KR20200061713A - 섬망 발병 위험도의 예측 방법 및 이를 이용한 디바이스 - Google Patents

섬망 발병 위험도의 예측 방법 및 이를 이용한 디바이스 Download PDF

Info

Publication number
KR20200061713A
KR20200061713A KR1020180147329A KR20180147329A KR20200061713A KR 20200061713 A KR20200061713 A KR 20200061713A KR 1020180147329 A KR1020180147329 A KR 1020180147329A KR 20180147329 A KR20180147329 A KR 20180147329A KR 20200061713 A KR20200061713 A KR 20200061713A
Authority
KR
South Korea
Prior art keywords
data
delirium
risk
predicting
individual
Prior art date
Application number
KR1020180147329A
Other languages
English (en)
Other versions
KR102183744B1 (ko
Inventor
박진영
오주영
박재섭
이병수
양학식
Original Assignee
연세대학교 산학협력단
주식회사 셀바스에이아이
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 연세대학교 산학협력단, 주식회사 셀바스에이아이 filed Critical 연세대학교 산학협력단
Priority to KR1020180147329A priority Critical patent/KR102183744B1/ko
Priority to US16/694,086 priority patent/US11615892B2/en
Publication of KR20200061713A publication Critical patent/KR20200061713A/ko
Application granted granted Critical
Publication of KR102183744B1 publication Critical patent/KR102183744B1/ko

Links

Images

Classifications

    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/40—Detecting, measuring or recording for evaluating the nervous system
    • A61B5/4076—Diagnosing or monitoring particular conditions of the nervous system
    • A61B5/4088—Diagnosing of monitoring cognitive diseases, e.g. Alzheimer, prion diseases or dementia
    • 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
    • A61B5/024—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
    • A61B5/08—Detecting, measuring or recording devices for evaluating the respiratory organs
    • 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
    • A61B5/16—Devices for psychotechnics; Testing reaction times ; Devices for evaluating the psychological state
    • A61B5/165—Evaluating the state of mind, e.g. depression, anxiety
    • 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
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/74—Details of notification to user or communication with user or patient ; user input means
    • A61B5/746—Alarms related to a physiological condition, e.g. details of setting alarm thresholds or avoiding false alarms
    • 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
    • G16H20/00—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance
    • G16H20/10—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance relating to drugs or medications, e.g. for ensuring correct administration to patients
    • 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
    • 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
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/50—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for simulation or modelling of medical disorders
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/01—Dynamic search techniques; Heuristics; Dynamic trees; Branch-and-bound

Landscapes

  • Health & Medical Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Medical Informatics (AREA)
  • Public Health (AREA)
  • Biomedical Technology (AREA)
  • General Health & Medical Sciences (AREA)
  • Pathology (AREA)
  • Physics & Mathematics (AREA)
  • Biophysics (AREA)
  • Molecular Biology (AREA)
  • Surgery (AREA)
  • Animal Behavior & Ethology (AREA)
  • Veterinary Medicine (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Psychiatry (AREA)
  • Data Mining & Analysis (AREA)
  • Epidemiology (AREA)
  • Primary Health Care (AREA)
  • Physiology (AREA)
  • Databases & Information Systems (AREA)
  • Psychology (AREA)
  • Child & Adolescent Psychology (AREA)
  • Hospice & Palliative Care (AREA)
  • Developmental Disabilities (AREA)
  • Theoretical Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Neurology (AREA)
  • Educational Technology (AREA)
  • Social Psychology (AREA)
  • Cardiology (AREA)
  • Computing Systems (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Software Systems (AREA)
  • Mathematical Physics (AREA)
  • Computational Linguistics (AREA)
  • Evolutionary Computation (AREA)
  • Signal Processing (AREA)
  • General Engineering & Computer Science (AREA)

Abstract

본 명세서에서는, 개체에 대한 혈액 데이터, 중증도 평가 데이터, 심리 상태 평가 데이터 및 생체 신호 데이터 중 적어도 하나의 데이터, 약물 투여 데이터 및 의료적 처치 데이터를 수신하는 단계, 적어도 하나의 데이터, 약물 투여 데이터 및 의료적 처치 데이터를 기초로, 섬망 발병 위험도를 예측하도록 구성된 섬망 발병 위험도 예측 모델을 이용하여, 개체에 대한 섬망 발병 위험도를 예측하는 단계, 및 개체에 대하여 예측된 상기 섬망 발병 위험도를 제공하는 단계를 포함하고, 적어도 하나의 데이터, 약물 투여 데이터 및 의료적 처치 데이터는 개체에 대하여 단일회 평가되거나 단일회 측정된 초기 데이터로 정의되는, 섬망 발병 위험도의 예측 방법 및 이를 이용한 섬망 발병 위험도 예측용 디바이스가 제공된다.

Description

섬망 발병 위험도의 예측 방법 및 이를 이용한 디바이스{METHODS FOR PEDICTING RISK OF DELIRIUM AND DEVICES FOR PEDICTING RISK OF DELIRIUM USING THE SAME}
본 발명은 섬망 발병 위험도의 예측 방법 및 디바이스에 관한 것으로, 보다 구체적으로 개체로부터 획득한 다양한 임상적 데이터를 기초로 섬망 발병의 위험도를 예측하고 제공하도록 구성된 방법 및 이를 이용한 디바이스에 관한 것이다.
섬망 (delirium) 은 의식의 장애와 주의력 저하, 지남력 장애 등과 같은 인지 기능 전반의 장애, 환각 등 정신병적 증상을 특징으로 하는 신경 정신 질환이다. 이때, 섬망은, 안절부절하거나 공격적인 행동을 특징으로 하는 과다활동형, 기면 상태를 특징으로 하는 과소활동형, 및 두 가지 유형이 혼합된 혼재형의 세가지로 구별될 수 있다.
이러한, 섬망은, 중독질환, 대사성 질환, 전신감염, 신경계감염, 뇌외상, 뇌졸중에 의해 야기될 수 있으며, 전신마취, 대수술 및 약물 치료의 후유증으로서 나타날 수도 있다.
예를 들어, 알코올, 암페타민류의 약물, 대마, 코카인, 환각제, 흡입제, 아편류, 펜사이클리딘계 약물, 진정제, 수면제, 항불안제 등의 약물 치료로 인해 물질 중독성 섬망이 나타날 수 있다. 이러한 물질 사용과 관련하여 발생하는 섬망은, 물질의 중독 상태에서뿐 아니라, 특정 약물의 사용량이 감소하거나 중단되면 체액 속 해당 물질의 농도가 낮아지면서도 발생할 수 있다.
한편, 섬망은 임상적으로 진단이 어려우며, 치료 또한 어려운 것으로 보고되고 있다. 보다 구체적으로, 섬망은 다른 질환들과 상이하게 보호자 또는 의료인에 의한 인지가 어려운 것으로 나타난다. 또한, 치매와 같은 다른 인지기능 장애와의 구별이 어렵다.
이에, 섬망 환자의 경우, 치료 시기가 늦춰지는 경우가 대부분이며, 좋은 치료 예후 또한 기대하기 어려울 수 있다.
따라서, 섬망이 발생하기 전에 이를 미리 예측하고 빠른 조치를 취할 수 있는, 새로운 섬망 발병 위험도 예측 시스템의 개발이 지속적으로 요구되고 있는 실정이다.
발명의 배경이 되는 기술은 본 발명에 대한 이해를 보다 용이하게 하기 위해 작성되었다. 발명의 배경이 되는 기술에 기재된 사항들이 선행기술로 존재한다고 인정하는 것으로 이해되어서는 안 된다.
