KR20150123938A - 의학적 결정을 지원하는 의학적 제안의 스코어 계산방법 - Google Patents

Abstract

의학적 결정 과정을 지원하는 데 유용한 의학적 제안의 생성방법이 제공된다. 유리한 특정 구조 및 내용을 갖는 데이터베이스는 세트 기반 처리(set based processing) 및 계산을 기초로 한 수신된 의학적 공지 사실들의 효율적 평가를 가능하게 한다. 따라서, 의학적 제안을 생성하는 디지털, 자동, 거시적 방법이 제공되는데, 이 방법은 가장 개연성 있는 것으로 사용자에게 제공되는 선택된 의학적 제안의 신뢰도를 증가시킨다. 본원의 데이터베이스의 구조는 복잡성이 감소된 것이기 때문에 유지하기에 유리하고 상기 데이터베이스의 단일 구조는 관리가능하고 쉽게 이해될 수 있다. 상응하는 의학적 결정 지원 시스템이 또한 제공된다.

Description

의학적 결정을 지원하는 의학적 제안의 스코어 계산방법 {Method of Calculating a Score of a Medical Suggestion As a Support in Medical Decision making}

본원 발명은 의학적 결정에 유용한 정보를 제공하는 것에 관한 것이다. 본원 발명은 특히 의학적 제안의 스코어를 계산하는 방법, 의학적 제안의 스코어를 계산하기 위한 프로그램 요소, 의학적 제안의 스코어를 계산하기 위한 컴퓨터 프로그램이 저장된 컴퓨터 판독가능 매체, 및 의학적 제안의 스코어를 계산하기 위한 의학적 결정 지원 시스템에 관한 것이다.

일반적으로, 의학적 지식은 4년마다 배가되고 있다. 결국 의학적 결정을 하는 동안 관련된 모든 측면을 파악하는 것은 환자에게는 그야말로 불가능하고 의료 종사자에게조차 힘든 과제이다. 의학적 결정 과정 동안 의사를 보조하고 지원하기 위한 여러 가지 물리학, 생화학, 및 정보 기술(IT)을 기초로 한 솔루션들이 수십 년에 걸쳐 개발되었다. 그러나, 이러한 의학적 기술 장치, 예를 들면, 컴퓨터 단층촬영기 또는 초음파 기반 영상 장치는 임상의에게 단지 추가 데이터를 제공할 뿐 의학적 지식은 거의 참작할 수 없다.

그러므로, 신뢰할 수 있는 의학적 결정은, 수신된 컴퓨터 단층촬영 영상 또는 초음파 영상을 의사의 지식과 결합되고/되거나 전문가 문헌에 의해 제공된 지식과 결합되는 것이 현재 요구된다. 또한, 의사는 결정하는데 필요하고 충분한 정보를 제공받기 위해 환자와의 상호작용에 의존할 필요가 있다.

불행히도, 현재 고도로 구조화된 데이터는 건강 관리 분야에서 구할 수 없다. 또한, 의학적 지원에 대한 종래의 IT 시스템은 현재의 의학적 지식에 따른 의학적 관계를 반영하는 트리 다이어그램(tree diagram)을 기초로 한 것이다. 그러나, 트리 다이어그램을 기초로 한 시스템에게 상호 관계를 감안하는 것은 지나치게복잡한 일일 수 있다. 예를 들면, 환자는 한 가지 질병 A만 앓는 것이 아니라 질병 A 및 B를 함께 앓을 수 있다. 의학적 제안 MS_i의 한 양태로서의 A와 B의 조합에 대한 치료요법 제안은 질병 A 및 B의 개별 치료법을 합친 것과 매우 상이할 수 있다.

또한, 실험실 검사결과를 기초로 하여 의사가 개별적 의학적 소견을 생성하는 과정은 시간 집약적이고 성가시며 비교적 비용 집약적이다. 의학적 주제에 따라 엄청난 의학적 전문 지식과 많은 경험이 필요하다. 예를 들면, 부인과 내분비학에서는 실험실 매개변수의 완전 세트를 정확히 평가할 수 있는 비교적 비싼 소수의 의학적 전문가만을 구할 수 있는데, 이는 상기 실험실 매개변수가 매우 다양한 요소에 의해 크게 좌우되기 때문이다. 하나의 동일한 값의 실험실 매개변수가 어떤 때는 정상인 것으로 해석될 수 있지만, 연령, 주기 일, 임신 상태, 임신 주수 및/또는 생애 단계와 같은 추가로 알려진 의학적 사실을 감안하는 경우 매우 병적인 상태일 수 있다.

또한, 의술에서의 대부분의 결정 지원 시스템은 특정한 의학 분야에 집중하고 있고, 종종 해당 의학적 논리를 최종 사용자 프로그램인 응용 논리와 혼합한다. 이러한 시스템은 대개 기반하는 의학적 지식 모델이 점점 더 복잡해지는 경우 오류 발생이 쉬워지거나 계속 유지할 수 없게 된다. 또한, 이러한 시스템의 상이한 응용 주안점을 갖는 다른 의학적 분야에의 재사용가능성은 종종 불가능하다.

결과적으로, 의학적 결정 과정 동안의 지원 제공을 개선하고자 하는 필요성이 있을 수 있다. 따라서, 본원 발명의 목적은 의학적 결정을 위한 개선된 지원을 제공하는 것이다. 이러한 목적은 독립항의 청구 내용에 의해 해결된다. 본원 발명의 추가의 예시적 양태 및 이점은 종속항에 포함된다.

후술하는 본원 발명의 상세한 설명은 의학적 제안의 스코어의 계산 방법, 의학적 제안의 스코어를 계산하기 위한 프로그램 요소, 컴퓨터 판독가능 매체 및 의학적 결정 지원 시스템과 고르게 관련이 있다. 다시 말해, 상승적 효과들이, 본원에 명료하게 기재되어 있지 않더라도 양태들의 상이한 조합들로부터 발생할 수 있다. 특히 본원 발명의 방법의 모든 양태들은 달리 언급되지 않는 한 아래에 정의된 의학적 결정 지원 시스템에 의해 수행될 수 있다. 이 시스템은 특히 아래에 정의된 데이터베이스, 수신 장치 및 계산 유니트를 포함한다. 또한, 청구항에서의 임의의 참조 표시는 청구항의 범위를 제한하는 것으로 해석되어서는 안된다.

본원 발명의 바람직한 양태들 중 몇몇에 대해 상세히 기재하기 전에 일반적 정의들을 아래에 나타낸다.

아래에 기재된 본원 발명은 본원에 특별히 기재하지 않은 모든 요소 또는 ㅇ요소들, 제한 또는 제한들 없이 적합하게 실행될 수 있다.

도 1은 본원 발명의 예시적 양태에 따른 방법의 흐름도를 도시한 것이다.
도 2는 본원 발명의 예시적 양태에 따른 방법에 사용될 수 있는 의학적 제안의 세트 기반 생성을 예시적으로 나타낸 것이다.
도 3은 본원 발명의 예시적 양태에 따른 방법에 사용될 수 있는 의학적 제안의 반복 세트 기반 생성을 예시적으로 나타낸 것이다.
도 4는 본원 발명의 다른 예시적 양태에 따른 의학적 제안의 생성 방법을 개략적으로 나타낸 것이다.
도 5는 트리 다이어그램 기반 시스템들, 즉 선행 분야의 시스템과 본원 발명의 예시적 양태에 사용된 의학적 제안의 세트 지향된 생성 방법 간의 비교를 개략적으로 도시한 것이다.
도 6은 본원 발명의 예시적 양태에 따른 의학적 결정 지원 시스템을 개략적으로 나타낸 것이다.
도 7은 본원 발명의 다른 예시적 양태에 따른 의학적 결정 지원 시스템을 개략적으로 나타낸 것이다.

본원 발명을 특정 양태에 대해 특정 도면을 참조하여 기재할 것이나, 본원 발명이 이에 의해, 또한 특허청구범위에 의해 제한되지는 않는다.

본원 발명의 상세한 설명 및 특허청구범위에 사용된 용어 "포함하는"은 다른 요소를 제외하는 것은 아니다. 본원 발명의 목적을 위해, 용어 "이루어지는"은 용어 "포함하는"의 바람직한 양태로 간주한다. 이후 한 그룹이 특정 수 이상의 양태를 포함하는 것으로 정의되면, 이는 또한 바람직하게는 오직 그 양태로만 이루어진 그룹을 기재하는 것으로도 이해한다. 부정관사 또는 정관사가 단수 명사를 지칭하는 경우, 이는, 특별히 언급된 것이 없는 한, 복수 명사를 포함한다. 본원에서 용어 "약" 또는 "대략"은 통상의 기술자가 논의되고 있는 특징의 기술적 효과를 더욱 보증하는 것으로 이해하는 정확도 간격을 나타낸다. 용어 "전형적으로"는 제시된 값±20%, 바람직하게는 ±15%, 더욱 바람직하게는 ±10%, 더욱더 바람직하게는 ±5%의 편차를 가리킨다.

기술 용어들은 각각의 상식적 의미로 사용된다. 특정 의미를 특정 용어에 전달하는 경우, 그 용어의 정의를 그 용어가 사용된 문맥에 기재할 것이다.

용어 "데이터베이스"는 의학적 지식 또는 의학적 상관관계/연관성에 대한 데이터 및/또는 정보가 저장될 수 있는 디지털 개체로 이해해야 한다. 특히 데이터베이스는 의학적 제안들 MS_i과 가중치들 W_{i ,j} 사이뿐만 아니라 의학적 제안들 MS_i과 의학적 사실들 F_j 사이의 본원에 기재된 연관성 또는 상관관계가 저장될 수 있는 데이터 저장기로 이해해야 한다. 특히 데이터베이스는, 예를 들면, 하나의 서버에 대해 하나의 물리 단위로서 구현될 수 있으나, 복수의 서버들 및/또는 복수의 데이터 저장 장치들에 분포될 수 있고, 네트워크 시스템을 통해 접속될 수 있다. 결국 본원 발명은 일단의 서버들 내에 사용될 수 있고, 그 중에 본원에 기재된 데이터베이스가 분포되어 있다. 이러한 데이터베이스의 유리한 생성에 관한 몇 개의 상이한 측면들을 아래에 상세히 기재할 것이다. 또한, 경우에 따라, 데이터베이스는 모든 의학적 사실 F_j이 자립적이고 동등하도록 구조물에 제공한다.

또한, 데이터베이스는 관계형 데이터베이스로서 구현될 수 있다. 특히, 상관관계가 있는 데이터베이스는 본원에 기재된 계산 및 선택과 같은 세트 작업을 용이하게 한다. 이와 관련해, SQL 지시들이 본원 발명에 의해 사용될 수 있다. 여기서, SQL은 구조화 질의 언어(structured query language)를 나타내고, 관계형 데이터베이스 관리 시스템(relational database management system, RDBMS)에 유지된 데이터를 관리하기 위해 고안된 특정 목적의 프로그래밍 언어이다. 그러나 경우에 따라, 다른 프로그래밍 언어도 본원 발명에서 벗어나지 않고 사용될 수 있다.

데이터베이스는 또한, 모든 정보가 파일들에 정리되는 수정 저장 시스템으로서 구현될 수 있다. 저장 시스템 자체는 네이티브 파일 시스템(native file system), 관계형 데이터베이스 또는 비관계형 데이터베이스로도 구현될 수 있다. 상기 파일 시스템은 다수의 상이한 종류의 저장 장치들에 사용될 수 있다. 오늘날 사용되는 가장 통상적인 저장 장치는 하드 디스크 또는 플래시 메모리 장치이다.

본원 발명에서, 용어 "자립" 및 "동등"은 다음과 같이 이해될 수 있다. 각각의 의학적 사실은 이들이 서로 간에 관련될 필요는 없다는 의미에서 독립적으로 인풋(input)으로 입력될 수 있다. 다시 말해, 각각의 의학적 사실 F_j은 그 자체를 나타내고, 상이한 가중치 및 상이한 의학적 제안에 영향을 미칠 수 있다. 예시적 경우로서, 하나 이상의 다른 의학적 사실과 조합된 의학적 사실은 상이한 가중치들의 결과로 보인다. 그러나, 이는, 상이한 의학적 사실들이 존재할 수 있거나, 동일한 가중치를 성취하거나 이로부터 기인하는, 상기 의학적 사실과 다른 것들과의 조합들이 있을 수 있음을 제외하지 않는다.

용어 "연관되어 있는"은 다음과 같은 의학적 제안들 MS_i, 의학적 사실들 F_j 및 가중치들 W_{i ,j}의 맥락에서 사용될 것이다. 일반적으로, 의학적 제안 MS_i과 의학적 사실 F_j 간의 연관성이 데이터베이스에 포함되는 경우, 상기 데이터베이스는 의학적 제안 MS_i과 의학적 사실 F_j 간의 관계 또는 링크를 포함하거나 정의한다. 의학적 제안 MS_i의 의학적 사실 F_j과 가중치 W_{i ,j} 간의 연관성에 대해 동일하게 적용된다. 특히, 데이터베이스에서 의학적 사실 F_j과 연관되어 있는 의학적 제안 MS_i은 의학적 사실 F_j이 어느 정도 의학적 제안 MS_i에 영향을 미치거나 기여한다는 사실 또는 데이터베이스의 지식을 반영한다. 다시 말해, 의학적 제안 MS_i이 수신된 공지 사실의 관점에서 평가되거나 상기 사실에 의존하는 경우, 의학적 사실 F_j은 데이터베이스 내에 정의된 특정한 가중된 양에 감안되어야 한다. 즉, 의학적 사실 F_j에 대한 의학적 제안 MS_i의 종속성은 상기 연관성에 의해 데이터베이스 내에서 나타나거나 반영된다. 하나 (이상)의 상이한 특정 값의 의학적 사실 F_j을 포함하는 인풋의 경우, 데이터베이스의 사용된 연관 구조는, 기본 세트 S0로부터 각각의 의학적 제안 MS_i이 확인될 수 있고, 이는 적어도 특정 양으로 상기 인풋의 의학적 사실들 F_j에 의해 영향을 받는다는 것을 보장한다. 하기에서, 용어 "인풋" 또는 "인풋 사실들"은 "수신된 공지된 값들"과 유사하게 사용될 것이다. 상기 사실들은 또한 이전 방법의 반복에서 계산됐고 다음 반복에서 사용되는 사실들을 포함한다. 상세한 것은 아래에 기재할 것이다. 상기 방법의 반복은 단계 1 내지 단계 4의 완전 반복을 포함하지만, 다른 의학적 제안들에 대한 단계 4만의 반복도 포함한다. 이 두 가지 반복 모두 아래에 설명할 것이다. 이러한 반복은, 예를 들면, 의학적 결정 지원 시스템에 의해 순전히 자동으로 수행될 수 있다.

추가로, "계산 규칙들"은 의학적 제안의 스코어를 계산하는 데 사용될 수 있다. 데이터베이스가 계산 규칙들을 포함하는 양태에서, 각각의 계산 규칙은 의학적 사실들 F_j 및 각각의 가중치 W_{i ,j} 값을 기초로 한 기본 세트 S0의 적어도 하나의 의학적 제안들 MS_i에 대한 각각의 스코어의 계산을 정의한다. (본원 발명 방법의 제1 반복에서) 제시된 또는 수신된 공지 사실들과 (본원 발명 방법의 후속 반복에서) 공지된 사실들 및/또는 유도된 사실들을 기초로, 계산 규칙들은 아웃풋(output)으로서 스코어를 제공한다. 따라서, 계산 규칙들은 의학적 제안 MS_i, 의학적 사실들 F_j 및 가중치들 W_{i ,j} 간의 수학적 함수 또는 상관관계를 포함할 수 있다. 계산 규칙은 상이한 인풋 값들에 대한 의학적 제안에 대해 스코어 또는 아웃풋을 정의할 수 있다. 이하에서 의학적 지식 모델의 논리를 구성하는 계산 규칙들에 대해 상세히 설명할 것이다. 거기서 각각의 규칙은 특정 함수, 예를 들면, 사상 함수를 기초로 한 공지 사실의 목록을 맵핑하고, 유도된 (및 스코어화된된) 사실들의 목록을 생성한다. 이러한 유도된 사실들은 본원 발명의 방법의 제2 반복에 대한 아웃풋으로서 사용될 수 있다. 또한, 본원 발명에서 계산 규칙들은 스크립트 언어 형태로 제공될 수 있다.

간단한 예로서, 계산 규칙은 의학적 사실들 F₁ 및 F₂에 종속하는 함수 f(F₁, F₂)로서 나타낼 수 있다. 예를 들면, 계산 규칙은 각 환자의 체중 및 신장에 의존하는 체질량지수의 계산이다. 이러한 예시 경우에서, 체중 및 신장은 F₁ 및 F₂이다. 따라서 의학적 제안은 F₁ 및 F₂를 기초로 계산된 체질량지수(bmi)일 수 있다. 그 결과, 즉 bmi 값은 스코어로서 나타낼 수 있다. 다르게는, bmi 값에 대해 추가의 스코어를 계산할 수 있다. 연관성 및 계산 규칙들에 대한 보다 상세한 사항은 예시 양태에서 기재할 것이고, 예를 들면, 도 4로부터 수집할 수 있다.

예시 양태로서, 의학적 제안 MS_i은 하나 이상의 또는 다수의 의학적 사실들 F_j을 포함하는 폴더로서 구현할 수 있다. 예시적인 비제한적 양태로서, 의학적 제안 MS_i은 인플루엔자의 진단일 수 있고, 여기서 상기 데이터베이스에 포함된 연관된 의학적 사실들 F_j은 F₁ = 체온, F₂ = 특정한 혈액 매개변수, F₃= 자극되고 눈물이 나는 눈, F₄ = 피로일 수 있다. 이에 상응하게, 데이터베이스는 상기 매개변수들이 의학적 제안 인플루엔자와 연관성이 있음을 "안다". 그러나, 의학적 제안들과 의학적 사실들간의 이러한 상관관계의 근본적 원칙은 이러한 질환 또는 진단 및 관련 증상들의 예에만 적용되는 것이 아니라 아래에 보다 상세히 설명할 훨씬 더 광범위한 방식으로 본원 발명에 의해 적용받는다. 사용된 가중치들 W_{i ,j}에 대한 상세한 것도 아래에 설명할 것이다.

또한, 용어 "의학적 사실 F_j"은 일반적으로 의학적 상황을 기재하는 데 적합한 매개변수로서 나타낼 수 있다. 원칙적으로, 의학적 사실들 F_j은 목적한 결과를 계산하기 위한 방법 및 시스템에 대한 인풋들로서 사용될 수 있다. 본원 발명에서, 의학적 사실 F_j은 다양한 상이한 방식들, 예를 들면, 환자의 연령 또는 성별, 체중 또는 의학적 소견의 결과, 약물 데이터, 알러지 또는 기능 실험 결과, 또는 전문적 질문으로부터 수신된 정보와 같은 환자를 서술하는 매개변수로 구현될 수 있다. 다수의 다른 양태들을 아래에 기재할 것이다. 임의의 경우, 의학적 사실 F_j은 개별 환자 또는 환자가 생활하는 환경들에 대한 기본 또는 기초 정보를 제공한다. 이러한 의학적 사실의 "값 또는 값들"은 의학적 사실 F_j의 예로서 환자의 심박수에 대해 분당 "85" 비트로 나타낼 수 있다. 따라서, 상기 값은 제시된 시점에서의 의학적 사실 F_j의 특징, 특수성 또는 특이점으로서 또는 시간 독립적 값으로서 나타낼 수 있다. 예시 양태에서, 의학적 사실 F_j은 의학적 사실의 시간 관여가 포함되는 N형 벡터로서 나타낼 수 있다. 예를 들면, 의학적 사실 F_j이 환자의 체중(kg)으로 구현되는 경우, 의학적 사실의 상응 벡터는 다음 형태로 제공될 수 있다: [(2010년 12월 15일) 60kg, (2010년 2월 27일) 70kg, (2010년 12월 31일) 75kg, (2011년 1월 5일) 73kg,.. .]. 그 결과, 시간 종속적 의학적 사실들 F_j도 제공될 수 있고 본원 발명에 의해 사용될 수 있다.

또한, 용어 "공지 사실들"은 본원 발명의 방법에 의해 사용된 시스템에 대한 데이터로서 나타내고 옳은 것으로 추정된다. 수신된 공지 사실들은 데이터 전송을 통해 제공될 수 있거나 사용자가 상응하는 인풋을 제공한 후 그 시스템에 의해 수신될 수 있고 그 방법에 의해 사용될 수 있다. 환자 디렉토리 또는 이전 진단으로부터의 자동 데이터 전송 또는 다른 의학적 사건들은 본원 발명에 의해 공지된 사실들로서 의학적 사실들 F_j의 값들의 형태로 고려될 수 있다.

용어 "가중치 W_{i ,j}"는 이산확률분포, 연속확률분포, 이산확률함수 또는 연속확률함수로서 나타낼 수 있고, 이에 의해 상응하는 의학적 제안 MS_i에 대한 연관된 의학적 사실 F_j 값의 종속성 또는 중요성이 표현된다. 따라서, 이는 의학적 사실 F_j의 값, 특징, 특수성 또는 특이점과, 연관된 의학적 제안이 각 상황에서 사실이거나 맞다는 사실과의 상관관계의 강도로 볼 수 있다. 다시 말해, 이러한 가중치 W_{i ,j}는 수신된 값의 의학적 사실 F_j을 기초로 아웃풋으로서 사용자에게 의학적 제안 MS_i을 제공하는 것이 본원에 기재된 시스템 및/또는 방법의 적합하고 옳은 의학적 측정이라는 확률을 반영할 수 있다. 특히, 특정 값의 상기 가중치 W_{i ,j}는 긍정적이거나 부정적일 수 있어 각각의 의학적 제안 MS_i의 계산된 전체 스코어에 대한 하나의 의학적 사실의 기여도 또한 긍정적이거나 부정적일 수 있다. 예시적 양태에서, 가중치 W_{i ,j}는 소위 포인트 시스템으로서 이해할 수 있고, 이는 특정 값들 또는 확률을 공지된 사실들에 제공하여 선택된 관련 의학적 제안들의 스코어들을 계산할 수 있다. 가중치의 이러한 계산 및 수학적 양태들은 아래에 보다 상세히 설명할 것이다. 그 결과, 하나의 의학적 제안 MS_i과 연관된 의학적 사실들 F_j은 모두 긍정적이거나 부정적으로 상기 의학적 제안 MS_i의 스코어에 기여하는 가중된 제안 성분들로서 이해할 수 있다. 따라서, 상기 의학적 제안의 스코어는 수신된 모든 연관된 공지된 의학적 사실들 F_j을 합한 전체 스코어로서 이해할 수 있다.

일반적으로, 본원에 사용된 가중치들 W_{i ,j}는 상응하는 의학적 사실 F_j의 각각의 값 또는 값들 또는 의학적 사실들의 조합의 함수로서 이해할 수 있다. 따라서, 용어 W_{i ,j}(F_j)가 사용할 수 있다. 다시 말해, 가중치 함수 W_{i ,j}의 값은 의학적 사실 F_j의 실제 값에 좌우된다. 또한, 가중치 W_{i ,j}의 값은 상응하는 의학적 제안 MS_i에 좌우된다. 따라서, 가중치들 W_{i ,j}는 W_{i ,j}(MS_i, F_j)의 형태로 쓸 수 있다.

