KR20190105163A - 인공지능 기반의 환자상태 예측 장치 및 이를 이용한 환자상태 예측 방법 - Google Patents
인공지능 기반의 환자상태 예측 장치 및 이를 이용한 환자상태 예측 방법 Download PDFInfo
- Publication number
- KR20190105163A KR20190105163A KR1020180020476A KR20180020476A KR20190105163A KR 20190105163 A KR20190105163 A KR 20190105163A KR 1020180020476 A KR1020180020476 A KR 1020180020476A KR 20180020476 A KR20180020476 A KR 20180020476A KR 20190105163 A KR20190105163 A KR 20190105163A
- Authority
- KR
- South Korea
- Prior art keywords
- patient
- biosignal
- state
- surgery
- type
- 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
- G16H50/30—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
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/01—Measuring temperature of body parts ; Diagnostic temperature sensing, e.g. for malignant or inflamed tissue
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/02—Detecting, measuring or recording pulse, heart rate, blood pressure or blood flow; Combined pulse/heart-rate/blood pressure determination; Evaluating a cardiovascular condition not otherwise provided for, e.g. using combinations of techniques provided for in this group with electrocardiography or electroauscultation; Heart catheters for measuring blood pressure
- A61B5/021—Measuring pressure in heart or blood vessels
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/02—Detecting, measuring or recording pulse, heart rate, blood pressure or blood flow; Combined pulse/heart-rate/blood pressure determination; Evaluating a cardiovascular condition not otherwise provided for, e.g. using combinations of techniques provided for in this group with electrocardiography or electroauscultation; Heart catheters for measuring blood pressure
- A61B5/024—Detecting, measuring or recording pulse rate or heart rate
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/145—Measuring characteristics of blood in vivo, e.g. gas concentration, pH value; Measuring characteristics of body fluids or tissues, e.g. interstitial fluid, cerebral tissue
- A61B5/1455—Measuring characteristics of blood in vivo, e.g. gas concentration, pH value; Measuring characteristics of body fluids or tissues, e.g. interstitial fluid, cerebral tissue using optical sensors, e.g. spectral photometrical oximeters
- A61B5/14551—Measuring characteristics of blood in vivo, e.g. gas concentration, pH value; Measuring characteristics of body fluids or tissues, e.g. interstitial fluid, cerebral tissue using optical sensors, e.g. spectral photometrical oximeters for measuring blood gases
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7235—Details of waveform analysis
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7271—Specific aspects of physiological measurement analysis
- A61B5/7275—Determining trends in physiological measurement data; Predicting development of a medical condition based on physiological measurements, e.g. determining a risk factor
-
- 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
- G16H10/60—ICT specially adapted for the handling or processing of patient-related medical or healthcare data for patient-specific data, e.g. for electronic patient records
-
- 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
- G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
Abstract
인공지능 기반의 환자상태 예측장치는 환자 모집단에 있는 적어도 하나의 제1 환자 각각에 관해 수술 전에 수집된 기초 생체신호를 기초로 환자 유형을 분류하는 환자 유형 분류부, 상기 분류된 환자 유형별로 수술 후에 수집된 생체신호와 신체상태에 관한 기계학습을 수행하여 이상징후 발생 가능성을 결정하는 환자상태 학습부 및 제2 환자의 환자 유형을 결정하고 특정 시간동안 상기 제2 환자의 생체신호를 수집하여 상기 기계학습에 따른 이상징후 발생 가능성을 예측하는 환자상태 예측부를 포함한다. 따라서, 인공지능 기반의 환자상태 예측 장치 및 이를 이용한 환자상태 예측 방법은 수술 전후 환자의 상태변화에 따라 환자의 건강 상태의 경과를 예측할 수 있다.
Description
본 발명은 환자상태를 예측하는 기술에 관한 것으로, 보다 상세하게는, 수술 전후 환자의 상태변화에 따라 환자의 건강 상태의 경과를 예측할 수 있는 인공지능 기반의 환자상태 예측 장치 및 이를 이용한 환자상태 예측 방법에 관한 것이다.
인공지능(Artificial Intelligence)은 기계로부터 만들어진 지능을 말하며, 인간의 지능으로 할 수 있는 사고, 학습, 추론, 지각, 자연언어의 이해 등을 컴퓨터 프로그램으로 실현하는 기술을 의미한다. 인공지능은 그 자체로 존재하는 것이 아니라, 컴퓨터 과학의 다른 분야와 직간접적으로 많은 연관이 있으며, 현대에는 정보기술의 여러 분야에서 인공지능적 요소를 도입하여 그 분야의 문제 풀이에 활용하려는 연구가 활발하게 진행되고 있다.
한국 공개특허공보 제10-2017-0061222(2017.06.05)호는 건강데이터 패턴의 일반화를 통한 건강수치 예측 방법 및 그 장치에 관한 것으로, 복수의 시계열 건강정보에 대한 빅데이터에서 건강수치 및 상기 건강수치와 연관된 중요한 건강 특징들을 선택하여, 이를 기반으로 상기 건강수치의 패턴을 생성하고, 상기 패턴을 반복적으로 학습한 건강수치 예측모델을 구축하며, 상기 예측모델을 통해 사용자의 건강수치를 정확하게 예측할 수 있는 건강수치 예측 방법 및 그 장치를 제공하고자 하는 것이다.
한국 등록특허공보 제10-1611838(2016.04.06)호는 환자안전 관련 고위험군 예측 방법에 있어서, EMR(Electronic Medical Record) 서비스 서버로부터 임상적 판단을 지원하기 위한 임상 데이터 서비스를 요청하는 과정과, 상기 요청된 임상 데이터를 기반으로 환자안전 관련 유형별 발생 요인이 되는 변수를 선정하고, 상기 EMR 서비스 서버로부터 상기 변수와 매칭되는 임상 데이터를 추출하는 과정과, 추출된 상기 임상 데이터 기반 각 변수의 범주별 환자안전 관련 유형별 변수를 선택하는 과정과, 선택된 상기 변수에 기초하여 예측모형 형식에 따라 훈련(Training) 및 검증(Validation) 데이터를 도출하고, 상기 도출된 데이터에 대하여 기설정된 평가 기준을 이용하여 예측모형에 대한 예측력을 평가하는 과정과 환자안전관련 유형별 고위험군 유무를 표시하는 과정을 포함함을 특징으로 한다.
본 발명의 일 실시예는 수술 전후 환자의 상태변화에 따라 환자의 건강 상태의 경과를 예측할 수 있는 인공지능 기반의 환자상태 예측 장치 및 이를 이용한 환자상태 예측 방법을 제공하고자 한다.
본 발명의 일 실시예는 수집된 생체신호에 관한 기계학습을 통해 수술 후 이상징후가 발생될 수 있는 가능성을 결정할 수 있는 인공지능 기반의 환자상태 예측 장치 및 이를 이용한 환자상태 예측 방법을 제공하고자 한다.
본 발명의 일 실시예는 환자로부터 수신되는 생체신호를 분석하여 해당 환자에게 이상징후가 발생할 가능성을 예측할 수 있는 인공지능 기반의 환자상태 예측 장치 및 이를 이용한 환자상태 예측 방법을 제공하고자 한다.
