KR20170058391A - 환자 데이터에 기반한 헬스케어 진단 및 치료를 위한 베이지안 인과 관계 네트워크 모델 - Google Patents
환자 데이터에 기반한 헬스케어 진단 및 치료를 위한 베이지안 인과 관계 네트워크 모델 Download PDFInfo
- Publication number
- KR20170058391A KR20170058391A KR1020177009812A KR20177009812A KR20170058391A KR 20170058391 A KR20170058391 A KR 20170058391A KR 1020177009812 A KR1020177009812 A KR 1020177009812A KR 20177009812 A KR20177009812 A KR 20177009812A KR 20170058391 A KR20170058391 A KR 20170058391A
- Authority
- KR
- South Korea
- Prior art keywords
- variables
- network model
- data
- causal network
- patient
- Prior art date
Links
- 230000001364 causal effect Effects 0.000 title claims abstract description 174
- 238000003745 diagnosis Methods 0.000 title claims description 42
- 238000011282 treatment Methods 0.000 title claims description 26
- 238000000034 method Methods 0.000 claims abstract description 154
- 239000003814 drug Substances 0.000 claims abstract description 88
- 229940079593 drug Drugs 0.000 claims abstract description 61
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 34
- 239000012634 fragment Substances 0.000 claims description 32
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 claims description 26
- 238000012360 testing method Methods 0.000 claims description 24
- 201000010099 disease Diseases 0.000 claims description 14
- 230000036541 health Effects 0.000 claims description 9
- 238000003860 storage Methods 0.000 claims description 9
- 206010013710 Drug interaction Diseases 0.000 claims description 6
- 230000002411 adverse Effects 0.000 claims description 5
- 230000000638 stimulation Effects 0.000 claims description 5
- 239000003795 chemical substances by application Substances 0.000 claims description 4
- 238000001647 drug administration Methods 0.000 claims description 4
- 238000000126 in silico method Methods 0.000 claims description 4
- 238000002922 simulated annealing Methods 0.000 claims description 4
- 238000009533 lab test Methods 0.000 claims description 3
- 238000002560 therapeutic procedure Methods 0.000 claims description 3
- 230000009466 transformation Effects 0.000 claims description 3
- 238000000844 transformation Methods 0.000 claims description 3
- 230000000172 allergic effect Effects 0.000 claims 1
- 208000010668 atopic eczema Diseases 0.000 claims 1
- 238000004458 analytical method Methods 0.000 abstract description 26
- 206010019280 Heart failures Diseases 0.000 description 92
- 208000001647 Renal Insufficiency Diseases 0.000 description 81
- 201000006370 kidney failure Diseases 0.000 description 80
- 230000035939 shock Effects 0.000 description 52
- 208000006673 asthma Diseases 0.000 description 34
- 206010006451 bronchitis Diseases 0.000 description 31
- 206010057190 Respiratory tract infections Diseases 0.000 description 30
- 208000019025 Hypokalemia Diseases 0.000 description 24
- 208000024896 potassium deficiency disease Diseases 0.000 description 24
- 210000003743 erythrocyte Anatomy 0.000 description 21
- 230000003993 interaction Effects 0.000 description 21
- 206010035664 Pneumonia Diseases 0.000 description 20
- 208000008423 pleurisy Diseases 0.000 description 18
- 208000032843 Hemorrhage Diseases 0.000 description 17
- 230000006870 function Effects 0.000 description 17
- 208000006545 Chronic Obstructive Pulmonary Disease Diseases 0.000 description 16
- 230000000740 bleeding effect Effects 0.000 description 16
- 230000008569 process Effects 0.000 description 16
- 238000010586 diagram Methods 0.000 description 13
- 230000002496 gastric effect Effects 0.000 description 13
- 210000003734 kidney Anatomy 0.000 description 13
- PQSUYGKTWSAVDQ-ZVIOFETBSA-N Aldosterone Chemical compound C([C@@]1([C@@H](C(=O)CO)CC[C@H]1[C@@H]1CC2)C=O)[C@H](O)[C@@H]1[C@]1(C)C2=CC(=O)CC1 PQSUYGKTWSAVDQ-ZVIOFETBSA-N 0.000 description 12
- 208000035475 disorder Diseases 0.000 description 12
- 230000000694 effects Effects 0.000 description 11
- 208000017169 kidney disease Diseases 0.000 description 11
- 239000000048 adrenergic agonist Substances 0.000 description 10
- 238000013473 artificial intelligence Methods 0.000 description 10
- 206010061218 Inflammation Diseases 0.000 description 9
- BNPSSFBOAGDEEL-UHFFFAOYSA-N albuterol sulfate Chemical compound OS(O)(=O)=O.CC(C)(C)NCC(O)C1=CC=C(O)C(CO)=C1.CC(C)(C)NCC(O)C1=CC=C(O)C(CO)=C1 BNPSSFBOAGDEEL-UHFFFAOYSA-N 0.000 description 9
- 206010003119 arrhythmia Diseases 0.000 description 9
- 230000004054 inflammatory process Effects 0.000 description 9
- PQSUYGKTWSAVDQ-UHFFFAOYSA-N Aldosterone Natural products C1CC2C3CCC(C(=O)CO)C3(C=O)CC(O)C2C2(C)C1=CC(=O)CC2 PQSUYGKTWSAVDQ-UHFFFAOYSA-N 0.000 description 8
- 206010040047 Sepsis Diseases 0.000 description 8
- 229960002478 aldosterone Drugs 0.000 description 8
- 208000020832 chronic kidney disease Diseases 0.000 description 8
- 238000004891 communication Methods 0.000 description 8
- 230000000875 corresponding effect Effects 0.000 description 8
- 239000012530 fluid Substances 0.000 description 8
- 230000015654 memory Effects 0.000 description 8
- 238000004088 simulation Methods 0.000 description 8
- 238000007405 data analysis Methods 0.000 description 7
- 235000016709 nutrition Nutrition 0.000 description 7
- 238000005457 optimization Methods 0.000 description 7
- 238000012545 processing Methods 0.000 description 7
- 206010020772 Hypertension Diseases 0.000 description 6
- 229940057282 albuterol sulfate Drugs 0.000 description 6
- 210000004369 blood Anatomy 0.000 description 6
- 239000008280 blood Substances 0.000 description 6
- 210000004072 lung Anatomy 0.000 description 6
- 230000037361 pathway Effects 0.000 description 6
- 230000008859 change Effects 0.000 description 5
- 238000004590 computer program Methods 0.000 description 5
- 239000003792 electrolyte Substances 0.000 description 5
- 238000013101 initial test Methods 0.000 description 5
- 230000009456 molecular mechanism Effects 0.000 description 5
- 208000019206 urinary tract infection Diseases 0.000 description 5
- 206010062237 Renal impairment Diseases 0.000 description 4
- 239000000556 agonist Substances 0.000 description 4
- 208000034158 bleeding Diseases 0.000 description 4
- 206010012601 diabetes mellitus Diseases 0.000 description 4
- 238000001914 filtration Methods 0.000 description 4
- 208000015181 infectious disease Diseases 0.000 description 4
- 238000011835 investigation Methods 0.000 description 4
- 230000002503 metabolic effect Effects 0.000 description 4
- 238000010606 normalization Methods 0.000 description 4
- 210000000056 organ Anatomy 0.000 description 4
- 230000008085 renal dysfunction Effects 0.000 description 4
- 208000024891 symptom Diseases 0.000 description 4
- 230000032258 transport Effects 0.000 description 4
- 239000005541 ACE inhibitor Substances 0.000 description 3
- 101710129690 Angiotensin-converting enzyme inhibitor Proteins 0.000 description 3
- 101710086378 Bradykinin-potentiating and C-type natriuretic peptides Proteins 0.000 description 3
- 208000020597 Cardiac conduction disease Diseases 0.000 description 3
- 206010007882 Cellulitis Diseases 0.000 description 3
- 208000014526 Conduction disease Diseases 0.000 description 3
- 102000008130 Cyclic AMP-Dependent Protein Kinases Human genes 0.000 description 3
- 108010049894 Cyclic AMP-Dependent Protein Kinases Proteins 0.000 description 3
- 206010023424 Kidney infection Diseases 0.000 description 3
- 206010037596 Pyelonephritis Diseases 0.000 description 3
- 238000000692 Student's t-test Methods 0.000 description 3
- NDAUXUAQIAJITI-UHFFFAOYSA-N albuterol Chemical compound CC(C)(C)NCC(O)C1=CC=C(O)C(CO)=C1 NDAUXUAQIAJITI-UHFFFAOYSA-N 0.000 description 3
- 208000007502 anemia Diseases 0.000 description 3
- 229940044094 angiotensin-converting-enzyme inhibitor Drugs 0.000 description 3
- 230000031018 biological processes and functions Effects 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 3
- 230000034994 death Effects 0.000 description 3
- 238000009826 distribution Methods 0.000 description 3
- 230000004064 dysfunction Effects 0.000 description 3
- WMWTYOKRWGGJOA-CENSZEJFSA-N fluticasone propionate Chemical compound C1([C@@H](F)C2)=CC(=O)C=C[C@]1(C)[C@]1(F)[C@@H]2[C@@H]2C[C@@H](C)[C@@](C(=O)SCF)(OC(=O)CC)[C@@]2(C)C[C@@H]1O WMWTYOKRWGGJOA-CENSZEJFSA-N 0.000 description 3
- 208000019622 heart disease Diseases 0.000 description 3
- 230000005977 kidney dysfunction Effects 0.000 description 3
- 238000007726 management method Methods 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 230000035764 nutrition Effects 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 230000002441 reversible effect Effects 0.000 description 3
- 238000012353 t test Methods 0.000 description 3
- 102000005862 Angiotensin II Human genes 0.000 description 2
- 101800000734 Angiotensin-1 Proteins 0.000 description 2
- 102400000344 Angiotensin-1 Human genes 0.000 description 2
- 101800000733 Angiotensin-2 Proteins 0.000 description 2
- 102100030988 Angiotensin-converting enzyme Human genes 0.000 description 2
- IVOMOUWHDPKRLL-KQYNXXCUSA-N Cyclic adenosine monophosphate Chemical compound C([C@H]1O2)OP(O)(=O)O[C@H]1[C@@H](O)[C@@H]2N1C(N=CN=C2N)=C2N=C1 IVOMOUWHDPKRLL-KQYNXXCUSA-N 0.000 description 2
- 206010014418 Electrolyte imbalance Diseases 0.000 description 2
- 206010020751 Hypersensitivity Diseases 0.000 description 2
- 206010021138 Hypovolaemic shock Diseases 0.000 description 2
- CZGUSIXMZVURDU-JZXHSEFVSA-N Ile(5)-angiotensin II Chemical compound C([C@@H](C(=O)N[C@@H]([C@@H](C)CC)C(=O)N[C@@H](CC=1NC=NC=1)C(=O)N1[C@@H](CCC1)C(=O)N[C@@H](CC=1C=CC=CC=1)C([O-])=O)NC(=O)[C@@H](NC(=O)[C@H](CCCNC(N)=[NH2+])NC(=O)[C@@H]([NH3+])CC([O-])=O)C(C)C)C1=CC=C(O)C=C1 CZGUSIXMZVURDU-JZXHSEFVSA-N 0.000 description 2
- 206010033661 Pancytopenia Diseases 0.000 description 2
- ZLMJMSJWJFRBEC-UHFFFAOYSA-N Potassium Chemical compound [K] ZLMJMSJWJFRBEC-UHFFFAOYSA-N 0.000 description 2
- 102100028255 Renin Human genes 0.000 description 2
- 108090000783 Renin Proteins 0.000 description 2
- 239000004480 active ingredient Substances 0.000 description 2
- 208000026935 allergic disease Diseases 0.000 description 2
- 230000007815 allergy Effects 0.000 description 2
- 230000033115 angiogenesis Effects 0.000 description 2
- ORWYRWWVDCYOMK-HBZPZAIKSA-N angiotensin I Chemical compound C([C@@H](C(=O)N[C@@H]([C@@H](C)CC)C(=O)N[C@@H](CC=1NC=NC=1)C(=O)N1[C@@H](CCC1)C(=O)N[C@@H](CC=1C=CC=CC=1)C(=O)N[C@@H](CC=1NC=NC=1)C(=O)N[C@@H](CC(C)C)C(O)=O)NC(=O)[C@@H](NC(=O)[C@H](CCCN=C(N)N)NC(=O)[C@@H](N)CC(O)=O)C(C)C)C1=CC=C(O)C=C1 ORWYRWWVDCYOMK-HBZPZAIKSA-N 0.000 description 2
- 229950006323 angiotensin ii Drugs 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 230000001413 cellular effect Effects 0.000 description 2
- 230000001684 chronic effect Effects 0.000 description 2
- 238000007796 conventional method Methods 0.000 description 2
- 230000006378 damage Effects 0.000 description 2
- 238000013480 data collection Methods 0.000 description 2
- 201000000523 end stage renal failure Diseases 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 229960000289 fluticasone propionate Drugs 0.000 description 2
- 230000001771 impaired effect Effects 0.000 description 2
- 238000001802 infusion Methods 0.000 description 2
- 238000001990 intravenous administration Methods 0.000 description 2
- 230000003907 kidney function Effects 0.000 description 2
- 230000005291 magnetic effect Effects 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 238000002483 medication Methods 0.000 description 2
- 230000004060 metabolic process Effects 0.000 description 2
- 229920001690 polydopamine Polymers 0.000 description 2
- 229910052700 potassium Inorganic materials 0.000 description 2
- 239000011591 potassium Substances 0.000 description 2
- 108090000623 proteins and genes Proteins 0.000 description 2
- 208000002815 pulmonary hypertension Diseases 0.000 description 2
- 230000009103 reabsorption Effects 0.000 description 2
- 230000036454 renin-angiotensin system Effects 0.000 description 2
- 229960002052 salbutamol Drugs 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 238000007619 statistical method Methods 0.000 description 2
- 239000000021 stimulant Substances 0.000 description 2
- 239000000126 substance Substances 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 239000003826 tablet Substances 0.000 description 2
- 238000011269 treatment regimen Methods 0.000 description 2
- ZOOGRGPOEVQQDX-UUOKFMHZSA-N 3',5'-cyclic GMP Chemical compound C([C@H]1O2)OP(O)(=O)O[C@H]1[C@@H](O)[C@@H]2N1C(N=C(NC2=O)N)=C2N=C1 ZOOGRGPOEVQQDX-UUOKFMHZSA-N 0.000 description 1
- 208000009304 Acute Kidney Injury Diseases 0.000 description 1
- 241000894006 Bacteria Species 0.000 description 1
- 238000010207 Bayesian analysis Methods 0.000 description 1
- PJFHZKIDENOSJB-UHFFFAOYSA-N Budesonide/formoterol Chemical compound C1=CC(OC)=CC=C1CC(C)NCC(O)C1=CC=C(O)C(NC=O)=C1.C1CC2=CC(=O)C=CC2(C)C2C1C1CC3OC(CCC)OC3(C(=O)CO)C1(C)CC2O PJFHZKIDENOSJB-UHFFFAOYSA-N 0.000 description 1
- 208000020446 Cardiac disease Diseases 0.000 description 1
- 208000006029 Cardiomegaly Diseases 0.000 description 1
- 208000002330 Congenital Heart Defects Diseases 0.000 description 1
- 208000026292 Cystic Kidney disease Diseases 0.000 description 1
- 206010061818 Disease progression Diseases 0.000 description 1
- 208000032456 Hemorrhagic Shock Diseases 0.000 description 1
- 206010020571 Hyperaldosteronism Diseases 0.000 description 1
- 208000002682 Hyperkalemia Diseases 0.000 description 1
- DGAQECJNVWCQMB-PUAWFVPOSA-M Ilexoside XXIX Chemical compound C[C@@H]1CC[C@@]2(CC[C@@]3(C(=CC[C@H]4[C@]3(CC[C@@H]5[C@@]4(CC[C@@H](C5(C)C)OS(=O)(=O)[O-])C)C)[C@@H]2[C@]1(C)O)C)C(=O)O[C@H]6[C@@H]([C@H]([C@@H]([C@H](O6)CO)O)O)O.[Na+] DGAQECJNVWCQMB-PUAWFVPOSA-M 0.000 description 1
- 208000015710 Iron-Deficiency Anemia Diseases 0.000 description 1
- 241000272168 Laridae Species 0.000 description 1
- 238000012614 Monte-Carlo sampling Methods 0.000 description 1
- 208000031481 Pathologic Constriction Diseases 0.000 description 1
- 241000700159 Rattus Species 0.000 description 1
- 206010038423 Renal cyst Diseases 0.000 description 1
- 208000033626 Renal failure acute Diseases 0.000 description 1
- 206010061481 Renal injury Diseases 0.000 description 1
- GIIZNNXWQWCKIB-UHFFFAOYSA-N Serevent Chemical compound C1=C(O)C(CO)=CC(C(O)CNCCCCCCOCCCCC=2C=CC=CC=2)=C1 GIIZNNXWQWCKIB-UHFFFAOYSA-N 0.000 description 1
- 206010049771 Shock haemorrhagic Diseases 0.000 description 1
- 208000032023 Signs and Symptoms Diseases 0.000 description 1
- XUIMIQQOPSSXEZ-UHFFFAOYSA-N Silicon Chemical compound [Si] XUIMIQQOPSSXEZ-UHFFFAOYSA-N 0.000 description 1
- 208000002474 Tinea Diseases 0.000 description 1
- 241000893966 Trichophyton verrucosum Species 0.000 description 1
- YYAZJTUGSQOFHG-IAVNQIGZSA-N [(6s,8s,10s,11s,13s,14s,16r,17r)-6,9-difluoro-17-(fluoromethylsulfanylcarbonyl)-11-hydroxy-10,13,16-trimethyl-3-oxo-6,7,8,11,12,14,15,16-octahydrocyclopenta[a]phenanthren-17-yl] propanoate;2-(hydroxymethyl)-4-[1-hydroxy-2-[6-(4-phenylbutoxy)hexylamino]eth Chemical compound C1=C(O)C(CO)=CC(C(O)CNCCCCCCOCCCCC=2C=CC=CC=2)=C1.C1([C@@H](F)C2)=CC(=O)C=C[C@]1(C)C1(F)[C@@H]2[C@@H]2C[C@@H](C)[C@@](C(=O)SCF)(OC(=O)CC)[C@@]2(C)C[C@@H]1O YYAZJTUGSQOFHG-IAVNQIGZSA-N 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 201000011040 acute kidney failure Diseases 0.000 description 1
- 208000012998 acute renal failure Diseases 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 210000004404 adrenal cortex Anatomy 0.000 description 1
- 229940090167 advair Drugs 0.000 description 1
- 230000002776 aggregation Effects 0.000 description 1
- 238000004220 aggregation Methods 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 238000000540 analysis of variance Methods 0.000 description 1
- 230000006793 arrhythmia Effects 0.000 description 1
- 210000001367 artery Anatomy 0.000 description 1
- 229940127225 asthma medication Drugs 0.000 description 1
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 229940124748 beta 2 agonist Drugs 0.000 description 1
- 230000000903 blocking effect Effects 0.000 description 1
- 230000036772 blood pressure Effects 0.000 description 1
- 210000001124 body fluid Anatomy 0.000 description 1
- 239000010839 body fluid Substances 0.000 description 1
- 230000003491 cAMP production Effects 0.000 description 1
- 238000007675 cardiac surgery Methods 0.000 description 1
- 210000004027 cell Anatomy 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 208000022831 chronic renal failure syndrome Diseases 0.000 description 1
- 229940097478 combivent Drugs 0.000 description 1
- 238000012790 confirmation Methods 0.000 description 1
- 208000028831 congenital heart disease Diseases 0.000 description 1
- 208000029078 coronary artery disease Diseases 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 230000037416 cystogenesis Effects 0.000 description 1
- 208000024389 cytopenia Diseases 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000005750 disease progression Effects 0.000 description 1
- 238000009511 drug repositioning Methods 0.000 description 1
- 238000003255 drug test Methods 0.000 description 1
- 238000002651 drug therapy Methods 0.000 description 1
- 208000028208 end stage renal disease Diseases 0.000 description 1
- 230000000913 erythropoietic effect Effects 0.000 description 1
- 230000005713 exacerbation Effects 0.000 description 1
- 239000011888 foil Substances 0.000 description 1
- 102000034356 gene-regulatory proteins Human genes 0.000 description 1
- 108091006104 gene-regulatory proteins Proteins 0.000 description 1
- 230000002068 genetic effect Effects 0.000 description 1
- UYTPUPDQBNUYGX-UHFFFAOYSA-N guanine Chemical class O=C1NC(N)=NC2=C1N=CN2 UYTPUPDQBNUYGX-UHFFFAOYSA-N 0.000 description 1
- 210000005003 heart tissue Anatomy 0.000 description 1
- 208000007475 hemolytic anemia Diseases 0.000 description 1
- 230000001631 hypertensive effect Effects 0.000 description 1
- 239000007943 implant Substances 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000011065 in-situ storage Methods 0.000 description 1
- 208000014674 injury Diseases 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 229960001361 ipratropium bromide Drugs 0.000 description 1
- KEWHKYJURDBRMN-ZEODDXGYSA-M ipratropium bromide hydrate Chemical compound O.[Br-].O([C@H]1C[C@H]2CC[C@@H](C1)[N@@+]2(C)C(C)C)C(=O)C(CO)C1=CC=CC=C1 KEWHKYJURDBRMN-ZEODDXGYSA-M 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 230000000670 limiting effect Effects 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000007477 logistic regression Methods 0.000 description 1
- 239000002075 main ingredient Substances 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000003550 marker Substances 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 229960001951 montelukast sodium Drugs 0.000 description 1
- LBFBRXGCXUHRJY-HKHDRNBDSA-M montelukast sodium Chemical compound [Na+].CC(C)(O)C1=CC=CC=C1CC[C@H](C=1C=C(\C=C\C=2N=C3C=C(Cl)C=CC3=CC=2)C=CC=1)SCC1(CC([O-])=O)CC1 LBFBRXGCXUHRJY-HKHDRNBDSA-M 0.000 description 1
- 210000000885 nephron Anatomy 0.000 description 1
- 201000001119 neuropathy Diseases 0.000 description 1
- 230000007823 neuropathy Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000008816 organ damage Effects 0.000 description 1
- 229910052760 oxygen Inorganic materials 0.000 description 1
- 239000001301 oxygen Substances 0.000 description 1
- 230000001575 pathological effect Effects 0.000 description 1
- 230000007310 pathophysiology Effects 0.000 description 1
- 208000033808 peripheral neuropathy Diseases 0.000 description 1
- 230000002085 persistent effect Effects 0.000 description 1
- 230000003094 perturbing effect Effects 0.000 description 1
- 238000013439 planning Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 239000002243 precursor Substances 0.000 description 1
- 239000000955 prescription drug Substances 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000002035 prolonged effect Effects 0.000 description 1
- 102000004169 proteins and genes Human genes 0.000 description 1
- 238000011002 quantification Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000002829 reductive effect Effects 0.000 description 1
- 238000000611 regression analysis Methods 0.000 description 1
- 208000011728 renal alteration Diseases 0.000 description 1
- 230000000241 respiratory effect Effects 0.000 description 1
- 208000023504 respiratory system disease Diseases 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 238000000518 rheometry Methods 0.000 description 1
- 210000005241 right ventricle Anatomy 0.000 description 1
- 229960004017 salmeterol Drugs 0.000 description 1
- 150000003839 salts Chemical class 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 230000037390 scarring Effects 0.000 description 1
- 230000028327 secretion Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 208000013223 septicemia Diseases 0.000 description 1
- 206010040560 shock Diseases 0.000 description 1
- 230000008054 signal transmission Effects 0.000 description 1
- 229910052710 silicon Inorganic materials 0.000 description 1
- 239000010703 silicon Substances 0.000 description 1
- 229910052708 sodium Inorganic materials 0.000 description 1
- 239000011734 sodium Substances 0.000 description 1
- DQHNAVOVODVIMG-RGECMCKFSA-M spiriva Chemical compound [Br-].C([C@@H]1[N+]([C@H](C2)[C@@H]3[C@H]1O3)(C)C)C2OC(=O)C(O)(C=1SC=CC=1)C1=CC=CS1 DQHNAVOVODVIMG-RGECMCKFSA-M 0.000 description 1
- 230000036262 stenosis Effects 0.000 description 1
- 208000037804 stenosis Diseases 0.000 description 1
- 238000005728 strengthening Methods 0.000 description 1
- 230000008961 swelling Effects 0.000 description 1
- 229940035073 symbicort Drugs 0.000 description 1
- PJFHZKIDENOSJB-JIVDDGRNSA-N symbicort inhalation aerosol Chemical compound C1=CC(OC)=CC=C1C[C@H](C)NC[C@@H](O)C1=CC=C(O)C(NC=O)=C1.C1CC2=CC(=O)C=C[C@]2(C)[C@@H]2[C@@H]1[C@@H]1C[C@H]3OC(CCC)O[C@@]3(C(=O)CO)[C@@]1(C)C[C@@H]2O PJFHZKIDENOSJB-JIVDDGRNSA-N 0.000 description 1
- 210000003813 thumb Anatomy 0.000 description 1
- LERNTVKEWCAPOY-DZZGSBJMSA-N tiotropium Chemical compound O([C@H]1C[C@@H]2[N+]([C@H](C1)[C@@H]1[C@H]2O1)(C)C)C(=O)C(O)(C=1SC=CC=1)C1=CC=CS1 LERNTVKEWCAPOY-DZZGSBJMSA-N 0.000 description 1
- 229940110309 tiotropium Drugs 0.000 description 1
- 230000001988 toxicity Effects 0.000 description 1
- 231100000419 toxicity Toxicity 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 238000012384 transportation and delivery Methods 0.000 description 1
- 230000008733 trauma Effects 0.000 description 1
- 210000001635 urinary tract Anatomy 0.000 description 1
- 238000002255 vaccination Methods 0.000 description 1
- 230000002227 vasoactive effect Effects 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Images
Classifications
-
- G06F19/3437—
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N7/00—Computing arrangements based on specific mathematical models
- G06N7/01—Probabilistic graphical models, e.g. probabilistic networks
-
- G06F19/3443—
-
- G06N7/005—
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/50—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for simulation or modelling of medical disorders
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/70—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for mining of medical data, e.g. analysing previous cases of other patients
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Public Health (AREA)
- Medical Informatics (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- Pathology (AREA)
- Databases & Information Systems (AREA)
- Epidemiology (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Biomedical Technology (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Evolutionary Computation (AREA)
- Algebra (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Computational Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Probability & Statistics with Applications (AREA)
- Medical Treatment And Welfare Office Work (AREA)
- Measuring And Recording Apparatus For Diagnosis (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
시스템들, 방법들 및 컴퓨터 판독가능 매체가 헬스케어 분석을 위해 제공된다. 복수의 환자들에 대응하는 데이터가 수신된다. 상기 데이터는 복수의 변수들에 대해 정규화된 데이터를 생성하도록 파싱되며, 정규화된 데이터는 각각의 환자에 대한 하나 이상의 변수들에 대해 생성된다. 인과 관계 네트워크 모델이 베이지안 네트워크 알고리즘을 이용하여 상기 생성된 정규화된 데이터에 기반하여 상기 복수의 변수들을 관련시켜 생성된다. 상기 인과 관계 네트워크 모델은 복수의 의학적 상태들 또는 의약품들에 관련된 변수들을 포함한다. 또 다른 측면에서, 의약적 상태 또는 의약품의 선택이 수신된다. 서브 네트워크가 인과 관계 네트워크 모델로부터 결정된다. 상기 서브 네트워크는 상기 선택된 의학적 상태 또는 약품과 관련된 하나 이상의 변수들을 포함한다. 상기 선택된 의학적 상태 또는 약품에 대한 하나 이상의 예측변수들이 식별된다.
Description
본 출원은 2014년 9월 11일에 출원된 미국 가출원 특허 번호 62/049,148호에 관련된 것으로 그에 대해 우선권을 주장하며, 그 개시 내용 전체가 본원에 참조로 원용된다.
본 발명은 일반적으로 데이터 분석을 위한 시스템 및 방법, 특히 인과 관계 네트워크 모델을 생성하기 위해 헬스케어 데이터를 사용하기 위한 시스템 및 방법에 관한 것이다.
