KR20170061222A - 건강데이터 패턴의 일반화를 통한 건강수치 예측 방법 및 그 장치 - Google Patents

건강데이터 패턴의 일반화를 통한 건강수치 예측 방법 및 그 장치 Download PDF

Info

Publication number
KR20170061222A
KR20170061222A KR1020150165486A KR20150165486A KR20170061222A KR 20170061222 A KR20170061222 A KR 20170061222A KR 1020150165486 A KR1020150165486 A KR 1020150165486A KR 20150165486 A KR20150165486 A KR 20150165486A KR 20170061222 A KR20170061222 A KR 20170061222A
Authority
KR
South Korea
Prior art keywords
health
data
prediction model
prediction
pattern
Prior art date
Application number
KR1020150165486A
Other languages
English (en)
Inventor
김영원
김민호
최재훈
임명은
정호열
한영웅
김대희
김승환
Original Assignee
한국전자통신연구원
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 한국전자통신연구원 filed Critical 한국전자통신연구원
Priority to KR1020150165486A priority Critical patent/KR20170061222A/ko
Priority to US15/353,671 priority patent/US20170147777A1/en
Publication of KR20170061222A publication Critical patent/KR20170061222A/ko

Links

Images

Classifications

    • G06F19/3431—
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/30—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for calculating health indices; for individual health risk assessment
    • G06F19/32—
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/04—Inference or reasoning models
    • G06N5/046—Forward inferencing; Production systems
    • G06N5/047—Pattern matching networks; Rete networks
    • G06N99/005—
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
    • G06Q50/10—Services
    • G06Q50/22—Social work

Abstract

본 발명은 건강데이터 패턴의 일반화를 통한 건강수치 예측 방법 및 그 장치에 관한 것으로, 복수의 시계열 건강정보에 대한 빅데이터에서 건강수치 및 상기 건강수치와 연관된 중요한 건강 특징들을 선택하여, 이를 기반으로 상기 건강수치의 패턴을 생성하고, 상기 패턴을 반복적으로 학습한 건강수치 예측모델을 구축하며, 상기 예측모델을 통해 사용자의 건강수치를 정확하게 예측할 수 있는 건강수치 예측 방법 및 그 장치를 제공하고자 하는 것이다.

