KR20200027091A - 환자의 주증상과 진단 관계에 대하여 인공신경망 기법을 이용하여 유사성 정도를 추론하여 진단 사례를 추천하는 시스템 - Google Patents
환자의 주증상과 진단 관계에 대하여 인공신경망 기법을 이용하여 유사성 정도를 추론하여 진단 사례를 추천하는 시스템 Download PDFInfo
- Publication number
- KR20200027091A KR20200027091A KR1020180103259A KR20180103259A KR20200027091A KR 20200027091 A KR20200027091 A KR 20200027091A KR 1020180103259 A KR1020180103259 A KR 1020180103259A KR 20180103259 A KR20180103259 A KR 20180103259A KR 20200027091 A KR20200027091 A KR 20200027091A
- Authority
- KR
- South Korea
- Prior art keywords
- diagnosis
- patient
- neural network
- diagnostic
- data
- 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
- G16H50/20—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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- 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
- G16H10/20—ICT specially adapted for the handling or processing of patient-related medical or healthcare data for electronic clinical trials or questionnaires
-
- 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
- G16H50/70—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for mining of medical data, e.g. analysing previous cases of other patients
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Public Health (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Data Mining & Analysis (AREA)
- Primary Health Care (AREA)
- Epidemiology (AREA)
- Theoretical Computer Science (AREA)
- Databases & Information Systems (AREA)
- Pathology (AREA)
- Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Measuring And Recording Apparatus For Diagnosis (AREA)
- Medical Treatment And Welfare Office Work (AREA)
Abstract
본 발명은 임상의가 환자를 문진하는 과정에서 증상에 대해 텍스트 입력을 하고 나면, 해당 주증상에 대해 진단(이하, 상병 및 처방을 포함한다.) 사례를 인공신경망(ANN) 기법을 적용하여 추천하도록 하는, 환자의 주증상과 진단 관계에 대하여 인공신경망 기법을 이용하여 유사성 정도를 추론하여 진단 사례를 추천하는 시스템에 관한 것이다.
본 발명은, 임상의가 환자를 문진하는 과정에서 증상에 대해 EMR에 텍스트를 입력하는 1단계; 텍스트 비정형 데이터를 분석하여 주증상(chief complaint, CC)에 대한 용어(표현)를 추출하는 2단계; 주증상별로 환자에 대한 진단 결과 데이터를 훈련용 데이터 세트로 설정하고, 일부 데이터는 검증용 데이터 세트와 테스트용 데이터 세트로 설정하는 3단계; 및 훈련용 데이터 세트에 대해서 주증상과 진단 간의 관계에 대하여 비지도 방식의 자질 추출 딥러닝 방법을 이용하여 자질을 추출하는 훈련을 통하여 진단 패턴을 분석하는 4단계를 포함한다.
본 발명은, 임상의가 환자를 문진하는 과정에서 증상에 대해 EMR에 텍스트를 입력하는 1단계; 텍스트 비정형 데이터를 분석하여 주증상(chief complaint, CC)에 대한 용어(표현)를 추출하는 2단계; 주증상별로 환자에 대한 진단 결과 데이터를 훈련용 데이터 세트로 설정하고, 일부 데이터는 검증용 데이터 세트와 테스트용 데이터 세트로 설정하는 3단계; 및 훈련용 데이터 세트에 대해서 주증상과 진단 간의 관계에 대하여 비지도 방식의 자질 추출 딥러닝 방법을 이용하여 자질을 추출하는 훈련을 통하여 진단 패턴을 분석하는 4단계를 포함한다.
Description
본 발명은 인공신경망 기법을 이용한 진단 사례 추천 시스템에 관한 것으로, 더욱 상세하게는 임상의가 환자를 문진하는 과정에서 증상에 대해 텍스트 입력을 하고 나면 해당 주증상에 대해 진단(이하, 상병 및 처방을 포함한다.) 사례를 인공신경망(Artificial Neural Network, ANN) 기법을 적용하여 추천하도록 하는, 환자의 주증상과 진단 관계에 대하여 인공신경망 기법을 이용하여 유사성 정도를 추론하여 진단 사례를 추천하는 시스템에 관한 것이다.
병원의 전자의무기록(Electronic Medical Record, EMR) 시스템에는 임상의가 환자를 대할 때 환자가 기술하는 아픈 증상에 대한 표현을 기록하는 내용이 있으며, 의사는 이 내용을 '주호소(chief complaint, 주증상)'란에 입력하는 행위를 한다. 그리고 환자에 대한 검사를 수행하면 검사결과 소견을 기록하는 내용도 입력된다.
도 1은 종래 일반적인 텍스트마이닝 프로세스를 나타낸 개념도이다.
도시된 바와 같이, 종래에는 전자의무기록(EMR)의 각종 기록지(비정형 데이터)를 텍스트마이닝으로 패턴을 인식하고 추출하여 UMLS 체계로 표준처리 후 진단 추천이 가능한 구조화된 데이터로 처리한다. EMR의 주 대상이 되는 문진(증상)자료의 기록방식으로 텍스트방식과 코드방식이 있으며 대다수의 병원에서는 입력이 간편한 텍스트방식을 이용하고 있다. 텍스트방식의 EMR은 표준화되어 있지 않아 대내적으로는 통계나 기타 분석의 대상이 되기에 어려움이 있고, 대외적으로는 병원 간의 진료정보 교류의 요구는 많으나 자료를 교환할 경우 표준화된 방식이 존재하지 않아 진료정보에 대한 교류에 어려움이 있다.