실시예들 중에서, 인공지능 기반의 환자상태 예측 장치는 환자 모집단에 있는 적어도 하나의 제1 환자 각각에 관해 수술 전에 수집된 기초 생체신호를 기초로 환자 유형을 분류하는 환자 유형 분류부, 상기 분류된 환자 유형별로 수술 후에 수집된 생체신호와 신체상태에 관한 기계학습을 수행하여 이상징후 발생 가능성을 결정하는 환자상태 학습부 및 제2 환자의 환자 유형을 결정하고 특정 시간동안 상기 제2 환자의 생체신호를 수집하여 상기 기계학습에 따른 이상징후 발생 가능성을 예측하는 환자상태 예측부를 포함한다.
환자 유형 분류부는 상기 수술 전에 상기 환자의 혈압, 심박수, 체온 및 산소포화도 중 적어도 하나를 상기 기초 생체신호로 수집하여 수술 전 생체신호 분석 데이터를 생성할 수 있다.
환자 유형 분류부는 상기 수술 전의 복수의 시점들에서 수집된 기초 생체신호들을 평균하여 상기 수술 전 생체신호 분석 데이터를 생성할 수 있다.
환자상태 학습부는 상기 수술 후에 생체신호 분석구간 동안 상기 생체신호를 수집하여 수술 후 생체신호 분석 데이터를 생성할 수 있다.
환자상태 학습부는 상기 수술 후 생체신호 분석 데이터의 분석을 통해 상기 생체신호의 변화율 또는 변화량에 따라 수면상태, 이동상태 또는 응급상태를 포함하는 신체상태를 검출할 수 있다.
환자상태 학습부는 상기 응급상태의 발생 이전의 특정 시구간에서 상기 생체신호의 변화율 또는 변화량에 관해 상기 기계학습을 수행할 수 있다.
환자상태 예측부는 상기 제2 환자의 환자 유형에 따라 생체신호 수집 시구간과 이전 및 현재 생체신호 수집 시구간들 간의 오버래핑 구간을 결정할 수 있다.
실시예들 중에서, 인공지능 기반의 환자상태 예측 장치에서 수행되는 환자상태 예측 방법에 있어서, 환자 모집단에 있는 적어도 하나의 제1 환자 각각에 관해 수술 전에 수집된 기초 생체신호를 기초로 환자 유형을 분류하는 단계, 상기 분류된 환자 유형별로 수술 후에 수집된 생체신호와 신체상태에 관한 기계학습을 수행하여 이상징후 발생 가능성을 결정하는 단계 및 제2 환자의 환자 유형을 결정하고 특정 시간동안 상기 제2 환자의 생체신호를 수집하여 상기 기계학습에 따른 이상징후 발생 가능성을 예측하는 단계를 포함한다.
개시된 기술은 다음의 효과를 가질 수 있다. 다만, 특정 실시예가 다음의 효과를 전부 포함하여야 한다거나 다음의 효과만을 포함하여야 한다는 의미는 아니므로, 개시된 기술의 권리범위는 이에 의하여 제한되는 것으로 이해되어서는 아니 될 것이다.
본 발명의 일 실시예에 따른 인공지능 기반의 환자상태 예측 장치 및 이를 이용한 환자상태 예측 방법은 수술 전후 환자의 상태변화에 따라 환자의 건강 상태의 경과를 예측할 수 있다.
본 발명의 일 실시예에 따른 인공지능 기반의 환자상태 예측 장치 및 이를 이용한 환자상태 예측 방법은 수집된 생체신호에 관한 기계학습을 통해 수술 후 이상징후가 발생될 수 있는 가능성을 결정할 수 있다.
본 발명의 일 실시예에 따른 인공지능 기반의 환자상태 예측 장치 및 이를 이용한 환자상태 예측 방법은 환자로부터 수신되는 생체신호를 분석하여 해당 환자에게 이상징후가 발생할 가능성을 예측할 수 있다.
도 1은 본 발명의 일 실시예에 따른 인공지능 기반의 환자상태 예측 시스템을 설명하는 도면이다.
도 2는 도 1에 있는 인공지능 기반의 환자상태 예측 장치를 설명하는 블록도이다.
도 3은 도 1에 있는 인공지능 기반의 환자상태 예측 장치에 의하여 수행되는 환자상태 예측 방법을 설명하는 순서도이다.
도 4는 도 1에 있는 환자 모니터링용 웨어러블 장치가 환자에게 알람을 제공하는 예시 도면이다.
도 2는 도 1에 있는 인공지능 기반의 환자상태 예측 장치를 설명하는 블록도이다.
도 3은 도 1에 있는 인공지능 기반의 환자상태 예측 장치에 의하여 수행되는 환자상태 예측 방법을 설명하는 순서도이다.
도 4는 도 1에 있는 환자 모니터링용 웨어러블 장치가 환자에게 알람을 제공하는 예시 도면이다.
본 발명에 관한 설명은 구조적 내지 기능적 설명을 위한 실시예에 불과하므로, 본 발명의 권리범위는 본문에 설명된 실시예에 의하여 제한되는 것으로 해석되어서는 아니 된다. 즉, 실시예는 다양한 변경이 가능하고 여러 가지 형태를 가질 수 있으므로 본 발명의 권리범위는 기술적 사상을 실현할 수 있는 균등물들을 포함하는 것으로 이해되어야 한다. 또한, 본 발명에서 제시된 목적 또는 효과는 특정 실시예가 이를 전부 포함하여야 한다거나 그러한 효과만을 포함하여야 한다는 의미는 아니므로, 본 발명의 권리범위는 이에 의하여 제한되는 것으로 이해되어서는 아니 될 것이다.
한편, 본 출원에서 서술되는 용어의 의미는 다음과 같이 이해되어야 할 것이다.
"제1", "제2" 등의 용어는 하나의 구성요소를 다른 구성요소로부터 구별하기 위한 것으로, 이들 용어들에 의해 권리범위가 한정되어서는 아니 된다. 예를 들어, 제1 구성요소는 제2 구성요소로 명명될 수 있고, 유사하게 제2 구성요소도 제1 구성요소로 명명될 수 있다.
어떤 구성요소가 다른 구성요소에 "연결되어"있다고 언급된 때에는, 그 다른 구성요소에 직접적으로 연결될 수도 있지만, 중간에 다른 구성요소가 존재할 수도 있다고 이해되어야 할 것이다. 반면에, 어떤 구성요소가 다른 구성요소에 "직접 연결되어"있다고 언급된 때에는 중간에 다른 구성요소가 존재하지 않는 것으로 이해되어야 할 것이다. 한편, 구성요소들 간의 관계를 설명하는 다른 표현들, 즉 "~사이에"와 "바로 ~사이에" 또는 "~에 이웃하는"과 "~에 직접 이웃하는" 등도 마찬가지로 해석되어야 한다.
단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한 복수의 표현을 포함하는 것으로 이해되어야 하고, "포함하다"또는 "가지다" 등의 용어는 실시된 특징, 숫자, 단계, 동작, 구성요소, 부분품 또는 이들을 조합한 것이 존재함을 지정하려는 것이며, 하나 또는 그 이상의 다른 특징이나 숫자, 단계, 동작, 구성요소, 부분품 또는 이들을 조합한 것들의 존재 또는 부가 가능성을 미리 배제하지 않는 것으로 이해되어야 한다.