많은 시스템들이 헬스케어의 다양한 측면에 대한 통찰력을 얻기 위해 데이터를 분석한다. 데이터 간 관계들을 결정하여 통찰력을 획득할 수 있다. 종래의 방법들은 처리 및 분석을 위해 헬스케어 데이터로부터 추출하기 위한 몇 가지 관련 변수를 미리 결정한다. 몇몇 사전 선택된 변수에 기반하여, 의약, 질병, 증상 등과 같은 다양한 요인들 사이의 관계가 확립된다. 초점을 맞출 변수들을 미리 선택하는 것은 새로운 또는 미지의 관계들을 발견하는 능력을 제한한다. 변수들을 미리 선택하는 것은 다른 관련 변수들을 발견하는 능력 또한 제한한다. 예를 들어, 당뇨병 분석을 고려할 때 변수들이 미리 선택되면, 그 변수들에 국한되어 데이터 분석이 헬스케어 커뮤니티에 이전에 알려지지 않았던 당뇨병에 관련된 또 다른 변수들을 지원한다는 것을 깨닫지 못할 것이다.
본 발명의 목적은 환자 데이터에 기반하여 인과 관계 네트워크 모델을 생성하기 위한 컴퓨터 구현 방법, 인과 관계 네트워크 모델을 이용하기 위한 컴퓨터 구현 방법, 환자 데이터에 기반하여 인과 관계 네트워크 모델을 생성하기 위한 시스템, 인과 관계 네트워크 모델을 이용하기 위한 시스템, 비일시적 머신 판독가능 매체, 및 의학적 상태에 대한 예측변수들을 생성하기 위한 시스템을 제공하기 위한 것이다.
일 측면에 있어서, 본 발명은 환자 데이터에 기반하여 인과 관계 네트워크 모델을 생성하기 위한 컴퓨터 구현 방법과 관련된다. 상기 방법은 복수의 환자들에 대응하는 데이터를 수신하는 단계 - 상기 데이터는 각각의 환자에 대한 진단 정보 및/또는 치료 정보를 포함함 - , 복수의 변수들에 대해 정규화된 데이터를 생성하도록 상기 데이터를 파싱(parsing)하는 단계 - 여기서, 각각의 환자에 대해, 상기 정규화된 데이터가 하나 이상의 변수에 대해 생성됨 - , 베이지안 네트워크 알고리즘(Bayesian network algorithm)을 이용하여 상기 생성된 정규화된 데이터에 기반하여 상기 복수의 변수들을 관련시키는 인과 관계 네트워크 모델을 생성하는 단계 - 상기 인과 관계 네트워크 모델은 복수의 의학적 상태들에 관련된 변수들을 포함함 - 를 포함하고, 상기 인과 관계 네트워크는 네트워크 모델 구축 코드를 유지하는 스토리지(storage) 및 상기 네트워크 모델 구축 코드를 실행하도록 구성된 하나 이상의 프로세서들을 포함하는 프로그램된 컴퓨팅 시스템을 이용하여 생성된다.
특정 실시 예들에서, 상기 인과 관계 네트워크 모델은 상기 복수의 의학적 상태들 각각에 대한 하나 이상의 예측변수들을 나타내는 관계들을 포함한다. 특정 실시 예들에서, 상기 수신된 데이터는 상기 복수의 의학적 상태들 중 하나 이상에 관련있는 것으로 사전 선택되지 않는다. 일부 실시 예들에서, 상기 방법은 하나 이상의 추가 환자들에 대응하는 추가 데이터를 수신하는 단계, 및 상기 추가 데이터에 기반하여 상기 인과 관계 네트워크 모델을 업데이트하는 단계를 더 포함한다. 특정 실시 예들에서, 상기 인과 관계 네트워크 모델은 상기 생성된 정규화된 데이터에만 기반하여 생성된다.
일부 실시 예들에서, 상기 방법은 상기 인과 관계 네트워크 모델로부터 서브 네트워크를 결정하는 단계 - 상기 서브 네트워크의 하나 이상의 변수들은 선택된 의학적 상태와 관련됨 - , 및 상기 선택된 의학적 상태에 대한 하나 이상의 예측변수들을 결정하기 위해 상기 서브네트워크의 관계들을 조사하는(probing) 단계를 더 포함한다. 특정 실시 예들에서, 상기 선택된 의학적 상태에 대한 상기 하나 이상의 예측변수들은 상기 선택된 의학적 상태와 동시 발생하는 의학적 상태를 나타낸다. 특정 실시 예들에서, 상기 서브 네트워크의 범위는 상기 선택된 의학적 상태와 관련된 상기 하나 이상의 변수들 및 상기 인과 관계 네트워크 모델에서 상기 하나 이상의 변수들과 다른 변수들 사이의 관계들의 강도에 기반하여 결정된다. 특정 실시 예들에서, 상기 서브 네트워크는 상기 선택된 의학적 상태와 관련된 상기 하나 이상의 변수들, 추가 변수들의 제1 세트 - 각각이 상기 하나 이상의 변수들과 제1 정도(first degree) 관계를 가짐 - , 및 추가 변수들의 제2 세트 - 각각이 상기 하나 이상의 변수들과 제2 정도(second degree) 관계를 가짐 - 를 포함한다. 일부 실시 예들에서, 상기 하나 이상의 예측변수들 중 적어도 하나는 상기 선택된 의학적 상태에 대한 예측변수로서 이전에 알려지지 않았다. 일부 실시 예들에서, 상기 하나 이상의 예측변수들 중 적어도 하나는 상기 의학적 상태에 대한 예측변수로서 새롭게 식별된다. 특정 실시 예들에서, 예측변수들의 개수는 변수들의 개수보다 적다.
일부 실시 예들에서, 상기 방법은 사용자 인터페이스에 상기 하나 이상의 예측변수들을 디스플레이하는 단계 - 상기 디스플레이하는 것은 상기 하나 이상의 변수들, 상기 하나 이상의 예측변수들, 및 상기 하나 이상의 변수들과 상기 하나 이상의 예측변수들 간의 관계들의 그래픽 표현을 포함함 - 를 더 포함한다. 일부 실시 예들에서, 상기 방법은 사용자 인터페이스에 상기 서브 네트워크의 그래픽 표현을 디스플레이하는 단계를 더 포함한다. 일부 실시 예들에서, 상기 방법은 상기 하나 이상의 변수들과 상기 하나 이상의 예측변수들 사이의 관계들의 강도에 기반하여 상기 하나 이상의 예측 변수들을 순위 매기는(ranking) 단계를 더 포함한다.
특정 실시 예들에서, 상기 방법은 상기 인과 관계 네트워크 모델로부터 서브 네트워크를 결정하는 단계 - 상기 서브 네트워크의 하나 이상의 변수들은 선택된 약품과 관련됨 - , 및 상기 선택된 약품에 관련된 하나 이상의 예측변수들을 결정하기 위해 상기 서브 네트워크를 조사하는(probing) 단계를 더 포함한다. 일부 실시 예들에서, 상기 선택된 약품에 관련된 상기 하나 이상의 예측변수들은 상기 선택된 약품과 함께 투여되는 약품을 나타낸다. 일부 실시 예들에서, 상기 하나 이상의 예측변수들은 상기 선택된 약품과 하나 이상의 다른 약품들 사이의 유해 약물 상호작용(adverse drug interaction)을 나타낸다. 일부 실시 예들에서, 상기 서브 네트워크의 범위는 상기 선택된 약품과 관련된 상기 하나 이상의 변수들 및 상기 인과 관계 네트워크 모델에서 상기 하나 이상의 변수들과 다른 변수들 사이의 관계들의 강도에 기반하여 결정된다. 일부 실시 예들에서, 상기 서브 네트워크는 상기 선택된 약품과 관련된 상기 하나 이상의 변수들, 추가 변수들의 제1 세트 - 각각은 상기 하나 이상의 변수들과 제1 정도(first degree) 관계를 가짐 -, 및 추가 변수들의 제2 세트 - 각각은 상기 하나 이상의 변수들과 제2 정도(second degree) 관계를 가짐 - 을 포함한다. 다른 실시 예들에서, 상기 하나 이상의 예측변수들 중 적어도 하나는 상기 선택된 약품에 대한 예측변수로서 이전에 알려지지 않았다. 일부 실시 예들에서, 상기 하나 이상의 예측 변수들 중 적어도 하나는 상기 의학적 상태에 대한 예측변수로서 새롭게 식별된다. 다른 실시 예들에서, 예측변수들의 개수는 변수들의 개수보다 적다.
특정 실시 예들에서, 상기 인과 관계 네트워크 모델은 적어도 50개 변수들에 기반하여 생성된다.
특정 실시 예들에서, 상기 인과 관계 네트워크 모델은 적어도 100개 변수들에 기반하여 생성된다.
특정 실시 예들에서, 상기 인과 관계 네트워크 모델은 적어도 1000개 변수들에 기반하여 생성된다.
특정 실시 예들에서, 상기 인과 관계 네트워크 모델은 적어도 100,000개 변수들에 기반하여 생성된다.
다른 실시 예들에서, 상기 인과 관계 네트워크 모델은 50개 변수들과 1,000,000개 변수들 사이에 기반하여 생성된다.
다른 실시 예들에서, 상기 인과 관계 네트워크 모델은 50명 환자들과 1,000,000명 환자들 사이로부터의 데이터에 기반하여 생성된다.
다른 실시 예들에서, 상기 데이터는 환자 전자 건강 기록으로부터의 정보를 포함한다.
특정 실시 예들에서, 상기 수신된 데이터는 상기 복수의 환자들 중 적어도 일부에 대한 환자 인구통계 (patient demographics), 병력(medical history), 환자 가족 병력, 활성 투약 정보(active medication information), 비활성 과거 투약 정보(inactive past medication information), 알러지 정보, 면역 상태 정보, 실험실 테스트 결과(laboratory test results), 방사선 이미지, 바이탈 사인 정보(vital sign information), 환자 체중, 청구 정보(billing information), 생활 양식 정보(life style information), 습관 정보, 보험 청구 정보(insurance claims information) 및 약국 정보(pharmacy information) 중 적어도 하나를 더 포함한다. 일부 실시 예들에서, 상기 환자 인구통계는 환자 나이, 환자 인종(race) 및 환자 민족성(ethnicity) 중 적어도 하나를 포함한다.
특정 실시 예들에서, 상기 수신된 데이터는 환자 차트로부터의 정보를 포함한다. 일부 실시 예들에서, 상기 환자 차트로부터의 정보는 헬스 케어 전문가에 의한 기록, 헬스 케어 전문가에 의한 관찰, 치료 및 약품의 투여(administration of drugs and therapies), 치료 및 약품 투여의 순서, 테스트 결과 및 엑스레이 중 적어도 하나를 포함한다.
특정 실시 예들에서, 상기 수신된 데이터는 환자 퇴원 정보(patient discharge information)를 포함한다. 일부 실시 예들에서, 상기 환자 퇴원 정보는 진단 코드, 치료 코드, 보험 청구 코드, 진단 관련 그룹 코드, 및 국제 질병 분류 코드 중 적어도 하나를 포함한다.
특정 실시 예들에서, 상기 수신된 데이터는 선택된 병원의 복수의 환자들과 관련된다. 특정 실시 예들에서, 상기 수신된 데이터는 선택된 지리적 영역의 복수의 환자들에 관련된다.
일부 실시 예들에서, 베이지안 네트워크 알고리즘을 이용하여 상기 생성된 정규화된 데이터에 기반하여 상기 복수의 환자들에 대한 변수들을 관련시키는 상기 인과 관계 네트워크 모델을 생성하는 단계는 베이지안 프래그먼트 열거(Bayesian Fragment Enumeration) 절차를 통해 상기 변수들에 기반하여 네트워크 프래그먼트들의 라이브러리를 생성하는 단계, 시험 네트워크들의 앙상블(ensemble of trial networks)을 생성하는 단계 - 각각의 시험 네트워크는 상기 라이브러리의 상기 네트워크 프래그먼트들의 상이한 서브세트로 구성됨 - , 및 컨센서스(consensus) 인과 관계 네트워크 모델을 생성하기 위해 시뮬레이션된 어닐링 (simulated annealing) 을 통한 로컬 변환들을 통해 각각의 시험 네트워크를 진화시킴으로써 전역적으로 상기 시험 네트워크들의 앙상블을 최적화하는 단계를 포함한다. 일부 실시 예들에서, 베이지안 네트워크 알고리즘을 이용하여 상기 생성된 정규화된 데이터에 기반하여 상기 복수의 환자들에 대한 변수들을 관련시키는 상기 인과 관계 네트워크 모델을 생성하는 단계는 결과적인 인과 관계 네트워크 모델 내의 하나 이상의 인과 관계들에 대한 예측의 신뢰 수준을 제공하기 위한, 입력 데이터에 기반하는 컨센서스 인과 관계 네트워크 모델의 인실리코 시뮬레이션 (in silico stimulation) 을 더 포함한다.
또 다른 측면에서, 본 발명은 인과 관계 네트워크 모델을 이용하기 위한 컴퓨터 구현 방법과 관련된다. 상기 방법은 복수의 의학적 상태들로부터 의학적 상태의 선택을 수신하는 단계, 컴퓨터로 생성된 인과 관계 네트워크 모델로부터 서브 네트워크를 결정하는 단계 - 상기 인과 관계 네트워크 모델은 베이지안 네트워크 알고리즘(Bayesian network algorithm)을 이용하여 환자 데이터로부터 생성되며 상기 복수의 의학적 상태들에 관련된 변수들을 포함하는 복수의 변수들을 포함하고, 상기 인과 관계 네트워크 모델은 상기 선택된 의학적 상태들에 기반하고, 상기 서브 네트워크는 상기 선택된 의학적 상태에 관련된 하나 이상의의 변수들을 포함함- , 상기 선택된 의학적 상태에 대한 하나 이상의 예측변수들을 식별하기 위해 상기 서브 네트워크를 횡단하는(traversing) 단계, 및 상기 선택된 의학적 상태에 대한 상기 하나 이상의 예측변수들을 저장하는 단계를 포함한다.
특정 실시 예들에서, 상기 의학적 상태의 선택은 사용자 인터페이스를 통해 사용자로부터 수신된다. 일부 실시 예들에서, 상기 하나 이상의 예측변수들 중 적어도 하나는 이전에 알려지지 않았다. 일부 실시 예들에서, 상기 하나 이상의 예측변수들 중 적어도 하나는 상기 의학적 상태에 대한 예측변수로서 새롭게 식별된다. 일부 실시 예들에서, 예측변수들의 개수는 변수들의 개수보다 적다.
일부 실시 예들에서, 상기 방법은 상기 선택된 의학적 상태 또는 약품에 대한 각각의 예측변수의 관계를 결정하기 위해 상기 예측 변수들에 회귀 알고리즘을 적용하는 단계를 더 포함한다. 일부 실시 예들에서, 상기 방법은 상기 사용자 인터페이스에 상기 예측변수들을 디스플레이하는 단계 - 상기 디스플레이하는 것은 상기 하나 이상의 선택된 변수들, 상기 하나 이상의 예측변수들 및 상기 하나 이상의 선택된 변수들과 상기 예측변수들 간의 관계들의 그래픽 표현을 포함함 - 를 더 포함한다. 일부 실시 예들에서, 상기 방법은 상기 사용자 인터페이스에 상기 서브 네트워크의 그래픽 표현을 디스플레이하는 단계를 더 포함한다. 일부 실시 예들에서, 상기 방법은 상기 하나 이상의 선택된 변수들과 상기 하나 이상의 예측변수들 사이의 관계들의 강도에 기반하여 상기 하나 이상의 예측변수들을 순위 매기는(ranking) 단계를 더 포함한다.
특정 실시 예들에서, 상기 하나 이상의 예측변수들은 하나 이상의 의약품들과 관련된다. 특정 실시 예들에서, 상기 예측변수들은 하나 이상의 의학적 상태들과 관련된다.
또 다른 측면에서, 본 발명은 인과 관계 네트워크 모델을 이용하기 위한 컴퓨터 구현 방법과 관련된다. 상기 방법은 복수의 의학적 상태들로부터 의학적 상태와 관련된 질의를 수신하는 단계, 컴퓨터로 생성된 인과 관계 네트워크 모델로부터 서브 네트워크를 결정하는 단계 - 상기 인과 관계 네트워크 모델은 베이지안 네트워크 알고리즘(Bayesian network algorithm)을 이용하여 환자 데이터로부터 생성되며 상기 복수의 의학적 상태들에 관련된 변수들을 포함하는 복수의 변수들을 포함하고, 상기 인과 관계 네트워크 모델은 상기 질의된 의학적 상태에 기반하고, 상기 서브 네트워크는 상기 질의된 의학적 상태와 관련된 하나 이상의 변수들을 포함함 - , 상기 질의된 의학적 상태에 대한 하나 이상의 예측변수들을 식별하기 위해 상기 서브 네트워크를 횡단하는(traversing) 단계, 및 상기 질의된 의학적 상태에 대한 상기 하나 이상의 예측변수들을 저장하는 단계를 포함한다. 특정 실시 예들에서, 상기 사용자로부터 수신된 상기 질의는 의학적 상태 및/또는 의약품과 관련된 정보를 포함한다.
또 다른 측면에서, 본 발명은 인과 관계 네트워크 모델을 이용하기 위한 컴퓨터 구현 방법과 관련된다. 상기 방법은 의약품과 관련된 정보를 수신하는 단계, 컴퓨터로 생성된 인과 관계 네트워크 모델로부터 서브 네트워크를 결정하는 단계 -상기 인과 관계 네트워크 모델은 베이지안 네트워크 알고리즘(Bayesian network algorithm)을 이용하여 환자 데이터로부터 생성되며 상기 복수의 의약품들에 관련된 변수들을 포함하는 복수의 변수들을 포함하고, 상기 인과 관계 네트워크 모델은 상기 의약품에 기반하고, 상기 서브 네트워크는 상기 의약품과 관련된 하나 이상의 변수들을 포함함 - , 상기 의약품에 대한 하나 이상의 예측변수들을 식별하기 위해 상기 서브 네트워크를 횡단하는(traversing) 단계, 및 상기 의약품에 대한 상기 하나 이상의 예측변수들을 저장하는 단계를 포함한다.
또 다른 측면에서, 본 발명은 환자 데이터에 기반하여 인과 관계 네트워크 모델을 생성하기 위한 시스템과 관련된다. 상기 시스템은 복수의 환자들에 관련된 데이터를 수신하도록 구성된 데이터 수신 모듈 - 상기 데이터는 각각의 환자에 대한 진단 정보 및/또는 치료 정보를 포함함 - , 복수의 변수들에 대해 정규화된 데이터를 생성하기 위해 상기 데이터를 파싱(parsing)하도록 구성된 파싱 모듈 - 여기서, 각각의 환자에 대해, 상기 정규화된 데이터가 하나 이상의 변수에 대해 생성됨 - , 및 베이지안 네트워크 알고리즘(Bayesian network algorithm)을 이용하여 상기 생성된 정규화된 데이터에 기반하여 상기 복수의 변수들을 관련시키는 인과 관계 네트워크 모델을 생성하도록 구성된 프로세서 구현 관계 네트워크 모듈 - 상기 인과 관계 네트워크 모델은 복수의 의학적 상태들에 관련된 변수들을 포함함 - 을 포함한다. 특정 실시 예들에서, 상기 인과 관계 네트워크 모델은 상기 복수의 의학적 상태들 각각에 대한 하나 이상의 예측변수들을 나타내는 관계들을 포함한다.
또 다른 측면에서, 본 발명은 환자 데이터에 기반하여 인과 관계 네트워크 모델을 이용하기 위한 시스템을 제공한다. 상기 시스템은 의학적 상태와 관련된 정보를 수신하도록 구성된 데이터 수신 모듈, 컴퓨터로 생성된 인과 관계 네트워크 모델로부터 서브 네트워크를 결정하도록 구성된 서브 네트워크 모듈 - 상기 인과 관계 네트워크 모델은 베이지안 네트워크 알고리즘(Bayesian network algorithm)을 이용하여 환자 데이터로부터 생성되며 복수의 의학적 상태들에 관련된 변수들을 포함하는 복수의 변수들을 포함하고, 상기 인과 관계 네트워크 모델은 상기 의학적 상태에 기반하고, 상기 서브 네트워크는 상기 의학적 상태와 관련된 하나 이상의 변수들을 포함함 - , 및 상기 서브 네트워크를 횡단하고 상기 의학적 상태에 대한 하나 이상의 예측변수들을 식별하도록 구성된 변수 식별 모듈을 포함한다. 특정 실시 예들에서, 상기 컴퓨터로 생성된 인과 관계 네트워크 모델은 특정 실시 예들의 개시된 방법들을 이용하여 생성된다.
또 다른 측면에서, 본 발명은 적어도 하나의 프로세서에 의해 실행될 때 상기 적어도 하나의 프로세서가 특정 실시 예들의 일부로서 개시된 임의의 방법들을 수행하도록 하는 적어도 하나의 프로그램을 저장하는 비 일시적 머신 판독가능 저장 매체를 제공한다.
또 다른 측면에서, 본 발명은 의학적 상태에 대한 예측변수들을 생성하기 위한 시스템을 제공한다. 상기 시스템은 인과 관계 네트워크 모델 생성기(generator)를 포함하되, 상기 인과 관계 네트워크 모델 생성기는 복수의 환자들에 대응하는 데이터를 수신하도록 하고 - 상기 데이터는 각각의 환자에 대한 진단 정보 및/또는 치료 정보를 포함함 -, 복수의 변수들에 대해 정규화된 데이터를 생성하기 위해 상기 데이터를 파싱하도록 하고 - 상기 정규화된 데이터는 하나 이상의 변수에 대해 생성됨 - , 그리고 베이지안 네트워크 알고리즘(Bayesian network algorithm)을 이용하여 상기 생성된 정규화된 데이터에 기반하여 상기 복수의 변수들 중 하나 이상에 각각의 변수를 관련시키는 인과 관계 네트워크 모델을 생성하도록 - 상기 인과 관계 네트워크 모델은 복수의 의학적 상태들에 관련된 변수들을 포함함 - 구성된다. 특정 실시 예들에서, 상기 인과 관계 네트워크 모델은 상기 복수의 의학적 상태들 각각에 대한 하나 이상의 예측변수들을 나타내는 관계들을 포함한다. 일부 실시 예들에서, 상기 시스템은 서브 네트워크 선택 모듈을 더 포함하되, 상기 서브 네트워크 선택 모듈은 사용자 인터페이스를 통해 사용자로부터 의학적 상태와 관련된 정보를 수신하도록 하고, 상기 인과 관계 네트워크 모델로부터 서브 네트워크를 결정하도록 하고 - 상기 서브 네트워크는 상기 의학적 상태에 관련된 하나 이상의 변수들을 포함함 - , 상기 의학적 상태에 대한 하나 이상의 예측변수들을 식별하기 위해 상기 서브 네트워크를 횡단하도록 하고, 그리고 상기 의학적 상태에 대한 상기 하나 이상의 예측변수들을 저장하도록 구성된다.
또 다른 측면에서, 본 발명은 환자 데이터에 기반하여 인과 관계 네트워크 모델을 생성하기 위한 시스템을 제공한다. 상기 시스템은 복수의 환자들에 대응하는 데이터를 수신하도록 하고 - 상기 데이터는 각각의 환자에 대한 진단 정보 및/또는 치료 정보를 포함함 - , 복수의 변수들에 대해 정규화된 데이터를 생성하기 위해 상기 데이터를 파싱하도록 구성된 제1 프로세서에 의해 구현되는 데이터 수신 모듈, 및 베이지안 네트워크 알고리즘을 이용하여 상기 생성된 정규화된 데이터에 기반하여 상기 복수의 변수들을 관련시키는 인과 관계 네트워크 모델을 생성하도록 - 상기 인과 관계 네트워크 모델은 복수의 의학적 상태들에 관련된 변수들을 포함함 - 구성된 하나 이상의 추가 프로세서들에 의해 구현된 인과 관계 네트워크 모델을 포함한다.
본 출원 전반에 걸쳐, 예를 들어, 상기와 같은 리스트에 제시된 모든 값들은 또한 본 발명의 일부가 되도록 의도된 범위의 상한 또는 하한일 수 있다.
본 발명은 환자 데이터에 기반하여 인과 관계 네트워크 모델을 생성하기 위한 컴퓨터 구현 방법, 인과 관계 네트워크 모델을 이용하기 위한 컴퓨터 구현 방법, 환자 데이터에 기반하여 인과 관계 네트워크 모델을 생성하기 위한 시스템, 인과 관계 네트워크 모델을 이용하기 위한 시스템, 비일시적 머신 판독가능 매체, 및 의학적 상태에 대한 예측변수들을 생성하기 위한 시스템을 제공할 수 있다.
본 개시는 첨부 도면의 도면에 예시로서 도시되고 이에 제한되지 않으며, 달리 표시되지 않는 한 유사한 참조 번호는 유사한 요소들을 나타낸다.
도 1은 일 실시 예에 따른, 헬스케어 분석을 위한 시스템을 도시하는 개략적 네트워크 다이어그램이다.
도 2는 일 실시 예에 따른, 모듈 면에서의 헬스케어 분석을 위한 시스템을 개략적으로 도시하는 블록 다이어그램이다.
도 3은 일 실시 예에 따른, 관계 네트워크 모델의 생성에 의한 헬스케어 분석을 위한 방법의 흐름도이다.
도 4는 일 실시 예에 따른, 관계 네트워크 모델을 이용하기 위한 방법의 흐름도이다.
도 5는 예 1의 헬스케어 분석을 위한 방법의 흐름도이다.
도 6은 예1에서 사용된 헬스케어 엔티티(healthcare entity)로부터의 예시 데이터세트이다.
도 7은 예 1에서 생성된 관계 네트워크 모델을 개략적으로 도시한다.
도 8은 심부전 & 쇼크와 신부전에 중점을 둔 도 7의 관계 네트워크 모델의 서브 네트워크를 개략적으로 도시한다.
도 9a는 심부전 & 쇼크에 중점을 두고 심부전 & 쇼크와 단순 폐렴 & 흉막염 사이의 관련성과 심부전 & 쇼크와 호흡기 감염 사이의 관련성을 강조하는 도 7의 관계 네트워크 모델의 서브 네트워크를 도시한다.
도 9b는 어떻게 심부전 & 쇼크가 단순 폐렴 & 흉막염과 호흡기 감염 & 염증에 이를 수 있는지를 개략적으로 도시한다.
도 10a는 심부전 & 쇼크와 COPD 사이의 관련성을 강조하는 도 9a의 심부전 & 쇼크 서브 세트워크를 개략적으로 도시한다.
도 10b는 어떻게 COPD가 심부전에 이를 수 있는지를 개략적으로 도시한다.
도 11은 심부전 & 쇼크와 심장 부정맥 & 전도 장애 간의 관련성을 강조하는 심부전 & 쇼크 서브 네트워크를 개략적으로 도시한다.
도 12a는 G.I. 출혈 및 심부전 & 쇼크 사이의 관련성을 강조하는 심부전 & 쇼크 서브네트워크를 개략적으로 도시한다.
도 12b는 어떻게 G.I 출혈이 심부전에 이를 수 있는지를 개략적으로 도시한다.
도 13은 신부전 및 심부전 & 쇼크 사이의 관련성을 강조하는 심부전 & 쇼크 서브 네트워크를 개략적으로 도시한다.
도 14a는 예 1의 관계 네트워크 모델로부터 생성된 신부전과 심부전 & 쇼크의 연관 플롯이다.
도 14b는 예 1의 관계 네트워크 모델로부터 생성된 신부전과 심부전 & 쇼크의 4분 플롯(fourfold plot)이다.
도 15a는 예 1의 관계 네트워크 모델로부터 생성된 G.I. 출혈과 심부전 & 쇼크의 연관성 플롯이다.
도 15b는 예 1의 관계 네트워크 모델로부터 생성된 G.I 출혈과 심부전 & 쇼크의 4분 플롯이다.
도 16은 신부전에 중점을 둔 도 8의 서브 네트워크의 제2 부분을 개략적으로 도시한다.
도 17a는 신부전에 중점을 두고 기관지염 & 천식과 신부전 사이의 관련성을 강조하는 도 7의 관계 네트워크 모델의 서브 네트워크를 개략적으로 도시한다.
도 17b는 기관지염 & 천식과 신부전 사이의 관련성 및 기관지염 & 천식과 신부전 사이의 관계에 대한 회귀 모델을 개략적으로 도시한다.
도 18a는 예1의 관계 네트워크 모델로부터 생성된 기관지염 및 천식과 신부전의 연관성 플롯이다.
도 18b는 예 1의 관계 네트워크 모델로부터 생성된 기관지염 및 천식과 신부전의 4분 플롯이다.
도 19a는 예 1의 신부전 서브 네트워크로부터 결정된 기관지염 & 천식과 신부전 사이의 새로운 관련성을 설명하는 임상 연구에 기반한 경로를 개략적으로 도시하는 다이어그램이다.
