KR20160043777A - Method and apparatus for disease occurrence prediction - Google Patents

Method and apparatus for disease occurrence prediction Download PDF

Info

Publication number
KR20160043777A
KR20160043777A KR1020140138408A KR20140138408A KR20160043777A KR 20160043777 A KR20160043777 A KR 20160043777A KR 1020140138408 A KR1020140138408 A KR 1020140138408A KR 20140138408 A KR20140138408 A KR 20140138408A KR 20160043777 A KR20160043777 A KR 20160043777A
Authority
KR
South Korea
Prior art keywords
disease
occurrence
target disease
evaluation value
factor
Prior art date
Application number
KR1020140138408A
Other languages
Korean (ko)
Inventor
정태환
장진엽
김명수
Original Assignee
삼성에스디에스 주식회사
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 삼성에스디에스 주식회사 filed Critical 삼성에스디에스 주식회사
Priority to KR1020140138408A priority Critical patent/KR20160043777A/en
Publication of KR20160043777A publication Critical patent/KR20160043777A/en

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
    • G06Q50/10—Services
    • G06Q50/22—Social work
    • 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

Abstract

Provided are a method and a device for predicting disease occurrence using a recommender system for predicting the preference degree of a subject with respect to a specific item by using the statistical data of others and recommending items which have been predicted to be preferred. According to an embodiment, provided is a method for predicting disease occurrence, comprising the steps of: determining a related factor having correlation with the occurrence of a target disease among monitored factors by using a population database having data relating to the occurrence of the target disease for each person and data about the monitored factors; generating a utility matrix having persons with the occurrence history of the target disease and subjects being inspected among the persons as a user entry, and having the occurrence severity degree of the target disease and the related factor as an item entry; and calculating the evaluation value of the occurrence severity degree of the target disease of the subjects being inspected by inputting the utility matrix into the recommender system with a collaborative filtering method.

Description

질환 발병 예측 방법 및 그 장치{Method and apparatus for disease occurrence prediction}TECHNICAL FIELD The present invention relates to a method for predicting the onset of disease,

본 발명은 질환 발병 예측 방법 및 그 장치에 관한 것이다. 보다 자세하게는, 추천 시스템(recommender system)을 이용하여 검사 대상자의 특정 대상 질환에 대한 발병 확률을 미리 예측 하는 방법에 관한 것이다.The present invention relates to a method and apparatus for predicting the onset of a disease. More particularly, the present invention relates to a method of predicting the onset probability of a target disease of a testee using a recommender system.

4,000여종의 질환이 유전자 이상으로 인해 발생한다는 사실이 알려져 있다. 질환의 발생과 관련된 유전자를 가지는지 여부를 판단하면, 상기 질환의 발생 여부를 미리 예측할 수 있을 것이다. 이러한 점에서, 유전자 역시 개인별 맞춤 의학의 제공을 위한 바이오마커(biomarker)로서 사용될 수 있다. 특정 질환의 발생과 관련된 유전자를 가지는지 여부는, 유전자 칩(DNA chip) 등을 이용하여 확인할 수 있다.It is known that over 4,000 diseases are caused by gene abnormalities. If it is judged whether or not the gene has a gene related to the occurrence of the disease, the occurrence of the disease may be predicted in advance. In this regard, genes can also be used as biomarkers to provide personalized medicine. Whether or not the gene has a gene related to the occurrence of a specific disease can be confirmed by using a gene chip or the like.

그런데, 질환의 발생 여부는 유전자뿐만 아니라 다양한 요소에 의하여 결정된다. 예를 들어, 암의 발생과 관련이 있는 것으로 알려진 K-ras 유전자 변이를 가지고 있는 사람이라도, 꾸준한 운동, 올바른 식습관, 금연 등 올바른 생활 습관을 가지면 암의 발생 확률을 낮출 수 있을 것이다.However, the occurrence of the disease is determined not only by genes but also by various factors. For example, a person with a K-ras gene mutation known to be associated with cancer may be able to reduce the likelihood of developing cancer if he or she has the right lifestyle, such as constant exercise, proper eating habits, and smoking cessation.

따라서, 선천적 요인인 유전자, 가족력 등의 인자뿐만 아니라, 후천적 요인인 생활 습관 관련 인자도 반영하는 질환 발병 예측 방법 및 그 장치를 제공할 필요가 있다.Therefore, it is necessary to provide a method and apparatus for predicting disease outbreak that reflect not only inherent factors such as gene, family history, and factors related to lifestyle such as acquired factors.

한국 공개 특허 제2013-0082551호Korean Patent Publication No. 2013-0082551

본 발명이 해결하고자 하는 기술적 과제는 타인의 통계 자료를 이용하여 대상자의 특정 아이템에 대한 선호도를 미리 예측하고, 선호할 것으로 예측된 아이템을 추천하는 추천 시스템(recommender system)을 이용하여 질환 발병 여부를 예측하는 방법 및 그 장치를 제공하는 것이다.The object of the present invention is to provide a method for predicting a preference for a specific item of a subject using a statistical data of another person and recommending a predicted item to be preferred, And a method for predicting the same.

본 발명의 기술적 과제들은 이상에서 언급한 기술적 과제들로 제한되지 않으며, 언급되지 않은 또 다른 기술적 과제들은 아래의 기재로부터 당업자에게 명확하게 이해 될 수 있을 것이다.The technical objects of the present invention are not limited to the above-mentioned technical problems, and other technical subjects not mentioned can be clearly understood by those skilled in the art from the following description.

상기 기술적 과제를 달성하기 위한 본 발명의 일 태양에 따른 질환 발병 예측 방법은, 각 개인 별로 대상 질환의 발생과 관련된 데이터 및 모니터링 인자에 대한 데이터를 가지는 모집단 데이터베이스를 이용하여, 상기 모니터링 인자 중 상기 대상 질환의 발생과 상관 관계를 가지는 유관 인자를 결정하는 단계와, 상기 각 개인 중 상기 대상 질환의 발병 이력이 있는 자 및 검사 대상자를 사용자 항목으로 가지고, 상기 대상 질환의 발생 심각도 및 상기 유관 인자를 아이템 항목으로 가지는 유틸리티 매트릭스(utility matrix)를 생성하는 단계와, 상기 유틸리티 매트릭스를 협업 필터링(collaborative filtering) 방식의 추천 시스템(recommender system)에 입력하여 상기 검사 대상자의 상기 대상 질환의 발생 심각도에 대한 평가치를 연산하는 단계를 포함한다.According to another aspect of the present invention, there is provided a disease prediction method for estimating a disease occurrence prediction method, the method comprising: using a population database having data related to occurrence of a target disease and data on monitoring factors for each individual, Determining a relative factor having a correlation with the occurrence of a disease; and, if a person having a history of onset of the target disease among the individuals and a subject to be tested are user items, the severity of occurrence of the target disease, Generating a utility matrix having a plurality of items, and inputting the utility matrix to a recommender system of a collaborative filtering method to estimate an evaluation value of the severity of occurrence of the target disease of the examinee .

일 실시예에 따르면, 상기 모집단 데이터베이스는, 유전자 검사 및 가족력 분석 결과 정보, 각 개인의 생체 정보 측정 장치에 의하여 생성된 생체 정보, 전자 의무 기록(Electronic Medical Record), 보험사에 의하여 관리 되는 질환 발생 관련 이력 정보 및 각 개인의 단말 장치에 의하여 생성된 생활 습관 설문 컨텐츠에 대한 응답 정보를 취합하여 구성된 것일 수 있다.According to one embodiment, the population database may include genetic test and family history analysis result information, biometric information generated by each individual's bio-information measuring device, electronic medical record, disease occurrence managed by an insurer, History information, and response information for lifestyle questionnaire contents generated by each individual terminal device.

일 실시예에 따르면, 상기 유틸리티 매트릭스를 생성하는 단계는, 상기 대상 질환의 발생 심각도에 대한 기 지정된 범위를 가지는 평가치를 상기 대상 질환 발병 환자의 사망 연령, 발병 시기 및 질환 진행 속도 중 적어도 하나를 이용하여 연산하는 단계를 포함할 수 있다.According to one embodiment, the step of generating the utility matrix may include using an evaluation value having a predetermined range with respect to the occurrence severity of the target disease, using at least one of a death age, an onset time, and a disease progression rate of the subject disease patient And then performing a calculation.

일 실시예에 따르면, 상기 유관 인자는 상기 대상 질환의 발병에 영향을 끼치는 것으로 알려진 유전자 보유 여부에 대한 인자를 포함할 수 있는데, 이 때, 상기 유틸리티 매트릭스를 생성하는 단계는, 유전자 보유자의 상기 유전자 보유 여부에 대한 평가치는, 상기 유전자 보유자의 상기 대상 질환 발병률에 기반하여 연산하는 단계를 포함할 수 있다.According to one embodiment, the factor of interest may include a factor for whether or not a gene is known to affect the onset of the target disease, wherein the step of generating the utility matrix comprises: The evaluation value for the presence or absence may include a step of calculating based on the incidence rate of the target disease of the gene holder.

일 실시예에 따르면, 상기 유관 인자는 생활 습관 관련 설문 조사 결과에 대한 인자를 포함할 수 있는데, 상기 유틸리티 매트릭스를 생성하는 단계는, 상기 생활 습관 관련 설문 조사 결과에 대한 평가치가 기 지정된 범위의 값을 갖도록, 상기 유틸리티 매트릭스의 사용자 항목에 포함된 모든 개인의 응답 수치 중 최고치 및 최저치를 기준으로 환산하여 상기 생활 습관 관련 설문 조사 결과에 대한 평가치를 연산하는 단계를 포함할 수 있다.According to one embodiment, the correlation factor may include a factor for a result of a questionnaire related to a lifestyle, wherein the step of generating the utility matrix includes the step of: Calculating an evaluation value for the lifestyle related questionnaire survey result on the basis of a maximum value and a minimum value of response values of all individuals included in the user item of the utility matrix.

일 실시예에 따르면, 상기 유틸리티 매트릭스를 생성하는 단계는, 생활 습관 타입의 상기 유관 인자 중 상기 모집단 데이터베이스에 상기 검사 대상자의 데이터가 미기록된 유관 인자에 대응하는 설문 컨텐츠를 상기 유틸리티 매트릭스 생성 시점에 사용자 단말에 송신하는 단계와, 상기 설문 컨텐츠에 대한 응답을 상기 사용자 단말로부터 수신하고, 상기 응답을 이용하여 상기 검사 대상자의 상기 생활 습관 타입의 유관 인자에 대한 평가치를 연산하는 단계를 포함할 수 있다.According to an embodiment of the present invention, the step of generating the utility matrix may further include the step of generating questionnaire contents corresponding to the correlation factors in which the data of the examinee is unrecorded in the population database among the correlation parameters of the lifestyle type, And receiving the response to the question content from the user terminal and calculating an evaluation value for the correlation factor of the lifestyle type of the examinee using the response.

일 실시예에 따르면, 상기 유관 인자를 결정하는 단계는, 상기 모집단 데이터베이스의 각 개인 별 데이터를 상기 대상 질환 발생군 및 정상군으로 구분하는 단계와, 상기 대상 질환 발생군의 모니터링 인자에 대한 데이터 및 상기 정상군의 모니터링 인자에 대한 데이터를 비교하여, 상기 모니터링 인자 중 상기 대상 질환의 발생과 상관 관계를 가지는 유관 인자를 결정하는 단계를 포함할 수 있다.According to one embodiment, the step of determining the correlation factor comprises the steps of: dividing each individual data of the population database into the target disease occurrence group and the normal group; Comparing the data of the normal group of monitoring factors to determine an associated factor that correlates with the occurrence of the target disease among the monitoring factors.

일 실시예에 다르면, 상기 검사 대상자의 상기 대상 질환의 발생 심각도에 대한 평가치가 제1 기준치를 초과하는 경우, 상기 질환 발병 예측 장치가, 상기 검사 대상자의 평가치가 제2 기준치를 초과하고 상기 대상 질환의 발생 심각도와 양의 상관 관계를 가지는 생활 습관 타입의 유관 인자를 조정 필요 인자로 선정하거나, 상기 검사 대상자의 평가치가 제3 기준치 미만이고 상기 대상 질환의 발생 심각도와 음의 상관 관계를 가지는 생활 습관 타입의 유관 인자를 상기 조정 필요 인자로 선정하는 단계를 더 포함할 수 있다. 이 때, 상기 선정하는 단계는, 상기 조정 필요 인자에 대한 생활 습관 개선 유도 메시지를 상기 검사 대상자의 단말 장치에 송신하는 단계와, 상기 검사 대상자의 생체 정보 측정 장치에 의하여 측정 된 생체 정보의 패턴을 분석하여 상기 조정 필요 인자의 평가치를 재 연산하는 단계와, 상기 재 연산된 상기 조정 필요 인자의 평가치를 이용하여 상기 유틸리티 매트릭스를 갱신하는 단계와, 상기 갱신된 유틸리티 매트릭스를 협업 필터링 방식의 추천 시스템에 입력하여 상기 검사 대상자의 상기 대상 질환의 발생 심각도에 대한 평가치를 다시 연산하는 단계를 포함할 수 있다.According to one embodiment, when the evaluation value for the severity of occurrence of the target disease of the examinee exceeds the first reference value, the disease onset prediction apparatus may be configured such that the evaluation value of the examinee exceeds the second reference value, Or a lifestyle type factor having a positive correlation with the occurrence severity of the target disease is selected as an adjustment factor or a lifestyle habit having a negative correlation with the evaluation value of the test subject is less than the third reference value and the occurrence severity of the target disease And selecting an oil factor of the type as the adjustment necessity factor. At this time, the selecting step includes the steps of: transmitting a lifestyle improvement instruction message to the terminal of the examinee for the adjustment required factor; and transmitting a pattern of the biometric information measured by the biometric information measuring device of the examinee A step of re-computing an evaluation value of the adjustment necessity factor by analyzing the utility matrix; and a step of updating the utility matrix by using the recalculated value of the adjustment necessity factor; And calculating an evaluation value of the severity of occurrence of the target disease by the examinee.