각 단계들에 있어 식별부호(예를 들어, a, b, c 등)는 설명의 편의를 위하여 사용되는 것으로 식별부호는 각 단계들의 순서를 설명하는 것이 아니며, 각 단계들은 문맥상 명백하게 특정 순서를 기재하지 않는 이상 명기된 순서와 다르게 일어날 수 있다. 즉, 각 단계들은 명기된 순서와 동일하게 일어날 수도 있고 실질적으로 동시에 수행될 수도 있으며 반대의 순서대로 수행될 수도 있다.
본 발명은 컴퓨터가 읽을 수 있는 기록매체에 컴퓨터가 읽을 수 있는 코드로서 구현될 수 있고, 컴퓨터가 읽을 수 있는 기록 매체는 컴퓨터 시스템에 의하여 읽혀질 수 있는 데이터가 저장되는 모든 종류의 기록 장치를 포함한다. 컴퓨터가 읽을 수 있는 기록 매체의 예로는 ROM, RAM, CD-ROM, 자기 테이프, 플로피 디스크, 광 데이터 저장 장치 등이 있다. 또한, 컴퓨터가 읽을 수 있는 기록 매체는 네트워크로 연결된 컴퓨터 시스템에 분산되어, 분산 방식으로 컴퓨터가 읽을 수 있는 코드가 저장되고 실행될 수 있다.
여기서 사용되는 모든 용어들은 다르게 정의되지 않는 한, 본 발명이 속하는 분야에서 통상의 지식을 가진 자에 의해 일반적으로 이해되는 것과 동일한 의미를 가진다. 일반적으로 사용되는 사전에 정의되어 있는 용어들은 관련 기술의 문맥상 가지는 의미와 일치하는 것으로 해석되어야 하며, 본 출원에서 명백하게 정의하지 않는 한 이상적이거나 과도하게 형식적인 의미를 지니는 것으로 해석될 수 없다.
도 1은 본 발명의 일 실시예에 따른 인공지능 기반의 환자상태 예측 시스템을 설명하는 도면이고, 도 1a는 본 발명의 일 실시예에 따른 환자상태 예측 시스템을 설명하는 도면이고, 도 1b는 본 발명의 다른 일 실시예에 따른 환자상태 예측 시스템을 설명하는 도면이다.
도 1a을 참조하면, 인공지능 기반의 환자상태 예측 시스템(100, 이하 환자상태 예측 시스템)은 환자 모니터링용 웨어러블 장치(110) 및 인공지능 기반의 환자상태 예측 장치(120, 이하 환자상태 예측 장치)를 포함하고, 이들은 무선 네트워크를 통해 연결될 수 있다.
환자상태 예측 시스템(100)은 환자의 손목 또는 손가락 등에 착용 가능한 형태로 구현되는 환자 모니터링용 웨어러블 장치(110)를 통해 환자의 상태 변화를 예측할 수 있다. 일 실시예에서, 환자상태 예측 시스템(100)은 환자 모니터링용 웨어러블 장치(110)가 환자의 생체신호를 수집하여 환자상태 예측 장치(120)에 환자의 생체신호를 수신하고, 환자상태 예측 장치(120)가 수신된 생체신호를 분석하고, 환자 모니터링용 웨어러블 장치(110)에 환자의 상태변화의 예측 결과를 제공하여 환자의 상태 변화를 예측할 수 있다.
환자 모니터링용 웨어러블 장치(110)는 손목밴드(112) 및 본체(114)를 포함하여 환자의 손목에 착용될 수 있고 환자의 생체신호를 수집할 수 있다. 손목밴드(112)는 가죽 또는 플라스틱으로 구현되어 환자의 손목에 본체(114)를 결합시킬 수 있다. 본체(114)는 환자의 손목으로부터 혈압, 심박수, 체온 및 산소포화도 중 적어도 하나를 포함하는 생체신호를 수집할 수 있다. 일 실시예에서, 본체(114)는 환자의 생체신호를 환자상태 예측 장치(120)에 송신할 수 있다. 또한, 본체(114)는 환자의 상태 변화에 따라 환자, 외부의 보호자, 병원의 담당자 또는 공공기관(예: 119, 112 등)의 담당자에게 환자의 상태를 알릴 수 있다.
일 실시예에서, 환자 모니터링용 웨어러블 장치(110)는 환자가 국소마취를 통해 수술을 진행한 이후 귀가 중에 비정상적인 혈압 저하, 체온 변화 등으로 쓰러짐과 같은 위급상황을 맞이할 수 있는데, 수술 환자의 퇴원 전에 착용되도록 하여 퇴원 환자의 생체신호를 수신하고 퇴원 환자의 상태변화를 모니터링할 수 있다. 또한, 환자 모니터링용 웨어러블 장치(110)는 퇴원 환자로부터 수신되는 생체신호를 환자상태 예측 장치(120)에 제공할 수 있고, 환자상태 예측 장치(120)에서 분석된 환자의 상태 변화에 대한 예측 결과를 수신받을 수 있다. 환자 모니터링용 웨어러블 장치(110)는 환자상태 예측 장치(120)에서 수신된 환자의 상태 변화에 대한 예측 결과를 기초로 이상징후가 예상되는 환자에게 미리 진동 또는 소리를 통해 알람을 제공하여 위급 상황을 환자에게 알릴 수 있다.
환자상태 예측 장치(120)는 환자 모니터링용 웨어러블 장치(110)와 무선 네트워크를 통해 연결될 수 있는 컴퓨팅 장치로써, 환자 모니터링용 웨어러블 장치(110)에서 수집되는 생체신호를 분석하여 환자의 상태변화를 예측할 수 있다. 환자상태 예측 장치(120)는 환자 모니터링용 웨어러블 장치(110)로부터 환자의 혈압, 심박수, 체온 및 산소포화도 등을 포함하는 생체신호를 수신할 수 있고, 생체신호를 특정 시간 동안의 생체신호 분석 데이터로 데이터화 하여 데이터베이스에 저장할 수 있다.
일 실시예에서, 환자상태 예측 장치(120)는 실측 생체신호를 통해서 학습 데이터를 획득하거나 가상 생체신호를 통해 학습 데이터를 획득할 수 있다. 예를 들어, 학습 데이터를 실측 생체신호로 획득되는 경우에는 과거 다수의 환자들 각각에 의해 착용된 환자 모니터링용 웨어러블 장치(110)를 통해 획득될 수 있다. 다른 예를 들어, 학습 데이터는 가상 생체신호를 통해 획득되는 경우에는 임의의 사람이 불편함을 느낄 때의 생체신호를 모델링하여 가상적으로 생성될 수 있다.
구체적으로, 환자상태 예측 장치(120)는 실측 생체신호의 경우, 불특정 다수의 환자들로부터 학습 데이터로써 수술 전후의 생체신호를 획득하고, 학습 데이터를 기초로 수술 이후 이상징후(예: 어지럼증, 부정맥, 사망 등)가 발생할 가능성을 기계학습을 통해 학습할 수 있다. 환자상태 예측 장치(120)는 기계학습 결과를 기초로 임의의 환자의 생체신호를 분석하여 해당 환자의 수술 이후 이상징후 발생 가능성을 예측할 수 있다.