본원 발명에서 용어 "의학적 제안 MS_i"는 다양한 상이한 방식으로 구현될 수 있다. 예시적 양태는 의학적 진단, 텍스트 블록, 의학적 소견, 실험실 값의 평가, 치료 추천, 환자 설문, 영양 제안 또는 의학적 질문이다. 그러나, 다수의 기타 예시적 양태도 가능하고 아래에 설명할 것이다. 일반적으로, 의학적 제안은 연관된 의학적 사실 F_j 및/또는 연관된 기타 의학적 제안들 MS_i, 예를 들면, MS_m 또는 MS_n에 의해 정의되는 것으로 이해할 수 있다. 또한, 상응하는 가중치 W_{i ,j}는 의학적 제안 MS_i의 정의에도 기여한다. 또한, 일반적으로 의학적 제안은 의학적 사고 또는 사건으로서 이해할 수 있다. 본원 발명의 방법 또는 시스템으로서의 의학적 제안은 스코어에 기여하고 사용자 또는 추가 과정을 위한 장치에 대한 기초일 수 있다. 따라서, 의학적 제안은 의학적 결정 과정의 지원으로서 이해할 수 있다.

본원 발명의 방법은, 기본 세트 S0로부터 의학적 제안을 선택하고 이렇게 선택한 의학적 제안의 각각의 스코어를 계산하기 때문에, 의학적 제안의 생성방법으로서 이해할 수 있다. 이어서 상기 "계산된" 의학적 제안 및/또는 상응하는 스코어 중 몇몇 또는 전부는 프리젠테이션 요소를 사용하여 사용자에게 제공될 수 있다. 따라서, 이러한 관점에서 상기 방법은 인풋 데이터의 수신시, 예를 들면, 수신된 공지 사실의 접수시, 의학적 제안 중 선택된 의학적 제안의 스코어를 계산하여 의학적 제안을 생성한다. 선택된 의학적 제안은 상기 방법의 반복에 대한 서브세트 S1이 된다. 따라서, 본원 발명의 맥락에서 용어 "의학적 제안의 생성"은 기본 세트 S0로부터 적어도 하나의 또는 다수의 의학적 제안들 MS_i을 선택하고 데이터베이스에 포함된 연관성(association)을 기초로 몇몇의 또는 각각의 상기 의학적 제안 MS_i에 대한 각각의 스코어를 계산하는 것으로 이해할 수 있다.

본원 발명의 예시적 양태에 따라, 의학적 결정 과정을 지원하는데 유용한 의학적 제안의 생성방법이 제공된다. 다시 말해, 의학적 결정 과정을 지원하는데 유용한 의학적 제안의 스코어의 계산방법이 제공된다. 상기 방법은 의학적 제안들 MS_i의 기본 세트 S0을 갖는 데이터베이스를 제공하는 단계인 단계 1을 포함한다. 상기 데이터베이스에서, 적어도 일부의 의학적 제안들 MS_i이 하나 이상의 각각의 의학적 사실 F_j과 연관되어 있다. 또한, 상기 데이터베이스에서 상기 적어도 일부의 의학적 제안의 상기 각각의 의학적 사실 F_j이 가중치 W_{i ,j}와 연관되어 있다. 또한, 상기 방법은 공지 사실들을 의학적 사실들 F_j의 값들의 형태로 수신하는 단계로서, 상기 공지 사실들은 개별 환자와 연관되어 있는 단계 2를 포함한다. 상기 방법은 상기 수신된 공지 사실을 기초로 상기 기본 세트 S0로부터 의학적 제안들의 서브세트 S1을 선택하는 단계를 단계 3으로서 포함한다. 또한, 상기 방법은 상기 의학적 사실들 F_j의 상기 수신 값들 및 상기 각각의 가중치 W_{i ,j}를 기초로 상기 서브세트 S1의 적어도 일부의 의학적 제안들 MS_i에 대한 각각의 스코어를 계산하는 단계를 단계 4로서 포함한다.

의학적 제안들의 서브세트 S1은 세트 작업에 의해 확인될 수 있다. 추가로, 의학적 제안의 서브세트 S1의 선택 단계는, 스코어가 상기 수신된 공지된 사실들을 기초로 직접 계산되거나 이후의 반복 계산으로 계산될 수 있는, S0로부터 의학적 제안들의 확인을 포함한다. 아래에 설명하는 바와 같이, 각각의 또는 몇몇 의학적 제안들에 대한 데이터베이스는 계산 규칙을 포함할 수 있다. 이러한 계산 규칙은 상응하는 의학적 제안의 스코어가 어떻게 계산되는지를 개별적으로 정의한다. 한 양태에서, 이러한 의학적 제안들은 S1을 위해 확인되고 선택되며, 상응하는 규칙이 수신된 공지 사실을 기초로 계산될 수 있다는 뜻에서 계산가능하다(즉, 규칙이 계산가능함). 추가 양태에서, 계산 규칙은, 필요한 인풋 사실들이 공지된 것이거나 다른 계산 규칙들에 의해 분석가능한 경우 및 어떠한 공지 사실들도 상기 규칙의 녹아웃(knockout) 기준에 맞지 않는 경우, 분석가능한/계산가능한 것으로 이해할 수 있다. 아래에 상세히 기재할 특정 양태들에서, 데이터베이스의 계산 규칙은 하나 이상의 규칙 전제들을 포함할 수 있고, 상기 전제가 이후의 반복 계산을 만족시키거나 만족시킬 수 있는 경우에만 상응하는 의학적 제안이 서브세트 S1에 대해 선택된다. 이 과정은 순전히 자동으로 어떠한 사용자 인풋 없이 수행될 수 있다.

다시 말해, 의학적 제안의 서브세트 S1의 선택 단계는 의학적 사실 MS_i이 수신된 공지 사실과 연관되어 있는지에 대한 정보를 기초로 서브세트 S1을 정의하거나 확인하는 단계를 포함하는 것으로 이해할 수 있다. S1의 정의와 S1의 선택의 예는, 예를 들면, 도 4로부터 수집할 수 있다. 따라서, 서브세트 S1은 S1에 포함된 의학적 제안이 의학적 사실들과 연관되어 있고 의학적 사실 값은 공지 사실로서 수신되는 것이 특징일 수 있다. 이에 대한 상세한 것은 아래에 보다 자세히 설명할 것이다. 따라서, 기본 세트 S0들에서 출발하여 의학적 제안들의 서브세트가 선택되고 이러한 서브세트의 의학적 제안들에 대해서만 각각의 스코어를 계산한다. 후속 계산 과정뿐만 아니라 서브세트 S1에 대한 이러한 선택 또는 정의 과정, 또는 확인 과정이 어떠한 사용자 인풋 없이 자동으로 수행될 수 있다.

추가로, 서브세트 S1의 적어도 일부의 의학적 제안에 대한 각각의 스코어의 계산방법은 본원에 정의된 각각의 계산 규칙을 사용하는 것으로 이해할 수 있다. 일반적으로, 상이한 수학적 함수를, 각각의 의학적 제안에 대해 각각의 수학적 함수를 저장할 수 있는 데이터베이스 내에 저장할 수 있다.

상기 방법은 아래에 자세히 설명하듯이 상이하게 구현될 수 있다. 예를 들면, 상기 방법을 세트를 기초로 수행할 수 있다. 이는 본원에 정의된 계산 규칙이 확인되어 계산할 수 있음을 의미한다. 다시 말해, S1이 정의되고 S1은 S1에 포함된 의학적 제안들이 의학적 사실들과 연관되어 있고 의학적 사실들의 값들은 공지 사실로서 수신되는 것이 특징이다. 다른 예에서, 상기 방법은 본원에 정의된 바와 같은 의학적 지식 모델의 인덱스 파일을 사용한다. 상기 방법은 컴퓨터 메모리 내에서 완전히 수행되도록 배열될 수 있다. 계산되어야 하는 계산 규칙들은 파일 시스템으로부터 직접 판독되고 프로그램 요소를 실행하는 방법/프로그램 요소 또는 프로세서에 의해 실행/계산된다. 따라서, 본원 발명의 모든 양태들은 아래에 달리 언급된 것이 없는 한 자동으로 어떠한 사용자 인풋 없이 수행될 수 있다.

다른 예에서, 상기 방법은 방어 전략을 사용할 수 있고 특정 기준이 맞는 경우에만 규칙을 계산한다. 이로써 본원 발명의 방법의 프로세싱 동안 불리한 진동이 방지된다. 물론 위에서 언급한 예들을 조합할 수 있다. 이러한 예들은 상세한 양태의 설명을 통해 설명할 것이다.

의학적 결정의 지원방법은 PC, 서버, 계산 유니트에서 시행하거나 분산 환경에 의해 수행될 수 있다. 이 방법은 의학적 결정 지원 시스템에 의해 수행될 수 있는데, 상기 시스템은 아래에 보다 상세히 설명할 것이다. 앞서 기재한 바와 같이, 본원 발명의 방법은 세트를 기초로 프로세싱하고/하거나 수행할 수 있는데, 이는 트리 다이어그램 형태의 데이터 구조 및/또는 데이터베이스를 기초로 한 선행 방법에 비해 특정 이점을 제공한다. 의학적 제안의 세트에 기반한 한 생성 및 계산의 이러한 이점 및 추가의 이점은 아래에, 특히 도 2, 3, 4 및 5에 기재한다. 상기 설명으로부터 명료하듯이, 의학적 제안들 MS_i의 각각의 스코어가 계산될 수 있고 이러한 계산은 사용자에게 각각의 의학적 제안 MS_i이 추가 과정에 옳고 적합한지에 대한 확률을 반영하는 값의 형태로 제공된다. 데이터베이스에 저장된 계산 규칙들에 의해 정의된 수학적 상관관계, 의학적 제안들 MS_i과 의학적 사실들 F_j 간의 연관성 및 연관된 가중치들 W_{i ,j}를 기초로, 의학적 제안들 MS_i의 각각의 스코어 및/또는 확률이 본원 발명의 방법에 의해 계산된다. 경우에 따라, 계산된 스코어와 예정된 역치의 비교는 본원 발명의 방법에 의해 수행될 수 있다. 예를 들면, 0 내지 1의 스코어가 사용된다. 다른 예에서, 200 내지 600포인트가 의심스러운 것으로 분류되고, 601 내지 950포인트 사이의 스코어 값은 개연성이 있는 것으로 분류되며, 950포인트를 초과하는 스코어가 개연성이 높은 것으로 분류된다. 그러나, 2개, 4개 또는 그 이상의 등급으로 분류되는 다른 방법도 사용될 수 있고 사용된 등급의 다른 제한도 사용될 수 있다. 다른 양태에서, 계산된 스코어는 0 내지 1의 확률 인자로 표현될 수 있는 반면, 0.2 내지 0.6 사이의 스코어는 의심스러운 것으로 분류되고, 0.61 내지 0.95 사이의 스코어는 개연성이 있는 것으로 분류되며, 0.96을 초과하는 스코어는 개연성이 높은 것으로 분류된다.

상기로부터 명확하고 실시예 1 내지 5로 설명하는 바와 같이, 본원에 기재된 유리한 구조 및 내용의 데이터베이스로 세트 기반 프로세싱 및 계산을 기초로 하여 수신된 공지된 사실을 효과적으로 평가할 수 있다. 이러한 세트 기반 프로세싱 및 실시 원리는 본원 발명의 양태이며 도 1 내지 도 5로부터 수집할 수 있다. 특히, 데이터베이스는 상관관계에 있는 데이터베이스일 수 있으며, 또한 아래에 정의된 스크립트 파일을 기초로 구현될 수 있다. 이에 따라, 의학적 제안 MS_i의 디지털, 자동 및 총체적 생성방법(즉, 의학적 제안의 스코어의 계산방법)이 제공되고, 이는 사용자에게 가장 개연성이 있는 것으로 제공되는 선택된 의학적 제안의 신뢰도를 높인다. 본원에 제공된 데이터베이스의 구조는 복잡성이 감소되고 데이터베이스의 단일 구조가 관리가능하고 쉽게 이해가능하기 때문에 데이터베이스의 이점을 유지시킨다. 데이터베이스의 이러한 구조는 아래에 설명하는 바와 같이 의학적 지식 모델이거나 의학적 지식 모델의 모듈일 수 있다.

하기 설명으로부터 명백한 바와 같이, 본원 발명으로 총체적 접근법에 의한 동시에 다중 목표를 추구하는 것이 가능하다.

물론 기본 세트 S0의 모든 의학적 제안들 MS_i은 데이터베이스 내의 적어도 하나의 개별적 의학적 사실 F_j과 연관될 수 있다. 특히, 복수의 개별적 의학적 사실들 F_j과의 연관은 각각의 의학적 제안 MS_i에 대한 데이터베이스에 포함될 수 있다. 또한 경우에 따라, 각각의 스코어의 계산 단계가 선택된 서브세트 S1에 포함되는 각각의 의학적 제안 MS_i에 대해 수행될 수 있다. 그러나, 이것은 사용자 특이적 조정일 수 있다.

또한, 사용자를 위해 아웃풋이 생성될 수 있어, 사용자를 고려하여 서브세트 S1의 의학적 제안들 MS_i의 계산된 스코어가 제공된다. 특히, 예시적 양태로, 서브세트 S1로부터 의학적 제안들 MS_i의 스코어의 랭킹 또는 순서화가, 예를 들면, 디스플레이와 같은 인터페이스를 통해 또는 생성된 서신을 통해 사용자에게 제공된다. 본원 발명의 이러한 측면 및 다른 측면을 도 2 내지 도 7과 관련하여 개진할 것이다.

다시 말해, 본원 발명의 방법은, 예를 들면, 환자, 의사 또는 실험실 로봇을 위한 결정 지원을 제공하고, 상호작용성 및/또는 반복성 과정에 기반하는 개선된 결정으로의 처리를 용이하게 한다. 본원 발명의 상기 상호작용성 및/또는 반복성 과정은 보다 상세히 기재할 것이다. 또한, 본원에서 "개선"은 높은 확률의 옳은 의학적 제안을 제공하는 것이다. 그에 따라, 본원 발명의 방법은 사용자에게 제공되는 의학적 제안의 확률 수준의 증가를 용이하게 하고/하거나, 세트 또는 결과의 수가 감소된다. 다시 말해, 본원 발명의 방법은 디지털화된 의학적 지식을 포함하는 데이터베이스를 제공하고, 데이터베이스의 구조 및 수신된 공지 사실을 기초로 의학적 제안들 MS_i의 효과적인 평가를 가능하게 한다. 예를 들면, 데이터베이스는 본원에 기재된 상응하는 가중치 W_{i ,j}의 측정뿐만 아니라 의학적 제안들 MS_i과 각각의 의학적 사실들 F_j과의 연관성을 정의하는 일단의 전문가에 의해 생성될 수 있다. 따라서, 본원 발명의 방법에 사용된 데이터베이스는, 위에서 기재하고 아래에 기재하는 바와 같이, 특별히 정의된 방식으로 저장된 디지털화된 의학적 지식을 포함한다.

각각의 개별적 스코어의 계산 단계 동안, 본원 발명의 한 양태의 방법은 상기 의학적 제안 MS_i과 연관된 각각의 의학적 사실 F_j에 대한 각각의 가중치 W_{i ,j} 값을 합산하는 단계를 포함할 수 있다. 상기 합산으로 선택된 서브세트 S1에 포함된 각각의 의학적 제안 MS_i의 스코어가 제공된다. 따라서, 상기 합산은, 더 많은 의학적 사실들 F_j이 상기 의학적 제안의 높은 개연성을 나타내거나 가리키는 경우, 더욱더 개연성이 있다는 추정을 기초로 한다.

그러나, 다른 예시적 양태에서, 의학적 제안의 스코어를 계산하기 위해 다음 원칙이 추가로 또는 대안으로 사용될 수 있다. 의학적 제안이 이들의 조합, 예를 들면, 아래에 기재된 실시예 1 및 2에 대해 설명하는 바와 같이 불린 작업(Boolean operation)에 의해 링크된 의학적 사실들을 포함하거나 그 조합에 의해 정의되는 경우, 특정 조합만이 상기 의학적 제안의 스코어 계산에 사용될 수 있다. 특히 수신된 공지 사실들의 역치 수 이상이 역할을 하는 특정 조합만이 사용될 수 있다. 예를 들면, 4가지의 상이한 의학적 사실들이 공지 사실들로 수신되고 이들 의학적 사실들의 3가지 조합에 의해 의학적 제안이 정의된다. 이러한 조합 및 실시 원리는 본원, 예를 들면, 아래에 기재된 실시예 1 및 2에 상세히 설명한다. 상기 예에서, 제1 및 제2 조합은 각각 2개의 수신된 공지 사실들을 사용할 수 있는 반면, 제3 조합은 모두 4개의 수신된 공지 사실들을 사용할 수 있다. 이 예에서, 데이터베이스는, 제3 조합의 스코어만이 상기 의학적 제안의 계산 동안 고려되도록 상응하는 조건을 포함할 수 있다. 이는 최소량의 수신된 공지 사실들을 사용하는 의학적 사실들의 조합의 바람직한 용도로서 이해할 수 있다. 이는 데이터베이스에 포함된, 의학적 제안의 스코어 계산에 사용된 의학적 사실들의 조합의 선택에 대한 특수 기준을 제공할 수 있다. 이는 사용자를 위한 개선된 개요를 제공한다.

위에서 이미 설명한 바와 같이, 본원 발명의 방법은 의학적 제안을 생성하기 위한 세트 기반 계산 과정을 포함한다. 상기 계산 과정은 의학적 사실들 F_j과 의학적 제안들 MS_i을 포함하는 가능한 세트들을 사용하여 계산한다. 상기한 성분들 자체는 세트들로서 간주되지 않고 사물로서 간주되며 IT 관점에서 상기 사물은 자체 언급을 사용할 수 있다.

데이터베이스에서, 계산 과정은 의학적 제안들 MS_i을 선택하기 위해 의학적 사실들 F_j의 값들의 형태의 수신된 공지된 사실들을 기초로 상기 수신된 의학적 사실들로의 하나 이상의 결합을 사용하여 개시한다. 의학적 제안들 MS_i을, 데이터베이스에 포함된 소위 녹아웃 기준을 통해 추가 고려대상에서 제거할 수 있거나 상기 녹아웃 기준이 수행된 경우 전혀 선택하지 않을 수 있다. 또한, 수신된 공지 사실의 조합은, 예를 들면, 데이터베이스에 포함/정의될 수 있는 불린 작업을 수행함으로써 평가할 수 있고, 이는 본원에서 구체적으로 설명된다. 또한, 아래에 실시예를 참고하여 설명하는 바와 같이, 의학적 제안은 또한 다른 의학적 제안과 연관되어 다른 의학적 제안 내의 의학적 제안 구조가 데이터베이스에 포함될 수 있다. 이 경우, 내부 의학적 제안의 스코어를 계산하고, 이를 기초로 외부 의학적 제안의 스코어를 계산한다.

본원 발명 방법의 총체적 접근법은 세트 기반 계산에 반영된다. 경우에 따라, 서브세트 S1은 기초 세트 S0에 포함된 각각의 의학적 제안이 서브세트 S1의 선택에 대해 평가되도록 선택된다. 다시 말해, 기초 세트 S0로부터 각각의 의학적 제안 MS_i은 적어도 하나의 수신된 공지 사실들과의 결합이 적어도 하나 있는지에 대한 질문에 대해 평가된다. 이러한 측면은 비제한적 예인 도 4의 기재로부터 명료하게 수집할 수 있다. 또한, 경우에 따라, 선택된 의학적 제안 MS_i의 각각의 스코어의 계산도 자동으로 선택된 서브세트 S1의 모든 MS_i에 적용할 수 있다. 다시 말해, 경우에 따라, 서브세트 S1로부터 각각의 선택된 의학적 제안 MS_i이 계산 과정 동안 평가된다.

의학 분야의 현재 유용한 지식은 전문가에 의해, 또한 예를 들면, 가이드라인 및 SOP(Standard Operating Procedure)를 참조하여 통합될 수 있다. 이어서 이러한 통합된 의학적 지식은 본원의 발명의 상세한 설명 및 독립 청구항에 기재된 데이터베이스의 구조에 따라 디지털화될 수 있다. 필요한 경우, 데이터베이스 생성을 위한 순차적인 단계별 접근법을 선택할 수 있다. 제1 단계에서, 의학적 지식이, 의학적 제안들 MS_i, 의학적 사실들 F_j과의 결합, 각각의 가중치 W_{i ,j}와의 결합 및 W_{i ,j}값의 정확한 분포를 포함하는 기술된 구조를 통해 데이터베이스로 "이론적으로" 통합될 수 있다. 또한 본원에 정의된 녹아웃 기준 및/또는 필수(must have) 기준이 적용될 수 있다. 제2 단계에서, 사실적 케이스 또는 사건 또는 이들의 복수가 본원 발명의 시스템 및 방법에 의해 계산된다. 상기 방법의 결과가 이의 논의를 위해 전문가에게 제공된다. 따라서, 전문가의 실제 지식이 상기 방법의 결과를 입증하는 데 사용되고 위에 기재한 바와 같은 데이터베이스의 적용이 가능하다. 이는 전문가의 피드백 형태로 본원 발명의 데이터베이스를 생성하는 제2 반복으로서 이해될 수 있다. 결과적으로, 본원 발명의 방법 및 시스템에 사용하기 위한 개선되고 신뢰할만한 데이터베이스가 생성된다. 제3 단계는 생성된 데이터베이스를 추가로 개선하기 위해 사용될 수 있다. 특히, 최종 사용자에게는, 개별 경우 "정확한(true) 의학적 제안", 예를 들면, 정확한 약물 요법을 보고할 수 있는 피드백 기전을 포함하는 사용자 인터페이스가 제공될 수 있다. 이는 사용자가 서브세트 S1로부터 하나 또는 복수의 제공된 의학적 제안들 MS_i을 선택적으로 삭제하는 것을 용이하게 한다. 사용자의 이러한 행위를 기초로, 본원의 시스템 및 방법은 가중치들 W_{i ,j}의 적용을 계산할 수 있다. 그러므로, 데이터베이스를 생성하고 갱신하기 위한 사용자의 피드백이 제공된다. 특히, 의학적 사건의 특정한 문제가 되는 경우의 사건은 가중치들 W_{i ,j}와 함께 의학적 제안 MS_i의 의학적 사실들 F_j을 사용한 데이터베이스 구조를 감안할 수 있다.

경우에 따라, 본원 발명의 방법은 "분류된 개연성" 시스템을 사용할 수 있다. 예시적 양태로서, 개연성으로 이해될 수 있는 계산된 스코어를 평가하는 데 세 가지 등급을 사용할 수 있다. 의심 등급은 200 내지 600포인트 미만의 스코어 값으로, 개연성이 있는 추정 등급은 600 이상 950포인트 미만의 스코어 값으로, 개연성이 높은 등급은 950포인트 이상의 스코어 값으로 표현된다. 본원에 기재된 포인트 스코어 값은 항상 고려 사항 및 평가의 각각의 경우를 기초로 하며, 개체군 평균 평가를 기초로 하지 않는다. 예를 들면, 개별적 사례로 80세가 넘는 남성의 48%가 허혈성 심장 질환을 앓는다는 통계적으로 맞는 진술은 스코어 값을 갖지 않는다. 실제로 조사된 85세 남성은 상기 질환을 앓거나 상기 질환을 앓지 않는다. 상기 질환을 48%가 앓는 것은 불가능하다. 다시 말해, 이러한 통계적 진술은 일단의 사람이 고려되는 경우에만 유용하다. 80세가 넘는 100명의 남성 중에서 약 48명이 상기 심장 질환을 앓는다. 그러나, 이는 개별적 사례가 평가되고 상세히 분석되어야 하는 경우, 개별적 사례에 어떠한 추가의 도움도 되지 않는다. 본원 발명의 설명으로부터 명백해지는 바와 같이, 본원 발명은 분류된 개연성이 사용되더라도 이러한 각각의 사례 평가를 사용한다. 이는 하기 설명으로부터 명료해질 것이다.

