KR20190031192A - 건강 위험 예측 방법 - Google Patents

Abstract

전술한 바와 같은 과제를 실현하기 위한 본 개시의 일 실시예에 따라 인코딩된 명령들을 포함하는 컴퓨터 판독 가능 저장 매체에 저장된 컴퓨터 프로그램이 개시된다. 상기 컴퓨터 프로그램은 컴퓨터 시스템의 하나 이상의 프로세서들에 의해 실행되는 경우, 상기 하나 이상의 프로세서들로 하여금 인덱싱을 위한 이하의 단계들을 수행하도록 하며, 상기 단계들은: 하나 이상의 항목을 포함하는 생체 계측 데이터 및 상기 생체 계측 데이터와 상이한 변경 데이터를 수신하는 단계; 상기 생체 계측 데이터 및 변경 데이터를 훈련된 신경망에 입력시키고, 상기 훈련된 신경망을 이용하여 상기 생체 계측 데이터 및 상기 변경 데이터를 연산하는 단계; 상기 훈련된 신경망의 출력에 기초하여 상기 생체 계측 데이터에 대한 제 1 건강 위험 정보를 생성하고, 상기 변경 데이터에 대한 제 2 건강 위험 정보를 생성하는 단계; 및 상기 생체 계측 데이터와 상기 변경 데이터의 데이터 변화량과 상기 제 1 건강 위험 정보 및 상기 제 2 건강 위험 정보의 건강 위험 정보 변화량의 연관관계를 생성하는 단계를 포함한다.

Description

건강 위험 예측 방법{METHOD FOR PREDITING HEALTH RISK}

본 개시는 인공지능 기술에 관한 것으로서, 보다 구체적으로 인공지능 기술을 활용한 예측에 관한 것이다.

근래에 인류는 노령화 및 생활양식 변화로 지속적인 관리를 요하는 각종 질환과 암, 고혈압, 당뇨 등과 같은 만성 질환 등의 다양한 질환이 급증하고 있으며, 건강에 대한 관심이 증대됨에 따라 해마다 개인이 지출하는 의료비가 지속적으로 증가하고 있는 실정이다.

이러한 질환 중 심혈관질환은 개발도상국이나 선진국을 막론하고 주요 사망원인 중 하나이며, 전세계적으로 2012년 기준 한해 1 억 7천여명이 사망했으며 이는 전체 사망원인의 31%를 차지하는 수치이다. 한국 역시 2013년 기준 50803명으로 전체 사망 원인에서 20% 정도를 차지하고 있다. 심혈관 질환은 이와 같이 높은 사망률을 보이지만 전체 심혈관질환 사망자 중 80% 가량은 혈압, 혈당, 콜레스테롤 조절 및 생활 습관 개선을 통해 예방이 가능하다. 이처럼 심혈관질환은 발병에 대한 예측의 정확성과 질병으로 인한 사망률이 비례하기 때문에 질환 발병에 대한 예측의 중요성이 높다.

그리고 암과 같은 질환은 일반적으로 가족력 등 유전적인 요인이 중요하다고 알려져 있으나, 스트래스 등의 생활패턴에 의한 영향 또한 원인으로 알려져 있다. 그러나 의학적으로 스트레스를 정확히 예측하는 것은 어려우며 개인차가 있어 발병의 영향을 정확히 의사가 인식할 수 없는 문제가 있다.

따라서, 알려진 질병의 원인들을 조합하여 질병의 발병을 예측하고, 원인이 불명확한 질병의 발병 원인에 대해 의사에게 통찰력을 줄 수 있는 솔루션에 대한 수요가 당업계에 존재할 수 있다.

한국등록특허 KR10-1744775는 건강관리를 위한 미션을 제시하는 건강관리 시스템을 개시한다.

본 개시는 전술한 배경기술에 기초하여 안출된 것으로 건강 관리를 위한 솔루션을 제공하기 위한 것이다.

전술한 바와 같은 과제를 실현하기 위한 본 개시의 일 실시예에 따라 인코딩된 명령들을 포함하는 컴퓨터 판독 가능 저장 매체에 저장된 컴퓨터 프로그램이 개시된다. 상기 컴퓨터 프로그램은 컴퓨터 시스템의 하나 이상의 프로세서들에 의해 실행되는 경우, 상기 하나 이상의 프로세서들로 하여금 이하의 단계들을 수행하도록 하며, 상기 단계들은: 하나 이상의 항목을 포함하는 생체 계측 데이터 및 상기 생체 계측 데이터와 상이한 변경 데이터를 수신하는 단계; 상기 생체 계측 데이터 및 변경 데이터를 훈련된 신경망에 입력시키고, 상기 훈련된 신경망을 이용하여 상기 생체 계측 데이터 및 상기 변경 데이터를 연산하는 단계; 상기 훈련된 신경망의 출력에 기초하여 상기 생체 계측 데이터에 대한 제 1 건강 위험 정보를 생성하고, 상기 변경 데이터에 대한 제 2 건강 위험 정보를 생성하는 단계; 및 상기 생체 계측 데이터와 상기 변경 데이터의 데이터 변화량과 상기 제 1 건강 위험 정보 및 상기 제 2 건강 위험 정보의 건강 위험 정보 변화량의 연관관계를 생성하는 단계를 포함한다.

대안적으로, 상기 생체 계측 데이터는, 인구 사회학적 정보, 사망관련 정보, 건강보장 유형 정보, 사회경제적 수준 정보, 장애 등록 정보, 신체 검진 정보, 과거력 문진 정보, 가족력 문진 정보, 생활습관 문진 정보, 및 정신 검사 정보 중 적어도 하나를 상기 항목으로 포함할 수 있다.

대안적으로, 상기 생체 계측 데이터의 하나 이상의 항목 중 상기 제 1 건강 위험 정보와 연관성이 높은 고연관 항목을 추출하는 단계; 및 상기 고연관 항목을 변경시키기 위한 위험 회피 정보를 생성하는 단계를 더 포함할 수 있다.

대안적으로, 상기 제 1 건강 위험 정보는, 심혈관 질환의 발병 확률 정보, 암의 발병 확률 정보, 및 성인병의 발병 확률 정보 중 적어도 하나를 포함할 수 있다.

대안적으로, 상기 연관관계에 기초하여 상기 데이터 변화량과 상기 건강 위험 정보 변화량의 비율이 사전결정된 임계값 이상인 임계 변경 데이터를 결정하는 단계를 더 포함할 수 있다.

본 개시의 일 실시예에 따라 건강 위험 발생 예측을 위한 컴퓨팅 장치가 개시된다. 상기 컴퓨팅 장치는 하나 이상의 프로세서; 및 상기 하나 이상의 프로세서에서 실행가능한 명령들을 저장하는 메모리를 포함하고, 상기 하나 이상의 프로세서는, 하나 이상의 항목을 포함하는 생체 계측 데이터 및 상기 생체 계측 데이터의 적어도 하나의 항목이 변경된 변경 데이터를 수신하고, 상기 생체 계측 데이터 및 변경 데이터를 훈련된 신경망에 입력시키고, 상기 훈련된 신경망을 이용하여 상기 생체 계측 데이터 및 상기 변경 데이터를 연산하고, 상기 훈련된 신경망의 출력에 기초하여 상기 생체 계측 데이터에 대한 제 1 건강 위험 정보를 생성하고, 상기 변경 데이터에 대한 제 2 건강 위험 정보를 생성하고, 그리고 상기 생체 계측 데이터와 상기 변경 데이터의 데이터 변화량과 상기 제 1 건강 위험 정보 및 상기 제 2 건강 위험 정보의 건강 위험 정보 변화량의 연관관계를 생성한다.

본 개시의 일 실시예에 따라 컴퓨팅 장치의 하나 이상의 프로세서에서 수행되는 건강 위험 발생 예측을 위한 방법이 개시된다. 상기 방법은, 하나 이상의 항목을 포함하는 생체 계측 데이터 및 상기 생체 계측 데이터의 적어도 하나의 항목이 변경된 변경 데이터를 수신하는 단계; 상기 생체 계측 데이터 및 변경 데이터를 훈련된 신경망에 입력시키고, 상기 훈련된 신경망을 이용하여 상기 생체 계측 데이터 및 상기 변경 데이터를 연산하는 단계; 상기 훈련된 신경망의 출력에 기초하여 상기 생체 계측 데이터에 대한 제 1 건강 위험 정보를 생성하고, 상기 변경 데이터에 대한 제 2 건강 위험 정보를 생성하는 단계; 및 상기 생체 계측 데이터와 상기 변경 데이터의 데이터 변화량과 상기 제 1 건강 위험 정보 및 상기 제 2 건강 위험 정보의 건강 위험 정보 변화량의 연관관계를 생성하는 단계를 포함한다.

본 개시의 다른 일 실시예에 따라 인코딩된 명령들을 포함하는 컴퓨터 판독 가능 저장 매체에 저장된 컴퓨터 프로그램이 개시된다. 상기 컴퓨터 프로그램은 컴퓨터 시스템의 하나 이상의 프로세서들에 의해 실행되는 경우, 상기 하나 이상의 프로세서들로 하여금 인덱싱을 위한 이하의 단계들을 수행하도록 하며, 상기 단계들은: 생체 계측 데이터를 획득하는 단계; 상기 생체 계측 데이터에 포함된 대상 구분 정보에 기초하여 상기 생체계측 데이터를 대상 별로 그룹화하여 대상별 샘플을 생성하는 단계; 상기 대상별 샘플과 진료 데이터를 매칭시켜 라벨링된 학습 데이터를 생성하는 단계; 및 상기 라벨링된 학습 데이터를 이용하여 신경망을 훈련시켜 상기 생체 계측 데이터에 기초한 건강 위험 정보를 출력하도록 하는 신경망 모델을 생성하는 단계를 포함한다.

대안적으로, 상기 신경망은 RNN(recurrent neural network)으로 구성되며, 상기 RNN은 LSTM(long short-term memory)으로 구성될 수 있다.

대안적으로, 상기 신경망 모델을 생성하는 단계는, 상기 대상별 샘플을 상기 신경망에 입력시키고 상기 신경망으로 연산한 출력 데이터와 상기 진료 데이터를 비교하여 오차를 계산하는 단계; 상기 오차에 기초하여 상기 신경망의 가중치를 역전파(backpropagation) 방식으로 조정하는 단계; 상기 신경망의 학습이 사전결정된 에폭(epoch) 이상 수행된 경우, 검증 데이터를 이용하여 학습의 중단 여부를 결정하는 단계; 및 테스트 데이터를 이용하여 신경망 모델의 성능을 테스트하고, 성능에 기초하여 신경망의 활성화 여부를 결정하는 단계를 포함할 수 있다.

대안적으로, 상기 라벨링은, 진료 데이터에 포함된 질환의 발생 여부, 질환의 명칭, 발생 시기를 포함하고, 상기 학습 데이터는, 다년간의 생체 계측 데이터를 포함하며, 질환의 발생 여부에 따라 음성 샘플 또는 양성 샘플로 분류될 수 있다.

대안적으로, 상기 양성 샘플에서 발병시점을 상기 다년간의 생체 계측 데이터의 종료시점으로 하여 상기 다년간의 생체 계측 데이터를 분할하여 인공 양성 샘플을 생성하는 단계; 및 상기 음성 샘플의 상기 다년간의 생체 계측 데이터를 임의의 시작시점과 종료시점을 가지도록 분할하여 인공 음성 샘플을 생성하는 단계를 더 포함할 수 있다.

대안적으로, 상기 생체 계측 데이터에 포함된 측정 값을 정규화하고, 상기 생체 계측 데이터에 포함된 결측값을 전체의 평균값으로 설정하는 단계를 더 포함할 수 있다.

대안적으로,

상기 생체 계측 데이터를 획득하는 단계는, 상기 생체 계측 데이터를 병원서버, 정부 서버로부터 전자건강기록(EHR: electronic health record), 전자의료기록(EMR: electronic medical record) 및 건강검진DB 중 적어도 하나로부터 획득하는 단계를 포함할 수 있다.

