KR20100126365A

KR20100126365A - 임상적 판단을 지원할 수 있는 방법, 컴퓨터 프로그램 제품 및 시스템

Info

Publication number: KR20100126365A
Application number: KR1020107020068A
Authority: KR
Inventors: 에니카 오넬; 커스틴 월; 피터 포르스그렌; 애니타 코버
Original assignee: 파디아 에이비
Priority date: 2008-02-08
Filing date: 2009-02-06
Publication date: 2010-12-01
Also published as: CA2713602C; AU2009210848A1; RU2010137352A; NZ587241A; US8437963B2; US20100332143A1; EP2255308A4; AU2009210848B2; KR101635629B1; JP2011511297A; CN101971180A; CA2713602A1; WO2009099379A1; CN101971180B; EP2255308A1; RU2560423C2; JP5507471B2

Abstract

복수의 검사된 바이오마커에 대한 검사 결과에 기초해서 임상적 판단 지원을 가능하게 방법이 제공된다. 상기 방법은 데이터 감소 모듈(15)에 의해 실행되고, 검사 설비(11)로부터 검사 결과를 수신하는 단계; 이용 가능한 바이오마커들이 호스트들과 관련되어 있고, 적어도 하나의 호스트가 복수의 바이오마커와 관련되어 있는 미리 정해진 구조에 액세스하는 단계; 상기 복수의 검사된 바이오마커를 상기 미리 정해진 구조에 맵핑함으로써 호스트 세트를 인식하는 단계; 상기 호스트에 맵핑되는 상기 검사된 바이오마커(들)의 검사 결과에 기초하여 상기 호스트 세트 내의 각각의 호스트에, 제2 분해능의 값으로 제공되는 호스트 값을 할당하는 단계; 및 상기 임상적 판단 지원을 작성하기 위해 상기 호스트 세트 및 상기 할당된 호스트 값을 나타내는 입력 데이터를, 컴퓨터가 판독 가능한 판단 엔진(13)에 대한 입력에 제공하는 단계를 포함한다. 데이터 감소 모듈(15)은 시스템에 포함될 수 있고 PC 또는 웹 서버와 같은, 데이터 처리 장치에서 운용되는 컴퓨터가 판독 가능한 명령어에 의해 구현될 수 있다.

Description

임상적 판단을 지원할 수 있는 방법, 컴퓨터 프로그램 제품 및 시스템{METHOD, COMPUTER PROGRAM PRODUCT AND SYSTEM FOR ENABLING CLINICAL DECISION SUPPORT}

본 발명은 병의 진단에 관한 것이며, 환자의 다양한 바이오마커(biomarker), 통상적으로 혈액의 면역글로불린 수준에 대한 복수의 검사를 통해, 특히 알레르기 및/또는 자기 면역 질환의 진단에 관한 것이다. 구체적으로, 본 발명은 이러한 진단을 향상시키는 컴퓨터화된 도구에 관한 것이다.

병의 정확한 진단은 항상 보건에 있어서 기본 중의 하나이다. 진단하는 과정은 증상에 기반한 진단, 환자의 병력에 기반한 진단 및 검사에 기반한 진단과 같이 다양한 형태일 수 있다. 검사에 기반한 진단에서, 체액의 측정된 바이오마커의 수준(예를 들어, 혈액의 IgE는 알레르기를 나타내고, 소변 내의 당분은 당뇨병을 나타낸다)은 환자의 질병을 정확하게 알아내는데 사용된다. 게다가, 의사는 증상 기반의 진단과 검사 기반의 진단을 조합하여 근본적인 질병을 정확하게 밝히려는 경향이 있다.

최근, 분자 바이오마커를 위한 검사의 이용 가능성이 폭넓게 증가하여 왔다. 검사의 패널이 수행되고 그 결과를 환자의 병력과 조합하여 진단의 기초를 형성하는 것은 흔한 일이다. 검사의 횟수가 10회 미만이면, 이것은 평균적으로 의사가 "자신의 생각으로(in his head)" 판단하는 것이 가능하다. 그렇지만, 의사가 20-100개의 개별적인 검사 결과에 기초하여 판단해야 할 때는, 오역과 혼란의 위험이 급격하게 증가하게 된다.

의사가 내리는 판단을 향상시키거나 오역과 오류가 생기는 횟수를 감소시키기 위해, 임상적 판단 지원 시스템(CDSS: clinical decision support system)이 개발되었는데, 진단 또는 치료 과정과 관련된 임상적 판단을 향상시키도록 설계되어 있다. CDSS는 약물의 선택(예를 들어, 에반스(Evans) 등이 저술한 "항생물질 및 그외 항감염제에 대한 컴퓨터 보조 관리 프로그램(A computer-assisted management program for antibiotics and other antiinfective agents)" N EngL J Med. 1998;338:232-238를 참조하라) 및 잠복 결핵 감염에 대한 차단(스틸(Steele) 등이 저술한 "잠복 결핵 감염 차단에 대한 전산화된 임상적 판단 지원의 사용(Using computerized clinical decision support for latent tuberculosis infection screening)" Am J Prev Med. 2005;28(3):281-4를 참조하라)과 같이, 많은 분야에서 의료행위를 해결하고 있다. 게다가, 영상의 해석을 위한 다양한 지원 도구(예를 들어, 하폴(Harpole) 등이 저술한 "개복 방사선 사진에 대한 순서의 자동화된 증거 기반의 비평: 활용 및 방법상의 충격(Automated evidence-based critiquing of orders for abdominal radiographs: impact on utilization and appropriateness)" J Am Med Inform Assoc. 1997;4:511-521, 및 US 2005/0102315를 참조하라)가 존재한다.

대부분의 CDSS의 구조는 예를 들어, Mendonca가 저술한 "임상적 판단 지원 시스템: 치과학에서의 전망(Clinical decision support systems: prespectives in dentistry)" J Dent Educ.2004 Jun;68(6):589-97에 개시된 바와 같이, 거의 동일하며, 상기 문헌은 본 명세서에 원용된다. 통상적인 CDSS에서, 환자 데이터, 분류화된 지식 베이스(예를 들어, 검사 결과를 고려한 질병의 확률을 포함)를 사용하는 판단(또는 추론) 엔진을 포함하는 작업 메모리(흔히 데이터베이스라 함)가 존재한다. 이것은 판단 엔진으로부터의 출력을 콘텍스트가 있는 메시지로 변환시키는, 이용 가능한 설명 모듈이 있을 수 있다.

진단 상황에서 검사 결과의 해석을 위한 하나의 CDSS는 WO 2005/103300에 개시되어 있는데, 여기에서는 통계 패턴 인식 알고리즘을 자기 면역 질환과 관련된 검사 결과의 패널에 적용하고 있다. 알고리즘은 검사 결과의 패널과 이전에 진단한 환자에 대한 대량의 참조 데이터 세트를 비교하는데, 각각의 참조 데이터 세트에는 복수의 특정한 자가 항체(autoantibody) 및 진단된 질병 각각에 대한 값이 포함되어 있다. 알고리즘은 k-최근린 프로세스(k-nearest neighbor process)를 검사 결과의 패널 및 참조 데이터 세트에 적용하여 통계적으로 도출된 판단을 해내며, 이 판단은 검사 결과의 패널이 특정한 질병과 관련이 없거나 하나 이상의 특정한 질병과 관련이 있는지를 나타낸다.

WO 96/12187에는 훈련된 신경망(trained neural network)을 사용하여 다변량의 연구 데이터로부터 복잡한 패턴을 인식할 수 있는 자동화된 진단 시스템에 대해 개시되어 있다.

종래의 기술로서는 또한 US 2006/0013773이 있는데, 이 문헌에는 혈액형과 식품 알레르기 및 식품 과민증과의 관련시키는 기술에 대해 개시되어 있다.

US 5692220에는 혈액 병리 진단(hematopathology diagnosis)을 위한 판단 지원 시스템에 대해 개시되어 있는데, 이 시스템에서는 검사 결과가 판단 엔진에 입력되고 판단 엔진은 입력과 특정한 환자 상태에 대응하는 패턴을 비교한다. 일치하는 패턴을 미리 정해진 규칙에 따라 계층적으로 배열한다.

종래 기술의 CDSS를 설계하는 데 있어서 공통적인 문제는, 그 판단 엔진의 복잡성이 이용 가능한 검사 결과의 수에 따라 급격하게 증가한다는 점이다. 분명하게, 이에 의해 많은 수의 바이오마커 검사를 이용할 수 있고 새로운 검사가 일정하게 생성되는 분야에서 문제점이 생긴다. 이러한 분야 중의 하나가 알레르기 및 자기 면역 질환이며, 수백 또는 수천의 다양한 바이오마커를 이용할 수 있다.

또한, 판단 엔진에 의해 제공된 진단의 정확성을 높이고 이 판단 엔진이 관련 후속 검사를 제시하기 위해, 검사 결과를 개체군 통계학(demographics) 및 관찰된 증상(observed symptoms)과 조합하는 것이 바람직하다.

본 발명의 목적은 종래 기술의 전술한 적어도 일부의 제한을 극복하거나 완화하는 것이다.

이러한 목적 및 다른 목적은 이항의 상세한 설명에 나타날 수 있고, 독립항 및 종속항에 의해 정의되는 실시예에 따른, 임상적 판단 지원을 가능하게 하는 방법, 컴퓨터 프로그램 제품 및 임상적 판단 지원을 가능하게 하는 시스템에 의해 적어도 부분적으로 달성될 수 있다.