전자의무기록 데이터는 정형 및 비정형 데이터가 복합적으로 관리되고 있으며, 그 중, 비정형 데이터도 영문과 한글이 혼재되어 관리되고 있다. 같은 질환에 대해서도 의료기관 및 진료의마다 다른 형태로 기입되고 있어, 반드시 텍스트마이닝 기법으로 데이터를 패턴화해야 국제표준코드인 UMLS 체계로 매핑이 가능하다.
최근 의료 환경이 복잡해지고 의료의 예방, 진단, 치료, 예후의 단계 중 진단 단계에서 일어날 수 있는 오진을 예방하고, 신속하고 정확한 진단이 이루어질 수 있도록, 의사결정에 도움을 줄 수 있는 솔루션 및 시스템이 필요한 실정이다.
또한, 스마트 환경이 일상화되고 데이터 관리·분석에 필요한 빅데이터, 클라우드 기술 등이 발달하여 실행여건도 빠르게 성숙하고 있고, 환자의 징후, 증상의 데이터를 기반으로 순위를 포함한 상병(질환)을 제공하여 의료지식이 부족한 의대 학생 또는 응급실 인턴들이 경험에 의한 부족한 지식을 보완하는 용도로 활용 가능하다.
도 2는 의사결정에 도움을 줄 수 있는 솔루션의 필요성을 나타낸 개념도로서, 도시된 바와 같이, 현재는 같은 질환에 대해서도 의료기관이나 의사마다 다른 처방을 제공하고, 치료방법이 상이하여, 신뢰성과 전문성에 대한 문제가 있다. EMR 데이터를 기반으로 환자들의 처방패턴을 인공신경망 기법으로 학습하여 특정 질환에 대한 처방과 치료에 대한 표준진료지침을 제공할 수 있다.
대학병원급 병원에서는 질환별 표준진료지침(CP: Critical Pathway)을 만들어 환자들에게 진료의 일관성과 표준을 제공하고자 하지만 제한적인 질환에 대해서만 시행하고 있다. 전자의무기록 표준화 및 진단 가이드를 통해 전문의가 부족한 오지 마을 또는 군부대 등에 진료표준지침을 제시하여 국민의 건강에 기여하는 솔루션의 필요성이 절실한 실정이다.
따라서, 상기와 같은 종래기술에 의하면, 환자의 주증상별로 진단을 내릴 때 임상의 개개인의 경험과 판단에 따라 결정하는 현재 진료방식은 오진의 가능성과 진료시간의 지체, 임상의 간의 경험과 지식의 공유가 어려운 문제점이 있었다.
본 발명은 종래의 문제점을 극복하기 위한 것으로서, 본 발명의 목적은, 임상의가 환자를 문진하는 과정에서 증상에 대해 EMR에 텍스트를 입력하면, 텍스트 비정형 데이터(unstructured data)를 분석하여 주증상(chief complaint, CC)에 대한 용어(표현)(terms, representation)를 추출하고, 해당 주증상에 대해 진단 사례를 인공신경망(ANN) 기법을 적용하여 추천하도록 하는, 환자의 주증상과 진단 관계에 대하여 인공신경망 기법을 이용하여 유사성 정도를 추론하여 진단 사례를 추천하는 시스템을 제공하는 것이다.
본 발명이 해결하고자 하는 과제들은 이상에서 언급된 과제로 제한되지 않으며, 언급되지 않은 또 다른 과제들은 아래의 기재로부터 통상의 기술자에게 명확하게 이해될 수 있을 것이다.
상기 목적을 달성하기 위해, 본 발명에 따른 환자의 주증상과 진단 관계에 대하여 인공신경망 기법을 이용하여 유사성 정도를 추론하여 진단 사례를 추천하는 시스템은, 임상의가 환자를 문진하는 과정에서 증상에 대해 EMR에 텍스트를 입력하는 1단계; 텍스트 비정형 데이터(unstructured data)를 분석하여 주증상(chief complaint, CC)에 대한 용어(표현)(terms, representation)를 추출하는 2단계; 주증상별로 환자에 대한 진단 결과 데이터를, 훈련용 데이터 세트(training data set), 검증용 데이터 세트(validation data set), 테스트용 데이터 세트(test data set)로 설정하는 3단계; 및 훈련용 데이터 세트에 대해서 주증상과 진단 간의 관계에 대하여 비지도 방식의 자질 추출 딥러닝(unsupervised deep feature learning) 방법을 이용하여 자질(feature)을 추출하는 훈련을 통하여 진단 패턴을 분석하는 4단계를 포함한다.
상기 2단계에서, 해당 주증상에 대해 진단 사례를, 인공신경망 기법을 적용하여 추천하도록 할 수 있다.
상기 4단계에서, 비지도 방식의 자질 추출 딥러닝(unsupervised deep feature learning) 방법으로 SDA(stack of denoising autoencoders)를 사용하며, 주증상 용어와 진단 데이터 간의 유사성 관계에 대한 사전 훈련 학습을 진행할 수 있다.
