KR20060009861A - 질환 예후 모델의 작성 방법, 이 모델을 이용한 질환 예후예측 방법, 이 모델에 의한 예후 예측 장치, 및 그의프로그램ㆍ기억 매체 - Google Patents
질환 예후 모델의 작성 방법, 이 모델을 이용한 질환 예후예측 방법, 이 모델에 의한 예후 예측 장치, 및 그의프로그램ㆍ기억 매체 Download PDFInfo
- Publication number
- KR20060009861A KR20060009861A KR1020057020055A KR20057020055A KR20060009861A KR 20060009861 A KR20060009861 A KR 20060009861A KR 1020057020055 A KR1020057020055 A KR 1020057020055A KR 20057020055 A KR20057020055 A KR 20057020055A KR 20060009861 A KR20060009861 A KR 20060009861A
- Authority
- KR
- South Korea
- Prior art keywords
- disease
- prognosis
- clinical
- model
- clinical chemistry
- Prior art date
Links
- 201000010099 disease Diseases 0.000 title claims abstract description 63
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 title claims abstract description 63
- 238000004393 prognosis Methods 0.000 title claims abstract description 54
- 238000000034 method Methods 0.000 title claims description 35
- 238000012360 testing method Methods 0.000 claims description 53
- 108010063628 acarboxyprothrombin Proteins 0.000 claims description 28
- 238000003066 decision tree Methods 0.000 claims description 23
- 238000013507 mapping Methods 0.000 claims description 15
- 238000005259 measurement Methods 0.000 claims description 14
- 208000019423 liver disease Diseases 0.000 claims description 13
- 238000012545 processing Methods 0.000 claims description 5
- 238000007705 chemical test Methods 0.000 claims 1
- 238000004519 manufacturing process Methods 0.000 claims 1
- 239000003041 laboratory chemical Substances 0.000 abstract 5
- 230000004083 survival effect Effects 0.000 description 16
- 201000007270 liver cancer Diseases 0.000 description 12
- 208000014018 liver neoplasm Diseases 0.000 description 12
- 238000009534 blood test Methods 0.000 description 7
- 238000007418 data mining Methods 0.000 description 7
- 238000003745 diagnosis Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 5
- 239000003550 marker Substances 0.000 description 5
- 208000005176 Hepatitis C Diseases 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 239000000969 carrier Substances 0.000 description 3
- 238000007689 inspection Methods 0.000 description 3
- 230000007704 transition Effects 0.000 description 3
- 102000009027 Albumins Human genes 0.000 description 2
- 108010088751 Albumins Proteins 0.000 description 2
- BPYKTIZUTYGOLE-IFADSCNNSA-N Bilirubin Chemical compound N1C(=O)C(C)=C(C=C)\C1=C\C1=C(C)C(CCC(O)=O)=C(CC2=C(C(C)=C(\C=C/3C(=C(C=C)C(=O)N\3)C)N2)CCC(O)=O)N1 BPYKTIZUTYGOLE-IFADSCNNSA-N 0.000 description 2
- 206010016654 Fibrosis Diseases 0.000 description 2
- 102000006395 Globulins Human genes 0.000 description 2
- 108010044091 Globulins Proteins 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- HVYWMOMLDIMFJA-DPAQBDIFSA-N cholesterol Chemical compound C1C=C2C[C@@H](O)CC[C@]2(C)[C@@H]2[C@@H]1[C@@H]1CC[C@H]([C@H](C)CCCC(C)C)[C@@]1(C)CC2 HVYWMOMLDIMFJA-DPAQBDIFSA-N 0.000 description 2
- 230000007882 cirrhosis Effects 0.000 description 2
- 208000019425 cirrhosis of liver Diseases 0.000 description 2
- DDRJAANPRJIHGJ-UHFFFAOYSA-N creatinine Chemical compound CN1CC(=O)NC1=N DDRJAANPRJIHGJ-UHFFFAOYSA-N 0.000 description 2
- 208000006454 hepatitis Diseases 0.000 description 2
- 206010073071 hepatocellular carcinoma Diseases 0.000 description 2
- 231100000844 hepatocellular carcinoma Toxicity 0.000 description 2
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- MGSRCZKZVOBKFT-UHFFFAOYSA-N thymol Chemical compound CC(C)C1=CC=C(C)C=C1O MGSRCZKZVOBKFT-UHFFFAOYSA-N 0.000 description 2
- 238000011144 upstream manufacturing Methods 0.000 description 2
- 208000007788 Acute Liver Failure Diseases 0.000 description 1
- 206010000804 Acute hepatic failure Diseases 0.000 description 1
- 102100027211 Albumin Human genes 0.000 description 1
- 102000002260 Alkaline Phosphatase Human genes 0.000 description 1
- 108020004774 Alkaline Phosphatase Proteins 0.000 description 1
- OYPRJOBELJOOCE-UHFFFAOYSA-N Calcium Chemical compound [Ca] OYPRJOBELJOOCE-UHFFFAOYSA-N 0.000 description 1
- ZAMOUSCENKQFHK-UHFFFAOYSA-N Chlorine atom Chemical compound [Cl] ZAMOUSCENKQFHK-UHFFFAOYSA-N 0.000 description 1
- 102000003914 Cholinesterases Human genes 0.000 description 1
- 108090000322 Cholinesterases Proteins 0.000 description 1
- 208000017667 Chronic Disease Diseases 0.000 description 1
- 206010008909 Chronic Hepatitis Diseases 0.000 description 1
- DGAQECJNVWCQMB-PUAWFVPOSA-M Ilexoside XXIX Chemical compound C[C@@H]1CC[C@@]2(CC[C@@]3(C(=CC[C@H]4[C@]3(CC[C@@H]5[C@@]4(CC[C@@H](C5(C)C)OS(=O)(=O)[O-])C)C)[C@@H]2[C@]1(C)O)C)C(=O)O[C@H]6[C@@H]([C@H]([C@@H]([C@H](O6)CO)O)O)O.[Na+] DGAQECJNVWCQMB-PUAWFVPOSA-M 0.000 description 1
- 102000003855 L-lactate dehydrogenase Human genes 0.000 description 1
- 108700023483 L-lactate dehydrogenases Proteins 0.000 description 1
- 102000002704 Leucyl aminopeptidase Human genes 0.000 description 1
- 108010004098 Leucyl aminopeptidase Proteins 0.000 description 1