본 발명의 한 관점에 따르면, 복수의 검사된 바이오마커에 대한 검사 결과에 기초하여 임상적 판단 지원을 가능하게 하는 방법이 제공되며, 각각의 검사 결과는 제1 분해능의 값으로 제공된다. 상기 방법은, 상기 검사 결과를 수신하는 단계; 이용 가능한 바이오마커들이 호스트들과 관련되어 있고, 적어도 하나의 호스트가 복수의 바이오마커와 관련되어 있는 미리 정해진 구조(20)에 액세스하는 단계; 상기 복수의 검사된 바이오마커를 상기 미리 정해진 구조(20)에 맵핑함으로써 호스트 세트를 인식하는 단계; 상기 호스트에 맵핑되는 상기 검사된 바이오마커(들)의 검사 결과에 기초하여 상기 호스트 세트 내의 각각의 호스트에, 제2 분해능의 값으로 제공되는 호스트 값을 할당하는 단계; 및 상기 임상적 판단 지원을 작성하기 위해 상기 호스트 세트 및 상기 할당된 호스트 값을 나타내는 입력 데이터를, 컴퓨터가 판독 가능한 판단 엔진(13)에 대한 입력에 제공하는 단계를 포함한다.

바이오마커와 호스트 간의 공지의 관계를 나타내기 위해 임상적 경험 및 검색에 기초하여 적절하게 설계되어 있는 미리 정해진 구조의 적절한 설계에 의해, 판단 엔진에 입력하는 입력 데이터의 양을 감소할 수 있다. 이와 같이, 판단 엔진의 복잡도를 줄일 수 있다. 게다가, 제1 관점에 의하면, 판단 엔진은 개별적인 바이오마커에 대한 검사 결과 대신 호스트 및 호스트 값을 처리하여 원하는 임상적 판단 지원을 제공하도록 설계될 수 있다. 판단 엔진에서의 데이터 처리도 마찬가지로 미리 정해진 구조에 적절하게 기반한다. 이것은 또한 입력 데이터가 고유하게 임상적 실험 및 검색을 반영할 것이기 때문에, 판단 엔진의 복잡도를 잠재적으로 감소할 수 있다. 새로운 바이오마커에 대한 생성 후 검사(after-developed test)는, 미리 정해진 구조를 갱신함으로써, 통상적으로 새로운 바이오마커를 하나 이상의 기존의 호스트와 연관시킴으로써 및/또는 하나 이상의 호스트를 부가함으로써 용이하게 수용될 수 있다.

일실시예에서, 상기 구조는 레벨로 이루어지는 계층에서의 호스트를 포함한다. 이러한 구조는 임상적 경험 및 검색을 반영하고, 호스트/바이오마커 간의 서브타입-슈퍼타입 관계를 정의하는데 사용될 수 있다. 예를 들어, 구조에서의 다양한 레벨은 다양한 상세 정도로 호스트의 등급(classification)을 나타낼 수 있다. 계층적 구조의 사용으로 예를 들어 검사된 바이오마커의 맵핑과 관련해서 효율적인 처리가 가능하다. 또한, 바이오마커의 맵핑은 결과적인 입력 데이터의 원하는 상세에 따라 상기 구조의 하나 이상의 선택된 레벨에서 수행될 수 있다.

판단 엔진의 복잡도를 더 감소하기 위해, 상기 제2 분해능은 상기 제1 분해능보다 낮을 수 있다. 이에 의해 주어진 검사 결과 세트에 있어서 판단 엔진에 입력되는 입력 데이터의 양이 감소한다.

다른 실시예에서는, 상기 검사 결과에 대한 환자 맞춤형 배경 데이터(patient-specific background data)에 기초해서 상기 검사 결과 또는 상기 호스트 값을 스케일링한다. 상기 환자 맞춤형 배경 데이터는, 개체군 통계학 데이터(demographic data), 병력(anamnesis), 유전 인자(heredity factors), 응답 패턴(response pattern), 환자 내력(patient history) 및 유전자 데이터(genetic data) 중 적어도 하나를 포함한다. 이에 의해, 평균 환자를 위해 설계될 수 있는 판단 엔진의 복잡도를 감소할 수 있다.

검사 결과는 또한 다양한 바이오마커 간의 응답 스케일과 일치하도록 설계될 수 있다. 이에 의해 판단 엔진은 응답 스케일에서의 차이를 무시할 수 있고, 이에 따라 판단 엔진의 설계가 간단해진다.

일실시예에서, 상기 복수의 검사된 바이오마커는 면역 글로불린 상과(Immunoglobulin super-family)의 구성원(members)이고, 혈액에 대해 검사된다. 예를 들어, 검사된 바이오마커는 항체가 될 수 있다.

특별한 일실시예에서, 상기 임상적 판단 지원은 알레르기 또는 자기면역 질병의 진단과 관련 있다.

본 발명의 제2 관점에 따르면, 제1 관점의 방법을 컴퓨터가 실행하기 위한 명령어를 포함하는 컴퓨터 프로그램 제품이 제공된다.

본 발명의 제3 관점에 따르면, 복수의 검사된 바이오마커에 대한 검사 결과에 기초하여 임상적 판단 지원을 가능하게 하는 시스템이 제공되며, 각각의 검사 결과는 제1 분해능의 값으로 제공된다. 상기 시스템은, 상기 검사 결과를 수신하기 위한 컴포넌트; 이용 가능한 바이오마커들이 호스트들과 관련되어 있고, 적어도 하나의 호스트가 복수의 바이오마커와 관련되어 있는 미리 정해진 구조(20)에 액세스하기 위한 컴포넌트; 상기 복수의 검사된 바이오마커를 상기 미리 정해진 구조에 맵핑함으로써 호스트 세트를 인식하기 위한 컴포넌트; 상기 호스트에 맵핑되는 상기 검사된 바이오마커(들)의 검사 결과에 기초하여 상기 호스트 세트 내의 각각의 호스트에, 제2 분해능의 값으로 제공되는 호스트 값을 할당하기 위한 컴포넌트; 및 상기 임상적 판단 지원을 작성하기 위해 상기 호스트 세트 및 상기 할당된 호스트 값을 나타내는 입력 데이터를, 컴퓨터가 판독 가능한 판단 엔진(13)에 대한 입력에 제공하기 위한 컴포넌트를 포함한다. 각각의 이러한 컴포넌트는 소프트웨어, 하드웨어 또는 이것들의 조합으로 구현될 수 있다.

일실시예에서, 컴퓨터에 기반한 판단 엔진은 시스템에 포함된다.

일실시예에서, 모든 컴포넌트는 서버, 퍼스널 컴퓨터, 분석 기구일 수 있는 단일의 디바이스로 일체화될 수 있거나, 데이터 처리 능력을 구비한 그외의 다른 디바이스일 수 있다.

시스템은 상기 검사 결과에 대한 환자 맞춤형 배경 데이터(patient-specific background data)에 기초해서 상기 검사 결과 또는 상기 호스트 값을 스케일링하기 위한 컴포넌트를 더 포함한다.

시스템은 상기 검사 결과를 작성하기 위한 컴포넌트를 더 포함한다. 일실시예에서, 이 컴포넌트는 상기 검사 결과를 작성하기 위한 컴포넌트는 바람직하게 시험관 내(in vitro) IgE ab 검출 기술을 이용해서, 미리 정해진 바이오마커의 서브세트를 검사하도록 구체적으로 설계되어 있는 분석 기구를 포함한다.

제2 관점 및 제3 관점에 따른 컴퓨터 프로그램 제품 및 시스템에 의하면, 제1 관점에 따른 방법과 동일한 효과 및 이점을 얻을 수 있다. 제1 관점 관련해서 설명된 다양한 실시예, 및 관련 이점 및 효과는 제2 관점 및 제3 관점에도 마찬가지로 적용할 수 있다는 것에 유의하라.

본 발명의 다른 목적, 특징, 관점 및 이점은 이하의 상세한 설명, 첨부된 종속항 및 도면으로부터 분명하게 될 것이다.

본 발명의 실시예를 첨부된 도면을 참조하여 더 상세히 설명할 것이며, 도면 중 유사한 구성요소에 대해서는 동일한 도면 부호를 붙인다.
도 1은 본 발명의 실시예를 포함하는 임상적 진단 지원을 위한 시스템에 대한 블록도이다.
도 2는 호스트의 계층적 구조에 대한 예시도이다.
도 3은 다양한 식품 알레르겐에 있어서 IgE 바이오마커 값에 대한 알레르기 반응의 확률과 관련된 그래프이다.
도 4는 본 발명의 실시예에 따른 상부 레벨 호스트 "꽃가루(pollen)" 및 "식품"에 대한 미리 정해진 구조의 일부에 대한 도시도이다.
도 5는 본 발명의 실시예에 대한 실행 환경의 개략도이다.
도 6은 본 발명의 실시예에 따라 임상적 판단 지원을 가능하게 하는 방법에 대한 흐름도이다.
도 7은 도 6의 방법을 실행하기 위한 예시적 시스템에 대한 블록도이다.
도 8은 다양한 연령대의 환자들에 있어서 우유 알레르겐 특정한 IgE 항체에 대한 알레르기 반응의 확률과 관련된 그래프이다.

이하의 상세한 설명의 목적을 위해, 그리고 간략화를 위해, 다음과 같이 정의한다:

환자는 질병이 있을 수도 있고 없을 수도 있는 대상을 말한다. 환자는 통상적으로 사람이지만, 특히 포유 동물에서, 살아 있는 유기체(living organism)일 수도 있다.

