학습시키기 위하여, 제1 검사일에 대응되는 구간 평균 심박수에서 제2 검사일에 대응되는 구간 평균 심박수를 뺀 값 및 제2 검사일의 호르몬 농도를 입력값으로 사용하고, 상기 제1 검사일에 대응되어 있는 호르몬 농도를 라벨링값으로 사용할 수 있다. According to the twelfth embodiment disclosed by the present application, in order to learn a learning model, the value obtained by subtracting the section average heart rate corresponding to the second test day from the section average heart rate corresponding to the first test day and the hormone concentration of the second test day It can be used as an input value, and the hormone concentration corresponding to the first test date can be used as a labeling value.
이때, 상기 학습 모델은 regression을 할 수 있는 머신러닝 모델이 사용될수있다. 예를 들어, 상기 학습 모델은 light gradient boosting machine, support vector machine, random forest, extra trees, ada boost, extreme gradient boosting, CatBoost 등이 사용될 수 있다.At this time, the learning model may be a machine learning model capable of regression. For example, the learning model may be light gradient boosting machine, support vector machine, random forest, extra trees, ada boost, extreme gradient boosting, CatBoost, etc.
상기 갑상선 호르몬 농도 예측모델(thyroid hormone concentration prediction model)은 대상일의 TRH 농도 예측모델, TSH 농도 예측모델, T4 농도 예측모델, free T4 농도 예측모델, T3 농도 예측모델 및 free T3 농도 예측모델로 이루어진 그룹에서 선택된 적어도 하나를 포함한다. The thyroid hormone concentration prediction model consists of the TRH concentration prediction model, TSH concentration prediction model, T4 concentration prediction model, free T4 concentration prediction model, T3 concentration prediction model, and free T3 concentration prediction model on the target day. Contains at least one selected from the group.
구간 평균 심박수를 산출함에 있어서, 특정일을 기준으로 미리 정해진 기간 동안의 휴지기 심박수들을 활용할 수 있으며, 이 때 상기 미리 정해진 기간은 1, 2, 3, 4, 5, 6, 7, 8, 9, 10, 11, 12, 13, 14, 15, 16, 17, 18, 19, 20, 21, 22, 23, 24, 25, 26, 27, 28, 29 및 30일 중 하나일 수 있다.In calculating the section average heart rate, resting heart rates during a predetermined period based on a specific day can be used, where the predetermined period is 1, 2, 3, 4, 5, 6, 7, 8, 9, It can be one of the following days: 10, 11, 12, 13, 14, 15, 16, 17, 18, 19, 20, 21, 22, 23, 24, 25, 26, 27, 28, 29 and 30.
갑상선 호르몬 농도 예측모델의 종류에 따라서, 상기 라벨링 값은 상기 제1 검사일에 대응되어 있는 복수의 호르몬 농도들 중 상기 종류에 대응되는 농도값이 사용될 수 있다. 예를 들어, free T4 농도 예측모델을 학습시키고자 할 때는, 상기 라벨링값으로 상기 제1 검사일에 대응되어 있는 free T4의 농도값이 사용된다. 다른 예를 들어, TSH 농도 예측모델을 학습시키고자 할 때는, 상기 라벨링값으로 상기 제1 검사일에 대응되어 있는 TSH의 농도값이 사용된다.Depending on the type of thyroid hormone concentration prediction model, the labeling value may be a concentration value corresponding to the type among a plurality of hormone concentrations corresponding to the first test date. For example, when learning a free T4 concentration prediction model, the free T4 concentration value corresponding to the first inspection date is used as the labeling value. For another example, when learning a TSH concentration prediction model, the TSH concentration value corresponding to the first test date is used as the labeling value.
이하에서는, 설명의 편의를 위하여, free T4 농도 예측모델을 학습시키는 것을 기준으로 설명한다.Below, for convenience of explanation, the description is based on learning a free T4 concentration prediction model.
제12 실시예에 따라, free T4 농도 예측 모델을 학습시키기 위하여, 확보된 임상 데이터들을 이용하여 [(제1 검사일에 대응되는 구간 평균 심박수 - 제2 검사일에 대응되는 구간 평균 심박수), 제2 검사일에 대응되는 갑상선 호르몬 농도, 제1 검사일에 대응되는 free T4 농도]와 같은 포맷의 학습 데이터 세트들이 생성될 수 있다. 이때, 상기 제2 검사일에 대응되는 갑상선 호르몬 농도는 TRH농도, TSH 농도, T4 농도, free T4 농도, T3 농도 및 free T3 농도로 이루어진 그룹에서 선택된 하나 또는 이들의 조합일 수 있다.According to the 12th embodiment, in order to learn a free T4 concentration prediction model, the obtained clinical data were used to calculate [(section average heart rate corresponding to the first inspection day - section average heart rate corresponding to the second inspection day), second inspection day. Learning data sets in the following format can be created: thyroid hormone concentration corresponding to , free T4 concentration corresponding to the first test date. At this time, the thyroid hormone concentration corresponding to the second test day may be one selected from the group consisting of TRH concentration, TSH concentration, T4 concentration, free T4 concentration, T3 concentration, and free T3 concentration, or a combination thereof.
예를 들어, 제1 환자로부터 획득한 데이터 세트들은 총 3개이고, 첫번째 검사 시, 확인된 free T4 호르몬 농도는 제1 free T4 농도였고 확인된 TSH의 농도는 제1 TSH 농도이고, 두번째 검사 시, 확인된 free T4 호르몬 농도는 제2 free T4 농도였고 확인된 TSH의 농도는 제2 TSH 농도이며, 세번째 검사 시, 확인된 free T4 호르몬 농도는 제3 free T4 농도였고 확인된 TSH의 농도는 제3 TSH 농도라고 가정한다면, 해당 환자의 임상 데이터로부터 확보될 수 있는 학습 데이터 세트들은 다음과 같을 수 있다.For example, there are a total of three data sets obtained from the first patient, and at the first test, the confirmed free T4 hormone concentration was the first free T4 concentration and the confirmed TSH concentration was the first TSH concentration, and at the second test, The confirmed free T4 hormone concentration was the second free T4 concentration and the confirmed TSH concentration was the second TSH concentration. At the third test, the confirmed free T4 hormone concentration was the third free T4 concentration and the confirmed TSH concentration was the third TSH concentration. Assuming the TSH concentration, the learning data sets that can be obtained from the patient's clinical data may be as follows.