도 19b는 예 1의 신부전 서브 네트워크로부터 결정된 기관지염 & 천식과 신부전 사이의 새로운 관련성의 기초가 되는 잠재적 분자 메커니즘을 개략적으로 도시하는 다이어그램이다.
도 20은 예 1의 관계 네트워크 모델 및 예 2의 선택된 적혈구 장애 서브 네트워크를 개략적으로 도시한다.
도 21은 본원에서 설명된 헬스케어 분석 시스템 및 방법의 일부 실시 예를 구현하는 데 사용될 수 있는 컴퓨팅 디바이스의 블록도이다.
도 1은 일 실시 예에 따른, 헬스케어 분석을 위한 시스템을 도시하는 개략적 네트워크 다이어그램이다.
도 2는 일 실시 예에 따른, 모듈 면에서의 헬스케어 분석을 위한 시스템을 개략적으로 도시하는 블록 다이어그램이다.
도 3은 일 실시 예에 따른, 관계 네트워크 모델의 생성에 의한 헬스케어 분석을 위한 방법의 흐름도이다.
도 4는 일 실시 예에 따른, 관계 네트워크 모델을 이용하기 위한 방법의 흐름도이다.
도 5는 예 1의 헬스케어 분석을 위한 방법의 흐름도이다.
도 6은 예1에서 사용된 헬스케어 엔티티(healthcare entity)로부터의 예시 데이터세트이다.
도 7은 예 1에서 생성된 관계 네트워크 모델을 개략적으로 도시한다.
도 8은 심부전 & 쇼크와 신부전에 중점을 둔 도 7의 관계 네트워크 모델의 서브 네트워크를 개략적으로 도시한다.
도 9a는 심부전 & 쇼크에 중점을 두고 심부전 & 쇼크와 단순 폐렴 & 흉막염 사이의 관련성과 심부전 & 쇼크와 호흡기 감염 사이의 관련성을 강조하는 도 7의 관계 네트워크 모델의 서브 네트워크를 도시한다.
도 9b는 어떻게 심부전 & 쇼크가 단순 폐렴 & 흉막염과 호흡기 감염 & 염증에 이를 수 있는지를 개략적으로 도시한다.
도 10a는 심부전 & 쇼크와 COPD 사이의 관련성을 강조하는 도 9a의 심부전 & 쇼크 서브 세트워크를 개략적으로 도시한다.
도 10b는 어떻게 COPD가 심부전에 이를 수 있는지를 개략적으로 도시한다.
도 11은 심부전 & 쇼크와 심장 부정맥 & 전도 장애 간의 관련성을 강조하는 심부전 & 쇼크 서브 네트워크를 개략적으로 도시한다.
도 12a는 G.I. 출혈 및 심부전 & 쇼크 사이의 관련성을 강조하는 심부전 & 쇼크 서브네트워크를 개략적으로 도시한다.
도 12b는 어떻게 G.I 출혈이 심부전에 이를 수 있는지를 개략적으로 도시한다.
도 13은 신부전 및 심부전 & 쇼크 사이의 관련성을 강조하는 심부전 & 쇼크 서브 네트워크를 개략적으로 도시한다.
도 14a는 예 1의 관계 네트워크 모델로부터 생성된 신부전과 심부전 & 쇼크의 연관 플롯이다.
도 14b는 예 1의 관계 네트워크 모델로부터 생성된 신부전과 심부전 & 쇼크의 4분 플롯(fourfold plot)이다.
도 15a는 예 1의 관계 네트워크 모델로부터 생성된 G.I. 출혈과 심부전 & 쇼크의 연관성 플롯이다.
도 15b는 예 1의 관계 네트워크 모델로부터 생성된 G.I 출혈과 심부전 & 쇼크의 4분 플롯이다.
도 16은 신부전에 중점을 둔 도 8의 서브 네트워크의 제2 부분을 개략적으로 도시한다.
도 17a는 신부전에 중점을 두고 기관지염 & 천식과 신부전 사이의 관련성을 강조하는 도 7의 관계 네트워크 모델의 서브 네트워크를 개략적으로 도시한다.
도 17b는 기관지염 & 천식과 신부전 사이의 관련성 및 기관지염 & 천식과 신부전 사이의 관계에 대한 회귀 모델을 개략적으로 도시한다.
도 18a는 예1의 관계 네트워크 모델로부터 생성된 기관지염 및 천식과 신부전의 연관성 플롯이다.
도 18b는 예 1의 관계 네트워크 모델로부터 생성된 기관지염 및 천식과 신부전의 4분 플롯이다.
도 19a는 예 1의 신부전 서브 네트워크로부터 결정된 기관지염 & 천식과 신부전 사이의 새로운 관련성을 설명하는 임상 연구에 기반한 경로를 개략적으로 도시하는 다이어그램이다.
도 19b는 예 1의 신부전 서브 네트워크로부터 결정된 기관지염 & 천식과 신부전 사이의 새로운 관련성의 기초가 되는 잠재적 분자 메커니즘을 개략적으로 도시하는 다이어그램이다.
도 20은 예 1의 관계 네트워크 모델 및 예 2의 선택된 적혈구 장애 서브 네트워크를 개략적으로 도시한다.
도 21은 본원에서 설명된 헬스케어 분석 시스템 및 방법의 일부 실시 예를 구현하는 데 사용될 수 있는 컴퓨팅 디바이스의 블록도이다.
최근 수년간 전자 건강 기록을 채택하기 시작한 이래로 헬스케어 데이터가 폭발적으로 증가했다. 이러한 헬스케어 데이터는 환자 치료를 개선하고 치료 제공에 있어 새로운 효율성을 생성하여 헬스케어를 진보시키는 데 새로운 길을 열기 위해 활용될 수 있다. 예를 들어, 환자 특정 분자 및 임상 요인들에 기인한 치료 결과의 변화를 이해하는 것이 의학에서 정밀 모델들의 생성을 가능하게 할 수 있다.
헬스케어에서 빅 데이터 노력의 주된 초점은 헬스케어 데이터의 더 나은 관리 및 큐레이션(curation), 그리고 가설을 테스트 하기 위한 데이터 마이닝에 있어 왔다. 건강 데이터의 종래 분석은 오래 유지된 생물학적 또는 임상적 표현형 가설(long-held biological or clinical phenotype hypotheses) 또는 분석의 기초가 되는 다른 가정들에 의존하여 제한되어 왔다.
본원에서 설명된 실시 예들은 헬스케어 분석을 위한 시스템들, 방법들 및 컴퓨터 판독가능 매체를 포함한다. 일부 실시 예들은 베이지안 네트워크 알고리즘(Bayesian network algorithm)을 이용하여, 환자 관리와 같은 헬스케어의 다양한 분야와 관련된 데이터에 기반하여 인과 관계 네트워크 모델을 생성한다. 관계 네트워크 모델을 생성하는 데 사용되는 데이터는 관련성을 위해 미리 선택되거나 사전 필터링 되지 않은 대량의 데이터이다. 또한, 인과 관계 네트워크 모델의 생성은 어떤 변수들이 관련 있거나 관련 없는지에 관한 가정 또는 변수들 사이의 관계에 관한 사전 지식에 의존하지 않는다. 이러한 편향되지 않은 방법은 방법들 및 시스템의 실시 예들이 데이터 콜렉션에 의해 뒷받침되는 관련성들을 표현하는 네트워크 모델을 구축할 수 있게 하며, 공지의 임상 연구에 의해 편향되지 않은 것이다. 따라서, 데이터가 관련성을 위해 미리 선택되고 변수들 간 관계에 관한 사전 지식을 포함하는 종래의 방법들과는 대조적으로, 일부 실시 예의 결과적인 네트워크는 헬스케어 커뮤니티에 미리 알려지지 않았거나 헬스케어 커뮤니티에 의해 미리 연구되거나 탐구되지 않았던 변수들 간 새로운 상호작용을 포함할 가능성이 더 높을 수 있다. 일부 실시 예는 완벽히 데이터 주도되고(data-driven) 현재 지식에 의해 편향되지 않은 환자 데이터를 모델링하기 위한 방법들 및 시스템들을 포함한다. 이러한 데이터 주도 및 편향되지 않은 모델들은 질병 결과들에서 새롭고 종종 놀라운 경향을 발견하는 데 사용될 수 있다. 일부 실시 예는 명백하지 않은 합병증을 식별하고 개선된 치료 전략 및 프로토콜을 개발하는 데 사용될 수 있다.
일부 실시 예에서, 헬스케어 관련 정보를 포함하는 데이터가 획득되거나 수신된다. 수신된 데이터는 복수의 변수들에 대해 정규화된 데이터를 생성하도록 처리되고 파싱된다 (parsed). 인과 관계 네트워크 모델이 베이지안 네트워크 알고리즘을 이용하여 변수들에 기반하여 생성된다. 일부 예에서, 관계 네트워크 모델은 복수의 의학적 상태들 및 복수의 의약품들을 포함하고, 의학적 상태들과 약품들 간의 관계를 나타낸다.
일부 실시 예는 생성된 인과 관계 네트워크 모델을 사용하기 위한 방법을 포함한다. 예를 들어, 일부 실시 예는 의학적 상태 또는 의약품에 관련된 사용자로부터의 정보를 수신하는 것을 포함한다. 수신된 정보에 기반하여, 서브 네트워크가 생성된 인과 관계 네트워크 모델로부터 결정된다. 서브 네트워크는 관심 의학적 상태 또는 약품에 대한 예측 변수들(predictors)을 결정하기 위해 횡단 되거나 조사된다. 예측 변수는 의학적 상태 또는 의약품에 영향을 미치는 주요한 요인일 수 있다.
정의
본원에서 사용된 바와 같이, 특별히 정의되도록 의도되었지만 본 명세서의 다른 부분들에서 이미 정의되지 않은 특정 용어들이 여기서 정의된다.
용어 “진단/치료 정보(diagnostic/treatment information)”는 내려진 진단을 인코딩하는 임의의 정보 또는 어떤 치료들이 제공되었는지를 설명하는 정보를 지칭한다.
용어 “의학적 상태(medical condition)”은 증상 및 징후를 나타낼 수 있는 사람에게 영향을 미치는 임의의 병리학적 상태, 질병 및/또는 질환을 지칭한다.
용어 “의약품(medical drug)” 또는 “약품(drug)”은 치료, 처치 및/또는 의학적 상태를 예방하고/하거나 의학적 상태를 진단하는 데 사용될 수 있는 임의의 약, 약물 치료, 치료제 및/또는 화학 물질을 지칭한다.
용어 “예측변수(predictor)”는 결과를 예측하는 수학 등식, 알고리즘 또는 결정 지원 도구에서 사용될 수 있는 변수를 지칭한다. 수학 등식, 알고리즘 또는 결정 지원 도구는 결과를 예측하기 위해 여러 변수들을 사용할 수 있다.
다음 설명은 당업자가 헬스케어 분석을 위한 시스템들 및 방법들을 생성하고 사용할 수 있게 하기 위해 제공된다. 실시 예들에 대한 다양한 변형이 당업자에게 쉽게 명백할 것이며, 본원에서 정의된 일반적인 원리는 본 발명의 사상 및 범위를 벗어나지 않고 다른 실시 예들 또는 응용들에 적용될 수 있다. 또한, 다음 설명에서, 많은 세부 사항이 설명의 목적으로 제시된다. 그러나, 당업자는 본 발명이 이러한 세부 특정 사항들의 사용 없이 실행될 수 있다는 것을 깨달을 것이다. 다른 예들에서, 공지된 구조들 및 프로세스들은 불필요한 세부 사항으로 본 발명의 설명을 모호하게 하지 않기 위해 블록도 형태로 도시된다. 따라서, 본 개시는 보여진 실시 예들에 한정된 것으로 의도된 것이 아니라, 여기서 개시된 원리들 및 특징들과 일치하는 가장 넓은 범위에 주어진 것이다.
도 1은 일 실시 예에 따른 헬스케어 분석 시스템에 부분적으로 또는 전체적으로 포함될 수 있는 예시 시스템(100)을 묘사하는 네트워크 다이어그램을 도시한다. 시스템(100)은 네트워크(105), 클라이언트 디바이스(110), 클라이언트 디바이스(115), 클라이언트 디바이스(120), 클라이언트 디바이스(125), 서버(130), 서버(135), 데이터베이스(들)(140), 및 데이터베이스 서버(들)(145)를 포함할 수 있다. 클라이언트 디바이스들(110, 115, 120, 125), 서버(130), 데이터베이스(들)(140), 및 데이터베이스 서버(들)(145) 각각은 네트워크(105)와 통신한다.
일 실시 예에서, 네트워크(105)의 하나 이상의 부분들은 애드 혹 네트워크(ad hoc network), 인트라넷, 엑스트라넷, 가상 사설 망(VPN), 근거리 통신망(LAN), 무선 랜(WLAN), 광역 네트워크(WAN), 무선 광역 네트워크(WWAN), 도시 지역 통신망(MAN), 인터넷 일부분, 공중 교환 전화망(PSTN), 휴대 전화 네트워크, 무선 네트워크, WiFi 네트워크, WiMax 네트워크, 임의의 다른 형태의 네트워크 또는 둘 이상의 이러한 네트워크의 조합일 수 있다.
클라이언트 디바이스의 예들은 워크 스테이션, 퍼스널 컴퓨터, 범용 컴퓨터, 인터넷 어플라이언스, 랩탑, 데스크탑, 멀티 프로세서 시스템, 셋톱 박스, 네트워크 PC 들, 무선 디바이스, 포터블 디바이스, 웨어러블 컴퓨터, 휴대 또는 모바일 폰, 휴대용 디지털 보조장치(PDA)들, 스마트폰, 태블릿, 울트라북, 넷북, 멀티 프로세서 시스템, 마이크로프로세서 기반 또는 프로그래머블 가전 제품, 미니 컴퓨터 등을 포함하나 이에 한정되지 않는다. 클라이언트 디바이스들(110, 115, 120, 125) 각각은 유선 또는 무선 연결을 통해 네트워크(105)에 연결될 수 있다.
예시적 실시 예에서, 클라이언트 디바이스(110, 115, 120, 125)에 포함된 헬스케어 분석 시스템은 본원에서 설명된 기능들 중 일부를 지역적으로 수행하도록 구성될 수 있는 반면, 서버(130, 135)는 본원에서 설명된 다른 기능들을 수행한다. 예를 들어, 클라이언트 디바이스(110, 115, 120, 125)는 환자 데이터를 수신하고 환자 데이터를 파싱할 수 있는 반면, 서버(135)는 인과 관계네트워크를 생성할 수 있다. 또 다른 예에서, 클라이언트 디바이스(110, 115, 120, 125)는 기준의 선택을 수신할 수 있는 반면, 서버(135)는 인과 관계 네트워크로부터 서브 네트워크를 결정하고, 선택된 기준에 대한 예측 변수들을 식별하기 위해 서브 네트워크를 횡단하며, 식별된 예측 변수들을 저장할 수 있다. 또 다른 예에서, 클라이언트 디바이스(110, 115, 120, 125)는 기준의 선택을 수신할 수 있는 반면, 서버(135)는 인과 관계 네트워크로부터 서브 네트워크를 결정할 수 있고, 선택된 기준에 대한 예측 변수들을 식별하기 위해 서브 네트워크를 횡단할 수 있으며, 클라이언트 디바이스(110, 115, 120, 125)는 식별된 예측 변수들을 저장할 수 있다.
대안적 실시 예에서, 클라이언트 디바이스(110, 115, 120, 125)는 본원에서 설명된 기능들 모두를 수행할 수 있다. 예를 들어, 클라이언트 디바이스(110, 115, 120, 125)는 환자 데이터를 수신할 수 있고, 환자 데이터를 파싱할 수 있으며, 환자 데이터에 기반하여 인과 관계 네트워크를 생성할 수 있다. 또 다른 예에서, 클라이언트 디바이스(110, 115, 120, 125)는 기준의 선택 - 예를 들어, 의학적 상태 또는 의약품 - 을 수신할 수 있고, 선택된 기준에 기반하여 인과 관계 네트워크로부터 서브 네트워크를 결정할 수 있고, 선택된 기준에 대한 예측 변수들을 식별하기 위해 서브 네트워크를 횡단할 수 있으며, 식별된 예측 변수들을 저장할 수 있다.
또 다른 대안적 실시 예에서, 헬스케어 분석 시스템은 클라이언트 디바이스(110, 115, 120, 125)에 포함될 수 있고, 서버(135)는 본원에서 설명된 기능들을 수행한다. 예를 들어, 서버(135)는 환자 데이터를 수신할 수 있고, 환자 데이터를 파싱할 수 있으며, 환자 데이터에 기반하여 인과 관계 네트워크를 생성할 수 있다. 또 다른 예에서, 서버(135)는 기준의 선택 - 예를 들어, 의학적 상태 또는 의약품 - 을 수신할 수 있고, 선택된 기준에 기반하여 인과 관계 네트워크로부터 서브 네트워크를 결정할 수 있고, 선택된 기준에 대한 예측 변수들을 식별하기 위해 서브 네트워크를 횡단할 수 있으며, 식별된 예측 변수들을 저장할 수 있다.
일부 실시 예에서, 서버(130)와 서버(135)는 분산 컴퓨팅 환경을 일부일 수 있으며, 태스크들/기능들 중 일부는 서버들(130 및 135) 간에 분산된다. 일부 실시 예에서, 서버(130)와 서버(135)는 병렬 컴퓨팅 환경의 일부이며, 서버(130)와 서버(135)는 본원에서 설명된 인과 관계 네트워크 모델을 생성하는데 필요한 계산 및 처리 자원들을 제공하기 위해 병렬로 태스크들/기능들을 수행한다.
일부 실시 예에서, 서버(130, 135), 데이터베이스(들)(140), 및 데이터베이스 서버(들)(145) 각각은 유선 연결을 통해 네트워크(105)에 연결된다. 대안적으로, 서버(130, 135), 데이터베이스(들)(140), 또는 데이터베이스 서버(들)(145) 중 하나 이상은 무선 연결을 통해 네트워크(105)에 연결될 수 있다. 도시되지는 않았지만, 데이터베이스 서버(들)(145)는 데이터베이스(들)(140)에 직접적으로 연결될 수 있거나, 서버들(130, 135)는 데이터베이스 서버(들)(145) 및/또는 데이터베이스(들)(140)에 직접적으로 연결될 수 있다. 서버(130, 135)는 네트워크(105)를 통해 클라이언트 디바이스(110, 115, 120, 125)와 통신하도록 구성된 하나 이상의 컴퓨터들 또는 프로세서들을 포함한다. 서버(130, 135)는 클라이언트 디바이스들(110, 115, 120 및 125)에 의해 액세스 되는 하나 이상의 어플리케이션들 또는 웹사이트들을 호스팅하고/하거나 데이터베이스(들)(140)의 콘텐츠에 대한 액세스를 용이하게 한다. 데이터베이스 서버(들)(145)는 데이터베이스(들)(140)의 콘텐츠에 대한 액세스를 용이하게 하도록 구성된 하나 이상의 컴퓨터들 또는 프로세서들을 포함한다. 데이터베이스(들)(140)은 서버(130, 135), 데이터베이스 서버(들)(145) 및/또는 클라이언트 디바이스들(110, 115, 120, 125)에 의한 사용을 위해 데이터 및/또는 명령들을 저장하기 위한 하나 이상의 저장 디바이스들을 포함한다. 데이터베이스(들)(140), 서버들(130, 135) 및/또는 데이터베이스 서버(들)(145)은 서로로부터 또는 클라이언트 디바이스들(110, 115, 120, 125)로부터 하나 이상의 지리적으로 분산된 장소들에 위치될 수 있다. 대안적으로, 데이터베이스(들)(140)은 서버(130 또는 135), 또는 데이터베이스 서버(들)(145) 내에 포함될 수 있다.
도 2는 예시적 실시 예에 따른 모듈들로 구현된 헬스케어 분석 시스템을 보여주는 블록도(200)이다. 일부 실시 예에서, 모듈들은 데이터 모듈(210), 파싱 모듈(220), 관계 네트워크 모듈(230), 서브 네트워크 모듈(240), 및 예측변수 모듈(250)을 포함한다. 예시적 실시 예에서, 모듈들(210, 220, 230, 240 및 250) 중 하나 이상은 서버(130) 및/또는 서버(135)에 포함되는 반면 모듈들(210, 220, 230, 240 및 250) 중 다른 것은 클라이언트 디바이스들(110, 115, 120, 125)에서 제공된다. 예를 들어, 데이터 모듈(210)은 클라이언트 디바이스(110, 115, 120, 125)에 포함될 수 있는 반면, 파싱 모듈(220), 관계 네트워크 모듈(230), 서브 네트워크 모듈(240) 및 예측변수 모듈(250)은 서버(130) 또는 서버(135)에서 제공된다. 또 다른 예에서, 데이터 모듈(210)은 클라이언트 디바이스들(110, 115, 120, 125)에 포함될 수 있는 반면, 파싱 모듈(220) 및 관계 네트워크 모듈(230)은 서버(130)에서 제공되며, 서브 네트워크 모듈(240) 및 예측변수 모듈(230)은 서버(135)에서 제공된다. 또 다른 예에서, 관계 네트워크 모듈(230)의 기능들 중 일부는 서버(130)에 의해 수행될 수 있고, 관계 네트워크 모듈(230)의 기능들 중 나머지 부분은 서버(135)에 의해 수행될 수 있다.
대안적 실시 예에서, 모듈들은 클라이언트 디바이스들(110, 115, 120, 125) 중 임의의 것에서 구현될 수 있다. 모듈들은 클라이언트 디바이스들(110, 115, 120, 125)에 포함된 하나 이상의 프로세서들에 의해 실행되도록 구성된 하나 이상의 소프트웨어 구성요소들, 프로그램들, 어플리케이션들, 앱들 또는 코드 베이스의 다른 유닛들 또는 명령들을 포함할 수 있다. 일부 실시 예에서, 모듈들(210, 220, 230, 240 및 250)은 웹사이트에서 다운로드될 수 있다. 다른 실시 예에서, 모듈들(210, 220, 230, 240 및 250)은 외부 저장 구성요소(예, USB 드라이브, 썸 드라이브(thumb drive), CD, DVD 등)와 같은 외부 하드웨어 구성요소로부터 인스톨 될 수 있다.
모듈들(210, 220, 230, 240 및 250)은 도 2에서 별개 모듈들로 보여지나, 모듈들(210, 220, 230, 240 및 250)은 도시된 것보다 더 적은 또는 더 많은 모듈들로 구현될 수 있음을 이해해야 한다. 모듈들(210, 220, 230, 240 및 250) 중 임의의 것은 데이터베이스들, 서버들, 데이터베이스 서버들, 또는 다른 클라이언트 디바이스들과 같은 하나 이상의 외부 구성요소들과 통신할 수 있음을 이해해야 한다.
데이터 모듈(210)은 데이터를 수신하고 관리하도록 구성된 하드웨어 구현 모듈(hardware-implemented module)일 수 있다. 파싱 모듈(220)은 복수의 변수들에 대해 수신된 데이터를 처리, 파싱 및 분석하도록 구성된 하드웨어 구현 모듈일 수 있다. 관계 네트워크 모듈(230)은 베이지안 네트워크 알고리즘을 이용하여 수신된 데이터로부터 복수의 변수들을 관련시키는 인과 관계 네트워크 모델을 생성하도록 구성된 하드웨어 구현 모듈일 수 있다. 인과 관계 네트워크 모델을 생성하는 것은 상당한 프로세서 역량을 필요로 할 수 있으므로, 관계 네트워크 모듈의 기능들은 일부 실시 예들에서 서버(130) 및 서버(135)에 의해 수행될 수 있다. 서브 네트워크 모듈(240)은 인과 관계 네트워크 모델을 관리하도록 그리고 사용자로부터 수신된 정보와 관련된 인과 관계 네트워크 모델로부터 서브 네트워크를 결정하도록 구성된 하드웨어 구현 모듈일 수 있다. 예측변수 모듈(250)은 사용자로부터 수신된 정보에 대응하는 하나 이상의 예측변수들을 식별하기 위해 서브 네트워크를 횡단하도록 구성된 하드웨어 구현 모듈일 수 있다.
도 3은 일 실시 예에 따른 인과 관계 네트워크 모델을 생성하기 위한 방법의 예시 흐름도(300)를 도시한다. 블록(302)에서, 복수의 환자들에 대응하는 데이터가 수신된다. 일부 실시 예들에서, 데이터는 데이터 모듈(210)에 의해 수신된다(도 2 참조). 일부 실시 예들에서, 데이터는 각각의 환자에 대한 진단 정보 및/또는 치료 정보를 포함한다. 데이터는 환자 인구 통계(demographics), 병력, 환자 가족 병력, 활성 투약 정보(active medication information), 비활성 과거 약물 정보(inactive past medication information), 알러지 정보, 예방 접종 상태 정보, 검사실 테스트 결과, 방사선 이미지, 생체 신호 정보, 환자 체중, 청구 정보, 생활 양식 정보, 습관 정보, 보험 청구 정보, 약국 정보 등의 것들 중 임의의 것과 같은 정보를 포함할 수 있다. 환자 인구 통계는 환자 나이, 환자 인종(patient race) 및 환자 민족성(patient ethnicity)을 포함할 수 있다. 데이터는 헬스 케어 전문가에 의한 기록, 헬스 케어 전문가에 의한 관찰, 치료 및 약품 투여, 치료 및 약품 투여에 대한 순서, 테스트 결과, 엑스레이 등과 같은 환자 차트로부터의 정보를 포함할 수도 있거나 대안적으로 포함할 수 있다. 데이터는 진단 코드, 치료 코드, 보험료 코드(insurance charge code), 진단 관련 그룹 코드, 국제 질병 분류 코드(International Classification of Diseases code) 등과 같은 환자 퇴원 정보(patient discharge information)를 포함할 수도 있거나 대안적으로 포함할 수 있다. 데이터 모듈(210)(도 2 참조)은 다양한 헬스케어 데이터, 정보 및/또는 통계를 관리하고 이용가능하게 하는 엔티티(entity)로부터 데이터를 추출하거나 획득할 수 있다. 데이터는 공개적으로 이용가능한 소스들, 데이터를 수집하는 상업적 엔티티들, 헬스케어 제공자들 등과 같은 다양한 소스들로부터 획득될 수 있다. 일부 실시 예들에서, 데이터는 복수의 의학적 상태 또는 약품 관련되는 것으로 미리 선택되거나 미리 결정되지 않을 수 있다. 입력 데이터의 실례가 되는 예를 위해, 도 6에 대하여 후술되는 예 1을 참조한다.
블록(304)에서, 블록(302)에서 수신된 데이터는 복수의 변수들에 대해 정규화된 데이터를 생성하도록 파싱된다. 일부 실시 예에서, 데이터는 파싱 모듈(220)에 의해 파싱된다(도 2 참조). 각 환자에 대한 하나 이상의 변수에 대해 정규화된 데이터가 생성된다. 데이터의 정규화는 데이터를 표준 형태(canonical form)로 감소시키는 것 및/또는 추후 사용을 위해 도움이 되는 형식으로 데이터를 구성하는 것을 포함할 수 있다. 일부 실시 예들에서, 데이터를 파싱하는 것은 데이터의 필터링 및 데이터의 대체(imputation)를 더 포함한다. 데이터의 필터링은 데이터 포인트들의 완전성 및 정확성 같은 기준에 기반한 데이터 포인트들의 제거를 포함할 수 있다. 데이터의 대체는 누락된 데이터 포인트들을 적절한 대체 값들로 대체하는 것을 포함할 수 있다.
블록 306에서, 인과 관계 네트워크 모델은 복수의 변수들에 대해 생성된 정규화된 데이터에 기반하여 생성된다. 일부 실시 예들에서, 인과 관계 네트워크 모델은 관계 네트워크 모듈(230)을 이용하여 생성된다(도 2 참조). 일부 실시 예들에서, 베이지안 네트워크 알고리즘이 복수의 변수들을 관련시키는 인과 관계 네트워크 모델을 생성하기 위해 사용된다. 일부 실시 예들에서, 생성된 인과 관계 네트워크 모델은 복수의 의학적 상태들 및/또는 약품들에 관련된 변수들을 포함한다. 일부 예들에서, 인과 관계 네트워크 모델이 네트워크 모델 구축 코드용 스토리지(storage for network model building code) 및 네트워크 모델 구축 코드를 실행하기 위한 하나 이상의 프로세서들을 포함하는 프로그램된 컴퓨팅 시스템을 이용하여 생성된다. 인과 관계 네트워크 모델은 복수의 의학적 상태들 또는 약품들 각각에 대한 하나 이상의 예측변수들을 나타내는 관계들을 포함할 수 있다. 인과 관계 네트워크 모델은 정규화된 데이터에 대해서만 생성될 수 있다. 일부 실시 예들에서, 관계 네트워크 모델은 인공 지능 기반 네트워크 모델이다.