Description

건강데이터 패턴의 일반화를 통한 건강수치 예측 방법 및 그 장치{THE METHOD FOR PREDICTION HEALTH DATA VALUE THROUGH GENERATION OF HEALTH DATA PATTERN AND THE APPARATUS THEREOF}
본 발명은 건강데이터 패턴의 일반화를 통한 건강수치 예측 방법 및 그 장치에 관한 것으로, 더욱 상세하게는 복수의 시계열 건강정보에 대한 빅데이터에서 건강수치 및 상기 건강수치와 연관된 중요한 건강 특징들을 선택하여, 이를 기반으로 상기 건강수치의 패턴을 생성하고, 상기 패턴을 반복적으로 학습한 건강수치 예측모델을 구축하며, 상기 예측모델을 통해 사용자의 건강수치를 정확하게 예측할 수 있는 건강수치 예측 방법 및 그 장치를 제공하고자 하는 것이다.
현대에 들어 산업기술의 급속한 발전과 사람들의 생활수준이 높아짐에 따라 사람의 건강을 위협하는 위해요소의 증가, 생활양식의 변화 및 잘못된 식생활 습관 등으로 만성질환과 같은 다양한 질병들의 유병률이 크게 증가하고 있는 추세이다.
특히 상기 만성질환은 질병의 증세가 짧은 기간에 갑작스럽게 나타나는 급성질환(예: 감기 또는 세균에 의한 식중독 등)과는 달리 그 증세가 완만히 나타나 오랜 기간 천천히 발병하여 종종 장애로 이어질 수 있는 질환(예: 당뇨 또는 고혈압 등)이다.
이러한 만성질환은 의료비용에 대한 부담이 높은 질환으로써 지속적인 모니터링과 만성질환의 경과에 따라 환자의 건강상태를 예측하여 건강상태의 악화에 대한 예방 및 그 관리의 중요성이 크게 부각되고 있다.
이에 따라 건강에 대한 사람들의 인식이 높아지고 있으며, 국내외 대형 의료기관 또는 정부(예: 심평원 또는 건보공단)에서 제공하는 건강 빅데이터를 이용하여 사용자의 미래 건강상태를 예측하고 사용자에게 알맞은 의료 서비스 또는 건강증진 서비스 등을 포함하는 다양한 건강관리 서비스들이 병원, 한의원 또는 건강관리 서비스를 제공하는 서비스 업자들에 의해 사용자에게 제공되고 있다.
또한 사용자에게 상기의 의료 서비스와 건강증진 서비스를 적절하게 제공하기 위해서는, 무엇보다 상기 만성질환을 포함하는 다양한 질환을 앓고 있는 사용자의 미래 건강상태의 추이를 정확하게 예측하는 것이 무엇보다 중요하다.
종래의 건강예측 서비스 시스템은 상기 국내외 대형 의료 기관이나 정부에서 제공하는 건강 빅데이터를 단순한 키워드를 통해 검색하여 사용자의 건강상태와 유사한 건강 빅데이터를 찾아 이를 기반으로 사용자의 건강상태를 예측한다.
이러한 종래의 건강예측 서비스 시스템은 단순한 사용자의 건강수치나 질환의 이름만을 사용하여 검색하기 때문에 상기 사용자의 건강수치에 따른 주요한 건강특징들(예: 사용자의 연령, 몸무게의 변화, BMI(Body Mass Index, BMI, 체질량 지수), 총콜레스테롤, 흡연유무)과 같은 해당 건강수치에 직/간접적으로 영향을 주는 사용자의 생활정보 및 신체정보의 변화 등을 포함하는 다양한 정보가 제외되어 있어, 높은 정확도의 건강상태에 대한 예측정보를 제공하지 못하고 있다.
한편 최첨단 기술의 발전, 하드웨어 기술의 고도화 및 빅 데이터 처리 기술의 발전과 맞물려 딥 네트워크 러닝(Deep Network Learning) 기술이 급속하게 발전하고 있다.
상기 딥 네트워크 러닝 기술은 여러 비선형 변화기법의 조합을 통해 다량의 데이터나 복잡한 자료들 속에서 핵심적인 내용 또는 기능을 요약하는 작업 즉, 추상화를 시도하는 기계학습 알고리즘으로 정의되며 넓은 범위에서는 인간의 두뇌를 구성하는 신경세포의 메커니즘을 모방하여 인지, 학습 및 추론 등과 같이 인간의 두뇌활동과 비슷한 기능을 수행할 수 있도록 컴퓨터 프로그램으로 구현한 인공지능 시스템을 말한다.
이러한 딥 네트워크 러닝 기술은 컴퓨터비전, 음성인식, 자연어처리 또는 신호처리 등의 다양한 분야에서 적용되어 활용되고 있다.
특히 의학 분야에서는 상기 딥 네트워크 러닝기술을 이용하여 패턴 분석을 통한 의료 데이터 분석에 응용하는 기술이 개발되어 사용되고 있으며, 방사선 사진, MRI, CT 영상, 현미경 사진 또는 이들의 조합을 포함하는 복수의 패턴(예, 이미지)을 입력으로 하여, 입력된 패턴에서 다양한 특성을 학습함으로써, 상기 입력한 패턴 데이터로부터 질병의 특성을 분석하고 질병의 발생유무를 진단한다.
이는 육안으로 쉽게 식별할 수 없는 종류의 질병(예: 암, 세포조직의 변형 등)을 사람보다 더 정확하게 판정할 수 있는 장점이 있다.
그러나 현재 딥 네트워크 러닝 기술은 특정 패턴이나 데이터를 통해 질병의 발생 유무만을 판단하며, 시계열 특정을 가지는 개인건강데이터를 기반으로 사용자의 미래건강상태에 대한 추이를 예측하는 방법에 대해서는 제시하지 못하고 있다.
따라서 본 발명에서는, 시계열의 건강정보를 포함하는 빅데이터를 이용하여 특정 질환에 관련된 건강수치와 상기 건강수치와 밀접한 관련이 있는 건강특징을 기반으로 해당 특정 건강수치의 패턴을 생성하고, 상기 패턴을 반복적으로 학습시킨 예측모델을 구축하여, 사용자가 자신의 시계열 건강데이터를 입력할 경우 상기 예측모델을 통해 당장 예상되거나 차후 순차적으로 예상되는 사용자의 건강상태를 예측하여 제공함으로써, 사용자 자신이 상기 예측한 건강상태에 따라 건강관리를 체계적으로 수행할 수 있도록 유익한 정보나 알람을 제공하거나 상기 예측한 건강상태를 기반으로 적절한 건강증진 서비스 및 의료 서비스를 제공받을 수 있도록 하는 건강수치 예측 방법 및 그 장치를 제공하고자 한다.
다음으로 본 발명의 기술 분야에 존재하는 선행기술에 대하여 간단하게 설명하고, 이어서 본 발명이 상기 선행기술에 비해서 차별적으로 이루고자 하는 기술적 사항에 대해서 기술하고자 한다.
먼저 한국등록특허 제0673252호(2007.01.22.)는 이동통신 단말기를 이용한 건강정보 예측 시스템 및 건강정보 예측 콘텐츠 제공방법에 관한 것으로, 이동통신망 및 인터넷망을 포함하는 유무선 통신망에 연결된 개인 이동통신 단말기와 사용자별 건강예측정보를 제공하기위한 건강예측 서버를 통해 사용자에게 장소 및 시간에 구애 없이 언제 어디서나 사용자의 건강정보를 기반으로 각종 질병에 대한 증세정보 및 발병 예측 정보를 제공하는 이동통신 단말기를 이용한 건강정보 예측 시스템 및 건강정보 예측 콘텐츠 제공방법에 관한 것이다.
상기 선행기술은 사용자의 건강정보에 기초하여 사용자의 건강을 예측한다는 점에서 본 발명과 일부분 유사하나, 반면에 본 발명은 상기 선행기술과 같이 사용자별 건강정보에 기초하여 질병별 증세정보를 검색하지 않고 미리 예측모델을 구축하여 상기 예측모델을 통해 사용자의 미래 건강수치 변화를 예측하는 것으로써, 이미 미래의 건강수치를 인지하고 있다는 전제하에 상기 인지한 건강수치가 훼손으로 인해 확인불가능하거나 잘못된 수치인 것으로 가정하고 이를 정확한 수치로 복원하여 상기 사용자의 미래의 건강수치를 예측하는 기술적 특징에 대해서는 기재하거나 시사하고 있지 않다.
또한 한국등록특허 제0434823호(2004.05.27.)는 환자 혈액샘플의 혈당수준을 측정 및 예측하는 환자 건강상태 모니터링 방법에 관한 것으로, 환자의 혈당수준의 추이에 관한 특정 수학식을 적용한 수학모델을 통해 혈당수준의 추이를 추적하여 예측할 수 있는 환자 혈액샘플의 혈당수준을 측정 및 예측하는 환자 건강상태 모니터링 방법에 관한 것이다.
상기 선행기술은, 환자의 개인건강데이터인 특정 건강수치를 이용하여 해당 건강수치의 추이를 추적하여 예측하는 점에서 본 발명의 일부분 유사한 점이 있으나, 반면에 본 별명은 시계열 건강정보에 대한 빅데이터를 주기적으로 수집하여 상기 수집한 빅데이터에서 특정 질병과 관련된 주요 건강수치와 상기 주요 건강수치와 연관된 건강특징들을 추출하여, 상기 추출한 데이터의 시계열적 패턴을 기반으로 학습하고 검증한 예측모델을 통해 상기 사용자의 미래 건강상태에 대한 추이를 예측하는 기술적 특징에 대해서는 기재하거나 시사하고 있지 않다.
본 발명은 상기와 같은 문제점을 해결하기 위해 창작 된 것으로서, 공공기관 및 대형 의료 기관에서 제공하는 시계열 건강정보에 관한 빅데이터를 기반으로, 상기 빅데이터의 건강수치에 따라 건강상태의 추이를 예측할 수 있는 예측모델을 구축하여, 상기 구축한 예측모델을 통해 사용자의 미래 건강상태를 정확하게 예측할 수 있도록 함으로써, 사용자가 상기 예측한 건강상태를 기반으로 신뢰성 있는 의료 서비스나 건강증진 서비스를 제공받을 수 있도록 하는 건강수치 예측 방법 및 그 장치를 제공하는 것을 그 목적으로 한다.
본 발명의 일 실시예에 따른 건강데이터 패턴의 일반화를 통한 건강수치 예측 방법은, 복수의 건강데이터에 대한 패턴을 이용해서 건강수치에 대한 예측모델의 학습을 수행하는 단계, 상기 예측모델의 성능을 검증하여 예측모델을 결정함으로써 예측모델을 생성하는 단계를 포함하며, 상기 예측모델은 건강데이터의 일반화된 예측결과를 출력하도록 학습되는 것을 특징으로 한다.
또한 상기 건강수치 예측 방법은, 상기 건강데이터로부터 특정 질환에 관련된 건강수치와 건강특징을 추출하고, 상기 추출한 건강수치와 건강특징을 정규화하는 전처리 단계를 더 포함하는 것을 특징으로 한다.
또한 상기 정규화한 건강데이터에 대해서 훈련데이터그룹과 검증데이터그룹으로 구분하여 분리하는 단계 및 상기 분리된 훈련데이터그룹 및 검증데이터그룹의 건강데이터에서 패턴을 생성하는 단계를 더 포함하는 것을 특징으로 한다.
또한 상기 예측모델의 학습을 수행하는 단계는, 상기 훈련데이터그룹을 이용하여 상기 생성한 예측모델을 학습시키는 단계 및 상기 학습한 예측모델의 성능을 상기 검증데이터그룹을 이용하여 검증하는 단계를 포함하는 것을 특징으로 한다.
또한 상기 건강수치 예측 방법은 사용자의 개인건강데이터로부터 특정 질환에 관련된 건강수치와 건강특징을 선택하고 상기 선택한 건강수치와 건강특징을 정규화하는 전처리 단계, 상기 정규화한 개인건강데이터에서 패턴을 생성하는 단계 및 상기 생성한 패턴에 예측모델을 적용하여 상기 사용자의 건강수치에 대한 예측결과를 추출하는 단계를 더 포함하는 것을 특징으로 한다.
또한 상기 예측모델은 딥 네트워크 러닝(deep network learning), 머신 러닝(Machine Learning), SVM(Support Vector Machine), 신경망(Neural Network) 등을 포함한 기계학습을 포함한 기계학습 기법을 적용하여 생성되는 것을 특징으로 한다.