본 개시의 다른 일 실시예에 따라 건강 위험 발생 예측을 위한 컴퓨팅 장치가 개시된다. 상기 컴퓨팅 장치는 하나 이상의 프로세서; 및 상기 하나 이상의 프로세서에서 실행가능한 명령들을 저장하는 메모리를 포함하고, 상기 하나 이상의 프로세서는, 생체 계측 데이터를 획득하고, 상기 생체 계측 데이터에 포함된 대상 구분 정보에 기초하여 상기 생체 계측 데이터를 개인 별로 그룹화하여 대상별 샘플을 생성하고, 상기 대상별 샘플과 진료 데이터를 매칭시켜 라벨링된 학습 데이터를 생성하고, 그리고 상기 라벨링된 학습 데이터를 이용하여 신경망을 훈련시켜 상기 생체 계측 데이터에 기초한 건강 위험 정보를 출력하도록 하는 신경망 모델을 생성한다.

본 개시의 다른 일 실시예에 따라 컴퓨팅 장치의 하나 이상의 프로세서에서 수행되는 건강 위험 발생 예측을 위한 방법이 개시된다. 상기 방법은 생체 계측 데이터를 획득하는 단계; 상기 생체 계측 데이터에 포함된 대상 구분 정보에 기초하여 상기 생체 계측 데이터를 개인 별로 그룹화하여 대상별 샘플을 생성하는 단계; 상기 대상별 샘플과 진료 데이터를 매칭시켜 라벨링된 학습 데이터를 생성하는 단계; 및 상기 라벨링된 학습 데이터를 이용하여 신경망을 훈련시켜 상기 생체 계측 데이터에 기초한 건강 위험 정보를 출력하도록 하는 신경망 모델을 생성하는 단계를 포함한다.

본 개시는 건강 관리를 위한 솔루션을 제공할 수 있다.

도 1 은 본 개시의 일 실시예에 따른 컴퓨팅 장치의 블록 구성도이다.
도 2 는 본 개시의 일 실시예에 따른 신경망의 구성도이다.
도 3 은 본 개시의 일 실시예에 따른 건강 위험 예측 시스템의 사용자 인터페이스 예시도이다.
도 4 는 본 개시의 일 실시예에 따른 건강 위험 예측 방법의 순서도이다.
도 5 는 본 개시의 다른 일 실시예에 따른 건강 위험 예측 방법의 순서도이다.
도 6는 본 개시의 실시예들이 구현될 수 있는 예시적인 컴퓨팅 환경에 대한 간략하고 일반적인 개략도이다.

다양한 실시예들이 이제 도면을 참조하여 설명된다. 본 명세서에서, 다양한 설명들이 본 개시의 이해를 제공하기 위해서 제시된다. 그러나 이러한 실시예들은 이러한 구체적인 설명 없이도 실행될 수 있음이 명백하다. 다른 예들에서, 공지된 구조 및 장치들은 실시예들의 설명을 용이하게 하기 위해서 블록 다이어그램 형태로 제공된다.

본 명세서에서 사용되는 용어 "컴포넌트", "모듈", "시스템" 등은 컴퓨터-관련 엔티티, 하드웨어, 펌웨어, 소프트웨어, 소프트웨어 및 하드웨어의 조합, 또는 소프트웨어의 실행을 지칭한다. 예를 들어, 컴포넌트는 프로세서상에서 실행되는 처리과정(procedure), 프로세서, 객체, 실행 스레드, 프로그램, 및/또는 컴퓨터일 수 있지만, 이들로 제한되는 것은 아니다. 예를 들어, 컴퓨팅 장치에서 실행되는 애플리케이션 및 컴퓨팅 장치 모두 컴포넌트일 수 있다. 하나 이상의 컴포넌트는 프로세서 및/또는 실행 스레드 내에 상주할 수 있고, 일 컴포넌트는 하나의 컴퓨터 내에 로컬화될 수 있고, 또는 2개 이상의 컴퓨터들 사이에 분배될 수 있다. 또한, 이러한 컴포넌트들은 그 내부에 저장된 다양한 데이터 구조들을 갖는 다양한 컴퓨터 판독가능한 매체로부터 실행할 수 있다. 컴포넌트들은 예를 들어 하나 이상의 데이터 패킷들을 갖는 신호(예를 들면, 로컬 시스템, 분산 시스템에서 다른 컴포넌트와 상호작용하는 하나의 컴포넌트로부터의 데이터 및/또는 신호를 통해 다른 시스템과 인터넷과 같은 네트워크를 통해 전송되는 데이터)에 따라 로컬 및/또는 원격 처리들을 통해 통신할 수 있다.

더불어, "포함한다" 및/또는 "포함하는"이라는 용어는, 해당 특징 및/또는 구성요소가 존재함을 의미하지만, 하나 이상의 다른 특징, 구성요소 및/또는 이들의 그룹의 존재 또는 추가를 배제하지 않는 것으로 이해되어야 한다. 또한, 달리 특정되지 않거나 단수 형태를 지시하는 것으로 문맥상 명확하지 않은 경우에, 본 명세서와 청구범위에서 단수는 일반적으로 "하나 또는 그 이상"을 의미하는 것으로 해석되어야 한다.

제시된 실시예들에 대한 설명은 본 개시의 기술 분야에서 통상의 지식을 가진 자가 본 개시를 이용하거나 또는 실시할 수 있도록 제공된다. 이러한 실시예들에 대한 다양한 변형들은 본 개시의 기술 분야에서 통상의 지식을 가진 자에게 명백할 것이며, 여기에 정의된 일반적인 원리들은 본 개시의 범위를 벗어남이 없이 다른 실시예들에 적용될 수 있다. 그리하여, 본 개시는 여기에 제시된 실시예들로 한정되는 것이 아니라, 여기에 제시된 원리들 및 신규한 특징들과 일관되는 최광의의 범위에서 해석되어야 할 것이다.

도 1 은 본 개시의 일 실시예에 따른 컴퓨팅 장치의 블록 구성도이다.

본 개시의 일 실시예에 따른 컴퓨팅 장치(100)는 프로세서(110), 메모리(130) 및 네트워크 모듈(150)을 포함할 수 있다. 도 1 에 도시된 블록 구성도는 컴퓨팅 장치를 간소화한 구성으로 표현한 것으로서, 본 개시는 이에 제한되지 않고, 구동에 필요한 추가적인 구성 요소들을 포함할 수 있다.

프로세서(110)는 하나 이상으로 구성될 수 있으며, 컴퓨팅 장치의 중앙 처리 장치(CPU: central processing unit), 범용 그래픽 처리 장치(GPGPU: general purpose graphics processing unit), 텐서 처리 장치(TPU: tensor processing unit) 등의 데이터 분석, 딥러닝을 위한 프로세서를 포함할 수 있다. 프로세서(110)는 메모리(130)에 저장된 컴퓨터 프로그램을 판독하여 본 개시의 일 실시예에 따른 건강 위험 예측 방법을 수행할 수 있다. 본 개시의 일실시예에 따라 프로세서(110)는 신경망의 훈련을 위한 계산을 수행할 수 있다. 프로세서(110)는 딥러닝(DN: deep learning)에서 학습을 위한 입력 데이터의 처리, 입력 데이터에서의 피쳐(feature) 추출, 오차 계산, 역전파(backpropagation)를 이용한 신경망의 가중치 업데이트 등의 신경망의 학습을 위한 계산을 수행할 수 있다. 또한, 본 개시의 일 실시예에 따른 컴퓨팅 장치에서 수행되는 컴퓨터 프로그램은 CPU, GPGPU 또는 TPU 실행가능 프로그램일 수 있다.

메모리(130)는 본 개시의 일 실시예에 따른 건강 위험 발생 예측 방법을 수행하기 위한 컴퓨터 프로그램을 저장할 수 있으며, 저장된 컴퓨터 프로그램은 프로세서(110)에 의하여 판독되어 구동될 수 있다.

네트워크 모듈(150)은 본 개시의 일 실시예에 따른 건강 위험 발생 예측 방법을 수행하기 위한 데이터 등을 다른 컴퓨팅 장치, 서버 등과 송수신할 수 있다. 네트워크 모듈(150)은 생체 계측 데이터, 변경 데이터 등 본 개시의 실시예에 필요한 데이터들을 다른 컴퓨팅 장치, 서버등과 송수신할 수 있다. 예를 들어, 네트워크 모듈(150)은 병원서버, 정부 서버로부터 전자건강기록(EHR: electronic health record)을 수신할 수 있으며, 또한, 병원서버 등으로부터 전자의료기록(EMR: electronic medical record)을 수신할 수 있다. 또한, 네트워크 모듈(150)은 사용자 단말(미도시)로부터 사용자의 건강검진 기록 등을 수신할 수 있다. 전술한 기재는 예시일 뿐이며 본 개시는 이에 제한되지 않는다.

도 2 는 본 개시의 일 실시예에 따른 신경망의 구성도이다.

본 명세서에 걸쳐, 신경망, 네트워크 함수, 뉴럴 네트워크(neural network)는 동일한 의미로 사용될 수 있다. 신경망은 일반적으로 “노드”라 지칭될 수 있는 상호연결된 계산 단위들의 집합으로 구성될 수 있다. 이러한 “노드”들은 “뉴런(neuron)”들로 지칭될 수도 있다. 신경망은 적어도 하나 이상의 노드들을 포함하여 구성된다. 신경망들을 구성하는 노드(또는 뉴런)들은 하나 이상의 “링크”에 의해 상호 연결될 수 있다.

신경망 내에서, 링크를 통해 연결된 하나 이상의 노드들은 상대적으로 입력 노드 및 출력 노드의 관계를 형성할 수 있다. 입력 노드 및 출력 노드의 개념은 상대적인 것으로서, 하나의 노드에 대하여 출력 노드 관계에 있는 임의의 노드는 다른 노드와의 관계에서 입력 노드 관계에 있을 수 있으며, 그 역도 성립할 수 있다. 전술한 바와 같이, 입력 노드 대 출력 노드 관계는 링크를 중심으로 생성될 수 있다. 하나의 입력 노드에 하나 이상의 출력 노드가 링크를 통해 연결될 수 있으며, 그 역도 성립할 수 있다.

하나의 링크를 통해 연결된 입력 노드 및 출력 노드 관계에서, 출력 노드는 입력 노드에 입력된 데이터에 기초하여 그 값이 결정될 수 있다. 여기서 입력 노드와 출력 노드를 상호연결하는 노드는 가중치(weight)를 가질 수 있다. 가중치는 가변적일 수 있으며, 신경망이 원하는 기능을 수행하기 위해, 사용자 또는 알고리즘에 의해 가변될 수 있다. 예를 들어, 하나의 출력 노드에 하나 이상의 입력 노드가 각각의 링크에 의해 상호 연결된 경우, 출력 노드는 상기 출력 노드와 연결된 입력 노드들에 입력된 값들 및 각각의 입력 노드들에 대응하는 링크에 설정된 가중치에 기초하여 출력 노드 값을 결정할 수 있다.

전술한 바와 같이, 신경망은 하나 이상의 노드들이 하나 이상의 링크를 통해 상호연결 되어 신경망 내에서 입력 노드 및 출력 노드 관계를 형성한다. 신경망 내에서 노드들과 링크들의 개수 및 노드들과 링크들 사이의 연관관계, 링크들 각각에 부여된 가중치의 값에 따라, 신경망의 특성이 결정될 수 있다. 예를 들어, 동일한 개수의 노드 및 링크들이 존재하고, 링크들 사이의 가중치 값이 상이한 두 신경망이 존재하는 경우, 두 개의 신경망들은 서로 상이한 것으로 인식될 수 있다.