- 206010028980 Neoplasm Diseases 0.000 description 1
- ZLMJMSJWJFRBEC-UHFFFAOYSA-N Potassium Chemical compound [K] ZLMJMSJWJFRBEC-UHFFFAOYSA-N 0.000 description 1
- 239000005844 Thymol Substances 0.000 description 1
- 238000008050 Total Bilirubin Reagent Methods 0.000 description 1
- 241000700605 Viruses Species 0.000 description 1
- PNNCWTXUWKENPE-UHFFFAOYSA-N [N].NC(N)=O Chemical compound [N].NC(N)=O PNNCWTXUWKENPE-UHFFFAOYSA-N 0.000 description 1
- 231100000836 acute liver failure Toxicity 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 239000008280 blood Substances 0.000 description 1
- 210000004369 blood Anatomy 0.000 description 1
- 239000011575 calcium Substances 0.000 description 1
- 229910052791 calcium Inorganic materials 0.000 description 1
- 239000000460 chlorine Substances 0.000 description 1
- 229910052801 chlorine Inorganic materials 0.000 description 1
- 235000012000 cholesterol Nutrition 0.000 description 1
- 229940048961 cholinesterase Drugs 0.000 description 1
- 230000001684 chronic effect Effects 0.000 description 1
- 229940109239 creatinine Drugs 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000002440 hepatic effect Effects 0.000 description 1
- 231100000283 hepatitis Toxicity 0.000 description 1
- 208000002672 hepatitis B Diseases 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 239000011591 potassium Substances 0.000 description 1
- 229910052700 potassium Inorganic materials 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 102000004169 proteins and genes Human genes 0.000 description 1
- 108090000623 proteins and genes Proteins 0.000 description 1
- 239000011734 sodium Substances 0.000 description 1
- 229910052708 sodium Inorganic materials 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 229960000790 thymol Drugs 0.000 description 1
- 238000002054 transplantation Methods 0.000 description 1
- 210000002700 urine Anatomy 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/22—Social work or social welfare, e.g. community support activities or counselling services
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16B—BIOINFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR GENETIC OR PROTEIN-RELATED DATA PROCESSING IN COMPUTATIONAL MOLECULAR BIOLOGY
- G16B20/00—ICT specially adapted for functional genomics or proteomics, e.g. genotype-phenotype associations
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16B—BIOINFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR GENETIC OR PROTEIN-RELATED DATA PROCESSING IN COMPUTATIONAL MOLECULAR BIOLOGY
- G16B40/00—ICT specially adapted for biostatistics; ICT specially adapted for bioinformatics-related machine learning or data mining, e.g. knowledge discovery or pattern finding
- G16B40/20—Supervised data analysis
-
- 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
- G16H50/50—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for simulation or modelling of medical disorders
-
- G—PHYSICS
- 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
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16B—BIOINFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR GENETIC OR PROTEIN-RELATED DATA PROCESSING IN COMPUTATIONAL MOLECULAR BIOLOGY
- G16B40/00—ICT specially adapted for biostatistics; ICT specially adapted for bioinformatics-related machine learning or data mining, e.g. knowledge discovery or pattern finding
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Public Health (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Databases & Information Systems (AREA)
- Epidemiology (AREA)
- Biomedical Technology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Primary Health Care (AREA)
- Pathology (AREA)
- Theoretical Computer Science (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Biophysics (AREA)
- Biotechnology (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Bioethics (AREA)
- Chemical & Material Sciences (AREA)
- Business, Economics & Management (AREA)
- Molecular Biology (AREA)
- Genetics & Genomics (AREA)
- Analytical Chemistry (AREA)
- Proteomics, Peptides & Aminoacids (AREA)
- Tourism & Hospitality (AREA)
- Child & Adolescent Psychology (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Strategic Management (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Investigating Or Analysing Biological Materials (AREA)
Abstract
본 발명은 컴퓨터를 이용하여 소정 질환의 임상 화학 검사치로부터 해당 질환에 대한 예후를 예측하는 모델을 작성함에 있어서, 컴퓨터에 해당 질환의 복수의 임상 화학 검사 실측치와 예후의 실측치를 입력하고, 이들을 데이타 마이닝 프로그램에 의해 처리하여, 상기 질환의 예후에 영향이 있는 임상 화학 검사 항목을 복수개 결정하고, 이들 복수의 항목의 상기 예후에 대한 우선도를 결정하여, 이 우선도에 기초하여 복수의 임상 화학 검사 항목 및 임상 화학 검사치 범위와 상기 예후 예측치와의 상관 관계를 규정한 판단 루틴을 확립하여, 이 판단 루틴을 상기 모델로 한 질환 예후 예측 모델에 관한 것이다.
데이타 마이닝 프로그램, 판단 루틴, 질환 예후 예측 모델, 디시젼 트리
Description
본 발명은 질환의 예후를 예측하는 모델, 및 이것을 이용한 예측 방법에 관한 것이다.
일본에는 약 200만명의 HCV 보균자, 약 100만명의 HBV 보균자가 존재한다. 이들 보균자의 일부는 장기간에 걸쳐 만성 간염이나 간 경변으로 진행되며, 간암을 발병시켜 사망에 이르게 된다.
간 질환이나 간암의 진단의 제1은 화상 진단인데, 약값이 비싸고 특수한 기기와 기술이 필요하다. 임상 화학 검사에 의한 혈액 검사도 이들 질환 진단에 적용되지만, 화상 진단의 보조에 불과하다.