상기 SDA를 통하여 벡터로 전환된 사전 훈련 학습을 통하여 생성된 자질 표상(feature representation) 데이터를 주증상과 진단 추천 rating score를 예측하기 위하여 Deep Neural Network 알고리즘의 input 데이터로 사용하여 추천 모델을 만드는 것이 바람직하다.
본 발명의 기타 구체적인 사항들은 상세한 설명 및 도면들에 포함되어 있다.
상기와 같이 구성된 본 발명에 따른 환자의 주증상과 진단 관계에 대하여 인공신경망 기법을 이용하여 유사성 정도를 추론하여 진단 사례를 추천하는 시스템에 의하면, 임상의가 환자를 문진하는 과정에서 증상에 대해 EMR에 텍스트를 입력하면, 텍스트 비정형 데이터를 분석하여 주증상에 대한 용어(표현)를 추출하고, 해당 주증상에 대해 진단 사례를 인공신경망 기법을 적용하여 추천하도록 하는 효과가 있다.
또한, 의료기관의 EMR 시스템에 탑재되어 정형 및 비정형 데이터를 딥러닝 기법으로 분석하여 상병을 추천하고, 그 해당 상병에 대한 처방을 안내하는 효과도 있다.
본 발명의 효과들은 이상에서 언급된 효과로 제한되지 않으며, 언급되지 않은 또 다른 효과들은 아래의 기재로부터 통상의 기술자에게 명확하게 이해될 수 있을 것이다.
도 1은 종래 일반적인 텍스트마이닝 프로세스를 나타낸 개념도.
도 2는 진단 사례를 추천하는 시스템 및 솔루션의 필요성을 나타낸 개념도.
도 3은 본 발명에 따른 딥러닝 분석을 활용한 EMR 비정형 데이터의 UMLS 매핑 및 진단 사례 추천 시스템의 일 실시예를 나타낸 개념도.
도 4는 본 발명에 따른 환자의 주증상과 진단 관계에 대하여 인공신경망 기법을 이용하여 유사성 정도를 추론하여 진단 사례를 추천하는 시스템의 일 실시예를 나타낸 순서도.
도 5는 본 발명에 따른 denoising autoencoders 분석 알고리즘을 나타내는 개념도.
도 6은 본 발명에 따른 stacked denoising autoencoders 분석 알고리즘을 나타내는 개념도.
도 7은 본 발명에 따른 feature representation 모델과 Deep Neural Network 모델을 적용한 추천 프레임워크를 나타낸 개념도.
도 8은 본 발명에 따른 진료 패턴 모형 예시화면을 나타낸 그래프.
도 9는 본 발명에 따른 임상 대시보드 예시를 나타낸 그래프.
도 10은 본 발명에 따른 의무기록 딥러닝 솔루션의 의료기관 적용 상태를 나타낸 개념도.
도 2는 진단 사례를 추천하는 시스템 및 솔루션의 필요성을 나타낸 개념도.
도 3은 본 발명에 따른 딥러닝 분석을 활용한 EMR 비정형 데이터의 UMLS 매핑 및 진단 사례 추천 시스템의 일 실시예를 나타낸 개념도.
도 4는 본 발명에 따른 환자의 주증상과 진단 관계에 대하여 인공신경망 기법을 이용하여 유사성 정도를 추론하여 진단 사례를 추천하는 시스템의 일 실시예를 나타낸 순서도.
도 5는 본 발명에 따른 denoising autoencoders 분석 알고리즘을 나타내는 개념도.
도 6은 본 발명에 따른 stacked denoising autoencoders 분석 알고리즘을 나타내는 개념도.
도 7은 본 발명에 따른 feature representation 모델과 Deep Neural Network 모델을 적용한 추천 프레임워크를 나타낸 개념도.
도 8은 본 발명에 따른 진료 패턴 모형 예시화면을 나타낸 그래프.
도 9는 본 발명에 따른 임상 대시보드 예시를 나타낸 그래프.
도 10은 본 발명에 따른 의무기록 딥러닝 솔루션의 의료기관 적용 상태를 나타낸 개념도.
본 발명의 이점 및 특징, 그리고 그것들을 달성하는 방법은 첨부되는 도면과 함께 상세하게 후술되어 있는 실시예를 참조하면 명확해질 것이다. 그러나 본 발명은 이하에서 개시되는 실시예로 제한되는 것이 아니라 서로 다른 다양한 형태로 구현될 수 있으며, 이하의 실시예는 단지 본 발명의 개시가 완전하도록 하고, 본 발명이 속하는 기술분야의 통상의 기술자에게 본 발명의 범주를 완전하게 알려 주기 위해 제공되는 것이며, 본 발명은 청구범위에 의해 정의될 뿐이다.
본 명세서에서 사용된 용어는 실시예를 설명하기 위한 것이며, 본 발명을 제한하고자 하는 것은 아니다. 본 명세서에서, 단수형은 문구에서 특별히 언급하지 않는 한 복수형도 포함한다. 명세서에서 사용되는 "포함한다" 및/또는 "포함하는"은 언급된 구성요소 외에 하나 이상의 다른 구성요소의 존재 또는 추가를 배제하지 않는다. 명세서 전체에 걸쳐 동일한 도면 부호는 동일한 구성 요소를 지칭하며, "및/또는"은 언급된 구성요소들의 각각 및 하나 이상의 모든 조합을 포함한다. 비록 "제1", "제2" 등이 다양한 구성요소들을 서술하기 위해서 사용되나, 이들 구성요소는 이 용어에 의해 제한되지 않음은 물론이다. 이들 용어는 단지 하나의 구성요소를 다른 구성요소와 구별하기 위하여 사용하는 것이다. 따라서, 이하에서 언급되는 제1 구성요소는 본 발명의 기술사상 내에서 제2 구성요소일 수도 있음은 물론이다.