인과 관계 네트워크 모델은 의미있는 데이터 분석을 위해 필요하거나 적절한 만큼 많은 변수들에 기반하여 생성될 수 있다. 예를 들어, 일부 실시 예들에서, 모델은 적어도 50개 변수들에 기반하여 생성될 수 있다. 다른 실시 예들에서, 모델은 적어도 100개 변수들, 적어도 1000개 변수들, 적어도 10,000개 변수들, 적어도 100,000 개 변수들 또는 적어도 1,000,000 개 변수들에 기반하여 생성될 수 있다. 상술된 바와 같이, 변수들은 미처리/미가공된(unprocessed/raw) 입력 데이터 세트로부터 결정된/추출된 데이터에 대응한다. 일부 실시 예들에서, 변수들은 인과 관계 네트워크 모델에서 노드들이 된다.
인과 관계 네트워크 모델은 의미 있는 데이터 분석을 위해 필요하거나 적절한 만큼 많은 환자들로부터의 데이터에 기반하여 생성될 수 있다. 예를 들어, 일부 실시 예들에서 모델은 적어도 50명 환자들로부터의 데이터에 기반하여 생성될 수 있다. 다른 실시 예들에서, 모델은 적어도 100명 환자들, 적어도 1000명 환자들, 적어도 10,000명 환자들, 적어도 100,000 명 환자들 또는 적어도 1,000,000명 환자들로부터의 데이터에 기반하여 생성될 수 있다.
상기 방법은 추가 단계들을 포함할 수 있다. 예를 들어, 하나 이상의 추가 환자들에 대응하는 추가 데이터가 수신될 수 있으며, 이 때 인과 관계 네트워크 모델은 추가 데이터에 기반하여 업데이트되거나 재생성될 수 있다.
일부 실시 예들에서는, 생성된 관계 네트워크 모델의 일부 또는 전부의 그래픽 표현이 사용자에게 디스플레이될 수 있다. 일부 실시 예들에서는, 생성된 관계 네트워크 모델이 추후 사용을 위해 저장된다.
상이한 많은 인공 지능 기반 플랫폼들 또는 시스템들이 베이지안 네트워크 알고리즘을 이용하여 인과 관계 네트워크 모델들을 생성하기 위해 사용될 수 있다는 것을 유의해야 한다. 일부 예시적 실시 예들은 GNS(Cambridge, MA)의 REFS™ (Reverse Engineering/Forward Simulation)이라 불리는 상업적으로 가용한 시스템을 사용한다. 일부 실시 예들을 구현하는데 적합한 AI 기반 시스템들 또는 플랫폼들은 임의의 잠재적인, 확립된/되거나, 검증된 관계들에 관한 이전의 기존 지식을 고려하지 않고 입력 데이터세트에만 기반하여 변수들 간의 인과 관계들을 확립하기 위해 수학적 알고리즘들을 사용한다.
예를 들어, REFS™ AI 기반 정보 과학 플랫폼(AI-based informatics system)은 정규화된 입력 데이터를 취할 수 있고, 어떻게 데이터 포인트들이 시스템에서 서로 상호작용하는지를 결정하기 위해 수조 개의 계산을 신속하게 수행할 수 있다. REFS™ AI 기반 정보 과학 플랫폼은 다양한 건강 상태들과 예측 변수들 간의 관계들을 정량적으로 나타내는 입력 데이터에 기반하여 인실리코(in silico) 컴퓨터 구현 관계 네트워크 모델을 생성하기 위한 리버스 엔지니어링 프로세스(reverse engineering process)를 수행한다. 또한, 가설들은 가설들에 관한 관련 신뢰 수준(confidence levels)을 동반하는 예측을 얻기 위해 컴퓨터 구현 관계 네트워크에 기반하여 개발되고 신속하게 시뮬레이션될 수 있다. 또한, REFS 플랫폼을 사용하는 인과 관계 모델의 생성의 일 예에 관한 세부사항들이 이하에서 제공된다.
도 4는 일 실시 예에 따른 인과 관계 네트워크 모델을 이용하기 위한 방법의 예시적 흐름도(400)를 도시한다. 방법(400)은 예시적 시스템으로 구현될 수 있고 헬스케어 분석 시스템을 이용하기 위한 방법으로 설명될 수 있다. 인과 관계 네트워크 모델을 이용하기 위한 방법은 또한 인과 관계 네트워크 모델로부터의 결과들을 해석하기 위한 방법으로 지칭될 수 있다.
블록(402)에서, 정보가 사용자로부터 수신된다. 일부 실시 예들에서, 정보는 데이터 모듈(210)(도 2 참조)에 의해 수신된다. 일부 실시 예들에서, 관계 네트워크 모델의 생성을 위해 데이터 콜렉션을 수신하기 위한 데이터 모듈은 생성된 관계 네트워크 모델의 사용을 위해 사용자로부터 정보를 수신하는 데이터 모듈과 다르거나 분리된다.
사용자로부터 수신된 정보는 하나 이상의 의학적 상태들 또는 하나 이상의 의약품들의 선택을 포함할 수 있다. 일부 실시 예들에서, 사용자는 선택할 의학적 상태들 및/또는 의약품들의 목록을 제공 받을 수 있다.
사용자로부터 수신된 정보는 하나 이상의 의학적 상태들 또는 하나 이상의 의약품들에 관련된 질의의 형태일 수 있다. 일부 실시 예들에서, 사용자는 검색/질의 필드에 텍스트를 입력할 수 있다.
일부 실시 예들에서는, 인과 관계 네트워크 모델의 일부 또는 전부의 그래픽 표현이 디스플레이될 수 있다. 일부 실시 예들에서, 사용자로부터 수신된 정보는 인과 관계 네트워크 모델의 일부 또는 전부의 그래픽 표현으로 디스플레이된 하나 이상의 노드들의 선택일 수 있다.
블록(404)에서, 서브 네트워크가 블록(402)에서 사용자로부터 수신된 정보에 기반하여 인과 관계 네트워크 모델로부터 결정된다. 일부 실시 예들에서는, 서브 네트워크가 서브 네트워크 모듈(240)에 의해 결정된다. 상술된 바와 같이 서브 네트워크가 결정되는 인과 관계 네트워크 모델은 베이지안 네트워크 알고리즘을 이용하여 환자 데이터로부터 생성될 수 있었으며, 복수의 의학적 상태들에 관련된 변수들을 포함하는 복수의 변수들을 포함할 수 있다. 결정된 서브 네트워크에 포함된 하나 이상의 변수들은 사용자로부터 수신된 정보에 대응한다. 예를 들어, 수신된 정보가 하나 이상의 의학적 상태들과 관련된다면, 서브 네트워크의 하나 이상의 변수들이 하나 이상의 의학적 상태들과 관련된다. 또 다른 예에서, 수신된 정보가 하나 이상의 약품들과 관련된다면, 서브 네트워크의 하나 이상의 변수들이 하나 이상의 약품들과 관련된다.
서브 네트워크의 범위는 선택된 하나 이상의 의학적 상태들 또는 하나 이상의 약품들과 연관된 하나 이상의 변수들 및 인과 관계 네트워크 모델의 하나 이상의 변수들과 다른 변수들 사이의 관계들의 강도에 기반하여 결정된다. 서브 네트워크는 관심 의학적 상태 또는 약품과 관련된 하나 이상의 변수들, 및 각각이 하나 이상의 변수들과 제1차 관계(first degree relationship)를 가지는 추가 변수들의 제1 세트를 포함할 수 있다. 일부 실시 예들에서, 서브 네트워크는 각각이 하나 이상의 변수들과 제2차 관계(second degree relationship)를 가지는 추가 변수들의 제2 세트를 더 포함할 수 있다.
블록(406)에서, 서브 네트워크는 예측변수들을 식별하기 위해 횡단된다. 일부 실시 예들에서, 서브 네트워크는 예측변수 모듈(250)(도 2 참조)에 의해 횡단된다. 예측변수들은 사용자로부터 수신된 정보와 관련된 것으로 식별된다. 예측변수는 관심 의학적 상태 또는 의약품에 대해 인과 관계를 가지는 요인, 데이터 포인트, 또는 노드이다. 예를 들어, 신부전증은 심부전에 대한 예측변수일 수 있다. 하나 이상의 예측변수들이 인과 관계 네트워크 모델로부터 식별된 후에, 식별된 예측변수는 관심 의학적 상태 또는 약품에 관한 예측변수의 중요성을 결정하기 위해 전통적인 통계 또는 회귀 분석에서 사용될 수 있다. 관심 의학적 상태의 하나 이상의 예측변수들은 관심 의학적 상태와 함께 발생하는 의학적 상태를 나타낼 수 있다. 하나 이상의 예측변수들은 관심 약품과 함께 투여되는 약품을 나타낼 수 있거나 불리한 약물 상호작용(adverse drug interaction)을 나타낼 수 있다. 식별된 예측 변수는 의약적 상태 또는 약품에 대해 이전에 알려지지 않았거나 새로운 예측변수일 수 있다. 식별된 예측변수는 의학적 상태 또는 약품에 대한 예측변수로서 새롭게 식별될 수 있다. 예측변수들의 개수는 서브 네트워크의 변수들 또는 노드들의 개수보다 더 적을 수 있다. 블록(408)에서, 식별된 예측변수들이 저장된다.
상기 방법은 추가 단계들을 포함할 수 있다. 예를 들어, 식별된 예측변수들이 변수들, 예측변수들, 및 변수들과 예측변수들 간의 관계들의 그래픽 표현을 통해 사용자 인터페이스에서 디스플레이될 수 있다. 결정된 서브 네트워크가 사용자 인터페이스에서 디스플레이될 수 있다.
인과 관계 네트워크 모델의 생성
베이지안 네트워크 알고리즘을 이용하여 생성된 정규화된 데이터에 기반하여 복수의 변수들을 관련시키는 인과 관계 네트워크 모델을 생성하는 단계(도 3의 블록(306))는 설명 목적으로만 REFS AI 기반 정보 과학 시스템에 관하여 이하에서 더 상세히 설명된다. 그러나 당업자는 베이지안 분석을 사용하는 다른 시스템들이 사용될 수 있다는 것을 인식할 것이다.
복수의 변수들에 대해 정규화된 데이터는 입력 데이터 세트로서 REFS 시스템에 입력된다. REFS 시스템은 헬스케어 시스템의 관계들과 연결들을 유도하는 변수들(예를 들어, 의학적 상태들, 의약품들, 퇴원 코드들)을 포함하는 “네트워크 프래그먼트들(network fagments)”의 라이브러리를 생성한다. REFS 시스템은 또한 라이브러리로부터 네트워크 프래그먼트들의 서브세트를 선택하고 선택된 서브세트로부터 초기 시험 네트워크(initial trial network)를 구성한다. AI 기반 시스템은 또한 또 다른 초기 시험 네트워크를 구성하기 위해 라이브러리의 네트워크 프래그먼트들의 상이한 서브세트를 선택한다. 결국 초기 시험 네트워크의 앙상블(ensemble)(예를 들어, 1000개 네트워크)이 라이브러리의 네트워크 프래그먼트들의 상이한 서브세트들로부터 생성된다. 이 프로세스는 병렬 앙상블 샘플링(parallel ensemble sampling)이라 칭해질 수 있다. 앙상블의 각각의 시험 네트워크가 라이브러리로부터 추가 네트워크 프래그먼트들을 추가, 제거 및/또는 대체하여 진화되거나 최적화된다. 네트워크 프래그먼트 라이브러리의 생성, 시험 네트워크들의 생성 및 네트워크들의 진화에 관한 더 상세한 설명이 이하에서 제공된다. 추가 데이터가 획득되면, 추가 데이터는 라이브러리의 네트워크 프래그먼트들로 통합될 수 있고 각각의 시험 네트워크의 진화를 통해 시험 네트워크들의 앙상블로 통합될 수 있다. 최적화/진화 프로세스의 완료 후에, 시험 네트워크들의 앙상블이 생성된 관계 네트워크 모델들로 설명될 수 있다.
생성된 관계 네트워크 모델들의 앙상블은 다양한 의학적 상태들 및/또는 약품들 사이의 연결 행위(behavior of connections)를 시뮬레이션하는 데 사용될 수 있다. 시뮬레이션이 임상 연구 및 실험을 이용하여 검증될 수 있는 의학적 상태들 및/또는 의약품들 사이의 상호작용들을 예측하는데 사용될 수 있다. 또한, 생성된 관계 네트워크 모델의 관계들의 정량적 파라미터들은 생성된 관계 네트워크 모델들의 다른 노드들에 대한 영향을 관찰하면서 개별적으로 각각의 노드에 시뮬레이션된 섭동(perturbations)을 적용함으로써 시뮬레이션 기능을 이용하여 추출될 수 있다.
REFS의 빌딩 블록들(building blocks)은 데이터 양식의 수에 제한없이 여러 데이터 유형들(예를 들어, 연속, 이산, 불리안(Boolean))을 통합한다. 모델들의 앙상블을 생성하는 것은 상당한 처리 능력을 요구한다. 일부 실시 예들에서, 모델들의 앙상블이 30,000+ 프로세서들의 병렬 IBM Blue Gene 머신들을 이용하여 생성된다. 결과 네트워크는 가설들의 높은 처리량 인실리코(in silico) 테스트를 가능하게 한다. 네트워크는 또한 검증가능한 가설들을 제공하는 예측변수들에 대한 순위 순서(rank order) 및 신뢰도 메트릭스(confidence metrics)를 포함한다.
상술된 바와 같이, 전처리된 데이터가 네트워크 프래그먼트 라이브러리를 구성하는 데 사용된다. 네트워크 프래그먼트들은 측정된 변수들(입력 데이터)의 모든 가능한 작은 세트들(예를 들어, 2-3 멤버 세트들 또는 2-4 멤버 세트들) 간의 정량적, 연속적 관계를 정의한다. 프래그먼트의 변수들 사이의 관계들은 선형, 로지스틱(logistic), 다항(multinomial), 우성(dominant) 또는 열성(recessive)의 동형접합성(homozygous) 등 일 수 있다. 후보 관계에 입력 데이터가 주어지고 또한 수학적 복잡성에 대해 관계에 불이익을 줄 가능성을 반영하는 베이지안 확률적 스코어가 각각의 프래그먼트에서의 관계에 지정된다. 입력 데이터로부터 추론된 가능한 쌍별(pairwise) 및 3-방향(three-way) 관계들(그리고 일부 실시 예들에서는 또한 4-방향 관계들) 모두를 스코어링함으로써, 라이브러리에서 가장 가능성 있는 프래그먼트들이 식별될 수 있다(가능성있는 프래그먼트들(the likely fragments)). 관계의 정량적 파라미터들이 또한 입력 데이터에 기반하여 계산되고 각각의 프래그먼트에 대해 저장된다. 다양한 모델 유형들이 선형 회귀, 로지스틱 회귀(logistic regression), (분산 분석) ANOVA 모델들, (공분산 분석) ANCOVA 모델들, 비선형/다항식 회귀 모델들 및 심지어 비모수 회귀(non-parametric regression)를 포함하나 이에 제한되지 않는 프래그먼트 열거(fragment enumeration)에서 사용될 수 있다. 모델 파라미터들에 대한 이전 가정들은 모델에서 사용되는 파라미터들의 수에 관련된 걸 분포들(Gull distributions) 또는 베이지안 정보 기준(BIC; Bayesian Information Criterion) 페널티들을 가정할 수 있다. 네트워크 추론 프로세스에서, 초기 시험 네트워크들의 앙상블의 각각의 네트워크가 프래그먼트 라이브러리의 프래그먼트들의 서브세트로부터 구성된다. 각각의 초기 시험 네트워크들의 앙상블의 각각의 초기 시험 네트워크가 프래그먼트 라이브러리로부터의 프래그먼트들의 상이한 서브세트로 구성된다.
모델은 입력 데이터가 주어진 가장 가능성 있는 인수분해(factorization) 및 가장 가능성 있는 파라미터들을 결정함으로써 진화되거나 최적화된다. 이것은 “베이지안 네트워크를 학습하는 것”또는, 다르게 말하면 입력 데이터의 트레이닝 세트(training set)가 주어지면 입력 데이터에 가장 잘 일치하는 네트워크를 찾는 것으로 설명될 수 있다. 이것은 입력 데이터에 대해 각각의 네트워크를 평가하는 스코어링 함수를 사용함으로써 달성된다.
베이지안 프레임워크가 입력 데이터가 주어진 인수분해의 가능성을 결정하는 데 사용된다. 베이즈 규칙 (Bayes Law) 은 데이터 D가 주어진 모델 M의 사후 확률 P(M|D) 는, 데이터의 확률 P(D)가 모델에 걸쳐 일정하다고 가정하면, 모델의 사전 확률 P(M) 에 의해 곱해진, 모델 추정이 주어진 데이터의 사후 확률 P(D|M)의 곱의 결과물에 비례한다고 언급한다. 이것은 다음 등식으로 표현된다.
모델을 가정하는 데이터의 사후 확률은 파라미터들의 사전 분포에 대한 데이터 우도(data likelihood)의 적분이다.
모든 모델들이 동등하게 가능성 있다고 가정하면(즉, P(M) 은 상수임), 데이터 D가 주어진 모델 M의 사후 확률이 다음과 같이 각각의 로컬 네트워크 프래그먼트 Mi 에 대한 파라미터들에 대한 적분의 곱으로 고려될 수 있다.
상기 등식에서 선행 상수항은 생략되었음에 유의한다. 일부 실시 예들에서, 모델의 사후 확률 P(D|M)의 음의 대수(negative logarithm)를 취하는 베이지안 정보 기준(BIC)은 다음과 같이 각각의 모델을 "스코어(Score)"하는데 사용될 수 있다.
여기서 모델 M 에 대한 총 스코어 S tot 는 각각의 로컬 네트워크 프래그먼트에 대한 로컬 스코어 S i 의 합이다. BIC는 또한 각각의 개별 네트워크 프래그먼트에 스코어를 결정하기 위한 표현식을 제공한다.
여기서 
은 모델 M i 의 피팅 파라미터들(fitting parameters)의 수이고 N 은 샘플(데이터 포인트)의 수이다. S MLE (M i ) 는 네트워크 프래그먼트에 대한 우도 함수의 음의 대수이며, 각각의 네트워크 프래그먼트에 대해 사용된 기능적 관계(functional relationship)로부터 계산될 수 있다. BIC 스코어에 대해, 스코어가 낮을수록 모델이 입력 데이터에 적합할 가능성이 높다.
시험 네트워크들의 앙상블이 전역적으로 최적화되며, 이는 네트워크를 최적화 또는 진화시키는 것으로 설명될 수 있다. 예를 들어, 시험 네트워크들이 Metropolis Monte Carlo Sampling 알고리즘에 따라 진화되거나 최적화될 수 있다. 시뮬레이션된 어닐링 (simulated annealing) 이 로컬 변환을 통해 앙상블의 각각의 시험 네트워크를 최적화하거나 진화시키는데 사용될 수 있다. 예시적인 시뮬레이션된 어닐링 프로세스에서, 각각의 시험 네트워크는 라이브러리로부터 네트워크 프래그먼트를 추가하거나, 시험 네트워크로부터 네트워크 프래그먼트를 삭제하거나, 네트워크 프래그먼트를 대체하거나, 그렇지 않으면 네트워크 토폴로지를 변경함으로써 변경되고, 그런 다음 네트워크에 대한 새로운 스코어가 계산된다. 일반적으로, 스코어가 향상되면, 변경이 유지되고 스코어가 악화되면 변경이 거부된다. "온도(temperature)" 파라미터는 스코어를 악화시키는 일부 로컬 변경들이 유지되도록 할 수 있으며, 이는 일부 로컬 미니마(local minima)를 회피하는 데 있어 최적화 프로세스를 지원한다. "온도" 파라미터는 최적화/진화 프로세스가 수렴할 수 있도록 시간이 지남에 따라 감소된다.
네트워크 추론 프로세스의 전부 또는 일부는 시험 상이한 네트워크들에 대해 병렬로 수행될 수 있다. 각각의 네트워크는 별도의 프로세서 및/또는 별도의 컴퓨팅 디바이스에서 병렬로 최적화될 수 있다. 일부 실시 예들에서, 최적화 프로세스는 병렬로 동작하는 수백에서 수천 프로세서들을 통합한 수퍼컴퓨터 상에서 수행될 수 있다. 정보가 병렬 프로세서들에서 수행되는 최적화 프로세스들 간에 공유될 수 있다. 일부 실시 예들에서, 최적화 프로세스는 실리콘 기반 컴퓨터보다 상당히 더 빠르게 특정 계산들을 수행할 잠재력을 가지는 하나 이상의 양자 컴퓨터(quantum computers) 상에서 수행될 수 있다.
최적화 프로세스는 전체 스코어에 대한 임계 표준을 충족시키지 못하는 앙상블로부터 임의의 네트워크들을 드롭(drop)시키는 네트워크 필터를 포함할 수 있다. 드롭된 네트워크는 새로운 초기 네트워크에 의해 대체될 수 있다. 또한 "스케일 프리(scale free)"가 아닌 임의의 네트워크들이 앙상블로부터 드롭될 수 있다. 네트워크들의 앙상블이 최적화되거나 진화된 후에, 그 결과는 생성된 관계 네트워크 모델들의 앙상블이라고 지칭될 수 있으며, 총체적으로 생성된 컨센서스 네트워크(consensus network)로 지칭될 수 있다.
시뮬레이션이 생성된 관계 네트워크 모델들에서의 각각의 관계에 관한 정량적 파라미터 정보를 추출하는 데 사용될 수 있다. 예를 들어, 정량적 정보 추출을 위한 시뮬레이션은 네트워크의 각각의 노드를 10배(ten-fold)로 섭동시키는 것(증가시키거나 감소시키는 것)과 모델들의 다른 노드들에 대한 사후 분포를 계산하는 것을 포함할 수 있다. 엔드포인트들(endpoints)은 그룹 당 100개 샘플과 0.01 유의성 컷오프(significance cut-off)를 가정한 t-test에 의해 비교된다. t-test 통계는 100 개의 t-test의 중앙값이다. 이러한 시뮬레이션 기법의 사용을 통해 예측의 강도를 나타내는 커브 아래 면적(AUC; area under curve)과 엔드포인트를 유도하는 노드의 인실리코 크기를 나타내는 배수 변경(fold change)가 네트워크들의 앙상블에서의 각각의 관계에 대해 생성된다.
로컬 컴퓨터 시스템의 관계 정량화 모듈이 섭동들을 수행하고 AUC 정보와 배수 정보를 추출하도록 AI 기반 시스템에 지시하는 데 사용될 수 있다. 추출된 정량적 정보는 부모 노드 대 자식 노드를 연결하는 각각의 에지(edge)에 대한 AUC와 배수 변경을 포함할 수 있다. 일부 실시 예들에서, 맞춤형(custom-built) R 프로그램이 정량적 정보를 추출하는 데 사용될 수 있다.
일부 실시 예들에서, 생성된 관계 네트워크 모델들의 앙상블은 임상 연구 및 실험들을 통해 추후에 검증될 수 있는, 상태들에서 변화에 대한 응답을 예측하기 위해 시뮬레이션을 통해 사용될 수 있다.
AI 기반 시스템의 출력은 정량적 관계 파라미터들 및/또는 다른 시뮬레이션 예측들일 수 있다.
일부 예시 실시 예들은 질병 프로세스를 가능하게 하는 요인들을 포함하는, 질병 병리 생리학 같은 다양한 생물학적 프로세스들 및 이러한 생물학적 프로세스들을 근간으로 하는 주요 분자 드라이버들(key molecular drivers)을 이해하기 위한 도구인 Berg Interrogative Biology™ Informatics Suite를 사용하여 수행될 수 있는 방법들을 포함한다. 일부 예시적 실시 예들은 다른 질병들, 의약품들, 생물학적 프로세스들 등에 대하여 질병 상호작용들에 대한 새로운 통찰력을 획득하기 위해 Berg Interrogative Biology™ Informatics Suite를 사용한다. 일부 예시적 실시 예들은 Berg Interrogative Biology™ Informatics Suite의 적어도 일부 또는 전부를 포함할 수 있는 시스템들을 포함한다.
예
예 1 - CMS 데이터로부터 생성된 관계 네트워크 모델: 심부전 & 쇼크와 신부전의 서브 네트워크
인공 지능(AI)에서 개발된 수학적 및 통계적 학습 도구들은 빅 데이터에서 복잡한 상호작용 패턴들을 해독하는 데 아주 적합하다. Berg Interrogative BiologyTM Informatics Suite는 베이지안 네트워크(BN)들을 이용하여 순수하게 데이터 주도 방식으로 원인적 효과들(causal effects)의 추론과 다양한 데이터 양식들(data modalities)의 통합을 위한 계산 워크플로(computational workflow)이다. 본 예는 환자 치료를 개선시키고 헬스케어와 병원 효율성을 향상시키는 데 중대한 영향을 미치는 헬스케어 빅 데이터 분석에서 BN들의 사용에 관한 것이다.
저해상도(low-resolution)의 공개적으로 가용한 데이터가 직접적으로 케어(care)에 대해 정보를 알렸고 생성된 인과 관계 네트워크 모델을 이용하여 새로운 가설들을 유도하는 새로운 발견들을 하는데 사용되었다. 진단 코드들의 데이터 관계 네트워크가 Medicare & Medicaid Services (CMS)를 위한 센터들로부터 공개적으로 가용한 청구 데이터에 기반하여 생성되었다.
도 5의 방법(500)에 개략적으로 도시된 바와 같이, 데이터가 CMS 릴리스(release)로부터 추출되었다. 데이터는 필터링, 정규화 및 대체에 의해 전처리되었다. A.I. 기반 모델 구축이 전처리 데이터로부터 모델을 생성하는 데 사용되었고 그 결과 진단 코드 네트워크의 형태로 관계 네트워크가 되었다.
데이터의 콜렉션이 CMS 데이터 릴리스로부터 획득되었다. CMS는 헬스케어 제공자들을 위한 다양한 절차들에 대해 환자 케어(patient care), 보험 정보, 진단 코드, 퇴원 코드 및 요금 코드에 관련된 데이터를 공개한다(즉, 그 웹사이트에서 공개적으로 가용함). 도 6은 단일 의료 기관에 대한 CMS 데이터의 일부의 샘플을 보여준다. 이 예에서, 획득된 데이터에는 2011년 상위 100개 진단 코드 및 여러 헬스케어 제공자들을 포함되었다.
The Berg Interrogative BiologyTM Informatics Suite 가 데이터 전처리 및 모델 구축을 위해 사용되었다. 진단 관련 그룹(DRG) 코드 및 총 퇴원 횟수에 관한 정보를 포함하는 컬럼들이 데이터세트로부터 추출되도록 수집된 데이터가 처리되었다. 퇴원 카운트 정보는 DRG 코드 대 병원 행렬로서 구성되었다. 병원의 70% 이상에서 누락하고 있었던 DRG 코드는 추후 분석에서 제거되었다. 25 개 이상 DRG 코드들에 대해 누락 정보를 가지는 병원들은 데이터세트에서 필터링되었다. 필터링 후에, 데이터세트는 100 개 DRG 코드 및 1618개 병원데이터세트를 포함하였다. 중위수 다듬기 표준화(median polish normalization)가 이 데이터 행렬에 수행되었고, 누락 데이터가 '제로 절차들(zero procedures)'로 대체되었다. 인과 관계 네트워크 모델들이 REFS 기술을 이용하여 구축되었다. 그 결과 관계 네트워크들에서의 연결들이 0.65의 커브 아래 면적(AUC) 컷 오프로 필터링되었다. 그 결과 네트워크는 적합한 그래픽 환경/인터페이스 소프트웨어 - 특히 Cytoscape 콘소시엄으로부터 생체분자 상호작용 네트워크의 통합된 모델들에 대한 소프트웨어 환경인 Cytoscape - 를 이용하여 시각화되었다. Cytoscape 환경 내에서, 네트워크들은 각각이 그 에지에 의해 연결된 두 개의 노드 사이의 관계를 그래픽으로 묘사하는, "에지들(edges)"에 의해 연결된 "노드들(nodes)"로 시각화된다.