한편, 본 발명의 발명자들은, 임상적으로 섬망과 같은 어떠한 질환의 이환이 의심되는 상황이 도래되기 이전에 미리 인체의 생리학적 대응 반응의 일환으로 생체 신호들의 변화가 선행할 것이라는 점에 주목하였다.
보다 구체적으로, 본 발명의 발명자들은 시간마다 상태가 변하는 중한 상태의 환자에 대하여, 중환자실에서 획득할 수 있는 다양한 임상적 데이터의 변화가 섬망과 같은 잠재적 질환과 연관성을 가질 수 있음에 주목하였다.
특히, 본 발명의 발명자들은 섬망이 타질환 또는 외부적 환경에 의해 2 차적으로 야기될 수 있는 질환임에 주목하였고, 환자에 대하여 처방된 약물 또는 의료적 처치에 관련한 데이터들이 섬망의 발병과 연관이 있음을 인지할 수 있었다.
결과적으로, 본 발명의 발명자들은, 약물 투여 데이터, 의료적 처치 데이터와 함께, 생체 신호 데이터, 혈액 데이터, 나아가 심리 상태 평가 및 중증도 평가 데이터의 임상적 데이터들이 환자, 특히 중환자에 대한 섬망 발병 위험도를 예측하는 것에 이용될 수 있음을 인지할 수 있었다.
이때, 본 발명의 발명자들은, 환자들에 대하여 중환자실 (또는, 일반 병동) 입실 후 처음 평가되거나 처음 측정된 상기 임상적 데이터들의 초기 값에 주목하였다. 보다 구체적으로, 본 발명의 발명자들은 미리 결정된 시간 단위로 첫 회 측정되거나 평가된 초기 데이터값을 기초로 환자와 같은 개체에 대한 섬망을 예측하고자 하였다.
그 결과, 본 발명의 발명자들은 개체로부터 획득한 초기의 약물 투여 데이터, 의료적 처치 데이터와 함께 생체 신호 데이터, 혈액 데이터, 나아가 심리 상태 평가 및 중증도 평가 데이터의 임상 데이터에 기초한 섬망 발병 위험도 예측 시스템을 개발하기에 이르렀다.
한편, 본 발명의 발명자들은, 새로운 섬망 발병 위험도 예측 시스템에 초기의 약물 투여 데이터, 의료적 처치 데이터와 함께 생체 신호 데이터, 혈액 데이터, 나아가 심리 상태 평가 및 중증도 평가 데이터의 임상 데이터를 기초로 섬망을 예측하도록 학습된 예측 모델을 적용할 수 있었다.
특히, 본 발명의 발명자들은, 다양한 임상적 데이터 중 섬망임을 예측하는 것에 관련도가 큰 임상적 데이터 또는, 섬망이 아닌 정상을 예측하는 것에 관련도가 큰 임상적 데이터를 결정하도록 평가를 수행하였고, 이를 예측 모델의 학습에 적용하고자 하였다. 이를 통해, 본 발명의 발명자들은 예측 모델의 섬망 예측의 진단 능력 향상을 기대할 수 있었다.
결과적으로, 섬망 발병 위험도 예측 모델에 기초한 새로운 섬망 발병 위험도 예측 시스템은, 개체에 대하여 정확도 및 신뢰도 높은 섬망 진단 정보를 제공할 수 있었다.
나아가, 본 발명의 발명자들은 이러한 섬망 발병 위험도 예측 시스템 개발을 통해, 환자의 상태에 대하여 빠르게 감지하고 섬망 발병 위험을 미리 인지하여, 환자에 대한 처치 시점을 앞당겨 섬망의 치료 성과를 높일 수 있음을 기대할 수 있었다. 나아가, 본 발명의 발명자들은 섬망 발병 위험도의 예측 시스템의 개발이 환자의 생존률 증가, 합병증 예방, 및 치료 비용의 감소 효과를 제공할 수 있다는 것을 더욱 기대할 수 있었다.
더욱이, 본 발명의 발명자들은, 섬망 발병 위험도 예측 시스템에 대하여 섬망에 대한 빠른 조치를 취할 수 있도록, 수신된 약물 투여 데이터 중 섬망 유발성 약물이 있을 경우 이에 대한 정보를 제공하는 피드백을 제공하도록 구성하였다.
또한, 본 발명의 발명자들은, 보호자 또는 의료진이 중환자와 같은 지속적인 모니터링이 요구되는 개체에 대하여 보다 용이하게 섬망 발병 고 위험군을 인지할 수 있도록, 개체에 대하여 예측 모델에 의해 섬망이 예측될 경우, 알람을 제공하여 섬망 발병 위험도를 알리도록 구성하였다.
이에, 본 발명이 해결하고자 하는 과제는, 수신된 개체에 혈액 데이터, 중증도 평가 데이터, 심리 상태 평가 데이터 및 생체 신호 데이터 중 적어도 하나의 데이터, 약물 투여 데이터 및 의료적 처치 데이터를 기초로, 섬망 발병 위험도를 예측하도록 구성된 섬망 발병 위험도 예측 모델을 이용하여, 개체에 대한 섬망 발병 위험도를 예측하도록 구성된, 섬망 발병 위험도 예측 방법을 제공하는 것이다.
본 발명이 해결하고자 하는 다른 과제는, 약물 투여 데이터를 기초로 섬망 유발 약물을 결정하고, 이에 대한 정보를 제공하도록 구성된, 섬망 발병 위험도 예측 방법을 제공하는 것이다.
본 발명이 해결하고자 하는 또 다른 과제는, 개체에 대한 혈액 데이터, 중증도 평가 데이터, 심리 상태 평가 데이터 및 생체 신호 데이터 중 적어도 하나의 데이터, 약물 투여 데이터 및 의료적 처치 데이터를 수신하도록 구성된 수신부, 및 수신부와 통신하도록 연결되고 예측 모델에 기초하여 개체에 섬망 발병 위험도를 예측하도록 구성된 프로세서를 포함하는, 섬망 발병 위험도 예측용 디바이스를 제공하는 것이다.
본 발명의 과제들은 이상에서 언급한 과제들로 제한되지 않으며, 언급되지 않은 또 다른 과제들은 아래의 기재로부터 당업자에게 명확하게 이해될 수 있을 것이다.
전술한 바와 같은 과제를 해결하기 위해, 본 발명의 일 실시예에 따른 섬망 발병 위험도의 예측 방법이 제공된다. 이때, 본 발명의 섬망 예측 방법은, 개체에 대한 혈액 데이터, 중증도 평가 데이터, 심리 상태 평가 데이터 및 생체 신호 데이터 중 적어도 하나의 데이터, 약물 투여 데이터 및 의료적 처치 데이터를 수신하는 단계, 적어도 하나의 데이터, 약물 투여 데이터 및 의료적 처치 데이터를 기초로, 섬망 발병 위험도를 예측하도록 구성된 섬망 발병 위험도 예측 모델을 이용하여, 개체에 대한 섬망 발병 위험도를 예측하는 단계, 및 개체에 대하여 예측된 섬망 발병 위험도를 제공하는 단계를 포함한다. 이때, 적어도 하나의 데이터, 약물 투여 데이터 및 의료적 처치 데이터는 개체에 대하여 단일회 평가되거나 단일회 측정된 초기 데이터로 정의된다.
본 발명의 특징에 따르면, 적어도 하나의 데이터는, 심리 상태 평가 데이터를 포함하고, 심리 상태 평가 데이터는, RASS (Richmond Agitation and Sedation Scale) 또는 STAI (State-Trait Anxiety Inventory) 점수일 수 있다.
