KR20190081268A - 개인건강기록을 이용한 가족력 위험도 산출 방법 - Google Patents

개인건강기록을 이용한 가족력 위험도 산출 방법 Download PDF

Info

Publication number
KR20190081268A
KR20190081268A KR1020170183672A KR20170183672A KR20190081268A KR 20190081268 A KR20190081268 A KR 20190081268A KR 1020170183672 A KR1020170183672 A KR 1020170183672A KR 20170183672 A KR20170183672 A KR 20170183672A KR 20190081268 A KR20190081268 A KR 20190081268A
Authority
KR
South Korea
Prior art keywords
disease
risk
family
node
family history
Prior art date
Application number
KR1020170183672A
Other languages
English (en)
Other versions
KR102144938B1 (ko
Inventor
송승재
김상수
김동현
Original Assignee
주식회사 라이프시맨틱스
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 주식회사 라이프시맨틱스 filed Critical 주식회사 라이프시맨틱스
Priority to KR1020170183672A priority Critical patent/KR102144938B1/ko
Publication of KR20190081268A publication Critical patent/KR20190081268A/ko
Application granted granted Critical
Publication of KR102144938B1 publication Critical patent/KR102144938B1/ko

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
    • G16H50/30—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
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16B—BIOINFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR GENETIC OR PROTEIN-RELATED DATA PROCESSING IN COMPUTATIONAL MOLECULAR BIOLOGY
    • G16B99/00—Subject matter not provided for in other groups of this subclass

Landscapes

  • Health & Medical Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Medical Informatics (AREA)
  • General Health & Medical Sciences (AREA)
  • Public Health (AREA)
  • Spectroscopy & Molecular Physics (AREA)
  • Biomedical Technology (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Biotechnology (AREA)
  • Data Mining & Analysis (AREA)
  • Databases & Information Systems (AREA)
  • Pathology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Epidemiology (AREA)
  • Primary Health Care (AREA)
  • Medical Treatment And Welfare Office Work (AREA)
  • Measuring And Recording Apparatus For Diagnosis (AREA)

Abstract

사용자 개인의 부모, 친척, 자식 등 혈연관계를 가지는 가족의 질병 데이터를 수집하여, 사용자의 질병을 예측하거나 위험도를 평가하는, 개인건강기록을 이용한 가족력 위험도 산출 방법에 관한 것으로서, (a) 건강기록 데이터에서 가족력 대상 질환 데이터를 추출하는 단계; (b) 입력되는 개인의 혈연관계 정보로부터 통합 가계 그래프를 생성하거나 갱신하되, 상기 통합 가계 그래프는 노드와 방향성 에지로 구성되는 방향성 그래프이고, 각 노드는 각 사용자에 해당되고 각 노드 간의 방향성 에지는 부모-자식 관계를 나타내는 단계; (c) 상기 통합 가계 그래프의 각 노드에 해당 노드에 대응되는 사용자의 가족력 대상 질환 데이터를 반영하는 단계; (d) 상기 통합 가계 그래프에서 대상자의 개인 가계 그래프를 추출하는 단계; 및, (e) 상기 개인 가계 그래프를 이용하여 각 질환에 대한 가족력 위험도를 산출하는 단계를 포함하는 구성을 마련하여, 사용자 가족의 질병 데이터를 수집하여 가족력에 의한 사용자의 질병 위험도를 평가함으로써, 각 사용자 개인이 가족력 데이터를 입력하지 않아도 가족력을 파악할 수 있고 보다 다양한 질병에 대한 가족력을 추적할 수 있다.

