KR20130104883A - 관상동맥석회화 수준 변화 예측장치 및 예측방법 - Google Patents

관상동맥석회화 수준 변화 예측장치 및 예측방법 Download PDF

Info

Publication number
KR20130104883A
KR20130104883A KR1020120026812A KR20120026812A KR20130104883A KR 20130104883 A KR20130104883 A KR 20130104883A KR 1020120026812 A KR1020120026812 A KR 1020120026812A KR 20120026812 A KR20120026812 A KR 20120026812A KR 20130104883 A KR20130104883 A KR 20130104883A
Authority
KR
South Korea
Prior art keywords
coronary artery
artery calcification
prediction
cluster
level
Prior art date
Application number
KR1020120026812A
Other languages
English (en)
Other versions
KR101984247B1 (ko
Inventor
이지현
감혜진
김하영
유상현
최윤호
강미라
박정의
성지동
신희영
조성원
조수진
Original Assignee
삼성전자주식회사
사회복지법인 삼성생명공익재단
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 삼성전자주식회사, 사회복지법인 삼성생명공익재단 filed Critical 삼성전자주식회사
Priority to KR1020120026812A priority Critical patent/KR101984247B1/ko
Priority to US13/835,855 priority patent/US9324035B2/en
Publication of KR20130104883A publication Critical patent/KR20130104883A/ko
Application granted granted Critical
Publication of KR101984247B1 publication Critical patent/KR101984247B1/ko

Links

Images

Classifications

    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/70—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
    • 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
    • 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
    • G16H50/30—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for calculating health indices; for individual health risk assessment

Landscapes

  • Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Public Health (AREA)
  • Biomedical Technology (AREA)
  • Data Mining & Analysis (AREA)
  • Primary Health Care (AREA)
  • Epidemiology (AREA)
  • General Health & Medical Sciences (AREA)
  • Databases & Information Systems (AREA)
  • Pathology (AREA)
  • Software Systems (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Artificial Intelligence (AREA)
  • Measuring And Recording Apparatus For Diagnosis (AREA)
  • Medical Treatment And Welfare Office Work (AREA)

Abstract

현재의 관상동맥석회화 수치 및 다양한 영향변수를 이용하여 수진자의 미래 시점의 관상동맥석회화 수준 변화를 예측하는 관상동맥석회화 수준 변화 예측장치 및 예측방법에 관한 것으로서, 입력부, 클러스터 지정부, 영향변수값 추출부, 예측모델 저장부, 예측모델 학습부 및 예측부를 포함하는 관상동맥석회화 수준 변화 예측장치와 입력단계, 클러스터 지정단계, 영향변수값 추출단계 및 작업 수행단계를 포함하는 관상동맥석회화 수준 변화 예측방법이 개시된다.