도 1b를 참조하면, 환자상태 예측 시스템(100)은 환자 모니터링 웨어러블 장치(110), 환자의 스마트폰(115), 환자상태 예측 장치(120), 환자 보호자의 스마트폰(130) 및 공공기관(140)을 포함하고, 이들은 무선 네트워크를 통해 연결될 수 있다.
다른 일 실시예에서, 환자상태 예측 시스템(100)은 환자의 스마트폰(115)을 통해 환자의 상태 변화를 예측할 수 있다. 환자의 스마트폰(115)은 환자 모니터링용 웨어러블 장치(110)와 블루투스, Wifi 등 무선 네트워크를 통해 연결될 수 있다. 환자상태 예측 장치(120)는 환자 모니터링용 웨어러블 장치(110)와 직접 연결될 수 있고, 또는 환자의 스마트폰(115)과 연결되어 환자 모니터링용 웨어러블 장치(110)에서 수신되는 환자의 생체신호를 수집할 수 있다.
환자상태 예측 장치(120)는 환자의 보호자(또는 병원의 담당자)의 스마트폰(130)와 무선 네트워크를 통해 연결될 수 있고, 공공기관(예: 119, 112 등)(140)과 연결될 수 있다. 환자상태 예측 장치(120)는 환자가 위급한 상황인 경우, 환자상태 예측 장치(120)와 연결되어 있는 환자의 보호자(또는 병원의 담당자)의 스마트폰(130) 또는 공공기관(예: 119, 112 등)(140)에 해당 환자의 상태를 제공할 수 있다.
도 2는 도 1에 있는 인공지능 기반의 환자상태 예측 장치를 설명하는 블록도이다.
도 2를 참조하면, 환자상태 예측 장치(120)는 환자 유형 분류부(210), 환자상태 학습부(220), 환자상태 예측부(230) 및 제어부(240)를 포함한다.
환자 유형 분류부(210)는 환자 모집단에 있는 환자 각각에 관해 수술 전에 수집된 기초 생체신호를 기초로 환자 유형을 분류할 수 있고, 구체적으로, 환자 유형 분류부(210)는 수집된 기초 생체신호를 기초로 환자 유형을 분류하는 기계학습을 수행할 수 있다.
일 실시예에서, 환자 유형 분류부(210)는 클러스터 분석을 통해 환자 유형을 분류할 수 있다. 환자 유형 분류부(210)는 수집된 기초 생체신호 중으로 데이터 집단을 정의할 수 있고, 데이터 집단의 대표되는 특징을 기준으로 비슷한 특징을 갖는 환자들을 같은 유형으로 분류할 수 있다. 예를 들어, 환자 유형 분류부(210)는 혈압이 120/80mmHg보다 높게 나타나는 환자의 기초 생체신호를 하나의 데이터 집단으로 정의하여 같은 유형으로 분류할 수 있다.
다른 일 실시예에서, 환자 유형 분류부(210)는 특정 기준에 따라 환자를 분류할 수 있고, 구체적으로, 성별, 나이, 기본 신체정보(신장, 몸무게 등), 병력 또는 수술의 종류를 기준에 따라 제1 환자 유형으로 분류할 수 있다. 환자 유형 분류부(210)는 제1 환자 유형에서 특정 수술 전에 환자의 혈압, 심박수, 체온 및 산소포화도를 포함하는 기초 생체신호를 기준으로 제2 환자 유형으로 분류할 수 있다. 환자 유형 분류부(210)는 수집되는 기초 생체신호 및 환자의 기초정보(성별, 나이, 병력 또는 수술의 종류)에 따라 환자 유형을 분류하는 기준을 다르게 설정할 수 있고, 수집되는 다양한 데이터를 분류하는 기계학습을 반복 수행함으로써 환자 유형을 분류하는 기준을 세분화하여 설정할 수 있다.
일 실시예에서, 환자 유형 분류부(210)는 수술 전에 환자의 혈압, 심박수, 체온 및 산소포화도 중 적어도 하나를 기초 생체신호로 수집하여 수술 전 생체신호 분석 데이터를 생성할 수 있다. 환자 유형 분류부(210)는 서로 다른 주기로 수신되는 기초 생체신호를 수집하여 수술 전 생체신호 분석 데이터를 생성할 수 있다. 예를 들어, 환자 유형 분류부(210)는 혈압은 5초, 심박수는 1초, 체온은 10초 및 산소포화도는 5초 단위로 수신된 기초 생체신호를 수집하였을 경우, 측정 주기별 기초 생체신호 각각에 관한 전체 생체신호 측정 데이터를 생성할 수 있다.
다음은 특정 환자로부터 수신된 기초 생체신호의 예시도이다.
[표]
환자 유형 분류부(210)는 서로 다른 주기마다 수신되는 기초 생체신호 각각에 관해 보간법(interpolation) 과정을 수행할 수 있고, 결과적으로, 환자로부터 수신된 기초 생체신호에 대한 생체신호 분석 데이터를 생성할 수 있다.
일 실시예에서, 환자 유형 분류부(210)는 수술 전의 복수의 시점들에서 수집된 기초 생체신호들을 평균하여 수술 전 생체신호 분석 데이터를 생성할 수 있다. 예를 들어, 환자 유형 분류부(210)는 수술 전 최소 12시간 내지 24시간 동안 수집된 기초 생체신호들의 평균값을 산출할 수 있고, 산출된 기초 생체신호들의 평균값을 기초로 수술 전 생체신호 분석 데이터를 생성할 수 있다. 구체적으로, 환자 유형 분류부(210)는 수집된 기초 생체신호들의 정규분포를 기초로 정규분포를 벗어난 생체신호를 제외한 평균값을 산출할 수 있다.
환자상태 학습부(220)는 분류된 환자 유형별로 수술 후에 수집된 생체신호와 신체상태에 관한 기계학습을 수행하여 이상징후 발생 가능성을 결정할 수 있다. 일 실시예에서, 환자상태 학습부(220)는 환자 유형 분류부(210)를 통해 분류된 환자 유형에 따라 수술 후에 생체신호를 수집할 수 있고, 수술 후 생체신호의 변화율 또는 변화량을 분석할 수 있다.
환자상태 학습부(220)는 빅데이터(big data) 분석 기술을 활용하여 다양한 종류의 대규모 데이터를 생성, 수집, 분석을 수행할 수 있다. 여기에서 빅데이터 분석 기술은 통상적으로 사용되는 데이터 마이닝, 기계학습, 패턴 인식 등을 포함하는 기술로, 정형 또는 비정형 데이터들을 수집하고, 분류하여 분석 결과를 도출하는 분석 기법 중의 하나이다. 환자상태 학습부(220)는 환자의 수술 전후에 수집된 생체신호, 환자의 신체상태, 환자의 기초 정보(성별, 나이, 병력 등) 및 환자가 받은 수술의 종류 등을 포함하는 데이터를 수집하여 수술 이후 이상징후가 발생할 가능성이 있는 환자상태에 관한 학습을 수행할 수 있다.