본 발명의 다른 특징에 따르면, 적어도 하나의 데이터는, 혈액 데이터를 포함하고, 혈액 데이터는, BUN (blood urea nitrogen), pH, HCO3, Alb (albumin), Hb (hemoglobin), Hct (hematocrit), BILI (Bilirubin), Na 및 NLR (Neutrophil to Lymphocyte Ratio) 중 적어도 하나의 수치를 포함할 수 있다.
본 발명의 또 다른 특징에 따르면, 적어도 하나의 데이터는, 중증도 평가 데이터를 포함하고, 중증도 평가 데이터는, APACHE II (Acute Physiology and Chronic Health Evaluation) 점수를 포함할 수 있다.
본 발명의 또 다른 특징에 따르면, 적어도 하나의 데이터는, 생체 신호 데이터를 포함하고, 생체 신호 데이터는, 맥박, 호흡, 체온, SBP (systolic blood pressure) 및 DBP (diastolic blood pressure) 중 적어도 하나를 포함할 수 있다.
본 발명의 또 다른 특징에 따르면, 약물 투여 데이터는, 울트라셋 (Ultracet), 미다졸람 (Midazolam), 울티바 (ultiva), 아티반 (ativan), 포폴 (pofol), 펜타닐 (fentanyl), 프리세덱스 (precedex), IR 코돈 (IR codon), 타진 20/10 (TARGIN 20/10), 페리돌 (peridol), 리스페달 (risperdal), 자이프렉사 (zyprexa), 쎄로켈 (seroquel), 아빌리파이 (abilify), 페티딘 (pethidine), 듀로제식 패치 (durogesic patch), 모르핀 (morphine) 및 마이폴 (mypol) 중 적어도 하나의 약물 투여 데이터를 포함할 수 있다.
본 발명의 또 다른 특징에 따르면, 의료적 처치 데이터는, 카테터 (Catheter), 폴리 (Foley), 기계환기 (Mechanical ventilator), 리스트레인트 (Restraint), 배액 기기 (Drainage) 중 적어도 하나의 의료적 처치 데이터를 포함할 수 있다.
본 발명의 또 다른 특징에 따르면, 초기 데이터는, 개체에 대하여, 입원 기간 동안 미리 결정된 시간 단위로 처음 평가되거나 처음 측정된 초기 데이터로 정의될 수 있다.
본 발명의 또 다른 특징에 따르면, 약물 투여 데이터를 기초로 섬망 유발 약물을 결정하는 단계를 더 포함하고, 위험도를 제공하는 단계는, 개체에 대하여 예측된 섬망 위험도 및 섬망 유발 약물을 제공하는 단계를 더 포함할 수 있다.
본 발명의 또 다른 특징에 따르면, 위험도를 제공하는 단계는, 섬망 발병 위험도 예측 모델에 의해 개체에 대한 섬망 발병 위험도가 예측될 경우, 개체에 대한 섬망 발병의 위험 알림을 제공하는 단계를 더 포함할 수 있다.
본 발명의 또 다른 특징에 따르면, 섬망 발병 위험도 예측 모델은, MLP (Multi-Layer Perceptron) 알고리즘 기반의 예측 모델일 수 있다.
본 발명의 또 다른 특징에 따르면, 섬망 발병 위험도 예측 모델은, 섬망 발병 표본 개체 및 정상의 표본 개체에 대한 혈액 데이터, 중증도 평가 데이터, 심리 상태 평가 데이터 및 생체 신호 데이터 중 적어도 하나의 데이터, 약물 투여 데이터 및 의료적 처치 데이터로 구성된 학습용 데이터를 수신하는 단계, 및 학습용 데이터를 기초로, 섬망 또는 정상을 예측하는 단계를 통해 학습된 모델일 수 있다. 이때, 정상의 표본 개체는, 임상적으로 섬망 발생되지 않고 섬망이 아닌 것으로 평가된 개체일 수 있다.
본 발명의 또 다른 특징에 따르면, 상기 방법은, 학습용 데이터를 수신하는 단계 이후에 수행되는, 학습용 데이터를 평가하는 단계를 더 포함할 수 있다. 이때, 학습용 데이터를 평가하는 단계는, 학습용 데이터에 대하여 섬망과의 관련도 (relevance) 점수를 산출하는 단계, 및 관련도 점수를 기초로, 미리 결정된 순위 내에 있는 섬망 관련 학습용 데이터를 결정하는 단계를 포함할 수 있다.
본 발명의 또 다른 특징에 따르면, 학습용 데이터를 평가하는 단계는, LRP (Layer-wise Relevance Propagation) 알고리즘을 이용하여, 학습용 데이터에 대하여 섬망과의 관련도 점수를 산출하는 단계, 및 관련도 점수를 기초로, 미리 결정된 순위 내에 있는 섬망 관련 학습용 데이터를 결정하는 단계를 포함할 수 있다.
전술한 바와 같은 과제를 해결하기 위해, 본 발명의 일 실시예에 따른 섬망 발병 위험도의 예측용 디바이스가 제공된다. 이때, 본 발명의 섬망 예측용 디바이스는, 개체에 대한 혈액 데이터, 중증도 평가 데이터, 심리 상태 평가 데이터 및 생체 신호 데이터 중 적어도 하나의 데이터, 약물 투여 데이터 및 의료적 처치 데이터를 수신하도록 구성된 수신부, 및 수신부와 통신하도록 구성된 프로세서를 포함한다. 이때, 프로세서는, 적어도 하나의 데이터, 약물 투여 데이터 및 의료적 처치 데이터를 기초로, 섬망 발병 위험도를 예측하도록 구성된 섬망 발병 위험도 예측 모델을 이용하여, 개체에 대한 섬망 발병 위험도를 예측하고, 개체에 대하여 예측된 섬망 발병 위험도를 제공하도록 구성된다. 이때, 적어도 하나의 데이터, 약물 투여 데이터 및 의료적 처치 데이터는 개체에 대하여 단일회 평가되거나 단일회 측정된 초기 데이터로 정의된다.
본 발명의 특징에 따르면, 초기 데이터는, 개체에 대하여, 입원 기간 동안 미리 결정된 시간 단위로 처음 평가되거나 처음 측정된 초기 데이터로 정의될 수 있다.
본 발명의 다른 특징에 따르면, 프로세서는, 약물 투여 데이터를 기초로 섬망 유발 약물을 결정하고, 개체에 대하여 예측된 섬망 위험도 및 섬망 유발 약물을 제공하도록 더 구성되 수 있다.
본 발명의 또 다른 특징에 따르면, 프로세서는, 섬망 발병 위험도 예측 모델에 의해 개체에 대한 섬망 발병 위험도가 예측될 경우, 개체에 대한 섬망 발병의 위험 알림을 제공하도록 더 구성될 수 있다.
본 발명의 또 다른 특징에 따르면, 약물 투여 데이터는, 울트라셋, 미다졸람, 울티바, 아티반, 포폴, 펜타닐, 프리세덱스, IR 코돈, 타진 20/10, 페리돌, 리스페달, 자이프렉사, 쎄로켈, 아빌리파이 및 페티딘 중 적어도 하나의 약물 투여 데이터를 포함할 수 있다.
본 발명의 또 다른 특징에 따르면, 의료적 처치 데이터는, 카테터, 폴리, 기계환기, 리스트레인트, 배액 기기 중 적어도 하나의 의료적 처치 데이터를 포함할 수 있다.
이하, 실시예를 통하여 본 발명을 보다 상세히 설명한다. 다만, 이들 실시예는 본 발명을 예시적으로 설명하기 위한 것에 불과하므로 본 발명의 범위가 이들 실시예에 의해 한정되는 것으로 해석되어서는 아니 된다.