다른 정의가 없다면, 본 명세서에서 사용되는 모든 용어(기술 및 과학적 용어를 포함)는 본 발명이 속하는 기술분야의 통상의 기술자에게 공통으로 이해될 수 있는 의미로 사용될 수 있을 것이다. 또한, 일반적으로 사용되는 사전에 정의되어 있는 용어들은 명백하게 특별히 정의되지 않는 한 이상적으로 또는 과도하게 해석되지 않는다.
공간적으로 상대적인 용어인 "아래", "하부", "상부" 등은 도면에 도시되어 있는 바와 같이, 하나의 구성요소와 다른 구성요소의 상관관계를 용이하게 기술하기 위해 사용될 수 있다. 공간적으로 상대적인 용어는 도면에 도시되어 있는 방향에 더하여, 사용시 또는 동작시 구성요소들의 서로 다른 방향을 포함하는 용어로 이해되어야 한다. 예를 들면, 도면에 도시되어 있는 구성요소를 뒤집을 경우, 다른 구성요소의 "아래"로 기술된 구성요소는 다른 구성요소의 "위(above)"에 놓일 수 있다. 따라서, 예시적인 용어인 "아래"는 아래와 위의 방향을 모두 포함할 수 있다. 구성요소는 다른 방향으로도 배향될 수 있으며, 이에 따라 공간적으로 상대적인 용어들은 배향에 따라 해석될 수 있다.
이하, 본 발명의 바람직한 실시예를 첨부도면에 근거하여 상세히 설명하기로 한다.
도 3은 본 발명에 따른 딥러닝 분석을 활용한 EMR 비정형 데이터의 UMLS 매핑 및 진단 사례 추천 시스템의 일 실시예를 나타낸 개념도이다.
도시된 바와 같이, 본 발명에 따른 시스템은, EMR 서버(100), 외부기관 서버(200), 딥러닝 서버(400)를 포함한다.
EMR 서버(100)는 진료, 간호, 원무, 진료지원 및 일반관리를 포함하는 진료정보를 추출하여 딥러닝 서버(400)에 제공하고, 딥러닝 서버(400)로부터 표준진료 정보를 제공받는다.
외부기관 서버(200)는 공공 데이터를 추출하여 딥러닝 서버(400)에 제공하고, 딥러닝 서버(400)로부터 표준의료 정보를 제공받는다.
도시하지 않은 인터넷 서버(예를 들면, 포털 사이트의 서버)는 HTML 정보를 수집하여 딥러닝 서버(400)에 제공한다.
딥러닝 서버(400)는 EMR 서버(100)와 외부기관 서버(200)로부터 제공된 정보를 처리하여, 환자별 진단, 처방 가이드를 제공한다.
딥러닝 서버(400)는 데이터 ETL 모듈(410), 사전처리모듈(420), 특성추출모듈(430), 데이터 표준화 모듈(440), 패턴 모델 모듈(450)을 포함한다.
데이터 ETL 모듈(410)은 데이터를 추출 및 적재하고, 분석을 위한 데이터를 정제한다.
사전처리모듈(420)은 어간 추출 및 의미분석을 수행하고, EMR 데이터의 형태소를 분석한다.
특성추출모듈(430)은 딥러닝 기반의 자연어 처리, 언어분석을 수행한다.
데이터 표준화 모듈(440)은 UMLS(Unified Medical Language System) 매핑 및 데이터 관계를 분석한다.
패턴 모델 모듈(450)은 데이터를 추천, 검증하고, 진단 및 처방을 정의한다.
특히, 딥러닝 서버(400)는 EMR 서버(100)에 탑재되어 정형 및 비정형 데이터를 딥러닝 기법으로 분석하여 텍스트 위주로 기록된 의무기록을 국제표준코드로 매핑하고, 의사로부터 작성된 환자의 주호소를 기반으로 상병을 추천하고, 그 상병에 대한 처방을 안내할 수 있다.
데이터 표준화 모듈(440)은 보건의료용어표준, UMLS, SNOMEDCT로부터 표준을 제공받고, 데이터 표준화 모듈(440)의 결과를 반영하는 딥러닝을 이용해서 과거 의무기록 데이터를 학습하는 패턴학습 기반 진단 추천 기능을 통하여 자동학습 데이터베이스(460)를 구축하고, 이를 패턴 모델 모듈(450)에 적용할 수 있다.
도 4는 본 발명에 따른 환자의 주증상과 진단 관계에 대하여 인공신경망 기법을 이용하여 유사성 정도를 추론하여 진단 사례를 추천하는 시스템의 일 실시예를 나타낸 순서도이다.
본 발명은 선행 단계에서 주증상에 대한 용어, 표현을 추출하는 과정을 수행한 것을 전제로, 과거 관련 질환에 대한 환자 진단 데이터를 수집하여 추천 알고리즘을 설계하고, 테스트, 평가할 자료로 전환하는 것을 특징으로 한다.