Description

개인건강기록을 이용한 가족력 위험도 산출 방법 { A effect measuring method for family history using personal health records }
본 발명은 사용자 개인의 부모, 친척, 자식 등 혈연관계를 가지는 가족의 질병 데이터를 수집하여, 사용자의 질병을 예측하거나 위험도를 평가하는, 개인건강기록을 이용한 가족력 위험도 산출 방법에 관한 것이다.
일반적으로, 개인건강기록(PHR : Personal Health Record)은 범국가적으로 인정되는 상호 운용성 표준에 부합되고 다양한 원천으로부터 정보가 도출된 개인의 건강관련 전자기록으로서 개인이 관리하고 공유하며 통제하는 개념으로 발전하고 있다. 고령화 및 건강에 대한 관심 증가 등으로 개인진료정보와 건강정보를 개인이 통합 관리 분석하여 맞춤형 개인건강 증진 및 보건 의료 정책 수립 등에 활용하고자 하는 요구가 증대되어 개인건강기록 서비스가 헬스 ICT(Isovolumic Contraction Time)의 핵심적 역할을 할 것으로 기대되고 있다. 즉, 이러한 PHR은 다양한 헬스 케어 서비스에 활용될 것이다.
이를 위해, 건강정보를 관리하는 서버를 통해 각 개인별 건강기록정보 및 각 개인의 가족 관계정보를 관리함으로써, 개인 또는 동의된 의료진이 개인의 건강기록정보 및 가족의 건강기록정보를 조회하고 업데이트 가능하도록 하는 기술이 제시되고 있다[특허문헌 1]. 또한, EMR(Electronic Medical Records, 전자의무기록) 시스템과 연계하여 고객 건강검진정보 통합하여 운영하는 기술도 제시되고 있다[특허문헌 2].
그런데 개인건강기록(PHR)은 주로 개인을 중심으로 하는 건강기록이므로, 개인의 건강정보는 다른 개인과는 서로 소통되지 않는다. 따라서 각 개인의 가족력은 해당 개인에 대한 정보로서만 개별적이고 독립적으로 입력되고 있다.
현재 의료계에서 가족력이란 조부모, 외조부모, 부모와 형제자매까지 3대에 걸친 직계가족 가운데 같은 질환을 않는 환자가 2명 이상일 경우를 말한다. 가족력은 유전 보다 더 넓은 의미이다. 유전은 부모가 가지고 있는 특성이 자식에게 전해지는 현상이나, 가족력은 유전을 포함하여 형제, 자매 등 혈연 사이의 잘못된 생활습관 공유로 생기는 모든 영향을 포함한다. 즉, 가족력은 특정 질별을 유발하는 유전자를 물려주는 경우와 특정 질병이 발생하는 생활습관을 함께 가지고 있는 경우이다. 후자의 경우도 가족력에 많은 영향을 끼친다.
따라서 개인의 가족력은 미리 확인하여 개인의 질병을 예방하는데 유용하게 이용될 수 있다. 예를 들어, 암에 가족력이 있다면 다른 사람 보다 일찍 정기적 검진을 받게 하거나, 암을 예방할 수 있는 생활습관을 추천함으로써, 암을 예방하거나 초기에 검진할 수 있다.
현재 의료계에서 가족력 가계도는 개인 본인을 기준으로 직계가족 3대의 질병을 기록한다. 종래에는 텍스트형 항목에서 특수 문자 등을 이용하여 일일이 손으로 가족력도를 작성하거나 또는 이미지 작성 툴을 통해 별도로 가족력도를 그린 후 이미지형 항목에서 불러들여 저장하였다. 이러한 작업 과정이 번거로우며, 그리고자 하는 대로 가족력도를 작성하기 어렵고, 또한, 작성된 가족력도를 용이하게 수정하는 것도 어렵다. 이러한 문제를 해결하고자, 사용자가 화면에 표시된 가족력도를 직접 마우스, 키보드 또는 터치 입력을 통해 수정할 수 있도록 함으로써, 용이하게 가족력도를 생성 및 수정할 수 있는 기술이 제시되고 있다[특허문헌 3].
그러나 혈연관계를 갖는 개인들의 개인건강기록(PHR)을 상호 소통하여, 가족력에 적용한다면 보다 효과적으로 환자의 가족력을 파악할 수 있고, 그 영향 정도를 보다 정밀하게 추정할 수 있을 것이다.
한국공개특허공보 제10-2011-0138896호(2011.12.28.공개) 한국등록특허공보 제10-0910405호(2009.07.27.공고) 한국등록특허공보 제10-1507599호(2015.03.31.공고)
본 발명의 목적은 상술한 바와 같은 문제점을 해결하기 위한 것으로, 사용자 개인의 부모, 친척, 자식 등 혈연관계를 가지는 가족의 질병 데이터를 수집하여, 사용자의 질병을 예측하거나 위험도를 평가하는, 개인건강기록을 이용한 가족력 위험도 산출 방법을 제공하는 것이다.
또한, 본 발명의 목적은 개인 건강 기록(Personal Health Record)이 각 개인의 건강 기록 외에도 가족 및 친척의 건강 기록까지 확장하여, 가족 또는 친척의 건강정보, 검진정보가 자신에게 가족력으로 반영되고, 반대로 자신의 건강기록을 기반으로 가족, 친척의 건강정보까지 적용이 되도록 하는, 개인건강기록을 이용한 가족력 위험도 산출 방법을 제공하는 것이다.
상기 목적을 달성하기 위해 본 발명은 개인건강기록을 관리하는 서버에 의하여 수행되는, 개인건강기록을 이용한 가족력 위험도 산출 방법에 관한 것으로서, (a) 건강기록 데이터에서 가족력 대상 질환 데이터를 추출하는 단계; (b) 입력되는 개인의 혈연관계 정보로부터 통합 가계 그래프를 생성하거나 갱신하되, 상기 통합 가계 그래프는 노드와 방향성 에지로 구성되는 방향성 그래프이고, 각 노드는 각 사용자에 해당되고 각 노드 간의 방향성 에지는 부모-자식 관계를 나타내는 단계; (c) 상기 통합 가계 그래프의 각 노드에 해당 노드에 대응되는 사용자의 가족력 대상 질환 데이터를 반영하는 단계; (d) 상기 통합 가계 그래프에서 대상자의 개인 가계 그래프를 추출하는 단계; 및, (e) 상기 개인 가계 그래프를 이용하여 각 질환에 대한 가족력 위험도를 산출하는 단계를 포함하는 것을 특징으로 한다.
또, 본 발명은 개인건강기록을 이용한 가족력 위험도 산출 방법에 있어서, 상기 (b)단계에서, 사용자 간의 혈연관계가 1촌 관계를 초과하는 경우에는 해당 혈연관계를 나타내도록 가상 노드를 추가한 후 방향성 에지로 연결시키고, 상기 가상 노드에 해당하는 노드가 그래프에 이미 존재하는 경우에는 존재하는 노드에 연결시키는 것을 특징으로 한다.
또, 본 발명은 개인건강기록을 이용한 가족력 위험도 산출 방법에 있어서, 상기 (d)단계에서, 상기 통합 가계 그래프에서, 상기 대상자에 대응되는 노드(이하 대상 노드)를 기준으로, 모든 하위 노드와, 모든 상위노드, 모든 상위 노드의 모든 하위 노드들을 포함하는 그래프를 상기 대상자의 개인 가계 그래프로 추출하는 것을 특징으로 한다.
또, 본 발명은 개인건강기록을 이용한 가족력 위험도 산출 방법에 있어서, 상기 (e)단계에서, 특정 질환에 대한 가족력 위험도를 산출하기 위하여, 상기 개인 가계 그래프에서 상기 대상 노드에서 해당 질환을 가지는 노드(이하 질환 노드) 사이의 에지 거리에 따라 가중치를 부여하되, 바람직하게는 거리가 멀수록 더 작은 가중치를 부여하고, 모든 질환 노드의 가중치들을 모두 합산하여, 해당 질환의 가족력 위험도를 산출하는 것을 특징으로 한다.
또, 본 발명은 개인건강기록을 이용한 가족력 위험도 산출 방법에 있어서, 상기 (e)단계에서, 상기 개인 가계 그래프에서 질환 k의 가족력 위험도 Wk는 다음 수식 1에 의해 산출되는 것을 특징으로 한다.