도 1에 도시된 바와 같이, 신경망은 하나 이상의 노드들을 포함하여, 구성될 수 있다. 신경망을 구성하는 노드들 중 일부는, 최초 입력 노드로부터의 거리들에 기초하여, 하나의 레이어(layer)를 구성할 수 있다, 예를 들어, 최초 입력 노드로부터 거리가 n인 노드들의 집합은, n 레이어를 구성할 수 있다. 최초 입력 노드로부터 거리는, 최초 입력 노드로부터 해당 노드까지 도달하기 위해 거쳐야 하는 링크들의 최소 개수에 의해 정의될 수 있다. 그러나, 이러한 레이어의 정의는 설명을 위한 임의적인 것으로서, 신경망 내에서 레이어의 차수는 전술한 것과 상이한 방법으로 정의될 수 있다. 예를 들어, 노드들의 레이어는 최종 출력 노드로부터 거리에 의해 정의될 수도 있다.

최초 입력 노드는 신경망 내의 노드들 중 다른 노드들과의 관계에서 링크를 거치지 않고 데이터가 직접 입력되는 하나 이상의 노드들을 의미할 수 있다. 또는, 신경망 네트워크 내에서, 링크를 기준으로 한 노드 간의 관계에 있어서, 링크로 연결된 다른 입력 노드들 가지지 않는 노드들을 의미할 수 있다. 이와 유사하게, 최종 출력 노드는 신경망 내의 노드들 중 다른 노드들과의 관계에서, 출력 노드를 가지지 않는 하나 이상의 노드들을 의미할 수 있다. 또한, 히든 노드는 최초 입력 노드 및 최후 출력 노드가 아닌 신경망을 구성하는 노드들을 의미할 수 있다. 도 1 의 도시에서는 출력 노드는 생략되어 있다. 본 개시의 일 실시예에 따른 신경망은 입력 레이어의 노드가 출력 레이어에 가까운 히든 레이어의 노드보다 많을 수 있으며, 입력 레이어에서 히든 레이어로 진행됨에 따라 노드의 수가 감소하는 형태의 신경망일 수 있다.

본 개시의 일 실시예에서 시계열적인 데이터의 처리가 가능하도록 신경망은 RNN(recurrent neural network)을 포함할 수 있다. 또한 본 개시의 일 실시예에서 이벤트의 길이가 길어짐에 따라 발생할 수 있는 장기 기억 문제(long range dependency vanishing gradient)에 의한 성능 하락을 방지할 수 있도록 본 개시의 신경망은 LSTM(long short-term memory)을 포함할 수 있다.

RNN은 글, 유전자, 손글씨, 음성신호, 센서가 감지한 데이터, 주가, 생체 계측 데이터 등 시계열(sequence)의 형태를 가지는 데이터에서 패턴을 인식하는 인공 신경망일 수 있다. RNN은 시계열 뿐 아니라 이미지 등의 처리도 가능하다. RNN은 일반적인 피드포워드 신경망과 달리 히든 레이어의 출력이 다시 같은 히든 레이어의 입력이 될 수 있다. RNN은 현재 입력된 입력 데이터와 과거에 입력 받았던 데이터를 동시에 고려하여 연산하며, 피드백 구조를 가짐으로써 기억 능력을 가지는 신경망이다. 따라서, RNN은 시계열 데이터에서 이전 데이터의 의미에 따라 현재 데이터를 해석할 수 있도록 훈련될 수 있다. RNN 중 하나인 LSTM은 장기 기억 네트워크(long short term memory network)라고도 불리며 장기 의존성을 학습할 수 있다. 본 개시의 일 실시예에서 신경망은 RNN 중 하나인 LSTM 뿐 아니라, 심 게이트 순환 신경망(depth gated RNN), 시계 장치 순환 신경망(clockwork RNN) 등과 같이 시계열 데이터를 처리할 수 있는 임의의 신경망을 포함할 수 있다.

도 2 의 신경망(200)은 하나 이상의 히든 레이어를 포함할 수 있다. 히든 레이어의 히든 노드는 이전의 레이어의 출력과 주변 히든 노드의 출력을 입력으로 할 수 있다. 각 히든 레이어 별 히든 노드의 수는 동일할 수도 있고 상이할 수도 있다. 입력 레이어의 노드의 수는 입력 데이터의 데이터 필드의 수에 기초하여 결정될 수 있으며 히든 노드의 수와 동일할 수도 있고 상이할 수도 있다. 입력 레이어에 입력된 입력 데이터는 히든 레이어의 히든 노드에 의하여 연산될 수 있고 출력 레이어인 완전 연결 레이어(FCL: fully connected layer)에 의해 출력될 수 있다.

이하에서는 본 개시의 일 실시예에 따른 건강 위험 발생 예측 방법에 관하여 설명한다.

본 개시의 일 실시예에 따라 건강 위험의 발생을 예측하는 신경망 모델을 생성하는 방법에 관하여 설명한다.

프로세서(110)는 생체 계측 데이터를 획득할 수 있다. 생체 계측 데이터는 인구 사회학적 정보(예를 들어, 성별, 연령 거주지역 등의 정보), 사망관련 정보, 건강보장 유형 정보, 사회경제적 수준 정보, 장애 등록 정보, 신체 검진 정보, 과거력 문진 정보, 가족력 문진 정보, 생활습관 문진 정보, 및 정신 검사 정보 중 적어도 하나를 포함할 수 있다. 프로세서(110)는 네트워크 모듈(150)을 이용하여 병원서버, 정부 서버로부터 전자건강기록(EHR: electronic health record), 전자의료기록(EMR: electronic medical record)을 획득하여 생체 계측 데이터를 획득할 수 있다. 예를 들어, 생체 계측 데이터는 다년간의 건강검진 기록을 포함할 수 있으며, 피검자를 구분할 수 있는 정보를 포함할 수고, 익명 또는 실명 정보일 수 있다. 예를 들어, 생체 계측 데이터는 건강검진 DB의 자격테이블 및 건강검진 테이블을 포함할 수 있다. 자격 테이블은 건강보험가입자 및 의료급여수급권자의 건강보장 자격 정보를 포함할 수 있다. 예를 들어, 자격 테이블은 인구사회학적 정보(성별, 연령, 거주지역 등의 정보 포함), 사망 관련 정보(사망일자, 사망원인 등 사망에 관련한 정보 포함), 건강보장 유형 정보(건강보험 가입자 구분 정보, 의료급여 정보 등의 정보 포함), 사회경제적 수준 및 기타 정보(소득분위, 장애등록 정보 등의 정보 포함)를 포함할 수 있다. 건강검진 테이블은 건강검진의 주요 결과 및 문진응답 자료를 포함할 수 있다. 예를 들어, 건강검진 테이블은 일반건강검진, 생애전환기건강진단 검진 결과, 구강검진 결과, 신체계측, 혈액 검사 등의 검사 결과 관련 정보, 과거력, 가족력, 생활습관에 관한 문진 결과 관련 정보, 평형성 골밀도 검사, 우울증, 인지기능 검사 등의 정신 검진 결과 관련 정보 등을 포함할 수 있다. 본 개시의 일 실시예에서 생체 계측 데이터는 생체 계측 시간, 성별, 연령, 소득분위, 장애중증도, 장애유형, 건강검진 기관 종, 체질량지수, 허리둘레, 수축기혈압, 이완기혈압, 식전혈당, 총콜레스테롤, 트리글리세라이드, HDL 콜레스테롤, LDL 콜레스테롤, 혈색소, 요단백, 혈청크레아틴, 혈청지오티, 혈청지피티, 감마지티피, 간장 질환 유무 가족력, 가족력 뇌졸중 유무, 가족력 심장병 유무, 가족력 고혈압 유무, 가족력 당뇨병 유무, 가족력 암 유무, 흡연상태, 1회음주량, 뇌졸중 과거병력, 심장병 과거병력, 고혈압 과거 병력, 당뇨병 과거 병력, 고지혈증 과거 병력, 폐결핵 과거 병력, 암포함 기타 과거 병력, 과거 흡연기간, 과거 하루 평균 흡연량, 현재 흡연기간, 현재 하루 평균 흡연량, 1주 20분이상 격렬한 운동, 1주 30분이상 격렬한 운동, 1주 30분이상 걷기 운동, 인지기능장애, 인지기능/동년배와의 비교, 인지기능/1년전과의 비고, 인지기능/중요한일지장여부, 인지기능/타인의본인증상인지, 인지기능/일상생활지장여부, 1주 주 운동횟수 등의 59개의 특징(feature)을 포함할 수 있다. 전술한 생체 계측 데이터는 예시일 뿐이며 본 개시는 이에 제한되지 않는다.

프로세서(110)는 생체 계측 데이터에 포함된 대상 구분 정보에 기초하여 생체 계측 데이터를 대상 별로 그룹화 하여 대상별 샘플을 생성할 수 있다. 생체 계측 데이터는 대상 구분 정보를 포함할 수 있다. 생체 계측 데이터가 다년간의 건강검진 기록인 경우, 프로세서(110)는 해당 건강검진 정보를 대상별로 구분하여 하나의 대상(즉, 개인)에 하여 다년간의 건강검진 기록으로 생성할 수 있다. 예를 들어, 생체 계측 데이터가 03년부터 15년까지의 전국민의 건강검진 데이터인 경우, 프로세서(110)는 해당 데이터에 포함된 검진 대상자를 구분할 수 있는 정보에 기초하여 대상자별 03년부터 15년까지의 검진 데이터로 그룹화하여 대상별 샘플을 생성할 수 있다. 건강검진DB의 경우는 개인을 식별할 수 있는 정보는 포함되지 않으나, 각각의 검진 데이터가 누구의 것인지 구분할 수 있는 정보는 포함하고 있으며, 프로세서(110)는 이를 이용하여 생체 계측 데이터를 개인별로 구분하여 그룹화 할 수 있다. 전술한 대상별 샘플은 예시일 뿐이며 본 개시는 이에 제한되지 않는다.

프로세서(110)는 대상별 샘플과 진료 데이터를 매칭시켜 라벨링된 학습 데이터를 생성할 수 있다. 본 개시의 일 실시예에서 프로세서(110)는 교사학습(supervised learning) 방식으로 신경망을 학습시킬 수 있다. 진료 데이터는 질환의 발생 여부, 질환의 명칭 및 발생 시기를 포함할 수 있다. 라벨링된 학습 데이터는 입력 데이터와 정답의 순서쌍으로 구성될 수 있다. 여기서 입력 데이터는 전술한 바와 같이 생체 계측 데이터를 포함할 수 있고, 정답은 진료 데이터를 포함할 수 있다. 예를 들어, 진료 데이터는 건강검진DB의 진료 테이블의 정보들을 포함할 수 있다. 진료 테이블은 요양급여비용명세서 상의 의료이용 내역 및 의료비 발생 내역을 포함할 수 있다. 예를 들어, 진료 테이블은 의료기관 이용 정보, 요양급여비용, 진료과목 및 진료 상병 정보, 진찰, 처치 수술 및 기타 행위 급여 내역, 치료 재료 내역, 치료 행위 내역, 수가코드, 상세 진료내역, 의약품 처방내역 등의 정보를 포함할 수 있다. 학습 데이터는 대상별 샘플과 진료 데이터가 매칭되어 생성될 수 있다. 신경망의 학습에서 대상별 샘플은 신경망의 입력 레이어에 입력될 수 있고, 진료 데이터는 신경망의 출력과 비교될 수 있다. 프로세서(110)는 대상별 샘플에 대한 신경망의 연산 결과와 진료 데이터(라벨)의 오차에 기초하여 신경망을 학습시킬 수 있다. 학습 데이터는 다년간의 생체 계측 데이터를 포함하며, 질환의 발생 여부에 따라 음성 샘플 또는 양성 샘플로 분류될 수 있다. 예를 들어, 심혈관 질환의 발생 여부에 관련된 예측을 위한 신경망의 학습 데이터는 다년간의 건강검진 기록과 해당 건강검진의 대상자에 대한 진료기록을 포함할 수 있다. 학습 데이터는 대상자에 대한 진료기록(질환의 발생 여부, 명칭, 발생시기)에 기초하여 질환이 발생한 양성 샘플과 질환이 발생하지 않은 음성 샘플로 분류될 수 있다. 양성 샘플은 질환 발생 시점까지의 다년간의 생체 계측 데이터를 포함할 수 있다. 양성 샘플은 질환 발생 이전의 이벤트가 질병을 암시하는 정보를 포함하고 있을 가능성이 높으므로, 질환 발생 시점까지의 다년간의 생체 계측 데이터를 포함할 수 있다. 이경우 양성 샘플의 데이터 길이(양성 샘플에 포함된 생체 계측 데이터의 추적관찰 길이로서, 예를 들어 5년간의 생체 계측 데이터의 경우 5년, 3년간의 생체 계측 데이터의 경우 3년 등)의 평균이 음성 샘플의 평균 데이터 길이보다 짧아질 수 있다. 따라서 프로세서(110)는 양성 샘플과 음성 샘플의 데이터 길이의 차이에 의한 오차의 발생을 방지하기 위하여 음성 샘플의 데이터 길이의 평균을 양성 샘플의 데이터 길이와 유사하도록 음성 샘플에 포함된 다년간의 생체 계측 데이터 중 일부만을 선택하여 사용할 수 있다.