간 질환이나 간암의 혈액 검사 소견 중 하나로서 PIVKA의 측정이 있다. 간 질환에 따라 혈액 중에 PIVKA가 출현하는 것이 발견되며, 종래 간 세포 암의 좋은 마커가 되었던 α-헵토프로테인이 음성인 간 세포 암 환자에 있어서도 PIVKA-II가 높은 빈도로 출현함으로써 PIVKA가 간암인 종양 마커로서 확립되어 있다.
HCV, HBV나 진행형의 간암은 만성형 질환이며, 그 치료의 주체는 예후의 연장이다. 종래 이들 간 질환 환자의 예후나 여명(餘命)을 예측하는 것은, 화상 진단 결과로부터 담당의가 자신의 경험에 기초하였다. 따라서, 정확한 예후(여명을 포함함)의 예측이 곤란하였다.
따라서, 본 발명은 임상 화학 검사치로부터 질환의 예후를 정확하게 예측하는 모델을 구축하고, 이 모델에 기초하여 질환의 예후를 정확하게 예측하는 방법을 제공하는 것을 목적으로 하는 것이다.
본 발명자들은 혈액 검사 소견과 질환의 예후, 예를 들면 여명의 실측치를 데이타 마이닝 등의 데이타 처리 방법을 이용하여 분석함으로써 이미 상술한 모델을 구축하였다. 데이타 마이닝이란 과거의 데이타를 분석하여, 그 안에서 유효한 규칙성을 발견하여 중요한 의사 결정 지원을 촉진하는 선진적 정보 해석 시스템이며, 금융 비즈니스 유통 분야에서 확립되어 널리 도입되고 있는 방법이다. 종래의 통계적 방법은 한정된 샘플수를 이용하여 가설을 검증하는 방법이기 때문에 망라성, 신속성에 있어서 난점이 있지만, 데이타 마이닝에서는 방대한 데이타로부터 망라적으로 고속 탐색을 행하여 정밀한 해석이 가능하다.
임상 화학 검사 소견과 예후(예를 들면, 여명)의 실측치를 비교 검토하여 질환의 예후에 미치는 임상 화학 검사 항목의 우열을 구하고, 보다 우위의 임상 화학 검사 항목을 상류측에 둔 판단 분지 루틴을 구성하여, 이 판단 분지 루틴에 임상 화학 검사 항목의 측정치를 적용함으로써 예후의 예측(예후의 확실성)을 얻을 수 있다.
본 발명은 이러한 사실에 의해 이루어진 것이며, 컴퓨터를 이용하여 소정 질환의 임상 화학 검사치로부터 해당 질환에 대한 예후를 예측하는 모델을 작성하는 방법이며, 컴퓨터에 해당 질환의 복수의 임상 화학 검사 실측치와 예후의 실측치를 입력하고, 이들을 데이타 마이닝 프로그램에 의해 처리하여, 상기 질환의 예후에 영향이 있는 임상 화학 검사 항목을 하나 또는 복수개 결정하고, 해당 항목이 복수개인 경우에는 이들 항목의 상기 예후에 대한 우선도를 결정하여, 이 우선도에 기초하여 복수의 임상 화학 검사 항목 및 이 검사 항목의 임상 화학 검사치 범위와, 상기 예후 예측치와의 상관 관계를 규정한 판단 루틴을 확립하여, 이 판단 루틴을 상기 모델로 한 질환 예후 예측 모델의 작성 방법인 것을 특징으로 하는 것이다.
본 발명의 바람직한 형태에 있어서, 상기 판단 루틴은 복수의 기회 사상(事象) 노드를 상기 임상 화학 검사 항목 및 임상 화학 검사 측정치 범위로 하고, 이 기회 사상 노드에 대응한 복수의 예후 예측치를 종단 노드로 한 디시젼 트리 (decision tree)이다. 또한, 상술한 판단 루틴에 기초하여 질환명과 상기 복수의 임상 화학 검사 화학 측정치로부터 해당 질환의 예후를 예측할 수 있다.
또한, 본 발명의 다른 발명은 컴퓨터를 이용하여 임상 검사 화학 데이타로부터 해당 질환에 대한 예후를 예측하는 방법에 있어서, 컴퓨터에는 청구항 1 또는 2에 기재된 판단 루틴이 기억되어 예후 예측 대상의 질환명, 해당 질환에 대한 임상 화학 검사 측정치를 컴퓨터에 입력하고, 이 입력치를 상기 판단 루틴에 기초하여 상기 질환의 예후 예측치를 구하도록 구성된 질환 예후 예측 방법이다. 또한, 본 발명의 다른 발명은 컴퓨터를 구비한 임상 화학 검사치로부터 해당 질환에 대한 예후를 예측하는 장치에 있어서, 상기 컴퓨터는 이미 상술한 판단 루틴을 기억하는 메모리와, 예후 예상 대상의 질환명 및 해당 질환에 대한 임상 화학 검사 측정치를 입력하는 입력 수단과, 이 입력치를 상기 판단 루틴에 적용하여 상기 질환의 예후 예측치를 구하는 예후 예측치 취득 수단과, 이 예후 예측치를 표시 수단에 표시시키기 위한 표시 처리 수단을 구비하는 질환 예후 예측 장치이다.
또한, 본 발명의 다른 발명은, 상기 각 수단을 컴퓨터에 실행시키기 위한 해당 컴퓨터에 판독 가능한 프로그램이며, 이 프로그램이 기억된 기억 매체이다.
본 발명이 적용되는 대상 중 하나로 간 질환이 있으며, 상기 최우선의 임상 화학 검사 항목이 PIVKA에 관한 것이다. 상기 판단 루틴은 복수의 기회 사상 노드를 상기 임상 화학 검사 항목 및 임상 화학 검사 측정치 범위로 하고, 이 기회 사상 노드에 대응한 복수의 예후 예측치를 종단 노드로 한 디시젼 트리이다. 상기 디시젼 트리의 기회 사상 노드에는 환자 정보가 포함되어 있다. 또한, 본 발명은 이미 상술한 디시젼 트리를 구성하는 데이타군인 것을 특징으로 한다. 이 데이타는 기억 매체로서의 CD, DVD, HD 등에 기록 가능하다.