체액(body-fluid)은 혈액, 소변, 눈물, 타액(saliva), 림프(lymph), 정액(semen), 분(feaces) 등을 포함하는(이에 제한되지 않음), 살아 있는 유기체 내의 유동체를 말한다.

바이오마커는 분석 기구를 이용해서 검출되거나 정량화될 수 있는 체액 내의 성분(component)이다. 바이오마커는 단백질(proteins) 및 대사 물질(metabolities)을 포함하지만, 이에 제한되지는 않는다.

면역 글로불린은 바이오마커의 한 분류를 말하며, 면역 글로불린 상과(Immunoglobulin super-family)의 구성원(members)이다. 이러한 과(family)로서는, 항체(예를 들어, IgA, IgD, IgE, IgG, IgM), T 세포 수용체 사슬(T cell receptor chain), 제1급 MHC(Class I MHC), 제2급 MHC, 베타-2 미세글로불린(beta-2 microglubulin), CD4, CD8, CD19, CD3-γ, CD3-δ 및 CD3-ε 사슬, CD79a, CD79b, CD28, CD80, 살해 세포 면역 글로불린형 수용체(KIR: killer-cell immunoglobulin-like receptors), CD2, CD48, CD22, CD83, CTX, JaMs, BT-IgSF, CAR, VSIG, ESAM, 세포간 부착 분자(ICAM: Intercelluar adhesion moleculres), 관다발 부착 분자(VCAM: Vascular cell adhesion molecular)(예를 들어, VCAM-1), 신경 세포 부착 분자(NCAM), IL-1R-2, IL-1R-베타, CD121b 항원, PDGFR, IL-6R-알파, CD126 항원, CSF-1-R, CD115 항원, SCRF, c-킷(c-kit), CD117 항체, FGFR-1, CEK1, PIGR, CD147, CD90, CD7, 부티로필린스(Butyrophilins) 및 더 많은 것들을 들 수 있으며, 이에 제한되지 않는다.

알레르기는 알레르기 증상을 일으키는 이물질에 대한 획득된, 비정상적 민감도를 나타낸다.

알레르겐은 알레르기를 일으킬 수 있는 실체(entity)를 말한다.

검사는 특별한 알레르겐에 대한 환자의 반응을 측정하는 것을 말한다.

호스트는 하나 이상의 특별한 알레르겐(들)을 수반하는 또는 관련되어 있는 객체/유기체를 말한다.

호스트의 급(class)은 한 그룹의 호스트 또는 한 과의 호스트(a family of host)를 말한다.

발명의 실시예에 대한 상세한 설명

도 1은 본 발명의 실시예가 사용되는 데이터 처리 시스템(10)의 블록도이다. 시스템(10)은 환자의 체액, 통상적으로 혈액 내의 일련의 바이오마커의 양을 측정하기 위한 분석 기구를 포함하는 검사 설비(11)로부터 검사 데이터를 수신한다. 이러한 측정은 생체 내에서 또는 시험관 내(in vitro)에서 수행될 수 있다. 각각의 검사된 바이오마커에 대한 결과적인 검사 데이터, 즉 측정값(검사 결과)은 측정 범위 내에서 고해상도로 제공된다. 예를 들어, 측정 범위 내의 측정 단계의 수는 적어도 10일 수 있고, 통상적으로 약 50-100 또는 그 이상일 수 있다. 검사 데이터는 임의 개수의 검사 결과를 포함할 수 있는데, 통상적으로 약 10 이상일 수 있다.

시스템(10)은 추가의 환자와 관련된 데이터와 함께 검사 데이터를 수신하고 처리하여 환자 맞춤형 진단 보고서(12)를 최종적으로 작성하며, 이 보고서는 의사가 환자를 정확하게 진단할 수 있도록 해준다. 진단 보고서(12)는 예를 들어 제시된 진단, 관련 후속 검사에 대한 제시뿐만 아니라 검사 결과의 완전한 목록 또는 감소된 목록을 포함할 수 있다.

도해된 실시예에서, 시스템(10)은 진단 보고서를 작성하기 위해 부재 중에 사전 처리된 검사 데이터로 동작하는 판단 또는 추론 엔진(13)을 포함한다. 판단 엔진(13)은 관련 지식을 컴퓨터가 판독 가능한 형태로 저장하는 지식 베이스(14)를 사용하도록 종래의 기술에 따라 구성될 수 있다. 판단 엔진(13)은 전문가로부터 도출된 일련의 규칙 및 이용 가능한 일련의 바이오마커와 관련한 근거-중심 의학(evidence-based medicine)을 포함할 수 있다. 그러므로 일련의 규칙은, 입력 데이터에 기초하여 보고서(12)에 나타내기 위해, 지식 베이스(14)로부터 도출된, 환자 맞춤형 코멘트(patient-specific comments)를 규정할 수 있다.

판단 엔진(13)에 입력되는 입력 데이터는 또한 의사가 환자에게서 관찰한 하나 이상의 증상을 나타내는 환자 특정의 증상 데이터(patient-specific symptom data)를 포함할 수 있다.

판단 엔진(13)에 입력되는 입력 데이터는 또한 개체군 통계학 데이터(나이, 인종, 주소 등), 병력(anamnesis), 유전 인자(heredity factors), 반응 패턴(response pattern), 유전 데이터(genetic data) 등과 같은, 환자 맞춤형 배경 데이터를 포함할 수 있다.

일실시예에서, 판단 엔진(13)은 리플-다운 룰(ripple-down rules) 기술에 기반하고 있다. 이러한 판단 엔진은 Pacific Knowledge Systems사에서 판매하는 LabWizard®와 같이, 상업적으로 이용 가능한 소프트웨어를 사용해서 구현될 수 있다.

종래부터, 환자에 대한 대량의 다양한 검사 결과 및 증상을 취급할 수 있는 판단 엔진을 개발하는 것이 고려되어 왔다. 예를 들어, 100개의 다양한 바이오마커에 대하여 검사가 유용하고, 각각의 검사 결과가 0-100의 범위의 임의의 정수 값을 가정할 수 있고, 7가지의 다른 증상이 취급될 수 있는 경우, 종래의 판단 엔진은 101¹⁰⁰*2⁷ = 3.5*10²⁰²의 다양한 조합에 대한 규칙을 포함해야 한다.

주어진 수의 검사 결과에 대한 판단 엔진의 복잡도를 감소하기 위해, 도 1의 시스템은 데이터 감소 모듈(15)을 포함한다. 이 데이터 감소 모듈(15)은 판단 엔진(13)이 처리해야 하는 데이터의 양을 감소하도록 구성되어 있다. 이 목적을 위해, 데이터 감소 모듈(15)은 이용 가능한 바이오마커, 즉 판단 엔진(13)이 취급하는 바이오마커를 다양한 호스트에 할당하는 구조를 사용한다. 각각의 호스트는 하나 이상의 바이오마커를 포함하거나 나타낸다. 이러한 구조(20)의 범례가 도 2에 도시되어 있는데, 호스트를 일련의 레벨 L1-4L로 조직하고 있다. 구조(20)는 바이오마커와 호스트 간의 공지의 관계를 나타내고, 임상적 경험 및 검색에 기초하여 설정되어 있다.

데이터 감소 모듈(15)은 검사된 바이오마커를 미리 선정된 구조(20)에 의해 정해진 호스트에 맵핑하고, 이에 따라 호스트 세트를 인식하는데, 각각의 호스트는 하나 이상의 검사된 바이오마커를 포함하고 있다. 데이터 감소 모듈(15)은 또한 호스트에 포함되어 있는 바이오마커(들)의 검사 결과(들)에 기초하여, 각각의 이러한 호스트에 값을 할당한다. 이 값은 최대, 중간, 산술 평균, 기하 평균, 조화 평균 등과 같이, 호스트에 대한 검사 결과에 대해 작용하는 임의의 적절한 통계 함수에 의해 주어질 수 있다.

상기 호스트 세트 및 상기 할당된 값들은 판단 엔진(13)에 입력 데이터로서 공급된다. 입력 데이터는 임의의 적절한 형식으로서, 예를 들어, 텍스트로서, 또는 임의의 베이스 내의 수(2진수, 16진수 등)로서, 또는 이것들의 조합으로서 판단 엔진에 제공될 수도 있다.

예를 들어, 특정한 알레르겐의 존재를 나타내는 바이오마커에 있어서, 호스트는 하나 이상의 알레르겐을 수반하는 객체/유기체의 클래스(class)를 나타낸다. 일례에서, 미리 정해진 구조는 이용 가능한 바이오마커를 5개의 다른 메인 그룹 또는 호스트: "식품(Food)", "꽃가루(Pollen)", "진드기(Mite)", "곰팡이(Mould)", 및 "동물(Animals)"로 나눈다. 도 2에 도시된 바와 같이, 구조(20)는 상이한 레벨 L1-L4 상의 호스트의 계층으로 조직될 수 있다. 전술한 메인 그룹은 루트 레벨 L1 상에서 조직될 수 있고, 하나 이상의 서브레벨 L2-L4에서의 서브그룹(호스트)을 가질 수 있다. 일례에서, 메인 그룹 "꽃가루"는 (레벨 L2 상에서) 서브그룹 "나무(Trees)", "목초(Grass)" 및 "풀(Herbs)"를 가질 수 있고, 서브그룹 "나무"는 (레벨 L3 상에서) "오크나무(Oak)", "자작나무(Birch)", "느릅나무(Elm)" 등을 가질 수 있다. 서브그룹의 수와 관계없이, 판단 엔진의 복잡도는 메인 그룹의 수에 좌우된다. 판단 엔진의 복잡도는 현저하게 감소된다는 것을 인식해야 한다.