상기 대상 질환은, 상기 모집단 데이터베이스에 입력된 질환의 발생과 관련된 실제 사례 데이터의 건수가 제4 기준치를 초과하는 질환 중 하나 이상일 수 있다.The target disease may be one or more of diseases in which the number of actual case data related to the occurrence of the disease entered in the population database exceeds the fourth reference value.

본 발명의 다른 실시예에 따른 질환 발병 예측 방법은, 각 개인 별로 대상 질환의 발생과 관련된 데이터 및 모니터링 인자에 대한 데이터를 가지는 모집단 데이터베이스를 이용하여, 상기 모니터링 인자 중 상기 대상 질환의 발생과 상관 관계를 가지는 유관 인자를 결정하는 단계와, 상기 각 개인 중 상기 대상 질환의 발병 이력이 있는 자 및 검사 대상자를 사용자 항목으로 가지고, 상기 대상 질환의 발병 시기 및 상기 유관 인자를 아이템 항목으로 가지는 유틸리티 매트릭스(utility matrix)를 생성하는 단계와, 상기 유틸리티 매트릭스를 협업 필터링(collaborative filtering) 방식의 추천 시스템(recommender system)에 입력하여 상기 검사 대상자의 상기 대상 질환의 발병 시기에 대한 평가치를 연산하는 단계를 포함할 수 있다.The method of predicting the onset of disease according to another embodiment of the present invention is a method for predicting the onset of a disease according to the present invention using a population database having data on the occurrence of a target disease and data on monitoring factors for each individual, Determining a relative factor of the subject disease, the subject having the history of the disease of the subject and the subject to be examined among the individuals as a user item, and determining the occurrence timing of the subject disease and the utility matrix having the related factors as item items a step of generating a utility matrix by inputting the utility matrix to a recommender system of a collaborative filtering method to calculate an evaluation value of a time point at which the target disease occurs .

본 발명의 또 다른 실시예에 따르면, 컴퓨터 장치와 결합되어, 각 개인 별로 대상 질환의 발생과 관련된 데이터 및 모니터링 인자에 대한 데이터를 가지는 모집단 데이터베이스를 이용하여, 상기 모니터링 인자 중 상기 대상 질환의 발생과 상관 관계를 가지는 유관 인자를 결정하는 단계와, 상기 각 개인 중 상기 대상 질환의 발병 이력이 있는 자 및 검사 대상자를 사용자 항목으로 가지고, 상기 대상 질환의 발생 심각도 및 상기 유관 인자를 아이템 항목으로 가지는 유틸리티 매트릭스(utility matrix)를 생성하는 단계와, 상기 유틸리티 매트릭스를 협업 필터링(collaborative filtering) 방식의 추천 시스템(recommender system)에 입력하여 상기 검사 대상자의 상기 대상 질환의 발생 심각도에 대한 평가치를 연산하는 단계를 실행시키기 위하여, 매체에 저장된 컴퓨터 프로그램이 제공 된다.According to another embodiment of the present invention, there is provided a computer program for causing a computer to perform a method of generating a target disease by using a population database having data relating to occurrence of a target disease and data on a monitoring factor, Determining a relative factor having a correlation among the plurality of individuals and a person having an onset history of the target disease among the individuals as a user item and comparing the severity of occurrence of the target disease and a utility A step of generating a utility matrix and inputting the utility matrix to a recommender system of a collaborative filtering method to calculate an evaluation value for the severity of occurrence of the target disease of the examinee To execute, a computer stored in the medium This program is provided.

본 발명의 또 다른 실시예에 따른 질환 발병 예측 장치는, 각 개인 별로 대상 질환의 발생과 관련된 데이터 및 모니터링 인자에 대한 데이터를 가지는 모집단 데이터베이스를 이용하여, 상기 모니터링 인자 중 상기 대상 질환의 발생과 상관 관계를 가지는 유관 인자를 결정하는 유관 인자 결정부와, 상기 각 개인 중 상기 대상 질환의 발병 이력이 있는 자 및 검사 대상자를 사용자 항목으로 가지고, 상기 대상 질환의 발생 심각도 및 상기 유관 인자를 아이템 항목으로 가지는 유틸리티 매트릭스(utility matrix)를 생성하되, 상기 생성된 유틸리티 매트릭스의 상기 검사 대상자의 상기 대상 질환의 발생 심각도 아이템에 대한 평가치는 결손치인, 유틸리티 매트릭스 생성부와, 상기 유틸리티 매트릭스를 입력받고, 상기 유틸리티 매트릭스에 대하여 협업 필터링(collaborative filtering) 방식의 추천 시스템(recommender system) 로직을 수행하여 상기 유틸리티 매트릭스의 결손 평가치에 대한 추정치를 연산하는 추천 시스템 모듈과, 상기 유틸리티 매트릭스 생성부에 의하여 생성된 유틸리티 매트릭스를 상기 추천 시스템 모듈에 입력 값으로서 제공하고, 상기 추천 시스템 모듈의 연산 결과에 따라 연산된 상기 검사 대상자의 상기 대상 질환의 발생 심각도에 대한 평가치를 외부 장치에 송신하는 발병률 출력부를 포함한다.The apparatus for predicting the onset of disease according to another embodiment of the present invention uses a population database having data on the occurrence of the target disease and data on the monitoring factors for each individual to determine whether the onset of the target disease A subject factor determining unit for determining a subject factor having a relationship with a history of the subject disease and a subject subject to the test subject as a user item, A utility matrix generating unit for generating a utility matrix having a plurality of utility matrices each having a plurality of utility matrices, the utility matrix generating unit for generating a utility matrix having a plurality of utility matrices, Collaborative Filter for Matrix a recommendation system module for performing a recommender system logic of a collaborative filtering scheme to calculate an estimate value of a defect evaluation value of the utility matrix and a utility system module for generating a utility matrix generated by the utility matrix generation unit, And an incidence rate output unit for transmitting an evaluation value of the severity of occurrence of the target disease of the examinee calculated according to the calculation result of the recommendation system module to an external device.

일 실시예에 따르면, 상기 외부 장치는, 상기 대상 질환의 발생 심각도에 대한 평가치를 이용하여 상기 검사 대상자에 대한 보험료를 산정하는 보험료 산정 장치일 수 있다.According to an embodiment, the external device may be a premium calculation device that calculates an insurance premium for the examinee using an evaluation value of the severity of the target disease.

상기와 같은 본 발명에 따르면, 다양한 데이터를 질환 발병 관련 예측에 사용할 수 있는 효과가 있다.According to the present invention as described above, various data can be used for predicting disease occurrence.

또한, 협업 필터링 방식의 추천 시스템을 이용함으로써, 질환 발병 관련 예측의 정확도를 높일 수 있는 효과가 있다.Further, by using the recommendation system of the collaborative filtering method, it is possible to improve the accuracy of the prediction of disease occurrence.

또한, 개인의 생활 습관과 관련된 데이터를 질환 발병 관련 예측에 사용함으로써, 생활 습관의 개선을 유도할 수 있는 효과가 있다.In addition, by using data related to an individual's lifestyle, it is possible to induce the improvement of lifestyle by using the data for predicting the onset of the disease.

도 1은 본 발명의 일 실시예에 따른 질환 발병 예측 시스템의 구성도이다.
도 2는 본 발명의 다른 실시예에 따른 질환 발병 예측 시스템의 구성도이다.
도 3은 본 발명의 또 다른 실시예에 따른 질환 발병 예측 방법의 순서도이다.
도 4는 본 발명의 몇몇 실시예들에서 사용될 수 있는 모집단 데이터베이스의 소스 데이터(source data)를 예시한 도면이다.
도 5는 본 발명의 몇몇 실시예들에서 사용될 수 있는 모집단 데이터베이스의 구성 예시이다.
도 6은 협업 필터링 기반의 추천 시스템의 입력 데이터로 사용되는 유틸리티 매트릭스를 도시한 도면이다.
도 7은 본 발명의 몇몇 실시예들에서 생성될 수 있는 유틸리티 매트릭스의 예시도이다.
도 8은 본 발명의 또 다른 실시예에 따른 질환 발병 예측 방법의 순서도이다.
도 9는 본 발명의 또 다른 실시예에 따른 질환 발병 예측 방법의 순서도이다.
도 10은 본 발명의 또 다른 실시예에 따른 질환 발병 예측 장치의 제1 블록 구성도이다.
도 11은 본 발명의 또 다른 실시예에 따른 질환 발병 예측 장치의 제2 블록 구성도이다.
도 12는 본 발명의 또 다른 실시예에 따른 질환 발병 예측 장치의 하드웨어 구성도이다.BRIEF DESCRIPTION OF THE DRAWINGS FIG. 1 is a block diagram of a disease development prediction system according to an embodiment of the present invention. FIG.
2 is a block diagram of a disease development prediction system according to another embodiment of the present invention.
3 is a flowchart of a disease development prediction method according to another embodiment of the present invention.
4 is a diagram illustrating source data of a population database that may be used in some embodiments of the present invention.
5 is an exemplary configuration of a population database that may be used in some embodiments of the present invention.
6 is a diagram showing a utility matrix used as input data of a collaborative filtering-based recommendation system.
Figure 7 is an illustration of a utility matrix that may be generated in some embodiments of the invention.
8 is a flowchart of a disease incidence prediction method according to another embodiment of the present invention.
9 is a flowchart of a disease occurrence predicting method according to another embodiment of the present invention.
10 is a first block configuration diagram of a disease disease predicting apparatus according to another embodiment of the present invention.
11 is a second block configuration diagram of a disease disease predicting apparatus according to another embodiment of the present invention.
12 is a hardware block diagram of an apparatus for predicting the onset of diseases according to another embodiment of the present invention.

이하, 첨부된 도면을 참조하여 본 발명의 바람직한 실시예를 상세히 설명한다. 본 발명의 이점 및 특징, 그리고 그것들을 달성하는 방법은 첨부되는 도면과 함께 상세하게 후술되어 있는 실시 예들을 참조하면 명확해질 것이다. 그러나 본 발명은 이하에서 게시되는 실시 예들에 한정되는 것이 아니라 서로 다른 다양한 형태로 구현될 수 있으며, 단지 본 실시 예들은 본 발명의 게시가 완전하도록 하고, 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자에게 발명의 범주를 완전하게 알려주기 위해 제공되는 것이며, 본 발명은 청구항의 범주에 의해 정의될 뿐이다. 명세서 전체에 걸쳐 동일 참조 부호는 동일 구성 요소를 지칭한다.Hereinafter, preferred embodiments of the present invention will be described in detail with reference to the accompanying drawings. BRIEF DESCRIPTION OF THE DRAWINGS The advantages and features of the present invention and the manner of achieving them will become apparent with reference to the embodiments described in detail below with reference to the accompanying drawings. The present invention may, however, be embodied in many different forms and should not be construed as limited to the embodiments set forth herein. Rather, these embodiments are provided so that this disclosure will be thorough and complete, and will fully convey the scope of the invention to those skilled in the art. Is provided to fully convey the scope of the invention to those skilled in the art, and the invention is only defined by the scope of the claims. Like reference numerals refer to like elements throughout the specification.

다른 정의가 없다면, 본 명세서에서 사용되는 모든 용어(기술 및 과학적 용어를 포함)는 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자에게 공통적으로 이해될 수 있는 의미로 사용될 수 있을 것이다. 또 일반적으로 사용되는 사전에 정의되어 있는 용어들은 명백하게 특별히 정의되어 있지 않는 한 이상적으로 또는 과도하게 해석되지 않는다. 본 명세서에서 사용된 용어는 실시예들을 설명하기 위한 것이며 본 발명을 제한하고자 하는 것은 아니다. 본 명세서에서, 단수형은 문구에서 특별히 언급하지 않는 한 복수형도 포함한다.Unless defined otherwise, all terms (including technical and scientific terms) used herein may be used in a sense commonly understood by one of ordinary skill in the art to which this invention belongs. Also, commonly used predefined terms are not ideally or excessively interpreted unless explicitly defined otherwise. The terminology used herein is for the purpose of illustrating embodiments and is not intended to be limiting of the present invention. In the present specification, the singular form includes plural forms unless otherwise specified in the specification.