또한, 본 발명은 질환을 지표하는 임상 검사 항목의 복수의 환자에 관한 검사 결과와, 각 환자의 해당 질환에 관한 실제 예후와의 관계에 기초하여 통계 처리된 모델에 의해, 어떤 환자의 해당 질환의 현재의 상기 임상 검사 항목에 관한 검사치로부터 해당 환자의 상기 질환에 관한 예후를 예측하는 방법이다. 이 검사 항목의 일례가 PIVKA에 관한 것이다. 상기 판단 루틴의 과정에서, 상기 임상 검사 항목의 우선도가 그 때마다 결정되도록 하였다. 상기 질환이 간 질환에 관한 것이고, 최상위의 사상 노드를 PIVKA의 임상 검사치에 관한 임계치로 설정하였다. 여명 연수별 상기 모델에 기초하여 PIVKA를 최우선 노드로 한 여명 예측을 행할 때, 여명 연수별 PIVKA의 기준치가 설정되어 있게 하였다.
본 발명에 따르면, 간 질환에서의 예후를 예측하는 데 있어서, 최우선의 임상 화학 검사 항목(제1 선택의 진단 마커)이 PIVKA인 것을 알 수 있었다. 따라서, 본 발명은 환자 데이타(연령, 체중, 성별, MRI 등의 화상 데이타, 임상 화학 측정치, 혈액 검사 소견 등)를 질환 예후에 미치는 영향도에 따라 분류시키는 방법에 의해 환자의 실측 데이타로부터 질환 예후를 예측하는 방법을 제공하는 것이다.
도 1은 본 발명의 방법을 실시하기 위한 하드웨어 블럭도이다.
도 2는 본 발명에 의해 얻어진 디시젼 트리를 나타낸 계통도이다.
도 3은 본 발명에 관한 기능 블럭도이다.
<발명을 실시하기 위한 최선의 형태>
1990년부터 2002년의 기간 동안, 간 질환이 원인으로 사망한 환자 456명(남성 325명, 여성 131명, 평균 64세: 25 내지 92세)을 대상으로 하였다. 그 중 사망시 진단은 간암 346명, 간경변 만성 간부전 59명, 급성 간부전 14명, 기타 37명이었다.
환자 정보와 혈액 검사 소견(Alb, ALT, LDH, CHO, PIVKA 등 그 밖의 복수의 항목 한 개당 약 25000건)의 정보를 일본 IBM사 제조의 데이타ㆍ마이닝 기구인 「DB2 Intelligent Miner」(상품명)을 이용하여 분석하고, 검사 시점으로부터 1년 생존 여부의 1년 여명 판정 모델로서의 결정 나무(디시젼 트리)를 작성하였다.
디시젼 트리는 노드와 링크로 구성되며, 각 노드에는 분류되는 속성, 노드와 그 하위 노드를 연결하는 링크에는 속성치가 각각 대응되어 있다. 하위 노드에는 최상위 노드로부터의 링크 속성치에 의해 분류된 클래스를 표현한다.
속성이란 임상 화학 검사 항목ㆍ환자 개인 데이타 항목의 특정과 이 항목의 수치 범위의 특정(=, >, ≥, <, ≤, ≠, ≒ 등의 조건 부호에 의해 정의됨)으로부터, 예를 들어 구성되어 있다.
우선도에 기초하여 상위 노드와 하위 노드를 결정하고, 링크에는 범위가 정의되며, 종단 노드에는 예후 예측의 확실성이 정의된다. 또한, 이번의 사실에 따르면, 최상위 노드가 간암ㆍ간염인 경우에는 PIVKA와 관련되는 것임을 알 수 있었다. 따라서, 간암의 예후(여명)를 예측하는 경우에는 PIVKA의 혈액 검사 소견이 제1 선택 마커가 된다.
그 밖의 항목은 다음과 같다. 검사일, 사망일, 검사 연령, 사망 연령, 검사 예후, 검사로부터 며칠째에 사망했는가, 성별, 바이러스형, 병명, TP: 총 단백질, ALB: 알부민, GLB: 글로불린, A/G: 알부민과 글로불린의 비, TTT: 티몰, ZTT: 쿤켈, T-BIL: 총 빌리루빈, D-BIL: 빌리루빈 분획, GOT, GPT, LDH: 락테이트 데히드로게나제, ALP: 알칼린 포스파타제, γGTP: 감마 GTP, LAP: 류신 아미노펩티다제, CH-E: 콜린에스테라제, BUN: 뇨중 요소 질소, CREA: 크레아티닌, URICA, NA: 나트륨, CL: 클로린, K: 칼륨, CA: 칼슘, T-CHO: 총 콜레스테롤, AFP: α-펜토프로테인, PIVKA-II.
도 1은 본 발명에 관한 예후 예측 모델의 생성 방법ㆍ장치를 실현하기 위한 하드웨어 블럭도이며, 이들은 마이크로 컴퓨터로 구성된다. 마이크로 컴퓨터는 입력 수단(키보드 등) (1), 출력 수단(액정 모니터 등) (2), 컴퓨터 본체(메모리, CPU, I/O 등) (3)을 포함하고, 메모리에는 데이타 마이닝용 프로그램이 기억되어 있다.
입력 수단으로부터 이미 상술한 정보를 마이크로 컴퓨터 본체에 입력하여 분석한 결과, 검사 시점에서 (PIVKA>8255 mAU/ml)의 조건을 충족하면 93.9 ％, (1034<PIVKA<8255), (AFP>1215 ng/ml)의 두가지 조건을 충족하면 91.7 ％의 확률로 1년 이내에 사망하는 데 대하여, (PIVKA<1034), (CHO>102 mg/dl), (AFP<531.5)의 세가지 조건을 충족하면 85.5 ％의 확률로 1년 이상 생존하는 모델이 작성되었다.