또한, 본원 발명의 방법 및/또는 시스템은 일일 진단 및 치료 과정을 최적화하는 의학적 필요성, 예를 들면, 경제적 및 행정적 필요성 외에도 다른 측면을 고려하도록 설정된다. 만약, 예를 들면, 특정 약제가 가장 유용한 것으로 추정되어 환자를 위한 최상의 치료적 선택인 경우, 본원 발명의 방법 및/또는 시스템은 또한 특정한 약제학적 상품(예를 들면, 특정 제약 회사의 특정 항생제)을, 상기 환자의 건강 보험회사가 상기 제약 회사와 "약제 제공 계약"을 가동한 경우, 추가로 추천할 수 있다. 이 정보는 본원 발명에 의해 사용자에게 제공된 의학적 제안과 조합될 수 있다.

프로세스 최적화를 위한 다른 예는 그 기원의 소스(source)/생성자(creator)에 좌우되는 "제공된 정보의 신뢰도"에 대해 생성된 스코어이다. 예를 들면, 대동맥판막의 가벼운 기능부전의 진단과 같은 정보를 일반의가 진단하면, 이러한 인풋은 본원 발명의 방법 및/또는 시스템에 의해 심장병전문의가 제공한 동일한 정보로서 "아마도 타당하지 않은" 것으로 분류될 수 있다. 동일한 일반의가 심장에 문제가 있는 환자를 보호하기 위해 본원 발명의 시스템에 "1일당 ASS 100mg의 사용"을 입력하면 이러한 지식은 환자로부터의 동일한 인풋보다 높게 랭크될 수 있다. 이러한 "정보 식별"은 가능한 한 잘못된 지시를 피하기 위해 중요할 수 있다. 따라서, 본원 발명의 방법 및/또는 시스템을, 공지 사실을 그 기원의 소스/생성자에 관한 데이터를 포함하는 형식의 의학적 사실 값의 형태로 수신하고 수신된 공지 사실들을 처리하여 정보 식별을 제공하도록 설정할 수 있다.

또한, 본원 발명의 방법 및/또는 시스템을 결정해야할 의학적 환경을 기초로 서브세트 S1로부터 상이한 의학적 제안을 선택하도록 설정할 수 있다. 만약 환자가, 예를 들면, 체력 소실 및 심장 잡음으로 인해 지역 보건의를 방문하여 진찰을 받는 경우, 일반의는 초음파(에코) 검진을 수행할 수 없어 심장 잡음의 원인을 확인할 수 없기 때문에, 본원 발명의 방법 및/또는 시스템은 이 환자에게 심장병전문의를 소개하길 추천할 것이다. 만약 동일한 환자가 심장병전문의를 찾아간다면, 본원 발명의 시스템은 "다음 단계"로서 정확히 심장병 수술의 표준 진단 과정인 에코 검진을 추천할 것이다. 따라서, 본원 발명의 방법 및/또는 시스템을, 공지 사실을 실제로 결정해야할 의학적 환경에 관한 데이터를 포함하는 형식의 의학적 사실 값의 형태로 수신하고 수신된 공지 사실을 처리하도록 설정할 수 있다.

다른 측면은 서브세트 S1로부터 상이한 의학적 제안을 작동, 예를 들면, 선택할 수 있는 지리적 현지화이다. 예를 들면, 호주에서 작은 상처를 입고 쓰러진 채 발견된 젊은 여성은 위험한 뱀에 물릴 확률이 노르웨이에서의 경우보다 훨씬 더 높다. 따라서, 본원 발명의 방법 및/또는 시스템을, 일부 또는 모든 공지 사실의 지리적 위치 또는 지리적 기원에 관한 데이터를 포함하는 형식의 의학적 사실들의 값들의 형태로 수신하고 수신된 공지 사실들을 처리하도록 설정할 수 있다.

본원 발명의 다른 예시적 양태에 따라, 본원 발명의 방법은 단계 4에서 계산된 제1 의학적 제안의 계산된 스코어를 제1 반복에 사용하고 의학적 사실들 F_j과 각각의 가중치 W_{i ,j}의 수신된 값들 및 제1 의학적 제안의 계산된 스코어를 기초로 서브세트 S1의 적어도 제2 의학적 제안에 대한 각각의 스코어를 계산하는 단계를 추가로 포함한다. 제2 의학적 제안에 대한 스코어의 계산은 제2 반복으로 이해할 수 있다.

다시 말해, 제1 반복의 스코어는 단계 4를 한번 더 수행하는 경우 상기 의학적 제안의 스코어 계산을 위해 다른 의학적 제안에 대한 의학적 사실들로서 사용할 수 있다. 물론 단계 4에서 복수의 의학적 제안들에 대한 복수의 스코어가 제1 반복에서 계산될 수 있고, 단계 4의 제2 반복에서 추가의 의학적 제안에 대한 복수의 스코어가 계산될 수 있다.

본원 발명의 다른 예시적 양태에 따라, 본원 발명의 방법은 수신된 공지 사실들을, 상기 서브세트 S1의 하나 이상의 의학적 제안들 MS_i로, 상기 하나 이상의 의학적 제안 MS_i의 상기 각각의 계산된 스코어에 기초하여 보완하는 단계를 추가로 포함한다. 본원 발명의 방법은 보완된 수신된 공지 사실들을 사용하여 위에 기재한 단계 2, 3 및 4를 반복하는 단계를 추가로 포함한다.

본원에서, 용어 "보완된 수신된 공지 사실"은 용어 "유도된 사실"과 유사하게 사용될 것이다. 다시 말해, 본원 발명의 방법은, 제1 반복 계산의 결과 또는 그 결과의 일부를 본원 발명 방법의 제2 또는 추가 반복에 대한 인풋으로서 사용될 수 있음을 용이하게 한다. 다시 말해, 본원 발명의 방법은 제1 반복의 의학적 제안들 MS_i을 기초로 한, 상응하는 스코어로 계산되는 새로운 추가 사실을 생산 및 생성할 수 있다. 상기 스코어가 충분히 높은지 결정하는데 역치를 사용할 수 있다. 의학적 제안의 스코어가 상기 역치를 초과하는 경우, 본원 발명의 방법은 단계 2 내지 4를 다시 수행한 다음 프로세스에 공지된 사실 F_j로서의 상기 의학적 제안을 자동으로 제공한다. 따라서, 이러한 예시적 양태는 사용자에 의한, 예를 들면, 제2 또는 추가 반복에 대해 수신된 공지 사실들의 인풋 보완의 조정 및 선택을 용이하게 한다.

다시 말해, 본원 발명의 방법은, 각각의 스코어가 상기 방법의 제1 반복에서 계산되는 의학적 제안들 MS_i으로부터 새로운 사실들 F_k을 유도하고 상기 방법의 추가 반복에서 유도된 새로운 사실들 F_k이 새로운 사실로서 사용되는 단계를 추가로 포함한다. 추가 반복 방법에서 단계 2 내지 단계 4가 수행된다.

본원 발명의 다른 예시적 양태에 따라, 의학적 지식 모델이 데이터베이스에 저장된다.

따라서, 본원 발명의 방법은, 모델 기반 의학적 결정에서의 지원으로서 의학적 제안의 스코어를 계산하는 방법으로서 이해할 수 있다. 한 예로서, 의학적 지식 모델은 당뇨병, 내분비학, 희귀 난치병, 갑상선, 심장학, 유아기 질병 또는 위장병과 같은 의학의 특정 분야에 관한 정보를 포함할 수 있다. 따라서, 의학적 지식 모델은 당뇨병 지식 모델, 내분비학 지식 모델, 희귀 난치병 지식 모델 등일 수 있다. 일반적으로, 의학의 특정 분야에 관한 지식은 이러한 의학적 지식 모델로서 저장된다.

추가로, 본원에 기재된 의학적 지식 모델은 의학적 전문 지식의 특정 분야에서 컴퓨터 지원 정보 및 결정 지원을 제공하는데 필요한 정보의 적어도 일부 또는 모두를 나타낸다. 이는 모든 구조적, 존재론적, 논리적 및 술어적인 의학적 영역의 측면을 포함할 수 있으며, 이는 아래에 상세히 설명할 것이다. 데이터베이스가 포함하는 모든 의학적 지식은 의학적 지식 모델에 저장된다. 특히, 데이터베이스에서 의학적 지식은 의학적 제안들 MS_i과 의학적 사실들 F_j 간의 연관성 형태 및 의학적 사실들 F_j과 가중치들 W_{i ,j} 간의 연관성 형태로 저장된다. 따라서, 의학적 제안 스코어를 수신된/제공된 공지 사실을 기초로 어떻게 계산할지를 정의하는 계산 규칙이 또한 의학적 지식 모델의 일부이다.

본원 발명의 다른 예시적 양태에 따라, 데이터베이스는 스크립트 파일 모음으로 이루어진다.

본원에서 용어 스크립트 파일은 통상의 기술자가 일반적으로 이해하는 의미로 사용된다. 특히, 스크립트 파일은 임의의 사용자 상호작용 없이 컴퓨터 프로그램에 의해 처리될 수 있는 명령어 모음이다. 따라서, 본원 발명의 방법은 임의의 사용자 상호작용 없이 컴퓨터/컴퓨터 프로그램에 의해 수행되거나 처리될 수 있다. 명령어는 사용된 컴퓨터 프로그램에 의해 해석될 수 있는 자바스크립트(JavaScript) 등과 같은 특정 스크립팅 언어로 표현될 수 있다. 이 양태는 또한 의학적 지식 모델의 모든 가공물이 스크립트 파일 모음으로 구성된 것으로 기재될 수 있다. 한 양태에서, 의학적 제안들 MS_i과 의학적 사실들 F_j 간의 모든 결합 및 의학적 사실들 F_j과 가중치들 W_{i ,j} 간의 모든 결합이 데이터베이스에 기술식(descriptive form)으로 저장된다. 한 양태에서, 의학적 지식 모델의 모든 정보가 데이터베이스에 스크립트 파일 형태로 저장된다. 상기 스크립트 파일은 수정되도록 관리될 수 있다. 따라서, 과거의 의학적 지식 모델의 어떠한 상태라도 복구될 수 있다. 따라서, 한 양태에서 모든 결합이 데이터베이스에 스크립트 파일 형태로 저장되고, 상기 스크립트 파일은 데이터베이스에 수정 증거 방식으로 저장된다. 추가로, 의학적 지식 모델은 구문적 및 의미론적 수정에 대한 모델을 허용한 컴파일러와 같은 적합한 도구로 점검할 수 있다. 이러한 컴파일러는 또한 인덱스 파일을 생성하고, 인덱스 파일은 의학적 제안들의 스코어를 계산하는 데 사용될 수 있다.

추가로, 본원에 사용된 스크립트 파일은 모델 가공물로서 이해할 수 있다. 따라서, 본원 발명의 다른 예에 따라 지식 모델 가공물이 데이터베이스에 스크립트 파일 형태로 저장된다. 의학적 지식 모델의 모든 가공물이 데이터베이스에 저장되는데, 각각의 가공물은 지식 모델의 구조적, 존재론적, 논리적 및 술어적 측면을 서술한다. 희귀 난치병 예인 내분비학에서 가공물은 사실 HbAlc를 특정 그룹 또는 코드 시스템으로 분류하거나 할당하기 위해 상기 사실의 내부 또는 외부 종양학 배치뿐만 아니라 데이터 유형(수치), 내부적으로 사용된 과학 단위(mmol/mol)를 특정함으로써 상기 사실의 구조적 정보를 서술할 수 있다. 다른 예로서, 가공물은 또한 의학적 사실들 체중 및 신장로부터 체질량지수를 계산하는 지식 모델의 논리적 측면으로서 계산 규칙을 서술할 수 있다.

다른 예시적 양태에 따라, 의학적 지식 모델은 인덱스 파일을 포함한다.

용어 "인덱스 파일"은 의학적 제안들 MS_i, 이들의 연관된 의학적 사실들 F_j과 가중치들 W_{i ,j} 간의 모든 관계 및 상응하는 계산 규칙이 맵핑되고 최적화된 구조에 저장되는 특정 스크립트 파일로 이해할 수 있다. 이러한 인덱스 구조는 본원 발명의 방법에 의해 사용되어 서브세트 확인이 필요할 때마다 엄청난 세트 작업들이 수행될 수 있다.

본원 발명의 다른 예시적 양태에 따라, 의학적 지식 모델은

a. 상기 의학적 지식 모델의 구조를 서술하는 구조적 매개변수들,

b. 상기 의학적 지식 모델의 논리를 구성하는 계산 규칙들 및

c. 본원 발명의 방법의 결과를 제공하는 프리젠테이션 요소들을 포함하며,여기서, 각각의 계산 규칙은 의학적 사실들 F_j의 값들 및 각각의 가중치 W_{i ,j}를 기초로 하여 상기 기본 세트 S0의 하나 이상의 상기 의학적 제안들 MS_i에 대한 상기 각각의 스코어의 계산을 정의한다. 또한, 상기 의학적 지식 모델은 상기 데이터베이스 내의 적어도 제1 저장 영역, 제2 저장 영역 및 제3 저장 영역에 저장된다. 모든 구조적 매개변수들은 상기 제1 저장 영역에 저장되고, 모든 계산 규칙들은 상기 제2 저장 영역에 저장되고, 모든 프리젠테이션 요소들은 상기 제3 저장 영역에 저장된다. 추가로, 상기 데이터베이스의 제1, 제2 및 제3 저장 영역은 서로 상이하다.

다시 말해, 의학적 지식 모델의 의학적 핵심 측면은 응용 관련 프리젠테이션 측면과 독립적으로 유지된다. 이러한 접근법의 큰 장점은, 본원 발명의 방법의 결과를 환자, 건강 관리 전문인 또는 관리 센터 중개인과 같은 상이한 목표 그룹에 제공하는 것이 지식 모델의 의학적 핵심 측면을 바꾸지 않고 특정 목표 그룹에 적합한 프리젠테이션 요소를 간단히 정의함으로써 가능하다는 것이다. 마찬가지로, 의학적 지식 모델의 모든 응용 관련 프리젠테이션 측면을 간단히 해석함으로써 의학적 제안을 다른 언어로 해석하는 것도 가능하다.

추가로, 상기 컨셉은 다른 의학적 영역에서의 지식 모델의 재사용 가능성 범위를 용이하게 하는데, 이의 핵심 의학적 일관성이 기본적으로 최종 응용 상황과 별개이기 때문이다. 한 양태로, 의학적 지식 모델은 서브 모듈로서 현존하는 모델을 사용할 수 있다. 서브 모듈로서 현존하는 모델을 사용하는 경우, 상기 모델은 서브 모듈의 구조적 매개변수들을 사용할 수 있을 뿐이거나, 서브 모듈의 구조적 매개변수들 및 계산 규칙들 둘 다를 사용할 수 있거나, 서브 모듈의 구조적 매개변수들, 계산 규칙들 및 프리젠테이션 요소들을 사용할 수 있다. 본원 발명의 이러한 측면에 대한 보다 상세한 것은 아래에 기재할 것이다.

상기 구조의 내용뿐만 아니라 구조도 쉽게 판독할 수 있다. 상기 세 가지 성분의 분리를 디렉토리 구조로부터 직접 볼 수 있다.

구조적 매개변수들은 의학적 지식 모델의 구조를 서술한다. 한 양태로, 구조적 매개변수들은 의학적 사실들 및 의학적 제안들/유도된 사실들에 대한 의학적 지식 모델의 메타 정보를 포함한다. 한 양태로, 구조적 매개변수들은 의학적 사실들을 처리하고/하거나 의학적 사실들을 분류하기 위한 카탈로그, 소위 분류 카탈로그를 포함한다. 추가로, 과학적 단위들에 대한 정보는 상기 구조적 매개변수들의 일부일 수 있고, 또한 상이한 과학적 단위를 갖는 값들 간의 전환도 상기 구조적 매개변수들의 일부일 수 있다. 이는 또한 과학적 단위들의 메타 정보로 이해할 수 있다.

계산 규칙에서 의학적 지식 모델의 논리 요소들이 정의된다. 계산 규칙들은 (본원 발명의 방법의 제1 반복에서) 제공되거나 수신된 공지 사실들 및 (본원 발명의 방법의 제2 반복에서) 유도된 사실들을 기초로 의학적 제안의 스코어를 계산하는 데 사용할 수 있다. 따라서, 이러한 계산 규칙들은 수학적 함수 또는 의학적 제안 MS_i, 의학적 사실들 F_j 및 가중치들 W_{i ,j}간의 상관관계를 포함할 수 있다. 따라서, 계산 규칙은 상이한 인풋 값들에 대한 의학적 제안의 스코어 또는 아웃풋을 정의할 수 있다.

프리젠테이션 요소들은 계산 결과들이 사용자, 장치 및/또는 다른 제3자에게 제공되는 포맷 및 방식을 서술할 수 있다.

용어 저장 영역은 본원 발명에서 특정 그룹의 스크립트 파일들이 저장될 수 있거나 저장되는 공간으로서 이해해야 한다. 예시적 양태에서, 저장 영역은 파일 시스템 내의 폴더이거나 상관관계가 있거나 없는 데이터베이스 내의 컨테이너일 수 있다. 저장 영역은 목록(list)일 수 있으나 다른 양태들도 가능하다. 데이터베이스의 제1, 제2 및 제3 저장 영역들이 서로 상이하다는 사실은 상기 3개의 저장 영역들이 분명히 분리되어 있다는 것으로 이해할 수 있다.

본원 발명의 다른 예시적 양태에 따라, 의학적 지식 모델은 제1 의학적 지식 모듈 및 제2 의학적 지식 모듈을 포함한다. 상기 제1 의학적 지식 모듈은

a. 상기 제1 의학적 지식 모듈의 구조를 서술하는 구조적 매개변수들,

b. 상기 제1 의학적 지식 모듈의 논리를 구성하는 계산 규칙들 및

c. 상기 제1 의학적 지식 모듈의 결과를 제공하는 프리젠테이션 요소들을 포함하고, 여기서, 각각의 계산 규칙은 의학적 사실들 F_j의 값들 및 상기 각각의 가중치 W_i,j를 기초로 하여 상기 기본 세트 S0의 하나 이상의 상기 의학적 제안들 MS_i에 대한 상기 각각의 스코어의 계산을 정의한다.

상기 제1 의학적 지식 모듈은 상기 데이터베이스의 적어도 제1 저장 영역, 제2 저장 영역 및 제3 저장 영역에 저장된다. 상기 제1 의학적 지식 모듈의 모든 구조적 매개변수들은 상기 제1 저장 영역에 저장되고, 상기 제1 의학적 지식 모듈의 모든 계산 규칙들은 상기 제2 저장 영역에 저장되고, 상기 제1 의학적 지식 모듈의 모든 프리젠테이션 요소들은 상기 제3 저장 영역에 저장된다. 또한, 상기 데이터베이스의 제1, 제2 및 제3 저장 영역들은 서로 상이하다. 추가로, 제2 의학적 지식 모듈은

a. 상기 제2 의학적 지식 모듈의 구조를 서술하는 구조적 매개변수들,

b. 상기 제2 의학적 지식 모듈의 논리를 구성하는 계산 규칙들.

c. 상기 제2 의학적 지식 모듈의 결과를 제공하는 프리젠테이션 요소들을 포함하고, 여기서, 각각의 계산 규칙은 의학적 사실들 F_j의 값들 및 상기 각각의 가중치 W_{i ,j}를 기초로 하여 상기 기본 세트 S0의 상기 하나 이상의 의학적 제안들 MS_i에 대한 상기 각각의 스코어의 계산을 정의한다.

상기 제2 의학적 지식 모듈은 상기 데이터베이스의 적어도 제4 저장 영역, 제5 저장 영역 및 제6 저장 영역에 저장된다. 상기 제2 의학적 지식 모듈의 모든 구조적 매개변수들은 상기 제4 저장 영역에 저장되고, 상기 제2 의학적 지식 모듈의 모든 계산 규칙들은 상기 제5 저장 영역에 저장되고, 상기 제2 의학적 지식 모듈의 모든 프리젠테이션 요소들은 상기 제6 저장 영역에 저장된다. 추가로, 상기 데이터베이스의 제4, 제5 및 제6 저장 영역들은 서로 상이하다.

물론 복수의 의학적 지식 모듈들, 예를 들면, 제3 또는 제4 의학적 지식 모듈이나 이보다 더 많은 모듈들도 사용할 수 있다. 이들 모듈은 모두 제1 및 제2 모듈의 예에 의해 미리 서술된 것과 동일한 구조를 가질 수 있다.

이 양태는 특히 의학적 지식 모델의 모듈 방식 측면을 포함하고, 의학적 지식 모델, 특히 이 모델의 각각의 모듈 내에서의 구조적 매개변수들, 계산 규칙들 및 프리젠테이션 요소들간의 엄격한 물리적 분리를 포함한다. 엄격한 물리적 분리는 앞서 기재하고 아래에 기재한 상세한 내용을 참고한다. 추가로, 의학적 지식 모델은 특정한 공통의 구조를 갖는 몇 개의 의학적 지식 모듈들을 포함할 수 있다. 또한, 의학적 지식 모델의 이러한 모듈 방식 측면은 보다 상세히 기재할 것이다.

의학적 지식 모델의 이러한 모듈 방식 측면에 대해 하기를 주목해야 한다. 상기 모델의 모듈 방식으로 인해, 의학적 지식 모듈들이 다른 의학적 지식 모듈들에 사용될 수 있다. 예를 들면, 제1 의학적 지식 모듈은 쉽게 제2 의학적 지식 모듈을 참조할 수 있다. 이러한 모듈의 다른 모듈을 언급한 상세한 특정 양태를 아래에 기재할 것이다.

본원 발명의 다른 예시적 양태에 따르면, 제2 의학적 지식 모듈은 제1 의학적 지식 모듈에 좌우된다.

이러한 모듈 방식 컨셉은 표준화된 지식 모듈 외에 고객 특이적(client specific) 조정 및 주문을 가능하게 한다. 이는 표준 지식 모듈을 기초로 하고 고객 특이적 변화만을 포함하는 새로운 고객 특이적 지식 모듈을 생성함으로써 가능하다.

본원 발명의 다른 예시적 양태에 따르면, 상기 제2 의학적 지식 모듈의 구조적 매개변수들은 상기 제1 의학적 지식 모듈의 구조적 매개변수들을 참조하고/하거나, 상기 제2 의학적 지식 모듈의 계산 규칙들은 상기 제1 의학적 지식 모듈의 구조적 매개변수들을 참조하고/하거나, 상기 제2 의학적 지식 모듈의 프리젠테이션 요소들은 상기 제1 의학적 지식 모듈의 구조적 매개변수들을 참조한다.

물론 상기 제2 의학적 지식 모듈의 일부 또는 모든 구조적 매개변수들, 계산 규칙들 및 프리젠테이션 요소들이 상기 제1 의학적 지식 모듈의 상응하는 요소를 참조할 수 있다.

본원 발명의 또 다른 예시적 양태에 따르면, 제1 의학적 지식 모듈의 모든 구조적 매개변수들이 상기 제2 의학적 지식 모듈에 의해 참조될 수 있다.

본원 발명의 또 다른 예시적 양태에 따르면, 상기 제1 의학적 지식 모듈 및 상기 제2 의학적 지식 모듈은 각각 본원 발명의 방법의 결과들을 확인하기 위한 실험 케이스들을 포함하고, 각각의 실험 케이스는 의학적 사실들 및 다수의 제약들(constraints)을 포함한다.

상기 실험 케이스는 위에서 언급한 저장 영역과는 별개인 추가의 분리된 저장 영역에 저장될 수 있다. 따라서, 여기에도 엄격한 분리가 적용된다. 이것은 각각의 모듈에 대해서 마찬가지일 수 있다. 추가로, 상기 저장 영역에서 실험 케이스는 품질 확인의 이유로 저장된다. 한 양태에서, 이러한 실험 케이스는 인풋 벡터로서의 의학적 사실들과 제약들 세트로 이루어지고, 이로써 본원 발명 방법의 결과의 점검 또는 확인이 본원 발명의 방법에 의해 수행될 수 있다.