프로세서(110)는 학습 데이터를 생성할 때, 생체 계측 데이터에 포함된 측정 값을 정규화(normalize) 할 수 있다. 프로세서(110)는 신경망 학습의 계산량을 감소시키고, 측정 값들의 단위, 치수 차이에 의한 오차를 줄이기 위하여 측정값들을 정규화 할 수 있다. 예를 들어, 프로세서(110)는 생체 계측 데이터에 포함된 측정 값을 z-score를 이용하여 정규화 할 수 있다. 또한, 프로세서(110)는 결측값을 전체의 평균값으로 설정할 수 있다. 예를 들어, 환자 a에 대한 건강검진 결과에서 환자 a의 키가 누락되어 환자 a의 키를 알 수 없는 경우, 프로세서(110)는 환자 a의 키를 전체의 평균값으로 설정할 수 있다. 노말라이즈 된 건강검진 결과에서 환자 a의 키는 평균값의 정규화 된 값인 0으로 설정될 수 있다. 또한, 프로세서(110)는 결측값을 대상자의 과거 기록을 이용하여 과거 기록의 값으로 하거나, 과거 기록의 평균값으로 설정할 수도 있다. 전술한 정규화 방법은 예시일 뿐이며 본 개시는 이에 제한되지 않는다.

프로세서(110)는 학습 데이터를 증가시키기 위하여 인공 양성 샘플 및 인공 음성 샘플을 생성할 수 있다. 프로세서(110)는 양성 샘플에서 발병시점을 종료시점으로 하여 다년간의 생체 계측 데이터를 분할하여 인공 양성 샘플을 생성할 수 있다. 예를 들어, 02년부터 09년까지의 건강검진 데이터에서 대상자가 2007년도에 심장질환이 발생한 경우, 프로세서(110)는 2002년부터 2007년까지의 양성 샘플을 질환 발생 시점을 종료시점으로 하여(즉, 2003년부터 2007년까지의 인공 양성 샘플, 2005년부터 2007년까지의 인공 양성 샘플 생성) 인공 양성 샘플을 생성할 수 있다. 본 개시의 일 실시예에 따라 인공 양성 샘플의 종료 시점을 발병시점으로 함으로써, 인공 양성 샘플의 종료 시점이 발명시점 이전으로 설정되는 경우 발생하는 오차를 제거할 수 있다(즉, 2007년 발병하는 양성 샘플을 2003년부터 2006년까지의 인공 샘플로 분할하는 경우, 2006년부터 2007년까지 샘플에 대한 예측이 필요한 오차가 발생할 수 있음). 프로세서(110)는 음성 샘플의 다년간의 생체 계측 데이터를 임의의 시작시점과 종료 시점을 가지도록 분할하여 인공 음성 샘플을 생성할 수 있다. 예를 들어, 프로세서(110)는 2002년부터 2010년까지의 생체 계측 데이터를 포함하는 음성 샘플을 2002년부터 2004년까지, 2006년부터 2008년까지 등의 샘플로 분할하여 인공 음성 샘플을 생성할 수 있다. 본 개시의 일 실시예에서 신경망의 학습의 대상이 되는 학습 데이터는 다년간의 생체 계측 데이터로서 실제 데이터를 신경망 학습에 충분할 정도로 임의로 늘릴 수 없고, 개인정보 보호 등의 이유로 학습 데이터의 원활한 확보가 어려운 실정이다. 전술한 바와 같이 본 개시의 일 실시예에 따라 프로세서(110)는 인공 음성 샘플 및 인공 양성 샘플을 생성하여 학습 데이터를 증가시킬 수 있어 신경망 학습의 정확도를 높일 수 있다.

프로세서(110)는 라벨링된 학습 데이터를 이용하여 신경망을 훈련시켜 생체 계측 데이터에 기초한 건강 위험 정보를 출력하도록 하는 신경망 모델을 생성할 수 있다. 본 개시의 일 실시예에서 훈련된 신경망 모델은 생체 계측 데이터를 입력하면 해당 입력 데이터에 기초하여 건강 위험 정보를 출력할 수 있다. 건강 위험 정보는 심혈관 질환의 발명 확률 정보, 암의 발명 확률 정보, 성인병의 발명 확률 정보 등 생체에 발생할 수 있는 임의의 건강 위험의 발명 확률에 관한 정보를 포함할 수 있다 또한, 건강 위험 정보는 질환의 발병 시기에 대한 예측 정보 또한 포함할 수 있다.

프로세서(110)는 신경망 모델을 생성하기 위하여 대상별 샘플을 신경망에 입력시키고 신경망으로 연산한 출력 데이터 외 진료 데이터를 비교하여 오차를 계산할 수 있다. 프로세서(110)는 오차에 기초하여 신경망의 가중치를 역전파 방식으로 조정할 수 있다. 프로세서(110)는 신경망의 학습에서 과적합(overfitting)을 방지하기 위하여 히든 노드의 출력의 일부가 다음 히든 노드에 전달되지 못하도록 드롭 아웃(drop out)을 설정할 수 있다. 프로세서(110)는 학습 효율을 위하여 학습률(learning rate)을 학습 초기에는 높게 설정하고, 학습이 진행되며 낮아지도록 설정할 수도 있다. 신경망의 각 노드의 최초 가중치는 랜덤 또는 연속 균등 분포에 기초하여 설정될 수 있다.

프로세서(110)는 이러한 학습을 사전결정된 에폭(epoch) 이상 수행한 후, 검증 데이터를 이용하여 학습의 중단 여부를 결정할 수 있다. 여기서 사전결정된 에폭은 전체 학습 목표 에폭의 일부일 수 있다. 프로세서(110)는 테스트 데이터를 이용하여 생성된 신경망 모델의 성능을 테스트하고, 성능에 기초하여 신경망의 활성화 여부를 결정할 수 잇다. 검증 데이터는 라벨링된 다년간의 생체 계측 데이터를 포함할 수 있다. 테스트 데이터는 라벨링된 다년간의 생체 계측 데이터를 포함할 수 있다. 프로세서(110)는 훈련 데이터를 사용하여 신경망의 학습을 수행하며, 신경망의 학습이 사전결정된 에폭 이상 반복된 후, 검증 데이터를 이용하여 신경망의 학습 효과가 사전결정된 수준 이상인지 판단할 수 있다. 예를 들어, 프로세서(110)는 100만개의 학습 데이터를 이용하여 목표 반복 학습 횟수가 10만회인 학습을 수행하는 경우, 사전결정된 에폭인 10000회의 반복 학습을 수행한 후, 1000개의 검증 데이터를 이용하여 10회의 반복 학습을 수행하여, 10회의 반복 학습 동안 신경망 출력의 변화가 사전결정된 수준 이하인 경우 더 이상의 학습이 무의미한 것으로 판단하고 학습을 종료할 수 있다. 즉, 검증 데이터는 신경망의 반복 학습에서 에폭별 학습의 효과가 일정 이상인지 이하인지 여부에 기초하여 학습의 완료를 결정하는 데 이용될 수 있다. 전술한 학습 데이터, 검증 데이터의 수 및 반복 횟수는 예시일 뿐이며 본 개시는 이에 제한되지 않는다.

테스트 데이터는 신경망의 성능을 검증하기 위하여 사용될 수 있다. 프로세서(110)는 학습이 완료된 신경망에 테스트 데이터를 입력하고 오차를 측정하여 사전설정된 성능 기준 이상인지 여부에 기초하여 신경망의 활성화 여부를 결정할 수 있다. 프로세서(110)는 학습이 완료된 신경망에 테스트 데이터를 이용하여 학습 완료된 신경망의 성능을 검증하고 학습 완료된 신경망의 성능이 사전결정된 기준 이상인 경우 해당 신경망을 다른 어플리케이션에서 사용하도록 활성화 할 수 있다. 또한 프로세서(110)는 학습 완료된 신경망의 성능이 사전결정된 기준 이하인 경우 해당 신경망을 비활성화하여 폐기할 수 있다. 예를 들어, 프로세서(110)는 정확도(accuracy), 정밀도(precision), 재현율(recall) 등의 요소를 기준으로 하여 생성된 신경망 모델의 성능을 판단할 수 있다. 전술한 성능 평가 기준은 예시일 뿐이며 본 개시는 이에 제한되지 않는다. 본 개시의 일 실시예에 따라 프로세서(110)는 각각의 신경망을 독립적으로 학습시켜 복수의 신경망 모델을 생성할 수 있으며, 성능을 평가하여 일정 성능 이상의 신경망만을 건강 위험 예측을 위해 사용할 수 있다. 또한, 본 개시의 일 실시예에서 건강 위험 예측을 위하여 하나 또는 그 이상의 신경망이 사용될 수 있고, 복수의 신경망이 사용되는 경우 복수의 신경망의 출력을 조합하여 건강 위험 예측 정보를 생성할 수 있다.

본 개시의 일 실시예에 따라 다년간의 건강검진 데이터에 기초하여 건강 위험의 발생을 예측하는 신경망 모델을 생성할 수 있다.

본 개시의 일 실시예에 따라 훈련된 신경망을 이용하여 건강 위험의 발생을 예측하는 방법에 관하여 설명한다.

프로세서(110)는 하나 이상의 항목을 포함하는 생체 계측 데이터 및 상기 생체 계측 데이터와 상이한 변경 데이터를 수신할 수 있다. 생체 계측 데이터는 인구 사회학적 정보, 사망관련 정보, 건강보장 유형 정보, 사회경제적 수준 정보, 장애 등록 정보, 신체 검진 정보, 과거력 문진 정보, 가족력 문진 정보, 생활습관 문진 정보, 및 정신 검사 정보 중 적어도 하나를 상기 항목으로 포함할 수 있다. 변경 데이터는 생체 계측 데이터의 하나 이상의 항목을 변경한 데이터를 포함한다. 예를 들어, 생체 계측 데이터가 28세 남성 혈당 80mg/dL 인 경우 변경 데이터는 28세 남성 혈당 95mg/dL 일 수 있다. 생체 계측 데이터는 외부 데이터 베이스, 사용자 단말로부터 획득될 수도 있다. 예를 들어, 도 3 의 본 개시의 일 실시예에 따른 건강 위험 예측 시스템의 사용자 인터페이스 예시도를 참고하면, 도 3 의 인터페이스 예시도는 사용자 단말에 표시되는 인터페이스의 예시도일 수 있다. 사용자는 도 3 의 인터페이스에서 생체 계측 데이터 입력 인터페이스(310)에 생체 계측 데이터, 변경 데이터를 입력할 수 있고, 입력된 생체 계측 데이터 및 변경 데이터를 프로세서(110)가 수신할 수 있다. 또한, 사용자는 사용자 단말의 카메라 등을 이용하여 건강검진 결과지를 촬영할 수 있고 본 개시의 일 실시예에 따른 컴퓨팅 장치(100)는 사용자 단말로부터 이미지를 수신하여 생체 계측 데이터를 획득할 수도 있다.