도 4에 도시된 바와 같이, 본 발명에 따른 환자의 주증상과 진단 관계에 대하여 인공신경망 기법을 이용하여 유사성 정도를 추론하여 진단 사례를 추천하는 시스템은, 임상의가 환자를 문진하는 과정에서 증상에 대해 EMR에 텍스트를 입력하는 1단계(S100); 텍스트 비정형 데이터를 분석하여 주증상에 대한 용어(표현)를 추출하는 2단계(S200); 주증상별로 환자에 대한 진단 결과 데이터를 훈련용 데이터 세트로 설정하고, 일부 데이터는 검증용 데이터 세트와 테스트용 데이터 세트로 설정하는 3단계(S300); 훈련용 데이터 세트에 대해서 주증상과 진단 간의 관계에 대하여 비지도 방식의 자질 추출 딥러닝 방법을 이용하여 자질을 추출하는 훈련을 통하여 진단 패턴을 분석하는 4단계(S400)를 포함한다.
먼저, 1단계로 임상의가 환자를 문진하는 과정에서 증상에 대해 EMR에 텍스트를 입력한다(S100).
다음으로, 텍스트 비정형 데이터를 분석하여 주증상에 대한 용어(표현)를 추출한다(S200).
이때, 해당 주증상에 대한 진단 사례를 인공신경망 기법을 적용하여 추천하도록 한다.
다음으로, 주증상별로 환자에 대한 진단 결과 데이터를 훈련용 데이터 세트로 설정하고, 일부 데이터는 검증용 데이터 세트, 테스트용 데이터 세트로 설정한다(S300).
다음으로, 훈련용 데이터 세트에 대해서 주증상과 진단 간의 관계에 대하여 비지도 방식의 자질 추출 딥러닝 방법을 이용하여 자질을 추출하는 훈련을 통하여 진단 패턴을 분석한다(S400).
도 5는 본 발명에 따른 denoising autoencoders 분석 알고리즘을 나타내는 개념도이고, 도 6은 본 발명에 따른 stacked denoising autoencoders 분석 알고리즘을 나타내는 개념도이다.
도시된 바와 같이, 비지도 방식의 자질 추출 딥러닝 방법으로 SDA를 사용하며, 주증상 용어와 진단 데이터에 대한 사전 훈련 학습을 진행한다.
도 7은 본 발명에 따른 feature representation 모델과 Deep Neural Network 모델을 적용한 추천 프레임워크를 나타낸 개념도이다.
도시된 바와 같이, SDA를 통하여 벡터로 전환된 사전 훈련 학습을 통하여 생성된 자질 표상(feature representation) 데이터를 주증상과 진단 추천 rating score를 예측하기 위하여 Deep Neural Network 알고리즘의 input 데이터로 사용하여 추천 모델을 만드는 것이 바람직하다.
도 8은 본 발명에 따른 진료 패턴 모형 예시화면을 나타낸 그래프로서, 인공지능(AI; Artificial Intelligence) 기반의 임상 가이드 모형 개발시, 과거의 상병/의사별 진료패턴을 분석하고, 질환별 처방 및 수술가이드 모형을 구현할 수 있다.
도 9는 본 발명에 따른 임상 대시보드 예시를 나타낸 그래프로서, 시각화 시스템 구현을 위하여, 추출된 유의미한 컨셉 및 키워드 간의 관계를 효과적으로 분석할 수 있는 시각화 모듈 개발과, 수집된 비정형 데이터에 대한 즉각적 처리 및 학습 및 시각화 개발 및 도 9에 도시된 바와 같은 임상 대시보드를 구현할 수 있다.
도 10은 본 발명에 따른 의무기록 딥러닝 솔루션의 의료기관 적용 상태를 나타낸 개념도이다.
본 발명은 산출되는 최종 결과물로서 비정형 데이터를 실시간 반영하는 의료기관 질환별 표준진료지침 제공을 목적으로 한다. 이는 어떤 의료기관이라도 활용할 수 있어 해당 기관의 의료 질 향상에 도움을 줄 수 있다. 의료기관의 EMR과 연동하는 방법으로는, HL7을 이용하여 국제표준규격을 준수한 인터페이스를 지원할 수 있다.
본 발명의 일 실시예로서, 의무기록 딥러닝 솔루션 구현 후, 1차로 시범의료기관에 적용하여 테스트 및 고도화를 진행한 후 국내 민간 의료기관(상급요양기관, 종합병원, 의원), 공공의료기관(보건소, 군병원, 군부대 의원), 요양원에 확산 지원하면, 국내 의료기관의 의료 질 향상에 기여하고, 특히 오지에 있는 의료기관과 전문의가 부족한 의료기관에 표준진료지침을 제공하여, 대국민 건강관리에 기여할 수 있다.
여기서 설명되는 다양한 실시예는, 예를 들면, 소프트웨어, 하드웨어 또는 이들의 조합을 이용하여, 컴퓨터 또는 이와 유사한 장치로 읽을 수 있는 기록매체 내에서 구현될 수 있다.