DRG 코드들에 기반하여 생성된 관계 네트워크의 개략적 그래픽 묘사가 도 7에서 도시된다. 이러한 특정 관계 네트워크에는 60개 진단과 그것들을 연결하는 88개 연결/관계가 포함되었다. 네트워크의 각각의 노드는 특정 진단에 대한 퇴원 횟수를 나타내었고, 에지들(예를 들어, 노드들 사이의 연결들)은 다양한 진단들과 관련된 퇴원 횟수 사이의 상호작용들을 나타내었다. 도 7에서, 노드의 크기는 특정 진단을 위한 퇴원 코드의 개수에 대응한다. 네트워크의 에지들과 연결들의 해석은 포함된 특정 진단들에 의존한다. 예를 들어, 소스 노드가 당뇨병(diabetes)이고 타깃 노드가 고혈압(hypertension)일 때, 연결은 합병증들(co-morbidities)을 나타낸다. 소스 노드가 당뇨병(diabetes)이고 타깃 노드가 신경병증(neuropathy)일 때, 연결은 그 질병으로부터의 합병증들(complications)을 나타낸다. 이러한 방식으로, 관계 네트워크는 여러 DRG 코드들 사이의 상호작용들을 나타내었다.
생성된 관계 네트워크로부터 관련 정보를 획득하기 위해 서브 네트워크가 선택되었다. '심부전 & 쇼크' 및 '신부전'을 중심으로 하는 서브 네트워크(도 8에 도시됨)가 도 7에서 도시된 인과 관계 네트워크 모델로부터 결정되었다. 이 예에서, 심부전 & 쇼크' 및 '신부전'이 질병 통제 예방 센터(CDC; Center for Disease Control and Prevention)에 의해 편집된 사망 색인에서의 중요성으로 인해 선택되었다. CDC 보고서에 따르면, 심장 질환은 2011년의 주요 사망 원인이었다. 일부 신장 관련 증상들이 9, 12 및 13위에 랭크되었다. 그러나 결합된 모든 신장 관련 증상들이 사망 원인으로 주요 역할을 한다.
도 8의 서브 네트워크의 그래픽 묘사에서, 화살표 형태의 연결들은 제 1 상태의 진단 횟수를 나타내고 제2 상태의 진단 횟수는 양의 상관관계가 있다. 임상적으로, 연결들이 포함된 상태들에 따라 상이한 방법들로 해석될 수 있다(예를 들어, 심부전 & 쇼크에서 단순 폐렴 및 흉막염(simple pneumonia & pleurisy)에 이르는 화살표는 심부전 & 쇼크가 환자들의 통계적으로 유의한 비율에서 단순 폐렴 및 흉막염에 이르거나 심부전 & 쇼크에 단순 폐렴 및 흉막염이 뒤따르는 것을 나타낸다). 라인으로 도시된 노트들 사이의 각각의 연결은 또한 노드들 사이의 에지로서 설명될 수 있다. 노드들 간 연결을 형성하는 선의 너비(라인의 "가중치(weight)"로 설명되기도 함)는 노드들 간 관계 강도의 그래픽 표시를 제공한다. 예를 들어, 심부전 & 쇼크에서 단순 폐렴 & 흉막염으로의 화살표는 심부전 & 쇼크를 호흡기 감염 & 염증으로 연결하는 화살표보다 더 넓다. 이것은 모델이 심부전 & 쇼크와 단순 폐렴 & 흉막염 사이의 관계가 심부전 & 쇼크와 호흡기 감염 & 염증 사이의 관계보다 더 강하다고 예측했다는 것을 의미한다.
심부전 서브 네트워크와 신부전 서브 네트워크의 연결들은 후술 되는 바와 같이 관계 네트워크 모델에서 나타나는 연결들이 신뢰성이 있었다는 확인으로 제공되었다.
심부전은 혈액이 효율적으로 펌프질되기 위한 심장의 능력을 감소시키는 상태들에 의해 유발된다. 이러한 상태들은 선천적인 심장 결함(congenital heart defects), 부정맥(arrhythmias), 시간이 지남에 따라 동맥을 좁히는 관상 동맥 질환(coronary artery disease) 및 심장을 너무 약하게 또는 뻣뻣하게 해서 혈액을 효율적으로 펌프질 못하게 할 수 있는 고혈압(high blood pressure)을 포함한다. 서브 네트워크의 다른 노드들과 심부전 사이의 연결들에서 반영되는 심부전과 다른 상태들 사이의 관계들이 후술된다.
호흡기 감염 및 염증/단순 폐렴 및 흉막염(Respiratory infections and inflammations / simple pneumonia and pleurisy): 심부전이 혈액이 신체를 통해 느리게 움직이도록 하고 신장이 체액을 유지하도록 하게 하는 것은 잘 알려져 있다. 체액 저류(fluid retention)는 신체의 하부에서 시작하나 폐로 진행되어 폐렴을 일으킨다. 폐에서 체액 축적(fluid buildup)은 호흡기 감염 및 호흡기 감염의 증가된 비율로 이어진다. 관계 네트워크 모델은 도 9a의 심부전 & 쇼크에서 단순 폐렴 및 흉막염으로의 화살표로 표시된 바와 같이, 환자들의 통계적으로 유의한 비율에서 심부전 & 쇼크의 진단이 단순 폐렴 및 흉막염의 진단에 이르거나 심부전 & 쇼크의 진단에 단순 폐렴 및 흉막염의 진단이 뒤따르는 것을 예측했다. 관계 네트워크 모델은 도 9a의 심부전 & 쇼크에서 호흡기 감염 및 염증(respiratory infections & inflammations)으로의 화살표로 표시된 바와 같이, 환자들의 통계적으로 유의한 비율에서 심부전 & 쇼크의 진단이 호흡기 감염 및 염증의 진단에 이르거나 심부전 & 쇼크의 진단에 호흡기 감염 및 염증의 진단이 뒤따르는 것을 예측했다. 도 9b는 심부전 및 쇼크가 단순 폐렴 및 흉막염과 호흡기 감염 및 염증에 이를 수 있는 경로를 그래픽으로 묘사한다.
만성 폐쇄성 폐질환( COPD ; Chronic obstructive pulmonary disease): COPD는 폐가 폐 내부의 혈압을 높임으로써 혈액의 낮은 산소 농도를 보충하려 할 때 폐 고혈압(pulmonary hypertension)을 유발한다. 폐 내부의 혈압의 증가는 우심실에 부담을 주는 폐 고혈압을 발생시키며 심장이 고장나게 한다. 그러므로, 심부전 진단은 이전에 진단되지 않은 COPD의 진단에 이를 수 있다. 따라서, 심부전 진단 횟수의 증가는 COPD 진단의 횟수를 증가시킬 것이다. 관계 네트워크 모델은 도 10a의 심부전 & 쇼크에서 COPD로의 화살표에 의해 표시되는 바와 같이 심부전 & 쇼크의 진단 횟수의 증가가 COPD 진단 횟수의 증가에 이르는 것을 예측했다. 이것은 심부전 & 쇼크가 환자들의 통계적으로 유의한 숫자에서 COPD를 유발하는 것으로 직접적으로 해석될 수 있다. 그러나, 도 10b는 심부전 & 쇼크가 COPD에 이르는 것이 아니라COPD가 심부전 & 쇼크에 이르는 경로를 그래픽으로 묘사한다. 모델 예측과 심부전과 COPD 사이의 알려진 관계 사이의 타이밍에서의 이러한 명백한 역전은 심부전 후 진단되는 이전에 진단되지 않은 COPD로 인한 것 같다. 임상의는 심부전이 원인을 찾는 데 이른 후에만 COPD를 발견할 수 있다. 따라서, COPD가 심부전 이전에 존재할지라도, COPD가 심부전의 진단 후까지 진단되지 않는다.
심장 부정맥 및 전도 장애(Cardiac arrhythmia and conduction disorders): 심장 부정맥 및 전도 장애는 심부전을 직접적으로 유발할 수 있다. 심부전 진단은 이러한 원인 상태들의 진단에 이를 수 있다. 그러므로 심부전 진단 횟수의 증가는 심장 부정맥 및 전도 장애 진단 횟수를 증가시킬 것이다. 관계 네트워크 모델은 도 11의 심부전 및 쇼크에서 심장 부정맥 & 전도 장애로의 화살표에 의해 표시되는 바와 같이 환자들의 통계적으로 유의한 비율에서 심부전 및 쇼크 진단 횟수의 증가가 심장 부정맥 & 전도 장애 진단 횟수의 증가에 이르거나 심부전 및 쇼크 진단 횟수의 증가에 심장 부정맥 & 전도 장애 진단 횟수의 증가가 뒤따르는 것을 예측했다.
위장( G.I ) 출혈(Gastrointestinal ( G.I .) hemorrhage): 심부전은 저혈량성 쇼크(hypovolemic shock)의 결과일 수 있다. 저혈량성 쇼크는 순환 혈액량의 급격한 손실로 인해 발생한다. 출혈성 쇼크의 가장 빈번한 원인(저혈량성 쇼크에 대한 전조(precursor))은 외상, G.I 출혈 및 장기 손상이다. 관계 네트워크 모델은 도 12a의 G.I. 출혈에서 심부전 및 쇼크로의 화살표에 의해 표시되는 바와 같이, 환자들의 통계적으로 유의한 비율에서 심부전 & 쇼크의 진단에 이르거나 G.I.출혈의 진단에 심부전 & 쇼크의 진단이 뒤따르는 것을 예측했다. 도 12b는 G.I. 출혈이 심부전에 이르는 경로를 그래픽으로 묘사한다.
신부전 (Renal failure): 빈혈(anemia), 심장 문제 및 신장 질환 사이의 관련성은 잘 알려져 있으며, 심장-신장 기능 부전(cardio-renal insufficiencies) 환자들을 치료하는 어려움이 문서화되어 있다. 신장 질환 환자들의 약 1/4이 울혈성 심장 문제들(congestive heart problems)을 가진다. 신장 질환이 악화됨에 따라, 심장 질환 환자들의 비율은 약 65-70%로 증가한다. 대규모 연구들이 신장 질환이 악화되는 것이 이전 심부전 진단 환자들에서의 더 높은 사망률 및 입원률과 관련되는 것을 보여왔다. 그러므로, 이러한 연결은 이미 잘 알려져 있다. 관계 네트워크 모델은 도 13의 신부전에서 심부전 & 쇼크로의 화살표에 의해 표시되는 바와 같이 환자들의 통계적으로 유의한 비율에서 신부전 진단이 심부전 및 쇼크 진단에 이르거나 신부전 진단에 심부전 및 쇼크 진단이 뒤따르는 것을 예측했다.
도 14a 및 14b는 심부전 & 쇼크와 신부전 사이의 관계 강도에 대한 관계 네트워크 모델의 예측에 관한 추가 세부 사항을 제공한다. 도 14a는 관계 네트워크 모델을 구축하는 데 사용되는 데이터로부터 유도된 심부전과 신부전의 연관성 플롯이다. 2 × 2 연관성 플롯으로 나타내어질 수 있는 연관성 플롯은 데이터 세트의 변수들에 대한 기대 빈도로부터 관찰된 빈도의 편차를 나타낸다. 피어슨 잔차(Pearson residuals)는 기대 및 관찰 빈도 사이의 거리를 나타내고, 따라서 기대치들로부터의 편차를 유도하는 카테고리들의 식별을 허용한다. 도 14a의 연관성 플롯에서, 각각의 직사각형의 너비는 데이터 포인트들의 개수를 나타내고 높이와 색깔은 피어슨 잔차를 나타낸다. 이 경우에, 기대치들은 심부전과 신부전이 독립적으로 분포된다는 귀무 가설(null hypothesis)에 기반하여 계산되었다. 이것이 사실이라면, 플롯은 주로 제로 근처 (즉, 2보다 작고 -2보다 큰) 피어슨 잔차를 나타내는 밝은 회색이 될 것이다. 대신에, 심부전과 신부전이 독립적이지 않은 것을 나타내므로 귀무 가설에서 벗어나는 -2 미만 피어슨 잔차를 나타내는 중간 회색 부분과 2 초과 피어슨 잔차를 나타내는 어두운 회색 부분이 관찰되었다. 피어슨 잔차에 의해 나타내어진 바와 같이 변화를 유도하는 가장 큰 구성요소는 신부전과 심부전 모두에 대해 높은 카테고리들에 있었다. 요약하면, 이 경우에, 도 14a의 연관성 플롯은 심부전과 신부전 사이의 상호작용을 나타내었다. 이러한 상호작용은 주로 신부전과 심부전 모두를 가지는 환자들에 의해 주도된다.
도 14b는 관계 네트워크 모델 구축에 사용된 데이터로부터 유도되었던 심부전과 신부전의 4분 플롯(four-fold plot)이다. 4분 플롯은 관심 카테고리들 사이의 독립성으로부터의 벗어남의 또 다른 표현이다. 4분 플롯에서, 각각의 사각형 내의 숫자들은 해당 카테고리의 데이터 포인트들의 개수를 나타낸다. 도 14b는 심부전에 대한 심부전의 영향을 보여준다. 1/4 원의 크기 비교에 기반하여, 플롯의 좌측 절반은 낮은 신부전률에 비교된 때 높은 신부전률이 높은 심부전률에 더 강한 영향을 미친다는 것을 표시한다. 플롯의 우측 절반은 높거나 낮은 신부전이 낮은 심부전률에 미치는 영향에서 더 작은 차이들을 나타낸다. 요약하면, 이 플롯은 관심 상태들(심부전과 신부전) 사이의 상호작용을 강화한다. 신부전과 함께 심부전의 상대적 위험이 관계 네트워크 모델에 기반하여 2.57로 계산되었다.
도 15a와 15b는 심부전 & 쇼크와 G.I. 출혈 사이의 관계의 강도에 대한 관계 네트워크 모델의 예측에 관한 추가 세부사항을 제공한다. 도 15a는 심부전과 G.I. 출혈의 연관성 플롯이다. 이 플롯에서, 4.0 초과 피어슨 잔차를 나타내는 어두운 회색 직사각형과 -2 미만 피어슨 잔차를 나타내는 중간 회색 직사각형은 G.I. 출혈과 심부전이 독립적이지 않다는 것을 나타낸다. 특히, 어두운 회색 직사각형은 두 상태 모두의 높은 비율이 가장 강한 상호작용을 가진다는 것을 보여준다. 도 15b는 심부전과 G.I. 출혈의 4분 플롯이다. 이 플롯은 심부전의 높은 비율이 G.I. 출혈의 높은 비율과 강하게 관련되어 있음을 나타낸다. 도시된 바와 같이, G.I. 출혈과 함께 심부전의 상대적 위험이 3.22로 계산되었다.
관계 네트워크 모델이 심장 질환 & 쇼크와 다양한 상태들(즉, 단순 폐렴 및 흉막염, 호흡기 감염 및 염증, COPD, 심장 부정맥 & 전도 장애, G.I. 출혈, 그리고 신부전) 사이의 관계들에 관한 어떠한 가정이나 다른 정보 없이 DRG와 퇴원 코드에만 기반하여 생성되었다. 그럼에도 불구하고, 심부전 및 쇼크를 중심으로 생성된 관계 네트워크 모델의 서브 네트워크는 심부전 & 쇼크와 다른 상태들 사이의 관계들에 관한 의학 분야에서의 현재 지식을 반영했으며, 이는 관계 네트워크 모델의 타당성을 뒷받침한다.
이 분석에서 신부전에 대응하는 진단 코드는 만성/급성 신부전 및 다른 신장 장애를 포함하였다. 신부전/기능 부전(renal failure/insufficiency)은 혈액으로부터 폐기물을 제거하는 신장 능력의 감소를 지칭한다. 20세 이상 성인의 10% 이상이 CKD를 가지며 CKD 치료 비용이 합병증 및 삶의 질 인자와 관련된 비용 때문에 매우 높다. 한 연구는 말기 신장 질환(ESRD; end stage renal disease) 치료 비용이 지속적으로 증가하고 이 상태 대한 메디케어 비용이 2009년에 300억 달러에 달했다는 것을 보인다. 신부전을 중심으로 하는 서브 네트워크가 도 16에서 개략적으로 도시된다. 서브 네트워크에서 신부전과의 연관성이 이하에서 분석된다.
신장 및 요로 감염증(Kidney and urinary tract infections): 관계 네트워크 모델은 도 16의 신부전에서 신장 & 요로 감염증으로의 화살표에 의해 보여지는 바와 같이, 신부전과 신장 및 요로 감염증 사이의 통계적으로 유의한 관계를 예측하였다. 치료되지 않은 요로 및 신장 감염이 신부전에 이를 수 있다고 알려져 있다. 역 방향은 여전히 설명되지 않은 채로 남아 있지만, 상태들 사이의 연결은 관계 네트워크 모델에서 나타내어진다. 따라서, 이러한 사이의 연결이 식별된 것은 놀라운 일이 아니다.
영양, 신진대사 및 체액/전해질 장애(Disorders of nutrition, metabolism, and fluids/electrolytes): 신장은 체액과 전해질 균형을 유지하는 데 중요한 역할을 한다. 따라서 신부전 진단이 후속 검사와 영양, 신진대사, 체액 및 전해질 균형 문제의 진단으로 이어질 수 있다. 관계 네트워크 모델은 신부전의 진단이 도 16의 신부전에서 영양, 신진대사, 및 체액/전해질 장애로의 화살표에 의해 보여지는 바와 같이 환자들의 통계적으로 유의한 비율에서 영양, 신진대사, 및 체액/전해질 장애의 진단으로 이어짐을 예측했다.
단순 폐렴 및 흉막염(Simple pneumonia and pleurisy): 만성 신장 질환은 감염에 대한 민감성을 증가시키고, 폐렴이 신장 질환의 전염성 합병증으로 입증되었다. 관계 네트워크 모델은 도 16의 신부전과 단순 폐렴 & 흉막염 사이의 연결에 의해 보여지는 바와 같이 신부전과 단순 폐렴 & 흉막염 사이의 통계적으로 유의한 관계를 예측하였다. 도 8의 서브 네트워크의 그래픽 묘사에서, T 모양 형태의 연결은 제1 상태의 진단 횟수와 제2 상태의 진단 횟수가 음의 상관관계를 가지는 것을 나타낸다. 특히, 단순 폐렴 & 흉막염의 진단 횟수와 신부전 진단 횟수는 음의 상관관계를 가진다.
신부전 중심 서브 네트워크와 관련하여, 선택된 서브 네트워크의 한 연결을 제외한 모두(특히, 기관지염 & 천식과 신부전 사이의 연결을 제외한 모두)가 의학 분야의 현재 지식에 의해 뒷받침된다. 이것은 생성된 관계 네트워크 모델로부터의 결과가 신뢰할 수 있고, 상호작용들의 새로운 예측이 추가 조사할 가치가 있다는 추가적인 확인의 역할을 한다.
생성된 네트워크 관계 모델로부터의 결과는 또한 새로운 상호작용들의 식별로 이어진다. 예를 들어, 신부전과 기관지염 & 천식 사이의 새로운 상호작용은 신부전 서브 네트워크에 기반하여 식별되었다. 도 17a에 도시된 바와 같이, 관계 네트워크 모델은 기관지염 & 천식의 진단이 환자들의 통계적으로 유의한 비율에 대해 신부전의 진단에 이르거나 기관지염 & 천식의 진단에 신부전의 진단이 뒤따른다는 것을 예측했다. 화살의 두께는 이것이 심부전 & 쇼크, 신장 & 요로 감염증, 단순 폐렴 & 흉막염과 기타 영양, 신진 대사 및 체액/전해질의 장애 중 임의의 것과 신부전 사이의 것보다 더 강한 관계 또는 연결임을 나타낸다. 신부전과 기관지염 & 천식 사이의 관계에 관한 문헌이 널리 알려지지 않았거나 이용가능하지 않기 때문에, 이러한 상호작용은 약물 치료, 질병 인과관계 및/또는 진단 순서면에서 새로운 발견을 위한 잠재력을 가진다. 회귀 모델이 도 17b에서 도시된 바와 같이 상호작용의 강도를 식별하기위해 구축되었다. 회귀 모델은 기관지염 및 천식이 신부전 데이터의 ~2.5%( p-value 1.8 × 10-10)를 차지하는 것을 나타낸다. p-value는 적어도 귀무 가설을 가정하여 실제로 관찰되었던 것과 같은 극단적인 테스트 통계 결과를 획득할 확률이다. 이러한 경우에, 기관지염 & 천식이 완전히 독립적인 경우 이러한 데이터를 획득할 확률은 1.8 × 10-10이 될 것이다.
도 18a는 신부전과 기관지염 및 천식의 연관성 플롯이다. 도 18a에서 나타내어진 데이터는 2.22 × 10-16보다 작은 p-value를 가진다. 이 플롯은 기관지염 & 천식과 신부전이 독립적이지 않고 기관지염 & 천식의 높은 비율이 신부전 비율을 높이는 것을 나타낸다. 도 18b는 신부전과 기관지염 & 천식의 4분 플롯이다. 이 플롯은 또한 기관지염 & 천식의 높은 비율이 신부전의 비율을 높이는 것을 나타낸다. 천식 & 기관지염이 주어진 신부전의 상대 위험도는 5.13으로 계산되었다.
새로운 가설이 이러한 상태들을 연결하기 위해 개발되었다. 특히, 신부전 및/또는 기능 부전이 천식 및 기관지염 치료의 부작용으로 유발된다는 가설이 있었다. 따라서, 기관지염과 천식 케이스의 횟수가 증가할 때, 신부전 케이스의 횟수도 증가한다. 이러한 가설은 이하에서 더 논의된다.
기관지염과 천식은 기도의 협착이 염증에 의해 유발되는 호흡기 질환이다. 증상을 조절하고 기도의 팽창을 줄이기 위해, 아래 표1에서 설명된 바와 같이 많은 약물치료의 선택이 가능하다. 이러한 약품들 중 많은 것들의 주요 성분은 장시간 작용하는 β2-아드레날린 작용제(β2-adrenergic agonist) 이고 사용금지 사유는 저칼륨혈증을 포함한다. 사실, 알부테롤(albuterol)(β2-작용제)은 신부전/기능부전 환자들의 저칼륨혈증을 치료하는 데 널리 사용된다. 그러므로, 작용하는 β2-작용제를 포함하는 약품들의 장기 사용은 칼륨 수준을 감소시켜 저칼륨혈증에 이를 수 있다. 전해질 불균형이 천식에 대해 β2-작용제로 치료받은 환자들에서 언급되었다.
표 1:2011-12년의 상위 10개 천식 약품의 임상 약학(clinical pharmacology)을 선택. 약품 정보는 처방약에 대한 약품 색인으로부터 획득되었다. 처방 집계 정보는 IMS 헬스에 의한 조사로부터 획득되었다.
|
Drug |
Prescriptions dispensed (thousands) | Active ingredient(s) | Active ingredient includes long acting β2-adrenergic agonist |
Hypokalemia |
|
| 1. | Singular | 28,110 | Montelukast sodium | No | No |
| 2. | Proair HFA | 23,931 | Albuterol sulfate |
Yes
|
Yes
|
| 3. | Advair Diskus | 17,534 | Fluticasone propionate and salmeterol |
Yes
|
Yes
|
| 4. | Ventolin HFA | 16,272 | Albuterol sulfate |
Yes
|
Yes
|
| 5. | Albuterol sulfate | 13,978 | Albuterol sulfate |
Yes
|
Yes
|
| 6. | Spiriva Handihaler | 9,416 | Tiotropium | No | No |
| 7. | Flovent HFA | 6,211 | Fluticasone propionate | No | No |
| 8. | Symbicort | 4,962 | Budesonide and formoterol fumarate dihydrate | Yes |
Yes
|
| 9. | Combivent | 4,251 | Ipratropium bromide and albuterol sulfate |
Yes
|
Yes
|
| 10. | Proventil HFA | 4,084 | Albuterol sulfate |
Yes
|
Yes
|
연구들은 저칼륨혈증이 쥐에서 신장 손상을 유도하고 저칼륨혈증이 인간에게서 신부전을 유발하는 것으로 관찰됨을 보였다. 55명의 환자 연구에서, 만성 저칼륨혈증(chronic hypokalemia)은 흉터 및 신장 손상을 초래하여 신장 기능부전을 유발한 신장성 낭포증(renal cystogenesis)을 동반하였다. 다른 연구들은 또한 신장 질환 환자의 저칼륨혈증이 말기 신장 질환으로의 진행 속도를 증가시키고 사망률을 증가시킴을 보였다. β2-작용제는 알도스테론 수준을 증가시킬 수 있고, 이는 결국 신장 기능 장애로 연결된다. 알도스테론의 기능을 차단하면 신장 기능이 향상된다.
도 19a 및 19b는 가설을 뒷받침하고 기관지염 및 천식과 신부전 사이의 새로운 연결을 설명하는 기관지염 및 천식의 치료가 신부전 및/또는 기능 부전을 유발할 수 있는 경로를 표시한다. 도 19a의 경로는 출판된 임상 연구를 함께 관련시켜 구축되었다. 도 19b는 경로의 기초가 되는 잠재적 분자 메커니즘(potential molecular mechanisms)을 보이며, 이것은 출판된 임상 연구의 임상적 발견들을 뒷받침하는 것으로 확인되었다. 도 19b에서 사용된 단백질 약어(protein abbreviations)는 Gs (guanine nucleotide-binding regulatory protein), cAMP (cyclic adenosine monophosphate), PKA (protein kinase A), ACE (angiotensin converting enzyme inhibitor)이다. 도 19a는 기관지염 & 천식과 신부전을 연결하는 가설을 개략적으로 도시한다. 기관지염 & 천식을 위한 치료는 장기간 작용하는 β2 아드레날린 작용제를 포함하는 약품들의 사용을 가장 빈번하게 포함한다. 장기간 작용하는 β2 아드레날린 작용제는 신부전을 일으키는 것으로 알려진 알도스테론 수준을 증가시키는 것으로 알려져 있다. FDA (Federal Drug Administration) 라벨에 따르면, 저칼륨혈증은 장기간 작용하는 β2 아드레날린 작용제에 대해서는 금기이며 저칼륨혈증은 증가된 신부전률에 대한 공지된 표식(marker)이다. 도 19b는 천식 & 기관지염의 치료를 신부전과 연결시키는 제안된 분자 메커니즘을 개략적으로 도시한다. 장기간 작용하는 β2 아드레날린 작용제는 결국 PKA를 증가시키는 cAMP 생산에 포함된 Gs의 활성을 증가시킨다. 이는 방사구체 세포(juxtaglomerular cells)에 의해 증가된 레닌 분비(renin secretion)를 초래한다. 레닌은 폐에서 ACE 활성에 의해 안지오텐신(angiotensin) II로 변환되는 안지오텐신 I(angiotensin I)의 생성을 촉진한다. 안지오텐신 II(angiotensin II) 수준의 상승은 알도스테론의 증가를 유발한다. 신장의 부신 피질에서, 증가된 알도스테론은 증가된 칼륨 제거, 수분 재흡수 및 나트륨 재흡수를 초래하여, 궁극적으로 저칼륨혈증과 신부전을 유발한다. 표 2는 도 19a 및 19b에 도시된 경로와 분자 메커니즘을 뒷받침하는 출판된 임상 연구의 목록을 포함한다.