프로세서(110)는 생체 계측 데이터 및 변경 데이터를 훈련된 신경망에 입력시키고, 훈련된 신경망을 이용하여 생체 계측 데이터 및 변경 데이터를 연산할 수 있다. 훈련된 신경망은 전술한 본 개시의 일 실시예에 따라 건강 위험의 발생을 예측하는 신경망 모델을 생성하는 방법에 의하여 훈련된 신경망 일 수 있다.

프로세서(110)는 훈련된 신경망의 출력에 기초하여 생체 계측 데이터에 대한 제 1 건강 위험 정보를 생성하고, 변경 데이터에 대한 제 2 건강 위험 정보를 생성할 수 있다. 건강 위험 정보는 예를 들어 심혈관 질환의 발명 확률 정보, 암의 발병 확률 정보, 성인병의 발병 확률 정보 등 신체에 발생할 수 있는 건강상의 위험에 대한 발생 확률, 시기 등에 관련한 정보를 포함할 수 있다. 예를 들어, 도 3을 참조하면 프로세서(110)는 생체 계측 데이터 및 변경 데이터에 기초하여 건강 위험 정보를 생성할 수 있고, 컴퓨팅 장치(100)는 이를 사용자 단말에 전달하여 사용자 단말의 건강 위험 정보 인터페이스(330)에 디스플레이 되도록 할 수 있다.

프로세서(110)는 생체 계측 데이터의 하나 이상의 항목 중 제 1 건강 위험 정보와 연관성이 높은 고연관 항목을 추출할 수 있다. 또한 프로세서(110)는 고연관 항목을 변경시키기 위한 위험 회피 정보를 생성할 수 있다. 프로세서(110)는 훈련된 신경망의 연결관계, 각 노드의 연결 가중치(weight)를 파악하여 신경망의 출력과 연관이 높은 입력 항목을 추출할 수 있다. 프로세서(110)는 입력된 생체 계측 데이터에 기초한 신경망의 출력에서 입력으로 역투영(back projection)을 수행하여 출력값에 결정적인 역할을 한 입력 데이터의 항목을 판단할 수 있다. 예를 들어, 프로세서(110)는 신경망의 출력에서 심장질환의 발생 확률이 높은 것으로 예측된 경우, 신경망의 출력을 역으로 연산하여, 심장질환의 발생에 결정적인 영향을 한 입력 데이터의 항목을 판단할 수 있다. 예를 들어, 질환의 발생에 결정적인 영향을 미친 입력 데이터의 항목은 이미 알려진 바와 같이 콜레스테롤 일 수도 있으며, 일반적으로 관련이 낮다고 여겨지던 소득분위일 수도 있다. 전술한 항목은 예시일뿐이며 본 개시는 이에 제한되지 않는다. 따라서, 본 개시의 일 실시예에 따라 프로세서(110)는 신경망의 출력에서 입력으로 연산을 수행하여 환자에게 예측되는 건강상의 위험을 발생하게 하는 결정적인 항목을 추출할 수 있으며, 일반적으로 알려진 원인 외에 신경망에 의하여 연관관계가 학습된 다른 원인을 추출할 수 있다.

따라서, 본 개시의 일 실시예에 따른 건강 위험 예측 방법은 임상의에게 일반적으로 알려진 질병의 원인 이외에 다른 원인과 질병의 연관 관계에 대한 통찰을 제공할 수 있다.

프로세서(110)는 고연관 항목을 변경시키기 위한 위험 회피 정보를 생성할 수 있다. 예를 들어, 프로세서(110)가 훈련된 신경망을 이용하여 심장병의 발병에 대하여 해당 환자의 일정 수준 이상의 트리글리세라이드가 고연관 항목인 것을 결정한 경우, 프로세서(110)는 이러한 고연관 항목을 회피하기 위하여 해당 환자에게 제공될 수 있는 트리글라세이드를 줄이기 위한 생활습관, 식습관 관련, 의료 처치, 의약품 정보를 생성할 수 있다. 전술한 고연관 항목은 예시일 뿐이며 본 개시는 이에 제한되지 않는다.

프로세서(110)는 생체 계측 데이터와 변경 데이터의 데이터 변화량과 제 1 건강 위험 정보 및 제 2 건강 위험 정보의 건강 위험 정보 변화량의 연관관계를 생성할 수 있다. 예를 들어, 생체 계측 데이터가 28세 남성 혈당 80mg/dL 인 경우 변경 데이터는 28세 남성 혈당 95mg/dL 인 경우, 데이터 변화량은 혈당 15mg/dL 증가 일 수 있다. 이때, 프로세서(110)는 생체 계측 데이터와 변경 데이터의 데이터 변화량과 제 1 건강 위험 정보 및 제 2 건강 위험 정보의 건강 위험 정보 변화량의 연관관계를 생성하여, 혈당량이 15mg/dL 증가한 경우에 심장질환의 발생 확률(건강 위험 정보)의 변화량을 계산할 수 있다. 프로세서(110)는 혈당량이 증가한 경우에 증가하는 심장 질환의 발생 확률과 증가한 혈당량의 연관관계를 생성할 수 있다. 예를 들어, 프로세서(110)는 훈련된 신경망의 출력에 기초하여 혈당량이 15mg/dL 증가한 경우 심장 질환의 발생확률이 5%증가한다는 연관관계를 생성할 수 있다. 전술한 데이터와 건강 위험 정보는 예시일 뿐이며 본 개시는 이에 제한되지 않는다.

이러한 연관관계는 학습된 신경망을 이용한 연산을 통해 생성되어 일반적인 의료 상식과 동일하거나 상이할 수 있다. 일반적인 의료 상식과 동일한 경우 의사는 이를 이용하여 인자와 발병 위험의 연관관계를 정확히 파악할 수 있고, 일반적인 의료 상식과 상이한 경우 의사는 이를 이용하여 새로운 질병 인자를 발견할 수 있고 이는 의사에게 새로운 통찰을 제공할 수 있다.

프로세서(110)는 이러한 연관관계에 기초하여 데이터 변화량과 건강 위험 정보 변화량의 비율이 사전결정된 임계값 이상인 임계 변경 데이터를 결정할 수 있다. 임계 변경 데이터는 생체 계측 데이터가 약간만 변화하여도 건강 위험 정보에 큰 영향을 미치는 경우의 생체 계측 데이터의 항목 및 수치를 포함할 수 있다. 즉 임계 변경 데이터는 건강 위험 정보에 임계적 의의를 가지는 생체 계측 데이터를 포함할 수 있다. 예를 들어, 의사가 본 개시의 일 실시예에 따른 훈련된 신경망을 이용하여, 환자의 생체 계측 데이터에서 일부 항목의 수치를 조금씩 변경시켜가며 신경망의 출력(즉, 건강 위험 정보)의 변화를 관찰하는 실험을 수행한다고 가정한다. 예를 들어, 의사가 혈당을 1mg/dL씩 높여가며 심장질환의 발생 확률을 관찰할 때, 혈당이 100mg/dL에서 101mg/dL 이 되었을때 심장질환의 발생 확률이 급증하는 경우(예를 들어, 혈당을 99mg/dL 에서 100mg/dL로 증가시킨 경우의 심장질환 발생 확률의 상승보다 훨씬 증가하는 경우 등), 해당 환자에 대하여 혈당량 101mg/dL은 임계 변경 데이터일 수 있다. 전술한 기재는 예시일 뿐이며 본 개시는 이에 제한되지 않는다. 즉, 프로세서(110)는 데이터 변화량에 비하여 건강 위험 정보 변화량이 생체 계측 데이터의 다른 구간의 변화에 비해 큰 경우, 이에 기초하여 임계 변경 데이터를 결정할 수 있다. 프로세서(110)는 또한 변경 데이터의 포함된 항목이 정상치 이내라도 건강 위험 정보의 변화량이 임계적인 의의를 가지는 경우, 해당 항목 또한 임계 변경 데이터로 결정할 수 있다. 예를 들어, 의사 또는 연구자가 혈당을 정상 범위 이내에서 변경해가며 질병의 발생 위험을 관찰하는 실험을 하는 경우, 혈당이 정상 범위 이내더라도 건강 위험 발생 확률이 임계적으로 변하는 경우 프로세서는 해당 혈당 수치를 임계 변경 데이터로 결정할 수 있다. 전술한 기재는 예시일 뿐이며 본 개시는 이에 제한되지 않는다.

발병 원인 인자에 관한 실험은 해당 발명 원인 인자 이외의 다른 인자들에 대한 통제가 필요하나 생체 계측 데이터는 특성상 이러한 데이터를 확보하기가 극히 곤란하다. 예를 들어, 다른 모든 생체 계측 값들이 같고 혈당만 상이한 데이터를 확보하는 것은 거의 불가능에 가깝다. 따라서, 본 개시의 일 실시예에 따라 훈련된 신경망을 이용하면 의사 또는 연구자는 실험하고자 하는 발병 원인 인자의 값을 변경시켜 가며 발병 확률을 실험할 수 있고, 이러한 실험은 의사 또는 연구자에게 새로운 통찰을 제공할 수 있다.

도 4 는 본 개시의 일 실시예에 따른 건강 위험 예측 방법의 순서도이다.

컴퓨팅 장치(100)는 하나 이상의 항목을 포함하는 생체 계측 데이터 및 생체 계측 데이터와 상이한 변경 데이터를 수신할 수 있다(410). 생체 계측 데이터는 인구 사회학적 정보, 사망관련 정보, 건강보장 유형 정보, 사회경제적 수준 정보, 장애 등록 정보, 신체 검진 정보, 과거력 문진 정보, 가족력 문진 정보, 생활습관 문진 정보, 및 정신 검사 정보 중 적어도 하나를 상기 항목으로 포함할 수 있다. 변경 데이터는 생체 계측 데이터의 하나 이상의 항목을 변경한 데이터를 포함한다. 예를 들어, 생체 계측 데이터가 28세 남성 혈당 80mg/dL 인 경우 변경 데이터는 28세 남성 혈당 95mg/dL 일 수 있다. 생체 계측 데이터는 외부 데이터 베이스, 사용자 단말로부터 획득될 수도 있다.

컴퓨팅 장치(100)는 생체 계측 데이터 및 변경 데이터를 훈련된 신경망에 입력시키고, 훈련된 신경망을 이용하여 생체 계측 데이터 및 변경 데이터를 연산할 수 있다(420). 훈련된 신경망은 전술한 본 개시의 일 실시예에 따라 건강 위험의 발생을 예측하는 신경망 모델을 생성하는 방법에 의하여 훈련된 신경망 일 수 있다.

컴퓨팅 장치(100)는 훈련된 신경망의 출력에 기초하여 생체 계측 데이터에 대한 제 1 건강 위험 정보를 생성하고, 변경 데이터에 대한 제 2 건강 위험 정보를 생성할 수 있다(430). 건강 위험 정보는 예를 들어 심혈관 질환의 발명 확률 정보, 암의 발병 확률 정보, 성인병의 발병 확률 정보 등 신체에 발생할 수 있는 건강상의 위험에 대한 발생 확률, 시기 등에 관련한 정보를 포함할 수 있다.