본원 발명의 또 다른 예시적 양태에 따르면, 상기 데이터베이스는 상기 제1 의학적 지식 모듈과 상기 제2 의학적 지식 모듈 간의 순환 종속성을 포함하지 않는다.

본원 발명의 또 다른 예시적 양태에 따르면, 상기 의학적 지식 모델은 다수의 의학적 지식 모듈들을 포함하고, 상기 데이터베이스는 상기 다수의 의학적 지식 모듈들의 의학적 지식 모듈들 간의 순환 종속성을 포함하지 않는다.

용어 순환 모듈 종속성은 통상 사용되는 의미로 이해될 것이고, 특히 2개 이상의 지식 모듈로서 서로 직접 또는 간접적으로 종속하고 있는 모듈들 간의 관계로서 이해될 것이다. 한 예로서 다음에 기재하는 것이 있다. 모듈 M1이 모듈 M2에 종속하고 모듈 M2가 모듈 M3에 종속하고 모듈 M3가 모듈 M1에 종속하면, 최종 종속성이 순환 종속성을 도입한다. 그러나, 이는 위에서 기재한 본원 발명의 예시적 양태의 구조에 대한 경우는 아니다.

소프트웨어 디자인에 있어서, 순환 종속성은 이들의 부정적 영향으로 인해 안티패턴(anti-pattern)으로서 간주된다. 가장 문제되는 것은 단일 모듈의 독립적인 재사용을 감소시키거나 불가능하게 만드는 상호간 종속적 모듈들이 단단하게 커플링되는 것이다. 또한, 순환 종속성은 프로세싱 동안 현저한 또는 무한의 진동(oscillation)을 일으키기도 한다. 본원 발명의 양태는 이러한 진동을 유리하게 피한다.

본원 발명의 또 다른 예시적 양태에 따르면, 상기 데이터베이스에서 계산 규칙이 정의되고, 각각의 계산 규칙은 의학적 사실들 F_j의 값들 및 상기 각각의 가중치 W_{i ,j}를 기초로 하여 상기 기본 세트 S0의 하나 이상의 상기 의학적 제안들 MS_i에 대한 상기 각각의 스코어의 계산을 정의한다.

상이한 수학적 함수를 사용할 수 있고 본원에 기재된 대로 확률 분포로서 가중치들 W_{i ,j}를 구현할 수 있다. 본원에 정의된 바와 같이, 상기 수학적 함수를 정의하는 계산 규칙은 데이터베이스에 저장된다. 따라서, 계산 규칙은 의학적 제안, 의학적 사실 및 가중치 간의 상관관계를 특정하게 정의하여 의학적 제안에 대한 개별스코어가 계산될 수 있도록 한다.

본원 발명의 또 다른 예시적 양태에 따르면, 상기 데이터베이스에서 계산 규칙들이 정의되고, 각각의 계산 규칙은 의학적 사실들 F_j의 값들 및 상기 각각의 가중치 W_{i ,j}를 기초로 한 서브세트 S1의 하나 이상의 의학적 제안들 MS_i에 대한 각각의 스코어의 계산을 정의한다.

본원 발명의 또 다른 예시적 양태에 따르면, 각각의 계산 규칙에 대해 상응하는 규칙 전제가 상기 데이터베이스에 저장되고, 각각의 규칙 전제는 3개의 서브전제(sub-premise)들을 포함한다. 각각의 규칙의 제1 서브전제는 어느 의학적 사실들 F_j이 상응하는 계산 규칙에 대해 필수적인지를 정의하고, 각각의 규칙의 제2 서브전제는 어느 의학적 사실들 F_j이 상응하는 계산 규칙에 대해 선택적인지를 정의하고, 각각의 규칙의 제3 서브전제는 어느 의학적 사실들 F_j이 상응하는 계산 규칙에 대해 녹아웃(knock out) 기준인지를 정의한다.

계산 규칙은 필요한 전제에서 정의된 모든 의학적 사실들이 공지되거나 다른 규칙에 의해 계산될 수 있는 경우 및 상응하는 규칙의 계산에 대해 녹아웃 기준인 의학적 사실 중 어느 것도 공지되거나 (인풋으로서) 수신되지 않는 경우, 본원 발명에서 계산될 수 있는 것으로 이해할 수 있다.

그 결과, 본원 발명을 수행하는 동안 계산/고려 사항으로부터 규칙이 자동으로 제외될 수 있다. 필요한 사실이 공지/수신되지 않거나 인풋으로서 유도되는 경우 및 데이터베이스의 어떠한 규칙도 필요한 의학적 사실을 계산하지 못하는 경우 규칙이 제외될 수 있다. 공지/수신되거나 본원 발명의 방법으로 계산/유도된 의학적 사실이 데이터베이스에서 기재한 바와 같은 녹아웃 기준인 경우, 상응하는 규칙은 자동으로 제외될 수 있다.

본원 발명의 또 다른 예시적 양태에 따르면, 본원 발명의 방법은 상기 계산 규칙에 대해 선택적인 모든 의학적 사실들 F_j이 공지된 것이거나, 공지되지는 않았으나 계산불가능한 것이거나, 상기 데이터베이스 내의 다른 계산 규칙에 의해 이미 계산된 것 및 계산불가능한 것인 경우에 한해서만 상기 계산 규칙의 계산을 수행하는 단계를 추가로 포함한다.

이러한 본원 발명의 양태는 선행 분야에서 불리하게 발생할 수 있는 진동을 피한다. 수신된 공지 사실이 계산 동안, 예를 들면, 수신된 공지 사실의 제외로 인해 변동되거나 결과를 다시 계산해야 하는 문제들은 선행 분야 시스템에서 발생할 수 있다. 계산 규칙의 재계산은 몇몇 경우 최종 결과를 계산할 수 없는 일련의 다수의 재계산을 야기할 수 있다. 그러나, 이는 상기한 본원 발명의 양태에 의해 방지된다.

이러한 특정 방식으로 규칙 전제를 사용하고 정의함으로써, 제공된 사실을 기초로 계산할 수 없는 데이터베이스의 계산 규칙을 제외할 수 있거나, 녹아웃 기준이 준수되거나 필요한 사실을 이용할 수 있어서 계산 규칙을 제외할 수 있다. 다시 말하면, 본원 발명의 방법은 처음부터 상기 필요조건을 만족시키는 계산 규칙을 확인한다. 본원 발명의 방법은 이러한 계산 규칙만이 원칙적으로 계산될 수 있는 것으로 간주한다. 이는 최종 계산에 대해 시간을 절약할 수 있고 수렴되지 않는 불필요한 계산들을 피할 수 있다. 따라서, 본원 발명의 이러한 양태로 효율이 증가될 수 있다.

일반적으로, 의학적 사실은 몇몇 규칙이 상기 의학적 사실을 이용할 수 있도록 상기 몇몇 규칙에 대한 인풋일 수 있다. 이러한 본원 발명의 방법의 양태에서, 본원 발명의 방법은 모든 계산가능한 규칙(상기한 필요조건 참조)이 각각의 결과를 제공할 때까지 기다린다. 이어서, "최상"의 스코어를 갖는 의학적 제안을 추가의 계산을 위해 선택할 수 있다.

본원 발명의 또 다른 예시적 양태에 따르면, 본원 발명의 방법은 계산 규칙에 대해 녹아웃 기준인 의학적 사실들 F_j이 공지되지 않았고 계산할 수 없는 것인 경우에 한해서만 상기 계산 규칙의 계산을 수행하는 단계를 추가로 포함한다.

본원 발명의 또 다른 예시적 양태에 따르면, 부인과 내분비학에서의 의학적 결정 과정을 지원하는 방법이 제공된다.

본원 발명의 또 다른 예시적 양태에 따르면, 상기 서브세트 S1은, S1에 포함된 상기 의학적 제안들 MS_i이 각각 그 값이 공지 사실로 수신된 하나 이상의 의학적 사실과 연관되어 있는 것이 특징이다.

다시 말해, 데이터베이스에 따라 수신된 의학적 사실들 F_j과의 결합을 포함하는 의학적 제안들 MS_i만이 공지 사실의 수신시 기본 세트 S0로부터 선택된다. 따라서, 본원 발명의 방법에 의해 의학적 사실과의 적어도 하나의 상관관계 또는 링크 종속성을 갖는 의학적 제안이 선택되며, 의학적 사실의 값은 공지 사실로서 수신된다. 다시 말해, 서브세트 S1은 S1에 포함된 의학적 제안이 의학적 사실과 연관되어 있고 의학적 사실 값은 공지 사실로서 수신되는 것이 특징이다.

본원 발명의 또 다른 예시적 양태에 따르면, 본원 발명의 방법은 서브세트 S1을 선택하는 단계에 기본 세트 S0의 각각의 의학적 제안 MS_i을 평가하는 단계를 추가로 포함한다.

다시 말하면, 의학적 결정 과정을 지원하는 데 유용한 의학적 제안을 생성하는 거시적 또는 총체적 접근법이 제공된다.

본원 발명의 또 다른 예시적 양태에 따르면, 상기 서브세트 S1의 선택 단계는 세트를 기초로 처리된다.

다시 말하면, 상기 서브세트 S1의 선택 단계는 세트 지향된 방식으로 수행된다. 특히, 복잡한 연관성 또는 복잡한 관계가 데이터베이스에 포함되거나 저장되는 경우 및 대용량의 데이터가 포함되는 경우, 본원 발명의 방법은 신속한 작업을 제공한다. 본원 발명의 세트 기반 방법의 추가 이점 및 효과는, 예를 들면, 도 2 내지 5에 기재한다.

본원 발명의 또 다른 예시적 양태에 따르면, 상기 의학적 제안들 MS_i은 의학적 진단, 의학적 소견, 약물 치료, 병력, 보조 제안, 실험실 값의 평가, 의학적 타당성, 의학적 결론, 의학적 측정, 의학적 지시, 의학적 설명, 의학적 문제, 증상, 증상군, 텍스트 블록, 영양 제안, 피트니스 제안, 관리 제안, 중독치료 제안, 유전적 측면, 조직학 소견, 생리 과정, 병리 생리 과정의 조사, 질적 지표, 치료 추천, 요법 추천, 프로세스 제안, 의학적 조사 제안, 환자 설문, 전문적 설문 및 이들의 모든 조합을 포함하는 그룹으로부터 선택된 요소로서 각각 구체화된다.

상세하고 실질적인 기재의 예시적 양태는 아래에 기재하는 실시예 1 내지 5로부터 추가로 수집할 수 있다.

본원 발명의 또 다른 예시적 양태에 따르면, 상기 서브세트 S1의 의학적 제안들 MS_i의 각각의 스코어는 상기 각각의 의학적 제안이 옳을 확률을 나타낸다.

이러한 계산된 확률은 목록에 저장되거나 정리되고 이 목록은 사용자에게 제공될 수 있다. 계산된 스코어를 분류하기 위해 의심, 개연성 있음 및 개연성 높음과 같은 확률의 특정 카테고리를 사용할 수 있다. 경우에 따라, 이러한 카테고리의 선택만 사용자에게 표시되거나 출력된다.

본원 발명의 또 다른 예시적 양태에 따르면, 상기 의학적 사실들 F_j은 환자의 연령, 환자의 성별, 환자의 체중, 환자의 신장, 생리학적 매개변수, 생물학적 매개변수, 화학적 매개변수, 의학적 매개변수, 증상, 의학적 불평과 관련된 정보, 의학적 소견의 결과, 환자의 생활 조건과 관련된 정보, 환자의 의학적 상태를 기술하기에 유용한 환자에 대한 정보, 진단, 의학적 데이터, 약물 데이터, 피트니스 데이터, 영양 데이터, 중독치료 데이터, 관리 데이터, 원격측정 데이터, 통계 데이터, 의학적 참고 데이터, 병력, 위험 요소, 알러지, 환자의 습관, 환자의 직장 환경, 환자의 주택 환경, 이미징 데이터, 지역 기후 데이터, 지역 환경 데이터, 풍토 데이터, 유행병 데이터, 기능 시험 결과, 전문가로부터 또는 설문을 통해 환자로부터 수신된 정보 및 이들의 모든 조합을 포함하는 그룹으로부터 선택된 요소로서 각각 구체화된다.

또한, 개별 환자의 각각의 생활환경을 의학적 사실로서 사용할 수 있다. 예를 들면, 개인 관계에서의 스트레스나 압력, 또는 작업 환경 면에서 오염에 대한 노출 또는 유해 환경이나 취미가 의학적 사실들의 또 다른 양태일 수 있다. 의학적 사실 "지역 환경 데이터"에 대해서는 예를 들어 지역 방사능 노출, 환경 오염, 및 납과 같은 물질, 오존, 자외선, 미세 먼지 또는 소음의 존재와 같은 데이터가 양태일 수 있음을 주목해야 한다.

본원 발명의 또 다른 예시적 양태에 따르면, 상기 의학적 제안의 스코어를 계산하는 단계는 제1 가중치 W_{i ,j}를 적용하여 제1 의학적 제안 MS_i의 제1 의학적 사실 F_j의 수신된 제1 값을 가중하여 제1 제안 결과를 수득하는 단계를 포함한다. 또한, 제2 가중치 W_{i ,j}를 적용하여 제1 의학적 제안 MS_i의 제2 의학적 사실 F_k의 수신된 제2 값을 가중하여 제2 제안 결과를 수득하는 단계를 포함한다. 추가로, 제1 제안 결과와 제2 제안 결과를 제안 S_i의 스코어에 합하는 단계가 본원 발명의 양태에 의해 수행된다.

다시 말해, 이 경우 의학적 제안 MS_i의 스코어를 가중된 각각의 결과의 합으로 이해할 수 있다. 또한, 위에서 기재한 특정 선택을 의학적 제안의 스코어를 계산하는데 추가로 또는 대안으로 사용할 수 있다.

본원 발명의 또 다른 예시적 양태에 따르면, 본원 발명의 방법은 조합 가중치 W_{i ,조합 j-k}를 적용하여 제1 의학적 사실 F_j와 제2 의학적 사실 F_k의 조합을 가중하는 단계를 추가로 포함하고, 상기 조합은 AND, OR, AND NOT 및 이들의 모든 괄호 조합을 포함하는 불린 조합 그룹으로부터 선택된다.

다시 말해, 제공된 데이터베이스는 상이한 의학적 사실 F_j와 F_k의 조합에 대해 사용된 이러한 가중치를 포함한다. 또한, 데이터베이스는 불린 조합 그룹으로부터 응용 조합을 포함한다. 다시 말하면, 이러한 본원 발명의 양태는 제1 의학적 사실 F_j와 제2 의학적 사실 F_k의 단일 세트 또는 발생을 고려할 뿐만 아니라 상기 두 사실이 접수된 것과 F_j와 F_k 값들을 가중한다. 결국, 본원 발명의 방법은 각각의 스코어를 계산하는 동안 의학적 사실들 F_j와 F_k의 관계를 고려한다. 명시적 예는 아래에 기재한다. 본원 발명의 또 다른 예시적 양태에 따르면, 본원 발명의 방법은 하나 이상의 제2 의학적 제안 S_m에 대해 상기한 단계를 반복하는 단계를 포함한다.

물론, 본원 발명의 방법은 또한 선택된 서브세트 S1에 포함되는 다수의 의학적 제안에 대해 상기 단계를 반복할 수 있다. 비교적 높은 스코어로 보이는 의학적 제안은 개연성 있는 것으로, 경우에 따라 개연성이 높은 것으로 사용자에게 표시될 수 있다.

본원 발명의 또 다른 예시적 양태에 따르면, 상기 가중치 W_{i ,j}는, 상응하는 의학적 제안 MS_i이 의학적 사실 F_j 값을 근거로 옳을 확률을 나타내는 확률 분포이다.

본원 발명의 또 다른 예시적 양태에 따르면, 의학적 제안의 스코어를 계산하는 단계는, 제1 의학적 제안 S_i의 제1 의학적 사실 F_j의 제1 값을 수신하고, 제1 의학적 제안 S_i의 제2 의학적 사실 F_k의 제2 값을 수신하고, 조합 가중치 W_{i ,조합 j-k}를 적용하여 상기 제1 의학적 사실 F_j와 상기 제2 의학적 사실 F_k의 조합을 가중하는 단계를 포함한다.

상기 조합 가중치는 다양하고 상이한 방식으로 구현될 수 있다. 예를 들면, 조합 가중치 W_{i ,조합 j-k}는 상응하는 의학적 제안 MS_i가 의학적 사실들 F_j 및 F_k 값들의 조합을 근거로 옳을 확률을 나타내는 확률 분포로서 구현된다. 다시 말하면, 시스템에 의해 수신되는 의학적 사실들 F_j 및 F_k의 특정 값들을 고려하여 세트 지향된 계산방법을 기초로 본원 발명의 거시적이고 총체적인 접근법이 제공된다.

본원 발명의 또 다른 예시적 양태에 따르면, 데이터베이스는 모든 의학적 사실들 F_j이 자립적이고 동등하도록 구조물에 제공된다. 다시 말해, 어떠한 의학적 사실도 다른 의학적 사실보다 선호되지 않고, 임의의 의학적 사실에 우선권이 없다. 여기서, 의학적 사실성 측면이 반영되는데, 의학적 상호관계 및 종속성은 트리형 방식이 아니라 네트형 방식으로 발생한다. 다시 말하면, 어떠한 계층적 의학적 사실 F_j도 데이터베이스에 포함되지 않는다. 다른 양태로, 환자의 성별 및/또는 연령은, 일반적 데이터가 그 일반성으로 인해 다른 사실에 비해 더 중요한 것으로 간주되는 측면에서 예외적인 의학적 사실로 고려될 수 있다.

본원 발명의 또 다른 예시적 양태에 따르면, 본원 발명의 방법은 서브세트 S1의 의학적 제안들 MS_i을 각각의 계산된 스코어 순서로 랭킹하는 단계 및 랭크된 의학적 제안의 순서를 사용자에게 제공하는 단계를 추가로 포함한다.

경우에 따라, 특정한 예정된 역치를 초과하는 의학적 제안들 MS_i만 사용자에게 제공된다. 이러한 역치는 사용자에 의해 조절되고 개별적으로 수정될 수 있다.

본원 발명의 또 다른 예시적 양태에 따르면, 본원 발명의 방법은 스코어 역치를 제공하는 단계 및 상기 의학적 제안의 스코어가 스코어 역치보다 큰 경우 서브세트 S1로부터 하나 이상의 의학적 제안을 선택하는 단계를 추가로 포함한다.

상기 예시적 양태에서 기재한 바와 같이, 적합한 스코어 내의 의학적 제안은 본원 발명의 방법에 의해 당해 방법의 차후 및 그 다음 반복에 대한 의학적 사실로 변형될 수 있다. 따라서, 당해 방법은 반복 방법으로 이해할 수 있다. 본원에 사용된 다른 역치뿐만 아니라 스코어 역치가 데이터베이스에 제공될 수 있다. 또한, 스코어의 정의에 따라 다른 기준도 선택할 수 있다. 예를 들면, 스코어 역치보다 크거나 같음, 스코어 역치보다 작음, 스코어 역치와 같음이 양태로 가능하다.

본원 발명의 또 다른 예시적 양태에 따르면, 본원 발명의 방법은 상기 수신된 공지 사실들을 상기 수신된 공지 사실들의 각 생성자에 대하여 분류하는 단계 및 상기 각 생성자를 기초로 상기 수신된 공지 사실을 우선순위화하는 단계를 추가로 포함한다.

특히 의학적 제안이 추가 반복에 대한 의학적 사실로 변형되는 상기한 양태에서, 분류 및 우선순위화는 중요할 수 있다. 상기 수신된 공지 사실의 생성자는 또한 상기 수신된 공지 사실의 소스로 이해할 수 있다. 유리하게는, 당해 양태는 수신된 공지 사실과 "사실 세계"를 구분하는 것을 용이하게 하고 "실제 의학적 사실들"로 명명되는 반면, 차후에 의학적 사실로서 사용되는 변형된 의학적 제안은 "가상 의학적 사실들"로 분류될 수 있다. 다시 말해, 본원 발명의 이러한 예시적 양태는 의학적 사실의 품질 또는 의학적 사실의 기원에 대해 의학적 사실들의 구분을 용이하게 한다. 수신된 공지 사실의 예시적 생성자들은 환자, 일반의, 전문의, 소비자의 장치 또는 의사의 장치일 수 있다. 각 공지된 사실들의 상응하는 우선순위화가 본원 발명에 의해 수행되고 적용될 수 있다. 이는 본원 발명의 방법의 신뢰도 및 정확도를 추가로 증가시킨다.

특히, 본원 발명의 방법 및 시스템은 수신된 의학적 사실 또는 데이터베이스에 제공되는 정보의 생성자 또는 스코어를 고려하도록 설정된다. 의학적 사실 F_j 값이 환자, 일반의, 전문의, 소비자의 장치 또는 전문적 장치로부터 기원하는가에 대한 사실은 사용자를 위해 본원 발명에 의해 생성된 아웃풋에 대해 결정적일 수 있다. 특히, 상응하는 의학적 사실 F_j의 생성자, 즉 의학적 사실 F_j의 소스에 따라 상이한 가중치가 본원 발명의 방법 또는 시스템에 의해 적용될 수 있다. 또한, 계산된 스코어가 사용자에게 제공된 경우, 각각의 사용자의 프로파일이 본원 발명의 방법 및 상응하는 시스템에서 고려될 수 있다. 예를 들면, 서브세트 S1로부터 검정 방법을 선택할 수 있는데, 이 방법은 현재 본원 발명을 사용하는 각각의 사용자에게 바람직할 수 있다. 각각의 사용자가 X선 장치나 컴퓨터 단층촬영 장치를 자유로이 사용할 수 있는 경우, 본원 발명의 방법 및 시스템은 아웃풋으로서 상응하는 의학적 제안을 선호하거나 상응하게 스코어를 증가시킬 수 있다. 또한, 사용자는 자신이 적용하고자 하는 계산 프로파일에 대해 본원 발명을 수행하는 시스템에 상호적으로 정보를 제공할 수 있다. 예를 들면, 사용자는 제1 프로파일로서 "가능한 한 빠른 결과의 계산"를 선택하고, 그렇지 않으면 프로파일 "비용 효율적 목표 지향"을 선택하거나, 그렇지 않으면 "법률적 준수 과정"을 선택할 수 있다. 그러나, 다른 프로파일도 생각할 수 있다. 본원 발명의 방법 및 상응하는 시스템은, 예를 들면, 사용자 인터페이스를 통한 선택을 위해 이러한 프로파일을 사용자에게 제공하도록 설정될 수 있다.

본원 발명의 또 다른 예시적 양태에 따르면, 수신된 의학적 사실들 F_j 중 하나 이상이 시간 관여 형태로 제공된다.

일반적으로, 상이한 시간 관여 형태가 사용될 수 있다. 예를 들면, 분당 혈압 또는 심박수의 시간 의존 값을 갖는 행렬(matrix)이 한 양태일 수 있다. 또한, 특정 생리학적 매개변수의 시간 관여 다이어그램이 다른 양태일 수 있다. 상기한 시간 관여 다이어그램은, 예를 들면, 트렌드 함수와 같은 기재의 수학적 함수 형태로 제공될 수 있다.

본원 발명의 또 다른 예시적 양태에 따르면, 상기 시간 관여는 n개의 상이한 시점에서의 상기 의학적 사실의 n개의 값을 포함하는 벡터로 표현된다.