판단 엔진을 위한 입력 데이터에 포함될 호스트의 데이터 감소 모듈의 선택에 있어서, 몇 가지의 고려해볼 수 있는 변형예가 있다. 하나의 변형예에서, 검사된 바이오마커에 맵핑될 수 있는 미리 정해진 구조(20)에서의 모든 호스트는 입력 데이터에 포함될 수 있다. 예를 들어, "자작나무"에 대한 바이오마커를 검사하였다면, 모듈은 입력 데이터에 호스트 "자작나무", "나무" 및 "꽃가루"를 포함할 수 있다.

다른 변형예에서, 데이터 감소 모듈은, 검사 결과에 포함된 검사 값 및/또는 바이오마커에 기초하여 호스트의 선택을 제어하는 일련의 미리 결정된 규칙을 포함할 수 있다. 예를 들어, 검사 데이터가 3개 이상의 상이한 나무 꽃가루에 대한 검사 결과를 포함하는 경우(이러한 검사 결과가 중요한 부가적인 조건에 따라 선택적으로 포함함), 이러한 검사 결과는 낙엽수(deciduous trees)에 대한 호스트로 그룹화될 수 있다. 검사 결과가 자작나무와 관련된 꽃가루에 대한 결과만을 포함하는 경우, 이러한 검사 결과는 자작나무에 대한 호스트로 그룹화될 수 있다. 다른 예에서, 진드기와 관련된 모든 검사 결과는 디폴트에 의해 대응하는 메인 호스트로 그룹화된다. 결과의 수가 매우 크면, 규칙은 모든 검사 결과가 메인 호스트 또는 적어도 레벨 L1 또는 L2 상의 호스트로 그룹화되어야 한다는 것을 규정할 수 있다.

또 다른 변형예에서, 호스트의 선택은 데이터 감소 모듈에 입력되는 입력 파라미터에 의해 제어된다. 예를 들어, 입력 파라미터는 진단 보고서를 해석할 사람의 자격 수준(qualification level)을 나타낸다. 이 사람이 전문의이면, 진단 보고서는 제시된 진단 및 검사 결과에 관한 상세를 포함하는 것이 수용될 수 있고 바람직하며, 따라서 입력 데이터는 구조(20)의 하위 레벨(비교. L3 및 L4)에 대한 호스트를 포함해야만 한다. 그 사람이 일반 의사이면, 그 진단 보고서는 간단하고 단순명료(straight-forward)해야 하며, 입력 데이터는 구조(20)의 상위 레벨(비교. L1 및 L2)로부터의 호스트에 주로 기초해야만 한다.

데이터 감소 모듈(15)은 판단 엔진(13)에 대한 입력 변수의 수를 감소시키는데 사용될 수 있다. 이러한 특징을 이용하여 판단 엔진(13)의 복잡도를 감소시키고 및/또는 그 복잡도를 지나치게 증가시킴이 없이 검사 결과와는 다른 정보를 판단 엔진(13)에 대한 입력 변수로서 사용할 수 있다. 도 1에 도시된 바와 같이, 환자 특정의 증상 데이터를 입력 변수로서 사용할 수 있다. 예를 들어, 판단 엔진은 증상의 있고 없음을 각각 나타내는 0 또는 1의 값을 이용하여, 주어진 일련의 증상을 취급하도록 구성될 수 있다. 마찬가지로, 환자 맞춤형 배경 데이터(병력, 개체군 통계학 등)를 판단 엔진에 대한 하나 이상의 입력 변수(들)로서 사용할 수 있다.

판단 엔진(13)은 데이터 감소 모듈(14)에 의해 제공되는 입력 데이터, 즉 호스트 및 호스트 값에 기초해서 진단 지원을 제공하도록 설계되어야만 한다는 것에 유의하여야 한다. 이 목적을 위해, 판단 엔진(13)은 데이터 감소 모듈(15)에 의해 사용되는 바와 같이 유사한 미리 정해진 구조에 기초하는 일련의 규칙을 포함할 수 있다.

전술한 바와 같이, 이러한 미리 정해진 구조는 임상적 실험 및 검색에 기초하여, 바이오마커와 호스트 간의 공지의 관계를 나타낸다. 그러므로 판단 엔진이 빈약한 입력 데이터의 어레이 상에서 동작하더라도, 임상적 경험에 기초하여 정확한 진단을 제공하도록 구성된다. 예를 들어, 교차-반응(cross-reactivity), 알레르기의 개체군 통계학 및 연령 의존성에 관한 지식으로, 관련 알레르겐의 특정한 IgE가 알레르겐 검사의 패널에서 검사되지 않은 환자의 특정한 알레르기에 대한 고위험을 신뢰성 있게 예측할 수 있다. 그러므로 판단 엔진이 수 개의 입력 변수에 기초하여 정확한 진단 가이드라인을 제공할 수 있기 때문에, 전술한 시스템에 의해 빈약한 바이오마커 패널을 사용될 수 있다는 것을 인식해야 한다.

또한, 호스트 및 호스트 값으로의 입력 데이터의 감소에 의해서도 판단 엔진의 출력을 짧고 판독 가능한 메시지로 요약할 수 있다.

판단 엔진(13)이 처리해야 하는 입력 데이터의 양을 더 감소시키기 위해, 모듈(15)은 검사 값의 분해능에 비해, 할당된 호스트 값의 분해능을 감소시키도록 구성될 수 있다. 이것은 전술한 맵핑 전의 검사 값 또는 호스트 세트에 할당된 값의 양자화에 의해 달성될 수 있다. 값의 양자화는 이 값을 일련의 값 그룹들 중 하나에 할당하는 것을 포함할 수 있다. 예를 들어, 검사 값은 이하의 값 그룹들 중 하나에 할당될 수 있다: 검출 불능( Undetectable ), 매우 낮음( Very Low ), 낮음(Low ), 중간( Moderate ), 높음( High ), 매우 높음( Very high ). 이러한 값 그룹들은 예를 들어 값 0-5로 나타내어질 수 있다.

그러므로 정수 값 0-5을 취할 수 있는 5개의 호스트가 있게 된다. 7개의 상이한 증상을 이용하면, 판단 엔진이 취급할 수 있는 6⁵*2⁷ = 995000개의 상이한 조합이 되고, 이것은 미처리 검사 결과에 대해 취급될 수 있는 3.5*10²⁰²개의 조합보다는 현저하게 작다.

도 1을 다시 참조하면, 도해된 실시예는 또한 검사 결과의 선택적 콘텍스트 기반의 스케일링을 효과적일 수 있도록 하기 위한 스케일링 모듈(16)을 포함한다. 이 스케일링 모듈(16)은 환자 맞춤형 배경 데이터에 기초하여 검사 결과를 조정하도록 구현될 수 있다. 이에 의해 판단 엔진(13)은 평균 모집단(average population)에 대한 규칙에 기반을 둘 수 있고, 이에 의해 판단 엔진의 설계를 간략화할 수 있다. 예를 들어, 어린이들을 검사할 때, 응답 스케일이 성인과는 다를 수 있다. 그러므로 모듈은 적어도 소정의 바이오마커에 대한 검사 결과를 스케일링하도록 (통상적으로 높이도록) 구성될 수 있다.

부가적으로 또는 대안으로, 모듈(16)은 다양한 바이오마커 간의 응답 스케일과 일치하도록 검사 결과를 다시 스케일링하도록 구성될 수 있다. 예를 들어, 다양한 알레르겐은 각각의 알레르겐의 고유의 알레르기 발현성(allergenicity)에 부분적으로 의존하여, 다양한 컷-오프 레벨(cut-off level)을 가질 수 있다. 그러므로 하나의 바이오마커에 대한 낮은 검사 값이, 다른 바이오마커에 대한 높은 검사 값보다도 알레르기에 대해 더 높은 확률이 될 수도 있다. 이것은 다양한 알레르겐 쪽으로 향하는 IgE-항체와 같이, 바이오마커들이 매우 유사한 경우에도 유효하다. 도 3에 도시된 바와 같이, 알레르겐 c 및 d에 대한 IgE 바이오마커의 낮은 값들(~1 kUA/l)의 확률은 알레르겐 a에 대한 IgE 바이오마커의 높은 값(~10 kU/l)의 확률보다 더 높다. 콘텍스트 기반의 스케일링은 하나 이상의 검사 값을 반응의 확률에 일치하도록 스케일링함으로써, 이것을 고려할 수 있다. 이에 의해, 판단 엔진은 응답 스케일에서의 차이를 무시할 수 있고 따라서 판단 엔진의 설계를 간단하게 할 수 있다.

대안의 실시예(도시되지 않음)에서, 스케일링 모듈(16)은 검사 설비로부터의 검사 값 대신, 호스트 세트에 할당된 값들에 대해 동작하도록 데이터 감소 모듈(15)을 다운스트림하도록 배치된다. 다른 실시예에서는, 스케일링 기능 중 전부 또는 일부를 판단 엔진(13)과 일체화할 수 있다.

이하, 판단 엔진의 동작 및 그 규칙의 사용에 대해 상세히 예를 든다. 메인 호스트 "꽃가루" 및 "식품"에 대한 미리 정해진 구조의 작은 일부를 설명하는 도 4를 참조하여 예 1 - 6가 주어진다. 이하의 예에서는 이해를 쉽게 하도록 간략화되어 있다는 점에 유의하라. 예에서, 변수 및 값은 이탤릭체로 되어 있다.

