KR20180036229A - 질병에 대한 발병 확률 예측 방법 및 장치 - Google Patents
질병에 대한 발병 확률 예측 방법 및 장치 Download PDFInfo
- Publication number
- KR20180036229A KR20180036229A KR1020160126565A KR20160126565A KR20180036229A KR 20180036229 A KR20180036229 A KR 20180036229A KR 1020160126565 A KR1020160126565 A KR 1020160126565A KR 20160126565 A KR20160126565 A KR 20160126565A KR 20180036229 A KR20180036229 A KR 20180036229A
- Authority
- KR
- South Korea
- Prior art keywords
- probability
- health
- data
- disease
- onset
- Prior art date
Links
Images
Classifications
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/50—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
-
- G06F19/32—
-
- 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
- G16H10/00—ICT specially adapted for the handling or processing of patient-related medical or healthcare data
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/30—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for calculating health indices; for individual health risk assessment
Abstract
본 발명은 질병에 대한 발병 확률 예측하는 방법 및 장치에 관한 발명이며, 본 발명의 일 실시예에 따른 질병에 대한 발병 확률 예측 방법은 제1 단말기를 통해 복수의 항목에 대한 사용자의 건강 데이터를 수신하는 단계, 건강 데이터를 기초로 딥러닝을 통해 학습된 질병 예측 모델을 이용하여 질병에 대한 발병 확률을 산출하는 단계 및 발병 확률을 저장부에 저장하는 단계를 포함하고, 질병에 대한 발병 확률을 산출하여 의료 기관 또는 보험사로부터 건강 소견을 수신하여, 건강 소견에 따라 보험 가입 적합성을 결정함으로써, 객관적으로 보험 가입 적합성을 판단할 수 있는 질병에 대한 발병 확률 예측 방법 및 장치를 제공할 수 있는 효과가 있다.
Description
본 발명은 질병에 대한 발병 확률을 예측하는 방법 및 장치에 관한 것으로서, 보다 상세하게는 딥러닝을 통해 학습된 질병 예측 모델을 이용하여 질병에 대한 발병 확률을 산출하여 제공하는 질병 발병에 대한 확률 예측 방법 및 장치에 관한 것이다.
최근 신체에 해로운 인스턴트 음식 또는 패스트 푸드의 섭취 증가, 활동량 부족, 과도한 업무 등으로 인한 질환 발병 확률이 크게 증가하고 있다. 특히, 고혈압, 허혈성 심장 질환, 관상 동맥 질환, 동맥 경화증 등의 심혈관 질환에 대한 발병이 급증하고 있다.
심혈관 질환은 코피, 두통, 현기증과 같은 증상을 나타내어 쉽게 예측하기 어려우며, 증상을 방치할 경우, 복잡한 수술 절차를 거치거나 심하게는 사망에 이를수도 있다. 하지만, 심혈관 질환의 증상은 일상에서도 쉽게 접할 수 있으며, 가볍게 넘기는 경우가 많아 전문적인 검사를 받지 않는 이상 심혈관 질환이 발병하였는지에 대한 여부를 인식하기에는 어려움이 존재한다.
따라서, 보다 정확하게 심혈관 질병에 대한 발병 확률을 제공할 수 있는 방법에 대한 개발이 요구된다. 또한 심혈관 질병에 대한 발병 확률에 대한 예측을 보다 쉽고 빠르게 획득하여 필요한 이들에게 제공할 수 있는 시스템에 대한 요구도 점차 증가되가고 있다.
[관련기술문헌]
치주질환 예측 시스템 및 이를 이용한 치주질환 예측 방법 (공개특허 10-2016-0083502호)
본 발명이 해결하고자 하는 과제는 질병에 대한 발병 확률을 산출하고 의료 기관 또는 보험사로부터 건강 소견을 수신하여, 건강 소견에 따라 보험 가입 적합성을 결정함으로써, 객관적으로 보험 가입 적합성을 판단할 수 있는 질병에 대한 발병 확률 예측 방법 및 장치를 제공하는 것이다.
본 발명이 해결하고자 하는 다른 과제는 과거에 입력된 건강 데이터를 수신하여 사용자가 현재 변경된 건강 데이터만 입력함으로써, 사용자가 보다 용이하고 정확하게 입력할 수 있으며, 이에 따라 보다 정확한 질병에 대한 발병 확률을 예측할 수 있는 방법 및 장치를 제공하는 것이다.
발명의 과제들은 이상에서 언급한 과제들로 제한되지 않으며, 언급되지 않은 또 다른 과제들은 아래의 기재로부터 당업자에게 명확하게 이해될 수 있을 것이다.
전술한 바와 같은 과제를 해결하기 위하여 본 발명의 일 실시예에 따른 질병에 대한 발병 확률 예측 방법은 제1 단말기를 통해 복수의 항목에 대한 사용자의 건강 데이터를 수신하는 단계, 건강 데이터를 기초로 딥러닝을 통해 학습된 질병 예측 모델을 이용하여 질병에 대한 발병 확률을 산출하는 단계 및 발병 확률을 저장부에 저장하는 단계를 포함한다.
본 발명의 다른 특징에 따르면, 질병에 대한 발병 확률 예측 방법은 발병 확률을 제2 단말기에 제공하는 단계를 더 포함할 수 있다.
본 발명의 다른 특징에 따르면, 질병에 대한 발병 확률 예측 방법은 제2 단말기로부터 발병 확률을 기초로 결정된 사용자에 대한 건강 소견을 수신하는 단계 및 건강 소견에 따라 보험 가입 적합성을 결정하는 단계를 더 포함할 수 있다.
본 발명의 다른 특징에 따르면, 기본 건강 정보를 수신하는 단계는, 사용자의 생체 정보를 인식할 수 있는 웨어러블 장치로부터 수신하는 단계일 수 있다.
본 발명의 다른 특징에 따르면, 질병 예측 모델은,건강 검진 데이터, 문진 항목 데이터 및 진료 기록 데이터를 기초로 딥러닝을 통해 구현될 수 있다.
본 발명의 또 다른 특징에 따르면, 질병에 대한 발병 확률 예측 방법은 질병 예측 모델을 통해 현재 시점에서의 발병 확률 및 미리 결정된 시점에서의 발병 확률을 산출하는 단계를 더 포함일 수 있다.
본 발명의 또 다른 특징에 따르면, 질병에 대한 발병 확률 예측 방법은 현재 시점에서의 발병 확률 및 미리 결정된 시점에서의 발병 확률을 기초로 상기 사용자의 건강에 대한 정보를 인구 대비 건강 등수, 백분위 및 점수 중 적어도 하나로 저장하는 단계를 더 포함한다.
본 발명의 또 다른 특징에 따르면, 질병에 대한 발병 확률 예측 방법은 항목 중 미수신된 건강 데이터가 존재하는 경우, 사용자에 대한 과거 건강 검진 데이터, 과거 문진 항목 데이터 및 과거 진료 기록 데이터 중 적어도 하나를 수신하는 단계 및 과거 건강 검진 데이터, 과거 문진 항목 데이터 및 과거 진료 기록 데이터 중 적어도 하나를 기초로 미수신된 건강 데이터를 입력하는 단계를 더 포함할 수 있다.
본 발명의 또 다른 특징에 따르면, 질병에 대한 발병 확률 예측 방법은 항목 및 항목에 대한 건강 데이터를 입력하기 위한 복수의 박스를 제공하는 단계, 과거에 입력된 건강 데이터를 박스에 불러오기 위한 버튼을 제공하는 단계, 버튼에 대한 선택 신호를 수신하는 단계, 과거에 입력된 건강 데이터를 데이터베이스로부터 수신하는 단계 및 과거에 입력된 건강 데이터를 복수의 박스 중 적어도 하나에 수정 가능하도록 입력하는 단계를 더 포함할 수 있다.
본 발명의 또 다른 특징에 따르면, 발병 확률을 제2 단말기에 제공하는 단계는, 발병 확률 및 발병 확률을 고려한 인자들을 함께 제공하는 단계 및 발병 확률에 영향을 준 정도에 따라 인자들에 각각 상이하게 시각적 효과를 제공하는 단계를 더 포함할 수 있다.
본 발명의 또 다른 특징에 따르면, 질병은 심혈관 질환일 수 있다.