또한 상기 예측모델은 과거의 시계열적인 개인건강데이터로부터 미래의 건강수치를 예측하되, 상기 미래의 건강수치는 과거의 시계열적인 건강데이터 중에서 일부가 훼손된 것을 복원하는 방식으로 예측되는 것을 특징으로 한다.
아울러 본 발명의 일 실시예에 따른 건강데이터 패턴의 일반화를 통한 건강수치 예측 장치는, 복수의 건강데이터에 대한 패턴을 이용해서 건강수치에 대한 예측모델의 학습을 수행하는 예측모델 학습부 및 상기 예측모델의 성능을 검증하여 예측모델을 결정함으로써 예측모델을 생성하는 예측모델 생성부를 포함하며, 상기 예측모델은 건강데이터의 일반화된 예측결과를 출력하도록 학습되는 것을 특징으로 한다.
또한 상기 건강수치 예측 장치는, 상기 건강데이터로부터 특정 질환에 관련된 건강수치와 건강특징을 선택하고, 상기 선택한 건강수치와 건강특징을 정규화하는 제1 전처리부를 더 포함하는 것을 특징으로 한다.
또한 상기 건강수치 예측 장치는, 상기 정규화한 건강데이터에 대해서 훈련데이터그룹과 검증데이터그룹으로 구분하여 분리하는 훈련/검증 데이터 선별부 및 상기 분리된 훈련데이터그룹 및 검증데이터그룹의 건강데이터에서 패턴을 생성하는 제1 패턴 생성부를 더 포함하는 것을 특징으로 한다.
또한 상기 예측모델 학습부는, 상기 훈련데이터그룹을 이용하여 상기 생성한 예측모델을 학습시키는 기능을 수행하며, 상기 예측모델 생성부는, 학습한 예측모델의 성능을 상기 검증데이터그룹을 이용하여 검증하는 기능을 수행하는 것을 포함하는 것을 특징으로 한다.
또한 상기 건강수치 예측 장치는, 사용자의 개인건강데이터로부터 특정 질환에 관련된 건강수치와 건강특징을 선택하고, 상기 선택한 건강수치와 건강특징을 정규화하는 제2 전처리부, 상기 정규화한 개인건강데이터에서 패턴을 생성하는 제2 패턴 생성부 및 상기 생성한 패턴에 예측모델을 적용하여 상기 사용자의 건강수치에 대한 예측결과를 추출하는 건강수치 예측부를 더 포함하는 것을 특징으로 한다.
본 발명은 건강데이터 패턴의 일반화를 통한 건강수치 예측 방법 및 그 장치에 관한 것으로, 복수의 시계열 건강정보에 대한 빅데이터를 이용하여 반복적으로 학습하고 검증한 예측모델을 통해, 상기 사용자의 미래 건강수치를 예측하여, 상기 예측한 건강수치의 변화에 따라 상기 사용자에게 체계적으로 건강관리를 수행할 수 있도록 유도하며 신뢰성 있는 의료 서비스 및 건강증진 서비스를 제공받을 수 있도록 하는 효과가 있다.
도 1은 본 발명의 일 실시예에 따른 건강데이터 패턴의 일반화를 통한 건강수치 예측 방법 및 그 장치를 설명하기 위한 개념도이다.
도 2는 본 발명의 일 실시예에 따른 건강데이터 패턴의 일반화를 통한 건강수치 예측 장치의 구성을 나타낸 블록도이다.
도 3은 본 발명의 일 실시예에 따른 예측모델의 구축 및 사용자의 개인건강데이터를 기반으로 사용자의 미래건강상태를 예측하는 절차를 나타낸 워크 플로우이다.
도 4는 본 발명의 일 실시예에 따른 사용자의 개인건강데이터를 기반으로 사용자의 건강수치의 패턴을 이미지화한 예시도이다.
도 5는 본 발명의 일 실시예에 따른 의료 빅 데이터를 기반으로 특정 건강수치의 패턴을 이미지화한 예시도이다.
도 6은 본 발명의 일 실시예에 따른 예측모델을 통해 패턴 이미지의 입력, 예측모델의 학습 및 예측모델을 통한 예측방법을 설명하기 위한 예시도이다.
도 7은 본 발명의 일 실시예에 따른 건강데이터 패턴의 일반화를 통한 건강수치 예측 방법 및 그 장치에 있어서, 건강수치를 예측하는 방법을 설명하기 위한 예시도이다.
이하, 본 발명의 바람직한 실시 예를 첨부된 도면을 참조하여 상세히 설명한다. 각 도면에 제시된 동일한 참조부호는 동일한 부재를 나타낸다.
도 1은 본 발명의 일 실시예에 따른 건강데이터 패턴의 일반화를 통한 건강수치 예측 방법 및 그 장치를 설명하기 위한 개념도이다.
우선 기존의 사용자 건강상태를 예측하는 시스템은 사용자의 건강상태와 밀접하게 연관되어 있는 신체 혹은 건강특징을 고려하여 하지 않고, 이미 잘 알려져 있는 일반적인 의료 정보만을 기준으로 사용자의 건강상태를 예측한다.
그러나 상기 건강특징은 해당 건강수치에 대한 많은 영향력을 미치는 것이 사실이며, 이에 따라 사용자의 건강상태를 예측함에 있어 상기 건강수치뿐만 아니라 상기 건강특징 또한 매우 중요하다.
예를 들어, 일정 기간 동안 측정한 혈압수치가 매유 유사한 양상을 보이는 고혈압 환자 A(흡연자, 육식주의자)와 B(비흡연자, 채식주의자)가 향후 3개월간의 혈압수치를 예측한 정보를 원하는 경우에, 상술한 기존의 예측 시스템은 동일한 혈압수치를 예측하여 상기 A와 B에게 제공할 것이다. 그러나 B는 비흡연자임과 동시에 채식주의자이므로 A와는 다른 양상의 혈압수치(A보다는 B가 정상 혈압과 가까워질 것임)를 보이는 것은 자명하다.
즉, 단순히 특정 건강수치만을 가지고 사용자의 건강상태를 예측한다면 사용자에 따라 정확한 건강상태를 예측할 수 없으며, 이는 상기 사용자가 잘못된 의료 서비스나 건강증진 서비스를 제공을 수 있어 불필요한 경비를 소비할 수 있는 문제점이 있다.
이에 따라 주기적으로 수집되는 복수의 시계열 건강데이터에서 주요 건강수치와 상기 건강수치와 연관된 중요한 건강특징들을 기반으로 상기 건강수치를 정확하게 예측할 수 있는 건강수치 예측모델을 구축하고, 상기 구축한 예측모델을 통해 사용자의 미래 건강수치를 정확하게 예측하여 제공함으로써, 상기 예측한 건강상태에 대한 체계적인 관리와 신뢰성 있는 건강증진 서비스 및 의료 서비스를 사용자가 제공받을 수 있도록 하는 건강수치 예측 방법 및 그 장치를 제공하고자 한다.
도 1에 도시한 바와 같이, 사용자는 건강데이터 프로바이더(300, 400)에게 사용자의 개인건강데이터의 제공을 요청하여 상기 건강데이터 프로바이더(300, 400)로부터 상기 개인건강데이터를 제공받는다.
한편 상기 건강데이터 프로바이더(300, 400)는, 사용자의 질환을 진료하는 병원, 한의원 또는 사용자의 건강을 정기적으로 검진하는 건강검진센터 등 다양한 형태로 존재할 수 있다.
또한 상기 개인건강데이터는 시계열 데이터로써, 상기 개인건강데이터에 나타나있는 건강정보란과 같은 건강항목의 건강수치(예: 혈당수치, 혈압수치, 콜레스테롤수치, 키 또는 몸무게 등)데이터가 1회 이상 누적되어 있는 것을 말한다. 또한 상기 건강수치는 누적된 시간 간격이 다를 수 있다.
예를 들어, 상기 건강검진센터에서 발행하는 건강검진데이터는 1년에 한 번 또는 두 번 등 대체로 긴 시간의 간격을 두고 누적될 수 있다. 즉, A라는 사람의 건강검진데이터는 2008년 3월, 2009년 3월, 2011년 3월 및 2012년 12월의 형태로 있을 수 있다.
또한 상기 개인건강데이터에서의 건강수치는 상술한 건강검진데이터와 같이 긴 시간을 두고 누적될 수도 있으나 몸무게, 혈압 또는 당뇨와 같은 건강수치는 매일 기록될 수 있다. 이외에도 몸에 부착한 건강정보를 측정하는 센서에 의해 초당 혹은 더 짧은 간격으로 상기 건강수치를 수집할 수도 있을 것이다.
이렇듯 상기 개인건강데이터는 다양한 형태로 구성될 수 있다.
또한 상기 사용자는 상기 건강데이터 프로바이더(300, 400)로부터 제공받은 개인건강데이터를 사용자의 단말기에 구비된 저장소 또는 인터넷에 구현된 개인 클라우드 데이터베이스(500)에 저장할 수 있으며, 상기 개인건강데이터는 상기 건강수치 예측 장치(100)에서 상기 사용자의 건강수치를 예측하기 위한 데이터로 사용된다.
또한 건강수치 예측 장치(100)는, 사용자의 개인건강데이터를 기반으로 한 건강데이터로부터 사용자의 건강수치를 예측하기 위해 적어도 하나 이상의 예측모델을 구축한다.
한편 상기 건강데이터는, 건강데이터 프로바이더(300, 400)로부터 주기적으로 수집되는 시계열 건강정보를 포함하는 빅데이터로서, 국내외 대형 병원에 저장되어 있는 환자들의 진료데이터, 건강보험공단이나 심평원의 의료데이터 또는 개인이 건강정보를 측정하는 센서를 통해 수집되는 데이터를 기록한 건강데이터를 포함하며, 각각의 건강데이터 프로바이더(300, 400)의 구비된 저장소에 저장된 수백만 또는 수억만 건의 시계열 건강정보에 대한 빅데이터를 의미한다.
또한 상기 건강데이터는 상기 건강수치 예측 장치(100)가 직접 수집하거나 상기 건강수치 예측 장치(100)와 연동하여 사용자에게 의료 서비스나 건강증진 서비스를 제공하는 시스템으로부터 주기적으로 제공받을 수 있다.
즉 상기 건강수치 예측 장치(100)는 상기 서비스 시스템과 연동하여 구현되거나 독립적으로 구현된다.
또한 상기 건강수치 예측 장치(100)는, 전처리 과정을 수행하여 사용자의 건강상태를 예측하기 위한 예측모델을 구축하기 위해 상기 복수의 건강데이터에서 각각의 특정 질환과 관련된 주요 건강수치와 상기 각각의 주요 건강수치와 연관된 건강특징들을 추출한다.
또한 상기 추출을 위해, 상기 건강수치 예측 장치(100)는 건강수치와 상기 건강수치와 연관된 건강특징들을 매핑한 매핑 테이블을 미리 저장하여 구비할 수 있다.
예를 들어, 상기 건강수치 예측 장치(100)를 통해 구축되는 건강수치 예측모델 중 하나가 혈당수치를 예측하는 예측모델인 경우, 상기 건강수치 예측 장치(100)는, 상기 매핑 테이블을 참조하여 혈당수치를 추출하고, 상기 혈당수치에 매핑된 혈당수치에 연관된 건강특징인 연령, 성별, BMI, 총콜레스테롤 수치, 흡연유무 등을 추출한다.
또한 전처리 과정은 상기 추출한 건강수치 및 건강특징에 대한 데이터를 상기 예측모델에 적용하기 위해 정규화한다.
즉 상기 건강수치 예측 장치(100)는 상기 건강데이터에서 선택한 혈당값을 최소값에서 최대값으로 정렬한 후 0과 1사이의 값으로 상기 혈당값 및 건강특징들의 값을 변환하며 상기 최소값은 0, 상기 최대값은 1 및 중간값은 0.5로 변환하여 정규화한다.
또한 상기 흡연유무과 같이 특정 수치값으로 나타나지 않는 건강특징은 흡연은 1, 비흡연은 0으로 변환할 수 있다.
또한 상기 건강수치 예측 장치(100)는, 상기 학습을 통해 상기 예측모델을 생성하기 위해 상기 정규화된 건강데이터들을 랜덤하게 훈련데이터그룹과 검증데이터그룹으로 선별하여 나눈다.
또한 상기 훈련데이터그룹은 상기 예측모델을 학습을 통해 상기 건강수치 예측모델을 생성하는데 사용하는 건강데이터의 그룹이고, 상기 검증데이터그룹은 상기 생성한 예측모델의 성능을 검증하는 용도로 사용하는 건강데이터의 그룹이다.
또한 상기 검증데이터는 상기 예측모델의 학습에 참여시키지 않는다.