즉, 본 발명의 일 실시예에 따른 딥러닝 분석을 활용한 EMR 비정형 데이터의 UMLS 매핑 및 진단 추천 방법을 컴퓨터에서 실행시키기 위한 프로그램을 기록한 컴퓨터 판독가능 기록매체의 형태로 구현되거나, 또는, 컴퓨터에서 본 발명의 일 실시예에 따른 딥러닝 분석을 활용한 EMR 비정형 데이터의 UMLS 매핑 및 진단 추천 방법을 실행시키기 위한 컴퓨터 판독가능 기록매체에 저장된 컴퓨터프로그램의 형태로 구현될 수 있다.
하드웨어적 구현에 의하면, 여기에서 설명되는 실시예는 ASICs(application specific integrated circuits), DSPs(digital signal processors), DSPDs(digital signal processing devices), PLDs(programmable logic devices), FPGAs(field programmable gate arrays), 프로세서(processors), 제어기(controllers), 마이크로컨트롤러(micro-controllers), 마이크로프로세서(microprocessors), 기타 기능을 수행하기 위한 전기적인 유닛 중 적어도 하나를 이용하여 구현될 수 있다. 어떤 경우에는, 본 명세서에서 설명되는 실시예가 제어부 자체로 구현될 수 있다.
소프트웨어적 구현에 의하면, 본 명세서에서 설명되는 절차 및 기능과 같은 실시예는 별도의 소프트웨어 모듈로 구현될 수 있다. 소프트웨어 모듈의 각각은 본 명세서에서 설명되는 하나 이상의 기능 및 작동을 수행할 수 있다. 적절한 프로그램 언어로 작성된 소프트웨어 애플리케이션으로 소프트웨어 코드가 구현될 수 있다.
본 발명의 실시예와 관련하여 설명된 방법 또는 알고리즘의 단계들은 하드웨어로 직접 구현되거나, 하드웨어에 의해 실행되는 소프트웨어 모듈로 구현되거나, 또는 이들의 결합에 의해 구현될 수 있다. 소프트웨어 모듈은 RAM(Random Access Memory), ROM(Read Only Memory), EPROM(Erasable Programmable ROM), EEPROM(Electrically Erasable Programmable ROM), 플래시 메모리(Flash Memory), 하드 디스크, 착탈형 디스크, CD-ROM, 또는 본 발명이 속하는 기술분야에서 잘 알려진 임의 형태의 컴퓨터 판독가능 기록매체에 상주할 수 있다.
본 명세서에 기재된 실시예와 도면에 도시된 구성은 본 발명의 바람직한 실시예에 관한 것으로서, 발명의 기술적 사상을 모두 포괄하는 것은 아니므로, 출원 시점에서 이들을 대체할 수 있는 다양한 균등물과 변형예가 있을 수 있음을 이해하여야 한다. 따라서, 본 발명은 상술한 실시예로 한정되지 아니하며, 청구범위에 나타나 있는 본 발명의 요지를 벗어남이 없이 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자라면 누구든지 다양한 변형 실시가 가능한 것은 물론이고, 그와 같은 변경은 본 발명의 권리범위 내에 있게 된다.
100 : EMR 서버
200 : 외부기관 서버
400 : 딥러닝 서버
410 : 데이터 ETL 모듈
420 : 사전처리모듈
430 : 특성추출모듈
440 : 데이터 표준화 모듈
450 : 패턴 모델 모듈
460 : 자동학습 데이터베이스
200 : 외부기관 서버
400 : 딥러닝 서버
410 : 데이터 ETL 모듈
420 : 사전처리모듈
430 : 특성추출모듈
440 : 데이터 표준화 모듈
450 : 패턴 모델 모듈
460 : 자동학습 데이터베이스
Claims (4)
- 임상의가 환자를 문진하는 과정에서 증상에 대해 EMR에 텍스트를 입력하는 1단계(S100);
텍스트 비정형 데이터를 분석하여 주증상에 대한 용어(표현)를 추출하는 2단계(S200);
주증상별로 환자에 대한 진단 결과 데이터를 훈련용 데이터 세트로 설정하고, 일부 데이터는 검증용 데이터 세트, 테스트용 데이터 세트로 설정하는 3단계(S300); 및
훈련용 데이터 세트에 대해서 주증상과 진단 간의 관계에 대하여 비지도 방식의 자질 추출 딥러닝 방법을 이용하여 자질을 추출하는 훈련을 통하여 진단 패턴을 분석하는 4단계(S400);
를 포함하는, 환자의 주증상과 진단 관계에 대하여 인공신경망 기법을 이용하여 유사성 정도를 추론하여 진단 사례를 추천하는 시스템. - 청구항 1에 있어서,
상기 2단계에서, 해당 주증상에 대한 진단 사례를 인공신경망(ANN) 기법을 적용하여 추천하도록 하는 것을 특징으로 하는, 환자의 주증상과 진단 관계에 대하여 인공신경망 기법을 이용하여 유사성 정도를 추론하여 진단 사례를 추천하는 시스템. - 청구항 1에 있어서,
상기 4단계에서, 비지도 방식의 자질 추출 딥러닝(unsupervised deep feature learning) 방법으로 SDA(stack of denoising autoencoders)를 사용하며, 주증상 용어와 진단 데이터에 대한 사전 훈련 학습을 진행하는 것을 특징으로 하는, 환자의 주증상과 진단 관계에 대하여 인공신경망 기법을 이용하여 유사성 정도를 추론하여 진단 사례를 추천하는 시스템. - 청구항 3에 있어서,
상기 SDA를 통하여 벡터로 전환된 사전 훈련 학습을 통하여 생성된 자질 표상(feature representation)데이터를 주증상과 진단 추천 rating score를 예측하기 위하여 Deep Neural Network 알고리즘의 input 데이터로 사용하여 추천 모델을 만드는 것을 특징으로 하는, 환자의 주증상과 진단 관계에 대하여 인공신경망 기법을 이용하여 유사성 정도를 추론하여 진단 사례를 추천하는 시스템.