전술한 바와 같은 과제를 해결하기 위하여 본 발명의 일 실시예에 따른 질병에 대한 발병 확률 예측 방법은 제1 단말기를 통해 복수의 항목에 대한 사용자의 건강 데이터를 수신하는 단계, 건강 데이터를 기초로 딥러닝을 통해 학습된 질병 예측 모델을 이용하여 질병에 대한 발병 확률을 산출하는 단계, 발병 확률을 저장부에 저장하는 단계, 발병 확률 및 발병 확률을 고려한 인자들을 함께 제공하는 단계 및 발병 확률에 영향을 준 정도에 따라 인자들에 각각 상이하게 시각적 효과를 제공하는 단계를 포함한다.
전술한 바와 같은 과제를 해결하기 위하여 본 발명의 일 실시예에 따른 질병에 대한 발병 확률 예측 장치는 제1 단말기를 통해 복수의 항목에 대한 사용자의 건강 데이터를 수신하는 통신부, 건강 데이터를 기초로 딥러닝을 통해 학습된 질병 예측 모델을 이용하여 질병에 대한 발병 확률을 산출하는 프로세서 및 건강 데이터 및 발병 확률을 저장하는 저장부를 포함한다.
본 발명의 다른 특징에 따르면, 통신부는, 제2 단말기로부터 발병 확률을 기초로 결정된 사용자에 대한 건강 소견을 수신하고, 프로세서는, 건강 소견에 따라 보험 가입 적합성을 결정할 수 있다.
본 발명의 또 다른 특징에 따르면, 통신부는, 항목 및 항목에 대한 건강 데이터를 입력하기 위한 복수의 박스를 제공하고, 과거에 입력된 건강 데이터를 박스에 불러오기 위한 버튼을 제공하고, 버튼에 대한 선택 신호를 수신하고, 과거에 입력된 건강 데이터를 데이터베이스로부터 수신하고, 프로세서는, 과거에 입력된 건강 데이터를 복수의 박스 중 적어도 하나에 수정 가능하도록 입력할 수 있다.
본 발명의 또 다른 특징에 따르면, 항목 중 미수신된 건강 데이터가 존재하는 경우, 통신부는, 사용자에 대한 과거 건강 검진 데이터, 과거 문진 항목 데이터 및 과거 진료 기록 데이터 중 적어도 하나를 수신하고, 프로세서는, 과거 건강 검진 데이터, 과거 문진 항목 데이터 및 과거 진료 기록 데이터 중 적어도 하나를 기초로 미수신된 건강 데이터를 입력할 수 있다.
기타 실시예의 구체적인 사항들은 상세한 설명 및 도면들에 포함되어 있다.
본 발명은 질병에 대한 발병 확률을 산출하고 의료 기관 또는 보험사로부터 건강 소견을 수신하여, 건강 소견에 따라 보험 가입 적합성을 결정함으로써, 객관적으로 보험 가입 적합성을 판단할 수 있는 질병에 대한 발병 확률 예측 방법 및 장치를 제공할 수 있는 효과가 있다.
본 발명은 과거에 입력된 건강 데이터를 수신하여 사용자가 현재 변경된 건강 데이터만 입력함으로써, 사용자가 보다 용이하고 정확하게 입력할 수 있으며, 이에 따라 보다 정확한 질병에 대한 발병 확률을 예측할 수 있는 방법 및 장치를 제공할 수 있는 효과가 있다.
본 발명에 따른 효과는 이상에서 예시된 내용에 의해 제한되지 않으며, 더욱 다양한 효과들이 본 명세서 내에 포함되어 있다.
도 1은 본 발명의 일 실시예에 따른 발병 예측 서버, 제1 단말기 및 제2 단말기의 관계를 설명하기 위한 개략도이다.
도 2는 본 발명의 일 실시예에 따른 발병 예측 서버의 개략적인 구성을 도시한 블록도이다.
도 3은 본 발명의 일 실시예에 따른 질병에 대한 발병 확률 예측 방법에 따라 질병 발병 확률 예측 절차를 도시한 순서도이다.
도 4는 본 발명의 다른 실시예에 따라 건강 데이터에 대한 입력 화면을 도시한 것이다.
도 5는 본 발명의 일 실시예에 따라 질병 발병 확률을 제공하는 화면을 도시한 것이다.
도 6a 내지 도 6b는 건강 소견 및 보험 가입 적합성을 제공하는 화면을 도시한 것이다.
도 2는 본 발명의 일 실시예에 따른 발병 예측 서버의 개략적인 구성을 도시한 블록도이다.
도 3은 본 발명의 일 실시예에 따른 질병에 대한 발병 확률 예측 방법에 따라 질병 발병 확률 예측 절차를 도시한 순서도이다.
도 4는 본 발명의 다른 실시예에 따라 건강 데이터에 대한 입력 화면을 도시한 것이다.
도 5는 본 발명의 일 실시예에 따라 질병 발병 확률을 제공하는 화면을 도시한 것이다.
도 6a 내지 도 6b는 건강 소견 및 보험 가입 적합성을 제공하는 화면을 도시한 것이다.
본 발명의 이점 및 특징, 그리고 그것들을 달성하는 방법은 첨부되는 도면과 함께 상세하게 후술되어 있는 실시예들을 참조하면 명확해질 것이다. 그러나 본 발명은 이하에서 개시되는 실시예들에 한정되는 것이 아니라 서로 다른 다양한 형태로 구현될 것이며, 단지 본 실시예들은 본 발명의 개시가 완전하도록 하며, 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자에게 발명의 범주를 완전하게 알려주기 위해 제공되는 것이며, 본 발명은 청구항의 범주에 의해 정의될 뿐이다.
본 발명의 실시예를 설명하기 위한 도면에 개시된 형상, 크기, 비율, 각도, 개수 등은 예시적인 것이므로 본 발명이 도시된 사항에 한정되는 것은 아니다. 또한, 본 발명을 설명함에 있어서, 관련된 공지 기술에 대한 구체적인 설명이 본 발명의 요지를 불필요하게 흐릴 수 있다고 판단되는 경우 그 상세한 설명은 생략한다. 본 명세서 상에서 언급된 '포함한다', '갖는다', '이루어진다' 등이 사용되는 경우, '~만'이 사용되지 않는 이상 다른 부분이 추가될 수 있다. 구성요소를 단수로 표현한 경우에 특별히 명시적인 기재 사항이 없는 한 복수를 포함하는 경우를 포함한다.
구성요소를 해석함에 있어서, 별도의 명시적 기재가 없더라도 오차 범위를 포함하는 것으로 해석한다.
비록 제1, 제2 등이 다양한 구성요소들을 서술하기 위해서 사용되나, 이들 구성요소들은 이들 용어에 의해 제한되지 않는다. 이들 용어들은 단지 하나의 구성요소를 다른 구성요소와 구별하기 위하여 사용하는 것이다. 따라서, 이하에서 언급되는 제1 구성요소는 본 발명의 기술적 사상 내에서 제2 구성요소일 수도 있다.
별도로 명시하지 않는 한 명세서 전체에 걸쳐 동일 참조 부호는 동일 구성 요소를 지칭한다.
본 발명의 여러 실시예들의 각각 특징들이 부분적으로 또는 전체적으로 서로 결합 또는 조합 가능하며, 당업자가 충분히 이해할 수 있듯이 기술적으로 다양한 연동 및 구동이 가능하며, 각 실시예들이 서로에 대하여 독립적으로 실시 가능할 수도 있고 연관 관계로 함께 실시 가능할 수도 있다.
도 1은 본 발명의 일 실시예에 따른 발병 예측 서버, 제1 단말기 및 제2 단말기의 관계를 설명하기 위한 개략도이다.
도 1을 참조하면, 질병 발병 확률 제공 시스템 (1000) 은 사용자로부터 건강 데이터를 수신하여 질병에 대한 발병 확률을 산출하고, 산출한 질병에 대한 발병 확률을 사용자, 의료 기관 또는 보험사 중 적어도 하나에 제공하는 시스템이다. 이 때, 질병 발병 확률 제공 시스템 (1000) 은 제1 단말기 (100), 발병 예측 서버 (200) 및 제2 단말기 (300) 를 포함한다.