한편 상기 건강수치 예측 장치(100)는 상기 훈련데이터그룹을 통해 상기 예측모델을 생성하기 위해 딥 네트워크 러닝(Deep network learning), 머신 러닝(Machine Learning), SVM(Support Vector Machine), 신경망(Neural Network) 등을 포함한 기계학습 기법을 적용한다. 본 발명에서는 이러한 기법에 한정되어 적용되는 것은 아니므로, 상기 학습 기법에 제한이 없다.
또한 상기 건강수치 예측 장치(100)는, 상기 변환한 건강수치 및 건강특징들을 기반으로 상기 건강수치의 패턴을 생성하며 상기 생성한 패턴을 이용하여 상기 예측모델을 학습시킨다. 즉, 상기 훈련데이터와 상기 검증데이터를 패턴으로 생성한다.
한편 상기 건강수치의 패턴은, 특정 수치(예: 2진수 또는 16진수 등)를 기반으로 하여 수치화되거나 또는 그래프화될 수 있으며 상술한 이미지화되는 것에만 한정하지 않는다. 즉 상기 건강수치의 패턴을 표현할 수 있는 방법이면 되며 그 방법에는 제한을 두지 않는다.
또한 상기 건강수치 예측 장치(100)는, 상기 이미지화한 훈련데이터를 기반으로 적어도 하나 이상의 예측모델을 생성한다. 즉, 상술한 예와 같이 상기 추출한 건강수치가 혈당뿐만 아니라 혈압일 수도 있으며 이외에도 주요한 건강수치를 선택하거나 몇몇의 주요한 건강수치를 조합하여 선택할 수도 있다. 이에 따라 상기 건강수치 예측 장치(100)는 상기 추출한 각 건강수치에 따라 다양한 예측모델을 생성할 수 있다.
또한 상기 예측모델을 생성한 상기 건강수치 예측 장치(100)는, 상기 검증데이터그룹을 이용하여 상기 학습을 수행한 예측모델의 성능을 검증하고 상기 검증결과에 따라 최종적으로 학습된 예측모델을 생성하며, 상기 생성한 예측모델을 데이터베이스(200)에 저장한다.
또한 상기 건강수치 예측 장치(100)는, 상기 훈련데이터그룹에 기반 하여 상기 예측모델을 학습시키며, 상기 예측모델을 통해 출력되는 예측값을 상기 훈련데이터의 출력값으로 하고, 상기 예측모델의 가중치 값을 조정하여 정확한 예측값이 출력되도록 학습시킨다.
도 2는 본 발명의 일 실시예에 따른 건강데이터 패턴의 일반화를 통한 건강수치 예측 장치의 구성을 나타낸 블록도이다.
도 2에 도시한 바와 같이 상기 건강수치 예측 장치(100)는, 건강데이터 및 사용자의 개인건강데이터를 정규화하는 전처리부(110), 상기 전처리부(110)를 통해 전처리과정을 수행한 상기 건강데이터로부터 훈련데이터그룹 및 검증데이터그룹을 구분하여 분리하는 훈련/검증데이터 선별부(120), 상기 전처리부(110)를 통해 전처리과정을 수행한 개인건강데이터, 상기 훈련데이터그룹 또는 상기 검증데이터그룹으로부터 특정 건강수치에 따른 패턴을 생성하는 패턴 생성부(130), 상기 생성한 패턴을 기반으로 예측모델의 학습을 수행하는 예측모델 학습부(140), 상기 생성한 예측모델의 성능을 검증하여 예측모델을 생성하는 예측모델 생성부(150), 상기 개인건강데이터의 패턴과 상기 생성한 예측모델을 이용하여 사용자의 건강상태를 예측하는 건강수치 예측부(160) 및 데이터베이스(200)로부터 데이터를 로딩하거나 상기 데이터베이스(200)로 데이터를 저장하기 위한 데이터베이스 인터페이스부(170)를 포함하여 구성된다.
또한 상기 전처리부(110)는, 상기 입력되는 사용자의 개인건강데이터 또는 복수의 건강데이터로부터 특정 질환에 관련된 주요 건강수치와 상기 건강수치와 연관된 적어도 하나 이상의 건강특징들을 추출한다.
한편 상기 전처리부(110)는, 매핑 테이블을 참조하여 상기 사용자의 개인건강데이터 혹은 건강데이터로부터 건강수치(예: 혈압수치 또는 혈당수치 등)를 추출할 수 있으며, 상기 선택한 건강수치와 매핑된 건강특징들을 추출할 수 있다.
이는 단순한 건강수치를 기반으로 상기 사용자의 건강상태를 예측하는 것이 아니라, 상기 건강수치에 영향을 주거나 영향을 받는 사용자의 신체정보(예: 키, 몸무게 또는 비만도 등) 또는 생활습관(예: 흡연유무, 채식주의와 같은 식생활 등)정보 등을 함께 고려하여 사용자의 건강상태를 정확하게 예측하기 위함이다.
또한 상기 전처리부(100)는 상기 추출한 건강수치 및 이에 따른 복수의 건강특징들을 상기 예측모델에 적용하기에 적합하도록 정규화한다.
상기 정규화는 상기 추출한 건강수치 및 복수의 건강특징들을 0과 1사이의 값으로 변환하는 것을 말한다.
또한 상기 전처리부(110)에 의해 상기 개인공공데이터 또는 복수의 건강데이터로부터 선택되는 상기 건강수치는, 하나로 구성되거나 복수로 구성될 수 있다.
한편 상기 전처리부(100)는 상기 건강데이터로부터 특정 질환에 관련된 건강수치와 건강특징을 추출하고, 상기 선택한 건강수치와 건강특징을 정규화하는 제1 전처리부와 사용자의 개인건강데이터로부터 특정 질환에 관련된 건강수치와 건강특징을 추출하고 상기 선택한 건강수치와 건강특징을 정규화하는 제2 전처리부로 나누어 구성될 수 있다.
또한 상기 훈련/검증데이터 선별부(120)는 상기 전처리부(110)를 통해 전처리 과정을 수행한 상기 복수의 건강데이터를 랜덤하게 상기 예측모델을 생성하기 위한 훈련데이터그룹과 상기 예측모델의 성능을 검증하기 위한 검증데이터그룹으로 나눈다.
또한 상기 훈련데이터그룹은 상기 생성한 예측모델을 반복적으로 학습시키기 위한 용도로 사용되며 상기 검증데이터그룹은 상기 훈련데이터그룹을 이용해 학습시킨 상기 예측모델의 성능을 검증하기 위한 용도로 사용된다.
또한 상기 패턴 생성부(130)는 상기 전처리 과정을 수행한 상기 사용자의 개인건강데이터와 상기 훈련데이터그룹과 검증데이터그룹의 주요 건강수치의 패턴에 대해서 bin(이미지의 pixel)을 생성한 후 n x m의 이진 이미지를 생성한다.
예를 들어, 상기 사용자의 개인건강데이터, 훈련데이터그룹 또는 검증데이터그룹으로부터 주요 건강수치인 혈압수치와 상기 혈압수치와 관련된 건강특징을 선택한 후 상기 혈압수치에 대한 범위를 n개의 구간으로 나누고 각 구간을 대표하는 m개의 혈압수치에 대해 bin을 생성한 후 상기 bin을 이미지로 변환하면 n x m의 이진 이미지가 된다.
한편 상기 패턴 생성부(130)는 상기 패턴을 생성하는 것뿐만 아니라 상술한 바와 같이 상기 패턴을 표현할 수 있는 다양한 방법을 통해 상기 패턴을 생성할 수 있다.
또한 상기 패턴 생성부(130)는 상기 건강데이터에 대한 패턴을 생성하는 제1 패턴 생성부와 상기 사용자의 개인건강데이터에 대한 패턴을 생성하는 제2 패턴 생성부로 나누어 구성될 수 있다.
한편 상술한 건강수치의 패턴에 대한 이미지화는 도 4를 참조하여 상세히 설명하도록 한다.
또한 상기 예측모델 학습부(140)는 상기 훈련데이터그룹을 이용하여 예측모델을 생성하고 학습시킨다.
또한 상기 예측모델 학습부(140)는 상기 훈련데이터그룹로부터 상기 예측모델이 상기 훈련데이터그룹의 이미지 패턴을 정확하게 판별할 수 있도록 학습시킨다.
예를 들어 상기 훈련데이터그룹으로 7년간의 혈압수치에 대한 패턴이라고 가정했을 때 상기 7년째의 혈압수치를 상기 예측모델의 출력값으로 하고, 상기 6년간의 혈압수치에 대한 패턴을 이용하여 상기 출력값인 7년째의 혈압수치를 예측하도록 학습하는 것을 말한다. 즉 이미 알고 있는 혈압수치의 패턴을 상기 예측모델에 적용하여 이미 알고 있는 혈압수치의 패턴을 상기 예측모델이 정확하게 예측하도록 학습시키는 것이다.
또한 상기 예측모델 학습부(140)를 통한 학습은 상기 훈련데이터그룹에 포함된 모든 훈련데이터를 이용하여 수행된다.
또한 상기 예측모델 생성부(150)는 상기 예측모델 학습부(140)를 통해 학습한 상기 건강수치 예측모델의 성능을 상기 검증데이터그룹을 이용하여 검증하는 기능을 수행한다. 또한 상기 검증은 상술한 학습과정과 동일한 메커니즘으로 이루어진다.
또한 상기 예측모델 생성부(150)는 상기 검증결과가 사용자가 미리 설정한 임계값을 초과하게 되면 해당 예측모델을 생성하고, 상기 데이터베이스(200)에 저장하여, 사용자로부터 건강상태에 대한 예측을 요구받은 경우 상기 저장한 예측모델을 통해 정확한 건강수치를 예측하여 예측결과를 제공할 수 있도록 한다.
한편 상기 검증을 통해 상기 예측모델의 성능이 상기 임계값을 초과하지 못하는 경우에는 상기 예측모델 학습부(140)는 상기 훈련데이터그룹을 이용하여 상기 예측모델을 반복적으로 학습시킨다.
또한 상기 예측부(160)는 상기 사용자의 건강상태 예측에 대한 요구가 있는 경우, 상기 사용자가 입력한 개인건강데이터를 상기 예측모델에 적용하여 사용자의 건강상태를 예측한다.
또한 상기 데이터베이스(200)는 상기 예측모델, 건강데이터, 상기 건강데이터에 대한 패턴 또는 상기 매핑 테이블 등을 저장한다.
도 3은 본 발명의 일 실시예에 따른 예측모델의 구축 및 사용자의 개인건강데이터를 기반으로 사용자의 미래건강상태를 예측하는 절차를 나타낸 워크플로우이다.
도 3에 도시한 바와 같이 상기 건강수치 예측 장치(100)를 통해 상기 사용자의 개인건강데이터를 기반으로 사용자의 미래건강상태를 예측하기 위한 절차는 우선적으로 건강데이터 프로바이더(300, 400)로부터 건강데이터를 주기적으로 제공받는다(S110).
다음으로 상기 건강수치 예측 장치(100)는 상기 건강데이터에 대해 전처리과정을 수행하여 상기 건강데이터에서 주요 건강수치와 상기 주요 건강수치와 연관된 건강특징들을 추출하고 상기 추출한 건강수치와 건강특징들을 정규화한다(S120).
다음으로 상기 건강수치 예측 장치(100)는 상기 정규화한 상기 건강데이터를 상기 예측모델을 학습시키기 위한 훈련데이터그룹과 상기 예측모델의 성능을 검증하고, 예측모델을 생성시키기 위한 검증데이터그룹으로 랜덤하게 선별하여 구분한다(S130).
다음으로 상기 건강수치 예측 장치(100)는 상기 훈련데이터그룹과 검증데이터그룹에서 상기 추출한 건강수치에 대한 패턴을 생성한다(S140).
다음으로 상기 건강수치 예측 장치(100)는 상기 건강수치에 대한 패턴의 훈련데이터그룹을 이용하여 상기 예측모델을 학습시킨다(S150).
다음으로 상기 건강수치 예측 장치(100)는 상기 검증데이터그룹을 이용하여 상기 학습시킨 예측모델의 성능을 검증하고 검증결과 미리 설정한 특정 임계값을 초과하는 경우(S160) 최종 학습시킨 예측모델 결정함으로써 예측모델을 생성하고 데이터베이스에 저장한다(S170).
한편 상기 검증결과 상기 임계값을 초과하지 못하는 경우, 상기 건강수치 예측 장치(100)는 상기 훈련데이터그룹을 이용하여 예측모델을 반복적으로 학습시킨다. 상기 학습과 검증의 반복을 통해 상기 예측모델은 정확한 예측결과를 출력할 수 있다.
또한 상기 건강수치 예측 장치(100)는 상기 사용자로부터 개인건강데이터가 입력되는 경우(S210) 상기 건강데이터를 전처리하는 것과 같이 상기 사용자의 개인건강데이터도 동일한 전처리 과정을 수행한다(S220).