예를 들면, 체중으로 구현된 의학적 사실 F_j에 대해 n=4인 경우, 의학적 사실의 상응 벡터는 다음 형태로 제공될 수 있다: [(2010년 12월 15일) 60kg, (2010년 2월 27일) 70kg, (2010년 12월 31일) 75kg, (2011년 1월 5일) 73kg,.. .].

본원 발명의 또 다른 예시적 양태에 따르면, 하나 이상의 수신된 의학적 사실은 종적 환자 데이터 형태로 제공된다. 다시 말하면, 환자 데이터는 시간순으로 제공되고, 이를 다양하고 상이한 방식으로 구현할 수 있다. 예를 들면, 평균값은 마지막 3개월의 평균값이 제공될 수 있다. 또한 특정 기간, 예를 들면, 반년 내의 성향의 증가 또는 성향의 감소를 가리키는 트렌드 함수를 사용할 수 있다. 추가로, 현존하는 함수들을 사용할 수 있다. 또한, 의학적 사실로서 변동 마진을 사용할 수 있거나, "기간 x에서의 값은 최소의 y를 갖는다"를 서술하는 최소 함수 또는 최대 함수도 사용할 수 있다. 또한, "지난 해의 월당 병원 입원과 같은 발생 횟수의 합이 역치 x를 초과"한다는 정보를 제공하는 종적 환자 데이터가 가능한 것과 같이, 합계 함수를 사용할 수 있다.

본원 발명의 또 다른 예시적 양태에 따르면, 기본 세트 S0은 각각 진단으로서 구현되는 다수의 의학적 제안들을 포함한다. 또한, 각각의 진단은 상기 진단과 관련되거나 관계있는 의학적 사실 또는 증상으로서 구현되는 의학적 사실들과 연관되어 있다. 본원 발명의 이러한 예시적 양태는 하기 실시예 1 내지 5로부터 명료하고 이의 기재로 보다 자세히 설명된다.

본원 발명의 또 다른 예시적 양태에 따르면, 상기 기본 세트 S0의 제1 의학적 제안은 제2 의학적 제안과 연관되어 있어 상기 제1 의학적 제안의 스코어를 계산하는 단계 동안 상기 제2 의학적 제안의 스코어가 계산된다.

아래에 상응하는 상황을 모범적으로 기재한다. 과안드로겐혈증은 환자의 혈액 내에, 테스토스테론 또는 DHEAS와 같은, 안드로겐이 증가된 것으로 정의된다. 안드로겐 자체는 성별, 연령, 임신 상태와 같은 의학적 사실, 및 실험실에서 사용된 측정 방법에 좌우된다. 안드로겐 값이 참조 범위를 초과하는지는 본원 발명의 상응하는 의학적 제안으로 평가할 수 있다. 상기 의학적 제안의 결과는 다시 의학적 제안 "진단 과안드로겐혈증"에 영향을 미친다. 또한, 안드로겐 값은 과안드로겐혈증 이외에도 다른 의학적 제안에 영향을 미친다. 이러한 예시적 양태의 중요 이점은 아래에서 이해할 수 있다. 추가의 안드로겐 의존적 의학적 제안이 조사되거나 적용된 측정 방법이 조정되거나 보다 정밀해지는 경우, 상응하는 가중치만 조정되어야 한다. 유리하게는, 과안드로겐혈증과 같은 안드로겐 값과 연관된 모든 의학적 제안이 데이터베이스에서 조정되는 것은 아니다. 또한, 과안드로겐혈증은 다른 의학적 제안들에 역할을 할 수 있는 의학적 제안이다. 데이터베이스를 생성하는 의학적 전문가들에 대해 결합, 종속성 및 상관관계의 구조가 관리가능한 구조 또는 포맷으로 제공된다.

본원 발명의 또 다른 예시적 양태에 따르면, 기본 세트 S0의 하나 이상의 의학적 제안은 다수의 의학적 사실들 F_j과 연관되어 있고, 여기서 상기 다수의 의학적 사실들 중 적어도 일부가 상기 데이터베이스에서 주제별로 함께 링크되어 의학적 사실 그룹을 형성한다.

형성된 의학적 사실 그룹을 사용하면 의학적 제안들의 국소적으로 링크된 서브세트 쪽으로의 세트의 한계 설정이 용이하다. 이러한 의학적 사실들의 그룹은 특정 의학적 측면에 대한 의학적 사실들의 구성을 나타낼 수 있다. 구조적 관점에서 상기 그룹은 의학적 사실들 위의 하나의 구조 및 의학적 제안 아래의 하나의 구조로서 이해할 수 있다. 특히, 상기 그룹은 몇 개의 의학적 사실들을 포함할 수 있는 반면, 의학적 제안은 의학적 사실들의 선택 또는 의학적 사실들의 그룹을 포함하거나 이와 연관될 수 있다. 예를 들면, 상기 그룹은 "갑상선기능저하증의 증상"일 수 있고 다음 의학적 사실들을 포함할 수 있다:

ㆍ 체중 증가: yes/no/모름

ㆍ 일반적인 신체적 약함: yes/no/모름

ㆍ 식욕 상실: yes/no/모름

ㆍ 노곤함: yes/no/모름

ㆍ 피부 건조: yes/no/모름

ㆍ 변비: yes/no/모름

ㆍ 탈모: yes/no/모름

ㆍ 여성 월경 중지: yes/no/모름

상응하는 의학적 제안은 의학적 사실의 제공된 그룹이 효과적으로 사용될 수 있는 "갑상선기능저하증의 진단"일 수 있다. 또한, 상기 의학적 사실들의 예시적 그룹은 다른 의학적 제안들에 쉽게 사용되어, 상기 그룹의 수정 또는 채택시 연관된 의학적 제안들이 한 번에 중심적으로 업데이트된다. 동시에, 상기 그룹을 사용하는 모든 의학적 제안들이 자동으로 업데이트되고/되거나 수정된다.

본원 발명의 또 다른 예시적 양태에 따르면, 상기 데이터베이스는 상기 의학적 제안에 대한 녹아웃 기준과 연관된 하나 이상의 의학적 제안 MS_i을 포함한다.

다시 말하면, 의학적 사실 값의 형태로 공지 사실을 수신한 자가 의학적 제안 MS_i이 사실이 아니라고 예상하는 경우, 각각의 의학적 제안은 사용된 서브세트 S1으로부터 제거되거나 전혀 선택되지 않는다. 의학적 제안이 예시적으로 "임신 yes/no"로 구현된 경우, 환자의 성별은 소위 녹아웃 기준이다. 수신된 공지 사실들이 환자의 성별이 남성임을 포함하는 경우, 의학적 제안 "임신 yes/no"는 사용된 서브세트 S1으로부터 제거되거나 추가의 계산들을 위해 더 이상 사용할 수 없는 주석(remark)과 연관된다.

본원 발명의 또 다른 예시적 양태에 따르면, 상기 수신된 공지된 사실들이 상기 녹아웃 기준을 충족시키는 경우 상기 하나 이상의 의학적 제안이 상기 서브세트 S1에 대해 선택되지 않는다.

본원 발명의 또 다른 예시적 양태에 따르면, 하나 이상의 의학적 제안 MS_i은 상기 데이터베이스에서 상기 의학적 제안에 대한 필수(must have) 기준과 연관되어 있다.

다시 말해, 필요한 의학적 사실 또는 의학적 사실의 필요한 값이 본원 발명을 프로세싱하기 위한 인풋으로서 수신되지 않는 경우, 소위 필수 기준과 연관되어 있는 상응하는 의학적 제안 MS_i은 서브세트 S1에 대해 선택되지 않는다.

본원 발명의 또 다른 예시적 양태에 따라, 상기 하나 이상의 의학적 제안은 수신된 공지 사실이 상기 필수 기준을 충족시키는 경우 서브세트 S1에 대해서만 선택된다.

본원 발명의 또 다른 예시적 양태에 따라, 본원 발명의 방법은 계산된 스코어들을 기초로 아웃풋을 생성하는 단계를 추가로 포함하고, 여기서 상기 아웃풋은 각각의 계산된 스코어 순서로 랭크된 개연성 있는 의학적 제안들의 목록, 리포트, 환자에게 보낼 서신, 실험실에 보낼 서신, 실험실에서의 추가 측정을 위한 지시 또는 제안을 포함하는 상기 실험실에 보낼 서신, 의학적 소견 서신, 발송인이 임상의인 의학적 소견 서신, 사용자에 대한 질문 또는 질문 세트, 그래픽 인터페이스 형태의 사용자에 대한 질문, 주문, 의약품 주문 및 이들의 조합을 포함하는 그룹으로부터 선택된다. 이를 도 6에 개략적으로 도시하였다.

본원 발명의 또 다른 예시적 양태에 따라, 본원 발명의 방법은 생성된 아웃풋을 아웃풋 데이터 형태로 사용자에게 제공하는 단계, 사용자에 의해 생긴 아웃풋 데이터의 보정에 대한 보정 정보를 수신하는 단계 및 상기 수신된 보정 정보를 기초로 상기 데이터베이스를 조정하는 단계를 추가로 포함한다.

아래에 본원 발명의 방법 및 시스템의 자체학습 면들에 대해 기재한다. 본원 발명의 방법 및 시스템은 수동 및 자동 방식으로 사용자의 행동으로부터 학습하도록 설정되고, 사용자에 의한 제안된 MS_i의 선택의 관점에서 데이터베이스를 업데이트하기 위해 사용자의 행동에 대한 정보를 사용할 수 있다. 특히, 다수의 의학적 제안들 MS_i이 본원 발명의 방법의 결과로서 사용자에게 제공되고 사용자가 상기 제안들 중 하나를 선택하는 경우, 이러한 사용자의 선택은 본원 발명의 시스템과 데이터베이스에 피드백 정보로서 제공되어, 상기 의학적 사실의 상응하는 연관성 및/또는 상응하는 가중치 W_{i ,j}를 채택할 수 있다. 또한, 본원 발명의 방법 및 시스템에 의해 피드백 시스템이 제공된다. 본원 발명의 방법 또는 시스템에 의해 잘못된 결정 또는 잘못된 의학적 제안이 제공되는 경우, 시스템에 잘못된 결정이 제공되었음을 알리도록 사용자에게 가능성, 예를 들면, 사용자 인터페이스 버튼이 제공된다.

또한, 본원 발명의 방법 및 시스템은 데이터베이스의 차후 채택이 용이하도록 최종의 "맞는 제안" 또는 "맞는 진단"에 대해 외부 기술 장치들로부터 정보를 수신하고 알아보도록 설정되고 이를 용이하게 한다.

본원 발명의 또 다른 예시적 양태에 따르면, 상기 데이터베이스의 조정은, 하나 이상의 의학적 제안들과 하나 이상의 각 의학적 사실 F_j의 연관성 조정, 하나 이상의 가중치 W_{i ,j}의 조정, 상기 기본 세트 S0로부터 상기 의학적 제안들의 서브세트 S1을 선택하기 위한 선택 규칙의 조정 및 이들의 모든 조합을 포함하는 그룹으로부터 선택된다.

본원 발명의 또 다른 예시적 양태에 따르면, 상기 서브세트를 선택하고 상기 스코어들을 계산하는 단계는 계산 유니트에 의해 수행되고, 본원 발명의 방법은 상기 계산 유니트와 의학적 사실 소스 사이에 인터페이스를 제공하여 상기 데이터베이스와 상기 의학적 사실 소스간의 데이터 전송을 용이하게 하는 단계를 추가로 포함한다. 여기서 상기 인터페이스는 상기 의학적 사실 소스가 상기 인터페이스에 연결되는 경우 한 명 이상의 개별 환자의 의학적 사실들 F_j의 값들의 형태의 공지 사실들이 용이하게 상기 계산 유니트로 전송되도록 구성된다.

아래에 본원 발명에 의한 외부 데이터의 사용을 기재한다. 본원 발명의 방법 및 시스템은 외부 데이터를 사용하도록 설정되고 이를 용이하게 하며, 상기 데이터를 데이터베이스에 통합시킨다. 바람직하게는 외부의 구조화된 데이터가 사용된다. 본원 발명의 방법 및 시스템은, 진단의 경우 국제질병사인분류(International Statistical Classification of Diseases and Related Health Problems, ICD), 약물의 경우 국제약물분류체계(Anatomical Therapeutic Chemical(ATC) Classification system), PZN(Pharma Zentral Nummer), HL7(Health Level Seven), 포맷 xDT 또는 SNOMED CT(Systematized Nomenclature of Medicine Clinical Terms) 등의 국제적 구조가 사용될 수 있기 때문에 데이터 전송을 가능하게 한다. 결과적으로, 본원 발명의 방법 및 시스템은 구조화된 의학적 지식에 접근하고 상기 지식을 본원에 기재한 의학적 제안을 생성하는 동안 또는 생성하기 위해 사용할 수 있게 설정된다.

본원 발명의 또 다른 예시적 양태에 따르면, 계산 유니트는 의학적 사실 소스로부터 수신된 상기 공지 사실을 프로세싱하도록 설정된다. 여기서, 상기 의학적 사실 소스는 센서, 생리학적 매개변수를 결정하기 위한 센서, 센서 또는 데이터가 있는 스마트폰, 의학적 연구의 데이터 시스템, 병원의 데이터 시스템, 관리 또는 중독치료 기구의 데이터 시스템, 진료소 및/또는 병원/관리 또는 중독치료 기구 네트워크 또는 통합 관리 네트워크, 진료소의 데이터베이스, 병원/관리 또는 중독치료 기구의 데이터베이스, 국립 의료 네트워크의 데이터베이스, 구조화된 의학적, 환경적 또는 통계적 데이터를 제공하는 소프트웨어, 실험실 장치 및 실험실 로봇을 포함하는 그룹으로부터 선택된다.

본원 발명의 또 다른 예시적 양태에 따르면, 본원 발명의 방법은 컴퓨터 네트워크를 통해 수행된다. 본원 발명의 또 다른 예시적 양태에 따르면, 서브세트 S1을 선택하고 상기 스코어들을 계산하는 단계는 서버 또는 서버 클러스터에서 수행된다. 본원 발명의 또 다른 예시적 양태에 따르면, 공지 사실들의 수신 단계는 사용자가 값들을 넣는 사용자 인터페이스에 의해 수행된다.

본원 발명의 또 다른 예시적 양태에 따르면, 프로그램 요소가 제공되고, 본원 발명의 또 다른 예시적 양태에 따르면, 컴퓨터 판독가능 매체가 제공된다.

계산 유니트는 프로세서 또는 CPU로 구현될 수 있으나, 다르게 구현될 수도 있다. 프로그램 요소는 컴퓨터 프로그램의 일부일 수 있지만, 프로그램 전체일 수도 있다. 예를 들면, 컴퓨터 프로그램 요소는 이미 존재하는 컴퓨터 프로그램을 업데이트하는 데 사용되어 본원 발명에 이를 수 있다. 컴퓨터 판독가능 매체는, 예를 들면, USB 스틱, CD, DVD, 데이터 저장 장치, 하드 디스크 또는 기타 매체와 같은 저장 매체일 수 있고, 여기에 상기한 프로그램 요소가 저장될 수 있다. 본원 발명의 상기 특징 및 다른 특징이 아래에 기재하는 양태로부터 명백하고 이를 참조로 설명될 것이다.

본원 발명의 또 다른 예시적 양태에 따르면, 의학적 결정 과정을 지원하기에 유용한 의학적 제안을 생성하기 위한 의학적 결정 지원 시스템이 제공된다. 상기 시스템은 의학적 제안들 MS_i의 기본 세트 S0을 갖는 데이터베이스를 포함하며, 상기 데이터베이스에서 적어도 일부의 의학적 제안들이 하나 이상의 각각의 의학적 사실 F_j과 연관되어 있다. 또한, 상기 데이터베이스에서 의학적 제안 MS_i의 상기 각각의 의학적 사실 F_j이 가중치 W_{i ,j}와 연관되어 있다. 상기 시스템은 개별 환자와 연관되어 있는 공지 사실을 의학적 사실들 F_j의 값들의 형태로 수신하는 수신 장치를 추가로 포함한다. 상기 시스템은 상기 수신된 공지 사실들을 기초로 상기 기본 세트 S0로부터 의학적 제안들 MS_i의 서브세트 S1을 선택하도록 설정되어 있는 계산 유니트를 추가로 포함한다. 또한, 상기 계산 유니트는 의학적 사실들 F_j의 상기 수신 값들 및 상기 각각의 가중치 W_{i ,j}를 상기 기초로 서브세트 S1의 적어도 일부의 의학적 제안들 MS_i에 대한 각각의 스코어를 계산하도록 설정되어 있다.

상기한 바와 같이, 이러한 의학적 결정 지원 시스템은 본원 발명의 방법과 관련하여 본원에 제공된 각각의 양태를 수행하도록 설정될 수 있다.

양태의 상세한 설명

도 1은 의학적 제안 MS_i의 생성 방법의 흐름도를 나타낸 것이다. 상기 의학적 제안 MS_i은 의학적 결정 과정의 지원으로서 의사, 환자 또는 의학 분야의 다른 사용자가 사용할 수 있다. 이 방법의 단계 1에서, 다수의 의학적 제안들 MS_i을 포함하는 기본 세트 S0을 갖는 데이터베이스가 제공된다. 또한, 이 데이터베이스에서, 기본 세트 S0에 포함된 의학적 제안들 MS_i 중 적어도 하나 또는 일부, 또는 모든 제안이 하나 이상의 각각의 의학적 사실 F_j과 연관된다. 추가의 실제 적용에서, 각각의 의학적 제안 MS_i은 다수의 상이한 의학적 사실들 F_j과 연관된다. 또한, 도 1의 데이터베이스에서, 적어도 일부의 의학적 제안들 MS_i 중 하나 이상의 각각의 의학적 사실 F_j은 가중치 W_{i ,j}와 연관된다. 단계 2에서, 의학적 사실들 F_j의 값들 형태의 공지 사실들이 수신되고, 여기서 상기 공지 사실은 개별 환자와 연관된다. 단계 3 동안 수신된 공지 사실을 기초로 기본 세트 S0로부터 의학적 제안들 MS_i을 선택할 수 있으며, 이는 선택된 서브세트 S1로 이어진다. 또한, 단계 4에서는 의학적 사실들 F_j의 수신 값 및 각각의 가중치 W_{i ,j}를 기초로 서브세트 S1의 적어도 일부의 의학적 제안들 MS_i에 대한 각각의 스코어가 계산된다. 경우에 따라, 새로운 의학적 사실의 생성과 같이 본원에 기재된 상이한 방법이 추가될 수 있다. 본원 발명의 방법은 또한 해당 단계를 수 회 수행하는 반복 방법이 추가될 수 있다. 또한, 데이터베이스에서 각각의 계산 규칙이 의학적 사실들 F_j의 값 및 각각의 가중치 W_{i ,j}를 기초로 한 기본 세트 S0의 하나 이상의 의학적 제안들 MS_i에 대한 각각의 스코어의 계산을 정의한다. 따라서, 단계 4를 수행하기 위해 서브세트 S1의 각각의 의학적 제안에 대한 상응하는 계산 규칙이 계산된다.

추가의 실제 양태에서, 선택된 서브세트 S1로부터 각각의 의학적 제안 MS_i에 대한 각각의 스코어가 계산된다. 다시 말해, 공지된 의학적 사실들 형태의 인풋이 수신되고, 여기서 잠재적 의학적 제안들 MS_i의 스코어들이 계산되고, 사전에 선택된 의학적 제안의 스코어들 형태로 사용자에게 제공된 아웃풋을 포함하는 자동 방법이 제공된다. 경우에 따라, 도 1에 도시한 방법은 위에서 기재한 본원 발명의 양태들 및 아래에 기재할 양태들에 따라 사용자에 의해 추가될 수 있다.

도 2는 도 1의 예시적 양태의 방법이 어떻게 의학적 제안 MS_i의 생성 방법을 수행할 수 있는지를 개략적으로 나타낸 것이다. 특히, 의학적 제안 MS_i의 세트 기반 생성을 도 2에 도시하였다. 예를 들면, 계산 유니트(200)와 같은 물리적 독립체는 수신된 공지 사실 F_j을 기초로 데이터베이스(201)에 저장된 기본 세트 S0로부터 시작하여 서브세트 S1을 계산할 수 있다. 도 2로부터 알 수 있는 바와 같이, S1은 기본 세트 S0의 서브세트이다. 기본 세트 S0을 서브세트 S1로 제한하는 방법의 원칙 및 이러한 제한/선택을 위한 방법에 의해 사용된 기준은 도 4로부터 모을 수 있다. 도 2의 예에서 의학적 제안들 MS₃, MS₄ 및 MS₆만이 서브세트 기준 S1을 충족시킨다. 서브세트 S1의 선택에 사용된 상기 기준을 다른 방식으로 구현할 수 있다. 이러한 기준의 예시적 양태가 아래에 기재되며 이미 앞에서 기재한 바 있다. 도 2의 예는 또한 데이터베이스(201)의 내용에 따라 선택된 의학적 제안들 MS₃, MS₄ 및 MS₆과 수신된 공지 사실들 F₁, F₂ 및 F₃과의 연관성을 기초로 상기 의학적 제안의 각각의 스코어를 계산한다. 계산 유니트(200)는 또한 네트워크 시스템으로 실행될 수 있다. 또한, 상기 방법을 수행하는 데 서버 또는 서버 클러스터가 사용될 수 있다. 수신된 공지 사실(202)은 다음과 같다. 의학적 사실 F₁은 혈압이고 수신된 이 의학적 사실 값은 110/70이다. 이는 개별 환자와 연관된 공지 사실이다. 의학적 사실 F₂은 펄스로서 구현되고 그 값은 개별 환자의 값으로서 95bpm(beats per minute)이다. 또한, 제3의 수신된 공지 사실 F₃은 환자의 체온으로서 구현되고 40℃의 값으로 제공된다. 공지 사실은 계산 유니트(200)에 의해 수신되고, 상기 유니트는 결정적 연관성 및 가중치 W_{i ,j}가 저장된 데이터베이스(201)에 작용한다. 이 양태에서 기본 세트 S0(203)이 또한 데이터베이스(201)에 저장되고, 도 2에 확대도로서 도시하였다. 서브세트 S1은 (204)로 도시하였다. 또한, 도 2의 예는 계산된 스코어가 스코어 역치 x보다 크거나 같은 의학적 제안 MS₄를 갖는 계산된 서브세트 S2를 포함한다. 결국, 도 2에 도시한 방법의 결과는, 예를 들면, 진단, 사용자에 제공된 질문, 환자의 샘플 조사의 추가 분석을 문의하기 위해 실험실에 보내질 서신으로서 구현될 수 있는 의학적 제안 MS₄이다.

도 3에 도시한 양태는 도 1 및/또는 도 2의 양태를 추가로 발전시킨 것으로 이해할 수 있다. 특히, 의학적 제안 MS_i의 반복 세트 기반 생성을 도 3에 도시한 것이다. 그 결과, 의학적 제안 MS₅이 사용자에게 제공된다. 수신된 공지 사실들, 계산 유니트 및 데이터베이스의 구조에 대해서는 도 2에 언급되어 있다. 그러나, 본원에 기재된 다른 IT 구조들도 도 3의 양태를 위해 사용할 수 있다. 도 3의 양태에서 도 1에 대해 기재한 방법 단계의 제1 반복에서의 서브세트 S1(300)의 계산 이외에도 제2 반복이 수행될 수 있다. 그 결과를 제2 반복의 계산된 서브세트 S1^*(301)으로 도시하였다. 도 2의 계산된 서브세트 S2(205)는 도 3의 계산된 서브세트 S2(302)에 상응한다. 추가로, 도 3은 의학적 제안 MS₅을 포함하는 서브세트(303)을 제공하는, 제2 반복의 계산된 서브세트 S2^*를 포함한다. 추가 반복, 즉 도 1의 단계 1 내지 4의 적어도 일부 또는 전부의 다중 및/또는 반복 프로세싱으로 인해, 결과 MS₅의 옳음의 증가된 정확도 및 개선된 신뢰도가 도 3의 양태에 의해 수득된다. 특히, 결과 MS₅의 조사 방식은 서브세트 S1, 서브세트 S1^*, 서브세트 S2 및 최종적으로 서브세트 S2^*를 통해 기본 세트 S0의 순수한 세트 기반 제한을 기초로 한다.