이 모델은 도 2에 나타낸 디시젼 트리로 구성된다. 도 2에 있어서, 원형으로 표시되는 각 블럭 (20)은 기회 사상 노드이며, 사각으로 표시되는 각 블럭은 종단 노드 (22)이다. 이들 노드는 각각 복수개이며(20A, 20B ㆍㆍㆍㆍ, 22A, 22B ㆍㆍㆍㆍㆍ), 하나의 기회 사상 노드로부터 다른 기회 사상 노드 또는 종단 노드로 분지되어 있다.
기회 사상 노드의 원의 크기는 N(환자수)에 대응하며, 원 안의 사선부로 표시되는 영역(예: 기회 사상 노드 20A의 100)은 여명 1년 이하의 N의 비율, 사선으로 되어 있지 않은 영역(예: 기회 사상 노드 20A의 102)은 여명 1년 이상의 N의 비 율을 각각 나타낸다.
하나의 기회 사상 노드로부터 다른 사상 노드 또는 종단 노드로 분지되는 루트 중, 좌측의 루트는 기회 사상 노드의 비교치에 대한 긍정을 나타내고, 우측의 루트는 부정을 나타낸다. 예를 들면, 기회 사상 노드 20A의 PIVKA<586.5 mgAU/ml 가 긍정되면 기회 사상 노드 20B로 이행하고, 이것이 부정되면 기회 사상 노드 20G로 이행한다.
상기 종단 노드는 1년 생존 및 1년 이내 사망의 비율을 나타내는 것이기 때문에, 1년 이내 생존 확률을 지표한다. 또한, 기회 사상 노드의 2중원 내에 있어서, 내측의 사선 있음/사선 없음의 비율은 상기 기회 사상 노드에서의 1년 생존 여부 인수(人數)의 비율에 상당하고, 외측 원의 사선 있음/사선 없음의 비율은 바로 상류의 기회 사상에서의 1년 생존 여부 인수의 비율에 상당하며, 이들 비율을 곱한 수가 해당 사상의 판단 후 1년 생존/1년 이내 사망의 비율이 된다.
실제의 임상 데이타 및 환자 데이타(연령 등)와 예후(1년 후 사망 또는 생존)를 데이타 마이닝 방법에 의해 분석하면, 도 2와 같은 판단 나무가 얻어진다. 도 2로부터 명확한 바와 같이 간 질환ㆍ간암의 예후 예측 모델에 있어서, 가장 우선도가 높은 제1 선택 마커가 PIVKA의 측정치인 것을 알 수 있다.
이어서, 예후 예측 방법ㆍ장치에 대하여 설명한다. 이것은 도 1과 동일한 하드웨어에 의해 실현된다. 마이크로 컴퓨터 본체의 메모리에 이미 상술한 디시젼 트리에 대응하는 프로그램이 기억되어 있다.
도 3은 마이크로 컴퓨터 본체의 작동을 설명한 기능 블럭도이며, 예후 예상 대상의 질환명(C형 간염) 및 해당 질환에 대한 임상 화학 검사 측정치(이미 상술한 항목)를 입력하는 입력 수단과, 이 입력치를 상기 판단 루틴(디시젼 트리)에 적용하여 상기 질환의 예후 예측치를 구하는 예후 예측치 취득 수단과, 이 예후 예측치를 표시 수단에 표시시키기 위한 표시 처리 수단(액정 모니터)으로 구성되어 있다.
디시젼 트리를 이용한 예후 예측 방법에 대하여 설명한다. 환자 성명ㆍ환자 IDㆍ환자 성별ㆍ환자 연령 등 환자 정보와 각종 임상 화학 검사치를 마이크로 컴퓨터의 상기 입력 수단을 이용하여 입력한다. 마이크로 컴퓨터 본체의 CPU는 상기 입력 데이타를 메모리의 일부인 워크 RAM에 일시 기억함과 동시에, 이 기억 데이타에 도 2에 나타낸 디시젼 트리의 프로그램을 적용한다.
어떤 환자의 측정 데이타를 이용하여 C형 간염의 예후를 실제로 예측하는 경우에 대하여 설명한다. 컴퓨터의 입력 수단으로부터 환자 데이타와 임상 검사 소견을 컴퓨터 본체에 입력한다. 컴퓨터 본체의 CPU는 메모리에 있는 디시젼 트리에 상당하는 프로그램에 따라 여명 예측 처리를 행한다.
사상 노드 20A에 있어서 PIVKA<586.5(단위 생략, 이하 동일)가 긍정되면 사상 노드 20B로 이행하고, CH-E<0.225가 긍정되면 사상 노드 20J로 이행한다. 사상 노드 20J에 있어서 검사 연령<67.5이면 사상 노드 20C로 이행하여 CL<151.5가 판정된다. 이것이 긍정되면 종단 노드 22A로 이행하고, 이것이 부정되면 종단 노드 22B로 이행한다. 종단 노드 22A에서는 1년 후 생존(여명 1년 이상)이 거의 7할이고, 종단 노드에서는 이것의 거의 1할이 된다. 환자의 혈액 검사 소견으로부터 디시젼 트리의 판정 루트가 검색되고, 해당하는 종단 노드에 이르러 1년 후의 생존 확률이 결정되며, 이것이 예후의 예측치가 된다.
디시젼 트리에는 C형 간염 2년 여명의 판정의 디시젼 트리, C형 간염 5년 여명의 판정의 디시젼 트리 등 복수의 판정 루틴을 작성할 수 있다. 이것을 B형 간염이나 그 밖의 질환으로 확대시킬 수 있다. 어떤 환자에 대하여 모든 판정 루틴을 실행함으로써, 질환별로 여명 연수별 예후 예측치(생존 확률)가 본원 발명에 관한 예후 예측 방법ㆍ장치에 의해 산출 가능하다.
여기서 설명된 데이타 마이닝을 이용한 방법에 의해 간암 종양 마커의 절대치와 간 예비능이 간 질환 환자의 생존 기간에 기여하는 것이 확인되었다. 디시젼 트리 이외에 회전 대상 기저 함수(RBF: radial basis function)나 뉴럴 네트워크 (Neural Network)를 이용한 해석에서는 수시적인 검사치를 이용하여 앞으로 몇년 생존할 수 있는지에 대한 예후 예측 모델의 작성도 가능하다.