표 2: 기관지염 및 천식과 신부전 사이의 연결에 관한 가설의 경로와 분자 메커니즘을 뒷받침하는 출판된 임상 연구.
| Connection | Published Paper |
| 저칼륨혈증과 신장기능부전 (hypokalemia and renal dysfunction) |
Shin-Ichi Suga, M. Ian Phillips, Patricio E. Ray, James A. Raleigh, Carlos P. Vio, Yoon-Goo Kim, Marilda Mazzali, Katherine L. Gordon, Jeremy Hughes, and Richard J. Johnson, "Hypokalemia induces renal injury and alterations in vasoactive mediators that favor salt sensitivity," Am J. Physical Renal Physiol 281: F620 - F629, 2001. |
| 저칼륨혈증과 신장기능부전 | Sirirat Renungjui, Carlos A. Rancol, Waichi Sato, Olena Y. Glushakova, Byron P. Croker, Shin-ichi Suga, Xiaosen Ouyang, Kriang Tungsanga, Takahiko Nakagawa, Richard J. Johnson, and Wei Mu, "Hypokalemia Nephropathy is Associated with Impaired Angiogenesis," J. Am. Soc . Nephrol . 19: 125-134, 2008 (doi: 1681/ASN.2007030261). |
| 저칼륨혈증과 신장기능부전 | Sirirat Renungjui, Carlos A. Rancol, Waichi Sato, Olena Y. Glushakova, Byron P. Croker, Shin-ichi Suga, Xiaosen Ouyang, Kriang Tungsanga, Takahiko Nakagawa, Richard J. Johnson, and Wei Mu, "Hypokalemia Nephropathy is Associated with Impaired Angiogenesis," J. Am. Soc . Nephrol . 19: 125-134, 2008 (doi: 1681/ASN.2007030261). |
| 저칼륨혈증과 신장기능부전 | Vicente E. Torres, William F. Young, Jr., Kenneth P. Offord, Robert R. Hattery, "Association of Hypokalemia, Aldosteronism, and Renal Cysts," N. Engl . J. Med, 322(6): 345-51 Feb. 8, 1990. |
| 저칼륨혈증과 신장기능부전 | Hsiao-Han Wang, Chi-Chih Hung, Daw-Yang Hwang, Mei-Chuan Kuo, Yi-Wen Chiu, Jer-Ming Chang, Jer-Chia Tsai, Shang-Jyh Hwang, Julian L. Seifter, Hung-Chun Chen, "Hypokalemia, Its Contributing Factors and Renal Outcomes in Patients with Chronic Kidney Disease,"PLoS ONE 8(7): e67140. doi:10.1371/journal.pone.0067140, July 2, 2013. |
| 저칼륨혈증과 신장기능부전 | John Hayes, Kamyar Kalantar-Zadeh, Jun L. Lu, Sharon Turban, John E. Anderson, Csaba P. Kovesdy, "Associate of Hypo- and Hyperkalemia with Disease Progression and Mortality in Males with Chronic Kidney Disease: The Role of Race," Nephron Clin Pract 2012; 120:c8-c16. |
| 장기간 작용하는 β2 아드레날린 작용제와 알도스테론 자극 | Evelyn A. Millar, John M.C. Connel, Neil C. Thomson, "The Effect of Nebulized Albuterol on the Activity of the Renin-Angiotensin System in Asthma," CHEST 1997; 111:71-74. |
| 장기간 작용하는 β2 아드레날린 작용제와 알도스테론 자극 | Millar EA, McInnes GT, Thomson NC "Investigation of the mechanism of beta 2-agonist-induced activation of the renin-angiotensin system," Clin Sci (Lond) 1995 Apr; 88(4):433-7. |
| 알도스테론 자극과 신장 기능부전 | Murray Epstein, "Aldosterone and the hypertensive kidney: its emerging role as a mediator of progressive renal dysfunction: a paradigm shift," Journal of Hypertension May 2001; 19(5): 829-842. |
| 알도스테론 자극과 신장 기능부전 | Akio Nakamura, Ryo Niimi, Akira Imaizumi, Yukishige Yanagawa, "Renal Effects of Beta2 -Adrenoceptor Agonist and the Clinical Analysis in Children," Pediatric Research, 61(1): 129-33, 2007. |
| 알도스테론 자극과 신장 기능부전 | Ulrich Wenzel, "Aldosterone and progression of renal disease," Current Opinion in Nephrology and Hypertension 2008, 17:44-50. |
PPS(Inpatient Prospective Payment Systems)에 등록된 3,000 개의 병원들을 포함하는 이러한 CMS 데이터세트의 환자들의 신장 질환을 치료하기 위한 총 비용은 23억 달러였다. 이러한 CMS 데이터세트는 총 메디케어 퇴원의 60%를 나타냈다. 그러므로, 2011년의 이 진단 코드 단독에 대한 총 메디케어 비용은 3.83 억 달러였을 것이다. 이 비용 중, 2.5%는 기관지염과 천식을 치료하는 데 사용된 약품들의 부작용으로 인한 것이다. 예 1의 관계 네트워크 모델을 이용하여 결정된 신부전과 기관지염 및 천식 사이의 관계에 기반한 천식/기관지염에 대한 치료 가이드라인의 추가 조사 및 수정은 더 나은 환자 치료뿐만 아니라 상당한 비용 절감으로 이어질 수 있다. 예를 들어, 환자 수준 데이터로, 병력 및 유전적 요인에 기반한 신장 부작용에 대한 고 위험 환자들을 식별하는 것이 가능하다. 고위험 환자들에 대해, 대안적인 치료 전략 또는 신장 기능 모니터링은 메디케어 같은 지불자에 대한 더 낮은 비용 및 환자들에 대한 더 나은 결과를 초래할 수 있다. 이러한 케어(care)에 대한 개선은 개인화된 환자 치료 가이드라인을 제공하기 위해 환자 전자 건강 기록을 지식 베이스와 통합함으로써 임상 의사 결정 시스템을 통해 진료소에 통합될 수 있다.
예
2 - CMS
데이터로부터 생성된 관계 네트워크 모델 :
RBC
(Red Blood Cell) 장애의 서브 네트워크
RBC(Red Blood Cell) 장애를 중심으로 하는 서브 네트워크가 또한 예 1에서 설명된 생성된 관계 네트워크 모델로부터 선택되었다. 도 20은 관계 네트워크 모델과 선택된 RBC 장애 서브 네트워크를 개략적으로 도시한다. 또 다른 새로운 상호작용이 RBC 장애 서브 네트워크로부터 결정되었다.
RBC 장애에 대한 DRG 코드는 (영양, 유전학 및 합병증으로 인한) 빈혈, 수혈로부터의 반응(ABO, Rh 부적합) 및 혈구감소증(cytopenias)을 커버한다. RBC 장애를 다른 진단과 연결시키는 분석에서 모든 관련 진단들이 고려되었다.
RBC 장애 서브 네트워크는 봉와직염(cellulitis) 진단이 환자들의 통계적으로 유의한 비율에서 RBC 장애 진단에 이르거나 봉와직염(cellulitis) 진단에 RBC 장애 진단이 뒤따르는 것을 나타냈다. 봉와직염이 치료되지 않은 때, 감염으로부터 박테리아가 혈류에 들어가서 폐혈증(septicemia)을 유발한다. 이전 연구들은 폐혈증이 RBC 모폴로지(morphology) 및 레올로지(rheology)를 변경시키는 것을 보였다. 따라서 봉와직염 진단의 증가가 RBC 장애 진단의 증가를 유발하는 것이 타당한 것 같았다.
RBC 장애 서브 네트워크는 환자들의 통계적으로 유의한 비율에서 RBC 장애 진단이 폐혈증 또는 중증 폐혈증 진단에 이르거나 RBC 장애 진단에 폐혈증 또는 중증 폐혈증 진단이 뒤따르는 것을 나타냈다. 결국 정맥내 주입(intravenous infusions)을 시행할 가능성이 있는 수술 환자들에 있어 폐혈증이 가능성 있다. 수많은 또는 지속적인 정맥내 주입은 범혈구 감소증(pancytopenia)을 유발시킬 수 있어 그 때문에 RBC 장애 진단을 패혈증과 연결시킬 수 있다.
RBC 장애 서브 네트워크는 또한 "다른 순환기관 진단"이 환자들에 있어 통계적으로 유의한 비율에서 RBC 장애의 진단에 이르거나 "다른 순환기관 진단"에 RBC 장애의 진단이 뒤따르는 것을 나타내었다. 순환기관 코드(즉, 다른 순환기관 진단)은 심장 조직의 감염 및 이상, 그리고 심장 수술(바이패스(bypass), 션트(shunts), 임플란트(implants) 및 판막(valves)의 배치)의 합병증들을 포함한다. 순환 장애와 RBC 장애 사이의 가능한 연결은 인공 판막(prosthetic valves)으로부터의 용혈성 빈혈(hemolytic anemia)을 포함한다. 특히, 철결핍 빈혈(iron deficiency anemia), RBC 장애는 심장 비대(enlarged heart) 또는 심부전을 유발할 수 있는 빠르거나 불규칙한 심장박동으로 이어질 수 있다.
예 1 및 2에서 식별된 새로운 상호작용들과 같은 발견들은 환자 및 제공자 모두에 중요한 영향을 미칠 수 있다. 효율적인 헬스케어 전달의 중요한 측면은 자원 요구사항, 자원 유용성을 극대화하기 위한 전략의 확인 및 제공자 옵션의 가용성을 예측하는 것이다. 현재 케이스 혼합 색인(case mix index)과 같은 메디케어 청구 데이터의 일부 부분들만이 계획을 위해 사용된다. 청구 데이터에 대한 진보된 통계 분석으로 이러한 데이터를 보강하는 것이 의료 관리의 효율성을 크게 향상시키고 헬스케어 시스템에 대해 상당한 비용을 절감할 수 있다. 그 결과들은 진보된 빅 데이터 분석의 사용에 대한 새로운 관점을 보여주며, 더 중요하게는 본원에서 설명된 방법론이 빅 데이터로부터 실용적인 정보(actionable information)를 추출하는 데 효과적으로 사용될 수 있음을 입증한다. 일부 실시 예에 따라 관계 네트워크 모델인 추론된 BN은 또한 유해 약물 상호작용(adverse drug interactions), 합병증 및 질병 인과관계의 식별로 환자 진료를 개선하기 위해 분석될 수 있다. 본원에서 제시된 예들은 새로운 상호 작용을 식별하고 헬스케어 분석 및 현물 헬스케어 경제학을 위한 실용적인 결과(actionable output)를 생성하기 위해 실시 예들이 방대하고 복잡한 데이터 세트를 알고 이해하는데 어떻게 사용될 수 있는지를 설명한다.
예 1 및 2에서, 일 실시 예에 따라 퇴원 횟수에 기반하여 진단들 간의 상호작용들을 나타내는 의미있는 관계 네트워크 모델이 구축되었다. 관계 네트워크 모델은 현재의 지식 또는 가설에 의해 완전히 편향되지 않은 전적으로 데이터 주도 방법들(data-driven methods)을 사용하여 생성되었다. 관계 네트워크 모델로부터의 결과들은 문헌 지원을 이용하여 검증되었다. 예들은 저 해상도 데이터(low resolution data)에 대한 상대적으로 작은 규모의 분석조차도 임상적 영향을 미치는 새로운 상호작용들의 식별을 초래했음을 분명히 보여준다.
예시 결과들은 본원에서 설명된 실시 예들에 따라 독창적인 통찰력을 제공하여 의학 연구를 촉진시키고 환자 케어를 개선시키기 위해 빅 데이터 분석에서 데이터 주도 방법론이 헬스케어에서 어떻게 순수하게 사용될 수 있는지를 보인다. 예시 결과들은 빅 데이터에서 진보된 분석의 응용에 대한 새로운 관점을 보여 주며 더 중요하게는 베이지안 네트워크 알고리즘을 사용하여 형성된 관계 네트워크 모델이 실용적인 정보를 추출하는 데 효과적으로 사용될 수 있음을 입증한다.
이러한 방식으로, 본원에서 개시된 헬스케어 분석 시스템 및 방법들이 큰 데이터세트들을 분석하고 데이터세트들의 데이터 포인트들의 관계들에 대한 새로운 통찰력을 수집하는 데 사용될 수 있다. 상세한 DRG 코드 정보, 환자 수준 청구 정보, 진단, 약물 치료, 장기적 데이터(longitudinal data), 임상 테스트 결과 등과 같은 환자 임상 정보를 포함하는 데이터세트들에 이러한 분석이 수행될 수 있다. 이러한 분석은 처방 권고, 부작용 및 독성 분석, 약물 상호작용, 약물 재개발(drug repositioning), 약물 시험을 위한 환자 그룹 등의 관점에서 제약 산업에 유리할 수 있다. 이러한 분석은 임상 의사 결정 지원 시스템, 결과 기반 지불에 대한 결과의 개선, 진료 표준의 개선 등의 관점에서 병원 산업에 유리할 수 있다.
특정 실시 예들은 로직 또는 여러 구성요소들, 모듈들 또는 메커니즘들을 포함하는 것으로 본원에서 설명된다. 모듈들은 소프트웨어 모듈들(예를 들어, 머신 판독가능 매체 상에 또는 전송 신호로 구현된 코드) 또는 하드웨어 모듈들 중 어느 하나를 구성할 수 있다. 하드웨어 모듈은 특정 동작을 수행할 수 있는 유형의 유닛이며 특정 방식으로 구성되거나 배열될 수 있다. 예시적 실시 예들에서, 하나 이상의 컴퓨터 시스템(예를 들어, 독립형, 클라이언트 또는 서버 컴퓨터 시스템) 또는 컴퓨터 시스템의 하나 이상의 하드웨어 모듈(예를 들어, 프로세서 또는 프로세서들의 그룹)이 본원에서 설명된 특정 동작들을 수행하기 위해 동작하는 하드웨어 모듈로서 소프트웨어(예를 들어, 어플리케이션 또는 어플리케이션 일부)에 의해 구성될 수 있다.
다양한 실시 예들에서, 하드웨어 모듈은 기계적으로 또는 전자적으로 구현될 수 있다. 예를 들어, 하드웨어 모듈은 특정 동작들을 수행하기 위해 (예를 들어, 필드 프로그래머블 게이트 어레이(FPGA), 주문형 집적 회로(ASIC) 또는 그래픽 처리 유닛(GPU)과 같은 특별 목적 프로세서로서) 영구적으로 구성되는 전용 회로 또는 로직을 포함할 수 있다. 하드웨어 모듈은 또한 특정 동작들을 수행하기 위해 소프트웨어에 의해 임시적으로 구성된 (예를 들어, 범용 프로세서 또는 다른 프로그래머블 프로세서 내에 포함되는 것으로) 프로그래머블 로직 또는 회로를 포함할 수 있다. 기계적으로 전용 및 영구적으로 구성된 회로로 또는 임시적으로 구성된 회로(예를 들어, 소프트웨어에 의해 구성됨)로 하드웨어 모듈을 구현하기 위한 결정은 비용 및 시간 고려 사항에 의해 주도될 수 있음을 이해해야 할 것이다.
따라서, 용어 "하드웨어 모듈"은 유형의 엔티티, 특정 방식으로 동작하도록 하고/하거나 본원에서 설명된 특정 동작들을 수행하도록 물리적으로 구성되거나, 영구적으로 구성되거나(예를 들어, 고정화된(hardwired)) 또는 임시적으로 구성된(예를 들어, 프로그램된) 엔티티를 포함하는 것으로 이해되어야 한다. 하드웨어 모듈들이 임시적으로 구성된(예를 들어, 프로그램된) 실시 예들을 고려하면, 하드웨어 모듈들 각각은 제 때 구성되거나 임의의 한 인스턴스에서 인스턴스화될 필요가 없다. 예를 들어, 하드웨어 모듈들이 소프트웨어를 사용하여 구성된 범용 프로세서를 포함하는 경우, 범용 프로세서는 상이한 시간에 각각의 상이한 하드웨어 모듈로서 구성될 수 있다. 따라서 소프트웨어는 예를 들어 한 시간 인스턴스에서 특정 하드웨어 모듈을 구성하도록 그리고 상이한 시간 인스턴스에서 상이한 하드웨어 모듈을 구성하도록 프로세서를 구성할 수 있다.
하드웨어 모듈들은 다른 하드웨어 모듈들로 정보를 제공할 수 있거나 다른 하드웨어 모듈들로부터 정보를 수신할 수 있다. 따라서, 설명된 하드웨어 모듈들은 통신적으로 결합된 것으로 간주될 수 있다. 이러한 다수의 하드웨어 모듈들이 동시에 존재하는 경우, 통신은 하드웨어 모듈들을 연결하는 (예를 들어, 적절한 회로들 또는 버스들(buses)을 통한) 신호 전송을 통해 달성될 수 있다. 여러 하드웨어 모듈들이 상이한 시간에 구성되거나 인스턴스화 되는 실시 예들에서, 이러한 하드웨어 모듈들 간의 통신은 예를 들어, 여러 하드웨어 모듈들이 액세스하는 메모리 구조에서 정보 저장 및 검색을 통해 달성될 수 있다. 예를 들어, 하나의 하드웨어 모듈은 동작을 수행할 수 있고 통신적으로 연결된 메모리 디바이스에 동작의 출력을 저장할 수 있다. 그런 다음 추가 하드웨어 모듈이 추후에 저장된 출력을 검색하고 처리하기 위해 메모리 디바이스에 액세스할 수 있다. 하드웨어 모듈들은 또한 입력 또는 출력 디바이스와의 통신을 개시할 수 있고 자원(예를 들어, 정보의 콜렉션)에 대해 동작할 수 있다.
본원에서 설명된 예시 방법들의 다양한 동작들이 적어도 부분적으로 (예를 들어, 소프트웨어에 의해) 임시적으로 구성되거나 관련 동작들을 수행하기 위해 영구적으로 구성된 하나 이상의 프로세서들에 의해 수행될 수 있다. 임시적으로 또는 영구적으로 구성되든지 간에, 이러한 프로세서들은 하나 이상의 동작들 또는 기능들을 수행하도록 동작하는 프로세서 구현 모듈들(processor-implemented modules)을 구성할 수 있다. 일부 예시적 실시 예들에서 본원에서 언급된 모듈들은 프로세서 구현 모듈들을 포함한다.
유사하게, 본원에서 설명된 방법들은 적어도 부분적으로 프로세서 구현될 수 있다. 예를 들어, 방법의 동작들 중 적어도 일부는 하나 이상의 프로세서 또는 프로세서 구현 모듈들에 의해 수행될 수 있다. 동작들 중 특정한 것의 수행은 단일 머신 내에 있을 뿐만 아니라 여러 머신들에 걸쳐 배치된 하나 이상의 프로세서들 간에 분산될 수 있다. 일부 예시 실시 예들에서, 프로세서 또는 프로세서들은 (예를 들어, 홈 환경, 오피스 환경 내에 또는 서버 팜으로) 단일 장소에 위치될 수 있는 반면, 다른 실시 예들에서 프로세서들은 여러 장소에 걸쳐 분산될 수 있다.
하나 이상의 프로세서들은 또한 "클라우드 컴퓨팅" 환경에서 또는 "Software as a Service"(SaaS)로서 관련 동작들의 수행을 지원하기 위해 동작할 수 있다. 예를 들어, 동작들 중 적어도 일부는 (프로세서를 포함하는 머신들의 예로서) 컴퓨터 그룹에 의해 수행될 수 있고 이러한 동작들은 네트워크(예를 들어, 인터넷) 및 하나 이상의 적절한 인터페이스(예를 들어, API 들)를 통해 액세스 가능하다.
예시 실시 예들은 디지털 전자 회로 또는 컴퓨터 하드웨어, 펌웨어, 소프트웨어 또는 그것들의 조합으로 구현될 수 있다. 예시 실시 예들은 컴퓨터 프로그램 제품, 예를 들어 데이터 처리 장치(예를 들어 프로그래머블 프로세서, 컴퓨터 또는 여러 컴퓨터들)에 의한 실행을 위해 또는 데이터 처리 장치의 동작을 제어하기 위해 정보 캐리어(information carrier)(예를 들어, 머신 판독가능 매체)에 유형적으로 구현되는 컴퓨터 프로그램을 사용하여 구현될 수 있다.
컴퓨터 프로그램은 컴파일되거나 해석된 언어를 포함하여 임의의 형태의 프로그래밍 언어로 기록될 수 있고, 그것은 단독 프로그램 또는 모듈, 서브루틴 또는 컴퓨팅 환경에서 사용에 적절한 다른 유닛을 포함한 임의의 형태로 배치될(deployed) 수 있다. 컴퓨터 프로그램은 한 사이트의 하나의 컴퓨터 또는 하나의 사이트 또는 여러 사이트들에 걸쳐 분산된 여러 컴퓨터 상에서 실행되고 통신 네트워크에 의해 상호 연결되도록 배치될 수 있다.
예시 실시 예들에서, 동작들은 입력 데이터에 대해 동작하고 출력을 생성함으로써 기능들을 수행하기 위해 컴퓨터 프로그램을 실행하는 하나 이상의 프로그래머블 프로세서들에 의해 수행될 수 있다. 방법 동작들은 또한 특별 목적 로직 회로(예를 들어, FPGA 또는 ASIC)이 의해 수행될 수 있으며 예시 실시 예들의 장치는 특별 목적 로직 회로(예를 들어, FPGA 또는 ASIC)로 구현될 수 있다.
컴퓨팅 시스템은 클라이언트들 및 서버들을 포함할 수 있다. 클라이언트와 서버는 일반적으로 서로 멀리 떨어져 있고 전형적으로 통신 네트워크를 통해 상호작용한다. 클라이언트와 서버의 관계는 각각의 컴퓨터에서 실행되고 서로 클라이언트-서버 관계를 가지는 컴퓨터 프로그램들 때문에 발생한다. 프로그래머블 컴퓨팅 시스템을 배치하는 실시 예들에서, 하드웨어와 소프트웨어 아키텍처 모두가 고려될 필요가 있음을 인식해야 한다. 특히, 영구적으로 구성된 하드웨어(예를 들어, ASIC), 임시적으로 구성된 하드웨어(예를 들어, 소프트웨어와 프로그래머블 프로세서의 조합), 또는 영구적으로 및 임시적으로 구성된 하드웨어의 조합으로 특정 기능을 구현할지 여부의 선택이 설계 선택일 수 있음을 인식해야 할 것이다. 이하 다양한 예시 실시 예들에 배치될 수 있는 하드웨어(예를 들어, 머신) 및 소프트웨어 아키텍처가 제시된다.
도 21은 머신(예를 들어, 클라이언트 디바이스(110, 115, 120, 125); 서버(135); 데이터베이스 서버(들)(140); 데이터베이스(들)(130))이 본원에서 논의된 방법론들 중 임의의 하나 이상의 것을 수행하도록 하기 위한 명령들이 실행될 수 있는 예시 컴퓨터 시스템(900) 형태의 머신의 블록도이다. 대안적 실시 예들에서, 머신은 단독 디바이스로 동작하거나 다른 머신들에 연결될(예를 들어, 네트워크화될) 수 있다. 네트워크화된 배치에서, 머신은 서버-클라이언트 네트워크 환경의 서버 또는 클라이언트 머신의 역량으로, 또는 피어 투 피어(peer-to-peer) (또는 분산) 네트워크 환경의 피어 머신으로 동작할 수 있다. 머신은 퍼스널 컴퓨터(PC), 태블릿 PC, 셋톱 박스(STB), PDA, 휴대폰, 웹 어플라이언스, 네트워크 라우터, 스위치 또는 브리지, 또는 해당 머신에 의해 취해지는 동작들을 지정하는 명령들(순차 또는 기타)을 실행할 수 있는 임의의 머신일 수 있다. 또한, 단독 머신만이 설명되는 반면, 용어 "머신"은 또한 본원에서 논의된 방법론들 중 임의의 하나 이상의 것을 수행하는 명령들의 세트(또는 여러 세트들)를 개별적으로 또는 공동으로 실행하는 머신들의 임의의 콜렉션을 포함하는 것으로 취해질 것이다.
예시 컴퓨터 시스템(900)은 버스(908)를 통해 서로 통신하는 프로세서(902)(예를 들어, 중앙 처리 유닛(CPU), 멀티 코어 프로세서, 및/또는 그래픽 처리 유닛(GPU)), 메인 메모리(904) 및 정적 메모리(906)를 포함한다. 컴퓨터 시스템(900)은 비디오 디스플레이 유닛(910)(예를 들어, 액정 디스플레이(LCD), 터치 스크린 또는 음극선 관(CRT))을 더 포함할 수 있다. 컴퓨터 시스템(900)은 또한 영숫자 입력 디바이스(912)(예를 들어, 물리 또는 가상 키보드), 사용자 인터페이스(UI), 네비게이션 디바이스(914)(예를 들어, 마우스), 디스크 드라이브 유닛(916), 신호 생성 디바이스(918)(예를 들어, 스피커) 및 네트워크 인터페이스 디바이스(920)을 포함한다.
디스크 드라이브 유닛(916)은 하나 이상의 명령들의 세트들이 저장되는 머신 판독가능 매체(922), 본원에서 설명된 방법론들 또는 기능들 중 임의의 하나 이상의 것을 구현하거나 그에 의해 사용되는 데이터 구조들(예를 들어, 소프트웨어)(924)을 포함한다. 명령들(924)은 또한 컴퓨터 시스템(900)에 의한 그것들의 실행 동안 메인 메모리(904), 정적 메모리(906), 및/또는 프로세서(902) 내에 완전히 또는 적어도 부분적으로 존재하며, 메인 메모리(904)와 프로세서(902)는 또한 머신 판독 가능 매체를 구성한다.
머신 판독가능 매체(922)는 단독 매체인 것으로 예시 실시 예에서 도시되나, 용어 "머신 판독가능 매체"는 하나 이상의 명령들 또는 데이터 구조들을 저장하는 단독 매체 또는 여러 매체(예를 들어, 중앙 집중식 또는 분산 데이터베이스, 및/또는 관련 캐시 및 서버)를 포함할 수 있다. 용어 "머신 판독가능 매체"는 또한 머신에 의한 실행을 위해 명령들을 저장, 인코딩 또는 운반 가능하고 머신이 본 발명의 방법론들 중 임의의 하나 이상을 것을 수행하도록 하거나 이러한 명령들에 의해 사용되거나 이러한 명령들과 관련된 데이터 구조들을 저장, 인코딩 또는 운반할 수 있는 임의의 유형의 매체를 포함하는 것으로 취해질 것이다. 용어 "머신 판독가능 매체"는 따라서 솔리드 스테이트 메모리(solid-state memories), 그리고 광학 및 자기 매체를 포함하는 것으로 취해질 것이나 이에 한정되지는 않는다. 머신 판독가능 매체의 특정 예들은 예를 들어, 반도체 메모리 디바이스(예를 들어, EPROM(Erasable Programmable Read-Only Memory), EEPROM(Electrically Erasable Programmable Read-Only Memory))와 플래시 메모리 디바이스; 내부 하드 디스크 및 이동식 디스크 같은 자기 디스크; 및 CD-ROM 및 DVD-ROM 디스크를 포함하는 비 휘발성 메모리를 포함한다.
명령들(924)은 또한 전송 매체를 이용하여 통신 네트워크(926)를 통해 전송되거나 수신될 수 있다. 명령들(924)은 네트워크 인터페이스 디바이스(920)와 여러 잘 알려진 전송 프로토콜(예를 들어, HTPP) 중 임의의 것을 이용하여 전송될 수 있다. 통신 네트워크의 예는 LAN, WAN, 인터넷, 이동 전화 네트워크, POTS (Plain Old Telephone) 네트워크 및 무선 데이터 네트워크(예를 들어, WiFi 및 WiMax 네트워크)를 포함한다. 용어 "전송 매체"는 머신에 의한 실행을 위해 명령들을 저장, 인코딩 또는 운반할 수 있는 임의의 무형의 매체를 포함하도록 취해질 것이고, 이러한 소프트웨어의 통신을 용이하게 하는 디지털 또는 아날로그 통신 신호 또는 다른 무형의 매체를 포함한다.
본 발명이 특정 예시 실시 예들에 관하여 설명되었지만, 본 발명의 보다 넓은 사상과 범위를 벗어나지 않고 이러한 실시 예들에 대해 다양한 변경 및 수정이 이루어질 수 있음이 명백할 것이다. 따라서, 명세서와 도면들은 제한적인 의미라기보다 예시적인 것으로 간주되어야 한다.
명확한 목적을 위해, 상기 설명은 상이한 기능 유닛들 또는 프로세서들에 관하여 일부 실시 예들을 설명한다는 것을 인식해야 할 것이다. 그러나 상이한 기능 유닛들, 프로세서들 또는 도메인들 사이의 임의의 적절한 기능 분산이 본 발명을 혼란시키지 않고 사용될 수 있음이 명백할 것이다.예를 들어, 별도 프로세서들 또는 콘트롤러들에 의해 수행되도록 설명된 기능은 동일한 프로세서 또는 콘트롤러에 의해 수행될 수 있다. 따라서, 특정 기능 유닛들에 대한 언급은 엄격한 논리적 또는 물리적 구조 또는 구성을 나타내기보다는 설명된 기능을 제공하기 위한 적절한 수단에 대한 참조로서 보여질 뿐이다.
일 실시 예가 특정 예시 실시 예들에 관해 설명되었지만, 다양한 변경 및 수정들이 본 발명의 더 넓은 사상과 범위를 벗어나지 않고 이러한 실시 예들에 대해 이루어질 수 있음이 명백할 것이다. 따라서, 명세서와 도면들은 제한적 의미라기보다는 예시적인 것으로 간주되어야 한다. 본 명세서의 일부를 이루는 첨부 도면들은 본 발명이 실시될 수 있는 특정 실시 예들을 예시적으로 도시하고 제한적으로 도시하는 것이 아니다. 예시된 실시 예들은 본원에서 개시된 교시들을 당업자가 실시할 수 있도록 충분히 상세히 설명된다. 다른 실시 예들은 본 개시의 범위를 벗어나지 않고 구조적 논리적 대체 및 변경이 이루어질 수 있도록 사용될 수 있고 그로부터 도출될 수 있다. 따라서 이 상세한 설명은 제한적인 의미로 받아들여져서는 안되며, 다양한 실시 예들의 범위가 청구항들에 부여되는 등가물의 전체 범위와 함께 첨부된 청구항들에 의해서만 정의된다.