예 1

증상: 습진

호스트 값: 범위 낮음에서 자작나무

규칙: (증상 = 습진) 및 (꽃가루 > 검출불능)이면

⇒ 분석 코멘트: "습진은 꽃가루로 인한 것이 아닐 가능성이 있음"

예 2

증상: 천식

호스트 값: 범위 높음에서 자작나무

규칙: (증상 = 천식) 및 (범위 높음 내지 매우 높음에서 꽃가루)이면

⇒ 분석 코멘트: "자작나무에 대해 검출된 IgE 항체가 천식의 증상과 관련 있을 가능성이 있음"

예 3

증상: 천식

호스트 값: 범위 높음에서 자작나무, 범위 중간에서 오크나무, 및 범위 낮음에서 느릎나무

⇒ 분석 코멘트: "나무 꽃가루에 대해 검출된 IgE 항체가 천식의 증상과 관련 있을 가능성이 있음"

예 4

증상: 습진

호스트 값: 범위 매우 높음에서 자작나무

규칙: (증상 = 습진) 및 (범위 매우 높음에서 식품)이면

⇒ 분석 코멘트: "습진은 대구( Cod )로 인한 가능성이 있음"

예 5

증상: 습진

호스트 값: 범위 중간에서 대구

규칙: (증상 = 습진) 및 (범위 중간에서 식품)이면

⇒ 분석 코멘트: "습진은 대구( Cod )로 인한 것일지도 모름"

예 3

증상: 천식

호스트 값: 범위 매우 낮음에서 대구

규칙: (증상 = 천식) 및 (범위 매우 낮음에서 식품)이면

⇒ 분석 코멘트: "대구에 대한 매우 낮음 IgE 레벨은 천식과는 관련 없을 가능성이 있음"

예 7

천식과 습진의 증상이 있는 환자를 IgE 항체에 대해 시험관 내에서 검사한다. 이하의 검사 결과가 얻어진다:

고양이: 51 kU/l

쑥: 23 kU/l

자작나무: 3 kU/l

개: 2.7 kU/l

돼지풀: 0.7 kU/l

큰조아재비: 0.6 kU/l

말: 0.45 kU/l

토끼: 0.41 kU/l

진드기_d1: 0.57 kU/l

이와 같이 간단한 예에서, 데이터 감소 모듈은 검사 결과를 이하의 미리 정해진 메인 호스트: "꽃가루", "식품", "동물", "진드기", 및 "곰팡이"에 할당되도록 구성되어 있다. 각각의 메인 호스트는 호스트에 할당된 최대 검사 값에 의해 주어진 호스트 값에 할당된다. 게다가, 데이터 감소 모듈은 이하의 미리 정해진 IgE 범위(kU/l로 주어짐)에 따라 호스트 값을 그룹화하도록 구성되어 있다: 검출불능:<0.1, 매우 낮음:[0.1-0.5], 낮음:[0.5-2], 중간:[2-15], 높음:[15-50], 및 매운 높음:>50.

데이터 감소 모듈에서 사전 처리된 후, 판단 엔진에 대한 이하의 입력 데이터가 얻어진다:

동물 = 매우 높음

꽃가루 = 높음

진드기 = 낮음

사전 처리된 데이터는 판단 엔진으로 보내지고, 판단 엔진은 이하의 일련의 규칙에 따라 분석 코멘트를 작성한다:

규칙: (증상 = 천식 또는 비염) 및 (범위 매우 높음에서 동물)이면

⇒ 분석 코멘트: "동물에 대한 그 관찰된 IgE abs는 천식 증상과 관련 있을 가능성이 높음."

규칙: (증상 = 천식 또는 비염) 및 (범위 높음에서 꽃가루)이면

⇒ 분석 코멘트: "꽃가루에 대한 그 관찰된 IgE abs는 천식 증상과 관련 있을 가능성이 있음."

규칙: (증상 = 천식 또는 비염) 및 (범위 낮음에서 진드기)이면

⇒ 분석 코멘트: "진드기에 대한 그 관찰된 IgE abs는 천식 증상의 원인일 수 있음."

규칙: (증상 = 습진) 및 (임의의 범위에서 동물)이면

⇒ 분석 코멘트: "꽃가루에 대한 그 관찰된 IgE abs는 그 보고된 습진과 관련이 없을 가능성이 있음."

규칙: (증상 = 습진) 및 (임의의 범위 > 낮음에서 (진드기 또는 동물))이면

⇒ 분석 코멘트: "IgE 중재된 알레르기 피부 증상은 통상 식품 알레르겐과 관련이 있지만, 대기 뼈 알레르겐(air boune allergens)과의 직접적인 피부 접촉 또는 흡입이 간혹 피부 증상의 원인이 될 수 있음."

IgE 바이오마커 값들에 대한 분석의 하나의 일반적인 규칙은 값들이 높을수록, IgE 중재 알레르기 증상의 위험이 더 높아진다는 점이다. 그렇지만, 이 일반적인 대해서는 예외(exception)가 많이 있으며, 이러한 예외는 판단 엔진의 규칙 또는 콘텍스트 기반의 스케일링에 통합될 수 있다. 이하의 두 가지 예는 이러한 예외가 콘텍스트-기반의 스케일링에 어떻게 통합될 수 있는지를 보여준다.

예 8

두 명의 환자 A 및 B는 낮음 범위에서 계란에 대한 IgE 응답을 가지는데, 한 환자는 한 살이고, 다른 환자는 30살이다. 스케일링 모듈은 < 6살의 어린이에 있어서, 낮음 범위 내지 중간 범위에서 계란에 대한 검사 결과를 증가시키도록 구성되어 있다. 이에 대응해서 처리된 검사 결과는 입력 데이터로서 판단 엔진에 보내지고, 이 판단 엔진은 이하의 일련의 규칙에 따라 분석 코멘트를 작성한다:

규칙: (증상 = 습진) 및 (범위 중간에서 계란)이면

⇒ 환자 A에 대한 분석 코멘트: "습진은 계란으로 인한 가능성이 있음."

규칙: (증상 = 습진) 및 (범위 낮음에서 계란)이면

⇒ 환자 B에 대한 분석 코멘트: "습진은 계란 때문일 수 있음."

예 9

특정한 알레르겐에 대한 검사 결과의 중요성이 나이에 관계없이 상승 내지는 격하될 수 있다. 임상적 경험에 기초하여, 스케일링 모듈은 예를 들어 밀 또는 간장(예를 들어 1.8 kU/l)에 대한 낮음 범위에서의 검사 결과를 매우 낮음 범위로 항상 격하시키도록 구성될 수 있다. 이에 대응해서 처리된 검사 결과가 판단 엔진에 입력되고, 판단 엔진은 이하의 일련의 규칙에 따라 코멘트를 작성한다:

규칙: (증상 = 습진) 및 (매우 낮음 범위에서 (밀 또는 간장))이면

⇒ 분석 코멘트: "밀/간장에 있어서, 이러한 IgE 항체 레벨로 인한 습진의 증상은 보기 드뭄."

규칙: (증상 = 습진) 및 (낮음 범위에서 (밀 또는 간장))이면

⇒ 분석 코멘트: "습진은 밀/간장으로 인한 것일 수 있음."

예 8 및 예 9는 로직이 판단 엔진으로부터 스케일링 모듈로 이동하여, 전자의 복잡도가 감소할 수 있다는 것을 보여주고 있다. 게다가, 스케일링 모듈을 예비해 두면 판단 엔진에 관계없이 스케일링 파라미터를 변경할 수 있어서, 소정의 바이오마커의 알레르기 발현성(allergenicity)에 관한 새로운 발견을 수용할 수 있다.

아래의 표 1은 다양한 일련의 검사 결과에 기초하여, 판단 엔진이 작성한 진단 보고서의 예이다. 본 예에서, 진단 보고서는 관찰된 증상을 포함하고 있는데, 본 예에서는 비염이다. 각각의 전술한 범위에 해당하는 검사 결과를 또한 포함한다. 본 예에서, 진드기에 대한 하나의 검사 결과는 범위 높음에 해당하고, 목초 꽃가루에 대한 하나의 검사 결과는 범위 중간에 해당하며, 반면 모든 다른 검사 결과는 검출불능이다. 본 예에서, 판단 엔진은 사전 처리된 입력 데이터를 구비할 뿐만 아니라, 원래의 입력 데이터도 포함한다. 그렇지만, 진단 보고서는 사전 처리된 입력 데이터에 기초해서 작성되었고, 검사 결과는 본 예에서 프레젠테이션 목적으로만 사용되었다.

본 발명의 실시예에 따라 처리되는 검사 결과에 기초해서 작성된 진단 보고서의 예

증상 {비염}
매우 높음 알레르겐
높음 알레르겐 {진드기_d1(34.7278)}
중간 알레르겐 {목초믹스_3(7.2496)}
낮음 알레르겐
매우 낮음 알레르겐
검출불능 알레르겐 {개(0.1155), 고양이(0.1127), 잡초믹스_3(0.0899),
곰팡이_1(0.1123)}

요약
비염 증상은 진드기가 원인일 가능성이 있음. 목초믹스_3(grassmix_3)에 대한 IgE abs도 또한 원인일 수 있음.

고찰:
천식이 일어날 가능성을 조사해야 하고 감시해야 함.

진드기
본 환자는 진드기 노출을 최소화하는 것이 이로움. 진드기에 대한 관찰된 높음 IgE abs 레벨은 비염 증상과 관련 있을 수 있음.