[수식 1]
Figure pat00001
단, Dk는 질환 k를 가지는 노드의 집합이고, de는 대상 노드와 노드 e 간의 거리를 나타내고, w0는 기초 가중치로서 사전에 정해지는 상수 값으로 1보다 작은 상수임.
또, 본 발명은 개인건강기록을 이용한 가족력 위험도 산출 방법에 있어서, 상기 (e)단계에서, 상기 가족력 위험도가 사전에 설정되는 기준 위험도 이상이면, 상기 사용자가 해당 질환에 대하여 가족력이 있는 것으로 판단하는 것을 특징으로 한다.
또, 본 발명은 개인건강기록을 이용한 가족력 위험도 산출 방법에 있어서, 상기 (e)단계에서, 해당 질환이 유전을 통한 질환인 경우와, 유전을 통한 질환인지 불명확한 경우에 따라 상기 기준 위험도를 달리 설정하되, 불명확한 경우의 기준 위험도를 더 높게 설정하는 것을특징으로 한다.
또, 본 발명은 개인건강기록을 이용한 가족력 위험도 산출 방법에 있어서, 상기 (e)단계에서, 해당 질환이 우성 유전인 경우, 상기 개인 가계 그래프에서, 상기 대상 노드의 상위 노드나 하위 노드에서 해당 질환이 없으면 가족력 위험도를 무시하고 가족력이 없는 것으로 판단하거나, 해당 질환이 성염색체에 의해 전달되는 질환인 경우, 상기 대상 노드의 상위 노드 중 남성에 해당하는 노드에서 해당 유전질환이 없으면 가족력이 없는 것으로 판단하는 것을 특징으로 한다.
상술한 바와 같이, 본 발명에 따른 개인건강기록을 이용한 가족력 위험도 산출 방법에 의하면, 사용자 가족의 질병 데이터를 수집하여 가족력에 의한 사용자의 질병 위험도를 평가함으로써, 각 사용자 개인이 가족력 데이터를 입력하지 않아도 가족력을 파악할 수 있고 보다 다양한 질병에 대한 가족력을 추적할 수 있는 효과가 얻어진다.
또한, 본 발명에 따른 개인건강기록을 이용한 가족력 위험도 산출 방법에 의하면, 각 개인의 부분적인 가족 데이터를 통합하여 전체 혈연관계 그래프를 형성하여 가족력을 추정함으로써, 가족력을 보다 광범위하게 추적하고, 그 영향 정도를 세밀하고 정확하게 추정할 수 있는 효과가 얻어진다.
도 1은 본 발명을 실시하기 위한 전체 시스템에 대한 구성도.
도 2는 본 발명의 일실시예에 따른 개인건강기록을 이용한 가족력 위험도 산출 방법을 설명하는 흐름도.
도 3은 본 발명의 일실시예에 따른 사용자의 가계도에 대한 예시도.
도 4와 5는 본 발명의 일실시예에 따른 통합 가계 그래프에 대한 예시도.
도 6은 본 발명의 일실시예에 따른 사용자의 개인 가계 그래프에 대한 예시도.
이하, 본 발명의 실시를 위한 구체적인 내용을 도면에 따라서 설명한다.
또한, 본 발명을 설명하는데 있어서 동일 부분은 동일 부호를 붙이고, 그 반복 설명은 생략한다.
먼저, 본 발명을 실시하기 위한 전체 시스템의 구성 일례를 도 1을 참조하여 설명한다.
도 1에서 보는 바와 같이, 본 발명을 실시하기 위한 전체 시스템은 사용자가 소지하는 사용자 단말(10), 병원, 진단기관 등 의료기관의 의료기관 서버(20), 및, 개인건강기록(PHR, Personal Health Record)을 관리하는 PHR 서버(50)로 구성된다.
먼저, 사용자 단말(10)은 사용자가 이용하는 모바일 단말로서, 웨어러블 기기, 스마트폰, 패블릿, 태블릿PC 등일 수 있다. 사용자 단말(10)은 생체신호나 사용자의 운동을 측정할 수 있는 생체신호 센서나 움직임 센서 등을 구비하거나, 이들 센서로부터 측정된 사용자의 생체신호나 움직임 센서를 수집한다.
사용자 단말(10)은 사용자의 활동량이나 생체신호 등을 측정하여 개인건강기록을 수집하고, 수집된 개인건강기록은 PHR 서버(50)로 전송된다.
다음으로, 의료기관 서버(20)는 의료기관에서 사용하는 단말이나 서버로서, 사용자의 건강기록을 입력받아 기록하고, 기록된 사용자의 개인건강기록을 PHR 서버(50)로 전송한다. 또는, PHR 서버(50)의 요청에 따라 의료기관 서버(20)는 요청된 개인의 건강기록을 전송해준다.
다음으로, PHR 서버(50)는 다수의 소스로부터 사용자의 개인건강기록을 수신하여 기록하고 관리하는 서버이다. 즉, PHR 서버(50)는 다수의 사용자들 또는 환자들에 대한 건강기록을 다수의 소스로부터 수집하여, 각 개인별 건강기록 데이터로서 통합하여 저장하고 관리한다.
즉, 개인건강기록에는 개인이 병원 등을 방문하여 신체 검진(체력, 치아, 청각, 시각, 촉각 등에 대한 건강정보) 데이터, 병원을 방문하여 얻는 특정 질환/증상에 대한 병원 진료 기록 데이터, 유전체 검사를 통해 얻는 특정 SNP에 따른 유전적 반응성(약물 민감도, 비만 위험도, 피부 미용 경향, 수면 패턴 등) 데이터, 웨어러블 센서 및 개인건강기기를 통해 수집하는 라이프로그(운동량, 수면량 등) 데이터 등이 있다.
또한, PHR 서버(50)는 각 사용자에 대하여 주민등록번호, 건강보험 식별번호, 마이핀, 환자의 아이디 등 개인식별정보를 통해, 각 사용자를 식별한다. 동일한 사용자 또는 환자에 대한 건강기록 데이터들은 다양한 소스로부터 수집되어도, 사용자의 개인식별정보로 식별하여, 해당 사용자의 건강기록 데이터로서 통합되어 관리된다.
예를 들어, 사용자 A가 자신의 스마트폰으로 건강기록을 입력하고, 사용자 A가 방문한 병원 C와 병원 D가 사용자 A의 진단 및 처방 내용을 개별적으로 PHR 서버(50)에 전송할 수 있다. 이 모든 경우에도, 해당 건강기록이나 진단 처방 내용 등은 동일한 사용자로 식별되어, 사용자 A의 개인건강기록으로 통합되어 기록되고 관리된다.
또한, PHR 서버(50)는 사용자들 간의 가족이나 친척 등 혈연관계 데이터를 수신하여 관리한다. 그리고 PHR 서버(50)는 혈연관계 데이터를 이용하여, 각 사용자의 가족력에 대한 질환의 위험도를 추정하고 평가할 수 있다. 이때, PHR 서버(50)는 해당 사용자의 가족 또는 친척의 가족력 대상인 질환 데이터를 해당 가족 또는 친척의 개인정보기록(PHR)을 참조하거나 가져올 수 있다.
앞서 본 발명의 실시 형태를 PHR 서버(50) 내에서 가족력의 위험도를 산출하는 것으로 설명하였으나, PHR 서버(50)와 별도의 서버로서 구현될 수도 있다. 즉, PHR 서버(50)와 네트워크로 연결되어, PHR 서버(50)로부터 가족 또는 친척의 개인건강기록 데이터를 가져와서 가족력의 위험도를 산출하는 방식으로 구현될 수도 있다. 이하에서는, 설명의 편의를 위하여 PHR 서버(50) 내에 가족력의 위험도를 측정하는 방법으로 설명한다.
다음으로, 본 발명의 제1 실시예에 따른 개인건강기록을 이용한 가족력 위험도 산출 방법을 도 3을 참조하여 설명한다. 본 발명에 따른 가족력 위험도 산출 방법은 PHR 서버(50)에 의해 수행되는 방법이다.