본 발명은 개체에 대하여 약물 투여 데이터 및 의료적 처치 데이터와 함께 다양한 임상적 데이터를 수신하고, 수신된 데이터 기반의 섬망 발병 위험도 예측 시스템을 제공함으로써, 개체의 섬망 발병 위험도에 대하여 빠르게 감지하고, 이와 연관된 정보를 제공할 수 있다.
이에, 본 발명은 섬망에 대한 처치 시점을 앞당겨 치료에 대한 좋은 예후를 제공할 수 있다.
특히, 본 발명은 개체로부터 획득한 초기의 약물 투여 데이터, 의료적 처치 데이터와 함께 생체 신호 데이터, 혈액 데이터, 나아가 심리 상태 평가 및 중증도 평가 데이터의 임상 데이터에 기초한 섬망 발병 위험도 예측 시스템을 제공함으로써, 개체에 대하여 섬망 발병의 조기 진단을 제공할 수 있다.
이에, 본 발명은 섬망 발병 개체의 생존률 증가, 합병증 예방, 및 치료 비용의 감소 효과를 제공할 수 있다.
나아가 본 발명은 수신된 약물 투여 데이터 중 섬망 유발성 약물이 있을 경우 이에 대한 정보를 제공하는 피드백을 제공함에 따라, 의료진으로 하여금 섬망 유발성 약물의 투약 중지와 같은 섬망에 대한 빠른 조치를 취할 수 있다.
또한, 본 발명은, 개체에 대하여 예측 모델에 의해 섬망이 예측될 경우, 알람을 제공하여 섬망 발병 위험도를 알리도록 구성됨에 따라, 보호자 또는 의료진은 중환자와 같은 지속적인 모니터링이 요구되는 개체에 대하여 보다 용이하게 섬망 발병 고 위험군을 인지할 수 있다.
본 발명에 따른 효과는 이상에서 예시된 내용에 의해 제한되지 않으며, 더욱 다양한 효과들이 본 명세서 내에 포함되어 있다.
도 1a는 본 발명의 일 실시예에 따른 섬망 발병 위험도의 예측 방법 및 디바이스에 기초한 섬망 발병 위험도 예측 시스템을 예시적으로 도시한 것이다.
도 1b는 본 발명의 일 실시예에 따른 섬망 발병 위험도의 예측용 디바이스의 구성을 예시적으로 도시한 것이다.
도 2는 본 발명의 일 실시예에 따른 섬망 발병 위험도의 예측 방법의 절차를 예시적으로 도시한 것이다.
도 3a 및 3b는 본 발명의 다양한 실시예에 이용되는 섬망 발병 위험도 예측 모델의 학습 데이터를 예시적으로 도시한 것이다.
도 3c는 본 발명의 다양한 실시예에 이용되는 섬망 발병 위험도 예측 모델의 구성을 예시적으로 도시한 것이다.
도 3d는 본 발명의 다양한 실시예에 이용되는 섬망 발병 위험도 예측 모델의 평가 방법을 예시적으로 도시한 것이다.
도 4a 및 4b는 본 발명의 다양한 실시예에 이용되는 섬망 발병 위험도 예측 모델에 대한 평가 결과를 도시한 것이다.
도 4c는 본 발명의 다양한 실시예에 이용되는 섬망 발병 위험도 예측 모델에 대한, 섬망 예측의 관련도에 따른 임상적 데이터들을 도시한 것이다.
도 4d는 본 발명의 다양한 실시예에 이용되는 섬망 발병 위험도 예측 모델에 대한, 섬망 예측의 관련도에 따른 임상적 데이터들의 변화에 따른 성능 변화를 도시한 것이다.
본 발명의 이점 및 특징, 그리고 그것들을 달성하는 방법은 첨부되는 도면과 함께 상세하게 후술되어 있는 실시예들을 참조하면 명확해질 것이다. 그러나, 본 발명은 이하에서 개시되는 실시예들에 한정되는 것이 아니라 서로 다른 다양한 형태로 구현될 것이며, 단지 본 실시예들은 본 발명의 개시가 완전하도록 하며, 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자에게 발명의 범주를 완전하게 알려주기 위해 제공되는 것이며, 본 발명은 청구항의 범주에 의해 정의될 뿐이다.
본 발명의 실시예를 설명하기 위한 도면에 개시된 형상, 크기, 비율, 각도, 개수 등은 예시적인 것이므로 본 발명이 도시된 사항에 한정되는 것은 아니다. 또한, 본 발명을 설명함에 있어서, 관련된 공지 기술에 대한 구체적인 설명이 본 발명의 요지를 불필요하게 흐릴 수 있다고 판단되는 경우 그 상세한 설명은 생략한다. 본 명세서 상에서 언급된 '포함한다', '갖는다', '이루어진다' 등이 사용되는 경우, '~만'이 사용되지 않는 이상 다른 부분이 추가될 수 있다. 구성요소를 단수로 표현한 경우에 특별히 명시적인 기재 사항이 없는 한 복수를 포함하는 경우를 포함한다.
구성요소를 해석함에 있어서, 별도의 명시적 기재가 없더라도 오차 범위를 포함하는 것으로 해석한다.
본 발명의 여러 실시예들의 각각 특징들이 부분적으로 또는 전체적으로 서로 결합 또는 조합 가능하며, 당업자가 충분히 이해할 수 있듯이 기술적으로 다양한 연동 및 구동이 가능하며, 각 실시예들이 서로에 대하여 독립적으로 실시 가능할 수도 있고 연관 관계로 함께 실시 가능할 수도 있다.
본 명세서의 해석의 명확함을 위해, 이하에서는 본 명세서에서 사용되는 용어들을 정의하기로 한다.
본 명세서에서 사용되는 용어, "개체"는 섬망의 발병 위험도를 예측하고자 하는 대상을 의미할 수 있다. 한편, 본원 명세서 내에서 개체는 '환자' 또는 '중환자'일 수 있으나, 이에 제한되는 것은 아니며 섬망 발병의 위험도를 예측하고자 하는 모든 대상을 포함할 수 있다.
본 명세서에서 사용되는 용어, "혈액 데이터"는 개체로부터 분리된 혈액의 생물학적 시료에 대한 임상적 데이터를 의미할 수 있다.
예를 들어, 본원 명세서 내에 개시된 혈액 데이터는, 개체로부터 분리된 혈액으로부터 측정된 BUN (blood urea nitrogen), pH, HCO3, Alb (albumin), Hb (hemoglobin), Hct (hematocrit), BILI (Bilirubin), Na 및 NLR (Neutrophil to Lymphocyte Ratio) 중 적어도 하나의 수치일 수 있다.
바람직하게 혈액 데이터는, 개체로부터 최초로 측정된 초기의 데이터일 수 있다. 예를 들어, 상기 개체가 중환자에 입실했을 경우, 혈액 데이터는 입실 후 처음 측정된 초기의 혈액 데이터를 의미할 수 있다. 나아가, 미리 결정된 시간 단위 (예를 들어, 24 시간 단위) 로 개체에 대하여 복수회 (예를 들어, 3 회/일) 혈액 데이터가 측정될 경우, 혈액 데이터는 미리 결정된 시간 단위마다 첫 회에 획득한 복수의 혈액 데이터를 포함할 수도 있다. 그러나, 혈액 데이터는 이에 제한되는 것이 아니다.
본 명세서에서 사용되는 용어, "중증도 평가 데이터"는 개체에 대하여 중증도 상태를 평가하기 위한 척도의 값을 의미할 수 있다.
예를 들어, 본원 명세서 내에 개시된 중증도 평가 데이터는, APACHE II (Acute Physiology and Chronic Health Evaluation) 점수일 수 있다.
이때, 개체의 중증도 상태를 나타내는 중증도 평가 데이터는, 개체의 섬망 발병과도 연관이 있을 수 있다.