이하, 도 1을 참조하여 본 발명의 일 실시예에 따른 질환 발병 예측 시스템의 구성 및 동작을 설명한다. 본 실시예에 따른 질환 발병 예측 시스템은, 도 1에 도시된 바와 같이 질환 발병 예측 장치(100) 및 모집단 데이터베이스 서버(200)를 포함할 수 있다.Hereinafter, the configuration and operation of the disease disease prediction system according to an embodiment of the present invention will be described with reference to FIG. The disease disease prediction system according to the present embodiment may include a disease disease prediction apparatus 100 and a population database server 200 as shown in FIG.

질환 발병 예측 장치(100)는 네트워크를 통하여 모집단 데이터베이스 서버(200), EMR(Electronic Medical Record) 서버(210), 보험료 산정 장치(220) 및 사용자 단말(230) 중 적어도 하나와 연결 될 수 있다.The disease onset prediction apparatus 100 may be connected to at least one of a population database server 200, an EMR (Electronic Medical Record) server 210, a premium calculation device 220 and a user terminal 230 via a network.

질환 발병 예측 장치(100)는 주기적 또는 기 지정된 스케줄에 따라 질환 발병 예측 프로세스를 수행하거나, 보험료 산정 장치(220), 사용자 단말(230) 등 외부 장치의 요청에 따라 상기 질환 발병 예측 프로세스를 수행할 수 있다. 주기적 또는 기 지정된 스케줄에 따라 상기 질환 발병 예측 프로세스가 수행되는 경우, 상기 모집단 데이터베이스에 특정 개인에 대한 질환 발생 여부 및 발생 심각도에 대한 예측 자료가 모두 존재하지 않는 질환이 있다면, 상기 개인에 대한 예측 대상 질환으로 스스로 선정하는 동작이 질환 발병 예측 프로세스 수행 전에 선행 될 수 있다. 반면에, 외부 장치의 요청에 따라 상기 질환 발병 예측 프로세스가 수행되는 경우, 검사 대상자 및 예측 대상 질환은 상기 외부 장치로부터 수신될 것이다.The disease onset prediction apparatus 100 performs the disease onset prediction process on a periodic basis or on a predetermined schedule or performs the disease onset prediction process at the request of an external device such as the premium calculation device 220 and the user terminal 230 . If there is a disease in the population database in which there is no predicted data on whether or not a disease has occurred for a specific individual and the severity of occurrence in the population database when the disease occurrence prediction process is performed periodically or on a predetermined schedule, The self-selection behavior can be preceded by a disease outbreak prediction process. On the other hand, when the disease onset prediction process is performed at the request of the external device, the test subject and the disease to be predicted will be received from the external device.

상기 질환 발병 예측 프로세스는, 각 개인 별로 대상 질환의 발생과 관련된 데이터 및 모니터링 인자에 대한 데이터를 가지는 모집단 데이터베이스를 이용하여, 상기 모니터링 인자 중 상기 대상 질환의 발생과 상관 관계를 가지는 유관 인자를 결정하는 동작, 상기 각 개인 중 상기 대상 질환의 발병 이력이 있는 자 및 검사 대상자를 사용자 항목으로 가지고, 상기 대상 질환의 발생 심각도 및 상기 유관 인자를 아이템 항목으로 가지는 유틸리티 매트릭스(utility matrix)를 생성하는 동작, 상기 유틸리티 매트릭스를 협업 필터링(collaborative filtering) 방식의 추천 시스템(recommender system)에 입력하여 상기 검사 대상자의 상기 대상 질환의 발생 심각도에 대한 평가치를 연산하는 동작을 포함할 수 있다.The disease incidence prediction process is a process for predicting a disease associated with an occurrence of a target disease in a population database using data on the occurrence of a target disease and data on a monitoring factor for each individual, An operation to generate a utility matrix having the occurrence severity of the target disease and the related factors as item items having the history of the target disease among the individual individuals and the subject to be examined as the user item, And inputting the utility matrix to a recommender system of a collaborative filtering method to calculate an evaluation value for the severity of the target disease of the examinee.

사용자 단말(230)은 데스크탑 컴퓨터, 워크스테이션, PDA (Personal Digital Assistants), 포터블(portable) 컴퓨터, 무선 전화기(wireless phone), 모바일 폰(mobile phone), 스마트폰(smart phone), e-북(e-book), PMP(portable multimedia player), 휴대용 게임기, 네비게이션(navigation) 장치, 블랙박스(black box), 디지털 카메라(digital camera), 텔레비전, 정보를 무선 환경에서 송수신할 수 있는 장치, 홈 네트워크를 구성하는 다양한 전자 장치들 중 하나, 컴퓨터 네트워크를 구성하는 다양한 전자 장치들 중 하나, 텔레매틱스 네트워크(telematics network)를 구성하는 다양한 전자 장치들 중 하나, 스마트 카드, 또는 컴퓨팅 시스템을 구성하는 다양한 구성 요소들 중 하나 등과 같은 전자 장치의 다양한 구성 요소들 중 하나로 제공된다.The user terminal 230 may be a desktop computer, a workstation, a personal digital assistant (PDA), a portable computer, a wireless phone, a mobile phone, a smart phone, e-book, a portable multimedia player (PMP), a portable game machine, a navigation device, a black box, a digital camera, a television, a device capable of transmitting and receiving information in a wireless environment, One of various electronic devices constituting a computer network, one of various electronic devices constituting a telematics network, a smart card, or various components constituting a computing system One of the various components of the electronic device, such as one of the < RTI ID = 0.0 >

사용자 단말(230)에는 근거리 무선 통신을 통해 하나 이상의 생체 정보 측정 장치(232, 234)가 연결 될 수 있다. 상기 근거리 무선 통신은, 예를 들어 RFID, 무선랜, 블루투스, ZIGBEE 등이 사용될 수 있다. 생체 정보 측정 장치(232, 234)는 사용자 단말(230)의 사용자의 생체 정보를 측정하여 사용자 단말(230)에 제공한다. 예를 들어, 생체 정보 측정 장치(232, 234)는 IEEE 11073 규격 기반의 에이전트 모듈을 포함할 수 있으며, 이때 사용자 단말(230)에는 IEEE 11073 규격 기반의 매니저 모듈이 포함될 수 있다. 생체 정보 측정 장치(232, 234)는, 예를 들어 혈압 센서, 혈당 센서, 심박계 센서 등일 수 있다.One or more biometric information measuring devices 232 and 234 may be connected to the user terminal 230 through short-distance wireless communication. The short-range wireless communication may be, for example, RFID, wireless LAN, Bluetooth, ZIGBEE, or the like. The biometric information measuring devices 232 and 234 measure the biometric information of the user of the user terminal 230 and provide the measured biometric information to the user terminal 230. For example, the biometric information measuring devices 232 and 234 may include an agent module based on the IEEE 11073 standard, and the user terminal 230 may include a manager module based on the IEEE 11073 standard. The biometric information measuring devices 232 and 234 may be, for example, a blood pressure sensor, a blood sugar sensor, a heart rate sensor, or the like.

사용자 단말(230)은 생체 정보 측정 장치(232, 234)로부터 제공된 생체 정보를 네트워크를 통해 질환 발병 예측 장치(100) 또는 모집단 데이터베이스 서버(200)에 제공함으로써, 사용자 단말(230)의 사용자에 대한 생체 정보가 모집단 데이터베이스 상에 업데이트 되도록 할 수 있다.The user terminal 230 provides the biometric information provided from the biometric information measuring devices 232 and 234 to the disease occurrence predicting device 100 or the population database server 200 via the network, Biometric information may be updated on the population database.

사용자 단말(230)은, 사용자의 입력에 따라 특정 대상 질환에 대한 발생 여부 또는 발생 시기에 대한 질의를 질환 발병 예측 장치(100)에 송신할 수 있다.The user terminal 230 may send a query to the disease onset prediction apparatus 100 about whether or not a specific target disease has occurred according to the user's input.

보험료 산정 장치(220)는 질환 발병 예측 장치(100)와 네트워크를 통해 연결되고, 질환 발병 예측 장치(100)에 보험 가입 신청자인 검사 대상자 및 보험 보장 대상인 대상 질환에 대한 발생 심각도 또는 발생 시기에 대한 질의 신호를 송신한다. 보험료 산정 장치(220)는 상기 질의 신호에 대한 응답으로 대상 질환의 발생 심각도에 대한 평가치 또는 대상 질환의 발생 시기에 대한 평가치 중 적어도 하나를 이용하여 상기 보험 가입 신청자에 대한 보험료를 산정할 수 있다.The premium calculating device 220 is connected to the disease predicting device 100 via a network, and the insurance predicting device 100 is connected to the disease predicting device 100 through a network, And transmits a query signal. The insurance premium calculation device 220 can estimate the insurance premium for the insurance applicant using at least one of the evaluation value of the occurrence severity of the target disease or the evaluation value of the occurrence time of the target disease in response to the query signal have.

질환 발병 예측 장치(100)는 보험료 산정 장치(220)의 상기 질의 신호에 대한 처리 실적을 집계하고, 집계된 처리 실적에 기반하여 서비스 이용료 청구 정보를 생성할 수 있다.The disease occurrence predicting apparatus 100 can compute the processing performance of the premium calculation device 220 for the query signal and generate the service utilization charge information based on the aggregated processing performance.

질환 발병 예측 장치(100)의 상세 구성 및 그 동작에 대하여는 도 10 내지 도 12를 참조하여 보다 상세히 설명하기로 한다.The details of the disease onset prediction apparatus 100 and its operation will be described in more detail with reference to FIGS. 10 to 12. FIG.

EMR 서버(210)는 전자 의무 기록(EMR)을 관리 하는 서버로, 예를 들어 병원 정보 시스템(Hospital Information System)에 속한 서버 중 적어도 하나 일 수 있다.The EMR server 210 is a server for managing electronic medical record (EMR), and may be at least one of servers belonging to a hospital information system, for example.

모집단 데이터베이스 서버(200)는 각 개인 별로 대상 질환의 발생과 관련된 데이터 및 모니터링 인자에 대한 데이터를 가지는 모집단 데이터베이스를 관리한다. 상기 모집단 데이터베이스를 관리한다는 것은, 새로운 개인에 대한 레코드를 상기 모집단 데이터베이스에 삽입하거나, 특정 개인에 대한 레코드를 상기 모집단 데이터베이스에서 삭제하거나, 특정 개인의 특정 모니터링 인자에 대한 데이터를 갱신하거나, 특정 모니터링 인자를 추가하거나 삭제하는 것을 의미할 수 있다.The population database server 200 manages a population database having data on the occurrence of the target disease and data on the monitoring factors for each individual. Managing the population database may include inserting a record for a new individual into the population database, deleting a record for a particular individual from the population database, updating data for a particular monitoring parameter of a particular individual, May be added or deleted.

모집단 데이터베이스 서버(200)는 EMR 서버(210)로부터 각 개인의 임상 데이터를 주기적으로 또는 비주기적으로 제공받아 상기 모집단 데이터베이스를 관리할 수 있다.The population database server 200 can periodically or non-periodically receive the individual clinical data from the EMR server 210 and manage the population database.

모집단 데이터베이스 서버(200)는 그래프 데이터베이스 등 다양한 NoSQL 계열의 데이터베이스 관리 체계, 또는 관계형 데이터베이스 관리 체계를 이용하여 상기 모집단 데이터베이스를 관리할 수 있다.The population database server 200 can manage the population database using various NoSQL family database management systems such as a graph database or a relational database management system.

도 1에는 모집단 데이터베이스가 질환 발병 예측 장치(100)와 별개의 독립적인 장치에 의하여 관리되는 것으로 도시 되어 있다. 그러나, 본 발명의 다른 실시예에 따르면, 도 2에 도시된 바와 같이, 상기 모집단 데이터베이스는 질환 발병 예측 장치(100)에 의하여 관리될 수도 있다.In FIG. 1, a population database is shown to be managed by an independent device separate from the disease occurrence predicting device 100. However, according to another embodiment of the present invention, as shown in FIG. 2, the population database may be managed by the disease disease predicting apparatus 100.

이하, 도 3을 참조하여 본 발명의 다른 실시예에 따른 질환 발병 예측 방법을 설명한다. 본 실시예는 연산 수단을 구비한 컴퓨팅 장치에 의하여 수행 될 수 있다. 상기 컴퓨팅 장치는, 예를 들어 도 1 또는 도 2에 도시 된 질환 발병 예측 장치(100)일 수 있다. 장치의 구성 및 동작에 대하여는 추후 자세히 설명한다. 이하, 설명의 편의를 위하여, 본 실시예에 따른 질환 발병 예측 방법의 각 동작을 실시하는 주체는 그 기재가 생략될 수 있는 점에 유의한다.Hereinafter, a disease predicting method according to another embodiment of the present invention will be described with reference to FIG. The present embodiment can be performed by a computing device having computing means. The computing device may be, for example, the disease onset prediction apparatus 100 shown in FIG. 1 or FIG. The configuration and operation of the apparatus will be described in detail later. Hereinafter, for convenience of explanation, it should be noted that a subject performing each operation of the disease disease predicting method according to the present embodiment may be omitted from the description.