[(제1 검사일에 대응되는 구간 평균 심박수 - 제2 검사일에 대응되는 구간 평균 심박수), 제2 free T4 농도, 제2 TSH 농도, 제1 free T4 농도], [(section average heart rate corresponding to the first test day - section average heart rate corresponding to the second test day), second free T4 concentration, second TSH concentration, first free T4 concentration],
[(제1 검사일에 대응되는 구간 평균 심박수 - 제3 검사일에 대응되는 구간 평균 심박수), 제3 free T4 농도, 제3 TSH 농도, 제1 free T4 농도], [(section average heart rate corresponding to the first test day - section average heart rate corresponding to the third test day), third free T4 concentration, third TSH concentration, first free T4 concentration],
[(제2 검사일에 대응되는 구간 평균 심박수 - 제1 검사일에 대응되는 구간 평균 심박수), 제1 free T4 농도, 제1 TSH 농도, 제2 free T4 농도], [(section average heart rate corresponding to the second test day - section average heart rate corresponding to the first test day), first free T4 concentration, first TSH concentration, second free T4 concentration],
[(제2 검사일에 대응되는 구간 평균 심박수 - 제3 검사일에 대응되는 구간 평균 심박수), 제3 free T4 농도, 제3 TSH 농도, 제2 free T4 농도], [(section average heart rate corresponding to the second test day - section average heart rate corresponding to the third test day), third free T4 concentration, third TSH concentration, second free T4 concentration],
[(제3 검사일에 대응되는 구간 평균 심박수 - 제1 검사일에 대응되는 구간 평균 심박수), 제1 free T4 농도, 제1 TSH 농도, 제3 free T4 농도], 및[(section average heart rate corresponding to the third test day - section average heart rate corresponding to the first test day), first free T4 concentration, first TSH concentration, third free T4 concentration], and
[(제3 검사일에 대응되는 구간 평균 심박수 - 제2 검사일에 대응되는 구간 평균 심박수), 제2 free T4 농도, 제2 TSH 농도, 제3 free T4 농도][(section average heart rate corresponding to the third test day - section average heart rate corresponding to the second test day), second free T4 concentration, second TSH concentration, third free T4 concentration]
다른 예를 들어, 제2 환자로부터 획득한 데이터 세트들은 총 4개이고, 첫번째 검사 시, 확인된 free T4 호르몬 농도는 제1 free T4 농도였고 확인된 TSH의 농도는 제1 TSH 농도이고, 두번째 검사 시, 확인된 free T4 호르몬 농도는 제2 free T4 농도였고 확인된 TSH의 농도는 제2 TSH 농도이며, 세번째 검사 시, 확인된 free T4 호르몬 농도는 제3 free T4 농도였고 확인된 TSH의 농도는 제3 TSH 농도이고, 네번째 검사 시, 확인된 free T4 호르몬 농도는 제4 free T4 농도였고 확인된 TSH의 농도는 제4 TSH 농도라고 가정한다면, 해당 환자의 임상 데이터로부터 확보될 수 있는 학습 데이터 세트들은 다음과 같을 수 있다.As another example, there are a total of 4 data sets obtained from the second patient, and at the first test, the confirmed free T4 hormone concentration was the first free T4 concentration and the confirmed TSH concentration was the first TSH concentration, and at the second test , the confirmed free T4 hormone concentration was the second free T4 concentration and the confirmed TSH concentration was the second TSH concentration, and during the third test, the confirmed free T4 hormone concentration was the third free T4 concentration and the confirmed TSH concentration was the second TSH concentration. 3 TSH concentration, and at the time of the fourth test, assuming that the confirmed free T4 hormone concentration was the 4th free T4 concentration and the confirmed TSH concentration was the 4th TSH concentration, the learning data sets that can be obtained from the patient's clinical data are It could be like this:
[(제1 검사일에 대응되는 구간 평균 심박수 - 제2 검사일에 대응되는 구간 평균 심박수), 제2 free T4 농도, 제2 TSH 농도, 제1 free T4 농도], [(section average heart rate corresponding to the first test day - section average heart rate corresponding to the second test day), second free T4 concentration, second TSH concentration, first free T4 concentration],
[(제1 검사일에 대응되는 구간 평균 심박수 - 제3 검사일에 대응되는 구간 평균 심박수), 제3 free T4 농도, 제3 TSH 농도, 제1 free T4 농도], [(section average heart rate corresponding to the first test day - section average heart rate corresponding to the third test day), third free T4 concentration, third TSH concentration, first free T4 concentration],
[(제1 검사일에 대응되는 구간 평균 심박수 - 제4 검사일에 대응되는 구간 평균 심박수), 제4 free T4 농도, 제4 TSH 농도, 제1 free T4 농도], [(section average heart rate corresponding to the first test day - section average heart rate corresponding to the fourth test day), fourth free T4 concentration, fourth TSH concentration, first free T4 concentration],
[(제2 검사일에 대응되는 구간 평균 심박수 - 제1 검사일에 대응되는 구간 평균 심박수), 제1 free T4 농도, 제1 TSH 농도, 제2 free T4 농도], [(section average heart rate corresponding to the second test day - section average heart rate corresponding to the first test day), first free T4 concentration, first TSH concentration, second free T4 concentration],
[(제2 검사일에 대응되는 구간 평균 심박수 - 제3 검사일에 대응되는 구간 평균 심박수), 제3 free T4 농도, 제3 TSH 농도, 제2 free T4 농도],[(section average heart rate corresponding to the second test day - section average heart rate corresponding to the third test day), third free T4 concentration, third TSH concentration, second free T4 concentration],
[(제2 검사일에 대응되는 구간 평균 심박수 - 제4 검사일에 대응되는 구간 평균 심박수), 제4 free T4 농도, 제4 TSH 농도, 제2 free T4 농도],[(section average heart rate corresponding to the 2nd test day - section average heart rate corresponding to the 4th test day), 4th free T4 concentration, 4th TSH concentration, 2nd free T4 concentration],
[(제3 검사일에 대응되는 구간 평균 심박수 - 제1 검사일에 대응되는 구간 평균 심박수), 제1 free T4 농도, 제1 TSH 농도, 제3 free T4 농도],[(section average heart rate corresponding to the third test day - section average heart rate corresponding to the first test day), first free T4 concentration, first TSH concentration, third free T4 concentration],
[(제3 검사일에 대응되는 구간 평균 심박수 - 제2 검사일에 대응되는 구간 평균 심박수), 제2 free T4 농도, 제2 TSH 농도, 제3 free T4 농도],[(section average heart rate corresponding to the third test day - section average heart rate corresponding to the second test day), second free T4 concentration, second TSH concentration, third free T4 concentration],
[(제3 검사일에 대응되는 구간 평균 심박수 - 제4 검사일에 대응되는 구간 평균 심박수), 제4 free T4 농도, 제4 TSH 농도, 제3 free T4 농도],[(section average heart rate corresponding to the 3rd test day - section average heart rate corresponding to the 4th test day), 4th free T4 concentration, 4th TSH concentration, 3rd free T4 concentration],
[(제4 검사일에 대응되는 구간 평균 심박수 - 제1 검사일에 대응되는 구간 평균 심박수), 제1 free T4 농도, 제1 TSH 농도, 제4 free T4 농도],[(section average heart rate corresponding to the fourth test day - section average heart rate corresponding to the first test day), first free T4 concentration, first TSH concentration, fourth free T4 concentration],
[(제4 검사일에 대응되는 구간 평균 심박수 - 제2 검사일에 대응되는 구간 평균 심박수), 제2 free T4 농도, 제2 TSH 농도, 제4 free T4 농도], 및[(section average heart rate corresponding to the fourth test day - section average heart rate corresponding to the second test day), second free T4 concentration, second TSH concentration, fourth free T4 concentration], and
[(제4 검사일에 대응되는 구간 평균 심박수 - 제3 검사일에 대응되는 구간 평균 심박수), 제3 free T4 농도, 제3 TSH 농도, 제4 free T4 농도][(section average heart rate corresponding to the 4th test day - section average heart rate corresponding to the 3rd test day), 3rd free T4 concentration, 3rd TSH concentration, 4th free T4 concentration]
만약, free T4의 농도를 예측하기 위한 모델이 아니라, TSH의 농도를 예측하기 위한 모델을 학습시키고자 하는 경우, 전술한 학습 데이터 세트들에서 입력값은 그대로 유지하고, 라벨링값만 free T4의 농도를 사용하는 대신 TSH의 농도를 사용하면 된다.If you want to train a model for predicting the concentration of TSH rather than a model for predicting the concentration of free T4, keep the input values in the above-mentioned learning data sets as is and only the labeling value is the concentration of free T4. Instead of using , you can use the concentration of TSH.
학습방법 실시예#13. 기준일 심박수와의 변화율과 기준일의 호르몬값Learning method example #13. Rate of change from heart rate on the reference day and hormone values on the reference day
본 출원에 의해 개시되는 제13 실시예에 따르면, 전술한 제12 실시예와 비교할 때, 제1 검사일에 대응되는 구간 평균 심박수에서 제2 검사일에 대응되는 구간 평균 심박수를 뺀 값 대신 제1 검사일에 대한 제2 검사일의 구간 평균 심박수의 변화율을 입력값으로 사용하며, 나머지는 제12 실시예와 동일하다.According to the thirteenth embodiment disclosed by the present application, compared to the above-described twelfth embodiment, on the first examination day instead of the interval average heart rate corresponding to the first examination day minus the interval average heart rate corresponding to the second examination day The change rate of the section average heart rate on the second test day is used as an input value, and the rest is the same as in the 12th embodiment.
학습방법 실시예#14. 기준일 심박수와의 변화율, 상대 표준편차 변화량과 기준일의 호르몬값Learning method example #14. Rate of change from heart rate on the reference day, relative standard deviation change and hormone value on the reference day
본 출원에 의해 개시되는 제14 실시예에 따르면, 전술한 제13 실시예와 비교할 때, 제1 검사일에 대응되는 구간 심박수들의 상대 표준편차에서 제2 검사일에 대응되는 구간 심박수들의 상대 표준편차를 뺀 값을 입력값으로 더 사용하며, 나머지는 제13 실시예와 동일하다.According to the fourteenth embodiment disclosed by the present application, compared to the above-described thirteenth embodiment, the relative standard deviation of the zone heart rates corresponding to the first inspection day is subtracted from the relative standard deviation of the zone heart rates corresponding to the second inspection day. The value is further used as an input value, and the rest is the same as the 13th embodiment.