Description

관상동맥석회화 수준 변화 예측장치 및 예측방법{APPARATUS AND METHOD FOR PREDICTION OF CAC SCORE LEVEL CHANGE}
수진자의 미래 시점의 관상동맥석회화 수준 변화를 예측하는 기술과 관련된다.
관상동맥질환은 선진국의 가장 높은 사망원인 중 하나이다. 관상동맥질환자인구의 50% 정도에서 심근경색이 발생하며, 심근경색의 정도가 심한 경우 죽음에 이를 수 있다.
관상동맥석회화(CAC, Coronary artery calcium)값은 심질환의 위험과 관련이 있다고 알려져 왔다.
컴퓨터 단층촬영(CT, computerized tomography) 등을 통해 획득되는 CAC값(CACS)은, 죽상동맥경화증(atherosclerosis)의 진행이나 혈관상의 플라크(plaque)의 축적을 보여주며, 이러한 CAC 값의 증가는 향후 심근 경색 등의 예측인자 혹은 일반 심질환의 위험인자로 생각되어 왔다.
CAC를 측정하는 것은 환자들(특히 중위험도의 환자들)의 심질환 위험도를 제시하는 데 중요하다.
CAC 값의 증가와 관련된 인자로는 나이, 흡연 여부, 고혈압, 당뇨, 콜레스테롤 수치, LDL(low-density lipoprotein), HDL(high-density lipoprotein) 콜레스테롤 함량, 비만, 신장질환 등이 보고되어 왔다.
그러나, 기존의 연구는 개별 위험인자 기준으로 질환/비질환 군 간의 통계적인 차이를 제시한 것으로 개별 위험인자들의 정량화된 위험도 및 이들 위험인자의 통합에 따른 총체적 영향을 제시하거나 직접적인 예측모델을 제시하지 못하고 있다.
또한, 병원에서 기존에 알려지지 않은 영향변수들을 반영할 수 있는 다양한 검사가 병행 시행되고 있음에도 그 결과를 CAC 증가를 예측하는 데에 활용하지 못하고 있다. 즉, 기존에 심질환 발생 위험과 관련된 예측 연구들이 일부 존재하지만, 이들은 CAC 증가의 결과로 초래되는 협심증, 심근경색, 뇌경색 등의 심질환 발병을 예측하는 수준에 머무르고 있다.
본 발명자는 병원 검사 수진자의 여러 검사결과 데이터를 기반으로 수진자의 미래 시점의 관상동맥석회화 수준의 변화를 예측함으로써, 고위험군의 환자에게 적절한 관리와 약물치료를 가능케 하고, 저위험군의 환자에게는 불필요한 검사를 최소화할 수 있을 것임에 주목하였다.
수진자의 관상동맥석회화 수치 및 다양한 영향변수를 이용하여 수진자의 미래 시점의 관상동맥석회화 수준 변화를 예측하는 관상동맥석회화 수준 변화 예측장치 및 예측방법을 제시한다.
일 양상에 따른 관상동맥석회화 수준 변화 예측장치는, 수진자의 관상동맥석회화에 관한 수진 데이터 및 상기 수진 데이터에 관한 작업정보를 입력받는 입력부; 상기 수진자의 특성에 의거하여 상기 수진자의 관상동맥석회화에 관한 수진 데이터에 소속 클러스터를 지정하는 클러스터 지정부; 상기 소속 클러스터의 영향변수 모음에서 사용되는 적어도 하나의 영향변수값을 상기 수진 데이터로부터 추출하는 영향변수값 추출부; 관상동맥석회화 수준 변화를 예측하는 복수의 예측모델을 저장하는 예측모델 저장부; 상기 영향변수값 추출부가 추출한 상기 영향변수값을 상기 소속 클러스터에 대응되는 예측모델에 적용하여 기계학습을 수행하는 예측모델 학습부; 및 상기 영향변수값 추출부가 추출한 상기 영향변수값을 복수의 상기 예측모델 중 상기 소속 클러스터에 대응되는 상기 예측모델에 적용하여 예측결과를 도출하는 예측부;를 포함한다.
이 때, 상기 예측모델 학습부에 의한 상기 기계학습은 상기 작업정보가 학습명령인 경우에만, 상기 예측부에 의한 상기 예측결과의 도출은 상기 작업정보가 예측명령인 경우에만 택일적으로 수행되도록 하는 것이 바람직하다.
다른 양상에 따른 관상동맥석회화 수준 변화 예측방법은, 수진자의 관상동맥석회화에 관한 수진 데이터 및 상기 수진 데이터에 관한 작업정보가 입력되는 입력단계; 상기 수진자의 특성에 의거하여 상기 수진자의 관상동맥석회화에 관한 수진 데이터에 소속 클러스터가 지정되는 클러스터 지정단계; 상기 소속 클러스터의 영향변수 모음에서 사용되는 적어도 하나의 영향변수값이 상기 수진 데이터로부터 추출되는 영향변수값 추출단계; 상기 작업정보에 따라, 상기 예측모델의 학습작업 및 상기 예측모델을 이용한 예측작업 중 하나의 작업이 택일적으로 수행되는 작업 수행단계; 를 포함한다.
이 때, 상기 작업 수행단계에서, 상기 작업정보가 학습명령인 경우, 상기 영향변수값 추출단계에서 추출된 상기 영향변수값이 복수의 상기 예측모델 중 상기 소속 클러스터에 대응되는 예측모델에 적용되어 기계학습됨으로써 상기 학습작업이 수행되고, 상기 작업정보가 예측명령인 경우, 상기 영향변수값 추출단계에서 추출된 상기 영향변수값이 상기 소속 클러스터에 대응되는 상기 예측모델에 적용됨으로써 상기 수진자의 미래 관상동맥석회화 수준 변화에 관한 상기 예측작업이 수행될 수 있다.
또 다른 양상에 따른 관상동맥석회화 수준 변화 예측장치는, 수진자의 관상동맥석회화에 관한 수진 데이터를 입력받는 입력부; 상기 수진 데이터의 관상동맥석회화 수치에 의거하여 상기 수진데이터의 소속 클러스터를 지정하는 클러스터 지정부; 상기 소속 클러스터의 영향변수 모음에 필요한 적어도 하나의 영향변수값을 상기 수진 데이터로부터 추출하는 영향변수값 추출부; 관상동맥석회화 수준 변화를 예측하는 복수의 예측모델을 저장하는 예측모델 저장부; 및 상기 영향변수값을 복수의 상기 예측모델 중 상기 소속 클러스터에 관한 예측모델에 적용하여 상기 수진자의 관상동맥석회화 수준의 변화여부를 도출하는 예측부;를 포함한다.
또 다른 양상에 따른 관상동맥석회화 수준 변화 예측방법은, 수진자의 관상동맥석회화에 관한 수진 데이터를 입력받는 단계; 2 이상의 클러스터 중 상기 수진 데이터의 관상동맥석회화 수치에 대응되는 클러스터를 상기 수진 데이터의 소속 클러스터로 지정하는 단계; 상기 수진 데이터로부터 상기 소속 클러스터의 영향변수 모음에 필요한 적어도 하나의 영향변수값을 추출하는 단계; 관상동맥석회화 수준 변화를 예측하는 복수의 예측모델을 저장하는 단계; 및 상기 영향변수값을 복수의 상기 예측모델 중 상기 소속 클러스터에 관한 예측모델에 적용하여 상기 수진자의 관상동맥석회화 수준의 변화여부를 도출하는 단계;를 포함한다.
일정한 미래 시점에 관상동맥석회화 수준 변화가 악화될 것으로 예상되는 집단을 예측함으로써, 고위험군 환자 집단에 대해서 적절한 관리와 약물치료 등을 미리 적절히 시행함으로써, 심질환과 뇌졸중 등을 예방할 수 있는 가능성을 높일 수 있다.
도 1은 관상동맥석회화 수준 변화 예측장치의 일례를 나타낸 블록도,
도 2는 도 1의 관상동맥석회화 수준 변화 예측장치에서 작업정보가 학습명령인 경우에 활성화되는 관상동맥석회화 수준 변화 예측장치의 구성요소만을 나타낸 블록도,
도 3은 도 1의 관상동맥석회화 수준 변화 예측장치에서 작업정보가 예측명령인 경우에 활성화되는 관상동맥석회화 수준 변화 예측장치의 구성요소만을 나타낸 블록도,
도 4는 관상동맥석회화의 진행상태를 단계별로 구분한 경우를 예시한 그래프,
도 5는 다른 양상에 의한 관상동맥석회화 수준 변화 예측방법의 일례를 나타낸 흐름도,
도 6은 도 5를 더욱 자세히 나타낸 흐름도이다.