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020180103259A KR20200027091A (ko) | 2018-08-31 | 2018-08-31 | 환자의 주증상과 진단 관계에 대하여 인공신경망 기법을 이용하여 유사성 정도를 추론하여 진단 사례를 추천하는 시스템 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020180103259A KR20200027091A (ko) | 2018-08-31 | 2018-08-31 | 환자의 주증상과 진단 관계에 대하여 인공신경망 기법을 이용하여 유사성 정도를 추론하여 진단 사례를 추천하는 시스템 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| KR20200027091A true KR20200027091A (ko) | 2020-03-12 |
Family
ID=69802932
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020180103259A KR20200027091A (ko) | 2018-08-31 | 2018-08-31 | 환자의 주증상과 진단 관계에 대하여 인공신경망 기법을 이용하여 유사성 정도를 추론하여 진단 사례를 추천하는 시스템 |
Country Status (1)
| Country | Link |
|---|---|
| KR (1) | KR20200027091A (ko) |
Cited By (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112259229A (zh) * | 2020-06-10 | 2021-01-22 | 北京小白世纪网络科技有限公司 | 一种基于神经网络实现中医诊疗的方法、系统及设备 |
| CN113284627A (zh) * | 2021-04-15 | 2021-08-20 | 北京交通大学 | 基于患者表征学习的用药推荐方法 |
| WO2021187795A1 (ko) * | 2020-03-18 | 2021-09-23 | 연세대학교 산학협력단 | 인공지능 기반 구급활동 지침 제공 시스템 및 방법 |
| WO2021201582A1 (ko) * | 2020-04-01 | 2021-10-07 | 주식회사 에이아이투유 | 피부 병변의 원인 분석 방법 및 장치 |
| KR102332740B1 (ko) * | 2021-07-28 | 2021-12-01 | 주식회사 비플컨설팅 | 딥러닝을 이용하여 환자의 증상을 진단하는 방법, 장치 및 시스템 |
| CN114628001A (zh) * | 2022-03-16 | 2022-06-14 | 平安科技（深圳）有限公司 | 基于神经网络的处方推荐方法、系统、设备及存储介质 |
| KR20220101787A (ko) * | 2021-01-12 | 2022-07-19 | 주식회사 온코소프트 | Etl 장치 및 그것의 제어방법 |
| CN115719640A (zh) * | 2022-11-02 | 2023-02-28 | 联仁健康医疗大数据科技股份有限公司 | 中医主次症状识别系统、装置、电子设备及其存储介质 |
| KR20230059577A (ko) * | 2021-10-26 | 2023-05-03 | 포항공과대학교 산학협력단 | 스마트 계약을 이용한 표준진료지침 생성 방법 |
| KR102567388B1 (ko) * | 2022-05-04 | 2023-08-17 | 주식회사 타이로스코프 | 면담 내용을 이용하여 검사 세트를 제공하는 처방 보조 방법 |
| WO2023214835A1 (ko) * | 2022-05-04 | 2023-11-09 | 주식회사 타이로스코프 | 면담 내용을 이용하여 검사 세트를 제공하는 처방 보조 방법 |
| CN117194604A (zh) * | 2023-11-06 | 2023-12-08 | 临沂大学 | 一种智慧医疗病患问诊语料库构建方法 |
Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20180057300A (ko) | 2016-11-22 | 2018-05-30 | 네이버 주식회사 | 딥 러닝을 이용하여 환자의 진단 이력으로부터 질병 예후를 예측하는 방법 및 시스템 |
-
2018
- 2018-08-31 KR KR1020180103259A patent/KR20200027091A/ko not_active Application Discontinuation
Patent Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20180057300A (ko) | 2016-11-22 | 2018-05-30 | 네이버 주식회사 | 딥 러닝을 이용하여 환자의 진단 이력으로부터 질병 예후를 예측하는 방법 및 시스템 |
Cited By (18)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2021187795A1 (ko) * | 2020-03-18 | 2021-09-23 | 연세대학교 산학협력단 | 인공지능 기반 구급활동 지침 제공 시스템 및 방법 |
| KR20210117370A (ko) * | 2020-03-18 | 2021-09-29 | 연세대학교 산학협력단 | 인공지능 기반 구급활동 지침 제공 시스템 및 방법 |
| WO2021201582A1 (ko) * | 2020-04-01 | 2021-10-07 | 주식회사 에이아이투유 | 피부 병변의 원인 분석 방법 및 장치 |
| CN112259229A (zh) * | 2020-06-10 | 2021-01-22 | 北京小白世纪网络科技有限公司 | 一种基于神经网络实现中医诊疗的方法、系统及设备 |
| KR20220101787A (ko) * | 2021-01-12 | 2022-07-19 | 주식회사 온코소프트 | Etl 장치 및 그것의 제어방법 |
| CN113284627A (zh) * | 2021-04-15 | 2021-08-20 | 北京交通大学 | 基于患者表征学习的用药推荐方法 |
| CN113284627B (zh) * | 2021-04-15 | 2024-05-17 | 北京交通大学 | 基于患者表征学习的用药推荐方法 |
| KR102332740B1 (ko) * | 2021-07-28 | 2021-12-01 | 주식회사 비플컨설팅 | 딥러닝을 이용하여 환자의 증상을 진단하는 방법, 장치 및 시스템 |
| KR20230059577A (ko) * | 2021-10-26 | 2023-05-03 | 포항공과대학교 산학협력단 | 스마트 계약을 이용한 표준진료지침 생성 방법 |
| CN114628001A (zh) * | 2022-03-16 | 2022-06-14 | 平安科技（深圳）有限公司 | 基于神经网络的处方推荐方法、系统、设备及存储介质 |
| KR102567404B1 (ko) * | 2022-05-04 | 2023-08-17 | 주식회사 타이로스코프 | 면담 내용을 이용하여 검사 세트를 제공하는 처방 보조 방법 |