도 3에서 바와 같이, 본 발명에 따른 개인건강기록을 이용한 가족력 위험도 산출 방법은 (a) 입력되는 건강기록 데이터에서 가족력 대상 질환 데이터를 추출하는 단계(S10), (b) 입력되는 개인의 혈연관계 정보로부터 통합 가계 그래프를 생성하거나 갱신하는 단계(S20), (c) 통합 가계 그래프에서 가족력 대상 질환 데이터를 반영하는 단계(S30), (d) 통합 가계 그래프에서 사용자의 개인 가계 그래프를 추출하는 단계(S40), 및, (e) 개인 가계 그래프를 이용하여 각 질환에 대한 가족력 위험도를 산출하는 단계(S50)로 구성된다.
먼저, 입력되는 건강기록 데이터에서 가족력 대상 질환 데이터를 추출한다(S10).
모든 질환이 가족력에 의해 영향을 받지 않는다. 감기 등 바이러스에 의한 질환이나, 외부 충격 등에 의한 외상 등은 가족력과는 관련이 없다. 주로, 고혈압, 암, 당뇨 등 만성 질환이 가족력과 관련성이 높다. 그러나 습관(수면 패턴), 유전적 경향성(약물 민감도 등)도 일종의 가족력에 해당할 수 있는 잠재적 가족력 정보로 취급할 수 있다.
따라서 가족력에 의해 영향을 받는 질환들은 사전에 설정된다. 이들 질환을 가족력 대상 질환이라 부르기로 한다.
PHR 서버(50)는 사용자의 개인건강기록(PHR) 데이터는 모든 질환이나 건강데이터를 저장하므로, 이로부터 가족력 대상 질환을 추출한다. 해당 질환이 발병된 기록이 검색되거나, 해당 질환에 대한 검사치가 정상 수치 범위를 벗어나면, 사용자가 가족력 대상 질환을 가지는 것으로 판단한다.
바람직하게는, PHR 서버(50)는 개인건강기록(PHR) 데이터에서 가족력 대상 질환을 추출하는 규칙을 사전에 설정하고, 해당 규칙을 적용하여 사용자의 가족력 대상 질환을 추출한다.
다음으로, PHR 서버(50)는 입력되는 개인의 혈연관계 정보로부터 통합 가계도(통합 가계 그래프)를 방향성 그래프로 생성하거나 갱신한다(S20).
PHR 서버(50)는 각 사용자에 대한 혈연관계 정보를 입력받는다. 이때, 혈연관계 데이터는 사용자와 부모, 자식 등의 관계와, 부모, 자식에 대한 식별정보를 입력받는다. 이로부터 부분적인 가계의 관계를 설정할 수 있다. 이들 부분적인 가계의 관계를 통합하여 전체 통합 가계도를 생성할 수 있다.
도 3은 사용자의 혈연관계를 나타내고 있다. 이를 방향성 그래프로 표시하면, 도 4와 같다.
예를 들어, 사용자 P1은 자신의 배우자 P2와, 자녀 P5에 대한 혈연관계를 입력하고, 사용자 P5는 자신의 배우자 P6과 자녀 P8과 P9를 입력한다. 그리고 사용자 P9는 자신의 자녀 P11을 입력한다. 사용자 P1, P5, P9는 각각 도 3의 전체 가계도에서 일부의 혈연관계만을 입력하였으나, 이들을 전체의 하나의 가계도로 표시하면 도 3과 같이 전체 가계도를 알 수 있다. 즉, 사용자 P1의 손자녀로서 P8와 P9가 있음을 알 수 있다. 이러한 가계 정보를 직접 입력받은 것은 아니나, 부분적인 혈연관계를 전체 하나의 가계도로 통합하면, 이러한 가계 정보를 유추할 수 있다.
입력된 혈연관계로부터 도 4와 같은 방향성 그래프 또는 통합 가계 그래프를 생성한다. 이미 존재하는 경우에는 새로 혈연관계를 추가하여 통합 가계 그래프를 갱신한다.
방향성 그래프에서 각 노드는 사용자들을 나타내고, 방향성 에지는 부모관계를 나타낸다. 즉, 사용자 A와 B가 서로 부모와 자식 관계라면, 사용자 A에서 사용자 B로 방향을 갖는 에지로 표시된다.
한편, 결혼 관계에 의한 부부 관계는 서로 혈연관계를 갖지 않는다. 따라서 직접적인 에지 관계로 표현되지 않는다.
또한, 사용자 P4와 사용자 P10은 서로 조부-자식의 관계(손자녀 관계)이면, 중간에 가상의 노드를 생성하여 연결한다. 즉, 가상 노드 P12를 생성하고 P4에서 P12로 에지를 연결하고, P12에서 P10으로 에지를 연결한다.
즉, 사용자 간의 혈연관계가 부모-자식 간의 관계(또는 1촌 관계)를 초과하는 경우에는 해당 혈연관계가 그래프로 나타날 수 있도록 가상 노드를 추가한 후 가상노드와의 에지를 연결하여 해당되는 혈연관계를 표시한다. 예를 들어, 앞서와 같이 조부모 관계이면 중간에 부모에 해당하는 가상 노드를 추가한다. 또한, 사용자 간의 혈연관계를 사촌 관계로 표시하면, 사촌 관계가 형성되도록 각 사용자의 아버지에 해당하는 2개의 노드와 할아버지를 나타내는 1개 노드를 가상 노드로 형성한다. 만약 아버지에 해당하는 노드나 할아버지에 해당하는 노드가 이미 존재하면, 해당 노드들은 가상 노드를 생성하지 않고 이미 존재하는 노드에 연결한다.
한편, 도 5와 같이, 전체 통합 가계 그래프는 서로 연결되지 않는 단위 그래프들이 존재할 수 있다. 도 5에서, 사용자 P1~P11은 서로 혈연관계로 직간접적으로 연결되어 있으나, 사용자 P21~P23과는 직간접적으로 연결되지 못하고 있다. 만약, 사용자 P7과 사용자 P23 간에 결혼을 한다면, 2개의 독립된 단위 그래프들은 하나의 단위 그래프로 연결될 수 있다.
다음으로, 통합 가계 그래프에 각 노드에 가족력 대상 질환 정보를 반영한다(S30).
통합 가계 그래프의 각 노드는 하나의 개인 또는 사용자에 해당된다. 이때, 각 노드에 해당하는 사용자의 가족력 대상 질환 데이터를 그래프의 각 노드에 반영한다. 즉, 각 노드에 해당하는 사용자가 가족력 대상 질환을 가지면, 해당 노드의 가족력 속성에 해당 질환을 갖는 것으로 설정한다.
다음으로, 통합 가계 그래프로부터 대상자의 개인 가계 그래프(또는 개인 그래프)를 추출한다(S40).
특히, 통합 가계 그래프에서 대상자(또는 분석 대상의 사용자)의 노드를 기준으로, 모든 하위 노드와, 자신 노드의 모든 상위 노드와, 자신 노드의 모든 상위 노드의 모든 하위 노드들을 포함하는 그래프를 개인 가계 그래프로 추출한다.
예를 들어, 사용자 P5가 대상자인 경우, 사용자 P5의 개인 가계 그래프는 도 6에 나타낸 바와 같다. 사용자 P6는 대상자 P5와는 혈연관계를 갖지 않는다. 즉, 노드 P6는 대상 노드 P5의 하위 노드의 상위 노드이다. 즉, 위의 추출되는 가계 그래프의 대상이 되지 않는다.
또 다른 예로서, 사용자 P9가 대상자인 경우, 대상자 P9의 개인 가계 그래프는 도 4와 같다. 즉, 노드 P1, P2, P5, P6, P3, P4는 자신의 상위 노드들이고, P11은 자신의 하위노드이고, P8, P7, P10은 자신의 상위노드의 하위노드들이다.
다음으로, 대상자의 개인 가계 그래프를 이용하여 각 질환에 대한 가족력 위험도를 산출한다(S50).
특정 질환에 대한 가족력 위험도를 산출하기 위하여, 개인 가계 그래프에서 대상 노드에서 해당 질환을 가지는 노드(이하 질환 노드) 사이의 에지 거리에 따라 가중치를 부여하되, 바람직하게는 거리가 멀수록 더 작은 가중치를 부여한다. 그리고 모든 질환 노드의 가중치들을 모두 합산하여, 해당 질환의 가족력 위험도를 산출한다.
노드 사이의 거리는 두 노드 사이의 에지 수이다. 또한, 가족 관계에서 촌수에 해당한다. 도 4의 예에서 대상 노드 P8과 P1은 조부 관계로서, 2촌 관계이고, 노드의 거리는 2이다. 또한, 노드 P8과 P10은 4촌 관계이고 노드 거리는 4이다.
바람직하게는, 노드의 거리가 1일 때의 가중치를 기초 가중치로 사전에 설정하고, 기초 가중치는 1이하로 설정한다. 더욱 바람직하게는, 기초 가중치를 0.5로 설정한다. 그리고 노드의 거리가 2 이상이면, 기초 가중치를 거리(또는 촌수)만큼 제곱하여 가중치를 구한다.