도 7은 관상동맥석회화 수준 변화 예측장치의 다른 예를 나타낸 블록도이다.
수진자의 관상동맥석회화 수준 변화를 예측하기 위해서는 다음과 같은 두 가지가 필요하다.
첫 번째로, 해당 수진자에 관한 초음파 진단검사 결과를 비롯한 각종 검진 데이터에 의거하여 예측을 수행할 수 있는 예측모델(관상동맥석회화 수준 변화 예측모델)이 구축되어 있어야 한다.
두 번째로, 구축된 관상동맥석회화 수준 변화 예측모델에 특정 질의자의 수진 데이터를 입력함으로써 미래의 관상동맥석회화 수준 변화 예측결과를 얻을 수 있어야 한다.
도 1은 관상동맥석회화 수준 변화 예측장치의 일례를 나타낸 블록도이다.
도 1에서 예시한 관상동맥석회화 수준 변화 예측장치(10)는, 입력부(100), 클러스터 지정부(110), 영향변수값 추출부(120), 예측모델 저장부(130), 예측모델 학습부(140) 및 예측부(150)를 포함한다.
입력부(100)는 수진자의 관상동맥석회화에 관한 수진 데이터 및 그 수진 데이터에 관하여 수행되어야 할 작업정보를 입력받는다.
수진 데이터는 수진자에 관하여 병원에서 수집된 각종 검사 및 문진의 결과 데이터의 모음이다. 여기에는 관상동맥석회화의 진행에 관련이 있는 항목도 있지만, 그렇지 않은 항목도 있다. 따라서, 수진 데이터를 이루는 여러 항목 중 관상동맥석회화의 진행에 대한 통계적 유의도가 높은 영향변수(Risk Factor)에 관한 수치(영향변수값)만을 선별하여 예측모델에 적용하여야 한다.
또한, 작업정보란 입력된 수진 데이터에 대하여 이루어져야 할 작업의 유형을 지정하는 명령을 말한다. 예컨대, 관상동맥석회화 수준 변화 예측장치의 메뉴 항목에서 적절한 작업에 관한 버튼을 선택함으로써 인가되는 명령 등이 작업정보가 될 수 있다.
만약 작업정보가 학습명령인 경우에는 예측모델 학습부(140)에서 그 수진 데이터를 이용한 예측모델의 학습이 이루어진다. 또한, 작업정보가 예측명령인 경우에는 예측부(150)에서 그 수진 데이터를 이용하여 그 수진 데이터에 관한 수진자의 미래의 관상동맥석회화 수준 변화에 관한 예측이 이루어진다.
클러스터 지정부(110)는 수진자의 특성에 의거하여 수진자의 관상동맥석회화에 관한 수진 데이터에 소속 클러스터를 지정한다.
클러스터는 공통적인 특성을 갖는 수진 데이터를 모은 것이다. 클러스터마다 그 클러스터에 속하는 수진 데이터에 최적화된 예측모델을 적용하면, 예측의 정확도를 현저히 향상시킬 수 있다.
예컨대, 수진자의 관상동맥석회화 수치에 따라 전체 수진자 집단을 관상동맥석회화 수치의 구간을 적절히 나눈 다수의 클러스터로 분류할 수 있다.
대표적인 관상동맥석회화 수준 분류의 예로서 Agaston 기준에 따라 4개의 레벨(또는 "클래스")로 관상동맥석회화 수준을 분류한 것이 있다. 표 1에서 이를 나타낸다.
클래스 Class I Class II Class III Class IV
구간 CACS = 0 0 < CACS < 100 100 ≤CACS < 400 400 ≤ CACS
위험도 정상 경도 중등도 고도
표 1에서의 클래스에 대응하도록 수진자를 4개의 클러스터로 분류하는 것도 가능하다. 그러나, 도 1의 실시예에서는 이를 더욱 단순화하여, Class I에 대응되는 클러스터와 Class II,III,IV에 대응되는 클러스터 등 2개의 클러스터로 수진자를 분류하는 경우를 예시한다.
영향변수값 추출부(120)는 소속 클러스터의 영향변수 모음에서 사용되는 적어도 하나의 영향변수값을 수진 데이터로부터 추출한다.
영향변수(Risk Factor)는 관상동맥석회화 수준 변화 예측의 결과에 영향을 미치는 인자이다. 예컨대, 수진자의 초기 관상동맥석회화 수치나 혈압 수치, 혈중 콜레스테롤 수치 등은 매우 유의미한 영향변수이다.
수진 데이터에는 이러한 영향변수에 관한 검사수치, 즉 영향변수값이 포함된다. 예컨대 영향변수가 연령인 경우, 수진 데이터에는 그 영향변수에 대응되는 영향변수값으로서 그 수진자의 연령 수치(예컨대 "30")가 포함된다.
이 때, 서로 다른 예측모델에는 서로 다른 영향변수 모음(Risk Factor Set)이 적용될 수 있다.
표 2는 예측모델에 적용되는 영향변수 모음의 형식을 예시한 표이다.
Risk Factor Set Model Risk Factor OR CI (95%) P-Value
RFS1 Model1 RF1 1.01 1.01 1.01 3.54E-07
RF2 0.13 0.11 0.15 <2E-16
... ... ... ... ...
... ... ... ... ... ... ...
표 2에서 예시한 영향변수 모음(RFS1)은, 다수의 영향변수(RF1, RF2,...)로 이루어진다. 수진 데이터를 이루는 여러 항목 중 관상동맥석회화 진행과의 관련성이 높은 요소가 영향변수로 사용된다. 예컨대, 수진자의 초기 관상동맥석회화 수치나 혈압 수치, 혈중 콜레스테롤 수치, 연령, 흡연여부, 당뇨, LDL(low-density lipoprotein), HDL(high-density lipoprotein) 등은 매우 유의미한 영향변수로서 영향변수 모음에 포함될 수 있다.
한편, 각각의 영향변수는 그 영향변수와 관상동맥석회화 단계변화 간의 상관도(OR: Odd Ratio) 수치, 상관도 수치의 신뢰구간(95% 신뢰도 기준) 및 상관도 수치의 통계적 유의도(P-Value)에 관한 필드를 더 가질 수 있다.
예측모델 저장부(130)는 관상동맥석회화 수준 변화를 예측하는 복수의 예측모델을 저장한다.
클러스터마다 다른 예측모델이 적용되기 때문에, 다수의 클러스터가 존재하면 각각의 클러스터에 대응되는 예측모델도 다수 개 존재한다. 이들 예측모델은 예측모델 저장부(130)에 저장되며, 특정 클러스터에 속하는 수진 데이터에 관한 작업이 수행되는 경우에 그 클러스터에 대응되는 예측모델이 선택되어 사용된다.
예측모델 학습부(140)는 영향변수값 추출부(120)가 추출한 영향변수값을 수진 데이터의 소속 클러스터에 대응되는 예측모델에 적용하여 기계학습을 수행한다.
각각의 예측모델에는 기계학습을 구현하기에 적합한 공지의 알고리듬이 폭넓게 적용될 수 있다. 예컨대, 서포트 벡터 머신(SVC: Support Vector Machine)이나 결정 트리(Decision Tree), 다층 퍼셉트론(MLP: Multi-Layer Perceptron), 로짓부스트(LogitBoost) 등이 단독으로 또는 조합하여 사용된다.
특정 수진 데이터를 입력하고, 특정 알고리듬을 기반으로 하는 예측모델에 대한 기계학습을 수행함으로써, 입력되는 수진 데이터에 대한 판별 기준이 구축될 수 있다. 이를 통하여, 이후 특정 수진자에 대한 새로운 수진 데이터가 주어졌을 때 그 데이터에 의거한 해당 수진자의 관상동맥석회화 진행추이를 예측할 수 있게 되는 것이다.
예측부(150)는 영향변수값 추출부(120)가 추출한 영향변수값을 수진 데이터의 소속 클러스터에 대응되는 예측모델에 적용함으로써, 수진자의 미래 관상동맥석회화 수준 변화에 관한 예측결과를 도출한다.
한편, 관상동맥석회화 수준 변화 예측장치(10)에 입력되는 하나의 수진 데이터는 그 수진 데이터에 관한 예측모델의 기계학습에 사용하거나, 미래의 관상동맥석회화 수준 변화를 예측하는 데에 사용될 수 있다. 도 2 및 도 3에서 이를 나타내었다.