상기 모델에 기초하여 간암 환자로 좁혀 반년 생존, 1년 생존, 2년 생존의 순서로 예후 예측치를 구했더니, 모두 PIVKA가 가장 중요한 인자로서 추출되었으며, 각각 2028 mAU/ml, 1035 mAU/ml, 502 mAU/ml라는 기준치가 구해졌다. 따라서, PIVKA가 2000 mAU/ml이면 반년, 1000 mAU/ml이면 1년, 500 mAU/ml이면 2년의 생명 예후의 예측이 가능하다는 것이 확인되었다. 또한, 이 기준치는 이것으로 한정되지 않고 적절하게 변경된다. 이 기준치로부터 대략 말할 수 있는 것은 생존 연수의 길이와 PIVKA의 기준치는 반비례 관계에 있다는 점이다.
데이타 마이닝을 이용한 해석에 의해 질환의 자연 경과, 예후의 추정이 가능하며, 본 모델은 이식 의료의 적응 등 간 질환, 간암 환자의 치료 방법의 선택에 크게 기여한다.
또한, 도 2의 모델에서는 PIVKA 이외의 임상 검사 항목도 사상 노드에 채용하였지만, PIVKA 단독으로도 간암의 여명의 예측이 실제 결과와 거의 일치하는 것이 확인되었다.
Claims (16)
- 컴퓨터를 이용하여 소정 질환의 임상 화학 검사치로부터 해당 질환에 대한 예후를 예측하는 모델을 작성하는 방법이며, 컴퓨터에 해당 질환의 복수의 임상 화학 검사 실측치와 예후 실측치를 입력하고, 이들을 데이타 마이닝 프로그램에 의해 처리하여, 상기 질환의 예후에 영향이 있는 임상 화학 검사 항목을 하나 또는 복수개 결정하고, 해당 항목이 복수개인 경우에는 이들 항목의 상기 예후에 대한 우선도를 결정하여, 이 우선도에 기초하여 복수의 임상 화학 검사 항목 및 이 검사 항목의 임상 화학 검사치 범위와, 상기 예후 예측치와의 상관 관계를 규정한 판단 루틴을 확립하여, 이 판단 루틴을 상기 모델로 한 질환 예후 예측 모델의 작성 방법.
- 제1항에 있어서, 상기 판단 루틴이 복수의 기회 사상 노드를 상기 임상 화학 검사 항목 및 임상 화학 검사 측정치 범위로 하고, 이 기회 사상 노드에 대응한 복수의 예후 예측치를 종단 노드로 한 디시젼 트리(decision tree)인, 질환 예후 예측 모델의 작성 방법.
- 제1항 또는 제2항에 기재된 판단 루틴에 기초하여 질환명과 상기 복수의 임상 화학 검사 화학 측정치로부터 해당 질환의 예후를 예측하는 방법.
- 컴퓨터를 이용하여 임상 검사 화학 데이타로부터 해당 질환에 대한 예후를 예측하는 방법에 있어서, 컴퓨터에는 제1항 또는 제2항에 기재된 판단 루틴이 기억되고, 예후 예측 대상의 질환명, 해당 질환에 대한 임상 화학 검사 측정치를 컴퓨터에 입력하며, 이 입력치를 상기 판단 루틴에 기초하여 상기 질환의 예후 예측치를 구하도록 구성된 질환 예후 예측 방법.
- 컴퓨터를 구비한, 임상 화학 검사치로부터 해당 질환에 대한 예후를 예측하는 장치에 있어서, 상기 컴퓨터는 제1항 또는 제2항에 기재된 판단 루틴을 기억하는 메모리와, 예후 예상 대상의 질환명 및 해당 질환에 대한 임상 화학 검사 측정치를 입력하는 입력 수단과, 이 입력치를 상기 판단 루틴에 적용하여 상기 질환의 예후 예측치를 구하는 예후 예측치 취득 수단과, 이 예후 예측치를 표시 수단으로 표시시키기 위한 표시 처리 수단을 구비하는 질환 예후 예측 장치.
- 제5항에 기재된 각 수단을 컴퓨터에 실행시키기 위한 해당 컴퓨터에 판독 가능한 프로그램.
- 제6항에 기재된 프로그램이 기억된 기억 매체.
- 제2항에 있어서, 상기 질환이 간 질환이고, 상기 최우선 임상 화학 검사 항목이 PIVKA에 관한 것인 방법.
- 제3항 또는 제4항에 있어서, 상기 판단 루틴이 복수의 기회 사상 노드를 상기 임상 화학 검사 항목 및 임상 화학 검사 측정치 범위로 하고, 이 기회 사상 노드에 대응한 복수의 예후 예측치를 종단 노드로 한 디시젼 트리인 방법.
- 제9항에 있어서, 상기 디시젼 트리의 기회 사상 노드에는 환자 정보가 포함되어 있는 방법.
- 제2항에 기재된 디시젼 트리를 구성하는 데이타군.
- 질환을 지표하는 임상 검사 항목의 복수의 환자에 관한 검사 결과와, 각 환자의 해당 질환에 관한 실제 예후와의 관계에 기초하여 통계 처리된 모델에 의해, 어떤 환자의 해당 질환의 현재의 상기 임상 검사 항목에 관한 검사치로부터 해당 환자의 상기 질환에 관한 예후를 예측하는 방법.
- 제12항에 있어서, 상기 임상 검사 항목이 PIVKA에 관한 것인 방법.
- 제1항 또는 제4항에 있어서, 상기 판단 루틴의 과정에서, 상기 임상 검사 항목의 우선도가 그 때마다 결정되도록 한 방법.
- 제1항 또는 제4항에 있어서, 상기 질환이 간 질환에 관한 것이고, 최상위 사 상 노드를 PIVKA의 임상 검사치에 관한 임계치로 설정한 방법.