즉, 상기 사용자의 개인건강데이터로부터 주요 건강수치와 이와 연관된 건강특징들을 선택하고 상기 선택한 주요 건강수치와 건강특징들에 대한 데이터를 상기 예측모델에 적용하기 위해 정규화한다.
다음으로 상기 정규화한 상기 건강수치와 건강특징들에 대한 데이터를 기반으로 상기 주요 건강수치에 대한 패턴을 생성한다(S230).
다음으로 상기 건강수치 예측 장치(100)는 상기 패턴을 상기 건강수치 예측모델에 적용하여, 예측결과를 상기 사용자에게 제공한다(S240).
도 4는 본 발명의 일 실시예에 따른 사용자의 개인건강데이터를 기반으로 사용자의 건강수치의 패턴을 이미지화한 예시도이다.
도 4에 도시한 바와 같이 상기 건강수치 예측 장치(100)는 건강데이터 또는 사용자의 개인건강데이터를 포함하는 시계열 건강데이터로부터 주요 건강수치와 건강특징들을 선택하여 이미지화하며 상기 도 4는 혈압수치를 주요 건강수치로 선택하여 이미지로 변형한 예를 도시한 예시도이다.
또한 상기 건강수치 예측 장치(100)는 상기 선택한 혈압수치에 대한 패턴 이미지를 생성하기 위해 우선적으로 도 4의 (a)와 같이 bin을 생성한다.
도 4의 (a)에 도시한 바와 같이, 상기 건강수치 예측 장치(100)는 혈압수치를 6개의 구간으로 나누고 상기 6개의 구간을 대표하는 bin을 생성한다.
또한 상기 사용자의 혈압수치는 6개의 bin 중의 하나에 세팅되고 도 4의 (a)에 도시한 상기 혈압수치의 구간은 140 <= 혈압수치, 140 < 혈압수치 <= 130, 130 < 혈압수치 <= 120, 120 < 혈압수치 <= 110, 110 < 혈압수치 <= 100 및 100 > 혈압수치로 구성된다.
한편 상기 bin은 상기 혈압수치의 구간을 2진수로 나타낸 것이다.
또한 상기 건강수치 예측 장치(100)는 상기 bin과 7년간의 혈압수치를 이용하여 이미지로 변환하면 도 4의 (b)에 도시한 바와 같이 6 x 7의 이진 이미지가 되며, 상기 이미지에 나타난 상기 bin은 상기 7년간의 혈압수치에 대한 패턴으로 표현된다.
한편 상기 패턴은 이미지뿐만 아니라 그래프 또는 특정 수치로 표현할 수 있음은 상술한 바와 같다.
또한 상기 건강수치 예측 장치(100)는 상기 이미지를 이용하여 상기 예측모델을 생성, 합습 및 검증하거나 사용자의 건강상태를 예측한다.
한편 상기 건강수치 예측 장치(100)에 의해 추출된 특정 질환에 관련된 상기 건강수치(혈압수치)와 상기 건강수치에 연관된 복수의 건강특징을 패턴 이미지 변환 없이 상기 예측모델에 입력한다면 상기 예측모델은 상기 선택한 건강수치와 복수의 건강특징에 대해서 모두 계산을 하여 예측을 하여야 하지만 본 발명은 상기 건강수치와 건강특징을 기반으로 하는 이미지를 생성하여 상기 생성한 이미지만으로 상기 예측모델의 입력으로 사용함으로써, 상기 예측모델에서 건강상태에 대한 예측을 위해 수행하는 계산을 단순화하였다.
도 5는 본 발명의 일 실시예에 따른 의료 빅 데이터를 기반으로 특정 건강수치의 패턴을 이미지화한 예시도이다.
도 5의 (a)는 혈압수치가 정상인 사람의 혈압수치 패턴을 도시한 것이며, 도 5의 (b)는 고혈압인 사람의 혈압수치에 대한 패턴을 도시한 것이다.
도 5에 도시한 바와 같이 같은 정상군이나 고혈합군 내에서도 혈압수치의 패턴이 다양하게 나타난다.
이에 따라 상기 건강수치 예측 장치(100)는 상기 건강데이터 프로바이더(300)로부터 대량의 건강데이터를 제공받아 각각의 건강수치와 상기 건강수치와 연관된 건강특징을 기반으로, 상기 건강수치에 대한 패턴을 이미지화하여 상기 패턴 이미지를 통해 예측모델을 반복적으로 학습시킴으로써, 건강수치의 예측을 위한 계산을 단순화하고 사용자에게 정확도가 높은 신뢰성 있는 예측 결과를 제공한다.
또한 상기 패턴 이미지에서 나타나는 패턴은, 상기 건강수치 예측 장치(100)에 의해 추출된 건강수치와 상기 건강수치와 연관된 복수의 건강특징의 정보에 의해 형성되는 특징을 가진다. 이는, 상기 건강수치의 예측을 위해 상기 예측모델에 상기 건강수치와 상기 복수의 건강특징을 일일이 입력하지 않고 상기 패턴 이미지만 입력하여 상기 건강수치와 상기 복수의 건강특징을 기반으로 하는 예측 결과를 출력할 수 있는 장점이 있다.
도 6은 본 발명의 일 실시예에 따른 예측모델을 통해 패턴 이미지의 입력, 예측모델의 학습 및 예측방법을 설명하기 위한 예시도이다.
도 6에 도시한 바와 같이, 상기 건강수치 예측 장치(100)에 의해 구축된 예측모델은 입력 레이어, 히든 레이어 및 출력 레이어로 구성된다.
또한 상기 입력 레이어는 복수의 입력노드, 상기 히든 레이어는 복수의 히든노드 및 상기 출력 레이어는 복수의 출력노드로 구성된다.
이하 도 6을 참조하여 상기 예측모델을 상세히 설명함에 있어 혈당수치에 대하여 예측을 수행하는 혈당수치 예측모델을 일예로 하여 상세히 설명하도록 한다.
또한 상기 혈당수치 예측모델의 입력 레이어에 입력되는 데이터는 시계열 건강데이터이며, 상기 시계열 건강데이터는 상기 건강수치 예측 장치(100)에 의해 선택된 혈당수치 및 상기 혈당수치에 연관된 건강특징을 기반으로 상기 혈당수치의 패턴을 이미지화한 데이터이다.
또한 상기 혈당수치 예측모델의 출력에는 학습된 10개의 출력노드로 구성된 출력 레이어가 있고, 상기 입력되는 패턴이미지에 의해 선택되는 가장 높은 확률값을 가지는 출력노드가 상기 혈당수치의 예측 값을 의미한다.
또한 상기 혈당수치 예측모델의 각 출력노드는 상기 혈당수치의 레벨을 가지며, 상기 혈당수치의 레벨은 10레벨로 구성되어 있고, 1레벨은 혈당수치 57이하, 2레벨은 혈당수치 57초과 66이하, 3레벨은 67초과 76이하와 같이 각 레벨 당 혈당수치의 구간을 10의 크기로 설계될 수 있다.
또한 상기 출력노드의 레벨은 상기 훈련데이터그룹을 구성하는 각 훈련데이터들의 목표 레이블 값으로 세팅된다.
예를 들어 한 훈련데이터의 n년도 혈당수치가 60이면, 상기 훈련데이터는 2로 레이블링되고'2'라는 그룹으로 상기 예측모델을 학습시킨다. 즉, 상기 예측모델은 훈련데이터의 n년도의 혈당수치(60)를 예측값으로 하고 상기 훈련데이터의 n-1년도까지의 데이터(패턴 이미지)를 입력으로 하여 학습한다.
또한 상기 건강수치 예측 장치(100)는, 대량의 훈련데이터그룹을 상기 혈당수치 예측모델에 입력하여 딥 네트워크 러닝 메커니즘에 따라 훈련시키며 n-1년도의 각 훈련데이터의 흐름에서 상기 혈당수치 레벨별 고유의 특성을 찾아 그 정보를 상기 입력노드, 히든노드 및 출력노드 간의 가중치를 조절하여 상기 각 훈련데이터들의 목표 레이블 값으로 출력될 수 있도록 한다.
물론 본 발명의 건강수치 예측 장치(100)는 상기 딥 네트워크 러닝(Deep network learning)에 한정되는 것이 아니라, 머신 러닝(Machine Learning), SVM(Support Vector Machine), 신경망(Neural Network) 등을 포함한 다양한 기계학습 기법을 적용하는 것이 가능하다는 것이 당연하다.
도 7은 본 발명의 일 실시예에 따른 건강데이터 패턴의 일반화를 통한 건강수치 예측 방법 및 그 장치에 있어서, 건강수치를 예측하는 방법을 설명하기 위한 예시도이다.
도 7에 도시한 바와 같이 상기 예측모델에 복수의 건강데이터의 특정 건강수치에 대한 패턴 이미지를 학습시킨 경우, 상기 학습한 이미지와 유사한 사용자의 개인건강데이터 패턴 이미지가 입력되는 경우 가장 많이 학습한 유사패턴으로 상기 특정 건강수치에 대한 추이를 예측한 정보를 출력한다.
즉 상기 예측모델은 복수의 건강데이터의 패턴으로부터 건강데이터의 일반화된 예측결과를 출력하도록 학습되며, 이를 바탕으로 상기 사용자의 미래 건강수치를 예측하여 제공한다.
또한 상기 예측모델은 상기 입력되는 사용자의 개인건강데이터에 대한 패턴 이미지를 복원하는 방법으로 예측결과를 제공한다.
예를 들어, 8년 또는 그 이상의 시점에서 사용자의 건강수치를 예측하기 위해 7년 동안의 시계열 건강정보를 나타내는 사용자의 개인건강데이터에 기반 한 패턴 이미지가 입력되면 상기 예측모델은 상기 8년 또는 그 이상의 시점을 나타내는 상기 패턴 이미지의 부분이 훼손되거나 노이즈가 포함되어 패턴을 인식하지 못하는 것으로 간주한다.
그리고 상기 예측모델은 상기 훼손 또는 패턴 불인식으로 간주한 상기 패턴 이미지의 부분을 대량의 건강데이터를 통해 학습된 이미지와 유사하거나 동일한 패턴으로 8년 또는 그 이상의 시점에서의 데이터를 복원함으로써, 상기 사용자에게 8년 또는 그 이상의 시점에의 건강수치를 예측한 정보를 제공한다.
즉 상기 예측모델은 과거의 시계열적인 사용자의 개인건강데이터로부터 미래의 건강수치를 예측함에 있어, 상기 미래의 건강수치는 과거의 시계열적인 건강데이터 중에서 일부가 훼손된 것을 복원하는 방식으로 예측되며, 이는 상기 예측모델을 학습시키기 위한 건강데이터의 수가 많으면 많을수록 그 예측 정확도가 증가한다.
이상에서 설명하였듯이, 본 발명인 건강데이터 패턴의 일반화를 통한 건강수치 예측 방법 및 그 장치는 복수의 시계열 의료 빅 데이터에서 건강수치 및 상기 건강수치와 연관된 중요한 건강특징들을 기반으로 상기 건강수치의 패턴을 이미지화하고, 상기 이미지를 반복적으로 학습한 예측모델을 구축하여, 상기 구축한 예측모델을 통해 사용자의 미래 건강상태의 추이를 정확하게 예측하여 신뢰성있는 예측정보를 제공할 수 있는 방법 및 그 장치를 제공하고자 하는 것이다.
상기에서는 본 발명에 따른 바람직한 실시예를 위주로 상술하였으나, 본 발명의 기술적 사상은 이에 한정되는 것은 아니며 본 발명의 각 구성요소는 동일한 목적 및 효과의 달성을 위하여 본 발명의 기술적 범위 내에서 변경 또는 수정될 수 있을 것이다.
또한, 이상에서는 본 발명의 바람직한 실시 예에 대하여 도시하고 설명하였지만, 본 발명은 상술한 특정의 실시 예에 한정되지 아니하며, 청구범위에서 청구하는 본 발명의 요지를 벗어남이 없이 당해 발명이 속하는 기술분야에서 통상의 지식을 가진 자에 의해 다양한 변형 실시가 가능한 것은 물론이고, 이러한 변형 실시들은 본 발명의 기술적 사상이나 전망으로부터 개별적으로 이해되어서는 안 될 것이다.
100 : 건강수치 예측 장치 110 : 전처리부
120 : 훈련/검증데이터 선별부 130 : 패턴 생성부
140 : 예측모델 학습부 150 : 예측모델 생성부
160 : 건강수치 예측부 170 : DB 인터페이스부
200 : 데이터베이스 300, 400 : 건강데이터 프로바이더