한편, 중증도 평가 데이터는 개체로부터 최초로 평가된 초기의 데이터일 수 있다. 예를 들어, 상기 개체가 중환자에 입실했을 경우, 중증도 평가 데이터는 입실 후 처음 평가된 초기의 중증도 평가 데이터를 의미할 수 있다. 나아가, 미리 결정된 시간 단위 (예를 들어, 24 시간 단위) 로 개체에 대하여 복수회 (예를 들어, 3 회/일) 의 중증도 평가가 수행될 경우, 중증도 평가 데이터는 미리 결정된 시간 단위마다 첫 회에 획득한 초기의 데이터들을 의미할 수도 있다.
본 명세서에서 사용되는 용어, "심리 상태 평가 데이터"는 개체의 불안도, 우울감 등의 심리 상태를 평가하기위한 척도의 값을 의미할 수 있다.
예를 들어, 본원 명세서 내에 개시된 심리 상태 평가 데이터는, RASS (Richmond Agitation and Sedation Scale) 또는 STAI (State-Trait Anxiety Inventory) 점수일 수 있다. 이들 심리 상태 평가 데이터는, 섬망의 발병과 연관이 있을 수 있다.
한편, 심리 상태 평가 데이터는 개체로부터 최초로 평가된 초기의 데이터일 수 있다. 예를 들어, 상기 개체가 중환자에 입실했을 경우, 심리 상태 평가 데이터는 입실 후 처음 평가된 초기의 심리 상태 평가 데이터를 의미할 수 있다. 나아가, 미리 결정된 시간 단위 (예를 들어, 24 시간 단위) 로 개체에 대하여 복수회 (예를 들어, 3 회/일) 의 심리 상태 평가가 수행될 경우, 심리 상태 평가 데이터는 미리 결정된 시간 단위마다 첫 회에 획득한 초기의 데이터들을 의미할 수도 있다. 그러나, 심리 상태 평가 데이터는 이에 제한되는 것이 아니다.
본 명세서에서 사용되는 용어, "생체 신호 데이터"는 활력 징후, 생명 징후로, 개체의 상태와 연관된 데이터를 의미할 수 있다. 이러한 생체 신호 데이터는, 개체의 섬망 발병 위험도와 연관될 수 있다.
이때, 생체 신호 데이터는 생체 신호 계측 장비로부터 측정된 개체에 대한 체온, 맥박, 산소 포화도, 수축기 혈압, 이완기 혈압, 평균 혈압 및 호흡수일 수 있다. 그러나, 이에 제한되지 않고 생체 신호 데이터는, 개체의 건강 상태와 연관된 다양한 측정 데이터를 포함할 수 있다.
바람직하게 생체 신호 데이터는, 개체로부터 최초로 측정된 초기의 데이터일 수 있다. 예를 들어, 상기 개체가 중환자에 입실했을 경우, 생체 신호 데이터는, 입실 후 처음 측정된 초기의 데이터를 의미할 수 있다. 나아가, 미리 결정된 시간 단위 (예를 들어, 24 시간 단위) 로 개체에 대하여 복수회 (예를 들어, 3 회/일) 생체 신호 데이터가 수신될 경우, 생체 신호 데이터는 미리 결정된 시간 단위마다 첫 회에 획득한 데이터들을 의미할 수도 있다.
본 명세서에서 사용되는 용어, "약물 투여 데이터"는 개체에 대하여 투여된 약물의 종류 및 이의 투여량과 연관된 데이터를 의미할 수 있다. 한편, 약물 중독은 섬망의 원인이 될 수 있음에 따라, 약물 투여 데이터는 개체의 섬망 발병 위험도와 연관될 수 있다. 이에, 섬망 발병과 연관도가 높은 약물에 대한 정보를 제공하는 것은 섬망의 진단 및 치료에 있어서 중요할 수 있다.
한편, 본원 명세서 내 개시된 약물 투여 데이터는, 울트라셋 (Ultracet), 미다졸람 (Midazolam), 울티바 (ultiva), 아티반 (ativan), 포폴 (pofol), 펜타닐 (fentanyl), 프리세덱스 (precedex), IR 코돈 (IR codon), 타진 20/10 (TARGIN 20/10), 페리돌 (peridol), 리스페달 (risperdal), 자이프렉사 (zyprexa), 쎄로켈 (seroquel), 아빌리파이 (abilify) 및 페티딘 (pethidine) 중 적어도 하나의 약물 투여 여부 및 이들의 투여량에 관한 데이터를 포함할 수 있다. 그러나, 약물 투여 데이터는 이에 제한되지 않고, 개체에 투여되는 모든 약물에 대한 데이터를 포함할 수 있다.
이때, 약물 투여 데이터는, 개체로부터 최초로 측정된 초기의 데이터일 수 있다. 예를 들어, 상기 개체가 중환자에 입실했을 경우, 약물 투여 데이터는, 입실 후 처음 획득된 초기의 약물 투여 데이터를 의미할 수 있다. 나아가, 약물 투여 데이터는 처음 투약된 약물의 데이터를 의미할 수도 있다. 그러나, 이에 제한되는 것은 아니다. 예를 들어, 미리 결정된 시간 단위 (예를 들어, 24 시간 단위) 로 개체에 대하여 복수회 (예를 들어, 3 회/일) 약물 투여 데이터가 획득될 경우, 약물 투여 데이터는 미리 결정된 시간 단위마다 첫 회에 획득한 데이터들을 의미할 수도 있다.
본 명세서에서 사용되는 용어, "의료적 처치 데이터"는 개체에 대하여 이용된 의료적 처치 여부에 관한 데이터를 의미할 수 있다.
예를 들어, 의료적 처치 데이터는, 카테터 (Catheter), 폴리 (Foley), 기계환기 (Mechanical ventilator), 리스트레인트 (Restraint), 배액 기기 (Drainage) 중 적어도 하나의 의료적 처치 여부에 대한 데이터일 수 있다. 그러나, 이에 제한되는 것은 아니다.
한편, 의료적 처치 데이터는, 개체로부터 최초로 측정된 초기의 의료적 처치 데이터일 수 있다. 예를 들어, 상기 개체가 중환자에 입실했을 경우, 의료적 처치 데이터는, 입실 후 처음 획득된 초기의 의료적 처치 데이터를 의미할 수 있다. 즉, 의료적 처치 데이터는 임의의 시점으로 정의된 초기에 획득한 모든 의료적 처치 데이터를 의미할 수도 있다. 나아가, 의료적 처치 데이터는 개체에 대하여 처음으로 사용된 의료적 처치에 대한 데이터일 수도 있다. 그러나, 이에 제한되는 것은 아니다.
예를 들어, 미리 결정된 시간 단위 (예를 들어, 24 시간 단위) 로 개체에 대하여 복수회 (예를 들어, 3 회/일) 의 의료적 처치 데이터가 획득될 수 있는 경우, 의료적 처치 데이터는 미리 결정된 시간 단위마다 첫 회에 획득한 데이터들을 의미할 수도 있다.
본 명세서에서 사용되는 용어, "초기 데이터"는 개체에 대하여 최초로 평가되거나 최초로 측정된 임상적 데이터를 의미할 수 있다. 나아가, 초기 데이터는, 임의의 시점에서 단일번 획득된 모든 임상적 데이터를 의미할 수도 있다. 예를 들어, 본원 명세서에 개시된 혈액 데이터, 중증도 평가 데이터, 심리 상태 평가 데이터, 생체 신호 데이터, 약물 투여 데이터 및 의료적 처치 데이터의 임상적 데이터는, 중환자실에 입실한 개체에 대하여 입실 후 하루에 1 번씩 획득된 초기의 데이터를 의미할 수 있다.