도 2는 작업정보가 학습명령인 경우에 활성화되는 관상동맥석회화 수준 변화 예측장치의 구성요소만을 나타낸 도면이다.
작업정보가 학습명령인 경우에는, 관상동맥석회화 수준 변화 예측장치(10')로 입력되는 수진 데이터를 예측모델의 기계학습에 사용하는 구성요소만이 활성화된다. 이에 해당하는 구성요소는 도 2에서 나타낸 바와 같이, 입력부(100'), 클러스터 지정부(110'), 영향변수값 추출부(120'), 예측모델 저장부(130') 및 예측모델 학습부(140')이다.
또한, 도 3은 작업정보가 예측명령인 경우에 활성화되는 관상동맥석회화 수준 변화 예측장치의 구성요소만을 나타낸 도면이다.
작업정보가 예측명령인 경우에는, 관상동맥석회화 수준 변화 예측장치(10'')로 입력되는 수진 데이터를 소속 클러스터에 관한 예측모델에 적용하여 미래의 관상동맥석회화 수준 변화를 예측하는 데에 사용되는 구성요소만이 활성화된다. 이에 해당하는 구성요소는 도 3에서 나타낸 바와 같이, 입력부(100''), 클러스터 지정부(110''), 영향변수값 추출부(120''), 예측모델 저장부(130'') 및 예측모델 학습부(140'')이다.
도 4는 관상동맥석회화의 진행상태를 단계별로 구분한 경우를 예시한 그래프이다.
관상동맥석회화의 상태 및 추이는 구체적인 수치로 표현할 수도 있지만, 관상동맥석회화 상태를 나타내는 수치의 구간을 여러 단계로 나누어 표현할 수도 있다. 진단 환경이나 수진자의 컨디션 및 수진자마다의 특성 등 다양한 요인에 따라 데이터의 편차가 크게 발생할 수 있기 때문에, 구간에 따라 단계별로 나누는 방법이 유용할 수 있다.
도 4에서 수진자(P1)는 2001년 및 2003년에 각각 관상동맥석회화의 측정을 수행하였다. 마찬가지로, 수진자(P2)는 2002년 및 2006년에, 수진자(P3)는 2001년, 2003년 및 2005년에, 수진자(P4)는 2002년, 2005년 및 2006년에 관상동맥석회화의 측정을 수행하였다.
도 4에서의 관상동맥석회화의 수준(Level)은 표 1에서 언급한 클래스에 대응된다. 즉, 구간별로 수준0은 정상상태(Class I)에, 수준1은 경도 위험상태(Class II)에, 수준2는 중등도 위험상태(Class III)에, 수준3은 고도 위험상태(Class IV)에 각각 대응된다.
관상동맥석회화 수치 및 그 검진일시는 관상동맥석회화의 진행정도를 예측하는 모델을 학습하고 활용하는 데에 필수적인 영향변수이다.
만약 수진 데이터로부터 (관상동맥석회화 수치, 검진일시)의 쌍으로 이루어진 영향변수값이 2건 이상 얻어지는 경우에는, 최초 측정시와 최후 측정시의 수준 변화에 관한 정보를 그 수진 데이터에 포함된 다른 영향변수값과 함께 소속 클러스터에 관한 예측모델에 적용함으로써 예측모델의 학습에 활용할 수 있다.
또한, 수진 데이터로부터 특정 검진일시에 측정된 관상동맥석회화 수치가 얻어지는 경우에는, 그 (관상동맥석회화 수치, 검진일시) 및 다른 영향변수값과 함께 소속 클러스터에 관한 예측모델에 적용함으로써 일정한 미래 시점에 수진자의 관상동맥석회화 수준 변화의 예측결과를 얻을 수 있다.
표 3은 각 수진자별 최초 측정시와 최후 측정시의 수준 변화를 나타낸 표이다.
수진자 최초 측정시
관상동맥석회화 수준		 최후 측정시
관상동맥석회화 수준		 수준 변화
P1 Level 0 Level 1 증가 (+1)
P2 Level 0 Level 0 불변 (±0)
P3 Level 2 Level 2 불변 (±0)
P4 Level 2 Level 3 증가 (+1)
다시 도 1로 돌아가면, 예측모델 학습부(140)는 수진 데이터에 포함된 최후 관상동맥석회화 수치가 속하는 수준이 최초 관상동맥석회화 수치의 수준보다 높은지 여부를 판단한다. 예컨대, 표 2의 수진자(P4)의 경우에는 단계가 상승하였음을 알 수 있다.
단계가 상승한 경우는, 해당 수진 데이터에 포함된 기간 동안, 관상동맥석회화 정도가 심화되었음을 의미한다. 이 경우, 예측모델 학습부(140)는 수진 데이터의 관상동맥석회화 수준 변화에 관한 정보를 나타내는 결과변수("Outcome"이라고 명명한다)에 예컨대 1을 입력할 수 있다.
한편, 단계가 상승하지 않은 경우는, 그 수진자가 관상동맥석회화 검진을 받은 기간 동안, 관상동맥석회화 정도가 비슷한 정도로 유지되었거나 또는 완화되었음을 의미한다. 이 경우, 수진 데이터의 관상동맥석회화 진행추이에 관한 정보를 나타내는 결과변수에 예컨대 0을 입력할 수 있다.
이와 같이 예측모델 학습부(140)에서 그 수진 데이터에 의하여 기계학습된 예측모델은 이후에 같은 클러스터에 속하는 다른 수진 데이터를 기초로 하여 미래의 관상동맥석회화 수준 변화를 예측하는 데에 사용될 수 있다.
즉, 작업정보가 예측명령인 수진 데이터가 입력되어 예측부(150)가 예측을 행한 결과가 만약 1이 된다면, 그 수진 데이터에 관한 수진자의 미래의 관상동맥석회화 수준이 상승할 것으로 예측할 수 있다. 예컨대, 그 수진 데이터에 포함된 관상동맥석회화 수치가 앞서 언급한 Level 1의 "경도 위험상태"였다면, 관상동맥석회화 수준이 Level 2의 "중등도 위험상태"로 변화할 것임을 알 수 있게 된다.
한편, 예측모델의 학습은 관상동맥석회화 진단을 2회 이상 수행한 수진 데이터에 대해서만 이루어질 수 있다. 관상동맥석회화 진단 회수가 1회 또는 0회인 경우에는, 최초 관상동맥석회화 수치와 최후 관상동맥석회화 수치를 특정할 수 없는 문제가 있기 때문이다.
한편, 도 1의 실시예에서는 수진 데이터 집단을 2개의 클러스터(Class I을포함하는 클러스터 및 Class II,III,IV를 포함하는 클러스터)로 분류하였으나, 이는 예시에 불과하다.
즉, 수진 데이터에 관한 클러스터링 방법은 기존의 클러스터링 기법을 폭넓게 활용함으로써 이루어지도록 할 수 있다.
그러나, 수진 데이터의 집단특성을 충실히 반영하는 기준(들)은 다양하게 존재할 수 있으며, 이 기준(또는 기준들의 조합)을 적용하는 구체적인 방법론에 따라 클러스터링의 기법 또한 달라지게 된다.
즉, 클러스터의 기준이 되는 관상동맥석회화 수치의 범위를 달리하거나, 클러스터의 개수를 달리 하는 다양한 변형이 모두 가능하다.
도 5는 다른 양상에 의한 관상동맥석회화 수준 변화 예측방법의 일례를 나타낸 흐름도이다.
도 5에서 예시한 관상동맥석회화 수준 변화 예측방법은, 입력단계(S100), 클러스터 지정단계(S110), 영향변수값 추출단계(S120) 및 작업 수행단계(S130)를 포함한다.
입력단계(S100)에서는 수진자의 관상동맥석회화에 관한 수진 데이터 및 그 수진 데이터에 관한 작업정보가 관상동맥석회화 수준 변화 예측장치로 입력된다.
클러스터 지정단계(S110)에서는 그 수진자의 특성에 의거하여 입력단계(S100)에서 입력된 수진 데이터의 클러스터링이 수행된다. 이에 따라, 수진 데이터가 속하는 소속 클러스터가 지정된다.
예컨대 관상동맥석회화 수치를 기준으로 수진 데이터 집단을 둘로 분류하는 클러스터링을 수행한다면, 입력된 수진 데이터의 소속 클러스터는 관상동맥석회화 수치가 정상(즉, CACS = 0)이어서 Class I에 대응되는 클러스터 및 관상동맥석회화 수치가 비정상(즉, CACS > 0)이어서 Class II,III,IV에 대응되는 클러스터 중 어느 하나가 될 수 있다.