학습방법 실시예#15. 기준일 심박수와의 변화율, 상대 표준편차 변화량, 왜도변화량, 첨도 변화량, JS Divergence와 기준일의 호르몬값Learning method example #15. Rate of change from heart rate on the reference day, relative standard deviation change, skewness change, kurtosis change, JS Divergence and hormone value on the reference day
본 출원에 의해 개시되는 제15 실시예에 따르면, 전술한 제14 실시예와 비교할 때, 제1 검사일에 대응되는 구간 심박수들의 분포(distribution)에 관한 지표와 제2 검사일에 대응되는 구간 심박수들의 분포에 관한 지표 사이의 차이에 관한 값을 입력값으로 더 사용하며, 나머지는 제14 실시예와 동일하다.According to the 15th embodiment disclosed by the present application, compared to the above-described 14th embodiment, an index regarding the distribution of zone heart rates corresponding to the first inspection day and the distribution of zone heart rates corresponding to the second inspection day The value of the difference between the indicators is further used as an input value, and the rest is the same as the 14th embodiment.
학습방법 실시예#16. 기준일 심박수와의 변화율, 상대 표준편차 변화량, 왜도변화량, 첨도 변화량, JS Divergence와 기준일의 호르몬값 + Day GapLearning method example #16. Rate of change from heart rate on the reference day, change in relative standard deviation, change in skewness, change in kurtosis, JS Divergence and hormone value on the reference day + Day Gap
본 출원에 의해 개시되는 제16 실시예에 따르면, 전술한 제15 실시예와 비교할 때, 제1 검사일과 제2 검사일 사이의 차이(day gaps)에 관한 값을 입력값으로 더 사용하며, 나머지는 제15 실시예와 동일하다.According to the 16th embodiment disclosed by the present application, compared to the above-described 15th embodiment, the value related to the difference (day gaps) between the first inspection date and the second inspection date is further used as an input value, and the remaining Same as Example 15.
7. 갑상선 호르몬 예측모델에 기초한 갑상선기능이상증의 예측방법7. Prediction method for thyroid dysfunction based on thyroid hormone prediction model
본 출원에 의해 개시되는 갑상선기능이상증(thyroid dysfunction)을 예측하는 방법은 전술한 시스템(1)에 의해 수행될 수 있다.The method for predicting thyroid dysfunction disclosed by the present application can be performed by the above-described system 1.
도 6은 본 출원에 의해 개시되는 갑상선기능이상증을 예측하는 방법을 설명하기 위한 흐름도이다.Figure 6 is a flowchart for explaining the method for predicting thyroid dysfunction disclosed by the present application.
도 6을 참고하면, 본 출원에 의해 개시되는 대상(subject)에 대한 갑상선기능이상증을 예측하는 방법은 트리거 신호를 획득함(S200), 상기 트리거 신호에 의해 결정되는 대상일에 대응되는 구간 심박수들을 획득함(S210), 상기 대상일에 대응되는 상기 구간 심박수들을 전처리함(S220), 기준일에 대응되는 호르몬 농도를 획득함(S230), 상기 기준일에 대응되는 구간 심박수들에 대한 전처리 결과를 획득함(S240), 상기 대상일에 대응되는 구간 심박수들의 전처리 결과와 상기 기준일에 대응되는 구간 심박수들에 대한 전처리 결과의 차이를 획득함(S250), 상기 획득된 차이 및 상기 기준일에 대응되는 호르몬 농도를 갑상선 호르몬 농도 예측모델을 이용하여 처리하고 상기 대상에 대한 갑상선 호르몬 농도에 대한 예측 결과를 획득함(S260), 상기 호르몬 농도에 대한 예측 결과에 기초하여 상기 대상의 갑상선기능이상증에 대한 결과를 획득함(S270)을 포함한다.Referring to FIG. 6, the method for predicting thyroid dysfunction for a subject disclosed by the present application acquires a trigger signal (S200), and obtains heart rates in the section corresponding to the target date determined by the trigger signal. Obtaining (S210), preprocessing the section heart rates corresponding to the target date (S220), obtaining the hormone concentration corresponding to the reference date (S230), obtaining preprocessing results for the section heart rates corresponding to the reference date (S240), obtain the difference between the preprocessing results of the section heart rates corresponding to the target date and the preprocessing result of the section heart rates corresponding to the reference date (S250), calculate the obtained difference and the hormone concentration corresponding to the reference date Processing using a thyroid hormone concentration prediction model and obtaining a prediction result for the thyroid hormone concentration for the subject (S260), obtaining a result for thyroid dysfunction of the subject based on the prediction result for the hormone concentration Includes (S270).
이때, 트리거 신호를 획득함(S200), 상기 트리거 신호에 의해 결정되는 대상일에 대응되는 구간 심박수들을 획득함(S210), 상기 대상일에 대응되는 상기 구간 심박수들을 전처리함(S220), 기준일에 대응되는 호르몬 농도를 획득함(S230), 상기 기준일에 대응되는 구간 심박수들에 대한 전처리 결과를 획득함(S240), 상기 대상일에 대응되는 구간 심박수들의 전처리 결과와 상기 기준일에 대응되는 구간 심박수들에 대한 전처리 결과의 차이를 획득함(S250)은 각각 도 5를 참조하여 설명한 트리거 신호를 획득함(S100), 상기 트리거 신호에 의해 결정되는 대상일에 대응되는 구간 심박수들을 획득함(S110), 상기 대상일에 대응되는 상기 구간 심박수들을 전처리함(S120), 기준일에 대응되는 호르몬 농도를 획득함(S130), 상기 기준일에 대응되는 구간 심박수들에 대한 전처리 결과를 획득함(S140), 상기 대상일에 대응되는 구간 심박수들의 전처리 결과와 상기 기준일에 대응되는 구간 심박수들에 대한 전처리 결과의 차이를 획득함(S150)과 각각 동일하거나 매우 유사하기 때문에 여기서는 자세한 설명을 생략한다.At this time, a trigger signal is acquired (S200), section heart rates corresponding to the target date determined by the trigger signal are acquired (S210), the section heart rates corresponding to the target date are preprocessed (S220), and on the reference date Obtaining the corresponding hormone concentration (S230), obtaining preprocessing results for section heart rates corresponding to the reference date (S240), preprocessing results for section heart rates corresponding to the target date and section heart rates corresponding to the reference date Obtaining the difference between the preprocessing results (S250), obtaining the trigger signal described with reference to FIG. 5 (S100), obtaining section heart rates corresponding to the target date determined by the trigger signal (S110), Preprocess the section heart rates corresponding to the target date (S120), obtain the hormone concentration corresponding to the reference date (S130), obtain preprocessing results for the section heart rates corresponding to the reference date (S140), and the target Since the difference between the preprocessing results of the section heart rates corresponding to the day and the preprocessing result of the section heart rates corresponding to the reference day are obtained (S150) are the same or very similar, a detailed description is omitted here.
갑상선 호르몬 농도 예측모델을 통한 갑상선 호르몬 농도에 대한 예측결과 획득(S260)Obtain prediction results for thyroid hormone concentration through thyroid hormone concentration prediction model (S260)
제1 갑상선 호르몬 농도 예측모델을 통한 제1 갑상선 호르몬 농도에 대한 예측결과 획득Obtaining prediction results for first thyroid hormone concentration through first thyroid hormone concentration prediction model
제1 갑상선 호르몬 농도 예측모델을 통해 상기 대상에 대한 제1 갑상선 호르몬 농도가 획득될 수 있다. 예를 들어, 상기 제1 갑상선 호르몬은 TRH일 수 있다.The first thyroid hormone concentration for the subject may be obtained through the first thyroid hormone concentration prediction model. For example, the first thyroid hormone may be TRH.
제2 갑상선 호르몬 농도 예측모델을 통한 제2 갑상선 호르몬 농도에 대한 예측결과 획득Obtaining prediction results for second thyroid hormone concentration through second thyroid hormone concentration prediction model
제2 갑상선 호르몬 농도 예측모델을 통해 상기 대상에 대한 제2 갑상선 호르몬 농도가 획득될 수 있다. 예를 들어, 상기 제2 갑상선 호르몬은 TSH일 수 있다.The second thyroid hormone concentration for the subject can be obtained through the second thyroid hormone concentration prediction model. For example, the second thyroid hormone may be TSH.