나아가, 상기 임상적 데이터는, 하루에 복수회의 데이터가 획득될 경우, 가장 처음 획득된 데이터를 의미할 수 있다.
본 명세서에서 사용되는 용어, "섬망 발병 위험도 예측 모델"은 초기의 혈액 데이터, 중증도 평가 데이터, 심리 상태 평가 데이터 및 생체 신호 데이터 중 적어도 하나의 데이터와 약물 투여 데이터 및 의료적 처치 데이터의 임상적 데이터를 기초로 섬망 발병의 위험도를 예측하도록 학습된 모델일 수 있다.
예를 들어, 섬망이 발병하거나 발병하지 않은 표본 개체로부터, 미리 결정된 시간마다 획득한 초기의 임상적 데이터를 기초로 섬망 발병의 위험도를 예측하도록 학습된 모델일 수 있다.
이때, 섬망 발병 위험도 예측 모델은, 혈액 데이터, 중증도 평가 데이터, 심리 상태 평가 데이터, 생체 신호 데이터, 약물 투여 데이터 및 의료적 처치 데이터의 모든 임상적 데이터를 기초로 섬망 발병 위험도를 예측하도록 학습된 모델일 수 있다. 그러나, 학습에 이용되는 데이터는, 이에 제한되지 않으며 보다 다양한 임상적 데이터들의 조합이 상기 예측 모델의 학습에 이용될 수 있다.
한편, 본 발명의 섬망 발병 위험도 예측 모델의 학습에 있어서, 섬망이 아닌 정상을 예측하는 것에 관련도가 큰 임상적 데이터들이 결정되는 평가가 수행될 수 있다. 이때, 관련도 평가는 LRP (Layer-wise Relevance Propagation) 알고리즘에 기초하여 수행될 수 있다.
예를 들어, LRP 알고리즘에 의해 초기의 혈액 데이터, 중증도 평가 데이터, 심리 상태 평가 데이터, 생체 신호 데이터, 약물 투여 데이터 및 의료적 처치 데이터의 임상적 데이터와 같은 다양한 임상적 데이터 중 섬망임을 예측하는 것에 관련도가 큰 임상적 데이터 또는, 섬망이 아닌 정상을 예측하는 것에 관련도가 큰 임상적 데이터가 결정될 수 있다.
이러한 관련도가 큰 임상적 데이터들이 상기 예측 모델의 학습에 입력 데이터로서 적용될 수 있음에 따라, 예측 모델은 다른 모델들 보다 섬망 예측 능력이 향상된 모델일 수 있다.
한편, 본 발명의 섬망 발병 위험도 예측 모델은, 다층 인공 신경망인 MLP (Multi-Layer Perceptron) 알고리즘에 기초한 예측 모델일 수 있다.
예를 들어, 본 발명의 섬망 발병 위험도 예측 모델은, 혈액 데이터, 중증도 평가 데이터, 심리 상태 평가 데이터, 생체 신호 데이터, 약물 투여 데이터 및 의료적 처치 데이터가 입력되는 입력 레이어 및 섬망 또는 섬망이 아닌 정상을 예측하는 출력 레이어와 이들 레이어 사이에 1 개의 히든 레이어가 존재하는 다층 레이어 구조의 예측 모델일 수 있다.
보다 구체적으로, 본 발명의 섬망 발병 위험도 예측 모델은, 64 개의 노드로 구성된 1 개의 히든 레이어를 포함하도록 구성될 수 있다. 나아가, 상기 예측 모델은, 섬망의 예측 학습에 있어서 예측의 오차를 최소화하는 가중치를 찾기 위한 파라미터일 수 있는 학습 비율 (learning rate) 값이 0.0009로 설정될 수 있다. 또한, 예측의 오차를 최소화하며 학습 속도를 증가시키기 위한 파라미터 값인 모멘텀 (momentum) 값이 0.9로 설정될 수 있다. 또한, 본 발명의 섬망 발병 위험도 예측 모델은, 학습에 있어서 매개 변수를 갱신하는 최적화 함수로서 'rmsprop'를 이용하도록 구성될 수 있고, 다양한 임상적 데이터들의 입력 값이 출력값에 전달되는 강도를 결정하는 함수로서 'relu'함수를 이용하도록 구성될 수 있다.
그러나, 본 발명의 섬망 발병 위험도 예측 모델의 종류는 이에 제한되는 것이 아니다. 예를 들어, 상기 예측 모델은, DNN (Deep Neural Network), CNN Convolutional Neural Network), RNN (Recurrent Neural Network), DCNN (Deep Convolutional Neural Network), RBM (Restricted Boltzmann Machine), DBN (Deep Belief Network), SSD (Single Shot Detector) 모델 또는 U-net을 기반으로 하는 예측 모델일 수도 있다.
이하에서는 도 1a 및 1b를 참조하여, 본 발명의 일 실시예에 따른 섬망 발병 위험도의 예측용 디바이스 및 이를 이용한 섬망 발병 위험도 예측 시스템에 관하여 구체적으로 설명한다.
도 1a는 본 발명의 일 실시예에 따른 섬망 발병 위험도의 예측 방법 및 디바이스에 기초한 섬망 발병 위험도 예측 시스템을 예시적으로 도시한 것이다. 도 1b는 본 발명의 일 실시예에 따른 섬망 발병 위험도의 예측용 디바이스의 구성을 예시적으로 도시한 것이다.
도 1a를 참조하면, 본 발명의 일 실시예에 따른 섬망 발병 위험도 예측 시스템 (1000) 은, 섬망 발병 위험도 예측용 디바이스 (100), 개체 (200) 에 대하여 획득된, 의료적 처치 데이터 (310), 약물 투여 데이터 (320), 생체 신호 데이터 (330), 혈액 데이터 (340), 중증도 평가 데이터 (350) 및 심리 상태 평가 데이터 (360) 를 포함하는 임상적 데이터 (300), 의료적 처치 (400) 및 의료진 디바이스 (500) 로 구성되어 있다.
이때, 임상적 데이터 (300) 는 개체 (200) 로부터, 임의의 시점에서 측정되거나 평가된 첫 데이터일 수 있다. 그러나, 이에 제한되는 것은 아니다.
보다 구체적으로, 섬망 발병 위험도 예측 시스템 (1000) 에서 섬망 발병 위험도 예측용 디바이스 (100) 는, 개체 (200) 에 대하여 초기에 측정되거나 평가된 다양한 임상적 데이터 (300) 를 수신하고, 이를 기초로 사망 위험도를 예측하도록 구성될 수 있다.
이때, 의료적 처치 (400) 는 개체 (200) 에 온도, 맥박, 산소 포화도, 수축기 혈압, 이완기 혈압, 평균 혈압 및 호흡수로 이루어진 그룹 중 적어도 하나의 생체 신호 데이터 (330) 를 제공할 수 있는 생체 신호 측정 디바이스일 수 있다.
한편, 섬망 발병 위험도 예측 시스템 (1000) 에서 의료적 처치 데이터 (310), 약물 투여 데이터 (320), 나아가 혈액 데이터 (340), 중증도 평가 데이터 (350) 및 심리 상태평가 데이터 (360) 는 EMR (Electronic Medical Record) 시스템과 같은 외부 시스템으로부터 획득될 수도 있다.
보다 구체적으로, 도 1b를 참조하면, 섬망 발병 위험도 예측용 디바이스 (100) 는 수신부 (110), 입력부 (120), 출력부 (130), 저장부 (140) 및 프로세서 (150) 를 포함한다.