영향변수값 추출단계(S120)에서는 수진 데이터의 소속 클러스터에 적용되는 영향변수 모음에서 사용되는 적어도 하나의 영향변수값이 수진 데이터로부터 추출된다.
작업 수행단계(S130)에서는 입력단계(S100)에서 입력된 작업정보의 내용에 따라 예측모델의 학습작업과 예측모델을 이용한 예측작업 중 하나의 작업이 수행된다.
도 6은 도 5를 더욱 자세히 나타낸 흐름도이다.
도 5의 도면부호(S100, S110, S120, S130)는 각각 도 6의 도면부호(S100', S110', S120', S130')에 순서대로 대응된다.
입력단계(S100')에서는 수진 데이터 및 작업정보가 관상동맥석회화 수준 변화예측장치의 입력부로 입력된다.
클러스터 지정단계(S110')에서는 수진 데이터의 특성에 따라 소속 클러스터가 지정된다. 또한, 소속 클러스터가 지정됨에 따라 그 수진 데이터가 이용되는 예측모델도 결정된다.
예컨대, N개의 클러스터(1 < k ≤ N)로 이루어지는 클러스터링 기법이 적용되었을 때, 입력된 수진 데이터가 k번째 클러스터에 속하게 되면, 그 수진 데이터에는 k번째 클러스터에 관한 예측모델("Model(k)") 및 영향변수 모음("Risk Factor Set(k)")이 적용된다.
영향변수값 추출단계(S120')에서는 수진 데이터로부터 추출되어야 하는 영향변수값이 그 수진 데이터에 관한 영향변수 모음(Risk Factor Set(k))에 의거하여 추출된다. 서로 다른 클러스터에 속하는 수진 데이터에는 서로 다른 예측모델 및 서로 다른 영향변수가 대응된다. 마찬가지로, 동일한 클러스터에 속하는 수진 데이터에는 동일한 예측모델 및 동일한 영향변수가 대응된다.
작업 수행단계(S130')에서는 작업정보의 내용이 무엇인지를 판단하는 단계가 더 포함된다(S132).
만약 작업정보가 "학습명령"인 경우에는, 영향변수값 추출단계(S120')에서 추출된 영향변수값이 수진 데이터의 소속 클러스터에 관한 예측모델에 적용된다(S134). 이에 따라 그 예측모델에 관한 기계학습이 수행된다.
또한, 작업정보가 "예측명령"인 경우, 영향변수값 추출단계(S136)에서 추출된 영향변수값이 소속 클러스터에 관한 예측모델에 적용됨으로써 수진자의 미래 관상동맥석회화 수준 변화에 관한 예측작업이 수행된다(S136).
관상동맥석회화의 수준을 레벨로 나타내는 경우, 학습작업 수행단계(S134)에서는 검진시점을 기준으로 하는 최후 관상동맥석회화 수치가 속하는 구간의 수준값과 최초 관상동맥석회화 수치가 속하는 구간의 관상동맥석회화 수준을 비교한다. 만약 최후 관상동맥석회화 수치가 속하는 구간의 관상동맥석회화 수준이 최초 관상동맥석회화 수치가 속하는 구간의 관상동맥석회화 수준보다 큰 경우에는 수진 데이터에 미래의 관상동맥석회화 수준이 상승함을 의미하는 결과변수(예컨대 "1")가 부여된다. 그 밖의 경우에는 수진 데이터에 미래의 관상동맥석회화 수준이 상승하지 않을 것을 의미하는 결과변수("1"이 아닌 값, 예컨대 "0")가 부여된다.
이와 같이 학습작업 수행단계(S134)에서 관상동맥석회화의 진행정도를 단계적으로 나타내는 학습을 수행한 경우에는, 이후 타 수진 데이터에 의거하여 예측작업을 수행하는 경우에도 결과변수의 값에 따라 예측결과를 판단할 수 있다.
예컨대, 예측작업 수행단계(S136)에서 타 수진 데이터에 의거한 예측결과가 "1"이 되는 경우, 그 수진 데이터에 관한 수진자의 미래의 관상동맥석회화 수준은 상승할 것으로 예측할 수 있게 된다. 반대로, 타 수진 데이터에 의거한 예측결과가 "0"이 되는 경우, 그 수진 데이터에 관한 수진자의 미래의 관상동맥석회화 수준은 상승하지 않을 것으로 예측할 수 있게 된다.
도 7은 관상동맥석회화 수준 변화 예측장치의 다른 예를 나타낸 블록도이다.
도 7의 실시예에서는 예측모델 저장부 내의 복수의 예측모델에 대한 학습이 예측장치 내에서 이루어지지 않는다.
입력부(200)에서는 수진자의 관상동맥석회화에 관한 수진 데이터를 입력받는다. 예측모델에 대한 학습이 불필요하므로, 별도의 작업정보의 입력 또한 필요로 하지 않는다.
클러스터 지정부(210)에서는 수진 데이터의 관상동맥석회화 수치에 의거하여 수진데이터의 소속 클러스터를 지정한다.
영향변수값 추출부(220)에서는 소속 클러스터의 영향변수 모음에 필요한 적어도 하나의 영향변수값을 상기 수진 데이터로부터 추출한다.
수진 데이터가 관상동맥석회화 수치를 0으로 하는 수진 데이터에 관한 클러스터에 속한 경우, 그 클러스터에 적용되는 영향변수 모음은 연령, 혈압 및 혈당치를 영향변수로 포함한다. 그 밖의 관상동맥석회화 수치에 영향을 미치는 그 밖의 영향변수 또한 영향변수 모음에 더 포함될 수 있다.
또한, 수진 데이터가 0보다 큰 관상동맥석회화 수치를 갖는 수진 데이터에 관한 클러스터에 속한 경우, 그 클러스터에 적용되는 영향변수 모음은 관상동맥석회화 수치, 연령, 혈압, 혈당, 체질량지수 및 콜레스테롤 수치를 영향변수로 포함한다. 그 밖의 관상동맥석회화 수치에 영향을 미치는 그 밖의 영향변수 또한 영향변수 모음에 더 포함될 수 있다.
이처럼 일정한 미래 시점에 관상동맥석회화 수준 변화가 악화될 것으로 예상되는 집단을 예측할 수 있다면, 그러한 고위험군 환자 집단에 대해서 적절한 관리와 약물치료 등을 미리 적절히 시행함으로써, 심질환과 뇌졸중 등을 예방할 수 있는 가능성을 높일 수 있다. 마찬가지로, 저위험군 환자들의 경우, 불필요한 검사들과 과도한 예방처치를 방지할 수도 있다.
한편, 본 발명의 실시 예들은 컴퓨터로 읽을 수 있는 기록 매체에 컴퓨터가 읽을 수 있는 코드로 구현하는 것이 가능하다. 컴퓨터가 읽을 수 있는 기록 매체는 컴퓨터 시스템에 의하여 읽혀질 수 있는 데이터가 저장되는 모든 종류의 기록 장치를 포함한다.
컴퓨터가 읽을 수 있는 기록 매체의 예로는 ROM, RAM, CD-ROM, 자기 테이프, 플로피디스크, 광 데이터 저장장치 등이 있으며, 또한 캐리어 웨이브(예를 들어 인터넷을 통한 전송)의 형태로 구현하는 것을 포함한다. 또한, 컴퓨터가 읽을 수 있는 기록 매체는 네트워크로 연결된 컴퓨터 시스템에 분산되어, 분산 방식으로 컴퓨터가 읽을 수 있는 코드가 저장되고 실행될 수 있다. 그리고 본 발명을 구현하기 위한 기능적인(functional) 프로그램, 코드 및 코드 세그먼트들은 본 발명이 속하는 기술 분야의 프로그래머들에 의하여 용이하게 추론될 수 있다.
나아가 전술한 실시 예들은 본 발명을 예시적으로 설명하기 위한 것으로 본 발명의 권리범위가 특정 실시 예에 한정되지 아니할 것이다.
10,20 . . . . . . . . . . . . . 관상동맥석회화 수준 변화 예측장치
100,200 . . . . . . . . . . . . 입력부
110,210 . . . . . . . . . . . . 클러스터 지정부
120,220 . . . . . . . . . . . . 영향변수값 추출부
130,230 . . . . . . . . . . . . 예측모델 저장부
140,240 . . . . . . . . . . . . 예측모델 학습부
150,250 . . . . . . . . . . . . 예측부