제3 갑상선 호르몬 농도 예측모델을 통한 제3 갑상선 호르몬 농도에 대한 예측결과 획득Obtaining prediction results for third thyroid hormone concentration through third thyroid hormone concentration prediction model
제3 갑상선 호르몬 농도 예측모델을 통해 상기 대상에 대한 제3 갑상선 호르몬 농도가 획득될 수 있다. 예를 들어, 상기 제3 갑상선 호르몬은 T4일 수 있다.The third thyroid hormone concentration for the subject can be obtained through the third thyroid hormone concentration prediction model. For example, the third thyroid hormone may be T4.
제4 갑상선 호르몬 농도 예측모델을 통한 제4 갑상선 호르몬 농도에 대한 예측결과 획득Obtaining prediction results for 4th thyroid hormone concentration through 4th thyroid hormone concentration prediction model
제4 갑상선 호르몬 농도 예측모델을 통해 상기 대상에 대한 제4 갑상선 호르몬 농도가 획득될 수 있다. 예를 들어, 상기 제4 갑상선 호르몬은 free T4일 수 있다.The fourth thyroid hormone concentration for the subject can be obtained through the fourth thyroid hormone concentration prediction model. For example, the fourth thyroid hormone may be free T4.
제5 갑상선 호르몬 농도 예측모델을 통한 제5 갑상선 호르몬 농도에 대한 예측결과 획득Obtaining prediction results for fifth thyroid hormone concentration through the fifth thyroid hormone concentration prediction model
제5 갑상선 호르몬 농도 예측모델을 통해 상기 대상에 대한 제5 갑상선 호르몬 농도가 획득될 수 있다. 예를 들어, 상기 제5 갑상선 호르몬은 T3일 수 있다.The fifth thyroid hormone concentration for the subject can be obtained through the fifth thyroid hormone concentration prediction model. For example, the fifth thyroid hormone may be T3.
제6 갑상선 호르몬 농도 예측모델을 통한 제6 갑상선 호르몬 농도에 대한 예측결과 획득Obtaining prediction results for 6th thyroid hormone concentration through 6th thyroid hormone concentration prediction model
제6 갑상선 호르몬 농도 예측모델을 통해 상기 대상에 대한 제6 갑상선 호르몬 농도가 획득될 수 있다. 예를 들어, 상기 제6 갑상선 호르몬은 free T3일 수 있다.The sixth thyroid hormone concentration for the subject can be obtained through the sixth thyroid hormone concentration prediction model. For example, the sixth thyroid hormone may be free T3.
전술한 바와 같이, 상기 제1 갑상선 호르몬 농도 내지 상기 제6 갑상선 호르몬 농도로 이루어진 그룹에서 선택된 하나 또는 이들의 조합이 획득될 수 있다.As described above, one or a combination thereof selected from the group consisting of the first to sixth thyroid hormone concentrations may be obtained.
상기 호르몬 농도에 대한 예측 결과에 기초하여 상기 대상의 갑상선기능이상증에 대한 결과를 획득함(S270)Obtain results for thyroid dysfunction of the subject based on the predicted results for the hormone concentration (S270)
상기 획득된 호르몬 농도에 대한 예측값들에 기초하여, 대상이 갑상선기능항진증 상태인지, 갑상선기능저하증 상태인지 혹은 정상 상태인지가 판단될 수 있다.Based on the obtained predicted values for hormone concentration, it can be determined whether the subject is in a hyperthyroid state, hypothyroidism state, or normal state.
각 갑상선 호르몬 농도들에 대해서 '정상', '항진증' 및 '저하증'에 대응되는 범위들이 미리 결정되어 있기 때문에, 이러한 미리 결정된 범위들이 사용될 수 있을 것이다.Since the ranges corresponding to 'normal', 'hyperactivity' and 'hypoactivity' are predetermined for each thyroid hormone concentration, these predetermined ranges may be used.
전술한 트리거 신호를 획득함(S200), 상기 트리거 신호에 의해 결정되는 대상일에 대응되는 구간 심박수들을 획득함(S210), 상기 대상일에 대응되는 상기 구간 심박수들을 전처리함(S220), 기준일에 대응되는 호르몬 농도를 획득함(S230), 상기 기준일에 대응되는 구간 심박수들에 대한 전처리 결과를 획득함(S240), 상기 대상일에 대응되는 구간 심박수들의 전처리 결과와 상기 기준일에 대응되는 구간 심박수들에 대한 전처리 결과의 차이를 획득함(S250), 상기 획득된 차이 및 상기 기준일에 대응되는 호르몬 농도를 갑상선 호르몬 농도 예측모델을 이용하여 처리하고 상기 대상에 대한 갑상선 호르몬 농도에 대한 예측 결과를 획득함(S260), 상기 호르몬 농도에 대한 예측 결과에 기초하여 상기 대상의 갑상선기능이상증에 대한 결과를 획득함(S270)은 상기 심박수 측정 디바이스(10), 상기 사용자 단말기(20) 및 상기 서버(30)에 의해 적절히 분산되어 수행될 수 있다.Obtaining the above-described trigger signal (S200), obtaining section heart rates corresponding to the target date determined by the trigger signal (S210), preprocessing the section heart rates corresponding to the target date (S220), on the reference date Obtaining the corresponding hormone concentration (S230), obtaining preprocessing results for section heart rates corresponding to the reference date (S240), preprocessing results for section heart rates corresponding to the target date and section heart rates corresponding to the reference date Acquire the difference between the preprocessing results (S250), process the obtained difference and the hormone concentration corresponding to the reference date using a thyroid hormone concentration prediction model, and obtain a prediction result for the thyroid hormone concentration for the subject. (S260), obtaining a result for thyroid dysfunction of the subject based on the prediction result for the hormone concentration (S270), the heart rate measurement device 10, the user terminal 20, and the server 30 It can be carried out appropriately distributed.
8. 실험예8. Experimental example
실험예#12.Experimental Example #12.
학습 데이터 세트들의 준비Preparation of training data sets
총 171명의 환자를 대상으로 수집한 총 563개의 임상 데이터 세트들이 사용되었다.A total of 563 clinical data sets collected from a total of 171 patients were used.
전술한 학습방법 실시예#13에 기재한 갑상선 호르몬 농도 예측 모델의 학습 방법에 따라 모델이 학습되었다. 특히, free T4의 농도를 예측하기 위한 예측모델이 학습되었다.The model was learned according to the learning method of the thyroid hormone concentration prediction model described in Learning Method Example #13 described above. In particular, a prediction model was learned to predict the concentration of free T4.
한편, 각 검사일에 대응되는 호르몬 농도는 free T4의 농도와 TSH의 농도가 사용되었으며, 상기 검사일에 대응되는 구간 평균 심박수는 상기 검사일을 기준으로 10일간의 휴지기 심박수들을 획득하고, 상기 획득된 휴지기 심박수들의 평균을 산출하였다.Meanwhile, the concentration of free T4 and TSH were used as the hormone concentration corresponding to each test day, and the average heart rate of the section corresponding to the test day was obtained by obtaining resting heart rates for 10 days based on the test date, and the obtained resting heart rate The average was calculated.
이때, 서로 다른 환자들의 임상 데이터들 사이의 "차이"를 이용하여 학습 데이터 세트가 생성되지는 않았으며, 한 명의 환자로부터 획득된 임상 데이터 세트들을 이용하여 학습 데이터 세트가 생성되었다.At this time, a learning data set was not created using “differences” between clinical data of different patients, but a learning data set was created using clinical data sets obtained from one patient.
이 때, 학습에 활용된 임상 데이터들은 171명의 환자로부터 확보한 563개의데이터들이 활용되었으며, 이로부터 생성된 학습 데이터 세트들의 개수는 총 1,542개였다.At this time, the clinical data used for learning was 563 data obtained from 171 patients, and the total number of learning data sets created from this was 1,542.
갑상선 호르몬 농도 예측모델의 학습Learning of thyroid hormone concentration prediction model
extra trees을 이용하여, 전술한 학습 데이터 세트들을 이용하여 free T4의농도 예측모델이 학습되었다.Using extra trees, a free T4 concentration prediction model was learned using the aforementioned training data sets.
갑상선 호르몬 농도 예측모델의 테스트Test of thyroid hormone concentration prediction model
학습된 예측 모델의 정확도를 판단하기 위하여 사용된 테스트 데이터 세트들은 총 126명의 환자로부터 확보된 464개의 임상 데이터들로부터 생성되었으며, 총 1,416개의 테스트 데이터 세트들이 생성되었다.The test data sets used to determine the accuracy of the learned prediction model were created from 464 clinical data obtained from a total of 126 patients, and a total of 1,416 test data sets were created.