구체적으로 수신부 (110) 는 개체 (200) 에 대한 의료적 처치 데이터 (310), 약물 투여 데이터 (320), 생체 신호 데이터 (330), 혈액 데이터 (340), 중증도 평가 데이터 (350) 및 심리 상태 평가 데이터 (360) 를 포함하는 임상적 데이터 (300) 를 수신하도록 구성될 수 있다.
본 발명의 특징에 따르면, 수신부 (110) 는 의료진 디바이스 (500) 에 대하여, 후술될 프로세서 (150) 에 의해 결정된 개체 (200) 에 대하여 예측된 결과를, 송신하도록 더 구성될 수 있다.
입력부 (120) 는 키보드, 마우스, 터치 스크린 패널 등 제한되지 않는다. 입력부 (120) 는 섬망 발병 위험도 예측용 디바이스 (100) 를 설정하고, 섬망 발병 위험도 예측용 디바이스 (100) 의 동작을 지시할 수 있다.
한편, 출력부 (130) 는 수신부 (110) 에 의해 수신된 다양한 임상적 데이터 (300) 를 표시할 수 있다. 나아가, 출력부 (130) 는 프로세서 (150) 에 의해 예측된 섬망 진단과 연관된 정보를 디스플레이 적으로 표시할 수 있다. 나아가, 출력부 (130) 는 프로세서 (150) 에 의해 섬망 발병 위험도가 높은 것으로 결정될 경우, 알림 소리를 출력하도록 더 구성될 수 있다.
저장부 (140) 는 수신부 (110) 를 통해 수신한 개체 (200) 에 대한 다양한 임상적 데이터 (300) 를 저장하고, 입력부 (120) 를 통해 설정된 섬망 발병 위험도 예측용 디바이스 (100) 의 지시를 저장하도록 구성될 수 있다. 나아가, 저장부 (140) 는 후술될 프로세서 (150) 에 의해 생성된 개체 (200) 에 섬망 예측 정보를 저장하도록 구성된다. 그러나, 전술한 것에 제한되지 않고 저장부 (140) 는 섬망 발병 위험도 예측을 위해 프로세서 (150) 에 의해 결정된 다양한 정보들을 저장할 수 있다.
프로세서 (150) 는 섬망 발병 위험도 예측용 디바이스 (110) 의 정확한 예측 결과를 제공하기 위한 구성 요소일 수 있다. 이때, 정확한 섬망 발병 위험도 예측을 위해 프로세서 (150) 는 다양한 임상적 데이터 (300) 를 기초로 섬망 발병 위험도를 예측하도록 구성된 예측 모델에 기초할 수 있다.
한편, 프로세서 (150) 는, 개체 (200) 가 섬망 발병 위험도 예측 모델에 의해 섬망 발병 고위험군으로 예측된 경우 의료진 디바이스 (500) 에 알림을 제공하도록 구성될 수 있다. 이에, 의료진은 개체 (200) 에 대한 빠른 조치를 취할 수 있다.
나아가, 프로세서 (150) 는, 다양한 임상적 데이터 (300) 중 약물 투여 데이터 (320) 를 기초로 섬망 유발 약물을 결정하고, 개체 (200) 에 대하여 예측된 섬망 발병 위험도 및 섬망 유발 약물을 의료진 디바이스 (500) 에 제공하도록 더 구성될 수 있다.
이에, 의료진은 개체 (200) 에 대한 빠른 조치를 취할 수 있다.
이와 같이 본 발명의 섬망 발병 위험도 예측 시스템 (1000) 은, 개체 (200) 에 대하여 섬망의 조기 진단 및 섬망의 조기 치료를 제공할 수 있음에 따라, 다양한 의료 시스템에 적용될 수 있다.
이하에서는 도 2를 참조하여, 본 발명의 일 실시예에 따른 섬망 발병 위험도의 예측 방법을 구체적으로 설명한다. 도 2는, 본 발명의 일 실시예에 따른 섬망 발병 위험도의 예측 방법의 절차를 예시적으로 도시한 것이다.
도 2를 참조하면, 본 발명의 일 실시예에 따른 섬망 발병 위험도의 예측 방법은, 먼저 개체로부터 혈액 데이터, 중증도 평가 데이터, 심리 상태 평가 데이터 및 생체 신호 데이터 중 적어도 하나의 데이터, 약물 투여 데이터 및 의료적 처치 데이터를 수신하고 (S210), 적어도 하나의 데이터, 약물 투여 데이터 및 의료적 처치 데이터를 기초로, 섬망 발병 위험도를 예측하도록 구성된 섬망 발병 위험도 예측 모델을 이용하여, 개체에 대한 섬망 발병 위험도를 예측한다 (S220). 최종적으로 개체에 대하여 예측된 섬망 발병 위험도를 제공한다 (S230).
보다 구체적으로, 데이터를 수신하는 단계 (S210) 에서는, 개체에 대하여 초기 측정되거나 획득된 혈액 데이터, 중증도 평가 데이터, 심리 상태 평가 데이터 및 생체 신호 데이터 중 적어도 하나의 데이터, 약물 투여 데이터 및 의료적 처치 데이터가 수신될 수 있다.
본 발명의 특징에 따르면, 데이터를 수신하는 단계 (S210) 에서 수신된 약물 투여 데이터는, 울트라셋, 미다졸람, 울티바, 아티반, 포폴, 펜타닐, 프리세덱스, IR 코돈, 타진 20/10, 페리돌, 리스페달, 자이프렉사, 쎄로켈, 아빌리파이 및 페티딘 중 적어도 하나일 수 있다.
본 발명의 다른 특징에 따르면, 데이터를 수신하는 단계 (S210) 에서 수신된 의료적 처치 데이터는, 의료적 처치 데이터는, 카테터 (Catheter), 폴리 (Foley), 기계환기 (Mechanical ventilator), 리스트레인트 (Restraint), 배액 기기 (Drainage) 중 적어도 하나의 의료적 처치 여부에 대한 데이터일 수 있다.
본 발명의 또 다른 특징에 따르면, 데이터를 수신하는 단계 (S210) 에서 수신된 혈액 데이터는, 개체로부터 분리된 혈액으로부터 측정된 BUN (blood urea nitrogen), pH, HCO3, Alb (albumin), Hb (hemoglobin), Hct (hematocrit), BILI (Bilirubin), Na 및 NLR (Neutrophil to Lymphocyte Ratio) 중 적어도 하나의 수치일 수 있다.
본 발명의 또 다른 특징에 따르면, 데이터를 수신하는 단계 (S210) 에서 수신된 중증도 평가 데이터는, APACHE II (Acute Physiology and Chronic Health Evaluation) 점수일 수 있다.
본 발명의 또 다른 특징에 따르면, 데이터를 수신하는 단계 (S210) 에서 수신된 심리 상태 평가 데이터는, RASS (Richmond Agitation and Sedation Scale) 또는 STAI (State-Trait Anxiety Inventory) 점수일 수 있다.
본 발명의 또 다른 특징에 따르면, 데이터를 수신하는 단계 (S210) 에서 수신된 생체 신호 데이터는, 생체 신호 계측 장비로부터 측정된 개체에 대한 체온, 맥박, 산소 포화도, 수축기 혈압, 이완기 혈압, 평균 혈압 및 호흡수일 수 있다. 그러나, 이에 제한되지 않고 생체 신호 데이터는, 개체의 건강 상태와 연관된 다양한 측정 데이터를 포함할 수 있다.
다음으로, 섬망 발병 위험도를 예측하는 단계 (S220) 에서는, 섬망 발병 위험도를 예측하도록 구성된 섬망 발병 위험도 예측 모델에 의해 개체가 섬망 또는 섬망이 아닌 정상으로 결정될 수 있다.