Claims (20)

  1. 수진자의 관상동맥석회화에 관한 수진 데이터 및 상기 수진 데이터에 관한 작업정보를 입력받는 입력부;
    상기 수진자의 특성에 의거하여 상기 수진자의 관상동맥석회화에 관한 수진 데이터에 소속 클러스터를 지정하는 클러스터 지정부;
    상기 소속 클러스터의 영향변수 모음에서 사용되는 적어도 하나의 영향변수값을 상기 수진 데이터로부터 추출하는 영향변수값 추출부;
    관상동맥석회화 수준 변화를 예측하는 복수의 예측모델을 저장하는 예측모델 저장부;
    상기 영향변수값 추출부가 추출한 상기 영향변수값을 상기 소속 클러스터에 대응되는 예측모델에 적용하여 기계학습을 수행하는 예측모델 학습부; 및
    상기 영향변수값 추출부가 추출한 상기 영향변수값을 복수의 상기 예측모델 중 상기 소속 클러스터에 대응되는 상기 예측모델에 적용하여 예측결과를 도출하는 예측부;
    를 포함하는 관상동맥석회화 수준 변화 예측장치.
  2. 제1항에 있어서,
    상기 예측모델 학습부에 의한 상기 기계학습은 상기 작업정보가 학습명령인 경우에만, 상기 예측부에 의한 상기 예측결과의 도출은 상기 작업정보가 예측명령인 경우에만 택일적으로 수행되는 관상동맥석회화 수준 변화 예측장치.
  3. 제2항에 있어서,
    상기 영향변수값 추출부가 추출한 상기 영향변수값은, 관상동맥석회화 수치 및 검진시점을 포함하는 관상동맥석회화 수준 변화 예측장치.
  4. 제3항에 있어서,
    상기 예측모델 학습부는, 상기 관상동맥석회화 수치가 속하는 구간을 2이상으로 분할하고, 분할된 각 구간마다 크기 순서로 수준값을 부여하는 관상동맥석회화 수준 변화 예측장치.
  5. 제4항에 있어서,
    상기 예측모델 학습부는, 상기 기계학습의 수행시, 상기 검진시점을 기준으로 하는 최후 관상동맥석회화 수치가 속하는 구간의 수준값이 최초 관상동맥석회화 수치가 속하는 구간의 수준값보다 큰 경우 제1 결과변수를 부여하고, 그 밖의 경우에는 상기 제1 결과변수와 다른 제2 결과변수를 부여하는 관상동맥석회화 수준 변화 예측장치.
  6. 제5항에 있어서,
    상기 작업정보가 예측명령인 경우, 상기 예측부의 상기 예측결과가 상기 제1 결과변수이면 상기 수진자의 미래의 관상동맥석회화 수준이 상승할 것으로, 상기 예측부의 상기 예측결과가 상기 제2 결과변수이면 상기 수진자의 미래의 관상동맥석회화 수준이 상승하지 않을 것으로 각각 예측하는 관상동맥석회화 수준 변화 예측장치.
  7. 제3항에 있어서,
    상기 작업정보가 학습명령인 경우,
    2건 이상의 관상동맥석회화 수치를 포함하는 수진 데이터를 이용하여 상기 기계학습을 수행하는 관상동맥석회화 수준 변화 예측장치.
  8. 수진자의 관상동맥석회화에 관한 수진 데이터 및 상기 수진 데이터에 관한 작업정보가 입력되는 단계;
    상기 수진자의 특성에 의거하여 상기 수진자의 관상동맥석회화에 관한 수진 데이터에 소속 클러스터가 지정되는 단계;
    상기 수진 데이터로부터 상기 소속 클러스터의 영향변수 모음에서 사용되는 적어도 하나의 영향변수값이 추출되는 단계;
    상기 작업정보에 따라, 상기 예측모델의 학습작업 및 상기 예측모델을 이용한 예측작업 중 하나의 작업이 택일적으로 수행되는 단계;
    를 포함하는 관상동맥석회화 수준 변화 예측방법.
  9. 제8항에 있어서,
    상기 하나의 작업이 택일적으로 수행되는 단계에서,
    상기 작업정보가 학습명령인 경우, 상기 적어도 하나의 영향변수값이 추출되는 단계에서 추출된 상기 영향변수값이 복수의 상기 예측모델 중 상기 소속 클러스터에 대응되는 예측모델에 적용되어 기계학습됨으로써 상기 학습작업이 수행되고,
    상기 작업정보가 예측명령인 경우, 상기 적어도 하나의 영향변수값이 추출되는 단계에서 추출된 상기 영향변수값이 상기 소속 클러스터에 대응되는 상기 예측모델에 적용됨으로써 상기 수진자의 미래 관상동맥석회화 수준 변화에 관한 상기 예측작업이 수행되는 관상동맥석회화 수준 변화 예측방법.
  10. 제9항에 있어서,
    상기 적어도 하나의 영향변수값이 추출되는 단계에서 추출된 상기 영향변수값은, 관상동맥석회화 수치 및 검진시점을 포함하는 관상동맥석회화 수준 변화 예측방법.
  11. 제10항에 있어서,
    상기 하나의 작업이 택일적으로 수행되는 단계에서, 상기 관상동맥석회화 수치가 속하는 구간이 2이상으로 분할되고, 분할된 각 구간마다 크기 순서로 수준값이 부여되는 관상동맥석회화 수준 변화 예측방법.
  12. 제11항에 있어서,
    상기 하나의 작업이 택일적으로 수행되는 단계에서는, 상기 학습작업 수행시, 상기 검진시점을 기준으로 하는 최후 관상동맥석회화 수치가 속하는 구간의 수준값이 최초 관상동맥석회화 수치가 속하는 구간의 수준값보다 큰 경우 상기 수진 데이터에 제1 결과변수가 부여되고, 그 밖의 경우에는 상기 제1 결과변수와 다른 제2 결과변수가 부여되는 관상동맥석회화 수준 변화 예측방법.
  13. 제12항에 있어서,
    상기 하나의 작업이 택일적으로 수행되는 단계에서는, 상기 예측작업 수행에 따른 예측결과가 상기 제1 결과변수이면 상기 수진자의 미래의 관상동맥석회화 수준이 상승할 것으로, 상기 제2 결과변수이면 상승하지 않을 것으로 각각 예측되는 관상동맥석회화 수준 변화 예측방법.
  14. 제8항에 있어서,
    상기 수진 데이터에 소속 클러스터가 지정되는 단계에서, 상기 소속 클러스터는 관상동맥석회화 수치가 0인 수진자에게 지정되는 제1 클러스터 및 관상동맥석회화 수치가 0보다 큰 수진자에게 지정되는 제2 클러스터로 이루어지는 관상동맥석회화 수준 변화 예측방법.
  15. 수진자의 관상동맥석회화에 관한 수진 데이터를 입력받는 입력부;
    상기 수진 데이터의 관상동맥석회화 수치에 의거하여 상기 수진데이터의 소속 클러스터를 지정하는 클러스터 지정부;
    상기 소속 클러스터의 영향변수 모음에 필요한 적어도 하나의 영향변수값을 상기 수진 데이터로부터 추출하는 영향변수값 추출부;
    관상동맥석회화 수준 변화를 예측하는 복수의 예측모델을 저장하는 예측모델 저장부; 및
    상기 영향변수값을 복수의 상기 예측모델 중 상기 소속 클러스터에 관한 예측모델에 적용하여 상기 수진자의 관상동맥석회화 수준의 변화여부를 도출하는 예측부;
    를 포함하는 관상동맥석회화 수준 변화 예측장치.
  16. 제15항에 있어서,
    상기 수진 데이터의 상기 관상동맥석회화 수치가 0인 경우, 상기 영향변수 모음이 연령, 혈압 및 혈당치를 영향변수로 포함하는 관상동맥석회화 수준 변화 예측장치.
  17. 제15항에 있어서,
    상기 수진 데이터의 상기 관상동맥석회화 수치가 0보다 큰 경우, 상기 영향변수 모음이 상기 관상동맥석회화 수치, 연령, 혈압, 혈당, 체질량지수 및 콜레스테롤 수치를 영향변수로 포함하는 관상동맥석회화 수준 변화 예측장치.
  18. 수진자의 관상동맥석회화에 관한 수진 데이터를 입력받는 단계;
    2 이상의 클러스터 중 상기 수진 데이터의 관상동맥석회화 수치에 대응되는 클러스터를 상기 수진 데이터의 소속 클러스터로 지정하는 단계;
    상기 수진 데이터로부터 상기 소속 클러스터의 영향변수 모음에 필요한 적어도 하나의 영향변수값을 추출하는 단계;
    관상동맥석회화 수준 변화를 예측하는 복수의 예측모델을 저장하는 단계; 및
    상기 영향변수값을 복수의 상기 예측모델 중 상기 소속 클러스터에 관한 예측모델에 적용하여 상기 수진자의 관상동맥석회화 수준의 변화여부를 도출하는 단계;
    를 포함하는 관상동맥석회화 수준 변화 예측방법.
  19. 제18항에 있어서,
    상기 적어도 하나의 영향변수값을 추출하는 단계에서, 상기 관상동맥석회화 수치가 0인 경우, 상기 영향변수 모음이 연령, 혈압 및 혈당치를 영향변수로 포함하는 관상동맥석회화 수준 변화 예측방법.
  20. 제18항에 있어서,
    상기 적어도 하나의 영향변수값을 추출하는 단계에서, 상기 관상동맥석회화 수치가 0보다 큰 경우, 상기 영향변수 모음이 상기 관상동맥석회화 수치, 연령, 혈압, 혈당, 체질량지수 및 콜레스테롤 수치를 영향변수로 포함하는 관상동맥석회화 수준 변화 예측방법.
KR1020120026812A 2012-03-15 2012-03-15 관상동맥석회화 수준 변화 예측장치 및 예측방법 KR101984247B1 (ko)