실험예#13에 따라 학습된 free T4 농도 예측모델의 정확도의 테스트는 전술한 테스트 세트들을 이용하여 진행되었다.Testing the accuracy of the free T4 concentration prediction model learned according to Experimental Example #13 was conducted using the test sets described above.
실험예#13에 따르는 free T4 농도 예측모델의 MSE (Mean Squared Error), MAE (Mean Absolute Error), MAPE (Mean Absolute Percentage Error)는 다음의 [표16]과 같다.The MSE (Mean Squared Error), MAE (Mean Absolute Error), and MAPE (Mean Absolute Percentage Error) of the free T4 concentration prediction model according to Experimental Example #13 are shown in [Table 16] below.
실험예#13.실험예#13에서 사용된 학습 데이터 세트들과 테스트 데이터 세트들 및 그 생성방법은 실험예#12에서 설명한 바와 같다. Experimental Example #13. The learning data sets and test data sets used in Experimental Example #13 and their generation method are the same as described in Experimental Example #12.
다만, 실험예#13은, 실험예#12와 달리, 전술한 학습방법 실시예#13에 따라 예측모델을 학습시킨 대신, 학습방법 실시예#14에 따라 예측모델이 학습되었다.However, in Experimental Example #13, unlike Experimental Example #12, instead of learning the prediction model according to the above-described learning method example #13, the prediction model was learned according to learning method example #14.
갑상선 호르몬 농도 예측모델의 테스트Test of thyroid hormone concentration prediction model
실험예#13에 따라 학습된 free T4 농도 예측모델의 정확도의 테스트는 전술한 테스트 세트들을 이용하여 진행되었다.Testing the accuracy of the free T4 concentration prediction model learned according to Experimental Example #13 was conducted using the test sets described above.
실험예#13에 따르는 free T4 농도 예측모델의 MSE (Mean Squared Error), MAE (Mean Absolute Error), MAPE (Mean Absolute Percentage Error)는 다음의 [표17]과 같다.The MSE (Mean Squared Error), MAE (Mean Absolute Error), and MAPE (Mean Absolute Percentage Error) of the free T4 concentration prediction model according to Experimental Example #13 are shown in [Table 17] below.
실험예#14.실험예#14에서 사용된 학습 데이터 세트들과 테스트 데이터 세트들 및 그 생성방법은 실험예#12에서 설명한 바와 같다. Experimental Example #14. The learning data sets and test data sets used in Experimental Example #14 and their generation method are the same as described in Experimental Example #12.
다만, 실험예#14는, 실험예#12와 달리, 전술한 학습방법 실시예#13에 따라 예측모델을 학습시킨 대신, 학습방법 실시예#15에 따라 예측모델이 학습되었다.However, in Experimental Example #14, unlike Experimental Example #12, instead of learning the prediction model according to the above-described learning method example #13, the prediction model was learned according to learning method example #15.
갑상선 호르몬 농도 예측모델의 테스트Test of thyroid hormone concentration prediction model
실험예#14에 따라 학습된 free T4 농도 예측모델의 정확도의 테스트는 전술한 테스트 세트들을 이용하여 진행되었다.The accuracy test of the free T4 concentration prediction model learned according to Experimental Example #14 was conducted using the test sets described above.
실험예#14에 따르는 free T4 농도 예측모델의 MSE (Mean Squared Error), MAE (Mean Absolute Error), MAPE (Mean Absolute Percentage Error)는 다음의 [표18]과 같다.The MSE (Mean Squared Error), MAE (Mean Absolute Error), and MAPE (Mean Absolute Percentage Error) of the free T4 concentration prediction model according to Experimental Example #14 are shown in [Table 18] below.
실험예#15.실험예#15에서 사용된 학습 데이터 세트들과 테스트 데이터 세트들 및 그 생성방법은 실험예#12에서 설명한 바와 같다. Experimental Example #15. The learning data sets and test data sets used in Experimental Example #15 and their generation method are the same as those described in Experimental Example #12.
다만, 실험예#15는, 실험예#12와 달리, 전술한 학습방법 실시예#13에 따라 예측모델을 학습시킨 대신, 학습방법 실시예#16에 따라 예측모델이 학습되었다.However, in Experimental Example #15, unlike Experimental Example #12, instead of learning the prediction model according to the above-described learning method example #13, the prediction model was learned according to learning method example #16.
갑상선 호르몬 농도 예측모델의 테스트Test of thyroid hormone concentration prediction model
실험예#15에 따라 학습된 free T4 농도 예측모델의 정확도의 테스트는 전술한 테스트 세트들을 이용하여 진행되었다.The accuracy test of the free T4 concentration prediction model learned according to Experimental Example #15 was conducted using the test sets described above.
실험예#15에 따르는 free T4 농도 예측모델의 MSE (Mean Squared Error), MAE (Mean Absolute Error), MAPE (Mean Absolute Percentage Error)는 다음의 [표19]와 같다.The MSE (Mean Squared Error), MAE (Mean Absolute Error), and MAPE (Mean Absolute Percentage Error) of the free T4 concentration prediction model according to Experimental Example #15 are shown in [Table 19] below.
1: 시스템10: 심박수 측정 디바이스1: System 10: Heart rate measurement device
20: 사용자 단말기20: User terminal
30: 서버30: server
Claims (24)
복수 환자들로부터 획득된 생체 정보들에 기초하여, 복수의 데이터 세트들을 획득함 - 이 때, 복수의 데이터 세트들 각각은 심장 관련 생체 정보 및 갑상선 관련 호르몬의 농도를 포함하며, 상기 심장 관련 생체 정보는 대상의 심장이 수축하고 이완하는 특성을 반영하는 정보이며, 상기 갑상선 관련 호르몬의 농도는 대상의 혈액으로부터 측정된 free T3농도, free T4 농도, TSH 농도 중 적어도 하나이며, 상기 심장 관련 생체 정보 및 상기 갑상선 관련 호르몬의 농도는 동일한 환자로부터 동일한 검사시점에 획득된 것임-;
상기 획득된 복수의 데이터 세트들 각각에 대하여 전처리를 수행하여, 복수의 입력 데이터 세트들를 생성함 - 이 때, 상기 전처리는 상기 복수의 데이터 세트들 각각을 구성하는 심장 관련 생체 정보들 로부터 미리 정해진 기준에 따라 일부를 선택하는 것을 포함함-;
상기 획득된 복수의 데이터 세트들 각각에 대하여, 복수의 라벨링 데이터들을 생성함 - 이 때, 상기 복수의 라벨링 데이터 각각은 대응되는 데이터 세트들을 구성하는 갑상선 관련 호르몬 농도에 의해 결정되며, 상기 복수의 라벨링 데이터들은 갑상선 항진증 및 갑상선 기능 정상 중 하나로 결정됨-; 및
상기 생성된 복수의 입력 데이터 세트들을 입력 데이터로 하고, 상기 복수의 입력 데이터 세트들 각각에 대응되는 상기 라벨링 데이터를 라벨링값으로 하여 인공 지능 모델을 학습시킴; 을 포함하는
갑상선 항진증을 예측하는 모델의 학습 방법.
As a learning method of a model for predicting hyperthyroidism performed by a server,
A plurality of data sets are acquired based on biometric information obtained from multiple patients - at this time, each of the plurality of data sets includes heart-related biometric information and the concentration of thyroid hormones, and the heart-related biometric information is information reflecting the characteristics of the subject's heart contracting and relaxing, the concentration of the thyroid hormone is at least one of the free T3 concentration, free T4 concentration, and TSH concentration measured from the subject's blood, and the heart-related biometric information and The concentration of the thyroid-related hormones was obtained from the same patient at the same time of examination;
Preprocessing is performed on each of the obtained plurality of data sets to generate a plurality of input data sets - at this time, the preprocessing is performed based on a predetermined standard from the heart-related biometric information constituting each of the plurality of data sets. Including selecting some based on -;
For each of the acquired plurality of data sets, a plurality of labeling data are generated - at this time, each of the plurality of labeling data is determined by the concentration of thyroid-related hormones constituting the corresponding data sets, and the plurality of labeling data Data were determined as either hyperthyroidism or normal thyroid function; and
Learning an artificial intelligence model using the generated plurality of input data sets as input data and the labeling data corresponding to each of the plurality of input data sets as a labeling value; containing
Learning method for a model predicting hyperthyroidism.