Claims (14)

  1. 복수의 건강데이터에 대한 패턴을 이용해서 건강수치에 대한 예측모델의 학습을 수행하는 단계; 및
    상기 예측모델의 성능을 검증하여 예측모델을 결정함으로써 예측모델을 생성하는 단계;를 포함하며,
    상기 예측모델은 건강데이터의 일반화된 예측결과를 출력하도록 학습되는 것을 특징으로 하는 건강데이터 패턴의 일반화를 통한 건강수치 예측 방법.
  2. 청구항 1에 있어서,
    상기 건강수치 예측 방법은,
    상기 건강데이터로부터 특정 질환에 관련된 건강수치와 건강특징을 선택하고, 상기 선택한 건강수치와 건강특징을 정규화하는 전처리 단계;를 더 포함하는 것을 특징으로 하는 건강데이터 패턴의 일반화를 통한 건강수치 예측 방법.
  3. 청구항 2에 있어서,
    상기 정규화한 건강데이터에 대해서 훈련데이터그룹과 검증데이터그룹으로 구분하여 분리하는 단계; 및
    상기 분리된 훈련데이터그룹 및 검증데이터그룹의 건강데이터에서 패턴을 생성하는 단계;를 더 포함하는 것을 특징으로 하는 건강데이터 패턴의 일반화를 통한 건강수치 예측 방법.
  4. 청구항 3에 있어서,
    상기 예측모델의 학습을 수행하는 단계는,
    상기 훈련데이터그룹을 이용하여 상기 생성한 예측모델을 학습시키는 단계; 및
    상기 학습한 예측모델의 성능을 상기 검증데이터그룹을 이용하여 검증하는 단계;를 포함하는 것을 특징으로 하는 건강데이터 패턴의 일반화를 통한 건강수치 예측 방법.
  5. 청구항 1에 있어서,
    사용자의 개인건강데이터로부터 특정 질환에 관련된 건강수치와 건강특징을 선택하고, 상기 선택한 건강수치와 건강특징을 정규화하는 전처리 단계;
    상기 정규화한 개인건강데이터에서 패턴을 생성하는 단계; 및
    상기 생성한 패턴에 예측모델을 적용하여 상기 사용자의 건강수치에 대한 예측결과를 추출하는 단계;를 더 포함하는 것을 특징으로 하는 건강데이터 패턴의 일반화를 통한 건강수치 예측 방법.
  6. 청구항 1에 있어서,
    상기 예측모델은 딥 네트워크 러닝(deep network learning), 머신 러닝(Machine Learning), SVM(Support Vector Machine), 신경망(Neural Network) 등을 포함한 기계학습을 포함한 기계학습 기법을 적용하여 생성되는 것을 특징으로 하는 건강데이터 패턴의 일반화를 통한 건강수치 예측 방법.
  7. 청구항 1에 있어서,
    상기 예측모델은,
    과거의 시계열적인 개인건강데이터로부터 미래의 건강수치를 예측하되, 상기 미래의 건강수치는 과거의 시계열적인 건강데이터 중에서 일부가 훼손된 것을 복원하는 방식으로 예측되는 것을 특징으로 하는 건강데이터 패턴의 일반화를 통한 건강수치 예측 방법.
  8. 복수의 건강데이터에 대한 패턴을 이용해서 건강수치에 대한 예측모델의 학습을 수행하는 예측모델 학습부; 및
    상기 예측모델의 성능을 검증하여 예측모델을 결정함으로써 예측모델을 생성하는 예측모델 생성부;를 포함하며,
    상기 예측모델은 건강데이터의 일반화된 예측결과를 출력하도록 학습되는 것을 특징으로 하는 건강데이터 패턴의 일반화를 통한 건강수치 예측 장치.
  9. 청구항 8에 있어서,
    상기 건강수치 예측 장치는,
    상기 건강데이터로부터 특정 질환에 관련된 건강수치와 건강특징을 선택하고, 상기 선택한 건강수치와 건강특징을 정규화하는 제1 전처리부;를 더 포함하는 것을 특징으로 하는 건강데이터 패턴의 일반화를 통한 건강수치 예측 장치.
  10. 청구항 9에 있어서,
    상기 건강수치 예측 장치는,
    상기 정규화한 건강데이터에 대해서 훈련데이터그룹과 검증데이터그룹으로 구분하여 분리하는 훈련/검증 데이터 선별부; 및
    상기 분리된 훈련데이터그룹 및 검증데이터그룹의 건강데이터에서 패턴을 생성하는 제1 패턴 생성부;를 더 포함하는 것을 특징으로 하는 건강데이터 패턴의 일반화를 통한 건강수치 예측 장치.
  11. 청구항 10에 있어서,
    상기 예측모델 학습부는,
    상기 훈련데이터그룹을 이용하여 상기 생성한 예측모델을 학습하는 기능을 수행하며,
    상기 예측모델 생성부는,
    상기 학습한 예측모델의 성능을 상기 검증데이터그룹을 이용하여 검증하는 기능을 수행하는 것을 포함하는 것을 특징으로 하는 건강데이터 패턴의 일반화를 통한 건강수치 예측 장치.
  12. 청구항 8에 있어서,
    상기 건강수치 예측 장치는,
    사용자의 개인건강데이터로부터 특정 질환에 관련된 건강수치와 건강특징을 선택하고, 상기 선택한 건강수치와 건강특징을 정규화하는 제2 전처리부;
    상기 정규화한 개인건강데이터에서 패턴을 생성하는 제2 패턴 생성부; 및
    상기 생성한 패턴에 예측모델을 적용하여 상기 사용자의 건강수치에 대한 예측결과를 추출하는 건강수치 예측부;를 더 포함하는 것을 특징으로 하는 건강데이터 패턴의 일반화를 통한 건강수치 예측 장치.
  13. 청구항 8에 있어서,
    상기 예측모델은 딥 네트워크 러닝(deep network learning), 머신 러닝(Machine Learning), SVM(Support Vector Machine), 신경망(Neural Network) 등을 포함한 기계학습을 포함한 기계학습 기법을 적용하여 생성되는 것을 특징으로 하는 건강데이터 패턴의 일반화를 통한 건강수치 예측 장치.
  14. 청구항 8에 있어서,
    상기 예측모델은,
    과거의 시계열적인 개인건강데이터로부터 미래의 건강수치를 예측하되, 상기 미래의 건강수치는 과거의 시계열적인 건강데이터 중에서 일부가 훼손된 것을 복원하는 방식으로 예측되는 것을 특징으로 하는 건강데이터 패턴의 일반화를 통한 건강수치 예측 장치.
KR1020150165486A 2015-11-25 2015-11-25 건강데이터 패턴의 일반화를 통한 건강수치 예측 방법 및 그 장치 KR20170061222A (ko)