본원 발명의 또 다른 예시적 양태에 따르면, 도 4는 의학적 결정 과정을 지원하는 데 유용한 의학적 제안을 다수 생성하는 방법을 나타낸 것이다. 특히, 결과(400)는 의학적 제안들 MS₁, MS₂ 및 MS₃의 3개의 상이한 스코어를 각각 구현한 것이다. U, W 및 Y 형태의 수신된 공지 사실들 F₁, F₃ 및 F₅에 따라, 기본 세트 S0이 평가되고 서브세트 S1의 선택이 수행된다. 의학적 제안들 MS₁만이 그 값이 공지 사실로서 수신되는 데이터베이스에서 하나 이상의 의학적 사실 F_j과의 연관성을 포함하는 서브세트 S1에 대해 선택된다. 도 4에서, 사용된 의학적 제안들 MS₁ 내지 MS₅의 의학적 사실 F_j 내지 F₅ 및 상응하게 사용된 가중치들 W_{1 ,1} 내지 W_{5 ,5}에 대한 종속성을 아래에 설명한다. 그러나, 본원 발명은 이러한 수치 예로 제한되지 않고 각각 다수의 상응하는 의학적 사실에 종속하는 다수의 의학적 제안으로 확장될 수 있다. 특히, 기본 세트 S0로부터 의학적 제안을 선택하는 세트 지향된 접근법으로서 이해할 수 있는 의학적 제안의 세트 기반 생성이 다수의 의학적 제안을 갖는 대용량 데이터베이스가 다수의 수신된 공지 사실 면에서 평가되어야 하는 상황상 유리한 접근법이다. 세트 기반 측면으로 인해 본원 발명의 이러한 상황은 신뢰성있는 효율적인 의학적 결정 지원을 가능하게 한다.

도 4에서, 값들 U,W 및 Y는 공지 사실로서 수신되고 의학적 사실들 F₁, F₃ 및 F₅의 값, 특징 및/또는 특수성이다. 결국, 계산 유니트는 S0로부터 의학적 제안들 MS₁, MS₂ 및 MS₃을 선택하여 서브세트 S1을 정의한다. 남은 의학적 제안들 MS₄ 및 MS₅가 하나 이상의 의학적 사실들 F₁, F₃ 및 F₅과의 연관성을 포함하지 않기 때문에, 상기 제안은 서브세트 S1에 대해 선택되지 않는다.

도 5는 도 5의 우측에 나타낸 기본 세트(501)에 포함된 의학적 제안들 MS_i간의 연관성을 포함하는 데이터베이스를 사용하여 의학적 제안의 세트 기반 생성 방법의 이점을 선행 분야에서 사용된 의학적 제안의 불리한 트리 기반 생성 방법과 대비하여 도식적으로 나타낸 것이다. 트리 기반 방법은 도 5의 좌측에 도시하였다. 이러한 예시적 양태에 사용된 의학적 사실들 F_j은 원(500)으로 도시하였다. 도시된 선(502)은 각각의 연관성을 나타낸 것이다. 또한, 상응하는 가중치들 W_{i ,j}은 상응하는 데이터베이스에 포함되고 이에 의해 정의된다. 또한, 선(503)은 제1 의학적 제안이 제2 의학적 제안에 연관될 수 있는 상황을 도시한 것이다. 예를 들면, 의학적 제안(504)은 의학적 제안(505)을 포함할 수 있어서 의학적 제안(504)의 스코어를 계산하는 동안 의학적 제안(505)의 스코어가 계산된다. 이는 단순화된 데이터 구조가 데이터베이스에 사용되도록 하고 본원 발명의 방법의 속도를 증가시킬 수 있다. 그 결과, 사용자에 대해 필요한 반응 시간이 당해 예시적 양태에 의해 단축된다. 도 5의 우측에 나타낸 세트 기반 구조(506)는 의학적 현실을 효율적으로 묘사한 것으로, 실제로 의학적 사실과 의학적 제안 간의 상이한 상관관계에 대해 망상 구조이다. 복잡한 연관성/상호관계 및 엄청난 양의 데이터의 경우, 구조(506)는 본원 발명 방법의 빠른 작업을 제공한다. 유리하게는, 구조(506)는 관련된 데이터베이스에서 실행되거나 인덱스 파일 또는 인덱스 파일들을 기초로 한다. 이는 선행분야 시스템에서 사용된 계층적 구조(507)와 대조적으로 특정 이점을 제공한다. 구조(506)는 구조(506)의 단일 성분이 엄격한 계층 순서로 순서화되지 않아도 되므로 단순화된 유지를 제공한다. 불리하게도, 선행 분야의 구조(507)는 어떠한 불일치도 피하기 위해 각 요소들의 옳은 계층 순서가 엄격히 필요하다.

또한, 본원 발명의 유리한 구조(506)는 상이한 컨셉 또는 의학적 제안들 MS_i을 동시에 목표로 할 수 있는 반면, 선행 분야의 구조(507)는 사용자가 트리 기반 다이아그램을 통한 단일 경로를 선택해야 한다. 그러나, 이러한 선택은 수신된 공지 사실들의 한 요소를 무시하거나 과소평가할 위험을 수반한다. 또한, 본원 발명의 구조(506)는 불확실하거나 부정확한 지식의 개선된 표현을 가능하게 한다. 이와는 대조적으로, 선행 분야의 구조(507)는 계층 관계를 필요로 한다. 하나의 의학적 사실이 트리 구조(507)의 수개의 상이한 가지들에 사용되는 경우, 상응하는 계산 과정은 복잡한 계산 작업들이 수행되어야 하기 때문에 트리 기반 시스템에서는 느려진다. 또한, 본원 발명의 구조(506)의 추가 이점은, 예를 들면, 필요조건 또는 사용자 요청의 관점에서 기본 세트 S0 및 선택된 세트 S1과 같이 사용된 세트를 조정할 수 있다는 것이다. 이러한 조정은 매우 동적인 방식으로 수행될 수 있다. 예를 들면, 사용된 인풋 벡터에서의 각각의 새로운 의학적 사실을 기초로 새로운 세트가 동적인 방식으로 생성된다. 또한, 의학적 결정 지원에서의 세트의 사용은 사용된 세트들의 개선된 한계 결정의 가능성 및 이점을 제공한다. 예를 들면, 심장 수술과 같은 특정한 방법의 분야의 경우, 서브세트 또는 스코어의 계산과 같은 방법 또는 방법의 측면은 기본 세트 S0의 일부로만 제한될 수 있다. 이는 사용자에게 반응을 제공하거나 전달하는 속도를 증가시킬 수 있다. 이에 반해, 선행 분야의 구조(507)는 특정 의학적 영역에 대한 한계 결정이 필요하거나 적용되는 경우 불리하게도 구조(507) 내에 홀(hole)들을 포함한다. 구조(505)에 대해 기재한 이점은 본원 발명의 어떠한 양태에도 적용가능하다.

본원 발명의 또 다른 예시적 양태에 따르면, 도 6은 의학적 결정 지원 시스템(600)을 나타낸다. 시스템(600)은 도 1 내지 4에 대해 기재한 방법을 수행하도록 설정된다. 도 6에 나타낸 바와 같이, 시스템(600)은 본원 발명에 따라 다양하고 상이한 방식으로 구현될 수 있고 다양하고 상이한 방식으로 사용될 수 있는 아웃풋(602)을 생성한다. 예를 들면, 아웃풋은 상기 서브세트 S1의 의학적 제안들 MS_i의 스코어를 랭킹화/순서화할 수 있고 디스플레이(605)로 전달될 수 있다. 아웃풋(602)은 또한 피드백(603)으로서 사용될 수 있고, 본원 발명 방법의 제1 반복으로 수신되어 제2 또는 추가의, 예를 들면, 제3 또는 제4 반복을 수행하는 의학적 사실들 F_j의 값에 추가하여 제공될 수 있다. 또한, 도 6은 아웃풋(602)이, 예를 들면, 약물(606)과 같은 제안된 요법으로서 구현될 수 있다. 이러한 의학적 제안은 디스플레이(607)로 표시되거나 사용자에게 생성된 메시지(608)를 통해 제공될 수 있다. 아웃풋(602)을 구현하는 다른 가능성은 실험실 값의 평가(609)로, 이 평가는 디스플레이(610)로 보내지거나 프린터(611)로 보내져 인쇄된 서류를 자동으로 생성할 수 있다. 도 6의 아웃풋(602)은 지시 또는 조사(612)로서 구현되어 측정을 위해 실험실 로봇과 같은 기술 장치를 생성시킨다. 이러한 의학적 제안들(612)은 기술 장치(613)로 보내져 상기 실험실 로봇으로서 구현될 수 있다. 추기로, 아웃풋(602)은 프린터가 의사의 서신, 실험실 리포트 또는 의학적 소견 서신을 프린트하도록 하는 지시일 수 있다. 프린터(615)는 이러한 지시와 함께 시스템(600)에 의해 자동으로 제공될 수 있다. 또한, 사용자 인풋(616)이, 예를 들면, 사용자 인터페이스에 의해 시스템(600)에 제공될 수 있다. 예를 들면, 사용자는 다수의 제안된 의학적 제안들 MS_i을 선택할 수 있고, 이 제안에는 선택된 의학적 제안, 인풋(601)을 위한 피드백(603) 또는 제2 반복을 위해 각각의 스코어가 제공된다. 그 결과, 도시한 요소들 (604), (606), (609), (612), (614) 및 (603)은 본원 발명의 방법으로 생성된 의학적 제안 MS_i으로서 이해될 수 있다.

도 7은 의학적 결정 지원 시스템(700)의 다른 예시적 양태를 개략적으로 나타낸 것으로, 상기 시스템은 사용자 인터페이스(702) 및 서버(701)를 포함하고 이들은 네트워크(703)를 통해 서로 전달한다. 의학적 사실들 F_j의 값들의 형태의 공지된 사실들이 전달로(704)를 통해 지시 형태로 사용자 인터페이스(702)에 의해 서버(701)에 제공된다. 또한, 서버(701)는 도 1 내지 도 4 내에 도시된 하나 이사으이 단계 또는 모든 단게를 가질 수 있다. 서버(701)는 선택된 의학적 제안 MS_i에 대해 계산된 스코어를 사용자 인터페이스(702)에 제공하여 선택된 의학적 제안들 MS_i이 옳은 각각의 확률을 제공한다. 이러한 결과는 전달로(705)를 통해 제공될 수 있다.

본원 발명의 넓은 적용 다양성의 완전한 이해를 위해 다음에 두 개의 실시예를 제공한다.

실시예 1: 실험실 값의 계산

목표:

참조 영역에 대해 측정된 실험실 값의 평가

배경:

부인과 내분비학 분야에서 실험실 값은 다양한 종류의 요인에 좌우된다. 그러므로, 수치 x를 갖는 측정 값은 참조 영역 내에 있고, 따라서 제1일은 정상인 반면, 다른 날에는 동일한 값 x가 상기 참조 영역에서 매우 멀어 매우 병적인 상태이다.

예를 들면, 모낭 자극 호르몬(follicle-stimulating hormone, FSH)값에 대한 의학적 상황 및 이의 종속성은 다음과 같다: FSH값의 참조 영역은 주기 일 및 환자의 연령에 좌우된다. 결국, 주어진 FSH값이 참조 영역 내에 있는지를 평가하기 위해, 현재의 FSH값 뿐만 아니라 주기 일 및 환자의 연령도 알려져야 한다. 본원에 나타낸 제1 예로부터 명백하고 이에 대해 설명하는 바와 같이, 본원 발명의 방법 및 시스템은, 실시예 1에 대해 예시한 바와 같이 공지된 의학적 사실 F₁ 내지 F₉에 따라 인풋이 제공되는 경우, 예를 들면, FSH값에 대한 신뢰할 수 있고 효율적인 계산을 용이하게 한다. 본원 발명은 이러한 상황에서 사용자가 의학적 결정을 하는 것을 돕기 위한 개선된 방법 및 시스템을 제공한다.

절차:

이 양태에서, 기본 세트 S0은 300개의 의학적 제안들 MS₁ 내지 MS₃₀₀을 포함한다. 특히 300개의 의학적 제안은 다음과 같이 데이터베이스로 구성되거나 정의된다. 본 실시예에서는 부인과 내분비학의 통상 사용되는 30개의 가장 중요한 실험실 매개변수가 관심이다. 상기 30개의 매개변수들은 30개의 의학적 사실들 F₁ 내지 F₃₀을 구성한다. 각각의 상기 매개변수는 본 실시예에서 각각의 수신된 값들 및 이들과 상응하는 참조 영역과의 관계에 대한 5개의 상이한 의학적 사실과 조합된다. 상기 5개의 상이한 의학적 사실들 F₃₁ 내지 F₃₅은 하나의 매개변수에 대해 다음과 같이 요약할 수 있다:

ㆍ 실험실 값 x가 참조 영역보다 한참 아래이다.

ㆍ 실험실 값 x가 참조 영역 아래이다.

ㆍ 실험실 값 x가 참조 영역 내이다.

ㆍ 실험실 값 x가 참조 영역 위이다.

ㆍ 실험실 값 x가 참조 영역보다 한참 위이다.

이로써 상기 30개의 매개변수 중 하나와 상기 5개의 "참조 영역" 의학적 사실 중 하나의 조합을 각각 포함한, 150개의 의학적 제안이 생성된다. 개요, 계산 속도 및 데이터 유지 이유에 대해서는 경우에 따라 가능한 값 "yes" 또는 "no"를 갖는 의학적 사실 "임신"을 추가로 고려할 수 있다. 이는 다시 이러한 상황에서의 의학적 제안 세트를 2배로 만들어 총 300개의 의학적 제안들 MS_i을 제공한다.

본 특정 실시예에서, 의사는 5개의 일반적인 의학적 사실과 조합된 공지 사실로서의 성별 및 연령과 같은 4개의 상이한 매개변수값들을 제공한다. 이러한 공지 사실들은 본원 발명에 따라 의학적 결정 지원 시스템에 제공될 수 있다. 하나의 의학적 제안 MS_i은 상기 각각의 의학적 제안 MS_i에 영향을 미치는 모든 의학적 사실 F_j을 포함한다. 예를 들면, FSH 값은 초경 전, 생식 가능 여부, 폐경 전 및 폐경과 같은 성별, 연령, 주기 일, 임신 상태 및 생애 단계의 의학적 사실에 의해 영향을 받는다. 이러한 영향 요인은 의학 저자 및 전문가에 의해 생성될 수 있는 데이터베이스에 저장된 의학적 제안들 MS₁ 내지 MS₃₀₀의 일부이다. 또한, 보다 상세히 설명되는 바와 같이 상응하는 가중치들 및 조합들에 대한 가중치들이 포함된다. 독립항에 정의한 바와 같이 의학적 사실들 F_j의 값들 형태의 수신된 공지 사실은 다음과 같이 본 실시예에 의해 확인될 수 있다:

ㆍ 의학적 사실 F₁: 연령(세): 27

ㆍ 의학적 사실 F₂: 성별: 여성

ㆍ 의학적 사실 F₃: 주기 일: 6

ㆍ 의학적 사실 F₄: FSH(IU/l): 7.5

ㆍ 의학적 사실 F₅: LH(IU/l): 16.9

ㆍ 의학적 사실 F₆: 17β-외스트라디올(Ostradiol )(ng/l): 60.0

ㆍ 의학적 사실 F₇: HCG(IU/L): 0.5

ㆍ 의학적 사실 F₈: 임신 여부(pregnancy, existence): no

ㆍ 의학적 사실 F₉: 여성 생애 단계: 생식 가능

선택 과정에서, 300개로부터의 모든 의학적 제안들을 수신된 공지된 의학적 사실들 F₁ 내지 F₉에 의해 충족된 녹다운 기준을 포함하지 않는 서브세트 S1에 대해 선택한다. 이 양태에서, 의학적 사실 "임신 여부: yes"를 포함하는 모든 의학적 제안은 제거되거나, 서브세트 S1에 대해 선택되지 않는다. 결과적으로, 기본 세트 S0이 서브세트 S1의 선택 동안 150개의 의학적 제안으로 감소된다. 또한, 각각의 정의 간격에 FSH= 7.5, LH= 16.9 또는 17β-외스트라디올= 60.0을 포함하는 의학적 제안만이 S1을 정의하는데 선택된다. 결국, 의학적 사실 FSH, LH 또는 17β-외스트라디올과의 연관성을 포함하지 않는 모든 의학적 제안은 무시된다. 최종적으로, 서브세트 S1은 300개의 SO로부터 최대 50개의 의학적 제안들만을 포함한다.

본 실시예에 사용된 데이터베이스는 의학적 제안 "FSH, 참조 영역 내, 임신 아님"과의 연관성에 대해 각각의 연관성/종속성에 대한 가중치들 W_{i ,j}을 포함한다. 상기 데이터베이스의 상기 가중치들은 위에서 기재한 바와 같이 데이터베이스의 생성 동안 의학 전문가들에 의해 제공될 수 있다. 본 실시예 1에서, 이는 비교적 간단한 이원 평가이다. 수개의 상이한 의학적 사실들에 대해 조합된 필요조건으로서 알 수 있는 하기 조합 중 하나가 사실인 경우, 개별 스코어 또는 950포인트가 상응하는 조합에 제공된다. 본 실시예에서, 조합들, 즉 조합된 필요조건들은 한번에 하나의 필요조건만이 사실일 수 있기 때문에 분명한 필요조건으로서 이해된다. 상기 조합은 몇몇 연결된 의학적 사실로서 이해되고, 이 사실은 AND, OR, AND NOT 및 이들의 모든 괄호 조합을 포함하는 불린 운영자를 통해 연결되거나 조합된다. 다시 말하면, 조합 가중치 W_{i , 조합}를 적용하여 제1 의학적 사실과 제2 의학적 사실의 조합을 가중하는 단계를 본 실시예 1에서 수행한다. 본 실시예에서의 조합들은 분명한 필요조건들이기 때문에, 조합들에 의한 어떠한 상황도 사실이 아니거나 950이 아닌 경우, 상기 조합들 중 하나가 사실인 경우 각 조합에 대한 모든 스코어들의 합계는 오직 0일 수 있다. 다시 말해, 개별 의학적 제안 MS_i의 필요조건이 충족되는 경우, 950포인트는 상기 의학적 제안에 제공되고, 그렇지 않으면 0포인트가 제공된다. 몇 개의 상이한 필요조건들이 동시에 사실일 수 없고, 각각의 조합의 경우 사실인 불린 조합 하나만 존재하며, 상기 의학적 제안의 조합들의 합계는 최종적으로 항상 0 또는 950이다. 이러한 조합의 수행은 매우 간단히 구현될 수 있는데, 예를 들면, 먼저 성별을 변경하고, 이어서 주기 일을 변경한 다음, 생애 단계를 변경한다. FSH 값들의 경우, 정의 간격이 제공된다. 녹아웃 기준으로서 성별 "남성"이 포함된다. 의학적 제안 "FSH, 참조 영역 내, 임신 아님"에 대해 데이터베이스는 다음의 의학적 사실들과 간격의 조합들을 포함한다:

- 조합: 성별= 남성 AND 연령(> 17...) AND FSH(1.5-14.3)

- 조합: 성별= 남성 AND 연령(> 15-17) AND FSH(13)

- 조합: 성별= 여성 AND 생애 단계= 생식 가능 AND 주기 일(> 0-2) AND FSH(5.49-8.23)

- 조합: 성별= 여성 AND 생애 단계= 생식 가능 AND 주기 일(> 2-4) AND FSH(6.2-9.3)

- 조합: 성별= 여성 AND 생애 단계= 생식 가능 AND 주기 일(> 4-6) AND FSH(5.49-8.23)

이전 조합이 제공된 예에 대해 사실이어서 이 의학적 제안의 경우 950포인트를 더하는 것을 주목해야 한다. 추가로 사용된 조합들은 다음과 같다:

- 조합: 성별= 여성 AND 생애 단계= 생식 가능 AND 주기 일(> 6-8) AND FSH(5.09-7.63)

- 조합: 성별= 여성 AND 생애 단계= 생식 가능 AND 주기 일(> 8-10) AND FSH(4.26-6.39)

- 조합: 성별= 여성 AND 생애 단계= 생식 가능 AND 주기 일(> 10-12) AND FSH(3.98-5.97)

- 조합: 성별= 여성 AND 생애 단계= 생식 가능 AND 주기 일(> 12-14) AND FSH(3.1-17.7)

- 조합: 성별= 여성 AND 생애 단계= 생식 가능 AND 주기 일(> 14-16) AND FSH(5.5-8.25)

- 조합: 성별= 여성 AND 생애 단계= 생식 가능 AND 주기 일(> 16-18) AND FSH(4.81-7.22)

- 조합: 성별= 여성 AND 생애 단계= 생식 가능 AND 주기 일(> 18-20) AND FSH(3.44-5.16)

- 조합: 성별= 여성 AND 생애 단계= 생식 가능 AND 주기 일(> 20-22) AND FSH(2.75-4.13)

- 조합: 성별= 여성 AND 생애 단계= 생식 가능 AND 주기 일(> 22-24) AND FSH(2.06-3.09)

- 조합: 성별= 여성 AND 생애 단계= 생식 가능 AND 주기 일(> 24-26) AND FSH(3.44-5.16)

- 조합: 성별= 여성 AND 생애 단계= 생식 가능 AND 주기 일(> 26-28) AND FSH(6.19-9.29)

- 조합: 성별= 여성 AND 생애 단계= 생식 가능 AND 주기 일(> 28-35) AND FSH(5.85-8.94)

- 조합: 성별= 여성 AND 생애 단계= 폐경 AND FSH(23-116)

또한, 다른 예로서, 의학적 제안 MS_i "FSH, 참조 영역 위, 임신 아님"에 대해 데이터베이스에 다음의 의학적 사실들과 정의들의 간격들의 조합들이 사용될 수 있다:

- 조합: 성별= 남성 AND 연령(> 17-...) AND FSH(14.3-20)

- 조합: 성별= 남성 AND 연령(> 15-17) AND FSH(13-..)

- 조합: 성별= 남성 AND 연령(> 11-14) AND FSH(4.6-..)