제1 단말기 (100) 는 사용자가 이용하는 단말기로써, 건강 데이터를 제공하는 단말기이다. 또한, 제1 단말기 (100) 는 발병 예측 서버 (200) 로부터 질병에 대한 발병 확률을 제공받을 수 있다. 이 때, 제1 단말기 (100) 는 다양한 전자 장치를 포함한다. 예를 들어, 제1 단말기 (100) 는 데스크탑, 랩탑, 태블릿 PC, 스마트 폰 또는 웨어러블 장치 등일 수 있으나, 이에 제한되지 않는다. 이 때, 웨어러블 장치는 제1 단말기 (100) 에 추가적으로 포함될 수 있으며, 사용자의 생체 정보를 인식할 수 있는 단말, 시계, 팔찌 등일 수 있다.
발병 예측 서버 (200) 는 제1 단말기 (100) 로부터 수신한 건강 데이터를 기초로 질병에 대한 발병 확률을 산출한다. 또한, 발병 예측 서버 (200) 는 산출한 질병에 대한 발병 확률을 제2 단말기 (300) 에 제공한다. 더 나아가, 발병 예측 서버 (200) 는 제2 단말기 (300) 로부터 질병에 대한 발병 확률을 기초로 결정된 건강 소견을 수신하여, 보험 가입 적합성을 결정할 수도 있다. 여기서, 발병 예측 서버 (200) 는 서버의 형태로 구현될 수 있고, 예를 들어, 코로케이션 서버 (Co-location Server), 클라우드 서버 등일 수 있으나, 이에 제한되지는 않는다.
제2 단말기 (300) 는 의료 기관의 단말기 또는 보험사의 단말기로서, 발병 예측 서버 (200) 로부터 사용자의 질병에 대한 발병 확률을 수신한다. 더 나아가, 제2 단말기 (300) 는 수신한 발병 확률을 기초로 사용자에 대한 건강 소견을 결정하여 발병 예측 서버 (200) 에 제공한다. 제2 단말기 (300) 는 다양한 전자 장치일 수 있고, 제1 단말기 (100) 와 동일한 전자 장치일 수도 있다. 예를 들어, 제2 단말기 (300) 는 데스크탑, 랩탑, 태블릿 PC, 스마트 폰, 코로케이션 서버, 클라우드 서버 등일 수 있으나, 이에 제한되지 않는다.
도 1에서는 설명의 편의를 위해 제1 단말기 (100) 와 제2 단말기 (300) 가 1개인 것으로 도시되었으나, 이에 제한되지 않고, 복수의 제1 단말기 (100) 와 복수의 제2 단말기 (300) 가 발병 예측 서버 (200) 와 통신할 수 있다.
이하에서는, 발병 예측 서버 (200) 및 발병 예측 서버 (200) 에서의 질병에 대한 발병 확률 예측 방법에 대한 보다 상세한 설명을 위해 도 2를 함께 참조한다.
도 2는 본 발명의 일 실시예에 따른 발병 예측 서버의 개략적인 구성을 도시한 블록도이다. 설명의 편의를 위해 도 1을 참조하여 설명한다.
도 2를 참조하면, 발병 예측 서버 (200) 는 통신부 (210), 프로세서 (220) 및 저장부 (230) 를 포함한다.
발병 예측 서버 (200) 의 통신부 (210) 는 제1 단말기 (100) 및 제2 단말기 (300) 로부터 각종 데이터 및 신호를 수신한다. 구체적으로, 통신부 (210) 는 제1 단말기 (100) 로부터 건강 데이터를 수신한다. 여기서, 건강 데이터란, 사용자의 건강을 나타내는 기본적인 데이터로서, 키, 몸무게, 허리둘레, 혈액 검사 데이터 등을 포함한다. 또한, 통신부 (210) 는 질병에 대한 발병 확률을 제1 단말기 (100) 및 제2 단말기 (200) 에 제공한다. 여기서, 질병에 대한 발병 확률이란, 건강 데이터를 기초로 심혈관 질환 관련 질병이 사용자에게 발병할 확률이 몇 퍼센트인지에 대해 나타낸 수치값이다. 더 나아가, 통신부 (210) 는 제2 단말기 (300) 로부터 질병에 대한 발병 확률을 기초로 결정된 건강 소견을 수신할 수 있다. 건강 소견이란, 질병에 대한 발병 확률을 토대로 사용자의 건강이 어떠한 상태인지에 대한 텍스트 또는 점수 형태의 코멘트일 수 있다.
발병 예측 서버 (200) 의 프로세서 (220) 는 각종 데이터를 연산 처리한다. 구체적으로, 프로세서 (220) 는 제1 단말기 (100) 가 제공한 건강 데이터를 기초로 딥러닝을 통해 학습된 질병 예측 모델을 이용하여 질병에 대한 발병 확률을 산출한다. 또한, 프로세서 (220) 는 제2 단말기 (300) 가 제공한 건강 소견에 따라 보험 가입 적합성을 결정할 수 있다. 여기서, 보험 가입 적합성이란, 사용자가 보험을 가입하기에 적합한지에 대해 산출한 수치값이다. 보험 가입 적합성은 사용자가 이용하는 제1 단말기 (100) 및 보험사가 이용하는 제2 단말기 (300) 에 제공될 수 있다.
발병 예측 서버 (200) 의 저장부 (230) 는 프로세서 (220) 가 연산 처리한 데이터를 저장한다. 구체적으로, 저장부 (230) 는 질병에 대한 발병 확률 및 보험 가입 적합성을 저장한다. 또한, 저장부 (230) 는 제1 단말기 (100) 및 제2 단말기 (200) 로부터 수신한 데이터를 저장할 수도 있다. 구체적으로, 저장부 (230) 는 제1 단말기 (100) 로부터 수신한 건강 데이터 및 제2 단말기 (200) 로부터 수신한 건강 소견을 저장할 수 있다.
이하에서는 발병 예측 서버 (200) 에서의 발병 확률 예측 방법에 대한 보다 상세한 설명을 위해 도 3을 함께 참조한다.
도 3은 본 발명의 일 실시예에 따른 질병에 대한 발병 확률 예측 방법에 따라 질병 발병 확률 예측 절차를 도시한 순서도이다. 설명의 편의를 위해 도 1 및 도 2의 구성 요소들과 도면 부호를 참조하여 설명한다.
발병 예측 서버 (200) 의 통신부 (210) 는 제1 단말기 (100) 를 통해 복수의 항목에 대한 사용자의 건강 데이터를 수신한다 (S310).
여기서, 복수의 항목이란, 혈액형, 키, 몸무게, BMI, 허리둘레, 혈압 및 콜레스테롤 수치를 포함한 혈액 검사 데이터 등에 대한 항목이다. 따라서, 통신부 (210) 는 제1 단말기 (100) 를 통해 입력된 복수의 항목에 대한 사용자의 건강 데이터를 수신한다.
이어서, 발병 예측 서버 (200) 의 프로세서 (220) 는 건강 데이터를 기초로 딥러닝을 통해 학습된 질병 예측 모델을 이용하여 질병에 대한 발병 확률을 산출한다 (S320).
이 때, 질병 예측 모델은 제한되지 않는 다양한 데이터베이스에서 획득한 건강 검진 데이터, 문진 항목 데이터 및 진료 기록 데이터를 기초로 딥러닝을 통해 구현된다. 데이터베이스는 또한 의료보험공단으로부터의 데이터베이스일 수 있다. 또한, 건강 검진 데이터란, 의료 기관을 통해 측정한 건강 데이터일 수 있다. 또한, 문진 항목 데이터란, 질환력, 흡연, 음주, 운동량에 대한 데이터일 수 있다. 또한, 진료 기록 데이터는, 의료 기관을 통해 진료받은 질환에 대한 데이터일 수 있다. 프로세서 (220) 는 사용자의 다양한 종류의 건강 데이터를 고려한 질병 예측 모델을 이용함으로써, 질병에 대한 발병 확률에 대한 정확도를 높일 수 있다.
또한, 다른 실시예에서, 프로세서 (220) 는 질병 예측 모델을 통해 현재 시점에서의 발병 확률 및 미리 결정된 시점에서의 발병 확률을 산출할 수 있다. 예를 들어, 미리 결정된 시점은 현재 시점을 기준으로 미래의 시점 또는 과거의 시점일 수 있다. 더 나아가, 프로세서 (220) 는 현재 시점에서의 발병 확률 및 미리 결정된 시점에서의 발병 확률을 기초로 사용자의 건강에 대한 정보를 인구 대비 건강 등수, 백분위 및 점수 중 적어도 하나로 산출할 수 있다. 여기서, 인구 대비 건강 등수 및 백분위란, 사용자의 건강 상태가 인구 대비 몇 등인지 또는 인구 대비 백분위를 기준으로 몇 퍼센트에 위치하는지 나타내는 수치값일 수 있다. 또한, 점수는 예를 들어 100점 만점으로 사용자의 건강 상태에 대한 점수를 나타내는 수치값일 수 있다.