상기 전처리는 상기 복수의 데이터 세트들 각각을 구성하는 심장 관련 생체 정보들 중 미리 정해진 기간에 대응되는 심장 관련 생체 정보들을 선택하되, 상기 미리 정해진 기간 내의 모든 심장 관련 생체 정보를 선택하는 것을 포함하는
갑상선 항진증을 예측하는 모델의 학습 방법.
According to claim 1,
The preprocessing includes selecting heart-related biometric information corresponding to a predetermined period from among the heart-related biometric information constituting each of the plurality of data sets, and selecting all heart-related biometric information within the predetermined period.
Learning method for a model predicting hyperthyroidism.
상기 전처리는 상기 복수의 데이터 세트들 각각을 구성하는 심장 관련 생체 정보들 중 미리 정해진 기간에 대응되는 심장 관련 생체 정보들을 선택하되, 상기 미리 정해진 기간 외의 심장 관련 생체 정보를 제거하는 것을 포함하는
갑상선 항진증을 예측하는 모델의 학습 방법.
According to claim 1,
The preprocessing includes selecting heart-related biometric information corresponding to a predetermined period from among the heart-related biometric information constituting each of the plurality of data sets, but removing heart-related biometric information outside the predetermined period.
Learning method for a model predicting hyperthyroidism.
상기 복수의 데이터 세트들 각각을 구성하는 심장 관련 생체 정보들은 미리 정해진 기간에 대한 시간 값들 각각에 대응되는 심장 관련 생체 정보들을 포함하는 시계열 데이터로 제공되며,
상기 전처리는 상기 복수의 데이터 세트들 각각을 구성하는 심장 관련 생체 정보들로부터 미리 정해진 포맷의 입력 데이터를 생성함을 포함하며,
상기 미리 정해진 포맷의 입력 데이터는 적어도 제1 심장 관련 생체 정보 값 및 제2 심장 관련 생체 정보 값을 포함하고, 상기 제1 심장 관련 생체 정보 값과 상기 제2 심장 관련 생체 정보 값은 다른
갑상선 항진증을 예측하는 모델의 학습 방법.
According to claim 1,
The heart-related biometric information constituting each of the plurality of data sets is provided as time series data including heart-related biometric information corresponding to each time value for a predetermined period,
The preprocessing includes generating input data in a predetermined format from heart-related biometric information constituting each of the plurality of data sets,
The input data in the predetermined format includes at least a first heart-related biometric information value and a second heart-related biometric information value, and the first heart-related biometric information value and the second heart-related biometric information value are different from each other.
Learning method for a model predicting hyperthyroidism.
상기 제1 심장 관련 생체 정보 값은
상기 시계열 데이터의 평균과 관련된 심장 관련 생체 정보 값, 상기 시계열 데이터의 표준편차와 관련된 심장 관련 생체 정보 값, 상기 시계열 데이터의 왜도와 관련된 심장 관련 생체 정보 값, 상기 시계열 데이터의 첨도와 관련된 심장 관련 생체 정보 값 또는 상기 시계열 데이터의 JS Divergence 와 관련된 심장 관련 생체 정보 값 중 어느 하나이고,
상기 제2 심장 관련 생체 정보 값은
상기 시계열 데이터의 평균과 관련된 심장 관련 생체 정보 값, 상기 시계열 데이터의 표준편차와 관련된 심장 관련 생체 정보 값, 상기 시계열 데이터의 왜도와 관련된 심장 관련 생체 정보 값, 상기 시계열 데이터의 첨도와 관련된 심장 관련 생체 정보 값 또는 상기 시계열 데이터의 JS Divergence 와 관련된 심장 관련 생체 정보 값 중 다른 하나인,
갑상선 항진증을 예측하는 모델의 학습 방법.
According to clause 4,
The first heart-related biometric information value is
A heart-related biometric information value related to the average of the time series data, a heart-related biometric information value related to the standard deviation of the time series data, a heart-related biometric information value related to the skewness of the time series data, and a heart-related biometric information value related to the kurtosis of the time series data. It is either an information value or a heart-related biometric information value related to JS Divergence of the time series data,
The second heart-related biometric information value is
A heart-related biometric information value related to the average of the time series data, a heart-related biometric information value related to the standard deviation of the time series data, a heart-related biometric information value related to the skewness of the time series data, and a heart-related biometric information value related to the kurtosis of the time series data. Another one of the information value or the heart-related biometric information value related to the JS Divergence of the time series data,
Learning method for a model predicting hyperthyroidism.
상기 복수의 입력 데이터 세트들 각각은 동일한 시간 구간에 대한 심장 관련 입력 데이터들을 포함하는
갑상선 항진증을 예측하는 모델의 학습 방법.
According to claim 1,
Each of the plurality of input data sets includes heart-related input data for the same time period.
Learning method for a model predicting hyperthyroidism.
상기 심장 관련 입력 데이터들은,
동일한 시간 구간에 대한 평균, 표준편차, 왜도 및 첨도 중 선택된 적어도 두 개의 값인
갑상선 항진증을 예측하는 모델의 학습 방법.
According to clause 6,
The heart-related input data are,
At least two values selected from mean, standard deviation, skewness, and kurtosis for the same time period
Learning method for a model predicting hyperthyroidism.
상기 복수의 입력 데이터 세트들 각각은 심장 관련 시계열 데이터들을 기초로 생성되는
갑상선 항진증을 예측하는 모델의 학습 방법.
According to claim 1,
Each of the plurality of input data sets is generated based on heart-related time series data.
Learning method for a model predicting hyperthyroidism.
상기 심장 관련 시계열 데이터들은 제1 검사일에 대응되는 제1 심장 관련 시계열 데이터 및 제2 검사일에 대응되는 제2 심장 관련 시계열 데이터를 포함하는
갑상선 항진증을 예측하는 모델의 학습 방법.
According to clause 8,
The heart-related time series data includes first heart-related time series data corresponding to the first examination date and second heart-related time series data corresponding to the second examination date.
Learning method for a model predicting hyperthyroidism.
상기 복수 환자들은 적어도 한번 이상 갑상선 항진증을 진단받은 환자들을 포함하며,
상기 복수의 데이터 세트들 각각은 한 명의 환자에 대한 심장 관련 생체 정보 및 갑상선 관련 호르몬 농도의 페어들로 구성되고,
상기 갑상선 관련 호르몬 농도는 상기 한 명의 환자에 대한 심장 관련 생체 정보가 획득된 시점을 기준으로 기 설정된 기간 이내에 측정된 동일한 환자에 대한 갑상선 호르몬 농도를 포함하는
갑상선 항진증을 예측하는 모델의 학습 방법.
According to claim 1,
The plurality of patients includes patients who have been diagnosed with hyperthyroidism at least once,
Each of the plurality of data sets consists of pairs of heart-related biometric information and thyroid-related hormone concentration for one patient,
The thyroid-related hormone concentration includes the thyroid hormone concentration for the same patient measured within a predetermined period based on the time when heart-related biometric information for the one patient was obtained.
Learning method for a model predicting hyperthyroidism.
상기 복수의 데이터 세트들은 특정 환자에 대한 둘 이상의 페어들을 포함하는
갑상선 항진증을 예측하는 모델의 학습 방법.
According to claim 10,
The plurality of data sets include two or more pairs for a specific patient.
Learning method for a model predicting hyperthyroidism.
상기 특정 환자에 대한 둘 이상의 페어들은,
갑상선 관련 호르몬의 농도가 갑상선 기능 정상에 대응될 때의 페어 및 갑상선 관련 호르몬의 농도가 갑상선 기능 항진에 대응될 때의 페어를 포함하는
갑상선 항진증을 예측하는 모델의 학습 방법.
According to claim 11,
Two or more pairs for the specific patient,
Including a pair when the concentration of thyroid-related hormones corresponds to normal thyroid function and a pair when the concentration of thyroid-related hormones corresponds to hyperthyroidism
Learning method for a model predicting hyperthyroidism.
상기 갑상선 관련 호르몬의 농도는
상기 심장 관련 생체 정보에 대응되는 시점을 기준으로 기 설정된 기간 이내에 측정되어 동일한 검사 시점에 획득된 것인
갑상선 항진증을 예측하는 모델의 학습 방법.
According to claim 1,
The concentration of the thyroid-related hormones is
Measured within a preset period based on the time point corresponding to the heart-related biometric information and obtained at the same test time
Learning method for a model predicting hyperthyroidism.