먼저, 모집단 데이터베이스가 구성된다(S100). 도 1 또는 도 2를 참조하여 설명한 바와 같이, 모집단 데이터베이스의 구성은 질환 발병 예측 장치(100) 또는 모집단 데이터베이스 서버(200)에 의하여 수행될 수 있다.First, a population database is constructed (S100). As described with reference to FIG. 1 or FIG. 2, the configuration of the population database can be performed by the disease disease predicting apparatus 100 or the population database server 200.

도 4에 도시된 바와 같이, 모집단 데이터베이스는 다양한 데이터 소스(data source)로부터 수집된 데이터를 취합하여 구성된 것일 수 있다. 예를 들어, 보험사에 의하여 관리 되는 질환 발생 관련 이력 정보, 다양한 임상 정보, 다양한 생활 습관 관련 설문 응답 정보 및 각 개인의 생체 정보 수집 장치로부터 주기적, 비주기적으로 수집되는 생체 정보가 상기 데이터 소스일 수 있다. 상기 다양한 임상 정보에는 병원에서 수행 된 바 있는 유전자 검사 결과, 가족력 분석 결과 및 병원에서 관리되는 전자 의무 기록(EMR)이 포함 될 수 있다. 모집단 데이터베이스의 데이터 소스는 도 4에 도시된 것으로 한정되지 않으며, 수치화 될 수 있는 개인의 건강 관련 지표라면 어떠한 데이터라도 모집단 데이터베이스의 모니터링 인자로서 추가될 수 있다. 도 5는 상기 모집단 데이터베이스의 일 구성예이다.As shown in FIG. 4, the population database may be constructed by collecting data collected from various data sources. For example, history information related to disease occurrence managed by an insurance company, various clinical information, questionnaire response information related to various lifestyle habits, and biometric information periodically and non-periodically collected from each individual's biometric information collecting device may be the data source have. The various clinical information may include genetic tests performed at hospitals, family history analysis results, and electronic medical records (EMRs) administered at hospitals. The data source of the population database is not limited to that shown in FIG. 4, and any data that is an individual health-related indicator that can be quantified can be added as a monitoring parameter of the population database. Fig. 5 is a configuration example of the population database.

다시 도 3으로 돌아와서 설명한다. 다음으로, 검사 대상자 및 대상 질환이 선정된다(S200). 이미 설명한 바와 같이, 상기 검사 대상자 및 대상 질환은 질환 발병의 예측 의뢰를 송신한 외부 장치에 의하여 지정될 수도 있고, 질환 발병 예측 장치에 의하여 스스로 선정될 수도 있다. 한편, 추천 시스템을 적용하는데 있어서, 정확도를 높이기 위하여는 실제 사례의 데이터가 충분해야 한다. 따라서, 상기 대상 질환은 상기 모집단 데이터베이스에 입력된 질환의 발생과 관련된 실제 사례 데이터의 건수가 기준치를 초과하는 질환 중에서 선정될 수 있다. 예를 들어, 상기 기준치가 1000건이고, 상기 모집단 데이터베이스에 제1 질환의 발생자가 100명이고, 제2 질환의 발생자가 300명이며, 제3 질환의 발생자가 1200명인 경우, 상기 제1 질환 및 제2 질환은 상기 대상 질환으로 선정될 수 없다.Returning back to FIG. Next, the subject and the target disease are selected (S200). As described above, the subject and the subject disease may be designated by an external device that has transmitted a prediction request for disease occurrence, or may be selected by the disease occurrence prediction device by themselves. On the other hand, in applying the recommendation system, in order to increase the accuracy, data of actual cases should be sufficient. Therefore, the target disease may be selected from diseases in which the number of actual case data related to the occurrence of the disease entered in the population database exceeds the reference value. For example, when the reference value is 1000, the population of the first disease is 100, the number of the second disease is 300, and the number of the third disease is 1,200 in the population database, The second disease can not be selected as the target disease.

다음으로, 상기 모집단 데이터베이스의 모니터링 인자들 중, 대상 질환에 대한 유관 인자가 선정된다(S300). 상기 유관 인자는, 상기 대상 질환의 발병에 관련이 있는 인자를 의미한다. 즉, 상기 유관 인자는 상기 대상 질환의 발생과 상관 관계(correlated relation)를 가지는 것으로 판정된 모니터링 인자를 의미한다. 예를 들어, 상기 대상 질환의 발생과 관련된 수치와의 상관 계수(R)가 기 지정된 기준치를 초과하는 모니터링 인자, 또는 상기 대상 질환의 발생과 관련된 수치와의 상관 계수(R)의 순위가 기 지정된 순위 내에 들거나 기 지정된 범위 내에 드는 모니터링 인자가 상기 유관 인자로 선정될 수 있다.Next, among the monitoring factors of the population database, a related factor for the target disease is selected (S300). The duct factor refers to a factor related to the onset of the target disease. That is, the correlation factor means a monitoring factor determined to have a correlated relation with the occurrence of the target disease. For example, the rank of the correlation coefficient (R) between the monitoring factor whose correlation coefficient (R) with the numerical value related to the occurrence of the target disease exceeds the predetermined reference value or the numerical value related to the occurrence of the target disease A monitoring factor falling within the range or falling within the predefined range may be selected as the relevant factor.

일 실시예에 따르면, 상기 모집단 데이터베이스의 각 개인 별 데이터를 상기 대상 질환 발생군 및 정상군으로 구분하고, 상기 대상 질환 발생군의 모니터링 인자에 대한 데이터 및 상기 정상군의 모니터링 인자에 대한 데이터를 비교하여, 상기 모니터링 인자 중 상기 대상 질환의 발생과 상관 관계를 가지는 유관 인자를 선정 할 수도 있다.According to one embodiment, data of each individual of the population database is divided into the target disease occurrence group and the normal group, and the data on the monitoring factors of the target disease occurrence group and the data on the monitoring factors of the normal group are compared , And an angiogenic factor having a correlation with the occurrence of the target disease among the monitoring factors may be selected.

다음으로, 상기 각 개인 중 상기 대상 질환의 발병 이력이 있는 자 및 검사 대상자를 사용자 항목으로 가지고, 상기 대상 질환의 발생 심각도 및 상기 유관 인자를 아이템 항목으로 가지는 유틸리티 매트릭스(utility matrix)를 생성한다(S400).Next, a utility matrix having the occurrence severity of the target disease and the related factors as the item items is generated with the user having the history of the target disease and the subject to be examined as the user item among the individuals S400).

상기 유틸리티 매트릭스는 협업 필터링(Collaborative Filtering) 방식의 추천 시스템(recommender system) 로직에 대한 입력 데이터이다. 상기 추천 시스템 로직이 수행 되면, 그 결과로 상기 유틸리티 매트릭스의 결손 된 항목에 대한 평가치가 연산 될 수 있다.The utility matrix is input data for a recommender system logic of a collaborative filtering method. When the recommendation system logic is performed, an evaluation value for the defective item of the utility matrix may be calculated as a result.

상기 유틸리티 매트릭스에 대하여 도 6을 참조하여 보다 자세히 설명한다. 도 6에 도시된 바와 같이, 상기 유틸리티 매트릭스는 2차원의 매트릭스로, 제1 축은 아이템(I1, I2, I3, ...)이고, 제2 축은 사용자(U1, U2, U3, ...)이다. 전통적인 추천 시스템은 각 사용자의 각 아이템에 대한 선호도를 바탕으로, 선호도가 입력 된 바 없는 아이템에 대한 선호도를 예측하는 것이다. 예를 들어, 도 6에 도시된 유틸리티 매트릭스에서, U1의 I2에 대한 선호도(300)는 U1의 다른 아이템들(I1, I3, I4, ...)에 대한 선호도와 유사한 패턴의 선호도를 가지는 다른 사용자들(U2, U3, U4, ...)의 I2에 대한 선호도를 기초로 예측 된다.The utility matrix will be described in more detail with reference to FIG. 6, the utility matrix is a two-dimensional matrix, the first axis is items (I1, I2, I3, ...) and the second axis is users (U1, U2, U3, to be. The traditional recommendation system is to predict the preference for an item for which no preference has been entered, based on the preference of each user for each item. For example, in the utility matrix shown in FIG. 6, the preference 300 for I2 of U1 is the same as the preference 300 for the other items I1, I3, I4, Is predicted based on the preferences for users I2, U3, U4, ..., I2.

협업 필터링 기반의 추천 시스템에서 사용자 또는 아이템 간의 유사도를 연산하는 방식으로, Jaccard similarity coefficient, Cosine Distance, Pearson Correlation, Rounding data, Normalizing Ratings 등 다양한 방법이 제시 된 바 있다. 자세한 기재는 http://en.wikipedia.org/wiki/Recommender_system를 참조한다.Various methods such as Jaccard similarity coefficient, Cosine Distance, Pearson Correlation, Rounding data, Normalizing Ratings, etc. have been suggested as a method of calculating the similarity between users or items in a collaborative filtering based recommendation system. For more information, see http://en.wikipedia.org/wiki/Recommender_system.

본 발명에서는 활용되는 추천 시스템은, 전통적인 추천 시스템과는 그 용도가 다르다. 즉, 본 발명에서는 대상 질환의 발병과 관련된 예측을 하는 것이 목적이다. 따라서, 본 발명의 몇몇 실시예들에 따라 생성되는 유틸리티 매트릭스는 상기 각 개인 중 상기 대상 질환의 발병 이력이 있는 자 및 검사 대상자를 사용자 항목으로 가지고, 상기 대상 질환의 발생 심각도 및 상기 유관 인자를 아이템 항목으로 가진다.The recommendation system utilized in the present invention differs from the conventional recommendation system in its use. That is, the purpose of the present invention is to make predictions related to the onset of the target disease. Therefore, the utility matrix generated according to some embodiments of the present invention may have a user history of the subject disease and a subject to be examined among the individuals, and the severity of occurrence of the subject disease and the related factors As an item.

도 7을 참조하여, 본 발명의 몇몇 실시예들에서 생성되는 유틸리티 매트릭스에 대하여 설명하기로 한다.Referring to Figure 7, a utility matrix generated in some embodiments of the present invention will be described.

본 발명의 몇몇 실시예들에서 활용되는 상기 유틸리티 매트릭스는 전통적인 추천 시스템의 유틸리티 매트릭스에서의 아이템에 대응되는 항목으로, 각 유관 인자를 가진다. 이미 설명한 바와 같이, 상기 유관 인자는, 상기 모집단 데이터베이스의 모니터링 인자 중 일부이다. 도 7에는 대상 질환의 발생과 관련 있는 7개의 유관 인자(BRCA1, BRCA2, AST, ALT, 음주량, 흡연량, 운동량)가 표시 되어 있다. 도 7에 도시된 유틸리티 매트릭스는, 각 유관 인자 또는 발생 심각도에 대한 평가치(rating)가 0부터 10 사이의 범위 내 값을 가지도록 설정 된 경우를 반영한다.The utility matrix utilized in some embodiments of the present invention is an item corresponding to an item in a utility matrix of a conventional recommendation system, and has respective relevance factors. As described above, the correlation factor is a part of the monitoring parameters of the population database. FIG. 7 shows seven ancillary factors (BRCA1, BRCA2, AST, ALT, alcohol consumption, smoking amount, and exercise amount) related to the occurrence of the target disease. The utility matrix shown in FIG. 7 reflects a case where a rating for each anchor factor or occurrence severity is set to have a value within the range of 0 to 10.

상기 유틸리티 매트릭스에는 상기 각 개인 중 상기 대상 질환의 발병 이력이 있는 자 및 검사 대상자를 사용자 항목으로 가지기 때문에, 대상 질환의 발병 여부를 상기 유틸리티 매트릭스의 아이템 항목 중 하나로 가지는 경우, 검사 대상자를 제외한 모든 비교 대상자가 동일한 값을 상기 대상 질환의 발병 여부에 대한 평가치(rating)로 가지게 될 것이다. 이러한 경우, 추천 시스템에 의한 검사 대상자의 질환 발병 예측 결과의 정확도에 문제가 생길 수 있다.Since the user matrix includes the person having the history of the onset of the target disease and the subject to be examined among the individuals in the utility matrix, if the occurrence of the target disease is one of the item items of the utility matrix, The subject will have the same value as a rating for the onset of the subject disease. In such a case, there is a problem in the accuracy of the prediction result of the disease occurrence prediction by the recommendation system.

따라서, 본 발명의 몇몇 실시예들에 따른 유틸리티 매트릭스는 상기 대상 질환의 발병 여부 대신, 대상 질환의 발생 심각도(severity)를 아이템 항목으로 가진다.Therefore, the utility matrix according to some embodiments of the present invention has severity of occurrence of the target disease as an item item, instead of the occurrence of the target disease.