- 제13항에 있어서, 여명 연수별 상기 모델에 기초하여 PIVKA를 최우선 노드로 한 여명 예측을 행할 때, 여명 연수별 PIVKA의 기준치가 설정되어 있는 방법.
Applications Claiming Priority (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JPJP-P-2003-00118496 | 2003-04-23 | ||
| JP2003118496 | 2003-04-23 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| KR20060009861A true KR20060009861A (ko) | 2006-02-01 |
| KR100731693B1 KR100731693B1 (ko) | 2007-06-25 |
Family
ID=33308073
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020057020055A KR100731693B1 (ko) | 2003-04-23 | 2004-04-23 | 질환 예후 모델의 작성 방법, 이 모델을 이용한 질환 예후예측 방법, 이 모델에 의한 예후 예측 장치, 및 그의프로그램ㆍ기억 매체 |
Country Status (6)
| Country | Link |
|---|---|
| US (1) | US20070208514A1 (ko) |
| EP (1) | EP1617214A4 (ko) |
| JP (1) | JPWO2004095021A1 (ko) |
| KR (1) | KR100731693B1 (ko) |
| CN (1) | CN1777806B (ko) |
| WO (1) | WO2004095021A1 (ko) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103177179A (zh) * | 2011-12-21 | 2013-06-26 | 三星电子株式会社 | 诊断因素集合确定设备和方法 |
| WO2018169121A1 (ko) * | 2017-03-16 | 2018-09-20 | 사회복지법인 삼성생명공익재단 | 인공신경망을 이용한 활액막 육종의 예후 예측 방법, 장치 및 프로그램 |
| KR20190110381A (ko) * | 2018-03-20 | 2019-09-30 | 딜로이트컨설팅유한회사 | 임상시험 결과 예측 장치 및 방법 |
Families Citing this family (16)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20060154276A1 (en) * | 2004-05-13 | 2006-07-13 | Prometheus Laboratories Inc. | Methods of diagnosing inflammatory bowel disease |
| US7873479B2 (en) | 2005-12-01 | 2011-01-18 | Prometheus Laboratories Inc. | Methods of diagnosing inflammatory bowel disease |
| JP2010231308A (ja) * | 2009-03-26 | 2010-10-14 | Olympus Corp | 生活習慣病予防装置および生活習慣病予防プログラム |
| WO2010120814A1 (en) | 2009-04-14 | 2010-10-21 | Prometheus Laboratories Inc. | Inflammatory bowel disease prognostics |
| EP2732423A4 (en) * | 2011-07-13 | 2014-11-26 | Multiple Myeloma Res Foundation Inc | METHOD FOR DETECTING AND DISTRIBUTING DATA |
| MX352274B (es) | 2011-10-21 | 2017-11-16 | Nestec Sa | Metodos para mejorar el diagnostico de enfermedad inflamatoria intestinal. |
| JP2013148996A (ja) * | 2012-01-18 | 2013-08-01 | Osaka Univ | 重症度判定装置、及び、重症度判定方法 |
| CN103116713B (zh) * | 2013-02-25 | 2015-09-16 | 浙江大学 | 基于随机森林的化合物和蛋白质相互作用预测方法 |
| KR101515303B1 (ko) | 2013-10-15 | 2015-04-24 | 제너럴 일렉트릭 캄파니 | 환자 개인정보 히스토리 제공 방법, 서버 및 기록매체 |
| WO2016040732A1 (en) * | 2014-09-11 | 2016-03-17 | The Regents Of The University Of Michigan | Machine learning for hepatitis c |
| CN104462857B (zh) * | 2014-12-30 | 2018-09-07 | 天津迈沃医药技术股份有限公司 | 基于矩阵的疾病程度区分及检验项目的自我分析平台 |
| CN106022005B (zh) * | 2016-05-21 | 2019-02-05 | 安徽省农业科学院畜牧兽医研究所 | 一种连续性状和阈性状基因组育种值联合估计的贝叶斯方法 |
| CN106650284B (zh) * | 2016-12-30 | 2019-03-15 | 深圳先进技术研究院 | 一种疾病康复评价系统 |
| CN110163195A (zh) * | 2018-02-14 | 2019-08-23 | 中国医药大学附设医院 | 肝癌分群预测模型、其预测系统以及肝癌分群判断方法 |
| CN111383766A (zh) * | 2018-12-28 | 2020-07-07 | 中山大学肿瘤防治中心 | 计算机数据处理方法、装置、介质及电子设备 |
| JP6842628B1 (ja) * | 2019-11-12 | 2021-03-17 | 泉 永井 | 生存率推定システム、生存率推定方法、および、生存率推定プログラム |
Family Cites Families (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPH0720127A (ja) * | 1993-05-07 | 1995-01-24 | Eisai Co Ltd | 各種ｐｉｖｋａの測定方法および測定試薬 |
| AU1837495A (en) | 1994-10-13 | 1996-05-06 | Horus Therapeutics, Inc. | Computer assisted methods for diagnosing diseases |
| WO1997016114A1 (fr) * | 1995-11-01 | 1997-05-09 | Seiko Epson Corporation | Appareil pour mesurer l'etat d'un organisme vivant |
| KR19980025157A (ko) * | 1996-09-30 | 1998-07-06 | 스튜어트 알 슈더 | 질병 관리 방법 및 시스템 |
| AU6816998A (en) * | 1997-03-24 | 1998-10-20 | Queen's University At Kingston | Coincidence detection method, products and apparatus |
| WO1999024290A1 (en) * | 1997-11-12 | 1999-05-20 | Collins & Aikman Products Co. | Vibration dampening laminate |
| CA2347906A1 (en) * | 1998-08-04 | 2000-02-17 | Diadexus, Inc. | A novel method of diagnosing, monitoring, staging, imaging and treating breast cancer |
| JP2000067139A (ja) * | 1998-08-25 | 2000-03-03 | Hitachi Ltd | 電子カルテシステム |
| EP1109937B1 (en) * | 1998-09-02 | 2008-11-05 | Diadexus, Inc. | METHOD OF DIAGNOSING, MONITORING, STAGING, and IMAGING VARIOUS CANCERS |
| AU2002228000A1 (en) * | 2000-12-07 | 2002-06-18 | Europroteome Ag | Expert system for classification and prediction of genetic diseases |
| JP3579032B2 (ja) * | 2001-02-22 | 2004-10-20 | 三洋化成工業株式会社 | 血液中の腫瘍マーカー定量方法 |
| AU2002312565A1 (en) * | 2001-06-19 | 2003-01-02 | University Of Southern California | Therapeutic decisions systems and method using stochastic techniques |
-
2004
- 2004-04-23 EP EP04729294A patent/EP1617214A4/en not_active Ceased
- 2004-04-23 CN CN2004800107183A patent/CN1777806B/zh not_active Expired - Lifetime
- 2004-04-23 JP JP2005505806A patent/JPWO2004095021A1/ja active Pending
- 2004-04-23 US US10/553,426 patent/US20070208514A1/en not_active Abandoned
- 2004-04-23 WO PCT/JP2004/005915 patent/WO2004095021A1/ja active Application Filing