꽃가루
목초믹스_3에 대한 관찰된 IgE abs는 꽃가루 계절 동안 제공되는 경우에 비염 증상과 관련 있을 수 있음. 꽃가루가 아닌 다른 알레르겐에 대한 증상은 추가의 알레르겐 로딩 효과로 인해 꽃가루 계절 동안 더 악화될 수 있음.

밀접하게 관련된 알레르겐
- 목초 꽃가루에 대해서는 땅콩, 콩, 토마토, 멜론, 밀, 오크, 보리 및 호밀.
- 진드기에 대해서는 작은 새우, 달팽이, 굴 및 그외 진드기 종.

알고 계셨습니까
IgE 중간 비염은, 실내 흡입 알레르겐에 대해 연중 계속해서 그리고 직업 알레르겐에 대한 작업 장소에서, 통상적으로 계절적으로 꽃가루에 대해 발생한다.
특히 흡입 알레르겐에 대한 IgE 중간 알레르기는 비염이 있는 환자에게서 천식 발생에 대한 강력한 예견 인자이다.

표 1에서 실제의 진단 보고서는 전술한 규칙에 기초하여 작성되었다. 도해된 예에서, 진단 보고서는 진단의 요약, 고찰 절, 일반의에게 제공되는 추가의 조언, 진드기 부분 및 꽃가루 부분을 포함하여, 중요한 검사 결과와 그 관찰된 증상 간의 관련성에 대해 논의하고, 밀접하게 관련된 알레르겐의 정보를 한 절에서 제공하고, 기본적인 정보(알고 계셨습니까)를 한 절에서 제공한다.

진단 보고서에서 여러 가지 절의 결론, 및 각각의 절의 내용은 입력 데이터에 기초하여 전술한 일련의 규칙에 따라 이루어진다. 예를 들어, 꽃가루 하에서, 코멘트는 규칙 "{명칭으로서의 중간 꽃가루}에 대해 관찰된 IgE abs는 꽃가루 계절 동안 제공되는 경우 {꽃가루 증상}의 증상과 관련 있을 가능성이 있음"과 관련 있다. 변수 {명칭으로서의 중간 꽃가루}는 모든 꽃가루 알레르겐, 또는 범위 중간 내에 해당하는, 미리 정해진 구조에서의 적절한 레벨 상의 호스트로 대체되고, 변수 {꽃가루 증상}은 비염, 천식 및 색색거리는 소리(wheeze)와 같이, 꽃가루 알레르기와 관련된 모든 관찰된 증상으로 대체된다.

진단 보고서가 적절한 복잡도에 따라 작성되는 것, 즉 코멘트의 수가 적정 양으로 유지되어 작성되는 것이 중요할 수 있다. 기본적으로, 보고서의 복잡도는 입력 데이터에 의해 제공되는 상세도의 레벨에 따라, 예를 들어, 입력 데이터에 의해 표시되는 다양한 레벨 상의 호스트의 수에 따라 다르다.

전술한 바와 같이, 데이터 감소 모듈은 입력 데이터에 대한 적합한 상세를 선택하기 위한 로직을 포함할 수 있다. 대안으로, 또는 부가적으로, 유사한 논리를 판단 엔진에 통합할 수 있는데, 이에 의해 진단 보고서를 작성하는데 사용되는 입력 데이터에 포함된 호스트의 서브세트를 선택하도록 제어된다. 하나의 변형예에서, 데이터 감소 모듈에 관련하여 위에서 추가로 설명하였지만, 호스트의 선택은 입력 데이터에 포함된 호스트 및/또는 호스트 값에 기초하여 이루어질 수 있다. 다른 변형예에서, 데이터 감소 모듈과 관련해서 위에서 또한 설명하였지만, 선택은 판단 엔진에 대한 입력 파라미터에 의해 제어되는데, 예를 들어, 진단 보고서를 분석하는 사람의 자격 레벨을 나타낸다.

전술한 임상적 판단 지원 시스템은 많은 다양한 환경에서 구현될 수 있다. 바람직하게, 스케일링 모듈, 데이터 감소 모듈 및 판단 엔진은 컴퓨터와 같이 전자 데이터 처리 장치에서 운용되는 소프트웨어에 의해 구현될 수 있다. 예를 들어, 도 5에 개략적으로 도시된 바와 같이, 시스템은 하나 이상의 네트워크 접속 서버(network-connected server)(60) 상에서 구현될 수 있다. 사용자는 검사 설비(11)로부터 생성되는 검사 데이터를 공용 또는 개인 통신망(62)(예를 들어, 인터넷)에 접속된 PC(61) 상의 웹 인터페이스를 통해 시스템에 입력한다. 결과적인 진단 보고서는 웹 인터페이스를 통해 사용자에게 디스플레이되도록 제공될 수 있고, 및/또는 바로 옆의 디지털 프린터로 프린트될 수도 있다. 대안으로(도시되지 않음), 검사 데이터는 PC(61)를 통하거나 검사 설비에 통합되어 있는 네트워크-인터페이스를 통해 검사 설비(11)로부터 시스템에 자동으로 입력될 수도 있다. 다른 대안에서, 스케일링 모듈(16) 및/또는 데이터 감소 모듈(15)은 적절한 입력 데이터를 서버(60) 상의 판단 엔진(13)에 제공하도록, PC(61) 또는 검사 설비(11)에 위치할 수도 있다. 또 다른 대안에서, 전체 시스템은 PC(61) 상에 국부적으로 위치하거나 검사 설비(11)에 위치한다.

도 6은 도 1의 시스템 또는 도 5의 PC/웹 서버/검사 설비와 같이, 임상적 판단 지원 시스템에서 실행되는 방법의 실시예를 설명하는 흐름도이다. 먼저, 검사된 복수의 바이오마커에 대한 검사 결과를 시스템이 수신한다(단계 70). 그런 다음, 미리 정해진 호스트 구조(예를 들어, 도 2의 구조(20))에 액세스하면(단계 71), 그 검사된 바이오마커를 구조에 맵핑함으로써 호스트 세트가 인식된다(단계 72). 맵핑은 하나 이상의 검사된 바이오마커를 포함하거나 관련 있는 호스트를 인식한다. 전술한 바와 같이, 호스트 세트는 하나 이상의 검사된 바이오마커를 포함하는 모든 호스트를 포함하지 않지만, 대신 이러한 호스트의 서브세트로 이루어질 수는 있다. 그런 다음 이러한 호스트의 그 인식된 세트 내의 각각의 호스트에는 호스트에 맵핑되는 그 검사된 바이오마커의 검사 결과에 기초하여 호스트 값이 할당된다(단계 73). 마지막으로, 호스트 세트 및 할당된 호스트 값을 나타내는 데이터가 컴퓨터 기반의 판단 엔진에 입력되기 위해 제공되어, 임상적 판단 지원을 생성한다(단계 74).

도 7은 도 6의 방법을 실행하도록 구성된 시스템에 대한 블록도이다. 도해된 예에서, 시스템은 전술한 검사 결과를 수신하는 컴포넌트(또는 수단)(80), 호스트 구조에 액세스하는 컴포넌트(또는 수단)(81), 맵핑에 의해 호스트 세트를 인식하는 컴포넌트(또는 수단)(82), 그 인식된 호스트 세트 내의 각각의 호스트에 호스트 값을 할당하는 컴포넌트(또는 수단)(83), 그 결과적인 데이터를 판단 엔진에 입력으로서 제공하는 컴포넌트(또는 수단)(84)를 포함한다. 전술한 바와 같이, 본 예에서 시스템을 구성하는 컴포넌트(또는 수단)(80-84)는 하나 이상의 범용 또는 특별한 목적의 컴퓨팅 장치상에서 운용되는 특별한 목적의 소프트웨어(또는 훰웨어)로 구현될 수 있다. 이러한 컴퓨팅 장치는 예를 들어 CPU("중앙 처리 장치"), DSP("디지털 신호 프로세서"), ASIC("Application-Specific Intergrated Circuit"), 이산 아날로그 및/또는 디지털 컴포넌트와 같은 하나 이상의 처리 유닛이나, FPGA("Field Programmable Gate Array")와 같은 일부의 다른 프로그래머블 로직컬 장치를 포함한다. 본 문맥에서, 이러한 장치의 각각의 "컴포넌트" 또는 "수단"은 방법 단계의 개념적 등가를 말하는 것이며, 컴포넌트/수단 및 하드웨어 또는 소프트웨어 루틴의 특별한 부분 간에 항상 일대일 대응하는 것은 아니다. 하드웨어의 한 부분은 때때로 다양한 컴포넌트/수단을 포함한다. 예를 들어, 처리 유닛은 하나의 명령을 수행할 때 하나의 컴포넌트/수단으로서 기능할 수 있지만, 다른 명령을 수행할 때는 다른 컴포넌트/수단으로서 기능할 수도 있다. 또한, 하나의 컴포넌트/수단은 어떤 경우에는 하나의 명령어에 의해 구현될 수 있지만, 다른 어떤 경우에는 복수의 명령어로 구현될 수도 있다. 컴퓨팅 장치는 시스템 메모리 및 시스템 메모리를 포함하는 다양한 시스템 컴포넌트를 처리 유닛에 연결하는 시스템 버스를 더 포함할 수 있다. 시스템 버스는 다양한 버스 아키텍처 중 임의의 아키텍처를 사용하여 메모리 버스나 메모리 컨트롤러, 주변 버스, 및 로컬 버스를 포함하는 다양한 타입 중 임의의 타입의 버스 구조로 이루어질 수 있다. 시스템 메모리는 리드 온리 메모리(ROM), 랜덤 액세스 메모리(RAM) 및 플래시 메모리와 같은 휘발성 메모리 및/또는 비휘발성 메모리 형태로 된 컴퓨터 저장 매체를 포함할 수 있다. 특별한 목적의 소프트웨어가 시스템 메모리에 저장될 수 있거나, 자기 매체, 광 매체, 플래시 메모리 카드, 디지털 테이프, 고체 상태 RAM, 고체 상태 ROM, 등과 같은 컴퓨팅 장치에 포함되거나 액세스 가능한 다른 제거가능/비제거가능 휘발성/비휘발성 컴퓨터 저장 매체에 저장될 수 있다. 컴퓨팅 장치는 직렬 인터페이스, 병렬 인터페이스, USB 인터페이스, 무선 인터페이스, 네트워크 어댑터 등과 같은, 하나 이상의 통신 인터페이스를 포함할 수 있다. 하나 이상의 I/O 장치는 예를 들어 키보드, 마우스, 터치 스크린, 디스플레이, 프린터, 디스크 드라이브 등을 포함하는, 통신 인터페이스를 통해 컴퓨팅 장치에 접속될 수 있다. 특별한 목적의 소프트웨어는 기록 매체, 리드 온리 메모리 또는 전기 반송 신호를 포함하는, 임의의 적절한 컴퓨터가 판독 가능한 매체 상의 컴퓨팅 장치에 제공될 수 있다.