상기 발생 심각도는 대상 질환의 발생에 있어서의 심각도를 의미하는 수치로, 여러 기준에 따라 연산될 수 있다.The occurrence severity is a numerical value indicating the severity in the occurrence of the target disease, and can be calculated according to various criteria.

일 실시예에 따르면, 상기 대상 질환의 발생 심각도에 대한 기 지정된 범위를 가지는 평가치를 상기 대상 질환 발병 환자의 사망 연령을 이용하여 연산할 수 있다. 이 때, 상기 대상 질환의 발병 환자 중 가장 단명한 환자의 사망 연령을 10으로, 가장 장수한 환자(미사망자 포함)의 사망 연령을 0으로 기준을 삼고, 상기 기준에 따른 상대 평가치를 상기 발생 심각도로 연산할 수 있다.According to an embodiment, an evaluation value having a predetermined range of severity of occurrence of the target disease can be calculated using the age of death of the target disease patient. At this time, it is assumed that the death age of the most short-lived patient is 10, the age of death of the longest-lived patient (including the deceased) is 0, .

일 실시예에 따르면, 상기 대상 질환의 발생 심각도에 대한 기 지정된 범위를 가지는 평가치를 상기 대상 질환 발병 환자의 발병 시기를 이용하여 연산할 수 있다. 이 때, 상기 대상 질환의 발병 환자 중 가장 일찍 발병한 환자의 발병 연령을 10으로, 가장 늦게 발병한 환자의 발병 연령을 0으로 기준을 삼고, 상기 기준에 따른 상대 평가치를 상기 발생 심각도로 연산할 수 있다.According to an embodiment, an evaluation value having a predetermined range with respect to the occurrence severity of the target disease can be calculated using the onset time of the target disease patient. At this time, the onset age of the patient with the earliest onset of the target disease is set to 10, the age of onset of the latest late onset is set to 0, and the relative evaluation value according to the standard is calculated as the occurrence severity .

일 실시예에 따르면, 상기 대상 질환의 발생 심각도에 대한 기 지정된 범위를 가지는 평가치를 상기 대상 질환 발병 환자의 질환 진행 속도를 이용하여 연산할 수 있다. 이 때, 상기 대상 질환의 발병 환자 중 가장 진행 속도가 빠른 환자의 진행 속도를 10으로, 가장 진행 속도가 느린 환자의 진행 속도를 0으로 기준을 삼고, 상기 기준에 따른 상대 평가치를 상기 발생 심각도로 연산할 수 있다. 상기 진행 속도는, 상기 대상 질환의 발병 시기로부터 사망 시점까지의 시간에 반비례 하는 수치로 정의할 수 있다.According to an embodiment, an evaluation value having a predetermined range for the occurrence severity of the target disease can be calculated using the disease progression rate of the target disease patient. At this time, it is assumed that the progress speed of the patient with the highest progress speed is 10, the progress speed of the slowest progress patient is 0, and the relative evaluation value according to the reference is the occurrence severity . The rate of progression may be defined as a value that is inversely proportional to the time from the onset of the target disease to the time of death.

각 유관 인자에 대한 평가치(rating)는 기 지정된 범위 내의 값을 가지도록 상대 평가 되는 것이 바람직하다. 예를 들어, 유전자 보유자의 상기 유전자 보유 여부에 대한 평가치는, 상기 유전자 보유자의 상기 대상 질환 발병률에 기반하여 연산될 수 있다. 도 7에는, BRCA1에 대한 평가치가 7 또는 0으로 표시 되어 있는데, 이는 BRCA1 유전자를 보유한 개인의 대상 질환 발병률이 70%로 보고 되어 있음을 의미한다. 또한, BRCA2에 대한 평가치가 6 또는 0으로 표시 되어 있는데, 이는 BRCA1 유전자를 보유한 개인의 대상 질환 발병률이 60%로 보고 되어 있음을 의미한다.The rating for each anchor factor is preferably relative evaluated to have a value within the pre-specified range. For example, an evaluation of the gene holder's presence or absence of the gene may be calculated based on the incidence rate of the target disease of the gene holder. In Fig. 7, the evaluation value for BRCA1 is indicated as 7 or 0, which means that the incidence of the target disease of an individual having the BRCA1 gene is reported as 70%. In addition, the evaluation value for BRCA2 is indicated as 6 or 0, which means that the incidence of the target disease in individuals with BRCA1 gene is reported as 60%.

한편, 생활 습관 관련 설문 조사 결과에 대한 유관 인자에 대한 평가치 역시 기 지정된 범위 내의 평가치를 가지는 것이 바람직하다. 이 때, 상기 생활 습관 관련 설문 조사 결과에 대한 평가치가 기 지정된 범위의 값을 갖도록, 상기 유틸리티 매트릭스의 사용자 항목에 포함된 모든 개인의 응답 수치 중 최고치 및 최저치를 기준으로 환산하여 상기 생활 습관 관련 설문 조사 결과에 대한 평가치를 연산할 수 있다. 예를 들어, 음주량의 경우, 상기 대상 질환 발병자 및 상기 조사 대상자 중 최다 음주량 보유자의 음주량을 10으로, 최저 음주량 보유자의 음주량을 0으로 기준을 삼고, 상기 기준에 따른 상대 평가치를 상기 음주량에 대한 평가치로 연산할 수 있다.On the other hand, it is desirable that the evaluation value of the related factors on the results of questionnaires related to lifestyle habits also have the evaluation value within the predetermined range. In this case, the maximum value and the minimum value of the response values of all individuals included in the user item of the utility matrix are converted on the basis of the lifestyle related questionnaires so that the evaluation value of the lifestyle related questionnaire survey results has a value of a pre- The evaluation value for the survey result can be calculated. For example, in the case of the amount of drinking water, the drinking amount of the person with the highest incidence of alcohol consumption among the persons suffering from the target disease and the person to be surveyed is 10 and the drinking amount of the lowest amount of alcohol drinker is 0, and the relative evaluation value according to the standard is evaluated .

한편, 대상 질환에 대한 유관 인자로 선정 된 생활 습관 관련 유관 인자에 대한 상기 검사 대상자의 응답 데이터가 상기 모집단 데이터베이스에 미기록 되어 있는 경우, 질환 발병 예측 시점에 상기 검사 대상자에 대한 조사(survey)를 수행할 수 있다. 즉, 생활 습관 타입의 상기 유관 인자 중 상기 모집단 데이터베이스에 상기 검사 대상자의 데이터가 미기록된 유관 인자에 대응하는 설문 컨텐츠를 상기 유틸리티 매트릭스 생성 시점에 사용자 단말에 송신하고, 상기 설문 컨텐츠에 대한 응답을 상기 사용자 단말로부터 수신하고, 상기 응답을 이용하여 상기 검사 대상자의 상기 생활 습관 타입의 유관 인자에 대한 평가치를 연산할 수 있다.On the other hand, when the response data of the subject to be examined for lifestyle-related factors selected as the related factors for the target disease is unrecorded in the population database, a survey is performed on the subject at the time of predicting the disease onset can do. That is, a questionnaire content corresponding to a correlation factor in which the data of the to-be-tested person is not recorded in the population database among the correlation parameters of the lifestyle type is transmitted to the user terminal at the time of generating the utility matrix, From the user terminal, and calculate an evaluation value for the correlation factor of the lifestyle type of the examinee using the response.

도 7에 도시된 유틸리티 매트릭스에는, 검사 대상자의 대상 질환 발생 심각도에 대한 평가치가 결손 되어 있다('?'으로 표시). 추천 시스템 로직의 수행 결과, 검사 대상자의 대상 질환 발생 심각도에 대한 평가치가 환자 1 내지 환자 5의 데이터와의 비교를 통하여 연산될 것이다. 다시 도 3으로 돌아와서 설명하면, 상기 생성된 유틸리티 매트릭스가 추천 시스템 로직에 입력되면 (S500), 상기 추천 시스템 로직이 검사 대상자의 대상 질환 발생 심각도를 제외한 다른 유관 인자의 평가치와, 대상 질환 발병자의 유관 인자 평가치 사이의 유사도를 이용하여 검사 대상자의 대상 질환 발생 심각도에 대한 평가치를 예측한다(S600).In the utility matrix shown in Fig. 7, the evaluation value of the severity of the target disease occurrence of the person to be examined is missing (denoted by '?'). As a result of the performance of the recommendation system logic, the evaluation value of the severity of the subject disease of the subject to be examined will be calculated through comparison with the data of the patients 1 to 5. Referring back to FIG. 3, when the generated utility matrix is input to the recommendation system logic (S500), the recommendation system logic determines whether or not the evaluation value of other relevant factors other than the target disease occurrence severity of the examinee, An evaluation value for the severity of the target disease occurrence of the test subject is predicted using the similarity between the evaluation values of the ductal factor (S600).

예측된 검사 대상자의 대상 질환 발생 심각도는, 다양한 방법으로 가공되어 출력될 수 있다(S700). 예를 들어, 예측된 발생 심각도가 그대로 예측 의뢰자의 장치에 송신될 수도 있고, 예측된 발생 심각도와 기준치와의 비교 결과에 의하여 판정된 장래 대상 질환 발생 여부가 의뢰자의 장치에 송신될 수도 있다.The target disease occurrence severity of the predicted test subject can be processed and output in various ways (S700). For example, the predicted occurrence severity may be directly transmitted to the device of the prediction requester, and whether or not the occurrence of the future target disease determined by the result of comparison with the predicted occurrence severity and the reference value may be transmitted to the device of the requester.

다음으로, 도 8을 참조하여 본 발명의 다른 실시예에 따른 질환 발병 예측 방법을 설명한다. 모집단 데이터베이스가 구성되는 단계(S100)로부터 검사 대상자의 대상 질환에 대한 발생 심각도 평가치가 연산되는 단계(S600)까지는 도 3을 참조하여 설명한 것과 동일한 동작이 수행된다.Next, with reference to FIG. 8, a disease predicting method according to another embodiment of the present invention will be described. The same operation as described with reference to FIG. 3 is performed until the step S600 in which the occurrence severity evaluation value for the target disease of the examinee is calculated from the step S100 in which the population database is constructed.

연산된 평가치가 기준치를 초과하는 경우(S800), 이는 검사 대상자의 상기 대상 질환에 대한 발병 가능성이 있으므로 생활 습관을 개선할 필요가 있음을 의미할 것이다.If the calculated evaluation value exceeds the reference value (S800), this means that it is necessary to improve lifestyle because there is a possibility that the testee will develop the above-mentioned target disease.

이 때, 상기 검사 대상자의 평가치가 제2 기준치를 초과하고 상기 대상 질환의 발생 심각도와 양의 상관 관계를 가지는 생활 습관 타입의 유관 인자를 조정 필요 인자로 선정할 수 있다. 즉, 어떠한 검사 대상자가, 평가치가 증가할수록 상기 대상 질환의 발생 심각도가 높아지는 생활 습관 타입의 유관 인자의 평가치로 상기 제2 기준치를 초과하는 값을 가진다면, 그 유관 인자를 조정 필요 인자로 선정할 수 있다. 예를 들어, 흡연량, 음주량 등 횟수 또는 양이 늘어날수록 건강에 악영향을 미치는 유관인자에 대하여 이러한 방식의 조정 필요 인자 선정을 수행할 수 있다. 그와 반대로, 상기 검사 대상자의 평가치가 제3 기준치 미만이고 상기 대상 질환의 발생 심각도와 음의 상관 관계를 가지는 생활 습관 타입의 유관 인자를 상기 조정 필요 인자로 선정할 수 있다(S900). 예를 들어, 운동량 등 횟수 또는 시간이 줄어들수록 건강에 악영향을 미치는 유관인자에 대하여 이러한 방식의 조정 필요 인자 선정을 수행할 수 있다.At this time, a correlation factor of lifestyle type having a positive correlation with the severity of occurrence of the target disease and the evaluation value of the testee exceeds the second reference value can be selected as a necessary factor to be adjusted. That is, if a test subject has a value exceeding the second reference value as an evaluation value of a lifestyle type factor in which the severity of occurrence of the target disease becomes higher as the evaluation value increases, the relevant factor is selected as an adjustment factor . For example, as the number or amount of smoking amount, amount of drinking, etc. increases, it is possible to carry out selection of the necessary adjustment factor in this manner for an adverse factor that adversely affects health. On the contrary, the correlation factor of the lifestyle type having the evaluation value of the subject to be examined less than the third reference value and having a negative correlation with the occurrence severity of the target disease can be selected as the adjustment necessity factor (S900). For example, as the number of cycles or time, such as the amount of exercise, decreases, the adjustment factor required for such a method can be selected for an adverse effect on health.