일 실시예에서, 환자상태 학습부(220)는 수술 후에 생체신호 분석구간 동안 생체신호를 수집하여 수술 후 생체신호 분석 데이터를 생성할 수 있다. 여기에서, 생체신호 분석구간은 생체신호를 수집하는 특정 시간 단위에 해당하고, 환자의 유형, 환자의 상태 또는 관리자의 설정에 따라 초단위 또는 분단위로 분석구간을 다르게 설정할 수 있다.
예를 들어, 환자상태 학습부(220)는 수술 이후 12시간 내지 24시간 동안의 생체신호를 수집할 수 있다. 환자상태 학습부(220)는 환자의 수술 전 생체신호 분석 데이터를 기초로 생체신호 분석구간의 범위를 가변적으로 설정할 수 있고, 구체적으로, 환자의 수술 전 생체신호의 변화율에 비례하여 생체신호 분석구간을 증가시킬 수 있다. 환자상태 학습부(220)는 수술 전에 수집된 기초 생체신호들의 평균값을 벗어나는 변화율이 클수록 생체신호 분석구간을 증가시킬 수 있다.
또한, 환자상태 학습부(220)는 환자 유형 분류부(210)에서 분류된 환자 유형 중 수술 전 기초 생체신호가 평균 대비 저조한 환자 유형의 경우, 해당 환자 유형에 속한 환자의 수술 후 생체신호 분석구간을 더 감소시켜 수집할 수 있다. 예를 들어, 환자상태 학습부(220)는 수술 후 생체신호 분석구간을 평균 10초로 설정하였다면, 수술 전 기초 생체신호가 평균 대비 저조한 환자 유형에 속한 환자의 수술 후 생체신호 분석구간을 5초로 감소시켜 수집할 수 있다. 환자상태 학습부(220)는 감소된 생체신호 분석구간으로 수술 후 생체신호를 수집하여 보다 정밀하게 생체신호의 변화정도를 학습할 수 있다. 따라서, 환자상태 학습부(220)는 환자 유형 분류부(210)에서 분류된 환자 유형에 따라 수술 전 기초 생체신호가 저조한 환자일수록 수술 후 생체신호 분석구간을 더 감소시켜 수집할 수 있고, 해당 환자의 수술 후 상태변화를 정밀하게 판단할 수 있다.
일 실시예에서, 환자상태 학습부(220)는 수술 후 생체신호 분석 데이터의 분석을 통해 생체신호의 변화율 또는 변화량에 따라 수면상태, 이동상태 또는 응급상태를 포함하는 신체상태를 검출할 수 있다. 환자상태 학습부(220)는 수술 후 생체신호 분석 데이터를 분석하여 특정 생체신호의 변화율 또는 변화량을 기초로 수술 후 환자의 상태를 분류할 수 있다. 예를 들어, 환자상태 학습부(220)는 수술 후 생체신호 분석 데이터를 분석하였을 때, 심박수, 체온 및 산소포화도의 일정 수준을 유지하거나 변화정도가 매우 작은 경우에는 수면상태로 검출할 수 있다.
다른 예를 들어, 환자상태 학습부(220)는 수술 후 생체신호 분석 데이터를 분석하였을 때, 심박수, 체온 및 산소포화도의 변화정도가 매우 큰 경우를 응급상태로 분류하여 검출할 수 있다. 환자상태 학습부(220)는 특히, 심박수 또는 혈압이 급격하게 증감하는 경우에는 해당 환자의 신체상태를 쓰러짐, 심장마비 또는 사망에 해당하는 응급상태로 판단할 수 있다. 환자상태 학습부(220)는 수술 후 생체신호의 변화율 또는 변화량에 따라 해당 환자의 신체상태를 분류하여 학습할 수 있고, 구체적으로, 환자상태 학습부(220)는 수술 후 생체신호 분석 데이터의 분석을 반복적으로 학습할 수 있고 학습된 결과에 따라 환자의 신체상태 분류 기준(수면상태, 이동상태, 휴식상태 또는 응급상태)을 세분화할 수 있다.
일 실시예에서, 환자상태 학습부(220)는 환자의 응급상태의 발생 이전의 특정 시구간에서 생체신호의 변화율 또는 변화량에 관해 기계학습을 수행할 수 있다. 구체적으로, 환자상태 학습부(220)는 환자가 응급상태인 것으로 판단되는 경우, 해당 환자로부터 수집된 생체신호를 분석하여 응급상태가 발생된 시점 이전에 특정 시구간에서 생체신호의 변화가 있었는지를 확인할 수 있고, 해당 특이점에 관한 기계학습을 수행할 수 있다. 여기에서, 특정 시구간은 특정 생체신호가 급격한 증가하거나 감소하는 시점에 해당하고, 환자상태 학습부(220)에서 특정 시구간을 도출하는 과정은 도 3에서 자세히 후술한다.
환자상태 예측부(230)는 특정 환자의 환자 유형을 결정하고 특정 시간동안 특정 환자의 생체신호를 수집하여 기계학습에 따른 이상징후 발생 가능성을 예측할 수 있다. 일 실시예에서, 환자상태 예측부(230)는 기존에 기계학습을 통해 학습된 이상징후가 발생될 가능성이 있는 생체신호의 유형을 기초로 임의의 환자의 생체신호를 수집하여 해당 환자가 이상징후가 발생될 가능성이 어느 정도인지를 예측할 수 있다. 환자상태 예측부(230)는 특정 환자로부터 수술 전후 생체신호를 수집할 수 있고, 수집된 생체신호를 기계학습에 따라 분석하여 이상징후 발생 가능성을 도출할 수 있다.
일 실시예에서, 환자상태 예측부(230)는 특정 환자의 유형에 따라 생체신호 수집 시구간과 이전 및 현재 생체신호 수집 시구간들 간의 오버래핑 구간을 결정할 수 있다. 환자상태 예측부(230)는 특정 환자의 수술 전 기초 생체신호를 수집하여 해당 환자의 유형을 결정할 수 있고, 결정된 환자의 유형에 따라 생체신호 수집 시구간을 결정하고, 이전 및 현재 생체신호 수집 시구간들 간의 오버래핑 구간을 결정하여 해당 환자의 이상징후 발생 가능성을 분석할 수 있다. 환자상태 예측부(230)에서 생체신호 수집 시구간을 결정하고, 이전 및 현재 생체신호 수집 시구간들 간의 오버래핑 구간을 결정하는 과정은 도 3에서 자세히 후술한다.
제어부(240)는 환자상태 예측 장치(120)의 전체적인 동작을 제어하고, 환자 유형 분류부(210), 환자상태 학습부(220) 및 환자상태 예측부(230) 간의 제어 흐름 또는 데이터 흐름을 제어할 수 있다.
도 3은 도 1에 있는 인공지능 기반의 환자상태 예측 장치에 의하여 수행되는 환자상태 예측 방법을 설명하는 순서도이다. 도 4는 도 1에 있는 환자 모니터링용 웨어러블 장치가 환자에게 알람을 제공하는 예시 도면이다.
도 3을 참조하면, 환자상태 예측 장치(120)는 환자 모집단에 있는 적어도 하나의 환자 각각에 관해 수술 전에 수집된 기초 생체신호를 기초로 환자 유형을 분류할 수 있다(단계 S310).