본 발명 주제의 이러한 실시 예들은 편의상 그리고 이러한 응용의 범위를 임의의 단일 발명 또는 하나 이상이 사실상 개시되는 경우 발명 개념으로 자발적으로 제한할 의도 없이 단순히 용어 "발명"으로 개별적으로 및/또는 총괄적으로 본원에서 언급될 수 있다. 따라서, 특정 실시 예들이 본원에서 예시되거나 설명되었지만, 동일한 목적을 달성하도록 계산된 임의의 배열이 보여진 특정 실시 예들을 대체할 수 있음을 인식해야 한다. 이 개시는 다양한 실시 예들의 임의의 그리고 모든 적응 또는 변형들을 커버하도록 의도된다. 상기 실시 예들의 조합 및 특별히 본원에서 설명되지 않은 다른 실시 예들은 상기 설명을 검토할 때 당업자에게 명백할 것이다.
본 명세서에서, 용어 "a" 또는 "an"은 "적어도 하나" 또는 "하나 이상의" 의 사용 또는 임의의 예들과는 관계없이 특허 문서에서 일반적인 바와 같이 하나 또는 하나 이상을 포함하기 위해 사용된다. 본 명세서에서, "또는"이라는 용어는 비 배타적 or(nonexclusive or)를 언급하는 데 사용되어, 달리 표시되지 않는 한 "A 또는 B"가 "A 하지만 B가 아님" "B 하지만 A가 아님" 및 "A 및 B"를 포함한다. 첨부된 청구항들에서, 용어 "포함하는(including)" 및 "여기서(in which)"는 각각의 용어"포함하는(comprising)" 및 "여기서(wherein)"의 단순 영어 등가물로 사용된다. 또한, 다음 청구항들에서, 용어 "포함하는(including)" 및 "포함하는(comprising)"은 오픈 엔드(open-eneded)이다. 즉, 청구항의 이러한 용어 뒤에 나열된 것들 이외의 요소들을 포함하는 시스템, 디바이스, 물품(article) 또는 프로세스는 여전히 해당 청구항의 범위 내에 포함되는 것으로 간주된다. 또한 이하의 청구항들에서, 용어 "제1", "제2" 및 "제3" 등은 단순히 라벨로서 사용되며 그 객체들에 수치적 요구사항을 부과하는 것으로 의도된 것이 아니다.
개시의 요약은 독자가 기술적 개시의 본질을 신속하게 확인할 수 있도록 제공된다. 청구항들의 범위 또는 의미를 해석하거나 제한하는 데 사용되지 않을 것이라는 이해 하에 제출된다. 추가로, 전술한 상세한 설명에서, 본 개시의 간소화를 위해 다양한 특징들이 단일 실시 예에서 그룹화되는 것을 볼 수 있다. 이러한 개시 방법은 청구된 실시 예들이 각각의 청구항에서 명확히 언급된 것보다 더 많은 특징들을 필요로 한다는 의도를 반영하는 것으로 해석되어서는 안된다. 오히려, 다음 청구항들이 반영하는 바와 같이 발명의 주제는 단일 개시 실시 예의 모든 특징들보다 더 적은 것에 있다. 따라서 다음 청구항들은 이로써 상세한 설명에 포함되며 각각의 청구항은 별도 실시 예로서 그 자체로 존재한다.
Claims (64)
- 환자 데이터에 기반하여 인과 관계 네트워크 모델을 생성하기 위한 컴퓨터 구현 방법에 있어서, 상기 방법은
복수의 환자들에 대응하는 데이터를 수신하는 단계 - 상기 데이터는 각각의 환자에 대한 진단 정보 및/또는 치료 정보를 포함함 - ;
복수의 변수들에 대해 정규화된 데이터를 생성하도록 상기 데이터를 파싱(parsing)하는 단계 - 여기서, 각각의 환자에 대해, 상기 정규화된 데이터가 하나 이상의 변수에 대해 생성됨 - ;
베이지안 네트워크 알고리즘(Bayesian network algorithm)을 이용하여 상기 생성된 정규화된 데이터에 기반하여 상기 복수의 변수들을 관련시키는 인과 관계 네트워크 모델을 생성하는 단계 - 상기 인과 관계 네트워크 모델은 복수의 의학적 상태들에 관련된 변수들을 포함함 - ; 를 포함하고, 그리고
상기 인과 관계 네트워크는, 네트워크 모델 구축 코드를 유지하는 스토리지(storage) 및 상기 네트워크 모델 구축 코드를 실행하도록 구성된 적어도 하나의 프로세서들을 포함하는 프로그램된 컴퓨팅 시스템을 이용하여 생성되는, 인과 관계 네트워크 모델을 생성하기 위한 컴퓨터 구현 방법. - 제1항에 있어서,
상기 인과 관계 네트워크 모델은 상기 복수의 의학적 상태들 각각에 대한 적어도 하나의 예측변수들을 나타내는 관계들을 포함하는, 인과 관계 네트워크 모델을 생성하기 위한 컴퓨터 구현 방법. - 제1항에 있어서,
상기 수신된 데이터는 상기 복수의 의학적 상태들 중 적어도 하나에 관련있는 것으로 사전 선택되지 않는, 인과 관계 네트워크 모델을 생성하기 위한 컴퓨터 구현 방법. - 제1항에 있어서,
상기 복수의 환자들은 환자들의 제1 서브세트 - 각각이 상기 환자의 의학적 상태의 진단을 나타내는 데이터를 가짐 - 및 환자들의 제2 서브세트 - 각각이 상기 환자의 의학적 상태의 진단을 나타내지 않는 데이터를 가짐 - 를 포함하는, 인과 관계 네트워크 모델을 생성하기 위한 컴퓨터 구현 방법. - 제1항에 있어서,
적어도 하나의 추가 환자들에 대응하는 추가 데이터를 수신하는 단계; 및
상기 추가 데이터에 기반하여 상기 인과 관계 네트워크 모델을 업데이트하는 단계를 더 포함하는, 인과 관계 네트워크 모델을 생성하기 위한 컴퓨터 구현 방법. - 제1항에 있어서,
상기 복수의 환자들 중 적어도 한 명에 대응하는 업데이트 또는 추가 데이터를 수신하는 단계; 및
상기 업데이트 또는 추가 데이터에 기반하여 상기 인과 관계 네트워크 모델을 업데이트하는 단계를 더 포함하는, 인과 관계 네트워크 모델을 생성하기 위한 컴퓨터 구현 방법. - 제1항에 있어서,
상기 인과 관계 네트워크 모델은 상기 생성된 정규화된 데이터에만 기반하여 생성되는, 인과 관계 네트워크 모델을 생성하기 위한 컴퓨터 구현 방법. - 제1항에 있어서,
상기 인과 관계 네트워크 모델로부터 서브 네트워크를 결정하는 단계 - 상기 서브 네트워크의 적어도 하나의 변수들은 선택된 의학적 상태와 관련됨 - ; 및
상기 선택된 의학적 상태에 대한 적어도 하나의 예측변수들을 결정하기 위해 상기 서브네트워크의 관계들을 조사하는(probing) 단계를 더 포함하는, 인과 관계 네트워크 모델을 생성하기 위한 컴퓨터 구현 방법. - 제8항에 있어서,
상기 선택된 의학적 상태에 대한 상기 적어도 하나의 예측변수들은 상기 선택된 의학적 상태와 동시 발생하는 의학적 상태를 나타내는, 인과 관계 네트워크 모델을 생성하기 위한 컴퓨터 구현 방법. - 제8항에 있어서,
상기 서브 네트워크의 범위는 상기 선택된 의학적 상태와 관련된 상기 적어도 하나의 변수들 및 상기 인과 관계 네트워크 모델에서 상기 적어도 하나의 변수들과 다른 변수들 사이의 관계들의 강도에 기반하여 결정되는, 인과 관계 네트워크 모델을 생성하기 위한 컴퓨터 구현 방법. - 제8항에 있어서,
상기 서브 네트워크는 상기 선택된 의학적 상태와 관련된 상기 적어도 하나의 변수들, 추가 변수들의 제1 세트 - 각각이 상기 적어도 하나의 변수들과 제1 정도(first degree) 관계를 가짐 -, 및 추가 변수들의 제2 세트 - 각각이 상기 적어도 하나의 변수들과 제2 정도(second degree) 관계를 가짐 - 를 포함하는, 인과 관계 네트워크 모델을 생성하기 위한 컴퓨터 구현 방법. - 제8항에 있어서,
상기 적어도 하나의 예측변수들 중 적어도 하나는 상기 선택된 의학적 상태에 대한 예측변수로서 이전에 알려지지 않은, 인과 관계 네트워크 모델을 생성하기 위한 컴퓨터 구현 방법. - 제8항에 있어서,
상기 적어도 하나의 예측변수들 중 적어도 하나는 상기 의학적 상태에 대한 예측변수로서 새롭게 식별되는, 인과 관계 네트워크 모델을 생성하기 위한 컴퓨터 구현 방법. - 제8항에 있어서,
예측변수들의 개수는 변수들의 개수보다 적은, 인과 관계 네트워크 모델을 생성하기 위한 컴퓨터 구현 방법. - 제8항에 있어서,
사용자 인터페이스에 상기 적어도 하나의 예측변수들을 디스플레이하는 단계 - 상기 디스플레이하는 것은 상기 적어도 하나의 변수들, 상기 적어도 하나의 예측변수들, 및 상기 적어도 하나의 변수들과 상기 적어도 하나의 예측변수들 간의 관계들의 그래픽 표현을 포함함 - 를 더 포함하는, 인과 관계 네트워크 모델을 생성하기 위한 컴퓨터 구현 방법. - 제8항에 있어서,
사용자 인터페이스에 상기 서브 네트워크의 그래픽 표현을 디스플레이하는 단계를 더 포함하는, 인과 관계 네트워크 모델을 생성하기 위한 컴퓨터 구현 방법. - 제8항에 있어서,
상기 적어도 하나의 변수들과 상기 적어도 하나의 예측변수들 사이의 관계들의 강도에 기반하여 상기 적어도 하나의 예측 변수들을 순위 매기는(ranking) 단계를 더 포함하는, 인과 관계 네트워크 모델을 생성하기 위한 컴퓨터 구현 방법. - 제1항에 있어서,
상기 인과 관계 네트워크 모델로부터 서브 네트워크를 결정하는 단계 - 상기 서브 네트워크의 적어도 하나의 변수들은 선택된 약품과 관련됨 - ; 및
상기 선택된 약품에 관련된 적어도 하나의 예측변수들을 결정하기 위해 상기 서브 네트워크를 조사하는(probing) 단계를 더 포함하는, 인과 관계 네트워크 모델을 생성하기 위한 컴퓨터 구현 방법. - 제18항에 있어서,
상기 선택된 약품에 관련된 상기 적어도 하나의 예측변수들은 상기 선택된 약품과 함께 투여되는 약품을 나타내는, 인과 관계 네트워크 모델을 생성하기 위한 컴퓨터 구현 방법. - 제18항에 있어서,
상기 적어도 하나의 예측변수들은 상기 선택된 약품과 적어도 하나의 다른 약품들 사이의 유해 약물 상호작용(adverse drug interaction)을 나타내는, 인과 관계 네트워크 모델을 생성하기 위한 컴퓨터 구현 방법. - 제20항에 있어서,
상기 적어도 하나의 예측변수들 중 적어도 하나는 상기 선택된 약품과 상기 적어도 하나의 다른 약품들 사이의 유해 약물 상호작용에 대한 예측변수로서 새롭게 식별되는, 인과 관계 네트워크 모델을 생성하기 위한 컴퓨터 구현 방법. - 제18항에 있어서,
상기 서브 네트워크의 범위는 상기 선택된 약품과 관련된 상기 적어도 하나의 변수들 및 상기 인과 관계 네트워크 모델에서 상기 적어도 하나의 변수들과 다른 변수들 사이의 관계들의 강도에 기반하여 결정되는, 인과 관계 네트워크 모델을 생성하기 위한 컴퓨터 구현 방법. - 제18항에 있어서,
상기 서브 네트워크는 상기 선택된 약품과 관련된 상기 적어도 하나의 변수들, 추가 변수들의 제1 세트- 각각은 상기 적어도 하나의 변수들과 제1 정도(first degree) 관계를 가짐-, 및 추가 변수들의 제2 세트 - 각각은 상기 적어도 하나의 변수들과 제2 정도(second degree) 관계를 가짐 - 을 포함하는, 인과 관계 네트워크 모델을 생성하기 위한 컴퓨터 구현 방법. - 제18항에 있어서,
상기 적어도 하나의 예측변수들 중 적어도 하나는 상기 선택된 약품에 대한 예측변수로서 이전에 알려지지 않은, 인과 관계 네트워크 모델을 생성하기 위한 컴퓨터 구현 방법. - 제18항에 있어서,
예측변수들의 개수는 변수들의 개수보다 적은, 인과 관계 네트워크 모델을 생성하기 위한 컴퓨터 구현 방법. - 제1항 내지 제25항 중 어느 한 항에 있어서,
상기 인과 관계 네트워크 모델은 적어도 50개 변수들에 기반하여 생성되는, 인과 관계 네트워크 모델을 생성하기 위한 컴퓨터 구현 방법. - 제1항 내지 제25항 중 어느 한 항에 있어서,
상기 인과 관계 네트워크 모델은 적어도 100개 변수들에 기반하여 생성되는, 인과 관계 네트워크 모델을 생성하기 위한 컴퓨터 구현 방법. - 제1항 내지 제25항 중 어느 한 항에 있어서,
상기 인과 관계 네트워크 모델은 적어도 1000개 변수들에 기반하여 생성되는, 인과 관계 네트워크 모델을 생성하기 위한 컴퓨터 구현 방법. - 제1항 내지 제25항 중 어느 한 항에 있어서,
상기 인과 관계 네트워크 모델은 적어도 100,000개 변수들에 기반하여 생성되는, 인과 관계 네트워크 모델을 생성하기 위한 컴퓨터 구현 방법. - 제1항 내지 제25항 중 어느 한 항에 있어서,
상기 인과 관계 네트워크 모델은 50개 변수들과 1,000,000개 변수들 사이에 기반하여 생성되는, 인과 관계 네트워크 모델을 생성하기 위한 컴퓨터 구현 방법. - 제1항 내지 제25항 중 어느 한 항에 있어서,
상기 인과 관계 네트워크 모델은 50명 환자들과 1,000,000명 환자들 사이로부터의 데이터에 기반하여 생성되는, 인과 관계 네트워크 모델을 생성하기 위한 컴퓨터 구현 방법. - 제1항 내지 제25항 중 어느 한 항에 있어서,
상기 데이터는 환자 전자 건강 기록으로부터의 정보를 포함하는, 인과 관계 네트워크 모델을 생성하기 위한 컴퓨터 구현 방법. - 제1항 내지 제25항 중 어느 한 항에 있어서,
상기 수신된 데이터는 상기 복수의 환자들 중 적어도 일부에 대한 환자 인구통계 (patient demographics), 병력(medical history), 환자 가족 병력, 활성 투약 정보(active medication information), 비활성 과거 투약 정보(inactive past medication information), 알러지 정보, 면역 상태 정보, 실험실 테스트 결과(laboratory test results), 방사선 이미지, 바이탈 사인 정보(vital sign information), 환자 체중, 청구 정보(billing information), 생활 양식 정보(life style information), 습관 정보, 보험 청구 정보(insurance claims information) 및 약국 정보(pharmacy information) 중 적어도 하나를 더 포함하는, 인과 관계 네트워크 모델을 생성하기 위한 컴퓨터 구현 방법. - 제33항에 있어서,
상기 환자 인구통계는 환자 나이, 환자 인종(race) 및 환자 민족성(ethnicity) 중 적어도 하나를 포함하는, 인과 관계 네트워크 모델을 생성하기 위한 컴퓨터 구현 방법. - 제1항 내지 제25항 중 어느 한 항에 있어서,
상기 수신된 데이터는 환자 차트로부터의 정보를 포함하는, 인과 관계 네트워크 모델을 생성하기 위한 컴퓨터 구현 방법. - 제35항에 있어서,
상기 환자 차트로부터의 정보는 헬스 케어 전문가에 의한 기록, 헬스 케어 전문가에 의한 관찰, 치료 및 약품의 투여(administration of drugs and therapies), 치료 및 약품 투여의 순서, 테스트 결과 및 엑스레이 중 적어도 하나를 포함하는, 인과 관계 네트워크 모델을 생성하기 위한 컴퓨터 구현 방법. - 제1항 내지 제25항 중 어느 한 항에 있어서,
상기 수신된 데이터는 환자 퇴원 정보(patient discharge information)를 포함하는, 인과 관계 네트워크 모델을 생성하기 위한 컴퓨터 구현 방법. - 제37항에 있어서,
상기 환자 퇴원 정보는 진단 코드, 치료 코드, 보험 청구 코드, 진단 관련 그룹 코드, 및 국제 질병 분류 코드 중 적어도 하나를 포함하는, 인과 관계 네트워크 모델을 생성하기 위한 컴퓨터 구현 방법. - 제1항 내지 제25항 중 어느 한 항에 있어서,
상기 수신된 데이터는 선택된 병원의 복수의 환자들과 관련되는, 인과 관계 네트워크 모델을 생성하기 위한 컴퓨터 구현 방법. - 제1항 내지 제25항 중 어느 한 항에 있어서,
상기 수신된 데이터는 선택된 지리적 영역의 복수의 환자들에 관련되는, 인과 관계 네트워크 모델을 생성하기 위한 컴퓨터 구현 방법. - 제1항 내지 제25항 중 어느 한 항에 있어서,
베이지안 네트워크 알고리즘을 이용하여 상기 생성된 정규화된 데이터에 기반하여 상기 복수의 환자들에 대한 변수들을 관련시키는 상기 인과 관계 네트워크 모델을 생성하는 단계는
베이지안 프래그먼트 열거(Bayesian Fragment Enumeration) 절차를 통해 상기 변수들에 기반하여 네트워크 프래그먼트들의 라이브러리를 생성하는 단계;
시험 네트워크들의 앙상블(ensemble of trial networks)을 생성하는 단계 - 각각의 시험 네트워크는 상기 라이브러리의 상기 네트워크 프래그먼트들의 상이한 서브세트로 구성됨 -; 및
컨센서스(consensus) 인과 관계 네트워크 모델을 생성하기 위해 시뮬레이션된 어닐링(simulated annealing)을 통한 로컬 변환들을 통해 각각의 시험 네트워크를 진화시킴으로써 전역적으로 상기 시험 네트워크들의 앙상블을 최적화하는 단계를 포함하는, 인과 관계 네트워크 모델을 생성하기 위한 컴퓨터 구현 방법. - 제41항에 있어서,
베이지안 네트워크 알고리즘을 이용하여 상기 생성된 정규화된 데이터에 기반하여 상기 복수의 환자들에 대한 변수들을 관련시키는 상기 인과 관계 네트워크 모델을 생성하는 단계는
결과적인 인과 관계 네트워크 모델 내의 적어도 하나의 인과 관계들에 대한 예측의 신뢰 수준을 제공하기 위한, 입력 데이터에 기반하는 컨센서스 인과 관계 네트워크 모델의 인실리코 시뮬레이션(in silico stimulation)을 더 포함하는, 인과 관계 네트워크 모델을 생성하기 위한 컴퓨터 구현 방법. - 인과 관계 네트워크 모델을 이용하기 위한 컴퓨터 구현 방법에 있어서, 상기 방법은
복수의 의학적 상태들로부터 의학적 상태의 선택을 수신하는 단계;
컴퓨터로 생성된 인과 관계 네트워크 모델로부터 서브 네트워크를 결정하는 단계 - 상기 인과 관계 네트워크 모델은 베이지안 네트워크 알고리즘(Bayesian network algorithm)을 이용하여 환자 데이터로부터 생성되며 상기 복수의 의학적 상태들에 관련된 변수들을 포함하는 복수의 변수들을 포함하고, 상기 인과 관계 네트워크 모델은 상기 선택된 의학적 상태들에 기반하고, 상기 서브 네트워크는 상기 선택된 의학적 상태에 관련된 적어도 하나의 변수들을 포함함 - ;
상기 선택된 의학적 상태에 대한 적어도 하나의 예측변수들을 식별하기 위해 상기 서브 네트워크를 횡단하는(traversing) 단계; 및
상기 선택된 의학적 상태에 대한 상기 적어도 하나의 예측변수들을 저장하는 단계를 포함하는, 인과 관계 네트워크 모델을 이용하기 위한 컴퓨터 구현 방법. - 제43항에 있어서,
상기 의학적 상태의 선택은 사용자 인터페이스를 통해 사용자로부터 수신되는, 인과 관계 네트워크 모델을 이용하기 위한 컴퓨터 구현 방법. - 제43항에 있어서,
상기 적어도 하나의 예측변수들 중 적어도 하나는 상기 선택된 의학적 상태에 대한 예측변수로서 이전에 알려지지 않은, 인과 관계 네트워크 모델을 이용하기 위한 컴퓨터 구현 방법. - 제43항에 있어서,
상기 적어도 하나의 예측변수들 중 적어도 하나는 상기 선택된 의학적 상태에 대한 예측변수로서 새롭게 식별되는, 인과 관계 네트워크 모델을 이용하기 위한 컴퓨터 구현 방법. - 제43항에 있어서,
예측변수들의 개수는 변수들의 개수보다 적은, 인과 관계 네트워크 모델을 이용하기 위한 컴퓨터 구현 방법. - 제43항에 있어서,
상기 사용자 인터페이스에 상기 예측변수들을 디스플레이하는 단계 - 상기 디스플레이하는 것은 상기 적어도 하나의 선택된 변수들, 상기 적어도 하나의 예측변수들 및 상기 적어도 하나의 선택된 변수들과 상기 예측변수들 간의 관계들의 그래픽 표현을 포함함 - 를 더 포함하는, 인과 관계 네트워크 모델을 이용하기 위한 컴퓨터 구현 방법. - 제43항에 있어서,
상기 사용자 인터페이스에 상기 서브 네트워크의 그래픽 표현을 디스플레이하는 단계를 더 포함하는, 인과 관계 네트워크 모델을 이용하기 위한 컴퓨터 구현 방법. - 제43항에 있어서,
상기 적어도 하나의 선택된 변수들과 상기 적어도 하나의 예측변수들 사이의 관계들의 강도에 기반하여 상기 적어도 하나의 예측변수들을 순위 매기는(ranking) 단계를 더 포함하는, 인과 관계 네트워크 모델을 이용하기 위한 컴퓨터 구현 방법. - 제43항에 있어서,
상기 적어도 하나의 예측변수들은 적어도 하나의 의약품들과 관련되는, 인과 관계 네트워크 모델을 이용하기 위한 컴퓨터 구현 방법. - 제43항에 있어서,
상기 예측변수들은 적어도 하나의 의학적 상태들과 관련되는, 인과 관계 네트워크 모델을 이용하기 위한 컴퓨터 구현 방법. - 인과 관계 네트워크 모델을 이용하기 위한 컴퓨터 구현 방법에 있어서, 상기 방법은
복수의 의학적 상태들로부터 의학적 상태와 관련된 질의를 수신하는 단계;
컴퓨터로 생성된 인과 관계 네트워크 모델로부터 서브 네트워크를 결정하는 단계 - 상기 인과 관계 네트워크 모델은 베이지안 네트워크 알고리즘(Bayesian network algorithm)을 이용하여 환자 데이터로부터 생성되며 상기 복수의 의학적 상태들에 관련된 변수들을 포함하는 복수의 변수들을 포함하고, 상기 인과 관계 네트워크 모델은 상기 질의된 의학적 상태에 기반하고, 상기 서브 네트워크는 상기 질의된 의학적 상태와 관련된 적어도 하나의 변수들을 포함함 - ;
상기 질의된 의학적 상태에 대한 적어도 하나의 예측변수들을 식별하기 위해 상기 서브 네트워크를 횡단하는(traversing) 단계; 및
상기 질의된 의학적 상태에 대한 상기 적어도 하나의 예측변수들을 저장하는 단계를 포함하는, 인과 관계 네트워크 모델을 이용하기 위한 컴퓨터 구현 방법. - 제53항에 있어서,
상기 사용자로부터 수신된 상기 질의는 의학적 상태 및/또는 의약품과 관련된 정보를 포함하는, 인과 관계 네트워크 모델을 이용하기 위한 컴퓨터 구현 방법. - 인과 관계 네트워크 모델을 이용하기 위한 컴퓨터 구현 방법에 있어서, 상기 방법은
의약품과 관련된 정보를 수신하는 단계;
컴퓨터로 생성된 인과 관계 네트워크 모델로부터 서브 네트워크를 결정하는 단계 - 상기 인과 관계 네트워크 모델은 베이지안 네트워크 알고리즘(Bayesian network algorithm)을 이용하여 환자 데이터로부터 생성되며 상기 복수의 의약품들에 관련된 변수들을 포함하는 복수의 변수들을 포함하고, 상기 인과 관계 네트워크 모델은 상기 의약품에 기반하고, 상기 서브 네트워크는 상기 의약품과 관련된 적어도 하나의 변수들을 포함함 - ;
상기 의약품에 대한 적어도 하나의 예측변수들을 식별하기 위해 상기 서브 네트워크를 횡단하는(traversing) 단계; 및
상기 의약품에 대한 상기 적어도 하나의 예측변수들을 저장하는 단계를 포함하는, 인과 관계 네트워크 모델을 이용하기 위한 컴퓨터 구현 방법. - 환자 데이터에 기반하여 인과 관계 네트워크 모델을 생성하기 위한 시스템에 있어서, 상기 시스템은
복수의 환자들에 관련된 데이터를 수신하도록 구성된 데이터 수신 모듈 - 상기 데이터는 각각의 환자에 대한 진단 정보 및/또는 치료 정보를 포함함 - ;
복수의 변수들에 대해 정규화된 데이터를 생성하기 위해 상기 데이터를 파싱(parsing)하도록 구성된 파싱 모듈 - 여기서, 각각의 환자에 대해, 상기 정규화된 데이터가 하나 이상의 변수에 대해 생성됨 - ; 및
베이지안 네트워크 알고리즘(Bayesian network algorithm)을 이용하여 상기 생성된 정규화된 데이터에 기반하여 상기 복수의 변수들을 관련시키는 인과 관계 네트워크 모델을 생성하도록 구성된 프로세서 구현 관계 네트워크 모듈 - 상기 인과 관계 네트워크 모델은 복수의 의학적 상태들에 관련된 변수들을 포함함 - 을 포함하는, 환자 데이터에 기반하여 인과 관계 네트워크 모델을 생성하기 위한 시스템. - 제56항에 있어서,
상기 인과 관계 네트워크 모델은 상기 복수의 의학적 상태들 각각에 대한 적어도 하나의 예측변수들을 나타내는 관계들을 포함하는, 환자 데이터에 기반하여 인과 관계 네트워크 모델을 생성하기 위한 시스템. - 환자 데이터에 기반하여 인과 관계 네트워크 모델을 이용하기 위한 시스템에 있어서, 상기 시스템은
의학적 상태와 관련된 정보를 수신하도록 구성된 데이터 수신 모듈;
컴퓨터로 생성된 인과 관계 네트워크 모델로부터 서브 네트워크를 결정하도록 구성된 서브 네트워크 모듈 - 상기 인과 관계 네트워크 모델은 베이지안 네트워크 알고리즘(Bayesian network algorithm)을 이용하여 환자 데이터로부터 생성되며 복수의 의학적 상태들에 관련된 변수들을 포함하는 복수의 변수들을 포함하고, 상기 인과 관계 네트워크 모델은 상기 의학적 상태에 기반하고, 상기 서브 네트워크는 상기 의학적 상태와 관련된 적어도 하나의 변수들을 포함함 -; 및
상기 서브 네트워크를 횡단하고 상기 의학적 상태에 대한 적어도 하나의 예측변수들을 식별하도록 구성된 변수 식별 모듈을 포함하는, 환자 데이터에 기반하여 인과 관계 네트워크 모델을 이용하기 위한 시스템. - 제58항에 있어서,
상기 컴퓨터로 생성된 인과 관계 네트워크 모델은 제1항 내지 제25항 중 어느 한 항의 방법을 이용하여 생성된, 환자 데이터에 기반하여 인과 관계 네트워크 모델을 이용하기 위한 시스템. - 적어도 하나의 프로세서에 의해 실행될 때 상기 적어도 하나의 프로세서가 제1항 내지 제25항 중 어느 한 항의 방법을 수행하도록 하는 적어도 하나의 프로그램을 저장하는 비일시적 머신 판독가능 저장 매체.