즉, 개인 가계 그래프에서 질환 k의 가족력 위험도 Wk는 다음 수학식 1에 의해 산출된다. 따라서 질환 별로 가족력 위험도를 산출한다.
[수학식 1]
Figure pat00002
여기서, Dk는 질환 k를 가지는 노드의 집합이고, de는 대상 노드와 노드 e 간의 거리를 나타낸다. w0는 기초 가중치로서 사전에 정해지는 상수 값이다. 바람직하게는, w0는 1 보다 작게 설정하고, 더욱 바람직하게는, 0.5로 설정한다.
또한, 바람직하게는, 해당 질환의 가족력 위험도가 사전에 정해지는 기준 위험도를 넘으면, 해당 질환에 대한 가족력이 있는 것으로 판단한다. 바람직하게는 기준 위험도를 기초 가중치로 설정한다. 더욱 바람직하게는, 기준 위험도를 0.5로 설정한다.
다음으로, 본 발명의 제2 실시예에 따른 개인건강기록을 이용한 가족력 위험도 산출 방법을 설명한다.
본 발명의 제2 실시예에 따른 방법은 앞서 설명한 제1 실시예와는 동일하고, 다만, 가족력 위험도를 산출하는 단계(S50)에서 가중치로 위험도를 산출하는 방식에서 차이가 있다. 이하에서 제1 실시예와의 차이나는 부분만 설명한다. 여기서 설명되지 않는 방법은 앞서 설명된 본 발명의 제1 실시예의 설명을 참조한다.
먼저, 건강기록 데이터로부터 가족력 대상 질환을 추출하는 단계(S10)에서, 가족력 대상 질환의 종류를 구분한다. 가족력 질환의 종류는 사전에 설정된다.
바람직하게는, 가족력 질환의 종류는 열성 유전, 유전 전달이 불명확 경우, 우성 유전, 성 염색체에 의한 유전 등으로 구분한다.
그리고, 가족력 위험도를 산출하는 단계(S50)에서, 가족력 질환의 종류에 따라 가중치를 달리 부여하여 가족력의 위험도를 산출한다.
먼저, 열성유전을 통해 전달되는 질환인 경우를 설명한다. 가족력 질환이 가족력 질환이 탈모, 열성인 알러지 등인 경우이다.
이 경우, 가족력 위험도는 앞서 수학식 1과 같이 산출한다. 다만, 기준 위험도를 기초 가중치로 설정한다. 바람직하게는, 기준 위험도를 0.5로 설정한다.
일례로서, 대상자 A의 아버지가 탈모가 있고, 할아버지도 탈모가 있는 경우 가족력 위험도를 계산하면 0.5(아버지) + 0.5×0.5(할아버지) = 0.75 이다. 가족력 위험도가 0.75이므로, A의 가족력으로 탈모를 의심하기에는 충분함을 알 수 있다.
다른 예로서, 대상자 B의 삼촌 2명이 탈모인 경우 이를 가중치로 계산한다면 탈모에 대한 가족력 위험도는 0.5×0.5×0.5(3촌) + 0.5×0.5×0.5(3촌) = 0.25 이다. 가족력 위험도가 0.5 미만이므로, 이를 근거로 탈모에 대한 가족력을 의심하기에는 낮음을 알 수 있다.
다음으로, 유전을 통해 전달되는 것이 의심되나 명확하게 밝혀지지 않는 증상 (알러지, 생활습관, 유전정보 리포트 등)인 경우이다.
이 경우, 가족력 위험도는 앞서 수학식 1과 같이 산출한다. 다만, 기준 위험도를 기초 가중치의 2배로 설정한다. 바람직하게는, 기준 위험도를 1로 설정한다. 즉, 개인의 가계 그래프에 따라 0.5^(촌수, 노드 거리)의 가중치로 가족력 위험도를 계산하고, 그 가족력 위험도가 1 이상이면 위험으로 표시한다. 예를 들어, 알러지, 약물 반응도 등이다.
일례로서, 사용자 A의 아버지가 알러지가 있고 할아버지도 알러지가 있는 경우 가족력 위험도를 계산하면 0.5(아버지) + 0.5×0.5(할아버지) = 0.75 이다. 그러나 가족력 위험도가 0.75 이므로, 사용자 A의 가족력으로 알러지를 의심하기에는 아직 가중치 점수가 낮다.
다른 예로서, 사용자 B의 삼촌 8명이 알러지인 경우 가족력 위험도로 계산하면 0.5×0.5×0.5(3촌)×8명 = 1이다. 이를 근거로 알러지에 대한 가족력을 의심하기에는 가족력 위험도가 충분함을 알 수 있다.
즉, 해당 질환이 유전을 통한 질환인 경우와, 유전을 통한 질환인지 불명확한 경우에 따라 상기 기준 위험도를 달리 설정하되, 불명확한 경우의 기준 위험도를 더 높게 설정한다.
다음으로, 우성유전을 통해 전달되는 질환인 경우이다.
이 경우, 가족력 위험도는 앞서 수학식 1과 같이 산출한다. 다만, 기준 위험도를 기초 가중치로 설정한다. 바람직하게는, 기준 위험도를 0.5로 설정한다. 예외적으로, 가계 그래프에서, 대상 노드의 상위 노드나 하위 노드에서 해당 질환이 없으면 기준 위험도를 무시하고 가족력이 없는 것으로 판단한다.
가계 그래프에 따라 0.5^(촌수)의 가중치로 가족력 위험도를 계산한다. 이때, 자신과 직접적인 1촌 혈연관계(부모, 자녀)가 해당 질환이 없으면 친척의 정보는 무시될 수 있다. 마찬가지로 위험도가 0.5 이상이면 위험으로 표시한다. 예를 들어, 알츠하이머 등 질환이 이에 해당된다.
일례로서, 사용자 A의 아버지가 알츠하이머이고 할아버지도 알츠하이머인 경우 가중치 정보를 계산하면 0.5(아버지가 알츠하이머) + 0.5×0.5(할아버지가 알츠하이머) = 0.75 이다. 즉, A의 가족력의 알츠하이머 증상은 0.75로 상당히 높은 위험도로써 알츠하이머 가족력이 유력함을 알 수 있다.
다른 예로서, 사용자 B의 삼촌 4명이 알츠하이머인 경우 정상적인 계산을 할 경우 0.5×0.5×0.5×4 = 0.5이다. 즉, 알츠하이머에 대한 상당한 위험도를 가진다. 그러나 아버지 알츠하이머가 아닌 경우 사촌의 알츠하이머 병력은 무시될 수 있다.
다음으로, 성 염색체(X 염색체 등)에 의해 전달되는 질환인 경우를 설명한다.
이 경우, 가족력 위험도는 앞서 수학식 1과 같이 산출한다. 다만, 기준 위험도를 기초 가중치로 설정한다. 바람직하게는, 기준 위험도를 0.5로 설정한다. 예외적으로, 가계 그래프에서, 대상 노드의 상위 노드나 하위 노드 중 남성에서 해당 질환이 없으면 기준 위험도를 무시하고 가족력이 없는 것으로 판단한다.
직계 촌수에 따라 0.5^(촌수)의 가중치로 위험도를 계산하되, 자신과 직접적인 1촌 혈연관계 중 남성(아버지, 자녀)이 해당 유전질환이 없으면, 친척의 정보는 무시될 수 있다. 마찬가지로 위험도가 0.5 이상이면 위험으로 표시한다. 일례로서, 혈우병이 이에 해당된다.
일례로서, 사용자 A의 아버지가 혈우병이고 할아버지도 혈우병인 경우 위험도 정보를 계산하면 0.5(아버지) + 0.5×0.5(할아버지) = 0.75이다. 사용자 A의 가족력의 혈우병 위험도는 0.75로 상당히 높아 혈우병 가족력이 유력함을 알 수 있다.
다른 예로서, B의 삼촌 4명이 혈우병인 경우 정상적인 계산을 할 경우 0.5×0.5×0.5×4 = 0.5 이다. 혈우병에 대한 상당한 위험도를 가지나, 아버지 혈우병이 아닌 경우 삼촌의 혈우병 병력은 무시된다.
이상, 본 발명자에 의해서 이루어진 발명을 상기 실시 예에 따라 구체적으로 설명하였지만, 본 발명은 상기 실시 예에 한정되는 것은 아니고, 그 요지를 이탈하지 않는 범위에서 여러 가지로 변경 가능한 것은 물론이다.
10 : 사용자 단말 20 : 의료기관 서버
30 : PHR 서버