이어서, 발병 예측 서버 (200) 의 저장부 (230) 는 발병 확률을 저장한다 (S330).
이 때, 통신부 (210) 는 저장한 발병 확률을 의료 기관 또는 보험사가 이용하는 제2 단말기 (300) 에 제공할 수 있다. 또한, 통신부 (210) 는 발병 확률을 사용자인 제1 단말기 (100) 에 제공할 수도 있다. 이 때, 통신부 (210) 는 발병 확률을 고려한 인자들을 함께 제공할 수 있다. 여기서, 발병 확률을 고려한 인자들이란, 발병 확률을 높이는 요소인 콜레스테롤, 혈압, 체지방 등을 의미할 수 있다. 발명 확률을 고려한 인자들은 질병 예측 모델에 의해 결정된 인자들일 수 있다. 즉, 제공되는 인자들은 질병 예측 모델에서 발병 확률에 주요한 영향을 준 것으로 판단된 인자들일 수 있으며, 더 나아가, 통신부 (210) 는 이러한 인자들을 발병 확률에 영향을 준 정도에 따라 각각의 인자들에 상이하게 시각적 효과를 제공할 수 있다. 예를 들어, 발병 확률에 영향을 준 것으로 판단되는 인자들 중 가장 높은 영향을 준 인자에 빨간색, 중간 영향을 준 인자에 노란색, 영향을 다소 주지 않은 인자에 초록색으로 각각 상이하게 시각적 효과를 제공할 수 있다.
이어서, 통신부 (210) 는 제2 단말기 (300) 로부터 발병 확률을 기초로 결정된 사용자에 대한 건강 소견을 수신한다 (S340).
즉, 통신부 (210) 는 보험사 또는 의료 기관에서 발병 확률을 기초로 결정한 사용자에 대한 건강 소견을 수신한다. 이 때, 건강 소견은 텍스트 또는 점수를 포함한다. 더 나아가, 프로세서 (230) 는 건강 소견에 대한 텍스트를 자연어 처리하여, 텍스트에 긍정적인 단어 또는 부정적인 단어가 포함되어 있는지 인식할 수 있다. 따라서, 통신부 (210) 는 건강 소견이 긍정적인 내용인지 부정적인 내용인지에 대한 여부를 제2 단말기 (300) 에 제공할 수 있다. 구체적인 건강 소견을 제공하는 실시예는 도 6a를 참조하여 후술한다.
이어서, 프로세서 (220) 는 건강 소견에 따라 보험 가입 적합성을 결정한다 (S350).
프로세서 (220) 는 건강 소견에 따라 보험 가입 적합성을 수치값으로 결정할 수 있다. 구체적으로, 프로세서 (220) 는 건강 소견에 따라 사용자가 질병에 대한 발병 확률이 적어 보험 가입이 적합할수록 높은 수치값으로 결정할 수 있다. 이 때, 프로세서 (220) 가 결정한 보험 가입 적합성은 제1 단말기 (100) 및 제2 단말기 (300) 에 제공될 수 있다. 구체적인 보험 가입 적합성을 제공하는 실시예는 도 6b를 참조하여 후술한다.
한편, 또 다른 실시예에서, 건강 데이터의 항목 중 미수신된 건강 데이터가 존재하는 경우, 통신부 (210) 는 제2 단말기 (300) 또는 의료 기관, 의료보험 기관의 데이터베이스로부터 사용자에 대한 과거 건강 검진 데이터, 과거 문진 항목 데이터 및 과거 진료 기록 데이터 중 적어도 하나를 수신한다. 미수신된 건강 데이터가 수신된 기관들의 데이터들에서 검색된 경우 검색된 데이터로 채워질 수 있으며, 검색되지 않는 경우 사용자의 나이에 따른 평균값이 미수신된 데이터로 이용될 수 있다. 다양한 실시예에서, 프로세서 (220) 는 수신된 과거 건강 검진 데이터, 과거 문진 항목 데이터 및 과거 진료 기록 데이터 중 적어도 하나를 기초로 건강 데이터를 시계열적으로 분류하고 입력한다. 예를 들어, 프로세서 (220) 는 과거 건강 검진 데이터, 과거 문진 항목 데이터 및 과거 진료 기록 데이터 중 적어도 하나를 2010년, 2012년, 2014년에 대해 분류하여 입력시킬 수 있다. 즉, 프로세서 (220) 는 분류한 과거 건강 검진 데이터, 과거 문진 항목 데이터 및 과거 진료 기록 데이터 중 적어도 하나를 기초로 사용자에 대한 과거 건강 데이터를 생성할 수 있다. 또한, 미입력된 항목들에 대해서는 사용자의 나이에 따른 평균값을 미수신된 건강 데이터에 대응하는 항목에 입력시킬 수 있다. 또한, 사용자의 과거의 건강 데이터를 기초로 산출한 평균값을 미수신된 건강 데이터에 대응하는 항목에 입력시킬 수도 있으며, 나이가 늘어감에 따라 과거 건강 데이터에서 나이에 따른 가중치를 부여하여 미수신된 건강 데이터를 생성하여 입력시킬 수도 있다. 사용자가 미입력한 데이터가 있는 경우에도 다양한 데이터베이스의 값들을 이용하거나 현재의 예측되는 값을 이용하여 질병에 대한 발병 확률에 대한 정확성을 높일 수 있다.
다양한 실시예에서, 항목 및 항목에 대한 건강 데이터를 입력하기 위한 복수의 박스가 제공된다. 이 때, 과거에 입력된 건강 데이터를 박스에 불러오기 위한 버튼가 제공된다. 건강 데이터를 박스에 불러오기 위한 버튼에 대한 선택 신호를 수신하는 경우, 통신부 (210) 는 제2 단말기 (300) 즉, 보험사 또는 의료 기관으로부터 과거에 입력된 건강 데이터를 수신한다. 따라서, 프로세서 (220) 는 과거에 입력된 건강 데이터를 수정 가능하도록 항목에 입력한다. 즉, 과거에 입력된 건강 데이터를 항목에 불러옴으로써, 사용자가 수정해야할 데이터만 수정하여 용이하고 정확한 데이터 입력을 유도할 수 있다. 구체적인 과거 건강 데이터를 박스에 불러오는 실시예는 도 4를 참조하여 후술한다.
이에 따라, 발병 예측 서버 (200) 는 과거에 입력된 건강 데이터를 수정 가능하도록 항목에 입력함으로써, 사용자가 보다 용이하고 정확하게 건강 데이터를 입력할 수 있도록 한다. 따라서, 발병 예측 서버 (200) 는 보다 정확하게 입력된 건강 데이터를 기초로 정확도가 높은 질병에 대한 발병 확률을 산출할 수 있다.
도 4는 본 발명의 다른 실시예에 따라 건강 데이터에 대한 입력 화면을 도시한 것이다.
도 4를 참조하면, 제1 단말기 (100) 는 표시부 (110) 를 포함할 수 있다. 제1 단말기 (100) 에 포함된 표시부 (110) 는 LCD, LED, OLED, PDP, FED 등일 수 있으나, 이에 제한되지 않는다.
도 4를 참조하면, 표시부 (110) 는 건강 데이터 입력 화면을 표시한다. 건강 데이터 입력 화면은 키, 몸무게, 혈압, 허리둘레, BMI, 시력, 근육량 등에 대한 건강 데이터 항목 (410) 및 과거 데이터 불러오기 버튼 (420) 을 포함할 수 있다.