컴퓨팅 장치(100)는 생체 계측 데이터의 하나 이상의 항목 중 제 1 건강 위험 정보와 연관성이 높은 고연관 항목을 추출할 수 있다. 또한 컴퓨팅 장치(100)는 고연관 항목을 변경시키기 위한 위험 회피 정보를 생성할 수 있다. 컴퓨팅 장치(100)는 훈련된 신경망의 연결관계, 각 노드의 연결 가중치(weight)를 파악하여 신경망의 출력과 연관이 높은 입력 항목을 추출할 수 있다. 컴퓨팅 장치(100)는 입력된 생체 계측 데이터에 기초한 신경망의 출력에서 입력으로 역투영(back projection)을 수행하여 출력값에 결정적인 역할을 한 입력 데이터의 항목을 판단할 수 있다. 예를 들어, 컴퓨팅 장치(100)는 신경망의 출력에서 심장질환의 발생 확률이 높은 것으로 예측된 경우, 신경망의 출력을 역으로 연산하여, 심장질환의 발생에 결정적인 영향을 한 입력 데이터의 항목을 판단할 수 있다. 예를 들어, 질환의 발생에 결정적인 영향을 미친 입력 데이터의 항목은 이미 알려진 바와 같이 콜레스테롤 일 수도 있으며, 일반적으로 관련이 낮다고 여겨지던 소득분위일 수도 있다. 전술한 항목은 예시일뿐이며 본 개시는 이에 제한되지 않는다. 따라서, 본 개시의 일 실시예에 따라 컴퓨팅 장치(100)는 신경망의 출력에서 입력으로 연산을 수행하여 환자에게 예측되는 건강상의 위험을 발생하게 하는 결정적인 항목을 추출할 수 있으며, 일반적으로 알려진 원인 외에 신경망에 의하여 연관관계가 학습된 다른 원인을 추출할 수 있다.

컴퓨팅 장치(100)는 생체 계측 데이터와 변경 데이터의 데이터 변화량과 제 1 건강 위험 정보 및 제 2 건강 위험 정보의 건강 위험 정보 변화량의 연관관계를 생성할 수 있다(440). 예를 들어, 생체 계측 데이터가 28세 남성 혈당 80mg/dL 인 경우 변경 데이터는 28세 남성 혈당 95mg/dL 인 경우, 데이터 변화량은 혈당 15mg/dL 증가 일 수 있다. 이때, 프로세서(110)는 생체 계측 데이터와 변경 데이터의 데이터 변화량과 제 1 건강 위험 정보 및 제 2 건강 위험 정보의 건강 위험 정보 변화량의 연관관계를 생성하여, 혈당량이 15mg/dL 증가한 경우에 심장질환의 발생 확률(건강 위험 정보)의 변화량을 계산할 수 있다. 컴퓨팅 장치(100)는 혈당량이 증가한 경우에 증가하는 심장 질환의 발생 확률과 증가한 혈당량의 연관관계를 생성할 수 있다. 예를 들어, 컴퓨팅 장치(100)는 훈련된 신경망의 출력에 기초하여 혈당량이 15mg/dL 증가한 경우 심장 질환의 발생확률이 5%증가한다는 연관관계를 생성할 수 있다. 전술한 데이터와 건강 위험 정보는 예시일 뿐이며 본 개시는 이에 제한되지 않는다.

컴퓨팅 장치(100)는 고연관 항목을 변경시키기 위한 위험 회피 정보를 생성할 수 있다. 예를 들어, 컴퓨팅 장치(100)가 훈련된 신경망을 이용하여 심장병의 발병에 대하여 해당 환자의 일정 수준 이상의 트리글리세라이드가 고연관 항목인 것을 결정한 경우, 컴퓨팅 장치(100)는 이러한 고연관 항목을 회피하기 위하여 해당 환자에게 제공될 수 있는 트리글라세이드를 줄이기 위한 생활습관, 식습관 관련, 의료 처치, 의약품 정보를 생성할 수 있다. 전술한 고연관 항목은 예시일 뿐이며 본 개시는 이에 제한되지 않는다.

컴퓨팅 장치(100)는 생체 계측 데이터와 변경 데이터의 데이터 변화량과 제 1 건강 위험 정보 및 제 2 건강 위험 정보의 건강 위험 정보 변화량의 연관관계를 생성할 수 있다. 예를 들어, 생체 계측 데이터가 28세 남성 혈당 80mg/dL 인 경우 변경 데이터는 28세 남성 혈당 95mg/dL 인 경우, 데이터 변화량은 혈당 15mg/dL 증가 일 수 있다. 이때, 컴퓨팅 장치(100)는 생체 계측 데이터와 변경 데이터의 데이터 변화량과 제 1 건강 위험 정보 및 제 2 건강 위험 정보의 건강 위험 정보 변화량의 연관관계를 생성하여, 혈당량이 15mg/dL 증가한 경우에 심장질환의 발생 확률(건강 위험 정보)의 변화량을 계산할 수 있다. 컴퓨팅 장치(100)는 혈당량이 증가한 경우에 증가하는 심장 질환의 발생 확률과 증가한 혈당량의 연관관계를 생성할 수 있다. 예를 들어, 프로세서(110)는 훈련된 신경망의 출력에 기초하여 혈당량이 15mg/dL 증가한 경우 심장 질환의 발생확률이 5%증가한다는 연관관계를 생성할 수 있다. 전술한 데이터와 건강 위험 정보는 예시일 뿐이며 본 개시는 이에 제한되지 않는다.

이러한 연관관계는 학습된 신경망을 이용한 연산을 통해 생성되어 일반적인 의료 상식과 동일하거나 상이할 수 있다. 일반적인 의료 상식과 동일한 경우 의사는 이를 이용하여 인자와 발병 위험의 연관관계를 정확히 파악할 수 있고, 일반적인 의료 상식과 상이한 경우 의사는 이를 이용하여 새로운 질병 인자를 발견할 수 있고 이는 의사에게 새로운 통찰을 제공할 수 있다.

컴퓨팅 장치(100)는 이러한 연관관계에 기초하여 데이터 변화량과 건강 위험 정보 변화량의 비율이 사전결정된 임계값 이상인 임계 변경 데이터를 결정할 수 있다. 임계 변경 데이터는 생체 계측 데이터가 약간만 변화하여도 건강 위험 정보에 큰 영향을 미치는 경우의 생체 계측 데이터의 항목 및 수치를 포함할 수 있다. 즉 임계 변경 데이터는 건강 위험 정보에 임계적 의의를 가지는 생체 계측 데이터를 포함할 수 있다. 예를 들어, 의사가 본 개시의 일 실시예에 따른 훈련된 신경망을 이용하여, 환자의 생체 계측 데이터에서 일부 항목의 수치를 조금씩 변경시켜가며 신경망의 출력(즉, 건강 위험 정보)의 변화를 관찰하는 실험을 수행한다고 가정한다. 예를 들어, 의사가 혈당을 1mg/dL씩 높여가며 심장질환의 발생 확률을 관찰할 때, 혈당이 100mg/dL에서 101mg/dL 이 되었을 때 심장질환의 발생 확률이 급증하는 경우(예를 들어, 혈당을 99mg/dL 에서 100mg/dL로 증가시킨 경우의 심장질환 발생 확률의 상승보다 훨씬 증가하는 경우 등), 해당 환자에 대하여 혈당량 101mg/dL은 임계 변경 데이터일 수 있다. 전술한 기재는 예시일 뿐이며 본 개시는 이에 제한되지 않는다. 즉, 컴퓨팅 장치(100)는 데이터 변화량에 비하여 건강 위험 정보 변화량이 생체 계측 데이터의 다른 구간의 변화에 비해 큰 경우, 이에 기초하여 임계 변경 데이터를 결정할 수 있다.

발병 원인 인자에 관한 실험은 해당 발명 원인 인자 이외의 다른 인자들에 대한 통제가 필요하나 생체 계측 데이터는 특성상 이러한 데이터를 확보하기가 극히 곤란하다. 예를 들어, 다른 모든 생체 계측 값들이 같고 혈당만 상이한 데이터를 확보하는 것은 거의 불가능에 가깝다. 따라서, 본 개시의 일 실시예에 따라 훈련된 신경망을 이용하면 의사 또는 연구자는 실험하고자 하는 발병 원인 인자의 값을 변경시켜 가며 발병 확률을 실험할 수 있고, 이러한 실험은 의사 또는 연구자에게 새로운 통찰을 제공할 수 있다.

도 5 는 본 개시의 다른 일 실시예에 따른 건강 위험 예측 방법의 순서도이다.

컴퓨팅 장치(100)는 생체 계측 데이터를 획득할 수 있다(510). 생체 계측 데이터는 인구 사회학적 정보(예를 들어, 성별, 연령 거주지역 등의 정보), 사망관련 정보, 건강보장 유형 정보, 사회경제적 수준 정보, 장애 등록 정보, 신체 검진 정보, 과거력 문진 정보, 가족력 문진 정보, 생활습관 문진 정보, 및 정신 검사 정보 중 적어도 하나를 포함할 수 있다. 컴퓨팅 장치(100)는 병원서버, 정부 서버로부터 전자건강기록(EHR: electronic health record), 전자의료기록(EMR: electronic medical record)을 획득하여 생체 계측 데이터를 획득할 수 있다. 예를 들어, 생체 계측 데이터는 다년간의 건강검진 기록을 포함할 수 있으며, 피검자를 구분할 수 있는 정보를 포함할 수고, 익명 또는 실명 정보일 수 있다. 예를 들어, 생체 계측 데이터는 건강검진DB의 자격테이블 및 건강검진 테이블을 포함할 수 있다. 전술한 기재는 예시일 뿐이며 본 개시는 이에 제한되지 않는다.

컴퓨팅 장치(100)는 생체 계측 데이터에 포함된 대상 구분 정보에 기초하여 생체 계측 데이터를 대상별로 그룹화하여 대상별 샘플을 생성할 수 있다(520). 생체 계측 데이터는 대상 구분 정보를 포함할 수 있다. 생체 계측 데이터가 다년간의 건강검진 기록인 경우, 컴퓨팅 장치(100)는 해당 건강검진 정보를 대상별로 구분하여 하나의 대상(즉, 개인)에 하여 다년간의 건강검진 기록으로 생성할 수 있다. 예를 들어, 생체 계측 데이터가 03년부터 15년까지의 전국민의 건강검진 데이터인 경우, 컴퓨팅 장치(100)는 해당 데이터에 포함된 검진 대상자를 구분할 수 있는 정보에 기초하여 대상자별 03년부터 15년까지의 검진 데이터로 그룹화하여 대상별 샘플을 생성할 수 있다. 건강검진DB의 경우는 개인을 식별할 수 있는 정보는 포함되지 않으나, 각각의 검진 데이터가 누구의 것인지 구분할 수 있는 정보는 포함하고 있으며, 컴퓨팅 장치(100)는 이를 이용하여 생체 계측 데이터를 개인별로 구분하여 그룹화 할 수 있다. 전술한 대상별 샘플은 예시일 뿐이며 본 개시는 이에 제한되지 않는다.

컴퓨팅 장치(100)는 대상별 샘플과 진료 데이터를 매칭시켜 라벨링된 학습 데이터를 생성할 수 있다(530). 본 개시의 일 실시예에서 컴퓨팅 장치(100)는 교사학습(supervised learning) 방식으로 신경망을 학습시킬 수 있다. 진료 데이터는 질환의 발생 여부, 질환의 명칭 및 발생 시기를 포함할 수 있다. 라벨링된 학습 데이터는 입력 데이터와 정답의 순서쌍으로 구성될 수 있다.

컴퓨팅 장치(100)는 학습 데이터를 생성할 때, 생체 계측 데이터에 포함된 측정 값을 정규화(normalize) 할 수 있다.

컴퓨팅 장치(100)는 학습 데이터를 증가시키기 위하여 인공 양성 샘플 및 인공 음성 샘플을 생성할 수 있다. 컴퓨팅 장치(100)는 양성 샘플에서 발병시점을 종료시점으로 하여 다년간의 생체 계측 데이터를 분할하여 인공 양성 샘플을 생성할 수 있다.