상기 선정된 조정 필요 인자에 대하여는 생활 습관 개선 유도 메시지가 송신된다(S1000). 예를 들어, "XXX님의 운동량이 기준치보다 낮습니다. 이로 인하여 XXX님의 대장암 발병이 예측 되었습니다. 1주일에 3회 이상 1시간 이상의 걷기 운동을 추천 드립니다."와 같은 메시지가 검사 대상자의 단말에 송신될 수 있다. 상기 유도 메시지가 송신된 후, 상기 검사 대상자의 생체 정보 측정 장치에 의하여 측정 된 생체 정보의 패턴을 분석하여 상기 조정 필요 인자의 평가치를 재 연산할 수 있다(S1100). 예를 들어, 상기 검사 대상자의 웨어러블 디바이스에 의하여 측정된 운동량 정보를 분석하여 상기 검사 대상자의 운동량에 대한 평가치가 재 연산 될 수 있다. 상기 재 연산된 상기 조정 필요 인자의 평가치를 이용하여 상기 유틸리티 매트릭스를 갱신하고, 상기 갱신된 유틸리티 매트릭스를 협업 필터링 방식의 추천 시스템에 입력하여 상기 검사 대상자의 상기 대상 질환의 발생 심각도에 대한 평가치를 다시 연산할 수 있다.A lifestyle improvement inducement message is transmitted to the selected adjustment required factor (S1000). For example, "XXX's momentum is lower than the baseline value, so XXX predicts colon cancer." We recommend walking more than three hours a week for more than one hour. And transmitted to the terminal. After the guidance message is transmitted, the evaluation value of the adjustment necessity factor may be re-computed by analyzing the pattern of the biometric information measured by the biological information measuring apparatus of the examinee (S1100). For example, the exercise amount information measured by the wearable device of the examinee may be analyzed, and the evaluation value of the exercise amount of the examinee may be recalculated. Updating the utility matrix using the recalculated value of the adjustment necessity factor, inputting the updated utility matrix to the recommendation system of the collaborative filtering method, and re-evaluating the evaluation value of the severity of occurrence of the target disease .

다시 연산된 상기 발생 심각도에 대한 평가치가 종전 보다 개선 된 경우, 상기 검사 대상자의 생활 습관 개선은 가속화 될 것이다. 본 실시예는 특정 질환의 발생 심각도를 높은 신뢰도로 제공함으로써, 검사 대상자의 생활 습관 개선을 보다 효과적으로 유도할 수 있는 효과가 있다.When the evaluation value for the severity of occurrence again is improved than before, improvement of lifestyle of the examinee will be accelerated. The present embodiment provides an effect of more effectively inducing the improvement of the lifestyle of the testee by providing the occurrence severity of a specific disease with high reliability.

이하, 도 9를 참조하여, 본 발명의 또 다른 실시예에 따른 질환 발병 예측 방법에 대하여 설명한다. 모집단 데이터베이스가 구성되는 단계(S100)로부터 유틸리티 매트릭스를 추천 시스템에 입력하는 단계(S500)까지는 도 3을 참조하여 설명한 것과 동일한 동작이 수행된다. 다만, 본 실시예에 따르면, 질환 발병의 발생 심각도 대신 질환 발병의 발생 시기가 연산될 수 있다. 따라서, 도 3을 참조하여 설명한 실시예에서 설명된 유틸리티 매트릭스에, 대상 질환의 발생 심각도 대신 대상 질환의 발생 시기에 대한 평가치가 포함 될 수 있다. 예를 들어, 상기 평가치는 0 내지 10세에 발병한 경우 10, 90세 이후에 발병한 경우 0을 기준으로 삼고, 상기 기준으로 상대 평가하는 방식으로 매겨질 수 있다.Hereinafter, with reference to FIG. 9, a method for predicting disease outbreak according to another embodiment of the present invention will be described. The same operation as described with reference to Fig. 3 is performed from the step S100 in which the population database is configured to the step S500 in which the utility matrix is input to the recommendation system. However, according to the present embodiment, the occurrence time of the disease occurrence can be calculated instead of the occurrence severity of the disease occurrence. Therefore, the utility matrix described in the embodiment described with reference to FIG. 3 may include the evaluation value of the occurrence time of the target disease instead of the occurrence severity of the target disease. For example, the above-mentioned evaluation value may be evaluated in a manner of relative evaluation based on the above criteria with reference to 10 when the patient develops from 0 to 10 years old and 0 when the patient develops after 90 years of age.

추천 시스템 로직의 동작에 의하여 검사 대상자의 대상 질환에 대한 발병 시기 평가치가 연산되면(S650), 연산된 검사 대상자의 대상 질환에 대한 발병 시기 평가치는, 다양한 방법으로 가공되어 출력될 수 있다(S700).When the evaluation value of the onset of the target disease of the examinee is calculated by the operation of the recommendation system logic (S650), the evaluation of the onset of the target disease of the examinee can be processed and output in various ways (S700) .

지금까지 도 1 내지 도 9를 참조하여 설명된 본 발명의 실시예들에 따른 질환 발병 예측 방법은 컴퓨터가 읽을 수 있는 매체 상에 컴퓨터가 읽을 수 있는 코드로 구현된 컴퓨터 프로그램의 실행에 의하여 수행될 수 있다. 상기 컴퓨터가 읽을 수 있는 매체는, 예를 들어 이동형 기록 매체(CD, DVD, 블루레이 디스크, USB 저장 장치, 이동식 하드 디스크)이거나, 고정식 기록 매체(ROM, RAM, 컴퓨터 구비 형 하드 디스크)일 수 있다. 상기 컴퓨터로 읽을 수 있는 기록 매체에 기록 된 상기 컴퓨터 프로그램은 인터넷 등의 네트워크를 통하여 제1 컴퓨팅 장치로부터 제2 컴퓨팅 장치에 전송되어 상기 제2 컴퓨팅 장치에 설치될 수 있고, 이로써 상기 제2 컴퓨팅 장치에서 사용될 수 있다. 상기 제1 컴퓨팅 장치 및 상기 제2 컴퓨팅 장치는, 서버 장치, 데스크탑 피씨와 같은 고정식 컴퓨팅 장치, 노트북, 스마트폰, 태블릿 피씨와 같은 모바일 컴퓨팅 장치 및 스마트 와치, 스마트 안경과 같은 웨어러블 컴퓨팅 장치를 모두 포함한다.The method for predicting the onset of diseases according to the embodiments of the present invention described above with reference to Figures 1 to 9 is carried out by the execution of a computer program embodied in computer readable code on a computer readable medium . The computer-readable medium may be, for example, a removable recording medium (CD, DVD, Blu-ray disc, USB storage device, removable hard disk) have. The computer program recorded on the computer-readable recording medium may be transmitted from the first computing device to the second computing device via a network such as the Internet and installed in the second computing device, Lt; / RTI > The first computing device and the second computing device may include a server device, a fixed computing device such as a desktop PC, a mobile computing device such as a notebook, a smart phone, a tablet PC, and a wearable computing device such as a smart watch, do.

이하, 본 발명의 또 다른 실시예에 따른 질환 발병 예측 장치의 구성 및 동작을 도 10 내지 도 12를 참조하여 설명한다.Hereinafter, the configuration and operation of the disease occurrence predicting apparatus according to still another embodiment of the present invention will be described with reference to FIGS. 10 to 12. FIG.

본 실시예에 따른 질환 발병 예측 장치(100)는 도 10에 도시된 바와 같이 유관 인자 결정부(104), 유틸리티 매트릭스 생성부(106), 추천 시스템 모듈(110), 및 발병률 출력부(108)를 포함할 수 있다. 또한, 질환 발병 예측 장치(100)에 네트워크 연결 기능을 제공하는 네트워크 인터페이스(102)가 더 포함될 수 있다.As shown in FIG. 10, the disease disease predicting apparatus 100 according to the present embodiment includes an oil factor determiner 104, a utility matrix generator 106, a recommendation system module 110, and an incidence rate output unit 108, . ≪ / RTI > In addition, the network interface 102 that provides the network connection function to the disease onset prediction apparatus 100 may be further included.

유관 인자 결정부(104)는 각 개인 별로 대상 질환의 발생과 관련된 데이터 및 모니터링 인자에 대한 데이터를 가지는 모집단 데이터베이스를 이용하여, 상기 모니터링 인자 중 상기 대상 질환의 발생과 상관 관계를 가지는 유관 인자를 결정한다. 유관 인자 결정부(104)는 네트워크 인터페이스(102)를 통하여 상기 모집단 데이터베이스에 억세스 할 수 있다.The correlation factor determiner 104 determines a correlation factor having a correlation with the occurrence of the target disease among the monitoring factors using a population database having data on the occurrence of the target disease and data on the monitoring factor for each individual do. The correlation factor determination unit 104 can access the population database through the network interface 102. [

유틸리티 매트릭스 생성부(106)는 상기 각 개인 중 상기 대상 질환의 발병 이력이 있는 자 및 검사 대상자를 사용자 항목으로 가지고, 상기 대상 질환의 발생 심각도 및 상기 유관 인자를 아이템 항목으로 가지는 유틸리티 매트릭스(utility matrix)를 생성한다. 이 때, 상기 생성된 유틸리티 매트릭스의 상기 검사 대상자의 상기 대상 질환의 발생 심각도 아이템에 대한 평가치는 결손치로 남겨 둔다.The utility matrix generating unit 106 has a utility matrix (utility matrix) having the occurrence history of the target disease and the subject to be examined as user items among the individuals, and having the occurrence severity of the target disease and the related factors as item items ). At this time, the evaluation value for the occurrence severity item of the target disease of the test subject of the generated utility matrix is left as a missing value.

추천 시스템 모듈(110)은 상기 유틸리티 매트릭스를 입력받고, 상기 유틸리티 매트릭스에 대하여 협업 필터링(collaborative filtering) 방식의 추천 시스템(recommender system) 로직을 수행하여 상기 유틸리티 매트릭스의 결손 평가치에 대한 추정치를 연산한다.The recommendation system module 110 receives the utility matrix and performs recommender system logic of a collaborative filtering scheme on the utility matrix to calculate an estimate value of the defect evaluation value of the utility matrix .

발병률 출력부(108)는 유틸리티 매트릭스 생성부(106)에 의하여 생성된 유틸리티 매트릭스를 상기 추천 시스템 모듈에 입력 값으로서 제공하고, 상기 추천 시스템 모듈의 연산 결과에 따라 연산된 상기 검사 대상자의 상기 대상 질환의 발생 심각도에 대한 평가치를 외부 장치에 송신한다.The incidence rate output unit 108 provides the utility matrix generated by the utility matrix generation unit 106 as an input value to the recommendation system module and notifies the incidence rate of the target disease To the external device.

상기 외부 장치는, 스마트 폰 등 사용자 단말이거나, 대상 질환의 발생 심각도에 대한 평가치를 이용하여 상기 검사 대상자에 대한 보험료를 산정하는 보험료 산정 장치일 수 있다. 이 경우, 질환 발병 예측 장치(100)는 상기 보험료 산정 장치에 대한 예측 요청 처리 실적을 집계하고, 집계된 처리 실적에 기반하여 서비스 이용료 청구 정보를 생성하는 이용료 정산부(미도시)를 더 포함할 수 있다.The external device may be a user terminal such as a smart phone, or may be a premium calculation device that calculates an insurance premium for the to-be-examined person using an evaluation value for the severity of occurrence of a target disease. In this case, the disease onset prediction apparatus 100 further includes a usage fee settlement unit (not shown) for counting the prediction request processing performance of the insurance premium calculation apparatus and generating service charge fee information based on the aggregated processing performance .

이미 설명한 바와 같이, 질환 발병 예측 장치(100)는 상기 모집단 데이터베이스를 자체적으로 관리할 수도 있다. 이러한 실시예에 따른 질환 발병 예측 장치(100)의 블록 구성도는 도 11에 도시 되어 있다. 이 때, 질환 발병 예측 장치(100)는 모집단 데이터베이스를 관리하는 모집단 데이터베이스 관리부(112) 및 모집단 데이터베이스 저장부(114)를 더 포함할 수 있다. 모집단 데이터베이스 관리부(112)는 그래프 데이터베이스 등 다양한 NoSQL 계열의 데이터베이스 관리 체계, 또는 관계형 데이터베이스 관리 체계를 이용하여 상기 모집단 데이터베이스를 관리한다. 모집단 데이터베이스 저장부(114)는 하드 디스크 등 다양한 대용량 저장 수단을 이용하여 구성 될 수 있다.As already described, the disease onset prediction apparatus 100 may manage the population database itself. The block diagram of the disease occurrence predicting apparatus 100 according to this embodiment is shown in FIG. At this time, the disease disease predicting apparatus 100 may further include a population database management unit 112 for managing a population database and a population database storage unit 114. The population database management unit 112 manages the population database using various NoSQL series database management systems such as a graph database or a relational database management system. The population database storage unit 114 may be configured using various mass storage means such as a hard disk.