Priority Applications (2)

Application Number Priority Date Filing Date Title
KR1020150165486A KR20170061222A (ko) 2015-11-25 2015-11-25 건강데이터 패턴의 일반화를 통한 건강수치 예측 방법 및 그 장치
US15/353,671 US20170147777A1 (en) 2015-11-25 2016-11-16 Method and apparatus for predicting health data value through generation of health data pattern

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020150165486A KR20170061222A (ko) 2015-11-25 2015-11-25 건강데이터 패턴의 일반화를 통한 건강수치 예측 방법 및 그 장치

Publications (1)

Publication Number Publication Date
KR20170061222A true KR20170061222A (ko) 2017-06-05

Family

ID=58719658

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020150165486A KR20170061222A (ko) 2015-11-25 2015-11-25 건강데이터 패턴의 일반화를 통한 건강수치 예측 방법 및 그 장치

Country Status (2)

Country Link
US (1) US20170147777A1 (ko)
KR (1) KR20170061222A (ko)

Cited By (17)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2019031794A1 (ko) * 2017-08-11 2019-02-14 주식회사 뷰노 피검체의 치명적 증상의 발생을 조기에 예측하기 위한 예측 결과를 생성하는 방법 및 이를 이용한 장치
KR101964733B1 (ko) * 2018-08-09 2019-04-02 주식회사 아롬정보기술 블록체인 및 인공지능 기반의 개인 맞춤형 건강 관리 시스템 및 이를 이용한 블록체인 및 인공지능 기반의 개인 맞춤형 건강 관리 서비스 제공 방법
CN109997199A (zh) * 2017-08-30 2019-07-09 株式会社璘实拍虒 基于深度学习的结核病检查方法
KR20190099901A (ko) * 2018-02-20 2019-08-28 한국전자통신연구원 환자 정보 기반의 복약 관리 장치 및 방법
KR20190105163A (ko) 2018-02-21 2019-09-16 주식회사 삼육오엠씨네트웍스 인공지능 기반의 환자상태 예측 장치 및 이를 이용한 환자상태 예측 방법
KR20190106004A (ko) * 2018-03-07 2019-09-18 연세대학교 산학협력단 사망 위험도의 예측 방법 및 이를 이용한 사망 위험도의 예측 디바이스
WO2019212262A1 (ko) * 2018-05-02 2019-11-07 차의과학대학교 산학협력단 코호트 데이터의 혼란변수에 따른 계층화 및 질병 간 발생 시간이 고려된 질병 네트워크 구축 방법, 그 시각화 방법 및 이를 기록한 컴퓨터 판독 가능한 기록매체
WO2020071677A1 (ko) * 2018-10-02 2020-04-09 한림대학교 산학협력단 위 내시경 이미지의 딥러닝을 이용하여 위 병변을 진단하는 장치 및 방법
WO2020071678A3 (ko) * 2018-10-02 2020-05-28 한림대학교 산학협력단 실시간으로 획득되는 위 내시경 이미지를 기반으로 위 병변을 진단하는 내시경 장치 및 방법
KR20200061968A (ko) * 2018-11-26 2020-06-03 한국전자통신연구원 시계열 데이터 처리 장치 및 이의 동작 방법
KR20200069212A (ko) * 2018-12-06 2020-06-16 한국전자통신연구원 예측 장치들로부터 수신된 데이터를 앙상블하는 장치 및 이의 동작 방법
WO2020231007A3 (ko) * 2019-05-13 2021-01-07 (주)비주얼터미놀로지 의료기계 학습 시스템
KR20210069931A (ko) * 2019-12-04 2021-06-14 한국정보공학 주식회사 인공 지능을 이용한 질병 분석 및 예측 방법
KR102285597B1 (ko) * 2020-11-02 2021-08-05 유종근 웨어러블 단말 및 이를 이용한 간호지원 시스템
KR20210112274A (ko) * 2019-07-12 2021-09-14 동국대학교 산학협력단 사용자의 건강상태 모니터링 시스템 및 이의 분석 방법
KR102342770B1 (ko) * 2021-03-30 2021-12-23 주식회사 라이프시맨틱스 질병 예측치의 분포를 이용한 건강관리 상담 시스템
US11941513B2 (en) 2018-12-06 2024-03-26 Electronics And Telecommunications Research Institute Device for ensembling data received from prediction devices and operating method thereof