컴퓨팅 장치(100)는 라벨링된 학습 데이터를 이용하여 신경망을 훈련시켜 생체 계측 데이터에 기초한 건강 위험 정보를 출력하도록 하는 신경망 모델을 생성할 수 있다. 본 개시의 일 실시예에서 훈련된 신경망 모델은 생체 계측 데이터를 입력하면 해당 입력 데이터에 기초하여 건강 위험 정보를 출력할 수 있다. 건강 위험 정보는 심혈관 질환의 발명 확률 정보, 암의 발명 확률 정보, 성인병의 발명 확률 정보 등 생체에 발생할 수 있는 임의의 건강 위험의 발명 확률에 관한 정보를 포함할 수 있다 또한, 건강 위험 정보는 질환의 발병 시기에 대한 예측 정보 또한 포함할 수 있다.

컴퓨팅 장치(100)는 신경망 모델을 생성하기 위하여 대상별 샘플을 신경망에 입력시키고 신경망으로 연산한 출력 데이터 외 진료 데이터를 비교하여 오차를 계산할 수 있다. 컴퓨팅 장치(100)는 오차에 기초하여 신경망의 가중치를 역전파 방식으로 조정할 수 있다. 컴퓨팅 장치(100)는 신경망의 학습에서 과적합(overfitting)을 방지하기 위하여 히든 노드의 출력의 일부가 다음 히든 노드에 전달되지 못하도록 드롭 아웃(drop out)을 설정할 수 있다. 컴퓨팅 장치(100)는 학습 효율을 위하여 학습률(learning rate)을 학습 초기에는 높게 설정하고, 학습이 진행되며 낮아지도록 설정할 수도 있다. 신경망의 각 노드의 최초 가중치는 랜덤 또는 연속 균등 분포에 기초하여 설정될 수 있다.

컴퓨팅 장치(100)는 이러한 학습을 사전결정된 에폭(epoch) 이상 수행한 후, 검증 데이터를 이용하여 학습의 중단 여부를 결정할 수 있다. 컴퓨팅 장치(100)는 테스트 데이터를 이용하여 생성된 신경망 모델의 성능을 테스트하고, 성능에 기초하여 신경망의 활성화 여부를 결정할 수 잇다. 검증 데이터는 라벨링된 다년간의 생체 계측 데이터를 포함할 수 있다. 테스트 데이터는 라벨링된 다년간의 생체 계측 데이터를 포함할 수 있다. 컴퓨팅 장치(100)는 훈련 데이터를 사용하여 신경망의 학습을 수행하며, 신경망의 학습이 사전결정된 에폭이상 반복된 후, 검증 데이터를 이용하여 신경망의 학습 효과가 사전결정된 수준 이상인지 판단할 수 있다. 예를 들어, 컴퓨팅 장치(100)는 100만개의 학습 데이터를 이용하여 목표 반복 학습 횟수가 10만회인 학습을 수행하는 경우, 사전결정된 에폭인 10000회의 반복 학습을 수행한 후, 1000개의 검증 데이터를 이용하여 10회의 반복 학습을 수행하여, 10회의 반복 학습 동안 신경망 출력의 변화가 사전결정된 수준 이하인 경우 더 이상의 학습이 무의미한 것으로 판단하고 학습을 완료할 수 있다. 즉, 검증 데이터는 신경망의 반복 학습에서 에폭별 학습의 효과가 일정 이상인지 이하인지 여부에 기초하여 학습의 완료를 결정하는 데 이용될 수 있다. 전술한 학습 데이터, 검증 데이터의 수 및 반복 횟수는 예시일 뿐이며 본 개시는 이에 제한되지 않는다.

테스트 데이터는 신경망의 성능을 검증하기 위하여 사용될 수 있다. 컴퓨팅 장치(100)는 학습이 완료된 신경망에 테스트 데이터를 입력하고 오차를 측정하여 사전설정된 성능 기준 이상인지 여부에 기초하여 신경망의 활성화 여부를 결정할 수 있다. 컴퓨팅 장치(100)는 학습이 완료된 신경망에 테스트 데이터를 이용하여 학습 완료된 신경망의 성능을 검증하고 학습 완료된 신경망의 성능이 사전결정된 기준 이상인 경우 해당 신경망을 다른 어플리케이션에서 사용하도록 활성화 할 수 있다. 또한 컴퓨팅 장치(100)는 학습 완료된 신경망의 성능이 사전결정된 기준 이하인 경우 해당 신경망을 비활성화하여 폐기할 수 있다. 예를 들어, 컴퓨팅 장치(100)는 정확도(accuracy), 정밀도(precision), 재현율(recall) 등의 요소를 기준으로 하여 생성된 신경망 모델의 성능을 판단할 수 있다. 전술한 성능 평가 기준은 예시일 뿐이며 본 개시는 이에 제한되지 않는다. 본 개시의 일 실시예에 따라 프로세서(110)는 각각의 신경망을 독립적으로 학습시켜 복수의 신경망 모델을 생성할 수 있으며, 성능을 평가하여 일정 성능 이상의 신경망만을 건강 위험 예측을 위해 사용할 수 있다. 또한, 본 개시의 일 실시예에서 건강 위험 예측을 위하여 하나 또는 그 이상의 신경망이 사용될 수 있고, 복수의 신경망이 사용되는 경우 복수의 신경망의 출력을 조합하여 건강 위험 예측 정보를 생성할 수 있다.

본 개시의 일 실시예에 따라 다년간의 건강검진 데이터에 기초하여 건강 위험의 발생을 예측하는 신경망 모델을 생성할 수 있다.

도 6는 본 개시의 실시예들이 구현될 수 있는 예시적인 컴퓨팅 환경에 대한 간략하고 일반적인 개략도이다.

본 개시가 일반적으로 하나 이상의 컴퓨터 상에서 실행될 수 있는 컴퓨터 실행가능 명령어와 관련하여 전술되었지만, 당업자라면 본 개시가 기타 프로그램 모듈들과 결합되어 및/또는 하드웨어와 소프트웨어의 조합으로서 구현될 수 있다는 것을 잘 알 것이다.

일반적으로, 프로그램 모듈은 특정의 태스크를 수행하거나 특정의 추상 데이터 유형을 구현하는 루틴, 프로그램, 컴포넌트, 데이터 구조, 기타 등등을 포함한다. 또한, 당업자라면 본 개시의 방법이 단일-프로세서 또는 멀티프로세서 컴퓨터 시스템, 미니컴퓨터, 메인프레임 컴퓨터는 물론 퍼스널 컴퓨터, 핸드헬드 컴퓨팅 장치, 마이크로프로세서-기반 또는 프로그램가능 가전 제품, 기타 등등(이들 각각은 하나 이상의 연관된 장치와 연결되어 동작할 수 있음)을 비롯한 다른 컴퓨터 시스템 구성으로 실시될 수 있다는 것을 잘 알 것이다.

본 개시의 설명된 실시예들은 또한 어떤 태스크들이 통신 네트워크를 통해 연결되어 있는 원격 처리 장치들에 의해 수행되는 분산 컴퓨팅 환경에서 실시될 수 있다. 분산 컴퓨팅 환경에서, 프로그램 모듈은 로컬 및 원격 메모리 저장 장치 둘 다에 위치할 수 있다.

컴퓨터는 통상적으로 다양한 컴퓨터 판독가능 매체를 포함한다. 컴퓨터에 의해 액세스 가능한 매체는 그 어떤 것이든지 컴퓨터 판독가능 매체가 될 수 있고, 이러한 컴퓨터 판독가능 매체는 휘발성 및 비휘발성 매체, 일시적(transitory) 및 비일시적(non-transitory) 매체, 이동식 및 비-이동식 매체를 포함한다. 제한이 아닌 예로서, 컴퓨터 판독가능 매체는 컴퓨터 판독가능 저장 매체 및 컴퓨터 판독가능 전송 매체를 포함할 수 있다. 컴퓨터 판독가능 저장 매체는 컴퓨터 판독가능 명령어, 데이터 구조, 프로그램 모듈 또는 기타 데이터와 같은 정보를 저장하는 임의의 방법 또는 기술로 구현되는 휘발성 및 비휘발성 매체, 일시적 및 비-일시적 매체, 이동식 및 비이동식 매체를 포함한다. 컴퓨터 저장 매체는 RAM, ROM, EEPROM, 플래시 메모리 또는 기타 메모리 기술, CD-ROM, DVD(digital video disk) 또는 기타 광 디스크 저장 장치, 자기 카세트, 자기 테이프, 자기 디스크 저장 장치 또는 기타 자기 저장 장치, 또는 컴퓨터에 의해 액세스될 수 있고 원하는 정보를 저장하는 데 사용될 수 있는 임의의 기타 매체를 포함하지만, 이에 한정되지 않는다.

컴퓨터(1102)를 포함하는 본 개시의 여러가지 측면들을 구현하는 예시적인 환경(1100)이 나타내어져 있으며, 컴퓨터(1102)는 처리 장치(1104), 시스템 메모리(1106) 및 시스템 버스(1108)를 포함한다. 시스템 버스(1108)는 시스템 메모리(1106)(이에 한정되지 않음)를 비롯한 시스템 컴포넌트들을 처리 장치(1104)에 연결시킨다. 처리 장치(1104)는 다양한 상용 프로세서들 중 임의의 프로세서일 수 있다. 듀얼 프로세서 및 기타 멀티프로세서 아키텍처도 역시 처리 장치(1104)로서 이용될 수 있다.

시스템 버스(1108)는 메모리 버스, 주변장치 버스, 및 다양한 상용 버스 아키텍처 중 임의의 것을 사용하는 로컬 버스에 추가적으로 상호 연결될 수 있는 몇가지 유형의 버스 구조 중 임의의 것일 수 있다. 시스템 메모리(1106)는 판독 전용 메모리(ROM)(1110) 및 랜덤 액세스 메모리(RAM)(1112)를 포함한다. 기본 입/출력 시스템(BIOS)은 ROM, EPROM, EEPROM 등의 비휘발성 메모리(1110)에 저장되며, 이 BIOS는 시동 중과 같은 때에 컴퓨터(1102) 내의 구성요소들 간에 정보를 전송하는 일을 돕는 기본적인 루틴을 포함한다. RAM(1112)은 또한 데이터를 캐싱하기 위한 정적 RAM 등의 고속 RAM을 포함할 수 있다.

컴퓨터(1102)는 또한 내장형 하드 디스크 드라이브(HDD)(1114)(예를 들어, EIDE, SATA)－이 내장형 하드 디스크 드라이브(1114)는 또한 적당한 섀시(도시 생략) 내에서 외장형 용도로 구성될 수 있음－, 자기 플로피 디스크 드라이브(FDD)(1116)(예를 들어, 이동식 디스켓(1118)으로부터 판독을 하거나 그에 기록을 하기 위한 것임), 및 광 디스크 드라이브(1120)(예를 들어, CD-ROM 디스크(1122)를 판독하거나 DVD 등의 기타 고용량 광 매체로부터 판독을 하거나 그에 기록을 하기 위한 것임)를 포함한다. 하드 디스크 드라이브(1114), 자기 디스크 드라이브(1116) 및 광 디스크 드라이브(1120)는 각각 하드 디스크 드라이브 인터페이스(1124), 자기 디스크 드라이브 인터페이스(1126) 및 광 드라이브 인터페이스(1128)에 의해 시스템 버스(1108)에 연결될 수 있다. 외장형 드라이브 구현을 위한 인터페이스(1124)는 USB(Universal Serial Bus) 및 IEEE 1394 인터페이스 기술 중 적어도 하나 또는 그 둘 다를 포함한다.

이들 드라이브 및 그와 연관된 컴퓨터 판독가능 매체는 데이터, 데이터 구조, 컴퓨터 실행가능 명령어, 기타 등등의 비휘발성 저장을 제공한다. 컴퓨터(1102)의 경우, 드라이브 및 매체는 임의의 데이터를 적당한 디지털 형식으로 저장하는 것에 대응한다. 상기에서의 컴퓨터 판독가능 매체에 대한 설명이 HDD, 이동식 자기 디스크, 및 CD 또는 DVD 등의 이동식 광 매체를 언급하고 있지만, 당업자라면 집 드라이브(zip drive), 자기 카세트, 플래쉬 메모리 카드, 카트리지, 기타 등등의 컴퓨터에 의해 판독가능한 다른 유형의 매체도 역시 예시적인 운영 환경에서 사용될 수 있으며 또 임의의 이러한 매체가 본 개시의 방법들을 수행하기 위한 컴퓨터 실행가능 명령어를 포함할 수 있다는 것을 잘 알 것이다.