일 실시예에서, 환자상태 예측 장치(120)는 환자 유형 분류부(210)를 통해 수술 전에 수집된 환자의 기초 생체신호를 기초로 환자의 유형을 분류할 수 있다. 환자 유형 분류부(210)는 수집된 기초 생체신호 중 비슷한 유형을 가진 환자 별로 환자의 유형을 분류할 수 있고, 같은 수술이 예정된 환자 별로 환자의 유형을 분류할 수 있으며, 환자 유형을 분류하는 기준을 다르게 설정할 수 있다.
환자상태 예측 장치(120)는 분류된 환자 유형별로 수술 후에 수집된 생체신호와 신체상태에 관한 기계학습을 수행하여 이상징후 발생 가능성을 결정할 수 있다(단계 S320).
일 실시예에서, 환자상태 예측 장치(120)는 환자상태 학습부(220)를 통해 환자의 수술 후에 수집된 생체신호와 신체상태에 관한 기계학습을 통해 이상징후가 발생할 가능성을 결정할 수 있다. 환자상태 학습부(220)는 분류된 환자의 유형 별로 수술 후 생체신호 분석구간을 설정할 수 있고, 예를 들어, 환자상태 학습부(220)는 환자의 유형이 제1 군에 해당하는 경우는 10초의 생체신호 분석구간을, 제2 군에 해당하는 경우는 15초의 생체신호 분석구간으로 설정할 수 있다.
일 실시예에서, 환자상태 학습부(220)는 환자의 상태가 위급한 상태로 되기 이전의 특정 시구간에서의 생체신호의 변화율 또는 변화량에 관한 기계학습을 수행할 수 있다. 환자상태 학습부(220)는 다음의 수학식을 통해 특정 시구간을 결정할 수 있다.
[수학식1]
T_specific = (T_event / T_criteria) * Ω[Type_patient]
여기에서, T_specific은 특정 시구간에 해당하고, T_event은 해당 환자에게 응급상태가 나타난 시구간에 해당하고, T_criteria은 생체신호 분석구간에 해당하고, Ω[Type_patient]은 해당 환자의 유형에 따른 변수에 해당한다.
환자상태 학습부(220)는 특정 환자가 응급상태에 처해진 것으로 신체상태가 검출된 경우, 해당 환자에게 응급상태가 발생한 시구간 대비 해당 환자의 생체신호 분석구간의 비율과 해당 환자가 속한 유형에 따른 변수를 곱하여 도출되는 시구간을 특정 시구간으로 결정할 수 있다.
환자상태 예측 장치(120)는 제2 환자의 환자 유형을 결정하고 특정 시간동안 제2 환자의 생체신호를 수집하여 기계학습에 따른 이상징후 발생 가능성을 예측할 수 있다(단계 S330).
일 실시예에서, 환자상태 예측 장치(120)는 환자상태 예측부(230)를 통해 특정 환자의 생체신호를 수집하여 기계학습을 기초로 해당 환자의 이상징후가 발생할 가능성을 예측할 수 있다. 환자상태 예측부(230)는 특정 환자의 유형에 따라 생체신호 수집 시구간을 설정할 수 있고, 다음의 수학식을 통해 생체신호 수집 시구간을 결정할 수 있다.
[수학식2]
T = V(S_before/S_after) * Ω[Type_patient]
여기에서, T는 생체신호 수집 시구간에 해당하고, V(x)는 x에 대항 변화율을 산출하는 함수에 해당하고, Ω[Type_patient]은 해당 환자의 유형에 따른 변수에 해당하고, (S_before/S_after)는 수술 전후 생체신호의 변화율 또는 변화량에 해당하고, S_before는 수술 전 생체신호, S_after는 수술 후 생체신호에 해당한다.
환자상태 예측부(230)는 특정 환자의 수술 전 기초 생체신호들을 기초로 해당 환자의 유형을 분류할 수 있고, 해당 환자의 유형에 따라 생체신호 수집 시구간을 결정할 수 있다. 구체적으로, 환자상태 예측부(230)는 수술 전후의 생체신호의 변화율 또는 변화량에 해당 환자의 유형에 따른 변수를 곱하여 생체신호 수집 시구간을 결정할 수 있다. 예를 들어, 환자상태 예측부(230)는 특정 환자의 유형이 고위험군에 해당하는 경우, 해당 환자의 수술 전후 생체신호의 변화율 또는 변화량에 따라 생체신호 수집 시구간을 증감시킬 수 있다.
또한, 환자상태 예측부(230)는 이전 및 현재 생체신호 수집 시구간들 간의 오버래핑 구간을 결정할 수 있고, 이전 및 현재 생체신호 수집 시구간들 간의 오버래핑을 통해 해당 환자의 상태변화를 보다 정밀하게 판단할 수 있다.
[수학식3]
Range_overlap = Interval_C + F(T)
F(T) = Interval_Max * Average(S_before/S_after)
여기에서, Range_overlap는 오버래핑의 구간, Interval_C는 표준 오버래핑 구간, F(T)는 환자의 유형에 따라 생체신호 수집 시구간을 조정하는 함수에 해당한다. Average(S_before/S_after)는 환자의 생체신호 변화율(또는 변화량)에 대한 평균값에 해당하고, S_before는 수술 전의 환자의 생체신호, S_after는 수술 후의 환자의 생체신호에 해당하고, Interval_Max는 생체신호 수집 시구간이 최대로 오버래핑될 수 있는 최대 오버래핑 구간에 해당한다.
환자상태 예측부(230)는 표준 오버래핑 구간(표준 오버래핑 구간은 환자의 유형 또는 사용자의 설정에 따라 달라질 수 있으며, 예를 들어, 5초, 10초 등 특정 시간 단위로 설정될 수 있음)에 맞게 현재 생체신호 수집 시구간과 다음 생체신호 수집 시구간을 오버래핑하여 오버래핑 생체신호 수집 시구간을 설정할 수 있다. 환자상태 예측부(230)는 환자의 유형 및 수술 전의 환자의 생체신호의 평균적인 수치 대비 수술 후의 환자의 생체신호의 평균적인 수치의 변화율(또는 변화량)을 기초로 생체신호 수집 시구간의 오버래핑되는 구간을 가변적으로 설정할 수 있다. 환자상태 예측부(230)는 생체신호 수집 시구간의 오버래핑 구간을 설정하여 특정 환자의 생체신호가 어느 시점에서 변화되고 있는 지를 정밀하게 판단할 수 있다.
일 실시예에서, 환자상태 예측 장치(120)는 수집된 환자의 생체신호 및 신체상태에 관한 기계학습을 반복적으로 수행하여 특정 환자로부터 수술 전후 생체신호를 수집하였을 때 해당 환자가 수술 후 이상징후가 발생될 가능성을 미리 예측할 수 있고, 환자 모니터링용 웨어러블 장치(110)에 해당 환자에게 위험 가능성을 제공할 수 있다. 예를 들어, 환자상태 예측 장치(120)는 이상징후 발생 가능성이 높은 환자에게 환자 모니터링용 웨어러블 장치(110)를 통해 즉시 자리에 앉거나 휴식을 취하도록 알람을 제공할 수 있다. 도 4를 참조하면, 환자상태 예측 장치(120)는 환자 모니터링용 웨어러블 장치(110)를 통해 [즉시 앉으시오]와 같은 문자와 함께 진동 또는 소리로써 해당 환자가 그 자리에 앉거나 휴식을 위할 수 있도록 알람을 제공할 수 있다.