- 조합: 성별= 여성 AND 생애 단계= 생식 가능 AND 주기 일(> 0-2) AND FSH(8.23-12)

- 조합: 성별= 여성 AND 생애 단계= 생식 가능 AND 주기 일(> 2-4) AND FSH(9.3-12)

- 조합: 성별= 여성 AND 생애 단계= 생식 가능 AND 주기 일(> 4-6) AND FSH(8.23-11)

- 조합: 성별= 여성 AND 생애 단계= 생식 가능 AND 주기 일(> 6-8) AND FSH(7.63-10)

- 조합: 성별= 여성 AND 생애 단계= 생식 가능 AND 주기 일(> 8-10) AND FSH(6.39-10)

- 조합: 성별= 여성 AND 생애 단계= 생식 가능 AND 주기 일(> 10-12) AND FSH(5.97-10)

- 조합: 성별= 여성 AND 생애 단계= 생식 가능 AND 주기 일(> 12-14) AND FSH(17.7-25)

- 조합: 성별= 여성 AND 생애 단계= 생식 가능 AND 주기 일(> 14-16) AND FSH(8.25-14)

- 조합: 성별= 여성 AND 생애 단계= 생식 가능 AND 주기 일(> 16-18) AND FSH(7.22-14)

- 조합: 성별= 여성 AND 생애 단계= 생식 가능 AND 주기 일(> 18-20) AND FSH(5.16-12)

- 조합: 성별= 여성 AND 생애 단계= 생식 가능 AND 주기 일(> 20-22) AND FSH(4.13-10)

- 조합: 성별= 여성 AND 생애 단계= 생식 가능 AND 주기 일(> 22-24) AND FSH(3.09-10)

- 조합: 성별= 여성 AND 생애 단계= 생식 가능 AND 주기 일(> 24-26) AND FSH(5.16-12)

- 조합: 성별= 여성 AND 생애 단계= 생식 가능 AND 주기 일(> 26-28) AND FSH(9.29-12)

- 조합: 성별= 여성 AND 생애 단계= 생식 가능 AND 주기 일(> 28-35) AND FSH(8.94-11.5)

- 조합: 성별= 여성 AND 생애 단계= 폐경 AND FSH(116-150)

서브세트 S1 내에서 각각의 의학적 제안 MS_i에 대해 각 가중치들(single weights)을 합하면 다음 결과가 제공된다:

결과는 저장되고 미리 정의한 역치 밑, 예를 들면, 200점 밑의 의학적 제안들은 아웃풋에서 제거할 수 있다. 수득한 2차 아웃풋을 다음에 기재한다:

저장된 결과로부터 알 수 있듯이, 본원 발명의 방법 및 시스템은 실험실값 FSH가 참조 영역 내라는 것으로부터 제공된 사실인 여성이 임신하지 않다는 정보를 사용자에게 제공한다. 이에 의해, 이 결과는 참조 영역과, 현재 제공된 FSH값 뿐만 아니라 주기 일 및 연령간의 상기한 상관관계를 감안한다. 실험실값 LH 및 실험실값 17-β-외스트라디올에도 동일하게 적용된다. 따라서, 수신된 공지 사실들 F₁ 내지 F₉의 자동의 컴퓨터 기반 세트 지향의 평가가 제공된다.

실제 보완:

추가의 의학적 사실들을, 예를 들면, 자동 방식으로 유도하고 이러한 보완된 의학적 사실들을 본래의 수신된 공지 사실들에 추가하는 것은 유리한 보조 측정일 수 있다. 이는 본래의 인풋 벡터를 보완된 의학적 사실들로 보완하는 것으로 이해할 수 있다. 예를 들면, 상기한 예의 의학적 사실들 F₈ 및 F₉를 쉽게 자동으로 유도할 수 있다.

따라서, 본원 발명의 방법 및 시스템은 수신된 공지 사실을 기초로 새로운 의학적 사실들을 생성하도록 설정될 수 있다. 예를 들면, 체질량지수와 같은 100% 결정론적 기원인 수학적 함수들을 사용할 수 있고, 또는 새로운 의학적 사실들의 생성을 사용할 수 있다. 그러나, 상기 수신된 공지된 사실들로부터 합당한 확률의 정확도로 유도될 수 있는 의학적 사실도 생성될 수 있다.

실시예 2: 실험실 값에 대한 의학적 소견( medical finding scenario for lab values)

절차:

이 상황에서의 의학적 제안들 MS_i 세트는 실시예 1에 상세히 기재한 실험실값 평가의 의학적 제안들을 포함한 내분비학의 의학적 제안을 포함한다. 특히, 실시예 2의 서브세트 S0은 다음을 포함한다:

ㆍ 진단 의학적 제안들(예를 들면, 다낭성 난소 증후군(PCO syndrome)),

ㆍ 타당성(plausibility) 의학적 제안들(예를 들면, 주기 일 또는 환자의 연령 값이 타당하지 않음),

ㆍ 의학적 제안들로부터의 결론(예를 들면, 과생식샘자극호르몬성, 과안드로겐혈증성 난소 부전 1),

ㆍ 실험실값 평가 의학적 제안(예를 들면, FSH, 참조 영역 위, 임신 아님)

ㆍ 상용성 의학적 제안(예를 들면, 과안드로겐성 탈모증),

ㆍ 텍스트북 의학적 제안(예를 들면, 과안드로겐혈증: 용어 "과안드로겐혈증"은 안드로겐의 측정된 수준 중 하나 이상이 참조 영역 위인 것을 말함. 안드로겐 수준의 해석에 대해, 안드로겐의 수준이 아동기, 생식 단계, 임신 기간 및 폐경, 상이한 참조 영역 .. 동안 변함을 고려해야 함), 및

ㆍ 보조적인 의학적 제안들(예를 들면, 일단의 증상, 조사의 복잡성 등).

의사는 오더 형식을 통해 실험실에 특정 실험실 값들을 검정하거나 평가하도록 지시할 수 있고, 그 결과로 서신 형태의 상세한 의학적 사실 리포트를 예상한다. 본원 발명의 방법 및 이 방법을 수행하는 시스템은 이러한 요구에 맞고 의사에게 각각의 응답을 상이한 포맷들로 제공하여 의사는 종이 서신을 통합하거나, 전자 서신을 본인의 의료 행위/진료소의 IT 관리 시스템이나 임상 정보 시스템에 통합할 수 있다. 필요한 경우, 의사 또는 기타 사용자는 추가의 의학적 사실을 이미 사용된 수신된 공지 사실에 추가할 수 있다.

다음의 명료한 예에서, 가상 환자인 티나 무스터만(Tina Mustermann)을 추가로 설명할 수 있다. 독립항에서 정의된 바와 같은 의학적 사실들 F_j의 값들 형태의 수신된 공지 사실들은 본 실시예에서 다음과 같을 수 있다:

기본 사실:

ㆍ F₁: 연령: 38

ㆍ F₂: 성별: 여성(f)

진단 사양(의료 행위의 IT 시스템으로부터 자동으로 수신/조사)

ㆍ F₃: N64.3: 유루(galaktorrhoe), 출산 및 수유와 무관

ㆍ F₄: N91.1: 속발성 무월경(secondary amenorrhoe)

실험실 매개변수:

ㆍ F₅: 프로락틴(ng/ml): 51

ㆍ F₆: DHEAS(㎍/ml):5.3

ㆍ F₇: 17-OH-프로게스테론(㎍/ml): 0.5

ㆍ F₈: 17-β-에스트라디올(ng/ml): 21

임상적 사양:

ㆍ F₉: 시야 결손:yes

유도된 사실:

ㆍ F₁₀: 임신 여부:no

ㆍ F₁₁: 여성의 생애 단계: 생식 가능

실시예 2의 상이한 단계들:

본 실시예의 기본 세트 S0은 보다 일반적인 기본 세트의 서브세트로서 이해할 수 있다. S0은 실험실 값들에 대한 의학적 소견과 조합된 부인과 내분비학에 관한 것이다. S0은 약 1,500개의 의학적 제안들 MS_i을 함유한다. 세트 조작시 서브세트 S1을 선택한다. 이를 위해 S0로부터, 사용자로부터 수신된 하나의 의학적 사실을 적어도 포함하거나 이와 연관되어 있는 모든 의학적 제안 MS_i을 선택한다. 본원 발명의 예시적 양태에서, 연령 및 성별은, 시스템에 일반적으로 적용되어야 하고 그 일반적 값 때문에 선택 기준으로서 사용될 수 없는 기본 정보로서 볼 수 있다. 수신된 인풋, 수신된 공지 사실들 F₁ 내지 F₁₁을 기초로 84개의 의학적 제안이 서브세트 S1에 유지된다. 의학적 사실들 F_j 및 각각의 가중치들 W_{i ,j}의 수신 값을 기초로 서브세트 S1의 의학적 제안들 MS_i에 대한 각각의 스코어를 계산하는 단계는 다음과 같이 수행할 수 있다. 다음 목록에서 수집할 수 있듯이, 각각의 의학적 제안은 각각의 의학적 제안 뒤의 괄호 안에 제공된 의학적 제안 카테고리로 분류한다. 필요한 경우, 카테고리의 연계에 따라 의학적 제안을 그룹화할 수 있다.

계산:

아래에 "분류된 개연성(classified probabilities)" 시스템을 사용한 계산을 기재한다. 예시적 양태로서, 개연성이 있다고 볼 수 있는 계산된 스코어를 평가하는 데 다음의 3가지 등급들이 사용될 수 있다: 200 내지 600 미만의 스코어 값으로 표현되는 의심 등급, 600 이상 내지 950 미만의 스코어 값으로 표현되는 개연성이 있는 추정 등급, 950 이상의 스코어 값으로 표현되는 고도의 개연성 등급. 그러나, 상기보다 적거나 많은 등급도 사용될 수 있고, 각각의 값에 대한 다른 한계도 사용될 수 있다. 본원에 사용된 분류된 개연성과는 상당히 동떨어진, 통계적 개연성에 있어 차이가 있음을 주목해야 한다. 본원에 기재한 스코어 값(포인트)은 항상 고려 및 평가의 각 경우를 기초로 하고 개체군 평균 평가를 기초로 하지 않는다. 예를 들면, 개별적 사례로 80세가 넘는 남성의 48%가 허혈성 심장 질환을 앓는다는 통계적으로 맞는 진술은 추가의 값을 갖지 않는다. 실제로 조사된 85세 남성은 상기 질환을 앓거나 상기 질환을 앓지 않는다. 48%가 상기 질환을 앓는 것은 불가능하다. 다시 말해, 이러한 통계적 진술은 일군의 사람이 고려되는 경우에만 유용하다. 80세가 넘는 100명의 남성 중에서 약 48명이 상기 심장 질환을 앓는다. 그러나, 이는 개별적 사례가 평가되고 상세히 분석되어야 하는 경우, 개별적 사례에 더 이상 도움이 되지 않는다. 본원 발명의 설명으로부터 명백해지는 바와 같이, 본원 발명은 분류된 개연성이 사용되더라도 이러한 각각의 사례 평가를 사용한다.

하기 목록에서, 높은 점수에서 낮은 점수로의 순서화로 사용자에게 48개의 남아 있는 의학적 제안들 MS_i이 제공된다. 이는 본원에서 기재한 Mrs. 티나 무스터만의 개인 케이스의 결과 목록이다.

또한, 위의 목록으로부터 선택된 계산 예를 설명을 위해 아래에 제공한다. 특히, "HOMA-IR", 즉 인슐린 저항의 항상성 모델 평가로 명명된 활동 의학적 제안을 제공한다. 상세하게는, 이 의학적 제안의 종속성을 하기 표에 나타낸다. 첫 번째 컬럼 "명칭"에 각각의 의학적 사실 및 의학적 제안을 제공한다. 두 번째 컬럼 "유형"에 의학적 제안인지 의학적 사실인지를 나타낸다. 세 번째 컬럼 "W_{i ,j}"에 스코어 계산을 위한 가중치 W_{i ,j} 값을 제공한다. 마지막 컬럼 "결과, 포인트"에 각각의 의학적 제안 또는 의학적 사실의 각각의 계산된 스코어를 제공한다.

실험실: 인슐린 저항의 항상성 모델 평가[HOMA-IR](활동), 이러한 의학적 제안에 대한 연관성/종속성:

의학적 제안 HOMA-IR의 이 예에서 알 수 있듯이, 이 의학적 제안은 의학적 제안 PCO 증후군과 연관되어 있다. 결과적으로, HOMA-IR 의학적 제안의 스코어를 계산할 때, 의학적 제안 PCO 증후군의 점수도 계산해야 한다. 의심(S), 가능성 있음(L) 및 가능성 높음(VL) 등급으로 분류된 개연성은 이 예에 사용된다. 명확하게 하기 위해, PCO 증후군의 계산 시스템 및 구조를 아래에 제공한다. 그러나, 티나 무스터만의 예에서 주어진 사실의 경우, PCO 증후군의 계산 값 또는 스코어는 301이다. 가중치에 따라 200포인트가 PCO 증후군에 제공되고, 이들은 첫째 줄과 마지막 컬럼에 기재되어 있다. 또한, 체질량지수 의학적 사실은 표의 여섯 번째 줄에 있다. BMI가 29를 초과하는 경우 HOMA-IR 의학적 제안에 200포인트가 제공된다. 그러나, 이 예에서, BMI값은 제공되지 않고, 각 컬럼에 포인트가 제공되지 않는다. 유사 방식으로, 남은 의학적 제안 MS_i 및 HOMA-IR 의학적 제안의 의학적 사실 F_j이 스코어 합계가 600이 되도록 계산된다.

본원 발명의 방법 및 시스템은 데이터베이스에 포함될 수 있는, 상기한 계산및 일반적인 서신 템플리트를 기초로 한 서신을 생성하기 위해 실시예 2의 양태로 다음과 같이 설정될 수 있다:

『실험실 시험 결과, Mrs . 티나 무스터만 (생년월일: 1974년 9월 1일)

닥터 X,Y에게,

귀하의 지시에 따라 2013년 2월 24일에 실시한 Mrs . 티나 무스터만의 실험실 시험 결과를 보고합니다.

결과 요약:

*의 참조 범위는 측정 불가.

다음의 개인 데이터 및 다음(추론된) (변경하거나 어느 때든 보완할 수 있는) 추정을 기초로, 아래의 잠재적 진단(개연성 순서) 및 제안을 제의합니다:

- 성별: 여성

- 무월경(분류): 속발성

- 유즙분비증: yes

- 임신 여부: no, 및:

- 연령: 38세

잠재적 진단

- 과프로락틴혈증성 무월경 (+++)

- 속발성 무월경 (+++)

- q.e.d. PCO 증후군 (+)

- q.e.d. 비전통적 부신 증식증 (+)

- q.e.d. 마이크로프로락틴종 (+)

위의 문서로 기록된 호르몬 패턴 및 정보로부터의 결론

- 과안드로겐혈증 (+++)

- 과프로락틴혈증 (+++)

- q.e.d. 에스트로겐 결핍 (+)

제의된 진단 및 결론을 확인하거나 제외하기 위해 다음 측정을 제안합니다:

추천된 측정

- 프로락틴 자극 약물의 복용 및 과프로락틴혈증의 다른 원인 제외(+++)

- 인슐린 저항의 항상성 모델 평가(HOMA-IR)

- 대사 증후군 제외 (+)

- BMI 계산 (+)

- 추천: 난소 및 자궁의 초음파 검사 (+)

- 골밀도 측정 고려 (+)

- 시계 장애 제외 (+)

- 뇌하수체 영역의 MRT 고려 또는 추천 (+)

- TSH 측정에 의한 갑상선기능저하증 제외 (+)

- 유두 분비가 단지 하나의 유선 또는 유선 도관에서 검출되는 경우, 국소 병리학 제외 (+)

이 환자의 특정 케이스로부터의 추가의 고려사항 및 코멘트:

- 속발성 무월경

- 속발성 무월경의 원인 및 발병은 이미 평가가 실시된 것이 아니면 평가해야 함.

- 병력: 만성 두통, 시계 결함, 두부 손상, 분만시 합병증(예를 들면, 쇼크), 과도한 신체 활동, 식이 장애 및 기타 원인 제외

- 신체적 평가: 해부학적 기형, 예를 들면, 자궁 결여, 자궁내막 결함, 단신 또는 장신, 불균형(dysproportion), 이상 표현형(기형, 이형증), BMI, 안드로겐 과잉의 임상적 징후, 유즙 분비증, 에스트로겐 과잉 또는 에스트로겐 결핍의 징후, 갑상선의 크기, 모양 및 일관성, 난소 및 자궁의 초음파 검사(자궁 내막)

- 호르몬 분석: FSH, LH, TSH, 프로락틴, 테스토스테론, DHEA 설페이트

- 호르몬 패턴 "50세 미만의 연령에 대해 17-α- OH -프로게스테론 수준 > 5 < 15ng/ml"의 평가:

- 참조 영역의 상한값 위인 17-α-OH-프로게스테론 수준은, 황체기 중기에서 통상 나타나는 값보다 훨씬 더 높지 않은 한(예를 들면, 5 내지 10ng/ml 초과), 임상적 데이터의 지식 없이 그 자체로는 결론이 아님.

- 여성의 생식 수명 동안, 17-α-OH-프로게스테론은 다음의 두 가지 소스에서 비롯됨: 1. 코르티솔, 알도스테론, 부신성 안드로겐 및 에스트로겐의 대사성 전구체로서의 부신 피질로부터, 2. 황체의 생성물로서. 미드사이클(midcycle) 동안, 17-α-OH-프로게스테론 농도는 프로게스테론 농도의 증가 직전 증가함. 사이클 의존성 변화의 경우, 17-α-OH-프로게스테론 농도는 사이클의 여포기(3 내지 5일)가 시작될 때 측정해야 함.

- 17-α-OH-프로게스테론 농도는 과안드로겐혈증 상태를 차별화하는 데, 특히 부신 증식증을 제외하고 부신 증식증의 상이한 징후를 차별화는 데 각각 필수적이다. 황체 기능의 평가를 위해, 프로게스테론이 여전히 바람직한 황체기 마커(marker)이다. 여성의 월경에 있어, ACTH-시험(250㎍의 ACTH를 정맥내 투여하기 직전 및 투여한 후 17-α-OH-프로게스테론 및 기타 가능한 부신 스테로이드 대사 산물을 측정)은 초기 여포기(사이클의 3 내지 5일)에 수행해야 함.

- 참조 범위의 상한값 위의 17-α-OH-프로게스테론 수준은 다난포 진행 및 하나 이상의 여포의 황체화 후의 황체기에서 발견될 수 있음. 이 상황을 제외하고는, 참조 범위의 상한값 위의 17-α-OH-프로게스테론 수준은 선천적 또는 후천적 부신 증식증의 하나 또는 기타 징후를 암시함. 부신 증식증의 몇몇 이형접합체 사춘기후 타입은 250㎍의 ACTH(2.5ng/ml 초과 내지 10-25ng/ml)를 정맥내 투여한 후에만 17-α-OH-프로게스테론 수준이 증가됨을 나타내는 반면, 기본 17-OH-프로게스테론 수준은 참조 범위 내에 있을 수 있음. 다른 징후는 약간 상승된(5ng/ml 이하) 기본 농도를 나타냄.

- 매우 드문 3-β-하이드록시스테로이드데하이드로게나제 결핍의 경우, ACTH 자극된 17-α-OH-프로게스테론의 증가가 관찰되지 않음.

- 안드로겐 과잉의 임상적 징후, 부신 증식증을 암시하는 가족력 및/또는 하나 이상의 안드로겐 또는 17-α-OH-프로게스테론의 수준이 증가된 경우, 기재된 호르몬 패턴의 원인으로서의 부신 증식증은 250㎍ ACTH의 정맥내 주사 직전 및 주사한 지 60분 후 17-α-OH-프로게스테론에 의해 제외됨.

- 호르몬 패턴 "50세 미만의 연령에 대해 17-β- 에스트라디올 < 25 ng /l"의 평가:

- "검출 한계의 또는 그보다 낮은 17-β-에스트라디올 농도는 설명이 필요한데, 이는 내생 17-β-에스트라디올의 최소량만이 합성된다는 것을 설명함. 잠재적 원인: 1. 폐경 이행기 또는 폐경으로 인한, 또는 조기 폐경의 다양한 원인으로 인한 난소 여포성 기관의 상실, 2. 심각한 저체중, 시상하부 또는 뇌하수체 영역, 예를 들면, 선종, 뇌하수체경 병변과 같은 다양한 원인으로의 간뇌하수체 난소계의 기능 손상, 3. 피임약, GnRH 동족체 또는 게스타겐에 의한 생식샘자극호르몬의 생리학적 억제."

- 호르몬 패턴 " 증가된 프로락틴 수준 및 증가된 DHEA 설페이트 "의 평가:

만성 과프로락틴혈증은 안드로겐 전구체의 생산, 특히 DHEA 및 DHEA 설페이트 합성을 자극하고 부신샘으로부터 분비될 수 있는 것으로 잘 정립됨. 따라서, 과프로락틴혈증을 일으키는 잠재적 요인을 고려하는 것은 합당함. 그러나, 과프로락틴혈증, 및 DHEA 및 이의 설페이트와 같은 부신 안드로겐 전구체의 증가된 분비는 서로 독립적인 원인에 대해 공존함. DHEA 설페이트의 증가된 수준은, 선천적 또는 후천적 부신 증식증, 쿠싱(Cushing) 질환 및 간뇌하수체 난소계의 활성화에 의한 기타 질환(예를 들면, 만성 스트레스, 우울증 상태)의 모든 징후에서 나타나기 때문에, 만성 ACTH 자극의 결과일 수 있음. 매우 드문 부신 종양도 DHEA 및 이의 설페이트를 분비할 수 있음. 과도한 남성화의 임상적 징후와 함께 또는 이러한 징후 없이 안드로겐 수준이 극히 높은 경우, 이미지화 방법이 안드로겐 및 ACTH 자극 종양을 제외하는 데 적용되어야 함. 제시된 호르몬 패턴의 원인으로서의 부신 증식증의 다양한 유형을 제외하기 위해, 250㎍ ACTH의 정맥내 주사 직전 및 주사한 지 60분 후 17-α-OH-프로게스테론 및 기타 스테로이드 대사 산물을 결정하기 위해 ACTH 시험이 수행되어야 함. 이 시험은, 환자가 안드로겐 과잉의 임상적 징후를 보이거나, 하나 또는 수 개의 안드로겐 및/또는 17-α-OH-프로게스테론의 수준이 올라가거나, 가족력이 부신 증식증을 암시하는 경우, 의무적임.

- 유즙 분비증 고지

- 이미 공지되지 않았다면, 유즙 분비증의 발병은 설명되어야 함.

- 병력: 프로락틴 분비 약물 복용, 두통, 시계 결함, 기계적 두부 손상, 난산(쉬한 증후군), 유방 영역(대상포진, 흉터, 화상, 유선염, 만성 흡인 자극, 만성 소양증, 갑상선기능저하증의 임상적 징후, 신부전, 자가면역 질환, 난소 부전 및 기타)으로부터의 구심 신경의 만성 자극

- 과안드로겐혈증

용어 "과안드로겐혈증"은 하나 또는 수 개의 안드로겐의 농도가 참조 수준을 넘는 것을 의미함. 안드로겐 농도의 정확한 해석을 위해, 안드로겐 참조 범위가 임신 기간뿐만 아니라 아동기, 생식기 및 폐경 단계 동안 상이하다는 사실을 인지하는 것이 필수임. 과안드로겐혈증이 필수적으로 안드로겐 과잉의 임상적 징후를 나타내는 것은 아닌데, 그 이유는 과안드로겐혈증이 임상적 안드로겐 과잉의 잠재적 지표 중 하나일 뿐이기 때문임. 안드로겐 작용은 또한 안드로겐 수용체(isoform A 및 isoform B)에 대한 특정 안드로겐의 친화도, 특정 안드로겐의 자유 농도, 즉 단백질 결합되지 않은 분획 농도, 안드로겐의 혈청 단백질(예를 들면, 17-케토안드로겐(DHEA 및 이의 설페이트, 안드로스텐디온)이 아니라 17-하이드록시안드로겐(테스토스테론 및 5α-하이드록시테스토스테론)만을 결합시키는 SHBG)로의 가역 결합 정도에 좌우됨. 이외에도, 대부분의 타겟 세포에서 생물학적으로 활성인 안드로겐은 5α-하이드록시테스토스테론임. 테스토스테론 생물학적으로 활성이기 위해서는 5α-하이드록시테스토스테론으로 전환되어야 하며, 이 과정은 효소 5α-리덕타제를 매개로 한 환원 과정임.

- 과프로락틴혈증

과프로락틴혈증은 다수의 잠재적 원인을 갖는데, 그중 가장 흔한 원인은 프로락틴 분비 약물, 원발성 갑상선기능저하증, 유방 및 흉부 영역(피부 질환, 예를 들면, 대상포진, 손 조작에 의한 유두의 만성 자극, 피어싱, 꼭 끼는 옷, 외과 흉터 및 기타)의 구심 신경의 자극, 프로락틴종, 뇌하수체경 병변임.