운영 체제(1130), 하나 이상의 애플리케이션 프로그램(1132), 기타 프로그램 모듈(1134) 및 프로그램 데이터(1136)를 비롯한 다수의 프로그램 모듈이 드라이브 및 RAM(1112)에 저장될 수 있다. 운영 체제, 애플리케이션, 모듈 및/또는 데이터의 전부 또는 그 일부분이 또한 RAM(1112)에 캐싱될 수 있다. 본 개시가 여러가지 상업적으로 이용가능한 운영 체제 또는 운영 체제들의 조합에서 구현될 수 있다는 것을 잘 알 것이다.

사용자는 하나 이상의 유선/무선 입력 장치, 예를 들어, 키보드(1138) 및 마우스(1140) 등의 포인팅 장치를 통해 컴퓨터(1102)에 명령 및 정보를 입력할 수 있다. 기타 입력 장치(도시 생략)로는 마이크, IR 리모콘, 조이스틱, 게임 패드, 스타일러스 펜, 터치 스크린, 기타 등등이 있을 수 있다. 이들 및 기타 입력 장치가 종종 시스템 버스(1108)에 연결되어 있는 입력 장치 인터페이스(1142)를 통해 처리 장치(1104)에 연결되지만, 병렬 포트, IEEE 1394 직렬 포트, 게임 포트, USB 포트, IR 인터페이스, 기타 등등의 기타 인터페이스에 의해 연결될 수 있다.

모니터(1144) 또는 다른 유형의 디스플레이 장치도 역시 비디오 어댑터(1146) 등의 인터페이스를 통해 시스템 버스(1108)에 연결된다. 모니터(1144)에 부가하여, 컴퓨터는 일반적으로 스피커, 프린터, 기타 등등의 기타 주변 출력 장치(도시 생략)를 포함한다.

컴퓨터(1102)는 유선 및/또는 무선 통신을 통한 원격 컴퓨터(들)(1148) 등의 하나 이상의 원격 컴퓨터로의 논리적 연결을 사용하여 네트워크화된 환경에서 동작할 수 있다. 원격 컴퓨터(들)(1148)는 워크스테이션, 컴퓨팅 디바이스 컴퓨터, 라우터, 퍼스널 컴퓨터, 휴대용 컴퓨터, 마이크로프로세서-기반 오락 기기, 피어 장치 또는 기타 통상의 네트워크 노드일 수 있으며, 일반적으로 컴퓨터(1102)에 대해 기술된 구성요소들 중 다수 또는 그 전부를 포함하지만, 간략함을 위해, 메모리 저장 장치(1150)만이 도시되어 있다. 도시되어 있는 논리적 연결은 근거리 통신망(LAN)(1152) 및/또는 더 큰 네트워크, 예를 들어, 원거리 통신망(WAN)(1154)에의 유선/무선 연결을 포함한다. 이러한 LAN 및 WAN 네트워킹 환경은 사무실 및 회사에서 일반적인 것이며, 인트라넷 등의 전사적 컴퓨터 네트워크(enterprise-wide computer network)를 용이하게 해주며, 이들 모두는 전세계 컴퓨터 네트워크, 예를 들어, 인터넷에 연결될 수 있다.

LAN 네트워킹 환경에서 사용될 때, 컴퓨터(1102)는 유선 및/또는 무선 통신 네트워크 인터페이스 또는 어댑터(1156)를 통해 로컬 네트워크(1152)에 연결된다. 어댑터(1156)는 LAN(1152)에의 유선 또는 무선 통신을 용이하게 해줄 수 있으며, 이 LAN(1152)은 또한 무선 어댑터(1156)와 통신하기 위해 그에 설치되어 있는 무선 액세스 포인트를 포함하고 있다. WAN 네트워킹 환경에서 사용될 때, 컴퓨터(1102)는 모뎀(1158)을 포함할 수 있거나, WAN(1154) 상의 통신 컴퓨팅 디바이스에 연결되거나, 또는 인터넷을 통하는 등, WAN(1154)을 통해 통신을 설정하는 기타 수단을 갖는다. 내장형 또는 외장형 및 유선 또는 무선 장치일 수 있는 모뎀(1158)은 직렬 포트 인터페이스(1142)를 통해 시스템 버스(1108)에 연결된다. 네트워크화된 환경에서, 컴퓨터(1102)에 대해 설명된 프로그램 모듈들 또는 그의 일부분이 원격 메모리/저장 장치(1150)에 저장될 수 있다. 도시된 네트워크 연결이 예시적인 것이며 컴퓨터들 사이에 통신 링크를 설정하는 기타 수단이 사용될 수 있다는 것을 잘 알 것이다.

컴퓨터(1102)는 무선 통신으로 배치되어 동작하는 임의의 무선 장치 또는 개체, 예를 들어, 프린터, 스캐너, 데스크톱 및/또는 휴대용 컴퓨터, PDA(portable data assistant), 통신 위성, 무선 검출가능 태그와 연관된 임의의 장비 또는 장소, 및 전화와 통신을 하는 동작을 한다. 이것은 적어도 Wi-Fi 및 블루투스 무선 기술을 포함한다. 따라서, 통신은 종래의 네트워크에서와 같이 미리 정의된 구조이거나 단순하게 적어도 2개의 장치 사이의 애드혹 통신(ad hoc communication)일 수 있다.

Wi-Fi(Wireless Fidelity)는 유선 없이도 인터넷 등으로의 연결을 가능하게 해준다. Wi-Fi는 이러한 장치, 예를 들어, 컴퓨터가 실내에서 및 실외에서, 즉 기지국의 통화권 내의 아무 곳에서나 데이터를 전송 및 수신할 수 있게 해주는 셀 전화와 같은 무선 기술이다. Wi-Fi 네트워크는 안전하고 신뢰성 있으며 고속인 무선 연결을 제공하기 위해 IEEE 802.11(a, b, g, 기타)이라고 하는 무선 기술을 사용한다. 컴퓨터를 서로에, 인터넷에 및 유선 네트워크(IEEE 802.3 또는 이더넷을 사용함)에 연결시키기 위해 Wi-Fi가 사용될 수 있다. Wi-Fi 네트워크는 비인가 2.4 및 5GHz 무선 대역에서, 예를 들어, 11Mbps(802.11a) 또는 54 Mbps(802.11b) 데이터 레이트로 동작하거나, 양 대역(듀얼 대역)을 포함하는 제품에서 동작할 수 있다.

본 개시의 기술 분야에서 통상의 지식을 가진 자는 정보 및 신호들이 임의의 다양한 상이한 기술들 및 기법들을 이용하여 표현될 수 있다는 것을 이해할 것이다. 예를 들어, 위의 설명에서 참조될 수 있는 데이터, 지시들, 명령들, 정보, 신호들, 비트들, 심볼들 및 칩들은 전압들, 전류들, 전자기파들, 자기장들 또는 입자들, 광학장들 또는 입자들, 또는 이들의 임의의 결합에 의해 표현될 수 있다.

본 개시의 기술 분야에서 통상의 지식을 가진 자는 여기에 개시된 실시예들과 관련하여 설명된 다양한 예시적인 논리 블록들, 모듈들, 프로세서들, 수단들, 회로들 및 알고리즘 단계들이 전자 하드웨어, (편의를 위해, 여기에서 "소프트웨어"로 지칭되는) 다양한 형태들의 프로그램 또는 설계 코드 또는 이들 모두의 결합에 의해 구현될 수 있다는 것을 이해할 것이다. 하드웨어 및 소프트웨어의 이러한 상호 호환성을 명확하게 설명하기 위해, 다양한 예시적인 컴포넌트들, 블록들, 모듈들, 회로들 및 단계들이 이들의 기능과 관련하여 위에서 일반적으로 설명되었다. 이러한 기능이 하드웨어 또는 소프트웨어로서 구현되는지 여부는 특정한 애플리케이션 및 전체 시스템에 대하여 부과되는 설계 제약들에 따라 좌우된다. 본 개시의 기술 분야에서 통상의 지식을 가진 자는 각각의 특정한 애플리케이션에 대하여 다양한 방식들로 설명된 기능을 구현할 수 있으나, 이러한 구현 결정들은 본 개시의 범위를 벗어나는 것으로 해석되어서는 안 될 것이다.

여기서 제시된 다양한 실시예들은 방법, 장치, 또는 표준 프로그래밍 및/또는 엔지니어링 기술을 사용한 제조 물품(article)으로 구현될 수 있다. 용어 "제조 물품"은 임의의 컴퓨터-판독가능 저장장치로부터 액세스 가능한 컴퓨터 프로그램, 캐리어, 또는 매체(media)를 포함한다. 예를 들어, 컴퓨터-판독가능 저장매체는 자기 저장 장치(예를 들면, 하드 디스크, 플로피 디스크, 자기 스트립, 등), 광학 디스크(예를 들면, CD, DVD, 등), 스마트 카드, 및 플래쉬 메모리 장치(예를 들면, EEPROM, 카드, 스틱, 키 드라이브, 등)를 포함하지만, 이들로 제한되는 것은 아니다. 또한, 여기서 제시되는 다양한 저장 매체는 정보를 저장하기 위한 하나 이상의 장치 및/또는 다른 기계-판독가능한 매체를 포함한다.

제시된 프로세스들에 있는 단계들의 특정한 순서 또는 계층 구조는 예시적인 접근들의 일례임을 이해하도록 한다. 설계 우선순위들에 기반하여, 본 개시의 범위 내에서 프로세스들에 있는 단계들의 특정한 순서 또는 계층 구조가 재배열될 수 있다는 것을 이해하도록 한다. 첨부된 방법 청구항들은 샘플 순서로 다양한 단계들의 엘리먼트들을 제공하지만 제시된 특정한 순서 또는 계층 구조에 한정되는 것을 의미하지는 않는다.

제시된 실시예들에 대한 설명은 임의의 본 개시의 기술 분야에서 통상의 지식을 가진 자가 본 개시를 이용하거나 또는 실시할 수 있도록 제공된다. 이러한 실시예들에 대한 다양한 변형들은 본 개시의 기술 분야에서 통상의 지식을 가진 자에게 명백할 것이며, 여기에 정의된 일반적인 원리들은 본 개시의 범위를 벗어남이 없이 다른 실시예들에 적용될 수 있다. 그리하여, 본 개시는 여기에 제시된 실시예들로 한정되는 것이 아니라, 여기에 제시된 원리들 및 신규한 특징들과 일관되는 최광의의 범위에서 해석되어야 할 것이다.

Claims (1)

1. 인코딩된 명령들을 포함하는 컴퓨터 판독 가능 저장 매체에 저장된 컴퓨터 프로그램으로서, 상기 컴퓨터 프로그램은 컴퓨터 시스템의 하나 이상의 프로세서들에 의해 실행되는 경우, 상기 하나 이상의 프로세서들로 하여금 이하의 단계들을 수행하도록 하며, 상기 단계들은:
   상기 프로세서가 하나 이상의 항목을 포함하는 생체 계측 데이터 및 상기 생체 계측 데이터와 상이한 변경 데이터를 수신하는 단계;
   상기 프로세서가 상기 생체 계측 데이터 및 상기 변경 데이터를 신경망 모델에 입력시키고, 상기 신경망 모델을 이용하여 상기 생체 계측 데이터 및 상기 변경 데이터를 연산하는 단계;
   상기 신경망 모델의 출력에 기초하여 생체 계측 데이터와 상기 변경 데이터에 기초한 건강 위험 정보를 생성하는 단계;
   를 포함하는,
   컴퓨터 판독가능 매체에 저장된 컴퓨터 프로그램.

Images