상기에서는 본 발명의 바람직한 실시예를 참조하여 설명하였지만, 해당 기술 분야의 숙련된 당업자는 하기의 특허 청구의 범위에 기재된 본 발명의 사상 및 영역으로부터 벗어나지 않는 범위 내에서 본 발명을 다양하게 수정 및 변경시킬 수 있음을 이해할 수 있을 것이다.
100: 인공지능 기반의 환자상태 예측 시스템
110: 환자 모니터링용 웨어러블 장치 112: 손목밴드
114: 본체 115: 환자의 스마트폰
120: 인공지능 기반의 환자상태 예측 장치
130: 환자 보호자의 스마트폰 140: 공공기관
210: 환자 유형 분류부 220: 환자상태 학습부
230: 환자상태 예측부 240: 제어부
110: 환자 모니터링용 웨어러블 장치 112: 손목밴드
114: 본체 115: 환자의 스마트폰
120: 인공지능 기반의 환자상태 예측 장치
130: 환자 보호자의 스마트폰 140: 공공기관
210: 환자 유형 분류부 220: 환자상태 학습부
230: 환자상태 예측부 240: 제어부
Claims (8)
- 환자 모집단에 있는 적어도 하나의 제1 환자 각각에 관해 수술 전에 수집된 기초 생체신호를 기초로 환자 유형을 분류하는 환자 유형 분류부;
상기 분류된 환자 유형별로 수술 후에 수집된 생체신호와 신체상태에 관한 기계학습을 수행하여 이상징후 발생 가능성을 결정하는 환자상태 학습부; 및
제2 환자의 환자 유형을 결정하고 특정 시간동안 상기 제2 환자의 생체신호를 수집하여 상기 기계학습에 따른 이상징후 발생 가능성을 예측하는 환자상태 예측부를 포함하는 인공지능 기반의 환자상태 예측 장치.
- 제1항에 있어서, 상기 환자 유형 분류부는
상기 수술 전에 상기 환자의 혈압, 심박수, 체온 및 산소포화도 중 적어도 하나를 상기 기초 생체신호로 수집하여 수술 전 생체신호 분석 데이터를 생성하는 것을 특징으로 하는 인공지능 기반의 환자상태 예측 장치.
- 제2항에 있어서, 상기 환자 유형 분류부는
상기 수술 전의 복수의 시점들에서 수집된 기초 생체신호들을 평균하여 상기 수술 전 생체신호 분석 데이터를 생성하는 것을 특징으로 하는 인공지능 기반의 환자상태 예측 장치.
- 제1항에 있어서, 상기 환자상태 학습부는
상기 수술 후에 생체신호 분석구간 동안 상기 생체신호를 수집하여 수술 후 생체신호 분석 데이터를 생성하는 것을 특징으로 하는 인공지능 기반의 환자상태 예측 장치.
- 제4항에 있어서, 상기 환자상태 학습부는
상기 수술 후 생체신호 분석 데이터의 분석을 통해 상기 생체신호의 변화율 또는 변화량에 따라 수면상태, 이동상태 또는 응급상태를 포함하는 신체상태를 검출하는 것을 특징으로 하는 인공지능 기반의 환자상태 예측 장치.
- 제5항에 있어서, 상기 환자상태 학습부는
상기 응급상태의 발생 이전의 특정 시구간에서 상기 생체신호의 변화율 또는 변화량에 관해 상기 기계학습을 수행하는 것을 특징으로 하는 인공지능 기반의 환자상태 예측 장치.
- 제1항에 있어서, 상기 환자상태 예측부는
상기 제2 환자의 환자 유형에 따라 생체신호 수집 시구간과 이전 및 현재 생체신호 수집 시구간들 간의 오버래핑 구간을 결정하는 것을 특징으로 하는 인공지능 기반의 환자상태 예측 장치.
- 인공지능 기반의 환자상태 예측 장치에서 수행되는 환자상태 예측 방법에 있어서,
환자 모집단에 있는 적어도 하나의 제1 환자 각각에 관해 수술 전에 수집된 기초 생체신호를 기초로 환자 유형을 분류하는 단계;
상기 분류된 환자 유형별로 수술 후에 수집된 생체신호와 신체상태에 관한 기계학습을 수행하여 이상징후 발생 가능성을 결정하는 단계; 및
제2 환자의 환자 유형을 결정하고 특정 시간동안 상기 제2 환자의 생체신호를 수집하여 상기 기계학습에 따른 이상징후 발생 가능성을 예측하는 단계를 포함하는 환자상태 예측 방법.
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020180020476A KR102129730B1 (ko) | 2018-02-21 | 2018-02-21 | 인공지능 기반의 환자상태 예측 장치 및 이를 이용한 환자상태 예측 방법 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020180020476A KR102129730B1 (ko) | 2018-02-21 | 2018-02-21 | 인공지능 기반의 환자상태 예측 장치 및 이를 이용한 환자상태 예측 방법 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| KR20190105163A true KR20190105163A (ko) | 2019-09-16 |
| KR102129730B1 KR102129730B1 (ko) | 2020-07-06 |
Family
ID=68067237
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020180020476A KR102129730B1 (ko) | 2018-02-21 | 2018-02-21 | 인공지능 기반의 환자상태 예측 장치 및 이를 이용한 환자상태 예측 방법 |
Country Status (1)
| Country | Link |
|---|---|
| KR (1) | KR102129730B1 (ko) |
Cited By (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2021075673A1 (ko) * | 2019-10-18 | 2021-04-22 | 고려대학교 산학협력단 | 심층학습에 기반한 신호 압축 시스템 및 방법 |
| WO2021091189A1 (ko) * | 2019-11-04 | 2021-05-14 | 고려대학교 산학협력단 | 응급환자의 중증도 평가 시스템 및 방법, 및 이를 포함하는 시스템 |
| WO2021225390A1 (ko) * | 2020-05-06 | 2021-11-11 | 주식회사 슈파스 | 인공지능을 이용한 환자의 쇼크 발생 예측 방법, 장치 및 컴퓨터프로그램 |
| KR20210135942A (ko) * | 2020-05-06 | 2021-11-16 | 주식회사 슈파스 | 인공지능을 이용한 환자의 쇼크 발생 예측 방법, 장치 및 컴퓨터프로그램 |
| WO2022039373A1 (ko) * | 2020-08-19 | 2022-02-24 | 백우민 | 개인 위험 상태 감지 기반 상황 정보 획득 장치 |
| KR20220028996A (ko) * | 2020-09-01 | 2022-03-08 | 고려대학교 산학협력단 | 케이스 정보 관리 시스템 |
| KR20220038968A (ko) * | 2020-09-21 | 2022-03-29 | 주식회사 삼육오엠씨네트웍스 | 인공지능 기반의 수면마취 안전도 예측 장치 및 방법 |
| KR20220108944A (ko) * | 2021-01-28 | 2022-08-04 | 사회복지법인 삼성생명공익재단 | 증상악화 예측 시스템 및 방법 |
| WO2023282600A1 (ko) * | 2021-07-09 | 2023-01-12 | 서울대학교병원 | 수술 중 또는 수술 후 예후 판단 장치 및 방법 |
| KR20230009834A (ko) | 2021-07-09 | 2023-01-17 | 서울대학교병원 | 수술 중 또는 수술 후 예후 판단 장치 및 방법 |
| KR102541197B1 (ko) * | 2021-12-20 | 2023-06-13 | 한국기계연구원 | 스마트 안전모를 이용한 온열질환 관리시스템 및 이를 이용한 온열질환 관리방법 |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR102285597B1 (ko) * | 2020-11-02 | 2021-08-05 | 유종근 | 웨어러블 단말 및 이를 이용한 간호지원 시스템 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR101611838B1 (ko) | 2013-05-30 | 2016-04-12 | 가톨릭대학교 산학협력단 | 환자안전 관련 고위험군 예측 방법 및 시스템 |