Priority Applications (2)

Application Number Priority Date Filing Date Title
KR1020120026812A KR101984247B1 (ko) 2012-03-15 2012-03-15 관상동맥석회화 수준 변화 예측장치 및 예측방법
US13/835,855 US9324035B2 (en) 2012-03-15 2013-03-15 Apparatus and method for predicting potential change of coronary artery calcification (CAC) level

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020120026812A KR101984247B1 (ko) 2012-03-15 2012-03-15 관상동맥석회화 수준 변화 예측장치 및 예측방법

Publications (2)

Publication Number Publication Date
KR20130104883A true KR20130104883A (ko) 2013-09-25
KR101984247B1 KR101984247B1 (ko) 2019-05-30

Family

ID=49325986

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020120026812A KR101984247B1 (ko) 2012-03-15 2012-03-15 관상동맥석회화 수준 변화 예측장치 및 예측방법

Country Status (2)

Country Link
US (1) US9324035B2 (ko)
KR (1) KR101984247B1 (ko)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102009840B1 (ko) * 2018-03-19 2019-08-12 한림대학교 산학협력단 인공신경망(ann)을 이용하여 지속적 혈류역학적 이상(phd)를 예측하는 방법 및 장치
KR20190131267A (ko) 2018-05-16 2019-11-26 고려대학교 산학협력단 기계 학습을 이용한 관상 동맥 질환 예측 방법 및 시스템
KR20200104100A (ko) * 2019-02-26 2020-09-03 사회복지법인 삼성생명공익재단 확률 모델을 이용한 관상동맥 석회화 수치의 예측장치, 이의 예측방법 및 기록매체
US11796465B2 (en) 2020-02-06 2023-10-24 Samsung Electronics Co., Ltd. Method and system for predicting blood compound concentration of a target