본 발명의 다른 관점은 효과적이고 저렴한 분석 기구를 구성하기 위한 바이오마커 및 호스트 패턴의 계층적 구조의 지식을 사용하는 가능성이다. 많은 수의 다양한 바이오마커를 측정할 수 있는 이러한 기구 대신, 정확한 진단에 필요한 바이오마커의 정해진 서브세트만을 대신 측정할 수 있다. 게다가, 분석 기구는 계층적으로 더 높은 호스트를 나타내는 정해진 서브세트를 이용하여, 선택적으로 컨텍스트 기반의 스케일링과 조합해서, 오퍼레이터가 못 보도록 계층적 바이오마커 및 호스트 패턴의 개념을 감출 수 있고, 이에 의해 오퍼레이터의 트레이닝의 필요성이 최소화될 수 있다. 이러한 분석 기구는 설계가 덜 복잡하고, 조작하는 것이 더 간단하며, 이에 따라 엔드 유저에게는 비용이 덜 들게 된다.

이것은 ("평균" 환자가 아닐 수도 있는) 환자에게서의 (불완전할 수도 있는) 검사 세트를 고려하면, 공통의 CDSS의 구조를 사용해서 정확한 진단이 가능하다는 것을 의미한다. 환자에게서의 불완전한 검사 세트를 고려하여 진단을 현저하게 향상시킬 수 있는 보완 검사를 찾아냄으로써 비용 효과의 후속 연구를 제시하는 것도 가능하다.

기본적인 개념의 추가적인 동기

본 발명의 전술한 실시예는 바이오마커와 호스트 간의 공지의 관계를 나타내는 구조를 제공하는 것과 통상적으로 이러한 호스트들의 계층 구조에 의존한다. 이하에서는 이러한 구조를 제공하는 것에 대해 논의한다.

비제한적인 예로서 질병 알레르기를 사용하면, 알레르겐에 대한 응답에 있어서 환자를 검사하는 것이 가능하다. 호스트는 질병 알레르기와 관련된 몇 가지의 상이한 알레르겐을 가질 수 있다. 게다가, 동일한 알레르겐이 다양한 호스트에서 발견될 수 있다. 그러므로 가설에 근거해서 아래 표 2에 예시한 바와 같이, 호스트 고양이(1111)를, 일련의 고양이에 특정한 알레르겐(1001, 1002) 및 일련의 털 알레르겐(1011, 1012, 1015)과 연관시키는 것이 가능하다. 마찬가지로, 개(1112)는 가설에 근거해서 일련의 개에 특정한 알레르겐(1021, 1022) 및 일련의 털 알레르겐(1011, 1013)과 연관되는 것이 가능하고, 이것들 중 일부는 고양이와 공유될 수 있다(1011). 호스트 말(1113)에 있어서, 개별적인 알레르기를 일으키는 컴포넌트는 알려져 있지 않을 수도 있다. 그러므로 말은 복수의 미지의 컴포넌트를 포함하는 추출(extract)에 의해 표시되고, 상기 추출은 가능성 말 알레르겐의 대부분을 정확하게 망라하는 것으로 공지되어 있다. 말, 고양이 및 개는 함께 털이 있는 포유 동물(1100)을 형성한다. 간단히 말해, 표 2의 예는 알레르겐과 이 알레르겐의 호스트의 공지의 관계에 기초하는 미리 정해진 계층 구조를 나타낸다.

표 2: 알레르겐과 이 알레르겐 호스트 간의 공지의 관계에 기초하는 미리 정해진 계층 구조의 예

비용 및 검사 이용 가능성과 관련해서, 모든 환자에 대한 모든 개별적인 알레르겐에 대해 검사를 하는 것은 비용실용적이게 될 것이다. 그러므로 각각의 호스트 및 각각의 가족에 있어서, 호스트 및 가족을 나타낼 수 있는 검사의 정해진 서브세트가 있을 수 있다. 예를 들어, 하나의 고양이 종 알레르겐(1001, 1002 중 임의의 것) 및 호스트 고양이에 존재하는 털 알레르겐(1011, 1012, 1015 중 임의의 것)을 검사한 경우, 수 개의 알레르겐을 검사하지 않더라도 이러한 두 개의 검사 결과를 사용하여 호스트 고양이를 나타낼 수 있다. 호스트를 정확하게 나타낼 수 있는 바이오마커의 이러한 수 개의 정해진 서브세트는 공지되어 있을 수 있다. 동일한 방식으로, 털 있는 포유동물(1100)은 가족 구성원 중 적어도 두 개(즉, 고양이(1111), 개(1112) 및 말(1113) 중 임의의 두 가지)에 의해 나타내어질 수 있다. 그러므로 정해진 서브세트의 개념은 계층적으로 더 높은 호스트를 일제히 나타낼 수 있는 호스트들에 대해 동등하게 유효하다.

이하의 구성 규칙은 표 2에 나타난 알레르겐-호스트 구조에 적용된다:

호스트는 하나 이상의 관련 알레르겐을 가진다

모든 알레르겐은 다른 호스트들에서도 발견될 수 있다

호스트에 대한 알레르기는 그 호스트와 관련된 알레르겐의 정해진 서브세트에 대한 검사에 의해 나타내어질 수 있다

호스트의 클래스에 대한 알레르기는 그 호스트의 클래스에 포함되어 있는 호스트들의 정해진 서브세트에 대한 알레르기에 의해 나타내어질 수 있다

표 3: 대상에 대한 두 개의 그룹에 있어서, 밀에 대한 IgE 바이오마커 값들과 다른 IgE 바이오마커 값들의 범위 간의 상관 계수

바이오마커의 이러한 계층적 구조가 존재한다는 한 편의 증거는 알레르기 데이터베이스의 콘텐츠를 살펴봄으로써 획득될 수 있다. 위의 표 3은 대상의 두 개의 그룹에 있어서, 밀과 식물 유래의 식품(foods of plant origin)에 대한 IgE 바이오마커의 범위 간의 상관관계를 보여준다. 그룹 A는 밀과 목초 꽃가루에 대한 확인된 상승 IgE 값들을 가지는 대상으로 이루어져 있다. 그룹 B는 밀에 대해서 그러나 목초 꽃가루에 대해서는 아닌 확인된 상승 IgE 값들을 가지는 대상으로 이루어져 있다. 표 3에서 알 수 있는 바와 같이, 양쪽의 그룹 A 및 B에 있어서, 밀에 대한 IgE의 높은 값들은 호밀에 대한 IgE의 높은 값에 있어서 확률이 높다. 그룹 A에 있어서만, 밀의 높은 IgE 값이, 양파, 쌀 및 오렌지를 포함한, 일련의 공통의 알레르겐의 IgE 값들과 상관관계가 있다. 이것은 밀 및 목초 꽃가루에 대한 IgE 바이오마커 값들을 검출하면 다른 가능성 있는 알레르기를 상세하게 표시할 수 있다는 것을 의미한다: 높아진 밀 값만의 경우에 있어서, 높아진 호밀 값들의 표시가 존재한다. 밀과 목초 꽃가루 양쪽의 높아진 값의 경우에 있어서, 높아진 IgE 값들의 표시의 범위가 표 3에 열거된 바와 같이 주어진다. 이러한 타입의 선험적 정보는 계층적 구조의 기본을 제공한다.

본 발명의 전술한 실시예는 또한 검사 결과 또는 호스트 값의 콘텍스트 기반의 스케일링에 따라 다르다. 주어진 검사 결과 및 연령에서 우유에 대하여 반응할 가능성에 있어서 콘텍스트 기반의 스케일링 기능을 이하에 논의한다. 알레르기 및 자기 면역의 당업자는 이하의 논의는 일반적으로 다른 타입의 알레르기 및 다른 타입의 환자 맞춤형 배경 데이터에 적용할 수 있다는 것을 바로 이해한다.