Claims (8)

  1. 개인건강기록을 관리하는 서버에 의하여 수행되는, 개인건강기록을 이용한 가족력 위험도 산출 방법에 있어서,
    (a) 건강기록 데이터에서 가족력 대상 질환 데이터를 추출하는 단계;
    (b) 입력되는 개인의 혈연관계 정보로부터 통합 가계 그래프를 생성하거나 갱신하되, 상기 통합 가계 그래프는 노드와 방향성 에지로 구성되는 방향성 그래프이고, 각 노드는 각 사용자에 해당되고 각 노드 간의 방향성 에지는 부모-자식 관계를 나타내는 단계;
    (c) 상기 통합 가계 그래프의 각 노드에 해당 노드에 대응되는 사용자의 가족력 대상 질환 데이터를 반영하는 단계;
    (d) 상기 통합 가계 그래프에서 대상자의 개인 가계 그래프를 추출하는 단계; 및,
    (e) 상기 개인 가계 그래프를 이용하여 각 질환에 대한 가족력 위험도를 산출하는 단계를 포함하는 것을 특징으로 하는 개인건강기록을 이용한 가족력 위험도 산출 방법.
  2. 제1항에 있어서,
    상기 (b)단계에서, 사용자 간의 혈연관계가 1촌 관계를 초과하는 경우에는 해당 혈연관계를 나타내도록 가상 노드를 추가한 후 방향성 에지로 연결시키고, 상기 가상 노드에 해당하는 노드가 그래프에 이미 존재하는 경우에는 존재하는 노드에 연결시키는 것을 특징으로 하는 개인건강기록을 이용한 가족력 위험도 산출 방법.
  3. 제1항에 있어서,
    상기 (d)단계에서, 상기 통합 가계 그래프에서, 상기 대상자에 대응되는 노드(이하 대상 노드)를 기준으로, 모든 하위 노드와, 모든 상위노드, 모든 상위 노드의 모든 하위 노드들을 포함하는 그래프를 상기 대상자의 개인 가계 그래프로 추출하는 것을 특징으로 하는 개인건강기록을 이용한 가족력 위험도 산출 방법.
  4. 제3항에 있어서,
    상기 (e)단계에서, 특정 질환에 대한 가족력 위험도를 산출하기 위하여, 상기 개인 가계 그래프에서 상기 대상 노드에서 해당 질환을 가지는 노드(이하 질환 노드) 사이의 에지 거리에 따라 가중치를 부여하되, 바람직하게는 거리가 멀수록 더 작은 가중치를 부여하고, 모든 질환 노드의 가중치들을 모두 합산하여, 해당 질환의 가족력 위험도를 산출하는 것을 특징으로 하는 개인건강기록을 이용한 가족력 위험도 산출 방법.
  5. 제4항에 있어서,
    상기 (e)단계에서, 상기 개인 가계 그래프에서 질환 k의 가족력 위험도 Wk는 다음 수식 1에 의해 산출되는 것을 특징으로 하는 개인건강기록을 이용한 가족력 위험도 산출 방법..
    [수식 1]
    Figure pat00003