Families Citing this family (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11594311B1 (en) 2016-03-31 2023-02-28 OM1, Inc. Health care information system providing standardized outcome scores across patients
US11003988B2 (en) * 2016-11-23 2021-05-11 General Electric Company Hardware system design improvement using deep learning algorithms
US11257574B1 (en) 2017-03-21 2022-02-22 OM1, lnc. Information system providing explanation of models
US10497250B1 (en) 2017-09-27 2019-12-03 State Farm Mutual Automobile Insurance Company Real property monitoring systems and methods for detecting damage and other conditions
CN107908819B (zh) * 2017-10-19 2021-05-11 深圳和而泰智能控制股份有限公司 预测用户状态变化的方法和装置
RU2020115063A (ru) * 2017-12-13 2021-10-29 Сони Корпорейшн Устройство для обработки информации, программа и способ для обработки информации
CN109597833A (zh) * 2018-10-15 2019-04-09 平安科技（深圳）有限公司 基于大数据的事件预测方法、装置、计算机设备及存储介质
US11302446B2 (en) * 2018-11-13 2022-04-12 Google Llc Prediction of future adverse health events using neural networks by pre-processing input sequences to include presence features
US11862346B1 (en) 2018-12-22 2024-01-02 OM1, Inc. Identification of patient sub-cohorts and corresponding quantitative definitions of subtypes as a classification system for medical conditions
WO2020250995A1 (ja) * 2019-06-11 2020-12-17 学校法人東海大学 罹患判定支援装置、罹患判定支援方法、及び罹患判定支援プログラム
US20220059230A1 (en) * 2020-08-21 2022-02-24 Optum, Inc. Machine-learning-based predictive behaviorial monitoring

Family Cites Families (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7024370B2 (en) * 2002-03-26 2006-04-04 P) Cis, Inc. Methods and apparatus for early detection of health-related events in a population
EP1633239A4 (en) * 2003-05-14 2009-06-03 Clinigene Internat Private Ltd PREDICTION OF ILLNESSES
US9779213B2 (en) * 2008-07-25 2017-10-03 Fundacao D. Anna Sommer Champalimaud E Dr. Carlos Montez Champalimaud System for evaluating a pathological stage of prostate cancer
FR2934698B1 (fr) * 2008-08-01 2011-11-18 Commissariat Energie Atomique Procede de prediction pour le pronostic ou le diagnostic ou la reponse therapeutique d'une maladie et notamment du cancer de la prostate et dispositif permettant la mise en oeuvre du procede.
KR20130104884A (ko) * 2012-03-15 2013-09-25 삼성전자주식회사 경동맥 협착 진행정도 예측장치 및 예측방법
KR20150113700A (ko) * 2014-03-31 2015-10-08 삼성전자주식회사 진단 시스템 및 방법
US20160012202A1 (en) * 2014-07-14 2016-01-14 International Business Machines Corporation Predicting the risks of multiple healthcare-related outcomes via joint comorbidity discovery
SG10201407018YA (en) * 2014-10-28 2016-05-30 Chee Seng Keith Lim System and method for processing heartbeat information
US10120979B2 (en) * 2014-12-23 2018-11-06 Cerner Innovation, Inc. Predicting glucose trends for population management
US10867703B2 (en) * 2015-02-26 2020-12-15 Conduent Business Services, Llc System and method for predicting health condition of a patient
US9652712B2 (en) * 2015-07-27 2017-05-16 Google Inc. Analyzing health events using recurrent neural networks

Cited By (19)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2019031794A1 (ko) * 2017-08-11 2019-02-14 주식회사 뷰노 피검체의 치명적 증상의 발생을 조기에 예측하기 위한 예측 결과를 생성하는 방법 및 이를 이용한 장치
US11735317B2 (en) 2017-08-11 2023-08-22 Vuno, Inc. Method for generating prediction result for predicting occurrence of fatal symptoms of subject in advance and device using same
CN109997199A (zh) * 2017-08-30 2019-07-09 株式会社璘实拍虒 基于深度学习的结核病检查方法
KR20190099901A (ko) * 2018-02-20 2019-08-28 한국전자통신연구원 환자 정보 기반의 복약 관리 장치 및 방법
KR20190105163A (ko) 2018-02-21 2019-09-16 주식회사 삼육오엠씨네트웍스 인공지능 기반의 환자상태 예측 장치 및 이를 이용한 환자상태 예측 방법
KR20190106004A (ko) * 2018-03-07 2019-09-18 연세대학교 산학협력단 사망 위험도의 예측 방법 및 이를 이용한 사망 위험도의 예측 디바이스
WO2019212262A1 (ko) * 2018-05-02 2019-11-07 차의과학대학교 산학협력단 코호트 데이터의 혼란변수에 따른 계층화 및 질병 간 발생 시간이 고려된 질병 네트워크 구축 방법, 그 시각화 방법 및 이를 기록한 컴퓨터 판독 가능한 기록매체
KR101964733B1 (ko) * 2018-08-09 2019-04-02 주식회사 아롬정보기술 블록체인 및 인공지능 기반의 개인 맞춤형 건강 관리 시스템 및 이를 이용한 블록체인 및 인공지능 기반의 개인 맞춤형 건강 관리 서비스 제공 방법
WO2020071678A3 (ko) * 2018-10-02 2020-05-28 한림대학교 산학협력단 실시간으로 획득되는 위 내시경 이미지를 기반으로 위 병변을 진단하는 내시경 장치 및 방법
WO2020071677A1 (ko) * 2018-10-02 2020-04-09 한림대학교 산학협력단 위 내시경 이미지의 딥러닝을 이용하여 위 병변을 진단하는 장치 및 방법
KR20200061968A (ko) * 2018-11-26 2020-06-03 한국전자통신연구원 시계열 데이터 처리 장치 및 이의 동작 방법
KR20200069212A (ko) * 2018-12-06 2020-06-16 한국전자통신연구원 예측 장치들로부터 수신된 데이터를 앙상블하는 장치 및 이의 동작 방법
US11941513B2 (en) 2018-12-06 2024-03-26 Electronics And Telecommunications Research Institute Device for ensembling data received from prediction devices and operating method thereof
WO2020231007A3 (ko) * 2019-05-13 2021-01-07 (주)비주얼터미놀로지 의료기계 학습 시스템
KR20210112274A (ko) * 2019-07-12 2021-09-14 동국대학교 산학협력단 사용자의 건강상태 모니터링 시스템 및 이의 분석 방법
KR20210069931A (ko) * 2019-12-04 2021-06-14 한국정보공학 주식회사 인공 지능을 이용한 질병 분석 및 예측 방법
KR102285597B1 (ko) * 2020-11-02 2021-08-05 유종근 웨어러블 단말 및 이를 이용한 간호지원 시스템
KR102342770B1 (ko) * 2021-03-30 2021-12-23 주식회사 라이프시맨틱스 질병 예측치의 분포를 이용한 건강관리 상담 시스템
WO2022211385A1 (ko) * 2021-03-30 2022-10-06 주식회사 라이프시맨틱스 질병 예측치의 분포를 이용한 건강관리 상담 시스템

Also Published As

Publication number Publication date
US20170147777A1 (en) 2017-05-25

Similar Documents

Publication Publication Date Title
KR20170061222A (ko) 건강데이터 패턴의 일반화를 통한 건강수치 예측 방법 및 그 장치
Sun et al. Diagnosis and analysis of diabetic retinopathy based on electronic health records
JP2021511584A (ja) 確率分布をモデル化するためのシステムおよび方法
JP2018067303A (ja) 診断支援方法、プログラム、及び装置
US11205516B2 (en) Machine learning systems and methods for assessing medical interventions for utilization review
Xu et al. Individualized prediction of depressive disorder in the elderly: a multitask deep learning approach
CN115497616B (zh) 一种感染性疾病辅助决策的方法、系统、设备及存储介质
Liu et al. Noninvasive evaluation of mental stress using by a refined rough set technique based on biomedical signals
US20220172841A1 (en) Methods of identifying individuals at risk of developing a specific chronic disease
CN115602325A (zh) 一种基于多模型算法的慢性病风险评估方法及其系统
Alkhodari et al. Screening cardiovascular autonomic neuropathy in diabetic patients with microvascular complications using machine learning: a 24-hour heart rate variability study
Al-Taie et al. Analysis of WEKA data mining algorithms Bayes net, random forest, MLP and SMO for heart disease prediction system: A case study in Iraq
WO2016006042A1 (ja) データ分析装置、データ分析装置の制御方法、およびデータ分析装置の制御プログラム
Mortensen et al. Multi-class stress detection through heart rate variability: A deep neural network based study
KR102342770B1 (ko) 질병 예측치의 분포를 이용한 건강관리 상담 시스템
WO2023217737A1 (en) Health data enrichment for improved medical diagnostics
CN116434979A (zh) 生理状态云监测方法、监测系统及储存介质
KR20190104713A (ko) 자가 적응형 의료 데이터 분석 장치 및 방법
CN114550896A (zh) 基于人工神经网络的头晕患者急诊预检分诊决策方法、装置及模型
JP2024513618A (ja) 感染症及び敗血症の個別化された予測のための方法及びシステム
Saju et al. Heart Disease Prediction Model using Machine Learning
Ismail et al. A Comparative Study of Diabetes Classification Based on Machine Learning
Chowdary et al. Multiple Disease Prediction by Applying Machine Learning and Deep Learning Algorithms
Kannagi et al. Logical Mining Assisted Heart Disease Prediction Scheme in Association with Deep Learning Principles
Jindal et al. Design and Development of Cardiovascular Disease Prediction System Using Voting Classifier

Legal Events

Date Code Title Description
A201 Request for examination
E902 Notification of reason for refusal
AMND Amendment
E601 Decision to refuse application
AMND Amendment