- 의학적 상태에 대한 예측변수들을 생성하기 위한 시스템에 있어서, 상기 시스템은
인과 관계 네트워크 모델 생성기(generator)를 포함하되, 상기 인과 관계 네트워크 모델 생성기는
복수의 환자들에 대응하는 데이터를 수신하도록 하고 - 상기 데이터는 각각의 환자에 대한 진단 정보 및/또는 치료 정보를 포함함 - ;
복수의 변수들에 대해 정규화된 데이터를 생성하기 위해 상기 데이터를 파싱하도록 하고 - 상기 정규화된 데이터는 하나 이상의 변수에 대해 생성됨 - ; 그리고
베이지안 네트워크 알고리즘(Bayesian network algorithm)을 이용하여 상기 생성된 정규화된 데이터에 기반하여 상기 복수의 변수들 중 적어도 하나에 각각의 변수를 관련시키는 인과 관계 네트워크 모델을 생성하도록 - 상기 인과 관계 네트워크 모델은 복수의 의학적 상태들에 관련된 변수들을 포함함 - 구성된, 의학적 상태에 대한 예측변수들을 생성하기 위한 시스템. - 제61항에 있어서,
상기 인과 관계 네트워크 모델은 상기 복수의 의학적 상태들 각각에 대한 적어도 하나의 예측변수들을 나타내는 관계들을 포함하는, 의학적 상태에 대한 예측변수들을 생성하기 위한 시스템. - 제61항에 있어서,
서브 네트워크 선택 모듈을 더 포함하되, 상기 서브 네트워크 선택 모듈은
사용자 인터페이스를 통해 사용자로부터 의학적 상태와 관련된 정보를 수신하도록 하고;
상기 인과 관계 네트워크 모델로부터 서브 네트워크를 결정하도록 하고 - 상기 서브 네트워크는 상기 의학적 상태에 관련된 적어도 하나의 변수들을 포함함 - ;
상기 의학적 상태에 대한 적어도 하나의 예측변수들을 식별하기 위해 상기 서브 네트워크를 횡단하도록 하고; 그리고
상기 의학적 상태에 대한 상기 적어도 하나의 예측변수들을 저장하도록 구성된, 의학적 상태에 대한 예측변수들을 생성하기 위한 시스템. - 환자 데이터에 기반하여 인과 관계 네트워크 모델을 생성하기 위한 시스템에 있어서, 상기 시스템은
제1 프로세서에 의해 구현되는 데이터 수신 모듈로서,
복수의 환자들에 대응하는 데이터를 수신 - 상기 데이터는 각각의 환자에 대한 진단 정보 및/또는 치료 정보를 포함함 - 하도록 하고,
복수의 변수들에 대해 정규화된 데이터를 생성하기 위해 상기 데이터를 파싱 - 여기서, 각각의 환자에 대해 상기 정규화된 데이터는 하나 이상의 변수에 대해 생성됨 - 하도록 구성된, 상기 데이터 수신 모듈; 및
적어도 하나의 추가 프로세서들에 의해 구현된 인과 관계 네트워크 모델로서,
베이지안 네트워크 알고리즘을 이용하여 상기 생성된 정규화된 데이터에 기반하여 상기 복수의 변수들을 관련시키는 인과 관계 네트워크 모델을 생성 - 상기 인과 관계 네트워크 모델은 복수의 의학적 상태들에 관련된 변수들을 포함함 - 하도록 구성된, 상기 인과 관계 네트워크 모델을 포함하는, 환자 데이터에 기반하여 인과 관계 네트워크 모델을 생성하기 위한 시스템.
Applications Claiming Priority (3)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| US201462049148P | 2014-09-11 | 2014-09-11 | |
| US62/049,148 | 2014-09-11 | ||
| PCT/US2015/049552 WO2016040725A1 (en) | 2014-09-11 | 2015-09-11 | Bayesian causal relationship network models for healthcare diagnosis and treatment based on patient data |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| KR20170058391A true KR20170058391A (ko) | 2017-05-26 |
| KR102662004B1 KR102662004B1 (ko) | 2024-04-29 |
Family
ID=55459589
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020177009812A KR102662004B1 (ko) | 2014-09-11 | 2015-09-11 | 환자 데이터에 기반한 헬스케어 진단 및 치료를 위한 베이지안 인과 관계 네트워크 모델 |
Country Status (13)
| Country | Link |
|---|---|
| US (2) | US10482385B2 (ko) |
| EP (1) | EP3191975A4 (ko) |
| JP (1) | JP6916107B2 (ko) |
| KR (1) | KR102662004B1 (ko) |
| CN (2) | CN107111603A (ko) |
| AU (2) | AU2015314956A1 (ko) |
| CA (1) | CA2960837A1 (ko) |
| HK (1) | HK1243509A1 (ko) |
| IL (1) | IL250966B (ko) |
| NZ (1) | NZ730197A (ko) |
| SG (2) | SG11201701963UA (ko) |
| WO (1) | WO2016040725A1 (ko) |
| ZA (1) | ZA201701611B (ko) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20200095059A (ko) | 2019-01-31 | 2020-08-10 | 주식회사 이노제닉스 | 패혈증 진단을 위한 reba 결과 판독 영상인식 시스템 및 이를 이용한 패혈증 진단 방법 |
| US10971268B2 (en) | 2017-07-26 | 2021-04-06 | Gumi Electronics & Information Technology Research Institute | Method of providing information for the diagnosis of pancreatic cancer using Bayesian network based on artificial intelligence, computer program, and computer-readable recording media using the same |
| KR20210063965A (ko) * | 2019-11-25 | 2021-06-02 | (주)오렌지아이 | 2차 전지의 성능 평가 지원 장치, 성능 평가 데이터 저장 및 분석 시스템 및 그의 이용 방법 |
Families Citing this family (36)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2016040725A1 (en) | 2014-09-11 | 2016-03-17 | Berg Llc | Bayesian causal relationship network models for healthcare diagnosis and treatment based on patient data |
| US20210280317A1 (en) * | 2014-10-07 | 2021-09-09 | AlignCare Services, LLC. | System and Method for Improving Health Care Management and Compliance |
| US10839024B2 (en) * | 2016-06-20 | 2020-11-17 | Tibco Software Inc. | Detecting important variables and their interactions in big data |
| US11443206B2 (en) | 2015-03-23 | 2022-09-13 | Tibco Software Inc. | Adaptive filtering and modeling via adaptive experimental designs to identify emerging data patterns from large volume, high dimensional, high velocity streaming data |
| EP3465200A4 (en) * | 2016-06-05 | 2020-07-08 | Berg LLC | PATIENT STRATIFICATION SYSTEMS AND METHODS AND IDENTIFICATION OF POTENTIAL BIOMARKERS |
| US11182229B2 (en) * | 2016-12-16 | 2021-11-23 | Sap Se | Data processing for predictive analytics |
| US11315685B2 (en) * | 2017-01-25 | 2022-04-26 | UCB Biopharma SRL | Method and system for predicting optimal epilepsy treatment regimes |
| US10699450B2 (en) | 2017-09-28 | 2020-06-30 | International Business Machines Corporation | Interactive tool for causal graph construction |
| US11164678B2 (en) * | 2018-03-06 | 2021-11-02 | International Business Machines Corporation | Finding precise causal multi-drug-drug interactions for adverse drug reaction analysis |
| CN110322019A (zh) * | 2018-03-29 | 2019-10-11 | 日本电气株式会社 | 用于处理数据集的方法、系统和存储介质 |
| CN110555047B (zh) * | 2018-03-29 | 2024-03-15 | 日本电气株式会社 | 数据处理方法和电子设备 |
| US11694800B2 (en) * | 2018-05-09 | 2023-07-04 | International Business Machines Corporation | Medical diagnosis system with continuous learning and reasoning |
| US11276494B2 (en) | 2018-05-11 | 2022-03-15 | International Business Machines Corporation | Predicting interactions between drugs and diseases |
| CN110827988B (zh) * | 2018-08-14 | 2022-10-21 | 上海明品医学数据科技有限公司 | 一种基于移动终端进行医学数据研究的控制方法 |
| WO2020097122A1 (en) * | 2018-11-05 | 2020-05-14 | Children's Hospital Medical Center | Computation model of learning networks |
| CN110147878B (zh) * | 2018-11-28 | 2023-01-31 | 腾讯科技（深圳）有限公司 | 数据处理方法、装置及设备 |
| CN112233736B (zh) * | 2019-01-15 | 2022-09-16 | 合肥工业大学 | 一种知识库的构建方法和系统 |
| US20220093271A1 (en) | 2019-01-25 | 2022-03-24 | Children's Hospital Medical Center | Bayesian causal inference models for healthcare treatment using real world patient data |
| WO2020243965A1 (en) * | 2019-06-06 | 2020-12-10 | Nec Corporation | Causal analysis |
| US11468994B2 (en) * | 2019-06-28 | 2022-10-11 | Cerner Innovation, Inc. | Pneumonia readmission prevention |
| US20210012907A1 (en) * | 2019-07-11 | 2021-01-14 | International Business Machines Corporation | Altering a targeted brain therapeutic based on a brain circuit model |
| WO2021022365A1 (en) * | 2019-08-02 | 2021-02-11 | Intellijoint Surgical Inc. | Systems and methods to collaborate, to train an expert system and to provide an expert system |
| US11107555B2 (en) | 2019-10-02 | 2021-08-31 | Kpn Innovations, Llc | Methods and systems for identifying a causal link |
| US11645565B2 (en) | 2019-11-12 | 2023-05-09 | Optum Services (Ireland) Limited | Predictive data analysis with cross-temporal probabilistic updates |
| US11552785B2 (en) * | 2020-04-02 | 2023-01-10 | Epidaurus Health, Inc. | Methods and systems for a synchronized distributed data structure for federated machine learning |
| US11797776B2 (en) * | 2020-09-07 | 2023-10-24 | Accenture Global Solutions Limited | Utilizing machine learning models and in-domain and out-of-domain data distribution to predict a causality relationship between events expressed in natural language text |
| US11335443B1 (en) | 2020-09-07 | 2022-05-17 | OpenNano Pte. Ltd. | Phenotypic patient data derivation from economic data |
| CN112185583B (zh) * | 2020-10-14 | 2022-05-31 | 天津之以科技有限公司 | 一种基于贝叶斯网络的数据挖掘检疫方法 |
| US11763325B2 (en) * | 2020-11-13 | 2023-09-19 | Adobe Inc. | Automated discovery of causal relationships in mixed datasets |
| CN112614595A (zh) * | 2020-12-25 | 2021-04-06 | 联仁健康医疗大数据科技股份有限公司 | 生存分析模型的构建方法、装置、电子终端及存储介质 |
| US20220246297A1 (en) * | 2021-02-01 | 2022-08-04 | Anthem, Inc. | Causal Recommender Engine for Chronic Disease Management |
| CN113436725B (zh) * | 2021-06-24 | 2023-06-23 | 深圳平安智慧医健科技有限公司 | 数据处理方法、系统、计算机设备及计算机可读存储介质 |
| CN113221391B (zh) * | 2021-07-08 | 2021-09-07 | 中国电子科技集团公司第九研究所 | 用bic准则分析环行器性能指导物料尺寸参数筛选的方法 |
| KR20230027810A (ko) * | 2021-08-20 | 2023-02-28 | 가톨릭대학교 산학협력단 | 예후 예측 장치, 방법 및 기록매체 |
| CN114176600B (zh) * | 2021-12-28 | 2023-10-20 | 上海交通大学 | 基于因果分析的心电图st段异常判别系统 |
| CN115424741B (zh) * | 2022-11-02 | 2023-03-24 | 之江实验室 | 基于因果发现的药物不良反应信号发现方法及系统 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20080046290A1 (en) * | 2006-08-21 | 2008-02-21 | Cerner Innovation, Inc. | System and method for compiling and displaying discharge instructions for a patient |
| US20130259847A1 (en) | 2012-04-02 | 2013-10-03 | Berg Pharma Llc | Interrogatory cell-based assays and uses thereof |
| US20130275153A1 (en) | 2010-09-01 | 2013-10-17 | Shahram Shawn DASTMALCHI | Method of optimizing patient-related outcomes |
| US20140227693A1 (en) | 2006-12-05 | 2014-08-14 | Decode Genetics Ehf. | Genetic markers for risk management of atrial fibrillation, atrial flutter, and stroke |
Family Cites Families (56)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US5918200A (en) | 1992-08-31 | 1999-06-29 | Yamatake-Honeywell Co., Ltd. | State estimating apparatus |
| US6678669B2 (en) * | 1996-02-09 | 2004-01-13 | Adeza Biomedical Corporation | Method for selecting medical and biochemical diagnostic tests using neural network-related applications |
| WO1997029447A2 (en) | 1996-02-09 | 1997-08-14 | Adeza Biomedical Corporation | Method for selecting medical and biochemical diagnostic tests using neural network-related applications |
| US6763307B2 (en) | 2000-03-06 | 2004-07-13 | Bioseek, Inc. | Patient classification |
| WO2002072871A2 (en) | 2001-03-13 | 2002-09-19 | Ashni Naturaceuticals, Inc. | Method for association of genomic and proteomic pathways associated with physiological or pathophysiological processes |
| US8000949B2 (en) | 2001-06-18 | 2011-08-16 | Genego, Inc. | Methods for identification of novel protein drug targets and biomarkers utilizing functional networks |
| US7393656B2 (en) | 2001-07-10 | 2008-07-01 | The Board Of Trustees Of The Leland Stanford Junior University | Methods and compositions for risk stratification |
| US7415359B2 (en) | 2001-11-02 | 2008-08-19 | Gene Network Sciences, Inc. | Methods and systems for the identification of components of mammalian biochemical networks as targets for therapeutic agents |
| WO2003099320A1 (en) | 2002-05-24 | 2003-12-04 | Zensun (Shanghai) Sci-Tech.Ltd | Neuregulin based methods and compositions for treating viral myocarditis and dilated cardiomyopathy |
| DE60321689D1 (de) | 2002-08-29 | 2008-07-31 | Gene Network Sciences Inc | Systeme und verfahren zum schliessen auf biologische netzwerke |
| EP1547009A1 (en) * | 2002-09-20 | 2005-06-29 | Board Of Regents The University Of Texas System | Computer program products, systems and methods for information discovery and relational analyses |
| CN1714371A (zh) | 2002-11-19 | 2005-12-28 | Gni美国公司 | 根据时间序列基因表达数据的基因网络的非线性模拟 |
| JP4288345B2 (ja) | 2003-06-19 | 2009-07-01 | 独立行政法人産業技術総合研究所 | 新規てんかんモデル動物 |
| EP1512970A1 (en) | 2003-09-05 | 2005-03-09 | Nederlandse Organisatie voor toegepast-natuurwetenschappelijk Onderzoek TNO | Method for determining the impact of a multicomponent mixture on the biological profile of a disease |
| JPWO2005035780A1 (ja) | 2003-10-14 | 2006-12-21 | 株式会社セルフリーサイエンス | 指標物質の新規スクリーニング方法 |
| EP2207033B1 (en) | 2004-04-15 | 2014-06-18 | University of Florida Research Foundation, Inc. | Neural proteins as biomarkers for nervous system injury and other neural disorders |
| WO2005107412A2 (en) | 2004-04-30 | 2005-11-17 | Rosetta Inpharmatics Llc | Systems and methods for reconstruction gene networks in segregating populations |
| EP1607898A3 (en) | 2004-05-18 | 2006-03-29 | Neal E. Solomon | A bioinformatics system for functional proteomics modelling |
| GB0419124D0 (en) | 2004-08-27 | 2004-09-29 | Proteome Sciences Plc | Methods and compositions relating to Alzheimer's disease |
| US20100316629A1 (en) | 2004-09-01 | 2010-12-16 | Shaughnessy Jr John D | Use of gene expression profiling to predict survival in cancer patient |
| WO2006054991A1 (en) | 2004-11-17 | 2006-05-26 | Immunivest Corporation | Magnetic enrichment of circulating cells, fragments and debris for enabling hts proteomics and genomics in disease detection |
| WO2006079092A2 (en) | 2005-01-24 | 2006-07-27 | The Board Of Trustees Of The Leland Stanford Junior University | Method for modeling cell signaling systems by means of bayesian networks |
| WO2006103615A1 (en) | 2005-03-31 | 2006-10-05 | Koninklijke Philips Electronics N.V. | System and method for collecting evidence pertaining to relationships between biomolecules and diseases |
| EP1887351A4 (en) | 2005-05-31 | 2009-04-08 | Jcl Bioassay Corp | SCREENING METHOD FOR SPECIFIC PROTEIN IN DETAILED PROTEOME ANALYSIS |
| US7906116B2 (en) | 2005-09-01 | 2011-03-15 | Parkash Gill | Methods for using and identifying modulators of Delta-like 4 |
| EP2982688A3 (en) | 2005-09-30 | 2016-05-25 | Universiteit Maastricht | Tumor angiogenesis associated genes and a method for their identification |
| WO2007054841A1 (en) * | 2005-11-08 | 2007-05-18 | Koninklijke Philips Electronics, N.V. | Method for detecting critical trends in multi-parameter patient monitoring and clinical data using clustering |
| EP1840574A1 (en) | 2006-03-30 | 2007-10-03 | Institut Pasteur | Use of the alpha chain of brain spectrin and fragments thereof, for diagnosing cerebral diseases |
| WO2008060620A2 (en) | 2006-11-15 | 2008-05-22 | Gene Network Sciences, Inc. | Systems and methods for modeling and analyzing networks |
| CN101105841B (zh) | 2007-02-12 | 2011-06-15 | 浙江大学 | 由大规模基因芯片表达谱数据构建基因调控亚网络的方法 |
| US8140270B2 (en) | 2007-03-22 | 2012-03-20 | National Center For Genome Resources | Methods and systems for medical sequencing analysis |
| US20090117562A1 (en) | 2007-04-09 | 2009-05-07 | Valerie Wailin Hu | Method and kit for diagnosing Autism using gene expression profiling |
| AU2008284225B2 (en) | 2007-05-16 | 2013-06-06 | Edsa Micro Corporation | Real-time predictive systems for intelligent energy monitoring and management of electrical power networks |
| JP2009050171A (ja) | 2007-08-23 | 2009-03-12 | Toyobo Co Ltd | 表面プラズモン共鳴による基板上におけるリン酸化の検出方法 |
| DE102007044380A1 (de) * | 2007-09-17 | 2009-03-19 | Siemens Ag | Verfahren zum rechnergestützten Lernen eines probabilistischen Netzes |
| US7895146B2 (en) | 2007-12-03 | 2011-02-22 | Microsoft Corporation | Time modulated generative probabilistic models for automated causal discovery that monitors times of packets |
| WO2009105718A1 (en) | 2008-02-20 | 2009-08-27 | The Children's Hospital Of Philadelphia | Genetic alterations associated with autism and the autistic phenotype and methods of use thereof for the diagnosis and treatmemt of autism |
| US8173369B2 (en) | 2008-05-15 | 2012-05-08 | The Regents Of The University Of California | Peripheral gene expression biomarkers for autism |
| US8005770B2 (en) * | 2008-06-09 | 2011-08-23 | Microsoft Corporation | Parallel generation of a bayesian network |
| US8623592B2 (en) | 2008-08-15 | 2014-01-07 | Merrimack Pharmaceuticals, Inc. | Methods and systems for predicting response of cells to a therapeutic agent |
| US20110124976A1 (en) | 2008-08-15 | 2011-05-26 | Koninklijke Philips Electronics N.V. | Model enhanced imaging |
| US20110295782A1 (en) * | 2008-10-15 | 2011-12-01 | Alexander Stojadinovic | Clinical Decision Model |
| CA3153682A1 (en) | 2008-11-17 | 2010-05-20 | Veracyte, Inc. | Methods and compositions of molecular profiling for disease diagnostics |
| WO2010056982A2 (en) | 2008-11-17 | 2010-05-20 | The George Washington University | Compositions and methods for identifying autism spectrum disorders |
| KR20180056816A (ko) | 2009-05-11 | 2018-05-29 | 베르그 엘엘씨 | 환경대사적 전환인자（조효소 ｑ１０）를 사용한 질환의 치료 방법 |
| US20110202486A1 (en) | 2009-07-21 | 2011-08-18 | Glenn Fung | Healthcare Information Technology System for Predicting Development of Cardiovascular Conditions |
| WO2011031803A1 (en) | 2009-09-08 | 2011-03-17 | Nodality, Inc. | Analysis of cell networks |
| US20110112380A1 (en) | 2009-11-12 | 2011-05-12 | eTenum, LLC | Method and System for Optimal Estimation in Medical Diagnosis |
| WO2011112961A1 (en) | 2010-03-12 | 2011-09-15 | Children's Medical Center Corporation | Methods and compositions for characterizing autism spectrum disorder based on gene expression patterns |
| WO2011125917A1 (ja) | 2010-03-31 | 2011-10-13 | 国立大学法人熊本大学 | 統合プロテオーム解析用データ群の生成方法ならびに同生成方法にて生成した統合プロテオーム解析用データ群を用いる統合プロテオーム解析方法、およびそれを用いた原因物質同定方法 |
| MY181093A (en) | 2011-03-02 | 2020-12-17 | Berg Llc | Interrogatory cell-based assays and uses thereof |
| SG188320A1 (en) * | 2011-08-31 | 2013-04-30 | Apixio Inc | Medical information navigation engine (mine) system |
| CN103107315B (zh) | 2011-11-10 | 2016-03-30 | 北京有色金属研究总院 | 一种纳米硅碳复合材料及其制备方法 |
| WO2013134315A1 (en) | 2012-03-05 | 2013-09-12 | Berg Pharma Llc | Compositions and methods for diagnosis and treatment of pervasive developmental disorder |
| CN104487842B (zh) | 2012-05-22 | 2017-09-08 | 博格有限责任公司 | 用于鉴别药物诱导毒性标志物的基于细胞的探询式分析 |
| WO2016040725A1 (en) | 2014-09-11 | 2016-03-17 | Berg Llc | Bayesian causal relationship network models for healthcare diagnosis and treatment based on patient data |
-
2015
- 2015-09-11 WO PCT/US2015/049552 patent/WO2016040725A1/en active Application Filing
- 2015-09-11 EP EP15839682.0A patent/EP3191975A4/en active Pending
- 2015-09-11 CN CN201580058049.5A patent/CN107111603A/zh active Pending
- 2015-09-11 KR KR1020177009812A patent/KR102662004B1/ko active IP Right Grant
- 2015-09-11 SG SG11201701963UA patent/SG11201701963UA/en unknown
- 2015-09-11 US US14/851,846 patent/US10482385B2/en active Active
- 2015-09-11 NZ NZ730197A patent/NZ730197A/en unknown
- 2015-09-11 AU AU2015314956A patent/AU2015314956A1/en not_active Abandoned
- 2015-09-11 JP JP2017513538A patent/JP6916107B2/ja active Active
- 2015-09-11 CA CA2960837A patent/CA2960837A1/en active Pending
- 2015-09-11 CN CN202111477970.7A patent/CN114203296A/zh active Pending
- 2015-09-11 SG SG10201902151UA patent/SG10201902151UA/en unknown
-
2017
- 2017-03-06 IL IL250966A patent/IL250966B/en unknown
- 2017-03-06 ZA ZA2017/01611A patent/ZA201701611B/en unknown
-
2018
- 2018-02-27 HK HK18102759.7A patent/HK1243509A1/zh unknown
-
2019
- 2019-10-03 US US16/592,069 patent/US11734593B2/en active Active
-
2020
- 2020-10-02 AU AU2020244596A patent/AU2020244596B2/en active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20080046290A1 (en) * | 2006-08-21 | 2008-02-21 | Cerner Innovation, Inc. | System and method for compiling and displaying discharge instructions for a patient |
| US20140227693A1 (en) | 2006-12-05 | 2014-08-14 | Decode Genetics Ehf. | Genetic markers for risk management of atrial fibrillation, atrial flutter, and stroke |
| US20130275153A1 (en) | 2010-09-01 | 2013-10-17 | Shahram Shawn DASTMALCHI | Method of optimizing patient-related outcomes |
| US20130259847A1 (en) | 2012-04-02 | 2013-10-03 | Berg Pharma Llc | Interrogatory cell-based assays and uses thereof |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US10971268B2 (en) | 2017-07-26 | 2021-04-06 | Gumi Electronics & Information Technology Research Institute | Method of providing information for the diagnosis of pancreatic cancer using Bayesian network based on artificial intelligence, computer program, and computer-readable recording media using the same |
| KR20200095059A (ko) | 2019-01-31 | 2020-08-10 | 주식회사 이노제닉스 | 패혈증 진단을 위한 reba 결과 판독 영상인식 시스템 및 이를 이용한 패혈증 진단 방법 |
| KR20210063965A (ko) * | 2019-11-25 | 2021-06-02 | (주)오렌지아이 | 2차 전지의 성능 평가 지원 장치, 성능 평가 데이터 저장 및 분석 시스템 및 그의 이용 방법 |
Also Published As
| Publication number | Publication date |
|---|---|
| KR102662004B1 (ko) | 2024-04-29 |
| EP3191975A4 (en) | 2018-04-18 |
| WO2016040725A1 (en) | 2016-03-17 |
| CN107111603A (zh) | 2017-08-29 |
| CN114203296A (zh) | 2022-03-18 |
| IL250966A0 (en) | 2017-04-30 |
| CA2960837A1 (en) | 2016-03-17 |
| ZA201701611B (en) | 2019-09-25 |
| AU2020244596A1 (en) | 2020-11-05 |
| SG10201902151UA (en) | 2019-04-29 |
| JP6916107B2 (ja) | 2021-08-11 |
| NZ730197A (en) | 2022-07-01 |
| JP2017537365A (ja) | 2017-12-14 |
| US20160171383A1 (en) | 2016-06-16 |
| US10482385B2 (en) | 2019-11-19 |
| EP3191975A1 (en) | 2017-07-19 |
| AU2015314956A1 (en) | 2017-04-06 |
| IL250966B (en) | 2021-07-29 |
| US11734593B2 (en) | 2023-08-22 |
| HK1243509A1 (zh) | 2018-07-13 |
| AU2020244596B2 (en) | 2023-02-23 |
| SG11201701963UA (en) | 2017-04-27 |
| US20200143278A1 (en) | 2020-05-07 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| AU2020244596B2 (en) | Bayesian causal relationship network models for healthcare diagnosis and treatment based on patient data | |
| Diller et al. | Lifespan perspective on congenital heart disease research: JACC state-of-the-art review | |
| US20230056899A1 (en) | Systems and methods for identifying risk of infection in dialysis patients | |
| CN102822834B (zh) | 用于预测治疗结果的基于计算机的系统 | |
| CN111971755A (zh) | 用于确定透析患者的功能以评估姑息和/或临终护理的参数和定时的系统和方法 | |
| US20140358570A1 (en) | Healthcare support system and method | |
| CN112020748A (zh) | 进行虚拟临床试验的技术 | |
| Vemulapalli et al. | Non-obvious correlations to disease management unraveled by Bayesian artificial intelligence analyses of CMS data | |
| US20190371472A1 (en) | Systems and methods for identifying comorbidities | |
| JP2022524083A (ja) | 薬物に依存しない患者固有の投薬レジメンのためのシステムおよび方法 | |
| CN112005315A (zh) | 用于确定患者住院风险和处置患者的系统和方法 | |
| Oh et al. | Reinforcement learning-based expanded personalized diabetes treatment recommendation using South Korean electronic health records | |
| EP4058948A1 (en) | Systems and methods for machine learning approaches to management of healthcare populations | |
| Kaur et al. | Big data in nephrology | |
| Neyra et al. | Continuous kidney replacement therapy of the future: innovations in information technology, data analytics, and quality assurance systems | |
| Schreiner et al. | Primary care and chronic disease: the intersection of comfort and specialty involvement–a cross‐sectional study | |
| Sharma et al. | Big data analytics in healthcare | |
| Saravanan et al. | Foundation of big data and internet of things: Applications and case study | |
| Williams et al. | Interventions, barriers, and proposed solutions associated with the implementation of a protocol that uses clinical decision support and a stress biomarker test to identify ICU patients at high-risk for drug associated acute kidney injury | |
| Novianto et al. | The effectiveness of health management-assisted technology on glycated hemoglobin levels in patients with type 2 diabetes mellitus: meta-analysis. | |
| Chen | Opportunities and Challenges in Data-Driven Healthcare Research | |
| Roy et al. | The Advent of Artificial Intelligence in Diabetes Diagnosis: Current Practices and building blocks for future prospects | |
| Nilan et al. | A Clinical Decision Support System for Drug Conflict Identification | |
| Dagliati | Longitudinal data analytics for clinical decision support in type 2 diabetes | |
| WO2023239960A1 (en) | A clinical decision support tool and method for patients with pulmonary arterial hypertension |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| E902 | Notification of reason for refusal | ||
| E90F | Notification of reason for final refusal | ||
| E701 | Decision to grant or registration of patent right | ||
| GRNT | Written decision to grant |