    단, Dk는 질환 k를 가지는 노드의 집합이고, de는 대상 노드와 노드 e 간의 거리를 나타내고, w0는 기초 가중치로서 사전에 정해지는 상수 값으로 1보다 작은 상수임.
  6. 제4항에 있어서,
    상기 (e)단계에서, 상기 가족력 위험도가 사전에 설정되는 기준 위험도 이상이면, 상기 사용자가 해당 질환에 대하여 가족력이 있는 것으로 판단하는 것을 특징으로 하는 개인건강기록을 이용한 가족력 위험도 산출 방법.
  7. 제6항에 있어서,
    상기 (e)단계에서, 해당 질환이 유전을 통한 질환인 경우와, 유전을 통한 질환인지 불명확한 경우에 따라 상기 기준 위험도를 달리 설정하되, 불명확한 경우의 기준 위험도를 더 높게 설정하는 것을 특징으로 하는 개인건강기록을 이용한 가족력 위험도 산출 방법.
  8. 제7항에 있어서,
    상기 (e)단계에서, 해당 질환이 우성 유전인 경우, 상기 개인 가계 그래프에서, 상기 대상 노드의 상위 노드나 하위 노드에서 해당 질환이 없으면 가족력 위험도를 무시하고 가족력이 없는 것으로 판단하거나,
    해당 질환이 성염색체에 의해 전달되는 질환인 경우, 상기 대상 노드의 상위 노드 중 남성에 해당하는 노드에서 해당 유전질환이 없으면 가족력이 없는 것으로 판단하는 것을 특징으로 하는 개인건강기록을 이용한 가족력 위험도 산출 방법.
KR1020170183672A 2017-12-29 2017-12-29 개인건강기록을 이용한 가족력 위험도 산출 방법 KR102144938B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020170183672A KR102144938B1 (ko) 2017-12-29 2017-12-29 개인건강기록을 이용한 가족력 위험도 산출 방법

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020170183672A KR102144938B1 (ko) 2017-12-29 2017-12-29 개인건강기록을 이용한 가족력 위험도 산출 방법

Publications (2)

Publication Number Publication Date
KR20190081268A true KR20190081268A (ko) 2019-07-09
KR102144938B1 KR102144938B1 (ko) 2020-08-14

Family

ID=67261143

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020170183672A KR102144938B1 (ko) 2017-12-29 2017-12-29 개인건강기록을 이용한 가족력 위험도 산출 방법

Country Status (1)