제1 단말기 (100) 는 건강 데이터 항목 (410) 을 통해 질병에 대한 발병 확률을 산출하기 위해 필요한 건강 데이터를 입력받는다. 구체적으로, 제1 단말기 (100) 는 키, 몸무게, 혈압, 허리둘레, BMI, 시력, 근육량, 체지방, 내장지방, 골격근량, 총 콜레스테롤, 트리글리세라이드, HDL 콜레스테롤 및 LDL 콜레스테롤 등 각각의 항목에 대응하는 건강 데이터를 입력받는다. 더 나아가, 제1 단말기 (100) 는 다양한 과거 시점에서의 건강 데이터를 입력받을 수 있다. 예를 들어, 도 4를 참조하면, 제1 단말기 (100) 는 2016년에 건강 데이터를 입력받는 경우에 과거의 2014년 및 2015년에 대한 건강 데이터를 입력받을 수 있다.
몇몇 실시예에서, 제1 단말기 (100) 는 과거 데이터 불러오기 버튼 (420) 에 대한 선택 신호를 입력받을 수도 있다. 과거 데이터 불러오기 버튼 (420) 에 대한 선택 신호에 따라 표시부 (110) 는 건강 데이터 항목 (410) 에 과거 건강 데이터를 표시할 수 있다. 즉, 표시부 (110) 는 과거에 사용자가 입력한 건강 데이터를 표시할 수 있다. 이 때, 사용자로부터 표시할 과거의 건강 데이터에 대해 해당하는 연도를 선택받을 수 있다. 또한, 과거 건강 데이터는 흐린 실선으로 표시된다. 즉, 표시부 (110) 에 표시된 과거 건강 데이터는 수정 가능 하도록 입력됨으로써, 사용자가 제1 단말기 (100) 를 통해 수정이 필요한 건강 데이터는 수정하여 입력할 수 있다. 수정을 통해 입력된 건강 데이터 항목 (410) 은 진한 실선으로 표시된다. 과거 건강 데이터는 발병 예측 서버 (200) 에 기저장된 데이터일 수도 있고, 발병 예측 서버 (200) 가 제2 단말기 (300) 또는 다른 다양한 데이터베이스로부터 수신한 데이터일 수도 있다. 2014년 및 2015년에 대한 건강 데이터도 마찬가지로 과거 데이터 불러오기 (420) 에 대한 선택 신호에 따라 표시부 (110) 를 통해 2014년 및 2015년에 해당하는 건강 데이터 항목에 과거 건강 데이터가 표시될 수 있다.
이에 따라, 발병 예측 서버 (200) 는 건강 데이터 항목에 대응하는 사용자의 과거 건강 데이터를 제공함으로써, 사용자가 과거와 비교하여 변동이 있는 데이터만 새로 입력하도록 하여 보다 편리하게 건강 데이터를 입력할 수 있도록 한다. 또한, 발병 예측 서버 (200) 는 사용자가 기억하지 못하여 공란이 될 수 있는 건강 데이터 항목에 사용자의 과거 건강 데이터를 제공함으로써, 건강 데이터를 기초로 산출하는 질병에 대한 발병 확률에 대한 정확성을 높일 수 있다.
도 5는 본 발명의 일 실시예에 따라 질병 발병 확률을 제공하는 화면을 도시한 것이다.
도 5를 참조하면, 제2 단말기 (300) 는 표시부 (310) 를 포함할 수 있다. 제2 단말기 (300) 에 포함된 표시부 (310) 는 LCD, LED, OLED, PDP, FED 등일 수 있으나, 이에 제한되지 않는다.
도 5를 참조하면, 표시부 (310) 는 질병 발병 확률 제공 화면을 표시한다. 질병 발병 확률 제공 화면은 년도별 질병 발병 확률 항목 (510), 심혈관 질환 발병 확률 항목 (520) 및 현재 사용자의 위치 항목 (530) 을 포함할 수 있다.
구체적으로, 표시부 (310) 는 시계열적으로 분류한 과거 건강 검진 데이터, 과거 문진 항목 데이터 및 과거 진료 기록 데이터를 기초로 산출된 년도별 질병 발병 확률 항목 (510) 을 표시한다. 예를 들어, 표시부 (310) 는 과거에 해당하는 2015년, 현재에 해당하는 2016년, 미래에 해당하는 2017년의 질병 발병 확률을 표시할 수 있다. 또한, 표시부 (310) 는 심혈관 질환의 종류에 따른 질환 발병 확률 즉, 심혈관 질환 발병 확률 항목 (520) 을 표시한다. 예를 들어, 표시부 (310) 는 고혈압, 협심증 및 동맥 경화증의 발병 확률이 각각 몇 퍼센트인지 표시할 수 있다. 또한, 표시부 (310) 는 산출한 질병 발병 확률에 따라 현재 사용자가 인구에 대비하여 질병이 발병할 확률이 몇 등에 속하는지, 백분위는 몇 퍼센트인지, 현재 사용자의 건강 상태를 기초로 환산한 점수는 몇 점인지에 대한 현재 사용자의 위치 항목 (530) 을 표시할 수 있다. 예를 들어, 표시부 (310) 는 현재 사용자의 위치에 대해 질환 발병 확률을 계산한 총 인구 238만명 중 190만등, 80% 및 90점에 해당한다고 표시할 수 있다. 더 나아가, 표시부 (310) 는 질병 발병 확률에 따른 년도별 사용자의 위치를 표시할 수도 있다.
이에 따라, 발병 예측 서버 (200) 는 사용자의 질병 발병 확률을 년도별, 심혈관 질환 종류별로 제공하고, 질병 발병 확률에 따른 사용자의 위치를 제공함으로써, 보다 상세한 질병 발병 정보를 인식할 수 있도록 하고, 보험사와 의료 기관이 보다 용이하게 건강 소견을 작성할 수 있도록 한다.
도 6a 내지 도 6b는 건강 소견 및 보험 가입 적합성을 제공하는 화면을 도시한 것이다.
도 6a를 참조하면, 표시부 (310) 는 건강 소견 제공 화면을 표시할 수 있다. 건강 소견 제공 화면은 질환별 발병 확률 항목 (610) 및 건강 소견 항목 (620) 을 포함할 수 있다.
구체적으로, 표시부 (310) 는 고혈압, 동맥 경화증, 뇌졸증, 뇌혈관 질환 등 각각의 질환에 따른 발병 확률인 질환별 발병 확률 항목 (610) 을 표시한다. 예를 들어, 표시부 (310) 는 고혈압이 발병할 확률이 80%, 동맥 경화증이 발병할 확률이 85%, 뇌혈관 질환이 발병할 확률이 95%라는 것을 표시할 수 있다. 또한, 표시부 (310) 는 발병 확률을 높이는 요소들에 대해서도 표시할 수 있다. 예를 들어, 표시부 (310) 는 혈압, 체지방, HDL 콜레스테롤 및 LDL 콜레스테롤에 대한 항목과 각각의 항목에 대한 수치값을 표시할 수 있다.. 이 때, 발병 확률에 영향을 준 정도에 따라 발병 확률을 높이는 요소들에는 각각 다른 시각적 효과가 제공될 수 있다. 즉, 표시부 (310) 는 발병 확률을 높이는 요소들에 왼쪽 방향의 사선 표시, 발병 확률에 평균적인 영향을 미치는 요소들에 오른쪽 방향의 사선 표시 및 발병 확률에 적은 영향을 미치는 요소들에 복수의 점을 표시할 수 있다. 또한, 표시부 (310) 는 질환별 발병 확률 항목 (610) 을 기초로 결정된 건강 소견 항목 (620) 을 표시한다. 건강 소견은 질환을 발병시키는 요인과 질환별 발병 확률을 참조하여 작성된 코멘트이다. 이 때, 건강 소견은 자연어 처리됨에 따라 표시부 (310) 는 자연어 처리되어 결정된 사용자의 건강 상태 대한 판단도 표시할 수 있다. 즉, 표시부 (310) 는 건강 소견이 긍정적인 내용인지 부정적인 내용인지에 대한 여부를 표시할 수도 있다. 또한, 표시부 (310) 는 건강 소견을 발병 예측 서버 (200) 로 전송하는 보내기 버튼 (630) 을 표시한다. 따라서, 보내기 버튼 (630) 에 대한 선택 신호를 수신한 경우, 건강 소견은 발병 예측 서버 (200) 로 전송된다.
도 6b를 참조하면, 표시부 (310) 는 보험 가입 적합성 제공 화면을 표시할 수 있다. 보험 가입 적합성 제공 화면은 질환별 발병 확률 항목 (610) 및 보험 가입 적합성 항목 (640) 을 포함할 수 있다. 구체적인 질환별 발병 확률 항목 (610) 을 포함한 보험 가입 적합성 제공 화면은 도 6a를 참조하여 설명한 내용과 동일하므로 설명은 생략한다.