| KR20170061222A (ko) | 2015-11-25 | 2017-06-05 | 한국전자통신연구원 | 건강데이터 패턴의 일반화를 통한 건강수치 예측 방법 및 그 장치 |
| KR20170067759A (ko) * | 2014-10-09 | 2017-06-16 | 아쇼크 레디 | 생리학적 데이터를 기반으로 환자의 연속 심박출량(cco)을 예측하기 위한 시스템 및 방법 |
-
2018
- 2018-02-21 KR KR1020180020476A patent/KR102129730B1/ko active IP Right Grant
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR101611838B1 (ko) | 2013-05-30 | 2016-04-12 | 가톨릭대학교 산학협력단 | 환자안전 관련 고위험군 예측 방법 및 시스템 |
| KR20170067759A (ko) * | 2014-10-09 | 2017-06-16 | 아쇼크 레디 | 생리학적 데이터를 기반으로 환자의 연속 심박출량(cco)을 예측하기 위한 시스템 및 방법 |
| KR20170061222A (ko) | 2015-11-25 | 2017-06-05 | 한국전자통신연구원 | 건강데이터 패턴의 일반화를 통한 건강수치 예측 방법 및 그 장치 |
Cited By (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2021075673A1 (ko) * | 2019-10-18 | 2021-04-22 | 고려대학교 산학협력단 | 심층학습에 기반한 신호 압축 시스템 및 방법 |
| WO2021091189A1 (ko) * | 2019-11-04 | 2021-05-14 | 고려대학교 산학협력단 | 응급환자의 중증도 평가 시스템 및 방법, 및 이를 포함하는 시스템 |
| WO2021225390A1 (ko) * | 2020-05-06 | 2021-11-11 | 주식회사 슈파스 | 인공지능을 이용한 환자의 쇼크 발생 예측 방법, 장치 및 컴퓨터프로그램 |
| KR20210135942A (ko) * | 2020-05-06 | 2021-11-16 | 주식회사 슈파스 | 인공지능을 이용한 환자의 쇼크 발생 예측 방법, 장치 및 컴퓨터프로그램 |
| WO2022039373A1 (ko) * | 2020-08-19 | 2022-02-24 | 백우민 | 개인 위험 상태 감지 기반 상황 정보 획득 장치 |
| KR20220028996A (ko) * | 2020-09-01 | 2022-03-08 | 고려대학교 산학협력단 | 케이스 정보 관리 시스템 |
| KR20220038968A (ko) * | 2020-09-21 | 2022-03-29 | 주식회사 삼육오엠씨네트웍스 | 인공지능 기반의 수면마취 안전도 예측 장치 및 방법 |
| KR20220108944A (ko) * | 2021-01-28 | 2022-08-04 | 사회복지법인 삼성생명공익재단 | 증상악화 예측 시스템 및 방법 |
| WO2023282600A1 (ko) * | 2021-07-09 | 2023-01-12 | 서울대학교병원 | 수술 중 또는 수술 후 예후 판단 장치 및 방법 |
| KR20230009834A (ko) | 2021-07-09 | 2023-01-17 | 서울대학교병원 | 수술 중 또는 수술 후 예후 판단 장치 및 방법 |
| KR102541197B1 (ko) * | 2021-12-20 | 2023-06-13 | 한국기계연구원 | 스마트 안전모를 이용한 온열질환 관리시스템 및 이를 이용한 온열질환 관리방법 |
Also Published As
| Publication number | Publication date |
|---|---|
| KR102129730B1 (ko) | 2020-07-06 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| KR102129730B1 (ko) | 인공지능 기반의 환자상태 예측 장치 및 이를 이용한 환자상태 예측 방법 | |
| JP6892233B2 (ja) | 双方向の遠隔的な患者監視および状態管理介入システム | |
| US9801553B2 (en) | System, method, and computer program product for the real-time mobile evaluation of physiological stress | |
| US7621871B2 (en) | Systems and methods for monitoring and evaluating individual performance | |
| JP7108267B2 (ja) | 生体情報処理システム、生体情報処理方法、及びコンピュータプログラム | |
| US20210269046A1 (en) | Estimator generation apparatus, monitoring apparatus, estimator generation method, and computer-readable storage medium storing estimator generation program | |
| JP2004532451A (ja) | 人の認知能力を予測する方法およびシステム | |
| Sannino et al. | An automatic rules extraction approach to support osa events detection in an mhealth system | |
| WO2007149553A2 (en) | Alertness/drowsiness and cognitive capacity index | |
| JP2015501472A5 (ko) | ||
| KR20190083998A (ko) | 섬망 판별 장치 및 그 방법 | |
| Merone et al. | A decision support system for tele-monitoring COPD-related worrisome events | |
| KR102060322B1 (ko) | 환자 모니터링용 웨어러블 장치 및 이를 이용한 모니터링 방법 | |
| JP2021517504A (ja) | 複数の信号を処理するためのシステムおよび方法 | |
| JP2013148996A (ja) | 重症度判定装置、及び、重症度判定方法 | |
| CN117133464B (zh) | 一种老年人健康智能监测系统及监测方法 | |
| US20210000405A1 (en) | System for estimating a stress condition of an individual | |
| KR20130062464A (ko) | 생체신호수집을 위한 ｕｓｎ 기반의 통합의료관리 시스템 및 방법 | |
| Panagiotou et al. | A multi: modal decision making system for an ambient assisted living environment | |
| RU2729131C2 (ru) | Система для определения и раннего прогнозирования приближения обострений у пациентов, страдающих от хронического обструктивного заболевания легких | |
| Karimi Moridani | An automated method for sleep apnoea detection using HRV | |
| US20220165393A1 (en) | System for the detection and management of mental, emotional, and behavioral disorders | |
| KR101375673B1 (ko) | 간질 발작 경보 방법 및 이를 지원하는 단말기 | |
| KR102248796B1 (ko) | 사용자의 의사결정 예측 방법 및 장치 | |
| WO2023053176A1 (ja) | 学習装置、行動推薦装置、学習方法、行動推薦方法及び記憶媒体 |
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 |