과프로락틴혈증은 또한, 만성 무배란, 난소 여포의 지속, 에스트로겐 과용에서 볼 수 있듯이, 뇌하수체 락토트로프의 만성적 과잉 에스트로겐 자극으로 인한 2차 현상일 수 있음.

귀하는 이러한 일차 진단, 및 환자에 대한 더 많은 정보를 우리에게 제공함으로써 얻을 수 있는 데이터로부터 유도된 추천을 명시할 수 있습니다.

이 환자의 케이스를 우리와 논의하고자 한다면 진심으로 환영합니다 (전화번호 +49 6131 499 87-0)

의학박사 거드 무스터만 』

Claims (43)

1. 의학적 결정 과정을 지원하는데 유용한 의학적 제안의 스코어의 계산방법으로서, 상기 방법은
   의학적 제안들 MS_i의 기본 세트 S0을 갖는 데이터베이스를 제공하는 단계로서,
   상기 데이터베이스에서 적어도 일부의 의학적 제안들이 하나 이상의 각각의 의학적 사실 F_j과 연관되어 있고,
   상기 데이터베이스에서 상기 적어도 일부의 의학적 제안 MS_i의 상기 각각의 의학적 사실 F_j이 가중치 W_{i ,j}와 연관되어 있는, 단계(단계 1)를 포함하고,
   상기 방법은
   공지 사실들을 의학적 사실들 F_j의 값들의 형태로 수신하는 단계로서, 상기 공지 사실들은 개별 환자와 연관되어 있는, 단계(단계 2),
   상기 수신된 공지 사실들을 기초로 상기 기본 세트 S0로부터 의학적 제안들의 서브세트 S1을 선택하는 단계(단계 3) 및
   상기 의학적 사실들 F_j의 상기 수신 값들 및 상기 각각의 가중치 W_{i ,j}를 기초로 상기 서브세트 S1의 적어도 일부의 의학적 제안들 MS_i에 대한 각각의 스코어를 계산하는 단계(단계 4)를 추가로 포함하는, 방법.
2. 제1항에 있어서, 단계 4에서 계산된 제1 의학적 제안의 계산된 스코어를 사용하고, 상기 의학적 사실들 F_j의 상기 수신 값들 및 상기 각각의 가중치 W_{i ,j}와 상기 제1 의학적 제안의 상기 계산된 스코어를 기초로 서브세트 S1의 적어도 제2 의학적 제안에 대한 각각의 스코어를 계산하는 단계를 추가로 포함하는, 방법.
3. 제1항에 있어서, 상기 수신된 공지 사실들을, 상기 서브세트 S1의 하나 이상의 의학적 제안으로, 상기 하나 이상의 의학적 제안의 상기 각각의 계산된 스코어를 기초하여 보완하고, 단계 2, 단계 3 및 단계 4를 상기 보완된 수신된 공지 사실을 사용하여 반복하는 단계를 추가로 포함하는, 방법.
4. 제1항 내지 제3항 중의 어느 한 항에 있어서, 상기 데이터베이스에 의학적 지식 모델이 저장되는, 방법.
5. 제1항 내지 제4항 중의 어느 한 항에 있어서, 상기 데이터베이스가 스크립트 파일의 집합으로 이루어지는, 방법.
6. 제4항 또는 제5항에 있어서, 상기 의학적 지식 모델이
   a. 상기 의학적 지식 모델의 구조를 서술하는 구조적 매개변수,
   b. 계산 규칙들 및
   c. 프리젠테이션 요소들을 포함하고,
   여기서, 각각의 계산 규칙은 의학적 사실들 F_j의 값들 및 각각의 가중치 W_{i ,j}를 기초로 하여 상기 기본 세트 S0의 하나 이상의 상기 의학적 제안들 MS_i에 대한 상기 각각의 스코어의 계산을 정의하고,
   상기 의학적 지식 모델은 상기 데이터베이스 내의 적어도 제1 저장 영역, 제2 저장 영역 및 제3 저장 영역에 저장되고,
   모든 구조적 매개변수들은 상기 제1 저장 영역에 저장되고,
   모든 계산 규칙들은 상기 제2 저장 영역에 저장되고,
   모든 프리젠테이션 요소들은 상기 제3 저장 영역에 저장되고,
   상기 데이터베이스의 제1, 제2 및 제3 저장 영역들은 서로 상이한, 방법.
7. 제4항 또는 제5항에 있어서, 상기 의학적 지식 모델이 제1 의학적 지식 모듈 및 제2 의학적 지식 모듈을 포함하고, 상기 제1 의학적 지식 모듈은
   a. 상기 제1 의학적 지식 모듈의 구조를 서술하는 구조적 매개변수들,
   b. 계산 규칙들 및
   c. 프리젠테이션 요소들을 포함하고,
   여기서, 각각의 계산 규칙은 의학적 사실들 F_j의 값들 및 상기 각각의 가중치 W_{i ,j}를 기초로 하여 상기 기본 세트 S0의 하나 이상의 상기 의학적 제안들 MS_i에 대한 상기 각각의 스코어의 계산을 정의하고,
   상기 제1 의학적 지식 모듈은 상기 데이터베이스의 적어도 제1 저장 영역, 제2 저장 영역 및 제3 저장 영역에 저장되고,
   상기 제1 의학적 지식 모듈의 모든 구조적 매개변수들은 상기 제1 저장 영역에 저장되고,
   상기 제1 의학적 지식 모듈의 모든 계산 규칙들은 상기 제2 저장 영역에 저장되고,
   상기 제1 의학적 지식 모듈의 모든 프리젠테이션 요소들은 상기 제3 저장 영역에 저장되고,
   상기 데이터베이스의 제1, 제2 및 제3 저장 영역들은 서로 상이하고,
   상기 제2 의학적 지식 모듈은
   a. 상기 제2 의학적 지식 모듈의 구조를 서술하는 구조적 매개변수들,
   b. 계산 규칙들 및
   c. 프리젠테이션 요소들을 포함하고,
   여기서, 각각의 계산 규칙은 의학적 사실들 F_j의 값들 및 상기 각각의 가중치 W_{i ,j}를 기초로 하여 상기 기본 세트 S0의 상기 하나 이상의 의학적 제안들 MS_i에 대한 상기 각각의 스코어의 계산을 정의하고,
   상기 제2 의학적 지식 모듈은 상기 데이터베이스의 적어도 제4 저장 영역, 제5 저장 영역 및 제6 저장 영역에 저장되고,
   상기 제2 의학적 지식 모듈의 모든 구조적 매개변수들은 상기 제4 저장 영역에 저장되고,
   상기 제2 의학적 지식 모듈의 모든 계산 규칙들은 상기 제5 저장 영역에 저장되고,
   상기 제2 의학적 지식 모듈의 모든 프리젠테이션 요소들은 상기 제6 저장 영역에 저장되고,
   상기 데이터베이스의 제4, 제5 및 제6 저장 영역들은 서로 상이한, 방법.
8. 제7항에 있어서, 상기 제2 의학적 지식 모듈이 상기 제1 의학적 지식 모듈에 종속되는, 방법.
9. 제7항 또는 제8항에 있어서, 상기 제2 의학적 지식 모듈의 구조적 매개변수들은 상기 제1 의학적 지식 모듈의 구조적 매개변수들을 참조하고/하거나,
   상기 제2 의학적 지식 모듈의 계산 규칙들은 상기 제1 의학적 지식 모듈의 구조적 매개변수들을 참조하고/하거나,
   상기 제2 의학적 지식 모듈의 프리젠테이션 요소들은 상기 제1 의학적 지식 모듈의 구조적 매개변수들을 참조하는, 방법.
10. 제7항 또는 제8항에 있어서, 상기 제1 의학적 지식 모듈의 모든 구조적 매개변수들이 상기 제2 의학적 지식 모듈에 의해 참조되는, 방법.
11. 제7항 내지 제10항 중의 어느 한 항에 있어서, 상기 제1 의학적 지식 모듈 및 상기 제2 의학적 지식 모듈이 각각 당해 방법의 결과들을 확인하기 위한 실험 케이스들을 포함하고, 각각의 실험 케이스는 의학적 사실들 및 다수의 제약들을 포함하는, 방법.
12. 제7항 내지 제11항 중의 어느 한 항에 있어서, 상기 데이터베이스는 상기 제1 의학적 지식 모듈과 상기 제2 의학적 지식 모듈 간의 순환 종속성을 포함하지 않는, 방법.
13. 제7항 내지 제12항 중의 어느 한 항에 있어서, 상기 의학적 지식 모델이 다수의 의학적 지식 모듈들을 포함하고, 상기 데이터베이스는 상기 다수의 의학적 지식 모듈들의 의학적 지식 모듈들 간의 순환 종속성을 포함하지 않는, 방법.
14. 제1항 내지 제13항 중의 어느 한 항에 있어서, 상기 데이터베이스에서 계산 규칙이 정의되고, 각각의 계산 규칙은 의학적 사실들 F_j의 값들 및 상기 각각의 가중치 W_{i ,j}를 기초로 하여 상기 기본 세트 S0의 하나 이상의 상기 의학적 제안들 MS_i에 대한 상기 각각의 스코어의 계산을 정의하는, 방법.
15. 제14항에 있어서, 각각의 계산 규칙에 대해 상응하는 규칙 전제가 상기 데이터베이스에 저장되고,
    각각의 규칙 전제는 3개의 서브전제(sub-premise)들을 포함하고,
    각각의 계산 규칙의 제1 서브전제는 어느 의학적 사실들 F_j이 상기 상응하는 계산 규칙에 대해 필수적인지를 정의하고,
    각각의 계산 규칙의 제2 서브전제는 어느 의학적 사실들 F_j이 상응하는 계산 규칙에 대해 선택적인지를 정의하고,
    각각의 계산 규칙의 제3 서브전제는 어느 의학적 사실들 F_j이 상응하는 계산 규칙에 대해 녹아웃(knock out) 기준인지를 정의하는, 방법.
16. 제15항에 있어서, 계산 규칙에 대해 선택적인 모든 의학적 사실들 F_j이 공지된 것이거나, 공지되지는 않았으나 계산불가능한 것이거나, 상기 데이터베이스 내의 다른 계산 규칙에 의해 이미 계산된 것 및 계산불가능한 것인 경우에 한해서만 상기 계산 규칙의 계산을 수행하는 단계를 추가로 포함하는, 방법.
17. 제15항 또는 제16항에 있어서, 계산 규칙에 대해 녹아웃 기준인 의학적 사실 F_j이 공지되지 않았고 계산할 수 없는 것인 경우에 한해서만 상기 계산 규칙의 계산을 수행하는 단계를 추가로 포함하는, 방법.
18. 제1항 내지 제17항 중의 어느 한 항에 있어서, 상기 서브세트 S1이, S1에 포함된 상기 의학적 제안들이 공지 사실들로서 그 값들이 수신된 의학적 사실들과 연관되어 있는 것으로 특징지어지는, 방법.
19. 제1항 내지 제18항 중의 어느 한 항에 있어서, 상기 서브세트 S1을 선택하는 단계에 상기 기본 세트 S0의 각각의 의학적 제안을 평가하는 단계를 추가로 포함하는, 방법.
20. 제1항 내지 제19항 중의 어느 한 항에 있어서, 상기 서브세트 S1을 선택하는 단계가 세트 기반으로 처리되는, 방법.
21. 제1항 내지 제20항 중의 어느 한 항에 있어서, 상기 의학적 제안들 MS_i이 의학적 진단, 의학적 소견, 약물 치료, 병력, 보조 제안, 실험실 값의 평가, 의학적 타당성, 의학적 결론, 의학적 측정, 의학적 지시, 의학적 설명, 의학적 문제, 증상, 증상군, 텍스트 블록, 영양 제안, 피트니스 제안, 관리 제안, 중독치료 제안, 유전적 측면, 조직학 소견, 생리 과정, 병리 생리 과정의 조사, 질적 지표, 치료 추천, 요법 추천, 프로세스 제안, 의학적 조사 제안, 환자 설문, 전문적 설문 및 이들의 모든 조합을 포함하는 그룹으로부터 선택된 요소로서 각각 구체화되는 방법.
22. 제1항 내지 제21항 중의 어느 한 항에 있어서, 상기 서브세트 S1의 상기 의학적 제안들 MS_i의 각각의 스코어가 상기 각각의 의학적 제안이 옳을 확률을 나타내는, 방법.
23. 제1항 내지 제22항 중의 어느 한 항에 있어서, 상기 의학적 사실들 F_j이 환자의 연령, 환자의 성별, 환자의 체중, 환자의 신장, 생리학적 매개변수, 생물학적 매개변수, 화학적 매개변수, 의학적 매개변수, 증상, 의학적 불평과 관련된 정보, 의학적 소견 결과, 환자의 생활 조건과 관련된 정보, 환자의 의학적 상태를 기술하기에 유용한 환자에 대한 정보, 진단, 의학적 데이터, 피트니스 데이터, 영양 데이터, 중독치료 데이터, 관리 데이터, 원격측정 데이터, 통계 데이터, 의학적 참고 데이터, 병력, 위험 요소, 알러지, 환자의 습관, 환자의 직장 환경, 환자의 주택 환경, 이미징 데이터, 지역 기후 데이터, 지역 환경 데이터, 풍토 데이터, 유행병 데이터, 기능 시험 결과, 전문가로부터 또는 설문을 통해 환자로부터 수신된 정보 및 이들의 모든 조합을 포함하는 그룹으로부터 선택된 요소로서 각각 구체화되는 방법.
24. 제1항 내지 제23항 중의 어느 한 항에 있어서, 상기 의학적 제안들의 스코어를 계산하는 단계가,
    제1 가중치 W_{i ,j}를 적용하여 제1 의학적 제안 MS_i의 제1 의학적 사실 F_j의 수신된 제1 값을 가중하여 제1 제안 결과를 수득하는 단계,
    제2 가중치 W_{i ,j}를 적용하여 제1 의학적 제안 MS_i의 제2 의학적 사실 F_k의 수신된 제2 값을 가중하여 제2 제안 결과를 수득하는 단계 및
    제1 제안 결과와 제2 제안 결과를 상기 제안 MS_i의 상기 스코어에 합하는 단계를 포함하는, 방법.
25. 제24항에 있어서, 조합 가중치 W_{i ,조합 j-k}를 적용하여 상기 제1 의학적 사실 F_j과 상기 제2 의학적 사실 F_k의 조합을 가중하는 단계를 추가로 포함하고, 상기 조합은 AND, OR, AND NOT 및 이들의 모든 괄호 조합을 포함하는 불린 조합(Boolean combination)들의 그룹으로부터 선택되는, 방법.
26. 제1항 내지 제25항 중의 어느 한 항에 있어서, 상기 가중치 W_{i ,j}가, 상기 상응하는 의학적 제안 MS_i이 상기 의학적 사실 F_j 값을 근거로 옳을 확률을 나타내는 확률 분포인, 방법.
27. 제1항 내지 제26항 중의 어느 한 항에 있어서, 상기 의학적 제안들의 스코어를 계산하는 단계가, 제1 의학적 제안 S_i의 제1 의학적 사실 F_j의 제1 값을 수신하고, 제1 의학적 제안 S_i의 제2 의학적 사실 F_k의 제2 값을 수신하고, 조합 가중치 W_{i,조합 j-k}를 적용하여 상기 제1 의학적 사실 F_j과 상기 제2 의학적 사실 F_k의 조합을 가중하는 단계를 포함하는, 방법.
28. 제27항에 있어서, 상기 가중치 W_{i ,조합 j-k}가, 상기 상응하는 의학적 제안 MS_i이 상기 의학적 사실들 F_j 및 F_k의 값의 조합을 기초로 옳을 확률을 나타내는 확률 분포인, 방법.
29. 제1항 내지 제28항 중의 어느 한 항에 있어서, 상기 데이터베이스가, 모든 의학적 사실들 F_j이 자립적이고 동등하도록 구조물을 제공하는, 방법.
30. 제1항 내지 제29항 중의 어느 한 항에 있어서, 상기 서브세트 S1의 상기 의학적 제안들 MS_i을 각각의 계산된 스코어 순서로 랭킹하는 단계 및 랭크된 의학적 제안의 순서를 사용자에게 제공하는 단계를 추가로 포함하는, 방법.
31. 제1항 내지 제30항 중의 어느 한 항에 있어서, 상기 수신된 공지 사실들을 상기 수신된 공지 사실들의 각 생성자에 대하여 분류하는 단계 및 상기 각 생성자를 기초로 상기 수신된 공지 사실을 우선순위화하는 단계를 추가로 포함하는, 방법.
32. 제1항 내지 제31항 중의 어느 한 항에 있어서, 상기 수신된 의학적 사실들 F_j 중 하나 이상이 시간 관여 형태로 제공되고, 상기 시간 관여는 n개의 상이한 시점에서의 상기 의학적 사실의 n개의 값을 포함하는 벡터로 표현되는, 방법.
33. 제1항 내지 제32항 중의 어느 한 항에 있어서, 상기 기본 세트 S0가 각각 진단으로 구현되는 다수의 의학적 제안들을 포함하고, 각각의 진단이 이러한 진단과 관련된 의학적 사실 또는 증상으로서 구현되는 의학적 사실과 연관되어 있는, 방법.
34. 제1항 내지 제33항 중의 어느 한 항에 있어서, 상기 기본 세트 S0의 제1 의학적 제안이 제2 의학적 제안과 연관되어 있어 상기 제1 의학적 제안의 스코어를 계산하는 단계 동안 상기 제2 의학적 제안의 스코어가 계산되는, 방법.
35. 제1항 내지 제34항 중의 어느 한 항에 있어서, 상기 기본 세트 S0의 하나 이상의 의학적 제안이 다수의 의학적 사실들 F_j과 연관되어 있고, 상기 다수의 의학적 사실 중 적어도 일부가 상기 데이터베이스에 주제별로 함께 링크되어 있어 일단의 의학적 사실들을 이루는, 방법.
36. 제1항 내지 제35항 중의 어느 한 항에 있어서, 상기 데이터베이스에서 하나 이상의 의학적 제안 MS_i이 상기 의학적 제안에 대한 녹아웃 기준과 연관되어 있고, 상기 수신된 공지 사실이 상기 녹아웃 기준을 충족시키는 경우 상기 하나 이상의 의학적 제안이 상기 서브세트 S1에 대해 선택되지 않는, 방법.
37. 제1항 내지 제36항 중의 어느 한 항에 있어서, 상기 데이터베이스에서 하나 이상의 의학적 제안 MS_i이 상기 의학적 제안에 대한 필수(must have) 기준과 연관되어 있고, 상기 수신된 공지 사실이 상기 필수 기준을 충족시키는 경우 상기 하나 이상의 의학적 제안이 상기 서브세트 S1에 대해서만 선택되는, 방법.
38. 제1항 내지 제37항 중의 어느 한 항에 있어서, 상기 계산된 스코어를 기초로 아웃풋(output)을 생성하는 단계를 추가로 포함하고, 여기서 상기 아웃풋은 상기 각각의 계산된 스코어 순서로 랭크된 개연성 있는 의학적 제안들의 목록, 리포트, 환자에게 보낼 서신, 실험실에 보낼 서신, 실험실에서의 추가 측정을 위한 지시 또는 제안을 포함하는 상기 실험실에 보낼 서신, 의학적 소견 서신, 발송인이 임상의인 의학적 소견 서신, 사용자에 대한 질문 또는 질문 세트, 그래픽 인터페이스 형태의 사용자에 대한 질문, 주문, 의약품 주문 및 이들의 모든 조합을 포함하는 그룹으로부터 선택되는, 방법.
39. 제38항에 있어서, 상기 생성된 아웃풋을 아웃풋 데이터 형태로 상기 사용자에게 제공하는 단계, 사용자에 의해 생긴 상기 아웃풋 데이터의 보정에 대한 보정 정보를 수신하는 단계 및 상기 수신된 보정 정보를 기초로 상기 데이터베이스를 조정하는 단계를 추가로 포함하는, 방법.
40. 제39항에 있어서, 상기 데이터베이스의 조정이, 하나 이상의 의학적 제안과 하나 이상의 각 의학적 사실 F_j의 연관성 조정, 하나 이상의 가중치 W_{i ,j}의 조정, 상기 기본 세트 S0로부터의 상기 의학적 제안들의 서브세트 S1을 선택하기 위한 선택 규칙들의 조정 및 이들의 모든 조합을 포함하는 그룹으로부터 선택되는, 방법.
41. 제1항 내지 제40항 중의 어느 한 항에 있어서, 상기 서브세트 S1를 선택하고 상기 스코어들을 계산하는 단계가 계산 유니트에 의해 수행되고,
    상기 계산 유니트와 의학적 사실 소스 사이에 인터페이스를 제공하여 상기 데이터베이스와 상기 의학적 사실 소스간의 데이터 전송을 용이하게 하는 단계를 추가로 포함하며, 여기서 상기 인터페이스는 상기 의학적 사실 소스가 상기 인터페이스에 연결되는 경우 한 명 이상의 개별 환자의 의학적 사실들 F_j의 값들의 형태의 공지 사실들이 용이하게 상기 계산 유니트로 전송되도록 구성되는, 방법.
42. 컴퓨터 판독가능한 매체로서, 여기에 의학적 결정 과정을 지원하기에 유용한 의학적 제안의 스코어를 계산하기 위한 컴퓨터 프로그램이 저장되고, 상기 컴퓨터 프로그램은, 프로세서에 의해 실행되는 경우, 데이터베이스가 의학적 제안들 MS_i의 기본 세트 S0을 갖도록 조정되며,
    상기 데이터베이스에서 적어도 일부의 의학적 제안들이 하나 이상의 각각의 의학적 사실 F_j과 연관되어 있고,
    상기 데이터베이스에서 의학적 제안 MS_i의 상기 각각의 의학적 사실 F_j이 가중치 W_{i ,j}와 연관되어 있으며,
    상기 프로그램은 추가로
    개별 환자와 연관되어 있는 공지 사실들을 의학적 사실들 F_j의 값들의 형태로 수신하고,
    상기 수신된 공지 사실들을 기초로 상기 기본 세트 S0로부터 의학적 제안들의 서브세트 S1을 선택하며,
    상기 의학적 사실 F_j의 상기 수신 값들 및 상기 각각의 가중치 W_{i ,j}를 기초로 상기 서브세트 S1의 적어도 일부의 의학적 제안들 MS_i에 대한 각각의 스코어를 계산하도록 조정되는, 컴퓨터 판독가능한 매체.
43. 의학적 결정 과정을 지원하기에 유용한 의학적 제안의 스코어를 계산하기 위한 의학적 결정 지원 시스템으로서, 상기 시스템은
    의학적 제안들 MS_i의 기본 세트 S0을 갖는 데이터베이스,
    개별 환자와 연관되어 있는 공지 사실을 의학적 사실들 F_j의 값들의 형태로 수신하는 수신 장치 및
    상기 수신된 공지 사실들을 기초로 상기 기본 세트 S0로부터 의학적 제안들 MS_i의 서브세트 S1을 선택하도록 구성되는 계산 유니트를 포함하고,
    상기 데이터베이스에서 적어도 일부의 의학적 제안들이 하나 이상의 각각의 의학적 사실 F_j과 연관되어 있고,
    상기 데이터베이스에서 의학적 제안 MS_i의 상기 각각의 의학적 사실 F_j이 가중치 W_{i ,j}와 연관되어 있고,
    상기 계산 유니트는 상기 의학적 사실들 F_j의 상기 수신 값들 및 상기 각각의 가중치 W_{i ,j}를 기초로 상기 서브세트 S1의 적어도 일부의 의학적 제안들 MS_i에 대한 각각의 스코어를 계산하도록 구성되는, 시스템.

Images