구체적으로, 표시부 (310) 는 발병 예측 확률 서버 (200) 에서 건강 소견을 기초로 결정된 보험 가입 적합성 항목 (640) 을 표시한다. 보험 가입 적합성 항목 (640) 은 결정된 질병에 대한 발병 확률에 따라 작성된 건강 소견을 기초로 사용자가 보험 가입이 적합한지 여부에 대한 내용을 포함하는 코멘트이다. 더 나아가, 표시부 (310) 는 보험 가입 적합성에 대해 수치화한 점수도 표시할 수 있다.
이에 따라, 발병 예측 서버 (200) 는 질환별 발병 확률 뿐만 아니라 질환을 발병시키는 요인에 따른 질환 발병 확률을 제공함으로써, 사용자가 어떠한 질환에 대해 발병 확률이 높은지, 어떠한 요인이 질환을 발병시키고 확률은 얼마나 되는지에 대한 구체적인 질병 확률을 인식할 수 있도록 한다. 또한, 발병 예측 서버 (200) 는 건강 소견을 기초로 보험 가입 적합성을 제공함으로써, 보험사가 사용자의 보험 가입이 적합한지에 대해 객관적으로 판단하여 보험 가입에 따른 수익성을 보다 용이하게 계산할 수 있도록 한다.
본 명세서에서, 각 블록 또는 각 단계는 특정된 논리적 기능 (들) 을 실행하기 위한 하나 이상의 실행 가능한 인스트럭션들을 포함하는 모듈, 세그먼트 또는 코드의 일부를 나타낼 수 있다. 또한, 몇 가지 대체 실시예들에서는 블록들 또는 단계들에서 언급된 기능들이 순서를 벗어나서 발생하는 것도 가능함을 주목해야 한다. 예컨대, 잇달아 도시되어 있는 두 개의 블록들 또는 단계들은 사실 실질적으로 동시에 수행되는 것도 가능하고 또는 그 블록들 또는 단계들이 때때로 해당하는 기능에 따라 역순으로 수행되는 것도 가능하다.
본 명세서에 개시된 실시예들과 관련하여 설명된 방법 또는 알고리즘의 단계는 프로세서에 의해 실행되는 하드웨어, 소프트웨어 모듈 또는 그 2 개의 결합으로 직접 구현될 수도 있다. 소프트웨어 모듈은 RAM 메모리, 플래시 메모리, ROM 메모리, EPROM 메모리, EEPROM 메모리, 레지스터, 하드 디스크, 착탈형 디스크, CD-ROM 또는 당업계에 알려진 임의의 다른 형태의 저장 매체에 상주할 수도 있다. 예시적인 저장 매체는 프로세서에 커플링되며, 그 프로세서는 저장 매체로부터 정보를 판독할 수 있고 저장 매체에 정보를 기입할 수 있다. 다른 방법으로, 저장 매체는 프로세서와 일체형일 수도 있다. 프로세서 및 저장 매체는 주문형 집적회로 (ASIC) 내에 상주할 수도 있다. ASIC는 사용자 단말기 내에 상주할 수도 있다. 다른 방법으로, 프로세서 및 저장 매체는 사용자 단말기 내에 개별 컴포넌트로서 상주할 수도 있다.
이상 첨부된 도면을 참조하여 본 발명의 실시예들을 더욱 상세하게 설명하였으나, 본 발명은 반드시 이러한 실시예로 국한되는 것은 아니고, 본 발명의 기술사상을 벗어나지 않는 범위 내에서 다양하게 변형실시될 수 있다. 따라서, 본 발명에 개시된 실시예들은 본 발명의 기술 사상을 한정하기 위한 것이 아니라 설명하기 위한 것이고, 이러한 실시예에 의하여 본 발명의 기술 사상의 범위가 한정되는 것은 아니다. 그러므로, 이상에서 기술한 실시예들은 모든 면에서 예시적인 것이며 한정적이 아닌 것으로 이해해야만 한다. 본 발명의 보호 범위는 아래의 청구범위에 의하여 해석되어야 하며, 그와 동등한 범위 내에 있는 모든 기술 사상은 본 발명의 권리범위에 포함되는 것으로 해석되어야 할 것이다.
100: 제1 단말기
110, 310: 표시부
200: 발병 예측 서버
210: 통신부
220: 프로세서
230: 저장부
300: 제2 단말기
410: 건강 데이터 항목
420: 과거 데이터 불러오기 버튼
510: 년도별 질병 발병 확률 항목
520: 심혈관 질환 발병 확률 항목
530: 현재 사용자의 위치 항목
610: 질환별 발병 확률 항목
620: 건강 소견 항목
630: 보내기 버튼
640: 보험 가입 적합성 항목
1000: 질병 발병 확률 제공 시스템
110, 310: 표시부
200: 발병 예측 서버
210: 통신부
220: 프로세서
230: 저장부
300: 제2 단말기
410: 건강 데이터 항목
420: 과거 데이터 불러오기 버튼
510: 년도별 질병 발병 확률 항목
520: 심혈관 질환 발병 확률 항목
530: 현재 사용자의 위치 항목
610: 질환별 발병 확률 항목
620: 건강 소견 항목
630: 보내기 버튼
640: 보험 가입 적합성 항목
1000: 질병 발병 확률 제공 시스템
Claims (16)
- 제1 단말기를 통해 복수의 항목에 대한 사용자의 건강 데이터를 수신하는 단계;
상기 건강 데이터를 기초로 딥러닝을 통해 학습된 질병 예측 모델을 이용하여 질병에 대한 발병 확률을 산출하는 단계; 및
상기 발병 확률을 저장부에 저장하는 단계를 포함하는,질병에 대한 발병 확률 예측 방법. - 제1항에 있어서,
상기 발병 확률을 제2 단말기에 제공하는 단계를 더 포함하는, 질병에 대한 발병 확률 예측 방법. - 제1항에 있어서,
상기 제2 단말기로부터 상기 발병 확률을 기초로 결정된 상기 사용자에 대한 건강 소견을 수신하는 단계; 및
상기 건강 소견에 따라 보험 가입 적합성을 결정하는 단계를 더 포함하는, 질병에 대한 발병 확률 예측 방법. - 제1항에 있어서,
상기 건강 정보를 수신하는 단계는,
상기 사용자의 생체 정보를 인식할 수 있는 웨어러블 장치로부터 수신하는 단계인, 질병에 대한 발병 확률 예측 방법. - 제1항에 있어서,
상기 질병 예측 모델은,
건강 검진 데이터, 문진 항목 데이터 및 진료 기록 데이터를 기초로 딥러닝을 통해 구현된, 질병에 대한 발병 확률 예측 방법. - 제1항에 있어서,
상기 질병 예측 모델을 통해 현재 시점에서의 상기 발병 확률 및 미리 결정된 시점에서의 상기 발병 확률을 산출하는 단계를 더 포함하는, 질병에 대한 발병 확률 예측 방법. - 제5항에 있어서,
상기 현재 시점에서의 상기 발병 확률 및 상기 미리 결정된 시점에서의 상기 발병 확률을 기초로 상기 사용자의 건강에 대한 정보를 인구 대비 건강 등수, 백분위 및 점수 중 적어도 하나로 저장하는 단계를 더 포함하는, 질병에 대한 발병 확률 예측 방법. - 제1항에 있어서,
상기 항목 중 미수신된 상기 건강 데이터가 존재하는 경우,
상기 사용자에 대한 과거 건강 검진 데이터, 과거 문진 항목 데이터 및 과거 진료 기록 데이터 중 적어도 하나를 수신하는 단계; 및
상기 과거 건강 검진 데이터, 상기 과거 문진 항목 데이터 및 상기 과거 진료 기록 데이터 중 적어도 하나를 기초로 미수신된 건강 데이터를 입력하는 단계를 더 포함하는, 질병에 대한 발병 확률 예측 방법. - 제1항에 있어서,
상기 항목 및 상기 항목에 대한 상기 건강 데이터를 입력하기 위한 복수의 박스를 제공하는 단계;
과거에 입력된 상기 건강 데이터를 박스에 불러오기 위한 버튼을 제공하는 단계;
상기 버튼에 대한 선택 신호를 수신하는 단계;
과거에 입력된 상기 건강 데이터를 데이터베이스로부터 수신하는 단계; 및
상기 과거에 입력된 상기 건강 데이터를 상기 복수의 박스 중 적어도 하나에 수정 가능하도록 입력하는 단계를 더 포함하는, 질병에 대한 발병 확률 예측 방법. - 제2항에 있어서,
상기 발병 확률을 상기 제2 단말기에 제공하는 단계는,
상기 발병 확률 및 상기 발병 확률을 고려한 인자들을 함께 제공하는 단계; 및
상기 발병 확률에 영향을 준 정도에 따라 상기 인자들에 각각 상이하게 시각적 효과를 제공하는 단계를 더 포함하는, 질병에 대한 발병 확률 예측 방법. - 제1항에 있어서,
상기 질병은 심혈관 질환인, 질병에 대한 발병 확률 예측 방법. - 제1 단말기를 통해 복수의 항목에 대한 사용자의 건강 데이터를 수신하는 단계;
상기 건강 데이터를 기초로 딥러닝을 통해 학습된 질병 예측 모델을 이용하여 질병에 대한 발병 확률을 산출하는 단계;
상기 발병 확률을 저장부에 저장하는 단계;
상기 발병 확률 및 상기 발병 확률을 고려한 인자들을 함께 제공하는 단계; 및
상기 발병 확률에 영향을 준 정도에 따라 상기 인자들에 각각 상이하게 시각적 효과를 제공하는 단계를 포함하는, 질병에 대한 발병 확률 예측 방법. - 제1 단말기를 통해 복수의 항목에 대한 사용자의 건강 데이터를 수신하는 통신부;
상기 건강 데이터를 기초로 딥러닝을 통해 학습된 질병 예측 모델을 이용하여 질병에 대한 발병 확률을 산출하는 프로세서; 및
상기 건강 데이터 및 상기 발병 확률을 저장하는 저장부를 포함하는, 질병에 대한 발병 확률 예측 장치. - 제13항에 있어서,
상기 통신부는,
상기 제2 단말기로부터 상기 발병 확률을 기초로 결정된 상기 사용자에 대한 건강 소견을 수신하고,
상기 프로세서는,
상기 건강 소견에 따라 보험 가입 적합성을 결정하는, 질병에 대한 발병 확률 예측 장치. - 제13항에 있어서,