지금까지 도 10 내지 도 11의 각 구성요소는 소프트웨어(software) 또는, FPGA(field-programmable gate array)나 ASIC(application-specific integrated circuit)과 같은 하드웨어(hardware)를 의미할 수 있다. 그렇지만 상기 구성요소들은 소프트웨어 또는 하드웨어에 한정되는 의미는 아니며, 어드레싱(addressing)할 수 있는 저장 매체에 있도록 구성될 수도 있고 하나 또는 그 이상의 프로세서들을 실행시키도록 구성될 수도 있다. 상기 구성요소들 안에서 제공되는 기능은 더 세분화된 구성요소에 의하여 구현될 수 있으며, 복수의 구성요소들을 합하여 특정한 기능을 수행하는 하나의 구성요소로 구현할 수도 있다.Each of the components of FIGS. 10 to 11 may refer to software or hardware such as a field-programmable gate array (FPGA) or an application-specific integrated circuit (ASIC). However, the components are not limited to software or hardware, and may be configured to be in an addressable storage medium and configured to execute one or more processors. The functions provided in the components may be implemented by a more detailed component or may be implemented by a single component that performs a specific function by combining a plurality of components.

도 12는 질환 발병 예측 장치(100)의 도 10 또는 도 11과는 다른 구성도이다. 질환 발병 예측 장치(100)는 도 12에 도시된 구성을 가질 수도 있다. 질환 발병 예측 장치(100)는 명령어를 수행하는 프로세서(122), 질환 발병 예측 프로그램 데이터가 저장되는 스토리지(126), 메모리(124), 외부 장치와의 데이터 송수신을 위한 네트워크 인터페이스(102) 및 스토리지(126), 네트워크 인터페이스(102), 프로세서(122) 및 메모리(124)와 연결되어 데이터 이동 통로가 되는 데이터 버스(120)를 포함할 수 있다.12 is a configuration diagram different from that of FIG. 10 or 11 of the disease occurrence predicting apparatus 100. FIG. The disease onset prediction apparatus 100 may have the configuration shown in Fig. The disease onset prediction apparatus 100 includes a processor 122 for executing instructions, a storage 126 for storing disease prediction prediction program data, a memory 124, a network interface 102 for transmitting / receiving data with an external device, And a data bus 120 that is connected to the memory 126, the network interface 102, the processor 122, and the memory 124 and is a data movement path.

스토리지(126)에는, 컴퓨터 장치와 결합되어, 각 개인 별로 대상 질환의 발생과 관련된 데이터 및 모니터링 인자에 대한 데이터를 가지는 모집단 데이터베이스를 이용하여, 상기 모니터링 인자 중 상기 대상 질환의 발생과 상관 관계를 가지는 유관 인자를 결정하는 단계, 상기 각 개인 중 상기 대상 질환의 발병 이력이 있는 자 및 검사 대상자를 사용자 항목으로 가지고, 상기 대상 질환의 발생 심각도 및 상기 유관 인자를 아이템 항목으로 가지는 유틸리티 매트릭스(utility matrix)를 생성하는 단계, 및 상기 유틸리티 매트릭스를 협업 필터링(collaborative filtering) 방식의 추천 시스템(recommender system)에 입력하여 상기 검사 대상자의 상기 대상 질환의 발생 심각도에 대한 평가치를 연산하는 단계를 실행시키기 위한 컴퓨터 프로그램이 저장 된다.In the storage 126, a population database is used, which is associated with the computer device and that has data on the occurrence of the target disease and data on the monitoring factor for each individual, A utility matrix having the occurrence severity of the target disease and the related factors as an item item, the method comprising the steps of: determining a relative factor; And inputting the utility matrix to a recommender system of a collaborative filtering scheme to calculate an evaluation value for the severity of occurrence of the target disease of the examinee Is stored.

이상 첨부된 도면을 참조하여 본 발명의 실시예들을 설명하였지만, 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자는 본 발명이 그 기술적 사상이나 필수적인 특징을 변경하지 않고서 다른 구체적인 형태로 실시될 수 있다는 것을 이해할 수 있을 것이다. 그러므로 이상에서 기술한 실시예들은 모든 면에서 예시적인 것이며 한정적이 아닌 것으로 이해해야만 한다.While the present invention has been described in connection with what is presently considered to be practical exemplary embodiments, it is to be understood that the invention is not limited to the disclosed embodiments, but, on the contrary, You will understand. It is therefore to be understood that the above-described embodiments are illustrative in all aspects and not restrictive.

Claims (16)

질환 발병 예측 장치가, 각 개인 별로 대상 질환의 발생과 관련된 데이터 및 모니터링 인자에 대한 데이터를 가지는 모집단 데이터베이스를 이용하여, 상기 모니터링 인자 중 상기 대상 질환의 발생과 상관 관계를 가지는 유관 인자를 결정하는 단계;
상기 질환 발병 예측 장치가, 상기 각 개인 중 상기 대상 질환의 발병 이력이 있는 자 및 검사 대상자를 사용자 항목으로 가지고, 상기 대상 질환의 발생 심각도 및 상기 유관 인자를 아이템 항목으로 가지는 유틸리티 매트릭스(utility matrix)를 생성하는 단계; 및
상기 질환 발병 예측 장치가, 상기 유틸리티 매트릭스를 협업 필터링(collaborative filtering) 방식의 추천 시스템(recommender system)에 입력하여 상기 검사 대상자의 상기 대상 질환의 발생 심각도에 대한 평가치를 연산하는 단계를 포함하는,
질환 발병 예측 방법.Wherein the disease onset predicting device comprises the steps of: determining a correlation factor having a correlation with the occurrence of the target disease among the monitoring factors, using a population database having data on the occurrence of the target disease and data on the monitoring factors, ;
Wherein the disease onset prediction apparatus comprises a utility matrix having a history of occurrence of the target disease and a subject to be examined among the individuals as a user item and having severity of occurrence of the target disease and the related factors as item items, ≪ / RTI > And
Wherein the disease occurrence predicting device includes a step of inputting the utility matrix to a recommender system of a collaborative filtering method to calculate an evaluation value of a severity of occurrence of the target disease of the examinee.
Method of predicting disease outbreak. 제1 항에 있어서,
상기 모집단 데이터베이스는, 유전자 검사 및 가족력 분석 결과 정보, 각 개인의 생체 정보 측정 장치에 의하여 생성된 생체 정보, 전자 의무 기록(Electronic Medical Record), 보험사에 의하여 관리 되는 질환 발생 관련 이력 정보 및 각 개인의 단말 장치에 의하여 생성된 생활 습관 설문 컨텐츠에 대한 응답 정보를 취합하여 구성된 것인,
질환 발병 예측 방법.The method according to claim 1,
The population database includes genetic test and family history analysis result information, biometric information generated by each individual's bio-information measuring device, electronic medical record, history information related to disease occurrence managed by the insurance company, And response information for lifestyle questionnaire contents generated by the terminal device.
Method of predicting disease outbreak. 제1 항에 있어서,
상기 유틸리티 매트릭스를 생성하는 단계는,
상기 대상 질환의 발생 심각도에 대한 기 지정된 범위를 가지는 평가치를 상기 대상 질환 발병 환자의 사망 연령을 이용하여 연산하는 단계를 포함하는,
질환 발병 예측 방법.The method according to claim 1,
Wherein generating the utility matrix comprises:
Calculating an evaluation value having a predefined range for the occurrence severity of the target disease using the age of death of the subject disease patient;
Method of predicting disease outbreak. 제1 항에 있어서,
상기 유틸리티 매트릭스를 생성하는 단계는,
상기 대상 질환의 발생 심각도에 대한 기 지정된 범위를 가지는 평가치를 상기 대상 질환 발병 환자의 발병 시기를 이용하여 연산하는 단계를 포함하는,
질환 발병 예측 방법.The method according to claim 1,
Wherein generating the utility matrix comprises:
Calculating an evaluation value having a predefined range with respect to the occurrence severity of the target disease using an onset period of the target disease disease patient;
Method of predicting disease outbreak. 제1 항에 있어서,
상기 유틸리티 매트릭스를 생성하는 단계는,
상기 대상 질환의 발생 심각도에 대한 기 지정된 범위를 가지는 평가치를 상기 대상 질환 발병 환자의 질환 진행 속도를 이용하여 연산하는 단계를 포함하는,
질환 발병 예측 방법.The method according to claim 1,
Wherein generating the utility matrix comprises:
Calculating an evaluation value having a predefined range for the occurrence severity of the target disease using the disease progression rate of the subject disease patient;
Method of predicting disease outbreak. 제1 항에 있어서,
상기 유관 인자는 상기 대상 질환의 발병에 영향을 끼치는 것으로 알려진 유전자 보유 여부에 대한 인자를 포함하되,
상기 유틸리티 매트릭스를 생성하는 단계는,
유전자 보유자의 상기 유전자 보유 여부에 대한 평가치는, 상기 유전자 보유자의 상기 대상 질환 발병률에 기반하여 연산하는 단계를 포함하는,
질환 발병 예측 방법.The method according to claim 1,
The factor of interest includes a factor for whether or not the gene is known to affect the onset of the target disease,
Wherein generating the utility matrix comprises:
Wherein an evaluation value of whether or not the gene holder has the gene is calculated based on the incidence rate of the target disease of the gene holder.
Method of predicting disease outbreak. 제1 항에 있어서,
상기 유관 인자는 생활 습관 관련 설문 조사 결과에 대한 인자를 포함하되,
상기 유틸리티 매트릭스를 생성하는 단계는,
상기 생활 습관 관련 설문 조사 결과에 대한 평가치가 기 지정된 범위의 값을 갖도록, 상기 유틸리티 매트릭스의 사용자 항목에 포함된 모든 개인의 응답 수치 중 최고치 및 최저치를 기준으로 환산하여 상기 생활 습관 관련 설문 조사 결과에 대한 평가치를 연산하는 단계를 포함하는,
질환 발병 예측 방법.The method according to claim 1,
The related factors include factors for the result of questionnaire related to lifestyle,
Wherein generating the utility matrix comprises:
And the maximum value and the minimum value of the response values of all individuals included in the user item of the utility matrix are converted based on the lifestyle related questionnaire survey results so that the evaluation value of the lifestyle related questionnaire survey results has a value of a predetermined range And computing an evaluation value for the first, second,
Method of predicting disease outbreak. 제1 항에 있어서,
상기 유틸리티 매트릭스를 생성하는 단계는,
생활 습관 타입의 상기 유관 인자 중 상기 모집단 데이터베이스에 상기 검사 대상자의 데이터가 미기록된 유관 인자에 대응하는 설문 컨텐츠를 상기 유틸리티 매트릭스 생성 시점에 사용자 단말에 송신하는 단계; 및
상기 설문 컨텐츠에 대한 응답을 상기 사용자 단말로부터 수신하고, 상기 응답을 이용하여 상기 검사 대상자의 상기 생활 습관 타입의 유관 인자에 대한 평가치를 연산하는 단계를 포함하는,
질환 발병 예측 방법.The method according to claim 1,
Wherein generating the utility matrix comprises:
Transmitting questionnaire contents corresponding to an association factor in which the data of the testee is not recorded in the population database among the correlation parameters of the lifestyle type to the user terminal at the time of generating the utility matrix; And
Receiving a response to the questionnaire content from the user terminal and calculating an evaluation value for a correlation factor of the lifestyle type of the examinee using the response;
Method of predicting disease outbreak. 제1 항에 있어서,
상기 유관 인자를 결정하는 단계는,
상기 모집단 데이터베이스의 각 개인 별 데이터를 상기 대상 질환 발생군 및 정상군으로 구분하는 단계; 및
상기 대상 질환 발생군의 모니터링 인자에 대한 데이터 및 상기 정상군의 모니터링 인자에 대한 데이터를 비교하여, 상기 모니터링 인자 중 상기 대상 질환의 발생과 상관 관계를 가지는 유관 인자를 결정하는 단계를 포함하는,
질환 발병 예측 방법.The method according to claim 1,
The step of determining the oil factor comprises:
Dividing each individual data of the population database into the target disease occurrence group and the normal group; And
Comparing the data on the monitoring factors of the subject disease-causing group and the data on the monitoring factors of the normal group to determine a correlation factor that is correlated with the occurrence of the target disease among the monitoring factors,
Method of predicting disease outbreak. 제1 항에 있어서,
상기 검사 대상자의 상기 대상 질환의 발생 심각도에 대한 평가치가 제1 기준치를 초과하는 경우, 상기 질환 발병 예측 장치가, 상기 검사 대상자의 평가치가 제2 기준치를 초과하고 상기 대상 질환의 발생 심각도와 양의 상관 관계를 가지는 생활 습관 타입의 유관 인자를 조정 필요 인자로 선정하거나, 상기 검사 대상자의 평가치가 제3 기준치 미만이고 상기 대상 질환의 발생 심각도와 음의 상관 관계를 가지는 생활 습관 타입의 유관 인자를 상기 조정 필요 인자로 선정하는 단계를 더 포함하는,
질환 발병 예측 방법.The method according to claim 1,
When the evaluation value for the severity of occurrence of the target disease of the examinee exceeds the first reference value, the disease onset prediction apparatus determines that the evaluation value of the examinee exceeds the second reference value, A correlation factor of the lifestyle type is selected as a factor to be adjusted or a correlation factor of the lifestyle type in which the evaluation value of the test subject is less than the third reference value and has a negative correlation with the occurrence severity of the target disease, Further comprising the step of:
Method of predicting disease outbreak. 제10 항에 있어서,
상기 선정하는 단계는,
상기 조정 필요 인자에 대한 생활 습관 개선 유도 메시지를 상기 검사 대상자의 단말 장치에 송신하는 단계;
상기 검사 대상자의 생체 정보 측정 장치에 의하여 측정 된 생체 정보의 패턴을 분석하여 상기 조정 필요 인자의 평가치를 재 연산하는 단계;
상기 재 연산된 상기 조정 필요 인자의 평가치를 이용하여 상기 유틸리티 매트릭스를 갱신하는 단계;
상기 갱신된 유틸리티 매트릭스를 협업 필터링 방식의 추천 시스템에 입력하여 상기 검사 대상자의 상기 대상 질환의 발생 심각도에 대한 평가치를 다시 연산하는 단계를 포함하는,
질환 발병 예측 방법.11. The method of claim 10,
Wherein the selecting comprises:
Transmitting a lifestyle improvement induction message for the adjustment required factor to the terminal device of the test subject;
Analyzing a pattern of the biometric information measured by the biometric information measuring device of the to-be-examined person and re-calculating an evaluation value of the adjustment necessity factor;
Updating the utility matrix using an estimate of the recalculated adjustment required factor;
And inputting the updated utility matrix to a recommendation system of a collaborative filtering system to calculate an evaluation value for the severity of occurrence of the target disease of the examinee.
Method of predicting disease outbreak. 제1 항에 있어서,
상기 대상 질환은, 상기 모집단 데이터베이스에 입력된 질환의 발생과 관련된 실제 사례 데이터의 건수가 제4 기준치를 초과하는 질환 중 하나 이상인,
질환 발병 예측 방법.The method according to claim 1,
Wherein the target disease is one or more of diseases in which the number of actual case data related to the occurrence of a disease entered in the population database exceeds a fourth reference value,
Method of predicting disease outbreak. 컴퓨터 장치와 결합되어,
각 개인 별로 대상 질환의 발생과 관련된 데이터 및 모니터링 인자에 대한 데이터를 가지는 모집단 데이터베이스를 이용하여, 상기 모니터링 인자 중 상기 대상 질환의 발생과 상관 관계를 가지는 유관 인자를 결정하는 단계;
상기 각 개인 중 상기 대상 질환의 발병 이력이 있는 자 및 검사 대상자를 사용자 항목으로 가지고, 상기 대상 질환의 발생 심각도 및 상기 유관 인자를 아이템 항목으로 가지는 유틸리티 매트릭스(utility matrix)를 생성하는 단계; 및
상기 유틸리티 매트릭스를 협업 필터링(collaborative filtering) 방식의 추천 시스템(recommender system)에 입력하여 상기 검사 대상자의 상기 대상 질환의 발생 심각도에 대한 평가치를 연산하는 단계를 실행시키기 위하여,
매체에 저장된 컴퓨터 프로그램.In combination with the computer device,
Determining a correlation factor having a correlation with the occurrence of the target disease among the monitoring factors using a population database having data on the occurrence of the target disease and data on the monitoring factor for each individual;
Generating a utility matrix having a history of occurrence of the target disease and a subject to be examined as a user item among the individuals and having a severity of occurrence of the target disease and the related factors as item items; And
In order to execute the step of inputting the utility matrix to a recommender system of a collaborative filtering method to calculate an evaluation value of the severity of occurrence of the target disease of the examinee,
A computer program stored on a medium. 각 개인 별로 대상 질환의 발생과 관련된 데이터 및 모니터링 인자에 대한 데이터를 가지는 모집단 데이터베이스를 이용하여, 상기 모니터링 인자 중 상기 대상 질환의 발생과 상관 관계를 가지는 유관 인자를 결정하는 유관 인자 결정부;
상기 각 개인 중 상기 대상 질환의 발병 이력이 있는 자 및 검사 대상자를 사용자 항목으로 가지고, 상기 대상 질환의 발생 심각도 및 상기 유관 인자를 아이템 항목으로 가지는 유틸리티 매트릭스(utility matrix)를 생성하되, 상기 생성된 유틸리티 매트릭스의 상기 검사 대상자의 상기 대상 질환의 발생 심각도 아이템에 대한 평가치는 결손치인, 유틸리티 매트릭스 생성부;
상기 유틸리티 매트릭스를 입력받고, 상기 유틸리티 매트릭스에 대하여 협업 필터링(collaborative filtering) 방식의 추천 시스템(recommender system) 로직을 수행하여 상기 유틸리티 매트릭스의 결손 평가치에 대한 추정치를 연산하는 추천 시스템 모듈; 및
상기 유틸리티 매트릭스 생성부에 의하여 생성된 유틸리티 매트릭스를 상기 추천 시스템 모듈에 입력 값으로서 제공하고, 상기 추천 시스템 모듈의 연산 결과에 따라 연산된 상기 검사 대상자의 상기 대상 질환의 발생 심각도에 대한 평가치를 외부 장치에 송신하는 발병률 출력부를 포함하는,
질환 발병 예측 장치.A correlation factor determiner for determining a correlation factor that correlates with the occurrence of the target disease among the monitoring factors using a population database having data on the occurrence of the target disease and data on the monitoring factor for each individual;
And generating a utility matrix having the occurrence severity of the target disease and the related factor as an item item, as a user item, Wherein the evaluation value for the occurrence severity item of the target disease of the subject of the utility matrix is a missing value;
A recommendation system module that receives the utility matrix and performs recommender system logic of a collaborative filtering scheme on the utility matrix to calculate an estimate value of a defect evaluation value of the utility matrix; And
Wherein the utility matrix generating unit provides the utility matrix generated by the utility matrix generation unit as an input value to the recommendation system module and outputs an evaluation value of the severity of occurrence of the target disease of the examinee calculated according to the operation result of the recommendation system module, And an incidence rate output section for transmitting the incidence rate,
Apparatus for predicting disease outbreak. 제14 항에 있어서,
상기 외부 장치는, 상기 대상 질환의 발생 심각도에 대한 평가치를 이용하여 상기 검사 대상자에 대한 보험료를 산정하는 보험료 산정 장치인,
질환 발병 예측 장치.15. The method of claim 14,
Wherein the external device is a premium calculating device for calculating an insurance premium for the examinee using an evaluation value for the severity of occurrence of the target disease,
Apparatus for predicting disease outbreak. 제15 항에 있어서,
상기 보험료 산정 장치에 대한 예측 요청 처리 실적을 집계하고, 집계된 처리 실적에 기반하여 서비스 이용료 청구 정보를 생성하는 이용료 정산부를 더 포함하는,
질환 발병 예측 장치.16. The method of claim 15,
Further comprising a usage fee settlement unit for counting the prediction request processing performance of the insurance premium calculation device and generating service charge fee information based on the aggregated processing performance,
Apparatus for predicting disease outbreak.
KR1020140138408A 2014-10-14 2014-10-14 Method and apparatus for disease occurrence prediction KR20160043777A (en)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020140138408A KR20160043777A (en) 2014-10-14 2014-10-14 Method and apparatus for disease occurrence prediction