상기 복수의 데이터 세트들 각각을 구성하는 심장 관련 생체 정보들은 미리 정해진 기간에 대한 시간 값들 각각에 대응되는 심장 관련 생체 정보들을 포함하는 시계열 데이터로 제공되며,
상기 전처리는 상기 복수의 데이터 세트들 각각을 구성하는 심장 관련 생체 정보들에 대한 정규화(normalization)를 포함하는
갑상선 항진증을 예측하는 모델의 학습 방법.
According to claim 1,
The heart-related biometric information constituting each of the plurality of data sets is provided as time series data including heart-related biometric information corresponding to each time value for a predetermined period,
The preprocessing includes normalization of heart-related biometric information constituting each of the plurality of data sets.
Learning method for a model predicting hyperthyroidism.
상기 정규화는 상기 시계열 데이터의 평균과 관련된 심장 관련 생체 정보 값으로 나누는 것을 포함하는
갑상선 항진증을 예측하는 모델의 학습 방법.
According to claim 14,
The normalization includes dividing the average of the time series data by the associated heart-related biometric value.
Learning method for a model predicting hyperthyroidism.
갑상선 항진증 및 갑상선 기능 정상 중 하나의 출력 값을 출력하도록 학습된 인공 지능 모델을 획득함;
상기 대상 환자의 모니터링 심장 관련 생체 정보를 획득함 -이 때, 상기 모니터링 심장관련 생체 정보는 웨어러블 워치, 웨어러블 밴드 또는 패치 타입 디바이스로부터 획득됨-;
상기 대상 환자의 모니터링 심장 관련 생체 정보에 대하여 전처리를 수행하여 모니터링 입력 데이터를 생성함; 및
상기 모니터링 입력 데이터를 상기 학습된 인공지능 모델에 적용하여 상기 대상 환자의 갑상선 기능 상태에 대한 예측 결과를 획득함 - 이 때, 상기 대상 환자의 갑상선 기능 상태에 대한 예측 결과는 갑상선 기능 항진증 및 갑상선 기능 정상 중 어느 하나로 출력됨-;을 포함하며,
상기 학습된 인공지능 모델은, 복수의 입력 데이터 세트들 및 복수의 입력 데이터 세트들 각각에 대응되는 라벨링 데이터를 이용하여 학습되며,
상기 복수의 입력 데이터 세트들 및 상기 라벨링 데이터는,
복수 환자들로부터 획득된 생체 정보들에 기초하여, 복수의 데이터 세트들을 획득함- 이때, 복수의 데이터 세트들 각각은 심장 관련 생체 정보 및 갑상선 관련 호르몬의 농도를 포함하며, 상기 심장 관련 생체 정보는 대상의 심장이 수축하고 이완하는 특성을 반영하는 정보이며, 상기 갑상선 관련 호르몬의 농도는 대상의 혈액으로부터 측정된 free T3농도, free T4 농도, TSH 농도 중 적어도 하나이며, 상기 심장 관련 생체 정보 및 상기 갑상선 관련 호르몬의 농도는 동일한 환자로부터 동일한 검사시점에 획득된 것임 -, 상기 획득된 복수의 데이터 세트들 각각에 대하여 전처리를 수행하여, 복수의 입력 데이터 세트들를 생성함- 이때, 상기 전처리는 상기 복수의 데이터 세트들 각각을 구성하는 심장 관련 생체 정보들 로부터 미리 정해진 기준에 따라 일부를 선택하는 것을 포함함 -, 및 상기 획득된 복수의 데이터 세트들 각각에 대하여, 복수의 라벨링 데이터들을 생성함 - 이때, 상기 복수의 라벨링 데이터 각각은 대응되는 데이터 세트들을 구성하는 갑상선 관련 호르몬 농도에 의해 결정되며, 상기 복수의 라벨링 데이터들은 갑상선 항진증 및 갑상선 기능 정상 중 하나로 결정됨-을 수행하여 획득되고,
상기 대상 환자의 갑상선 기능 상태에 대한 예측 결과는 상기 모니터링 입력 데이터가 상기 학습된 인공지능 모델에 의해 처리된 결과인
대상 환자의 갑상선 기능 상태를 예측하는 방법.
A method of predicting the thyroid function state of a subject patient performed by a server, comprising:
Obtain an artificial intelligence model trained to output one of the following output values: hyperthyroidism and normal thyroid function;
Obtaining monitoring heart-related biometric information of the target patient - at this time, the monitoring heart-related biometric information is acquired from a wearable watch, wearable band, or patch type device -;
Generating monitoring input data by performing preprocessing on the monitoring heart-related biometric information of the target patient; and
Applying the monitoring input data to the learned artificial intelligence model to obtain a prediction result for the thyroid function state of the target patient - At this time, the prediction result for the thyroid function state of the target patient is hyperthyroidism and thyroid function. Output as one of the normal -; Contains,
The learned artificial intelligence model is learned using a plurality of input data sets and labeling data corresponding to each of the plurality of input data sets,
The plurality of input data sets and the labeling data are,
Based on biometric information obtained from multiple patients, multiple data sets are obtained - where each of the plurality of data sets includes heart-related biometric information and the concentration of thyroid hormones, and the heart-related biometric information It is information that reflects the characteristics of the subject's heart contracting and relaxing, and the concentration of the thyroid hormone is at least one of free T3 concentration, free T4 concentration, and TSH concentration measured from the subject's blood, and the heart-related biometric information and the above The concentration of thyroid-related hormones is obtained from the same patient at the same time of examination - Preprocessing is performed on each of the obtained plurality of data sets to generate a plurality of input data sets - At this time, the preprocessing is performed on the plurality of data sets. Including selecting some according to predetermined criteria from the heart-related biometric information constituting each of the data sets -, and generating a plurality of labeling data for each of the obtained plurality of data sets - At this time, , each of the plurality of labeling data is determined by the concentration of thyroid-related hormones constituting the corresponding data sets, and the plurality of labeling data is determined as one of hyperthyroidism and normal thyroid function - is obtained by performing,
The prediction result for the target patient's thyroid function status is the result of the monitoring input data being processed by the learned artificial intelligence model.
Methods for predicting the thyroid function status of target patients.
복수 환자들로부터 획득된 생체 정보들과 상기 대상 환자의 모니터링 심장 관련 생체 정보는 서로 다른 심장 관련 생체 정보 측정 장치로부터 획득되는
대상 환자의 갑상선 기능 상태를 예측하는 방법.
According to claim 16,
Biometric information acquired from multiple patients and monitoring heart-related biometric information of the target patient are obtained from different heart-related biometric information measurement devices.
Methods for predicting the thyroid function status of target patients.
복수 환자들로부터 획득된 생체 정보들은 병원에서 제공되는 디바이스에 의해 측정되되, 상기 대상 환자의 모니터링 심장 관련 생체 정보는 상기 대상 환자의 개인용 웨어러블 워치, 웨어러블 밴드 또는 패치 타입 디바이스로부터 획득되는
대상 환자의 갑상선 기능 상태를 예측하는 방법.
According to claim 17,
Biometric information acquired from multiple patients is measured by a device provided at the hospital, and the monitoring heart-related biometric information of the target patient is obtained from the target patient's personal wearable watch, wearable band, or patch-type device.
Methods for predicting the thyroid function status of target patients.
상기 모니터링 심장 관련 생체 정보에 대한 전처리는 상기 모니터링 심장 관련 생체 정보 중 미리 정해진 기간에 대응되는 심장 관련 생체 정보들을 선택하되, 상기 미리 정해진 기간 내의 모든 심장 관련 생체 정보를 선택하는 것을 포함하는
대상 환자의 갑상선 기능 상태를 예측하는 방법.
According to claim 16,
The preprocessing of the monitored heart-related biometric information includes selecting heart-related biometric information corresponding to a predetermined period among the monitored heart-related biometric information, and selecting all heart-related biometric information within the predetermined period.
Methods for predicting the thyroid function status of target patients.
상기 모니터링 심장 관련 생체 정보에 대한 전처리는 상기 모니터링 심장 관련 생체 정보 중 미리 정해진 기간에 대응되는 심장 관련 생체 정보들을 선택하되, 상기 미리 정해진 기간 외의 심장 관련 생체 정보를 제거하는 것을 포함하는
대상 환자의 갑상선 기능 상태를 예측하는 방법.
According to claim 16,
The preprocessing of the monitored heart-related biometric information includes selecting heart-related biometric information corresponding to a predetermined period among the monitored heart-related biometric information, but removing heart-related biometric information outside the predetermined period.