상기 프로세서는,
상기 통신부를 통해 상기 버튼에 대한 선택 신호를 수신하고,
과거에 입력된 상기 건강 데이터를 데이터베이스로부터 수신하고,
상기 항목 및 상기 항목에 대한 상기 건강 데이터를 입력하기 위한 복수의 박스 및 과거에 입력된 상기 건강 데이터를 박스에 불러오기 위한 버튼을 상기 제1 단말기에 제공하고,
상기 과거에 입력된 상기 건강 데이터를 상기 복수의 박스 중 적어도 하나에 수정 가능하도록 입력하는, 질병에 대한 발병 확률 예측 장치. - 제13항에 있어서,
상기 항목 중 미수신된 상기 건강 데이터가 존재하는 경우,
상기 프로세서는,
상기 통신부를 통해 상기 사용자에 대한 과거 건강 검진 데이터, 과거 문진 항목 데이터 및 과거 진료 기록 데이터 중 적어도 하나를 수신하고,
상기 과거 건강 검진 데이터, 상기 과거 문진 항목 데이터 및 상기 과거 진료 기록 데이터 중 적어도 하나를 기초로 미수신된 건강 데이터를 입력하는, 질병에 대한 발병 확률 예측 장치.
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020160126565A KR101855117B1 (ko) | 2016-09-30 | 2016-09-30 | 질병에 대한 발병 확률 예측 방법 및 장치 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020160126565A KR101855117B1 (ko) | 2016-09-30 | 2016-09-30 | 질병에 대한 발병 확률 예측 방법 및 장치 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| KR20180036229A true KR20180036229A (ko) | 2018-04-09 |
| KR101855117B1 KR101855117B1 (ko) | 2018-05-04 |
Family
ID=61978174
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020160126565A KR101855117B1 (ko) | 2016-09-30 | 2016-09-30 | 질병에 대한 발병 확률 예측 방법 및 장치 |
Country Status (1)
| Country | Link |
|---|---|
| KR (1) | KR101855117B1 (ko) |
Cited By (21)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR102005986B1 (ko) * | 2018-11-23 | 2019-07-31 | 예다움 주식회사 | 모바일 건강관리 시스템 |
| KR102013692B1 (ko) * | 2018-11-09 | 2019-08-23 | 한국과학기술정보연구원 | 자살 치명도 예측 장치 및 방법 |
| KR20190132290A (ko) * | 2018-05-18 | 2019-11-27 | 주식회사 송아리아이티 | 환자 진단 학습 방법, 서버 및 프로그램 |
| CN111292853A (zh) * | 2020-01-15 | 2020-06-16 | 长春理工大学 | 基于多参数的心血管疾病风险预测网络模型及其构建方法 |
| WO2020130171A1 (ko) * | 2018-12-18 | 2020-06-25 | (주)아크릴 | 뉴럴 네트워크를 이용한 언더라이팅 자동화 장치 및 방법 |
| KR20200106691A (ko) * | 2019-03-05 | 2020-09-15 | (주)비바이노베이션 | 빅데이터 분석 및 인공지능 문진을 통한 질병 예측 정보를 제공하는 사용자 단말기 |
| WO2021040315A1 (ko) * | 2019-08-27 | 2021-03-04 | 주식회사 비쥬웍스 | 원추 각막 진단 보조 시스템 및 이를 이용하는 방법 |
| KR102230660B1 (ko) * | 2020-08-05 | 2021-03-22 | 주식회사 투비코 | 의료 데이터를 분석하기 위한 방법 |
| KR20210056598A (ko) * | 2019-11-11 | 2021-05-20 | 주식회사 테서 | 머신러닝에 기반한 의료데이터 수집 및 분석 서비스 제공 방법 및 시스템 |
| KR102261092B1 (ko) * | 2021-01-20 | 2021-06-03 | 이창엽 | 의료진단 관리 시스템 |
| KR20210075028A (ko) * | 2019-12-12 | 2021-06-22 | (주)유에스티21 | 인공지능데이터베이스서버에서 사용자 단말기에게 실시간으로 개별화된 건강관리정보를 제공하는 시스템 및 방법 |
| KR20210084979A (ko) * | 2019-12-30 | 2021-07-08 | (주)아이쿱 | 심혈관 질환 위험도 예측 방법 및 시스템 |
| KR20210097515A (ko) * | 2020-01-30 | 2021-08-09 | 연세대학교 원주산학협력단 | 딥러닝 기반 건강 위험도 예측을 통한 건강 개선 프로그램 제공 방법 |
| KR20210143592A (ko) * | 2020-05-20 | 2021-11-29 | 계명대학교 산학협력단 | 요양병원 관계자용 섬망 중재 모바일 장치 및 섬망 중재 시스템 |
| KR102378093B1 (ko) * | 2020-11-04 | 2022-03-24 | 주식회사 온택트헬스 | 질병 예측 시스템, 질병 예측 방법 및 이를 구현하는 기록 매체 |
| KR20220076618A (ko) | 2020-12-01 | 2022-06-08 | 가톨릭대학교 산학협력단 | 질병 예측 장치, 방법 및 기록 매체 |
| KR20220101571A (ko) * | 2021-01-11 | 2022-07-19 | 주식회사 코스모스메딕 | 빅데이터 기반 딥러닝 모델을 이용한 응급실 환자 진단 시스템 및 방법 |
| KR20220112616A (ko) * | 2021-02-04 | 2022-08-11 | 가톨릭대학교 산학협력단 | 당뇨병 발병 위험도 산출 시스템, 산출 방법, 및 프로그램 |
| CN116029839A (zh) * | 2023-02-10 | 2023-04-28 | 中国人民健康保险股份有限公司深圳分公司 | 一种业务系统操作自动化执行操作系统 |
| KR102537033B1 (ko) * | 2022-07-14 | 2023-05-26 | 주식회사 그린리본 | 의료비, 건강검진 및 투약내역 기반 보험 리스크 추출 서비스 제공 시스템 |
| KR102615679B1 (ko) | 2022-10-31 | 2023-12-19 | 주식회사 딥엑스 | 심뇌혈관 질환 예측 인공신경망 모델을 위한 신경 프로세싱 유닛 |
Families Citing this family (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR102482374B1 (ko) | 2019-12-10 | 2022-12-29 | 한국전자통신연구원 | 예측 장치들로부터 수신된 데이터를 앙상블하는 장치 및 이의 동작 방법 |
| KR102435178B1 (ko) | 2021-09-16 | 2022-08-23 | 주식회사 온택트헬스 | 질병의 발생을 예측하기 위한 방법 및 장치 |
| CN116368578A (zh) * | 2020-11-04 | 2023-06-30 | 昂泰克特健康有限公司 | 用于预测疾病发生的方法及装置 |
-
2016
- 2016-09-30 KR KR1020160126565A patent/KR101855117B1/ko active IP Right Grant
Cited By (25)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20190132290A (ko) * | 2018-05-18 | 2019-11-27 | 주식회사 송아리아이티 | 환자 진단 학습 방법, 서버 및 프로그램 |
| KR102013692B1 (ko) * | 2018-11-09 | 2019-08-23 | 한국과학기술정보연구원 | 자살 치명도 예측 장치 및 방법 |
| KR102005986B1 (ko) * | 2018-11-23 | 2019-07-31 | 예다움 주식회사 | 모바일 건강관리 시스템 |
| WO2020130171A1 (ko) * | 2018-12-18 | 2020-06-25 | (주)아크릴 | 뉴럴 네트워크를 이용한 언더라이팅 자동화 장치 및 방법 |
| KR20200106691A (ko) * | 2019-03-05 | 2020-09-15 | (주)비바이노베이션 | 빅데이터 분석 및 인공지능 문진을 통한 질병 예측 정보를 제공하는 사용자 단말기 |
| KR20210097678A (ko) * | 2019-08-27 | 2021-08-09 | 주식회사 비쥬웍스 | 원추 각막 진단 보조 시스템 및 이를 이용하는 방법 |