바이오마커 "우유 알레르겐 특정 IgE 항체"가 우유 알레르기와 어떻게 연관되는지에 대해서는 Komata 등의 "The predictive relationship of food-specific serum IgE concentrations to challenge outcomes for egg and milk varies by patient age", J. Allergy Clin. Immunol. 2007 May; 119(5):1272-4에 설명되어 있는 바와 같이 이미 공지되어 있다(상기 문헌은 본 명세서에 원용된다). 관계에 관한 도해가 도 8에 제공되어 있다. 연령에 기초하여 검사 결과를 스케일링하는 정보(본 예에서는 IgE 항체 농도)를 사용함으로써, 판단 엔진은 속성 연령을 취급할 필요가 없고 이에 다라 더 간단하게 될 수 있다.

실제로, 도 8에서의 정보는 다음과 활용될 수 있다: 한 살의 아이를 우유 알레르겐 특정 IgE 항체에 대해 검사하고, 검사 결과가 1.3 kU_A/L인 경우, 그 검사 결과는 연령 및 도 8의 확률 곡선에 기초하여, 더 나이 많은 어린이에 대한 우유 쪽으로의 알레르기를 일으키는 동일한 확률을 나타내는 값으로 스케일링된다. 이 스케일링 과정은 도 8에 굵은 선으로 도시되어 있다. 이러한 특별한 경우, 한 살의 아이는 우유에 대한 알레르기가 될 확률이 0.25이다. 더 나이 많은 환자의 경우, 이 확률은 3 kU_A/L에 대해 얻어진다. 그러므로 한 살의 아이의 1.3 kU_A/L의 검사 결과는 3 kU_A/L로 변환된다. 이 방법에서, 아이의 연령에 관계없이 하나의 분석이 가치가 있을 것이다. Komata 등의 위에서의 보고서에서는, 한 명의 어린이를 조사하였으나, 성인이나 그보다 더 나이 많은 환자 연령의 어떠한 그룹에 대해서도 동일한 맵핑이 수행될 수 있다는 것을 이해할 수 있다.

본 발명은 위에서 몇 가지의 실시예를 참조하여 주로 설명하였다. 그렇지만, 당업자가 용이하게 이해할 수 있는 바와 같이, 위에서 설명한 실시예와는 다른 실시예도 본 발명의 정신 및 범주 내에서 마찬가지로 가능하고, 이것은 첨부된 청구의 범위에 의해서만 정의되고 제한된다.

본 발명은 알레르기가 아닌 질병의 진단에 대해서도 적용 가능하다. 기본적으로, 일련의 바이오마커(예를 들어, 바이오마커의 마이크로-어레이 패널)가 사용되고 서로 상관관계가 있거나 관련되어 있고 이에 따라 그룹들 및 서브그룹들로 그룹화될 수 있고, 또한 선택적으로 임상적 증상에 대한 중요성이 문맥에서 스케일링되어야 하는 어떠한 진단 영역에서도 적용 가능하다. 대안의 진단 영역에 대한 예로서는, 자기 면역, 암, 및 중추신경계(CNS:central nervous system) 관련 질병을 들 수 있다. 바이오마커는 그룹들/서브그룹들로 그룹화될 수 있기 때문에, 호스트가 바이오마커와 관련 있는 미리 정해진 구조가 적어도 도해적으로 형성될 수 있다. 그러므로 당업자는 대안의 진단 영역에 대한 위에서의 설명을 적용할 수 있다.

위의 예에서, 모든 검사 결과는 공통의 측정 범위에 주어진다. 이것은 필수 사항은 아니다. 대신, 다양한 측정 범위가 다양한 검사 결과에 사용될 수 있다. 마찬가지로, 다양한 측정 범위가 다양한 호스트에 할당된 호스트 값에 대해 사용될 수 있다.

Claims

복수의 검사된 바이오마커에 대한 검사 결과에 기초하여 임상적 판단 지원을 가능하게 하는 방법에 있어서,
각각의 검사 결과는 제1 분해능의 값으로 제공되며,
상기 검사 결과를 수신하는 단계;
이용 가능한 바이오마커들이 호스트들과 관련되어 있고, 적어도 하나의 호스트가 복수의 바이오마커와 관련되어 있는 미리 정해진 구조(20)에 액세스하는 단계;
상기 복수의 검사된 바이오마커를 상기 미리 정해진 구조(20)에 맵핑함으로써 호스트 세트를 인식하는 단계;
상기 호스트에 맵핑되는 상기 검사된 바이오마커(들)의 검사 결과에 기초하여 상기 호스트 세트 내의 각각의 호스트에, 제2 분해능의 값으로 제공되는 호스트 값을 할당하는 단계; 및
상기 임상적 판단 지원을 작성하기 위해 상기 호스트 세트 및 상기 할당된 호스트 값을 나타내는 입력 데이터를, 컴퓨터가 판독 가능한 판단 엔진(13)에 대한 입력에 제공하는 단계
를 포함하는 방법.
제1항에 있어서,
상기 구조(20)는 레벨(L1-L4)의 계층에서의 호스트를 포함하는, 방법.
제1항 또는 제2항에 있어서,
상기 호스트 세트 내의 호스트의 수는 이용 가능한 바이오마커의 수보다 작은, 방법.
제1항 내지 제3항 중 어느 한 항에 있어서,
상기 제2 분해능은 상기 제1 분해능보다 낮은, 방법.
제1항 내지 제4항 중 어느 한 항에 있어서,
상기 검사 결과에 대한 환자 맞춤형 배경 데이터(patient-specific background data)에 기초해서 상기 검사 결과 또는 상기 호스트 값을 스케일링하는 단계를 더 포함하는 방법.
제5항에 있어서,
상기 환자 맞춤형 배경 데이터는, 개체군 통계학 데이터(demographic data), 병력(anamnesis), 유전 인자(heredity factors), 응답 패턴(response pattern), 환자 내력(patient history) 및 유전자 데이터(genetic data) 중 적어도 하나를 포함하는, 방법.
제5항 또는 제6항에 있어서,
상기 입력 데이터에 상기 환자 맞춤형 배경 데이터 중 적어도 일부를 포함시키는 단계를 더 포함하는 방법.
제1항 내지 제7항 중 어느 한 항에 있어서,
적어도 하나의 환자 증상을 인식하고 상기 환자 증상을 나타내는 데이터를 상기 입력 데이터에 포함시키는 단계를 더 포함하는 방법.
제1항 내지 제8항 중 어느 한 항에 있어서,
상기 복수의 검사된 바이오마커는 면역 글로불린 상과(Immunoglobulin super-family)의 구성원(members)이고, 혈액에 대해 검사되는, 방법.
제1항 내지 제9항 중 어느 한 항에 있어서,
상기 이용 가능한 바이오마커의 수는 약 10 이상인, 방법.
제1항 내지 제10항 중 어느 한 항에 있어서,
상기 복수의 검사된 바이오마커는 항체인, 방법.
제1항 내지 제12항 중 어느 한 항에 있어서,
상기 임상적 판단 지원은 알레르기 또는 자기면역 질병의 진단과 관련 있는, 방법.
제1항 내지 제12항 중 어느 한 항에 있어서,
상기 미리 정해진 구조(20)는 상기 바이오마커와 상기 호스트 간의 공지의 관계를 나타내는, 방법.
제1항 내지 제13항 중 어느 한 항의 방법을 컴퓨터가 실행하기 위한 명령어를 포함하는 컴퓨터 프로그램 제품.
복수의 검사된 바이오마커에 대한 검사 결과에 기초하여 임상적 판단 지원을 가능하게 하는 시스템에 있어서,
각각의 검사 결과는 제1 분해능의 값으로 제공되며,
상기 검사 결과를 수신하기 위한 컴포넌트(80);
이용 가능한 바이오마커들이 호스트들과 관련되어 있고, 적어도 하나의 호스트가 복수의 바이오마커와 관련되어 있는 미리 정해진 구조(20)에 액세스하기 위한 컴포넌트(81);
상기 복수의 검사된 바이오마커를 상기 미리 정해진 구조(20)에 맵핑함으로써 호스트 세트를 인식하기 위한 컴포넌트(82);
상기 호스트에 맵핑되는 상기 검사된 바이오마커(들)의 검사 결과에 기초하여 상기 호스트 세트 내의 각각의 호스트에, 제2 분해능의 값으로 제공되는 호스트 값을 할당하기 위한 컴포넌트(83); 및
상기 임상적 판단 지원을 작성하기 위해 상기 호스트 세트 및 상기 할당된 호스트 값을 나타내는 입력 데이터를, 컴퓨터가 판독 가능한 판단 엔진(13)에 대한 입력에 제공하기 위한 컴포넌트(84)
를 포함하는 시스템.
제15항에 있어서,
상기 검사 결과에 대한 환자 맞춤형 배경 데이터(patient-specific background data)에 기초해서 상기 검사 결과 또는 상기 호스트 값을 스케일링하기 위한 컴포넌트(16)를 더 포함하는 시스템.
제15항 또는 제16항에 있어서,
상기 컴퓨터에 기반한 판단 엔진(13)을 더 포함하는 시스템.
제15항 내지 제17항 중 어느 한 항에 있어서,
상기 검사 결과를 작성하기 위한 컴포넌트(11)를 더 포함하는 시스템.
제18항에 있어서,
상기 검사 결과를 작성하기 위한 컴포넌트(11)는 바람직하게 시험관 내(in vitro) IgE ab 검출 기술을 이용해서, 미리 정해진 바이오마커의 서브세트를 검사하도록 구체적으로 설계되어 있는 분석 기구를 포함하는, 시스템.
제15항 내지 제19항 중 어느 한 항에 있어서,
상기 컴포넌트(11, 80-84)는 단일의 디바이스로 일체화되어 있는, 시스템.