| KR102567388B1 (ko) * | 2022-05-04 | 2023-08-17 | 주식회사 타이로스코프 | 면담 내용을 이용하여 검사 세트를 제공하는 처방 보조 방법 |
| WO2023214835A1 (ko) * | 2022-05-04 | 2023-11-09 | 주식회사 타이로스코프 | 면담 내용을 이용하여 검사 세트를 제공하는 처방 보조 방법 |
| KR20230156245A (ko) * | 2022-05-04 | 2023-11-14 | 주식회사 타이로스코프 | 면담 내용을 이용하여 검사 세트를 제공하는 처방 보조 방법 |
| CN115719640B (zh) * | 2022-11-02 | 2023-08-08 | 联仁健康医疗大数据科技股份有限公司 | 中医主次症状识别系统、装置、电子设备及其存储介质 |
| CN115719640A (zh) * | 2022-11-02 | 2023-02-28 | 联仁健康医疗大数据科技股份有限公司 | 中医主次症状识别系统、装置、电子设备及其存储介质 |
| CN117194604A (zh) * | 2023-11-06 | 2023-12-08 | 临沂大学 | 一种智慧医疗病患问诊语料库构建方法 |
| CN117194604B (zh) * | 2023-11-06 | 2024-01-30 | 临沂大学 | 一种智慧医疗病患问诊语料库构建方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| KR20200027091A (ko) | 환자의 주증상과 진단 관계에 대하여 인공신경망 기법을 이용하여 유사성 정도를 추론하여 진단 사례를 추천하는 시스템 | |
| KR102332740B1 (ko) | 딥러닝을 이용하여 환자의 증상을 진단하는 방법, 장치 및 시스템 | |
| US20170109477A1 (en) | System and Method for Identifying Inconsistent and/or Duplicate Data in Health Records | |
| US8121862B2 (en) | Medical support system | |
| JP7035314B2 (ja) | 患者の診断を支援するシステムおよび方法 | |
| Hernandez Medrano et al. | Savana: re-using electronic health records with artificial intelligence | |
| JP6907831B2 (ja) | コンテキストベースの患者類似性の方法及び装置 | |
| US20020035486A1 (en) | Computerized clinical questionnaire with dynamically presented questions | |
| US11031107B2 (en) | Extracting patient information from an electronic medical record | |
| US20180211008A1 (en) | Assist Selection of Provider/Facility for Surgical Procedures Based on Frequency of Procedure, History of Complications, and Cost | |
| TW201535307A (zh) | 擬人化醫療資訊紀錄方法及輔助診療系統 | |
| Jain et al. | Employability implications of artificial intelligence in healthcare ecosystem: responding with readiness | |
| Rossi et al. | Nursing knowledge captured in electronic health records | |
| Park et al. | Automated rating of patient and physician emotion in primary care visits | |
| Bohada et al. | Automatic generation of clinical algorithms within the state-decision-action model | |
| de Oliveira et al. | Data structuring of electronic health records: a systematic review | |
| Panwar et al. | A review: Exploring the role of ChatGPT in the diagnosis and treatment of oral pathologies | |
| Braun et al. | Just What the Doctor Ordered–Towards Design Principles for NLP-Based Systems in Healthcare | |
| US20190295695A1 (en) | SOAP Based Analysis of Patient EMR to Identify Treatment Plan Features in a Patient EMR | |
| Becker et al. | Personalized guideline-based treatment recommendations using natural language processing techniques | |
| US10886030B2 (en) | Presenting contextually relevant patient data in relation to other patients to a medical professional | |
| Deogun et al. | Conceptual development of mental health ontologies | |
| Macri et al. | Automated identification of clinical procedures in free-text electronic clinical records with a low-code named entity recognition workflow | |
| AL-Fleit et al. | Modeling and executing a guideline-based clinical decision support system using the proforma methodology | |
| Silva et al. | Rule-based Clinical Decision Support System using the OpenEHR Standard |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| A201 | Request for examination | ||
| N231 | Notification of change of applicant | ||
| E902 | Notification of reason for refusal | ||
| E601 | Decision to refuse application |