Methods for predicting the thyroid function status of target patients.
상기 모니터링 심장 관련 생체 정보들은 미리 정해진 기간에 대한 시간 값들 각각에 대응되는 심장 관련 생체 정보들을 포함하는 시계열 데이터로 획득되며,
상기 모니터링 입력 데이터는 미리 정해진 포맷으로 생성되며,
상기 미리 정해진 포맷의 모니터링 입력 데이터는 적어도 제1 심장 관련 생체 정보값 및 제2 심장 관련 생체 정보 값을 포함하고, 상기 제1 심장 관련 생체 정보 값과 사이 제2 심장 관련 생체 정보 값은 다른
대상 환자의 갑상선 기능 상태를 예측하는 방법.
According to claim 16,
The monitored heart-related biometric information is obtained as time series data including heart-related biometric information corresponding to each time value for a predetermined period,
The monitoring input data is generated in a predetermined format,
The monitoring input data in the predetermined format includes at least a first heart-related biometric information value and a second heart-related biometric information value, and the second heart-related biometric information value between the first heart-related biometric information value is different from the other.
Methods for predicting the thyroid function status of target patients.
상기 제1 심장 관련 생체 정보 값은
상기 시계열 데이터의 평균과 관련된 심장 관련 생체 정보 값, 상기 시계열 데이터의 표준편차와 관련된 심장 관련 생체 정보 값, 상기 시계열 데이터의 왜도와 관련된 심장 관련 생체 정보 값, 상기 시계열 데이터의 첨도와 관련된 심장 관련 생체 정보 값 또는 상기 시계열 데이터의 JS Divergence 와 관련된 심장 관련 생체 정보 값 중 어느 하나이고,
상기 제2 심장 관련 생체 정보 값은
상기 시계열 데이터의 평균과 관련된 심장 관련 생체 정보 값, 상기 시계열 데이터의 표준편차와 관련된 심장 관련 생체 정보 값, 상기 시계열 데이터의 왜도와 관련된 심장 관련 생체 정보 값, 상기 시계열 데이터의 첨도와 관련된 심장 관련 생체 정보 값 또는 상기 시계열 데이터의 JS Divergence 와 관련된 심장 관련 생체 정보 값 중 다른 하나인
대상 환자의 갑상선 기능 상태를 예측하는 방법.
According to claim 21,
The first heart-related biometric information value is
A heart-related biometric information value related to the average of the time series data, a heart-related biometric information value related to the standard deviation of the time series data, a heart-related biometric information value related to the skewness of the time series data, and a heart-related biometric information value related to the kurtosis of the time series data. It is either an information value or a heart-related biometric information value related to JS Divergence of the time series data,
The second heart-related biometric information value is
A heart-related biometric information value related to the average of the time series data, a heart-related biometric information value related to the standard deviation of the time series data, a heart-related biometric information value related to the skewness of the time series data, and a heart-related biometric information value related to the kurtosis of the time series data. Another one of the information value or the heart-related biometric information value related to the JS Divergence of the time series data
Methods for predicting the thyroid function status of target patients.
트리거 신호를 획득함; 및
상기 트리거 신호에 기초하여 대상일을 결정함;을 더 포함하되,
상기 대상 환자의 모니터링 심장 관련 생체 정보를 획득함은,
상기 트리거 신호의 획득에 대응하여 수행되고,
상기 대상 환자의 갑상선 기능 상태에 대한 예측 결과는 상기 결정된 대상일에 대한 결과인
대상 환자의 갑상선 기능 상태를 예측하는 방법.
According to claim 16,
Acquire trigger signal; and
It further includes; determining the target date based on the trigger signal,
Obtaining monitoring heart-related biometric information of the target patient,
Performed in response to acquisition of the trigger signal,
The prediction result for the thyroid function status of the target patient is the result for the determined target date.
Methods for predicting the thyroid function status of target patients.
트리거 신호를 획득함; 및
상기 트리거 신호에 기초하여 대상일을 결정함; 및
획득된 상기 대상 환자의 모니터링 심장 관련 생체 정보 중 상기 결정된 대상일에 대응되는 모니터링 심장 관련 생체 정보를 선택함;을 더 포함하는
대상 환자의 갑상선 기능 상태를 예측하는 방법.According to claim 16,
Acquire trigger signal; and
determining a target date based on the trigger signal; and
Selecting the monitoring heart-related biometric information corresponding to the determined target date among the obtained monitoring heart-related biometric information of the target patient; further comprising:
Methods for predicting the thyroid function status of target patients.
Applications Claiming Priority (4)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR20210099606 | 2021-07-29 | ||
| KR1020210099606 | 2021-07-29 | ||
| PCT/KR2022/011163 WO2023008938A1 (en) | 2021-07-29 | 2022-07-29 | Thyroid dysfunction prediction method and system for subject |
| KR1020237008885A KR20240029727A (en) | 2021-07-29 | 2022-07-29 | Method and system for predicting thyroid dysfunction for subject |
Related Parent Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020237008885A Division KR20240029727A (en) | 2021-07-29 | 2022-07-29 | Method and system for predicting thyroid dysfunction for subject |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| KR20240009534A KR20240009534A (en) | 2024-01-22 |
| KR102674339B1 true KR102674339B1 (en) | 2024-06-12 |
Family
ID=89720082
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020247000978A KR102674339B1 (en) | 2021-07-29 | 2022-07-29 | Method and system for predicting thyroid dysfunction for subject |
Country Status (1)
| Country | Link |
|---|---|
| KR (1) | KR102674339B1 (en) |
Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106419848A (en) | 2016-10-21 | 2017-02-22 | 北京通和堂生物科技有限公司 | Device and method for monitoring thyroid function |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR102033696B1 (en) * | 2017-09-18 | 2019-10-21 | 서울대학교병원 | System for predicting thyrotoxicosis using a wearable device and computer program using the same |
-
2022
- 2022-07-29 KR KR1020247000978A patent/KR102674339B1/en active IP Right Grant
Patent Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106419848A (en) | 2016-10-21 | 2017-02-22 | 北京通和堂生物科技有限公司 | Device and method for monitoring thyroid function |
Also Published As
| Publication number | Publication date |
|---|---|
| KR20240009534A (en) | 2024-01-22 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US11129568B2 (en) | Non-invasive physiological quantification of stress levels | |
| Harvey et al. | Quest for the artificial pancreas: combining technology with treatment | |
| US11571170B2 (en) | Method for providing alert of potential thyroid abnormality | |
| EP4013297A1 (en) | Device and method for medical diagnostics | |
| US10376207B2 (en) | Calculating a current circadian rhythm of a person | |
| US20150148621A1 (en) | Methods and systems for creating a preventative care plan in mental illness treatment | |
| CN113520395A (en) | Real-time mental state assessment system and method | |
| CN113905663B (en) | Monitoring diagnosis and effectiveness of attention deficit hyperactivity disorder | |
| US20240225525A1 (en) | Thyroid function monitoring method according to medication, and monitoring server and user terminal performing the same | |
| KR102511453B1 (en) | Method and system for predicting thyroid dysfunction in subjects | |
| KR20210097512A (en) | Method for predicting user heart state using active state of ppg and rest state of ppg | |
| KR102674339B1 (en) | Method and system for predicting thyroid dysfunction for subject | |
| EP3957244A1 (en) | Method for detection of a relapse into a depression or mania state based on activity data and/or data obtained by questioning the patient | |
| EP3460808A1 (en) | Determining patient status based on measurable medical characteristics | |
| Kaufman | Proportional-integral control in the evaluation of glucose homeostasis and Type 2 Diabetes | |
| Graves | Timing of dysregulation in rest-activity rhythm and depression symptom severity in dementia caregivers | |
| JP2023546174A (en) | System and method for analyzing brain activity | |
| CN117119957A (en) | Diagnosis of anxiety and depressive disorders and monitoring of effectiveness of drug treatment | |
| IT202100001229A1 (en) | PRECISION PREVENTION SYSTEM | |
| Sumitani et al. | Clinical effect of real time pulse rate monitoring with a portable pulsimeter on physical exercise therapy for male patients with type 2 diabetes | |
| Xu et al. | Mobile and Computational Health | |
| Bonnett | Prognostic factors for epilepsy |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| A107 | Divisional application of patent | ||
| A302 | Request for accelerated examination | ||
| E902 | Notification of reason for refusal | ||
| E701 | Decision to grant or registration of patent right |