Country Link
KR (1) KR102144938B1 (ko)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111627552A (zh) * 2020-04-08 2020-09-04 湖南长城医疗科技有限公司 一种医疗流式数据血缘关系分析、存储方法及装置
KR20210023435A (ko) * 2019-08-23 2021-03-04 주식회사 아니스트 유전자 검사 및 생체 정보 기반 건강 콘텐츠 서비스가 지원가능한 다기능 족보 서비스 방법
KR20210072183A (ko) 2019-12-06 2021-06-17 아주대학교산학협력단 산업 근로 환경 관련 질환요인에 대한 노출 위험도 기반 산업재해 진단 시뮬레이터 시스템

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR100910405B1 (ko) 2007-05-30 2009-08-04 서울대학교병원 Ｅｍｒ 시스템과 연계된 고객 건강검진정보 통합 운용 방법
KR20110138896A (ko) 2010-06-22 2011-12-28 에스케이 텔레콤주식회사 건강정보 관리 서비스 시스템 및 건강정보 관리 서비스 방법
KR20130132802A (ko) * 2010-10-12 2013-12-05 지멘스 메디컬 솔루션즈 유에스에이, 인크. 심혈관 질환들의 발병을 예측하기 위한 건강관리 정보 기술 시스템
KR101507599B1 (ko) 2012-09-12 2015-03-31 한국후지쯔 주식회사 의료정보 시스템에서의 가족력 작성 방법 및 이를 이용한 전자서식 작성 방법
JP2015201092A (ja) * 2014-04-09 2015-11-12 キヤノン株式会社 情報処理装置、情報処理方法及びプログラム
KR20170139238A (ko) * 2016-06-09 2017-12-19 경북대학교 산학협력단 정밀의학을 활용한 가족 단위의 유병률 예측 가계도 제공 방법, 이를 수행하기 위한 기록 매체 및 장치

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR100910405B1 (ko) 2007-05-30 2009-08-04 서울대학교병원 Ｅｍｒ 시스템과 연계된 고객 건강검진정보 통합 운용 방법
KR20110138896A (ko) 2010-06-22 2011-12-28 에스케이 텔레콤주식회사 건강정보 관리 서비스 시스템 및 건강정보 관리 서비스 방법
KR20130132802A (ko) * 2010-10-12 2013-12-05 지멘스 메디컬 솔루션즈 유에스에이, 인크. 심혈관 질환들의 발병을 예측하기 위한 건강관리 정보 기술 시스템
KR101507599B1 (ko) 2012-09-12 2015-03-31 한국후지쯔 주식회사 의료정보 시스템에서의 가족력 작성 방법 및 이를 이용한 전자서식 작성 방법
JP2015201092A (ja) * 2014-04-09 2015-11-12 キヤノン株式会社 情報処理装置、情報処理方法及びプログラム
KR20170139238A (ko) * 2016-06-09 2017-12-19 경북대학교 산학협력단 정밀의학을 활용한 가족 단위의 유병률 예측 가계도 제공 방법, 이를 수행하기 위한 기록 매체 및 장치

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20210023435A (ko) * 2019-08-23 2021-03-04 주식회사 아니스트 유전자 검사 및 생체 정보 기반 건강 콘텐츠 서비스가 지원가능한 다기능 족보 서비스 방법
KR20210072183A (ko) 2019-12-06 2021-06-17 아주대학교산학협력단 산업 근로 환경 관련 질환요인에 대한 노출 위험도 기반 산업재해 진단 시뮬레이터 시스템
CN111627552A (zh) * 2020-04-08 2020-09-04 湖南长城医疗科技有限公司 一种医疗流式数据血缘关系分析、存储方法及装置
CN111627552B (zh) * 2020-04-08 2023-07-14 湖南长城医疗科技有限公司 一种医疗流式数据血缘关系分析、存储方法及装置

Also Published As

Publication number Publication date
KR102144938B1 (ko) 2020-08-14

Similar Documents

Publication Publication Date Title
Bhardwaj et al. IoT-based smart health monitoring system for COVID-19
Al-Khafajiy et al. Remote health monitoring of elderly through wearable sensors
Rocha et al. The non-linear health consequences of living in larger cities
Phillips et al. Using embedded sensors in independent living to predict gait changes and falls
Triantafyllidis et al. A survey of mobile phone sensing, self-reporting, and social sharing for pervasive healthcare
US20170235882A1 (en) Condition management system and method
Knight et al. Challenging racism in the use of health data
Plastiras et al. Exchanging personal health data with electronic health records: A standardized information model for patient generated health data and observations of daily living
Chen Assessing factors critical to smart technology applications to mobile health care− the fgm-fahp approach
Matthews et al. E-health and multiple sclerosis
Yoo et al. PHR based diabetes index service model using life behavior analysis
Banerjee et al. Validating a commercial device for continuous activity measurement in the older adult population for dementia management
Işik et al. A low-cost mobile adaptive tracking system for chronic pulmonary patients in home environment
Elkhodr et al. A privacy risk assessment for the Internet of Things in healthcare
KR20190081268A (ko) 개인건강기록을 이용한 가족력 위험도 산출 방법
Aranda et al. Collection and analysis of physiological data in smart environments: a systematic mapping
Mathenge Artificial intelligence for diabetic retinopathy screening in Africa
Oseran et al. Beyond the stethoscope: managing ambulatory heart failure during the COVID‐19 pandemic
Páez et al. Big data processing using wearable devices for wellbeing and healthy activities promotion
Banerjee et al. Exploratory analysis of older adults’ sedentary behavior in the primary living area using kinect depth data
Dini Kounoudes et al. Enhancing user awareness on inferences obtained from fitness trackers data
Schinkel et al. Detecting changes in the performance of a clinical machine learning tool over time
Egejuru et al. Development of a mobile-based hypertension risk monitoring system
KR20210135403A (ko) 인터넷 기반의 건강 데이터 관리 시스템
Badr et al. Responding to COVID–19: Insight Into Capability Re-Configuration of Healthcare Service Ecosystems? The Use Case of Hospitalization at Home

Legal Events

Date Code Title Description
A201 Request for examination
E902 Notification of reason for refusal
E701 Decision to grant or registration of patent right
GRNT Written decision to grant