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20050059876A1 (en) * 2003-06-25 2005-03-17 Sriram Krishnan Systems and methods for providing automated regional myocardial assessment for cardiac imaging
KR20080078675A (ko) * 2005-12-22 2008-08-27 시오노기 앤드 컴파니, 리미티드 급성 관상동맥 증후군의 예후 예측 방법
WO2011063032A1 (en) * 2009-11-17 2011-05-26 Veralight, Inc. Method and apparatus to detect coronary artery calcification or disease

Family Cites Families (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6233304B1 (en) 1998-11-25 2001-05-15 General Electric Company Methods and apparatus for calcification scoring
KR20000036350A (ko) 2000-02-19 2000-07-05 신상훈 초음파를 이용한 경동맥의 협착증 진단방법
JP2002024401A (ja) 2000-07-06 2002-01-25 Takeda Chem Ind Ltd 疾病の治療および予防の指導・支援システム
JP2003310601A (ja) 2002-04-18 2003-11-05 Sumio Aizawa 石灰化度計測装置、石灰化度計測方法、石灰化度計測プログラム、石灰化度計測プログラムを記録したコンピュータ読取可能な記録媒体および予測方法
JP3623488B2 (ja) 2002-05-07 2005-02-23 コーリンメディカルテクノロジー株式会社 動脈狭窄検査装置および足首血圧測定装置
CN1867922A (zh) 2003-10-15 2006-11-22 株式会社西格恩波斯特 疾病危险度判定用基因多态的确定方法、疾病危险度判定方法及判定用阵列
JP2006109959A (ja) 2004-10-13 2006-04-27 Hitachi Medical Corp 画像診断支援装置
WO2007058997A2 (en) 2005-11-11 2007-05-24 The University Of Houston System Scoring method for imaging-based detection of vulnerable patients
US7907766B2 (en) 2007-01-02 2011-03-15 General Electric Company Automatic coronary artery calcium detection and labeling system
KR100935610B1 (ko) 2007-09-13 2010-01-07 연세대학교 산학협력단 허혈성 심장질환 발병 위험도 예측 장치 및 예측 방법과허혈성 심장질환 발병 위험도 예측 프로그램이 기록된 매체
KR20090041817A (ko) 2007-10-25 2009-04-29 대한민국 (식품의약품안전청장) 심혈관계 이상반응 판별 시스템
US20090204338A1 (en) 2008-02-13 2009-08-13 Nordic Bioscience A/S Method of deriving a quantitative measure of the instability of calcific deposits of a blood vessel
KR101150005B1 (ko) 2008-11-19 2012-06-01 삼성메디슨 주식회사 Ｉｍｔ 측정 영역 설정 방법 및 초음파 장치
US20110257545A1 (en) 2010-04-20 2011-10-20 Suri Jasjit S Imaging based symptomatic classification and cardiovascular stroke risk score estimation

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20050059876A1 (en) * 2003-06-25 2005-03-17 Sriram Krishnan Systems and methods for providing automated regional myocardial assessment for cardiac imaging
KR20080078675A (ko) * 2005-12-22 2008-08-27 시오노기 앤드 컴파니, 리미티드 급성 관상동맥 증후군의 예후 예측 방법
WO2011063032A1 (en) * 2009-11-17 2011-05-26 Veralight, Inc. Method and apparatus to detect coronary artery calcification or disease

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
David M.Maahs외 8인, "Low Plasma Adiponectin Levels Predict Progression of Coronary Artery Calcification", Circulation. 2005.02.15. pp.747-753* *

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102009840B1 (ko) * 2018-03-19 2019-08-12 한림대학교 산학협력단 인공신경망(ann)을 이용하여 지속적 혈류역학적 이상(phd)를 예측하는 방법 및 장치
KR20190131267A (ko) 2018-05-16 2019-11-26 고려대학교 산학협력단 기계 학습을 이용한 관상 동맥 질환 예측 방법 및 시스템
KR20200104100A (ko) * 2019-02-26 2020-09-03 사회복지법인 삼성생명공익재단 확률 모델을 이용한 관상동맥 석회화 수치의 예측장치, 이의 예측방법 및 기록매체
US11796465B2 (en) 2020-02-06 2023-10-24 Samsung Electronics Co., Ltd. Method and system for predicting blood compound concentration of a target

Also Published As

Publication number Publication date
US9324035B2 (en) 2016-04-26
KR101984247B1 (ko) 2019-05-30
US20130275347A1 (en) 2013-10-17

Similar Documents

Publication Publication Date Title
US11195133B2 (en) Identifying group and individual-level risk factors via risk-driven patient stratification
Sanchez-Cabo et al. Machine learning improves cardiovascular risk definition for young, asymptomatic individuals
US20190156947A1 (en) Automated information collection and evaluation of clinical data
JP7010946B2 (ja) 健康状態の計算解析を容易化するシステム及び方法
CA2833779A1 (en) Predictive modeling
Srivastava et al. Medi-Assist: A Decision Tree based Chronic Diseases Detection Model
WO2016006042A1 (ja) データ分析装置、データ分析装置の制御方法、およびデータ分析装置の制御プログラム
Han et al. Association of plaque location and vessel geometry determined by coronary computed tomographic angiography with future acute coronary syndrome–causing culprit lesions
KR20130104883A (ko) 관상동맥석회화 수준 변화 예측장치 및 예측방법
EP3718116B1 (en) Apparatus for patient data availability analysis
Pérez del Barrio et al. A deep learning model for prognosis prediction after intracranial hemorrhage
Mena et al. Machine learning approach to extract diagnostic and prognostic thresholds: application in prognosis of cardiovascular mortality
KR20130104882A (ko) 관상동맥석회화 수치 위험도 예측장치 및 예측방법
KR20130104884A (ko) 경동맥 협착 진행정도 예측장치 및 예측방법
Ashkezari et al. Identification of small, regularly shaped cerebral aneurysms prone to rupture
KR20150007468A (ko) 임상의사결정 지원방법 및 그 장치
US11621081B1 (en) System for predicting patient health conditions
US20230060794A1 (en) Diagnostic Tool
KR101744800B1 (ko) 의료 정보 제공 시스템
Venkatraman et al. Missing data imputation for individualised CVD diagnostic and treatment
Hamburger et al. Utility of the Diamond-Forrester classification in stratifying acute chest pain in an academic chest pain center
US20130218593A1 (en) Usage of assigned treatment in clinical decision support systems
US20200350077A1 (en) Elderly mortality after trauma prediction system with multi-stage modelling and reporting
JP2012014582A (ja) 遷移先レベル予測方法、装置、及び、プログラム
JP2012033155A (ja) 健診データ処理方法、健診データ処理装置、及び、プログラム

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