| WO2021040315A1 (ko) * | 2019-08-27 | 2021-03-04 | 주식회사 비쥬웍스 | 원추 각막 진단 보조 시스템 및 이를 이용하는 방법 |
| KR20210025430A (ko) * | 2019-08-27 | 2021-03-09 | 주식회사 비쥬웍스 | 원추 각막 진단 보조 시스템 및 이를 이용하는 방법 |
| KR20210056598A (ko) * | 2019-11-11 | 2021-05-20 | 주식회사 테서 | 머신러닝에 기반한 의료데이터 수집 및 분석 서비스 제공 방법 및 시스템 |
| KR20210075028A (ko) * | 2019-12-12 | 2021-06-22 | (주)유에스티21 | 인공지능데이터베이스서버에서 사용자 단말기에게 실시간으로 개별화된 건강관리정보를 제공하는 시스템 및 방법 |
| KR20210084979A (ko) * | 2019-12-30 | 2021-07-08 | (주)아이쿱 | 심혈관 질환 위험도 예측 방법 및 시스템 |
| CN111292853A (zh) * | 2020-01-15 | 2020-06-16 | 长春理工大学 | 基于多参数的心血管疾病风险预测网络模型及其构建方法 |
| KR20210097515A (ko) * | 2020-01-30 | 2021-08-09 | 연세대학교 원주산학협력단 | 딥러닝 기반 건강 위험도 예측을 통한 건강 개선 프로그램 제공 방법 |
| KR20210143592A (ko) * | 2020-05-20 | 2021-11-29 | 계명대학교 산학협력단 | 요양병원 관계자용 섬망 중재 모바일 장치 및 섬망 중재 시스템 |
| KR102230660B1 (ko) * | 2020-08-05 | 2021-03-22 | 주식회사 투비코 | 의료 데이터를 분석하기 위한 방법 |
| KR102378093B1 (ko) * | 2020-11-04 | 2022-03-24 | 주식회사 온택트헬스 | 질병 예측 시스템, 질병 예측 방법 및 이를 구현하는 기록 매체 |
| KR20220076618A (ko) | 2020-12-01 | 2022-06-08 | 가톨릭대학교 산학협력단 | 질병 예측 장치, 방법 및 기록 매체 |
| KR20220101571A (ko) * | 2021-01-11 | 2022-07-19 | 주식회사 코스모스메딕 | 빅데이터 기반 딥러닝 모델을 이용한 응급실 환자 진단 시스템 및 방법 |
| KR102261092B1 (ko) * | 2021-01-20 | 2021-06-03 | 이창엽 | 의료진단 관리 시스템 |
| KR20220112616A (ko) * | 2021-02-04 | 2022-08-11 | 가톨릭대학교 산학협력단 | 당뇨병 발병 위험도 산출 시스템, 산출 방법, 및 프로그램 |
| WO2022169149A1 (ko) * | 2021-02-04 | 2022-08-11 | 가톨릭대학교 산학협력단 | 당뇨병 발병 위험도 산출 시스템, 산출 방법 및 프로그램 |
| KR102537033B1 (ko) * | 2022-07-14 | 2023-05-26 | 주식회사 그린리본 | 의료비, 건강검진 및 투약내역 기반 보험 리스크 추출 서비스 제공 시스템 |
| KR102615679B1 (ko) | 2022-10-31 | 2023-12-19 | 주식회사 딥엑스 | 심뇌혈관 질환 예측 인공신경망 모델을 위한 신경 프로세싱 유닛 |
| CN116029839A (zh) * | 2023-02-10 | 2023-04-28 | 中国人民健康保险股份有限公司深圳分公司 | 一种业务系统操作自动化执行操作系统 |
| CN116029839B (zh) * | 2023-02-10 | 2023-09-26 | 中国人民健康保险股份有限公司深圳分公司 | 一种业务系统操作自动化执行操作系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| KR101855117B1 (ko) | 2018-05-04 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| KR101855117B1 (ko) | 질병에 대한 발병 확률 예측 방법 및 장치 | |
| AU2012245343B2 (en) | Predictive modeling | |
| KR101885111B1 (ko) | 질환 발병 예측 방법 및 장치 | |
| JP5977898B1 (ja) | 行動予測装置、行動予測装置の制御方法、および行動予測装置の制御プログラム | |
| RU2619644C2 (ru) | Клиническая система поддержки принятия решений для прогнозирующего планирования выписки | |
| Taloba et al. | Estimation and prediction of hospitalization and medical care costs using regression in machine learning | |
| US11450434B2 (en) | Implementation of machine-learning based query construction and pattern identification through visualization in user interfaces | |
| CN113724848A (zh) | 基于人工智能的医疗资源推荐方法、装置、服务器及介质 | |
| Hong et al. | Prediction of cardiac arrest in the emergency department based on machine learning and sequential characteristics: model development and retrospective clinical validation study | |
| Mortazavi et al. | Prediction of adverse events in patients undergoing major cardiovascular procedures | |
| Choudhury et al. | Evaluating patient readmission risk: a predictive analytics approach | |
| US11923075B2 (en) | System and method associated with determining physician attribution related to in-patient care using prediction-based analysis | |
| KR20160043777A (ko) | 질환 발병 예측 방법 및 그 장치 | |
| US20210257067A1 (en) | State transition prediction device, and device, method, and program for learning predictive model | |
| WO2020027213A1 (ja) | 認知症リスクの提示システムおよび方法 | |
| CN114429817A (zh) | 一种老年人健康风险预测方法、系统及电子设备 | |
| JP5392444B1 (ja) | 保健指導対象者選定条件作成支援装置 | |
| US20200082945A1 (en) | Scoring and mitigating health risks | |
| US20210406928A1 (en) | Information processing device, information processing method, and recording medium | |
| US20210406025A1 (en) | Method of and system for generating a rank-ordered instruction set using a ranking process | |
| JP2022537702A (ja) | コンタクトレンズ適合性を予測するために機械学習を使用するシステム及び方法 | |
| Hodgkins et al. | Survival analysis using primary care electronic health record data: A systematic review of the literature | |
| Bounsanga et al. | Using machine learning to identify factors associated with practice location of the heathcare workforce | |
| CN110473636B (zh) | 基于深度学习的智能医嘱推荐方法及系统 | |
| JP5888063B2 (ja) | 保健指導対象者選定支援装置 |
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 | ||
| X701 | Decision to grant (after re-examination) |