- 2004-04-23 KR KR1020057020055A patent/KR100731693B1/ko active IP Right Grant
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103177179A (zh) * | 2011-12-21 | 2013-06-26 | 三星电子株式会社 | 诊断因素集合确定设备和方法 |
| WO2018169121A1 (ko) * | 2017-03-16 | 2018-09-20 | 사회복지법인 삼성생명공익재단 | 인공신경망을 이용한 활액막 육종의 예후 예측 방법, 장치 및 프로그램 |
| KR20190110381A (ko) * | 2018-03-20 | 2019-09-30 | 딜로이트컨설팅유한회사 | 임상시험 결과 예측 장치 및 방법 |
Also Published As
| Publication number | Publication date |
|---|---|
| EP1617214A1 (en) | 2006-01-18 |
| JPWO2004095021A1 (ja) | 2006-07-13 |
| EP1617214A4 (en) | 2008-01-23 |
| WO2004095021A1 (ja) | 2004-11-04 |
| CN1777806A (zh) | 2006-05-24 |
| CN1777806B (zh) | 2010-09-01 |
| KR100731693B1 (ko) | 2007-06-25 |
| US20070208514A1 (en) | 2007-09-06 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| KR100731693B1 (ko) | 질환 예후 모델의 작성 방법, 이 모델을 이용한 질환 예후예측 방법, 이 모델에 의한 예후 예측 장치, 및 그의프로그램ㆍ기억 매체 | |
| Venkatesh et al. | Machine learning and statistical models to predict postpartum hemorrhage | |
| Jentzer et al. | Admission diagnosis and mortality risk prediction in a contemporary cardiac intensive care unit population | |
| Bennett et al. | Severity of illness assessment with application of the APACHE IV predicted mortality and outcome trends analysis in an academic cardiac intensive care unit | |
| Quan et al. | Coding algorithms for defining comorbidities in ICD-9-CM and ICD-10 administrative data | |
| Ouwerkerk et al. | Factors influencing the predictive power of models for predicting mortality and/or heart failure hospitalization in patients with heart failure | |
| Lee et al. | Prediction of heart failure mortality in emergent care: a cohort study | |
| Lacroix et al. | Severity of illness and organ dysfunction scoring in children | |
| Levy et al. | Development and validation of a survival calculator for hospitalized patients with COVID-19 | |
| US20200258639A1 (en) | Medical device and computer-implemented method of predicting risk, occurrence or progression of adverse health conditions in test subjects in subpopulations arbitrarily selected from a total population | |
| VanHouten et al. | Machine learning for risk prediction of acute coronary syndrome | |
| Jiang et al. | Prognostic nomogram for acute pancreatitis patients: an analysis of publicly electronic healthcare records in intensive care unit | |
| Vaid et al. | Machine learning to predict mortality and critical events in covid-19 positive new york city patients | |
| Huang et al. | Mortality prediction for patients with acute respiratory distress syndrome based on machine learning: a population-based study | |
| Jentzer et al. | Echocardiographic correlates of mortality among cardiac intensive care unit patients with cardiogenic shock | |
| US11676722B1 (en) | Method of early detection, risk stratification, and outcomes prediction of a medical disease or condition with machine learning and routinely taken patient data | |
| Gong et al. | A prediction and interpretation framework of acute kidney injury in critical care | |
| Chapin et al. | External validation of the FIPS score for post-TIPS mortality in a national veterans affairs cohort | |
| Martin-Rodriguez et al. | The prognostic value of prehospital blood lactate levels to predict early mortality in acute cardiovascular disease | |
| Henning et al. | Physician judgment and circulating biomarkers predict 28-day mortality in emergency department patients | |
| US20230223151A1 (en) | Identifying an individual's likelihood of having an acute heart failure | |
| Usher et al. | Patient heterogeneity and the J-curve relationship between time-to-antibiotics and the outcomes of patients admitted with bacterial infection | |
| US20220068492A1 (en) | System and method for selecting required parameters for predicting or detecting a medical condition of a patient | |
| Deng et al. | Characterizing risk of in-hospital mortality following subarachnoid hemorrhage using machine learning: a retrospective study | |
| Bresso et al. | Inductive database to support iterative data mining: Application to biomarker analysis on patient data in the Fight-HF project |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| A201 | Request for examination | ||
| E902 | Notification of reason for refusal | ||
| E701 | Decision to grant or registration of patent right | ||
| N231 | Notification of change of applicant | ||
| GRNT | Written decision to grant | ||
| FPAY | Annual fee payment |
Payment date: 20130607 Year of fee payment: 7 |
|
| FPAY | Annual fee payment |
Payment date: 20140610 Year of fee payment: 8 |
|
| FPAY | Annual fee payment |
Payment date: 20150605 Year of fee payment: 9 |
|
| FPAY | Annual fee payment |
Payment date: 20160613 Year of fee payment: 10 |
|
| FPAY | Annual fee payment |
Payment date: 20170609 Year of fee payment: 11 |