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020140138408A KR20160043777A (en) 2014-10-14 2014-10-14 Method and apparatus for disease occurrence prediction

Publications (1)

Publication Number Publication Date
KR20160043777A true KR20160043777A (en) 2016-04-22

Family

ID=55918313

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020140138408A KR20160043777A (en) 2014-10-14 2014-10-14 Method and apparatus for disease occurrence prediction

Country Status (1)

Country Link
KR (1) KR20160043777A (en)

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2018071579A1 (en) * 2016-10-12 2018-04-19 Becton, Dickinson And Company Integrated disease management system
KR101876858B1 (en) * 2017-03-13 2018-07-11 삼성화재해상보험 주식회사 Disease prediction and consulting system
WO2019112366A1 (en) * 2017-12-07 2019-06-13 서울대학교 산학협력단 Method and apparatus for generating biometric age prediction model
WO2019212262A1 (en) 2018-05-02 2019-11-07 차의과학대학교 산학협력단 Disease network construction method considering stratification according to confounding variable of cohort data and occurrence time between diseases, method for visualizing same, and computer-readable recording medium recording same
USD908134S1 (en) 2017-08-15 2021-01-19 Becton, Dickinson And Company Display screen or portion thereof with graphical user interface for managing diabetes
KR20210053064A (en) * 2019-11-01 2021-05-11 주식회사 피씨티 Method and system for predicting colon cancer related information according to the degree of risk factor of lifestyle information.
KR20210053068A (en) * 2019-11-01 2021-05-11 주식회사 피씨티 Method and system for predicting colon cancer related information based on lifestyle information
KR20220109529A (en) * 2021-01-28 2022-08-05 주식회사 피씨티 Method and system for predicting high risk adenoma related information based on plural of machine-leaned model

Cited By (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2018071579A1 (en) * 2016-10-12 2018-04-19 Becton, Dickinson And Company Integrated disease management system
US11367532B2 (en) 2016-10-12 2022-06-21 Embecta Corp. Integrated disease management system
KR101876858B1 (en) * 2017-03-13 2018-07-11 삼성화재해상보험 주식회사 Disease prediction and consulting system
USD908134S1 (en) 2017-08-15 2021-01-19 Becton, Dickinson And Company Display screen or portion thereof with graphical user interface for managing diabetes
USD933099S1 (en) 2017-08-15 2021-10-12 Becton, Dickinson And Company Display screen or portion thereof with graphical user interface for managing diabetes
USD965627S1 (en) 2017-08-15 2022-10-04 Embecta Corp. Display screen or portion thereof with graphical user interface for managing diabetes
WO2019112366A1 (en) * 2017-12-07 2019-06-13 서울대학교 산학협력단 Method and apparatus for generating biometric age prediction model
WO2019212262A1 (en) 2018-05-02 2019-11-07 차의과학대학교 산학협력단 Disease network construction method considering stratification according to confounding variable of cohort data and occurrence time between diseases, method for visualizing same, and computer-readable recording medium recording same
KR20210053064A (en) * 2019-11-01 2021-05-11 주식회사 피씨티 Method and system for predicting colon cancer related information according to the degree of risk factor of lifestyle information.
KR20210053068A (en) * 2019-11-01 2021-05-11 주식회사 피씨티 Method and system for predicting colon cancer related information based on lifestyle information
KR20220109529A (en) * 2021-01-28 2022-08-05 주식회사 피씨티 Method and system for predicting high risk adenoma related information based on plural of machine-leaned model

Similar Documents

Publication Publication Date Title
Willetts et al. Statistical machine learning of sleep and physical activity phenotypes from sensor data in 96,220 UK Biobank participants
KR20160043777A (en) Method and apparatus for disease occurrence prediction
Emura et al. A joint frailty-copula model between tumour progression and death for meta-analysis
McClish Analyzing a portion of the ROC curve
Cano Martín et al. Economic impact assessment from the use of a mobile app for the self-management of heart diseases by patients with heart failure in a Spanish region
US20190043606A1 (en) Patient-provider healthcare recommender system
KR101940807B1 (en) Apparatus and method for predicting future health
Kramer et al. Comparison of the mortality probability admission model III, national quality forum, and acute physiology and chronic health evaluation IV hospital mortality models: implications for national benchmarking
Claggett et al. Treatment selections using risk–benefit profiles based on data from comparative randomized clinical trials with multiple endpoints
Padhukasahasram et al. Joint impact of clinical and behavioral variables on the risk of unplanned readmission and death after a heart failure hospitalization
CN109598302B (en) Method, device and equipment for predicting treatment cost and computer readable storage medium
Subramanian et al. Personalized medicine for prevention: can risk stratified screening decrease colorectal cancer mortality at an acceptable cost?
JPWO2018073895A1 (en) Similar case search program, similar case search device and similar case search method
US20210151194A1 (en) Dynamic Behavioral Phenotyping for Predicting Health Outcomes
Jiang et al. Prediction accuracy for the cure probabilities in mixture cure models
Qiu et al. Estimating disease burden using Internet data
Chowdhury et al. Development and validation of a hypertension risk prediction model and construction of a risk score in a Canadian population
Tan et al. Surrogate-guided sampling designs for classification of rare outcomes from electronic medical records data
Choi et al. Joint nested frailty models for clustered recurrent and terminal events: An application to colonoscopy screening visits and colorectal cancer risks in Lynch Syndrome families
KR102342770B1 (en) A health management counseling system using the distribution of predicted disease values
Mahendra et al. Predicting NICU admissions in near-term and term infants with low illness acuity
Hudon et al. Risk of frequent emergency department use among an ambulatory care sensitive condition population: a population-based cohort study
CN113436738A (en) Method, device, equipment and storage medium for managing risk users
Chan et al. The theoretical relationship between sample size and expected predictive precision for EQ-5D valuation studies: a mathematical exploration and simulation study
KR102553562B1 (en) Apparatus and method for predicting risk of breast cancer

Legal Events

Date Code Title Description
E902 Notification of reason for refusal
E601 Decision to refuse application