이때, 섬망 발병 위험도 예측 모델은, 데이터를 수신하는 단계 (S210) 에서 수신된, 초기의 혈액 데이터, 중증도 평가 데이터, 심리 상태 평가 데이터, 생체 신호 데이터, 약물 투여 데이터 및 의료적 처치 데이터의 임상적 데이터를 기초로 섬망 발병의 위험도를 예측하도록 학습된 모델일 수 있다.
예를 들어, 섬망 발병 위험도 예측 모델은 섬망 발병 표본 개체 및 정상의 표본 개체에 대한 혈액 데이터, 중증도 평가 데이터, 심리 상태 평가 데이터 및 생체 신호 데이터 중 적어도 하나의 데이터, 약물 투여 데이터 및 의료적 처치 데이터로 구성된 학습용 데이터를 수신하고, 학습용 데이터를 기초로, 섬망 또는 정상을 예측하는 단계를 통해 학습된 모델일 수 있다.
나아가, 섬망 발병 위험도 예측 모델은, 학습용 데이터에 대하여 섬망과의 관련도 (relevance) 점수를 산출하고, 관련도 점수를 기초로, 미리 결정된 순위 내에 있는 섬망 관련 학습용 데이터를 결정하는 단계를 통해 결정된 섬망 관련 학습용 데이터를 기초로, 섬망 발병 위험도를 예측하도록 구성된 모델일 수 있다.
마지막으로, 섬망 발병 위험도를 제공하는 단계 (S230) 에서는, 전술한 섬망 발병 위험도를 예측하는 단계 (S220) 에서 예측된 섬망 진단에 관한 정보를 제공할 수 있다.
한편, 본 발명의 특징에 따르면, 데이터를 수신하는 단계 (S210) 에서 수신된 약물 투여 데이터를 기초로 섬망 유발 약물을 결정하는 단계가 더 수행될 수 있다.
이에, 섬망 발병 위험도를 제공하는 단계 (S230) 에서는, 개체에 대하여 예측된 상기 섬망 위험도 및 섬망 유발 약물이 제공될 수 있다.
본 발명의 다른 특징에 따르면, 섬망 발병 위험도를 제공하는 단계 (S230) 에서는, 섬망 발병 위험도를 예측하는 단계 (S220) 에서 섬망 예측 모델에 의해 개체에 대한 섬망 발병 위험도가 예측될 경우, 개체에 대한 섬망 발병의 위험 알림이 제공될 수 있다.
한편, 섬망 발병 위험도를 제공하는 단계 (S230) 에서는, 전술한 것 이외에 보다 다양한 정보가 제공될 수 있다. 예를 들어, 섬망 발병 위험도를 제공하는 단계 (S230) 에서는, 섬망 교정에 효과적일 수 있는, 개체에 대한 시간 정보 제공, 보호자 입실과 같은 추가적인 정보를 더 제공할 수 있다.
이상의 절차에 따라, 본 발명의 일 실시예에 따른 섬망 발병 위험도 예측 방법은, 실시간으로 개체에 대한 섬망 발병 여부를 결정하거나, 임의의 시간 전의 섬망 발병의 위험도를 예측하여, 섬망 발병 위험도에 대한 정보, 나아가 섬망 유발 약물에 대한 정보 및 고위험군을 알리는 알람를 제공할 수 있다. 이에, 의료진은 개체에 대한 섬망의 조기 진단이 가능할 수 있다. 나아가, 의료진은 섬망 고위험군에 대한 빠른 조치를 취할 수 있다.
이하에서는, 도 3a 내지 3d를 참조하여, 본 발명의 다양한 실시예에 이용되는 섬망 발병 위험도 예측 모델에 대하여 구체적으로 설명한다.
이때, 본 발명의 다양한 실시예에 따른 섬망 발병 위험도 예측 모델은, 섬망 또는 비섬망 환자로 구성된 중환자실에 입실한 환자로부터 24 시간 단위로 2 일 동안 1 회/일씩 획득된 초기의 심리 상태 평가 데이터, 생체 신호 데이터, 의료적 처치 데이터, 혈액 데이터, 중증도 평가 데이터 및 약물 투여 데이터의 임상적 데이터를 기초로 학습된 모델일 수 있으나, 이의 학습 방법은 이에 제한되는 것이 아니다. 나아가, 섬망 예측에 이용되는 임상적 데이터는 학습 방법에 따라 상이한 구성으로 선택될 수 있다.
도 3a 및 3b는 본 발명의 다양한 실시예에 이용되는 섬망 발병 위험도 예측 모델의 학습 데이터를 예시적으로 도시한 것이다.
도 3a를 참조하면, 본 발명의 다양한 실시예에 이용되는 섬망 발병 위험도 예측 모델의 학습을 위해 강남세브란스 병원 ICU로부터 획득한 6386 개의 데이터가 이용되 었다. 보다 구체적으로, 학습용 데이터는, 6386 개의 데이터 중, 중환자실 입실 기간 전체에서 삼망 판정을 받은 개체에 대한 609 개의 데이터와 섬망 발생일이 결측되거나 중환자실 입실 기간 전체에서 한번 이라도 섬망이 아님을 판정 받은 개체에 대한 2656 개의 데이터로 구성된다.
도 3b를 참조하면, 상기 섬망 발병 개체 및 정상 개체의 표본 개체로부터 획득된 학습용 데이터는, 심리 상태 평가 데이터, 생체 신호 데이터, 의료적 처치 데이터, 혈액 데이터, 중증도 평가 데이터 및 약물 투여 데이터로 구성된다.
보다 구체적으로, 학습용 심리 상태 평가 데이터는 RASS 및 STAI 점수의 값으로 구성될 수 있다. 학습용 생체 신호 데이터는, 맥박, 호흡, 체온, SBP 및 DBP 값으로 구성될 수 있다. 나아가, 학습용 의료적 처치 데이터는, 카테터, 폴리, 기계환기, 리스트레인트, 배액 기기의 적용 또는 처치 여부, 나아가 영양 섭취 여부로 구성될 수 있다. 또한, 학습용 혈액 데이터는, BUN- (blood urea nitrogen), pH-, HCO3-, Alb- (albumin), Hb- (hemoglobin), Hct- (hematocrit), BILI- (Bilirubin), Na 및 NLR (Neutrophil to Lymphocyte Ratio) 으로 구성될 수 있다. 또한, 학습용 중증도 평가 데이터는, APACHE 점수값으로 구성될 수 있다. 학습용 약물 투여 데이터는, 울트라셋 (Ultracet), 미다졸람 (Midazolam), 울티바 (ultiva), 포폴 (pofol), 아티반 (ativan), 펜타닐 (fentanyl), 프리세덱스 (precedex), IR 코돈 (IR codon), 타진 20/10 (TARGIN 20/10), 페리돌 (peridol), 리스페달 (risperdal), 자이프렉사 (zyprexa), 쎄로켈 (seroquel), 아빌리파이 (abilify), 페티딘 (pethidine), 듀로제식 패치 (durogesic patch), 모르핀 (morphine) 및 마이폴 (mypol)으로 구성될 수 있다.
이때, 각각의 학습용 데이터는 환자로부터 24 시간 단위로 2 일 동안 1 회/일씩 획득된 초기의 데이터일 수 있다. 이때, 데이터를 획득하는 2 일동안 결측된 데이터는 평균값 또는 0으로 처리될 수 있다.
본 발명의 섬망 발병 위험도 예측 모델은 상기와 같은 학습용 데이터를 기초로 표본 개체에 대한 섬망의 발병 여부를 결정하도록 학습될 수 있다.
도 3c는 본 발명의 다양한 실시예에 이용되는 섬망 발병 위험도 예측 모델의 구성을 예시적으로 도시한 것이다.
도 3c를 참조하면, 본 발명의 섬망 발병 위험도 예측 모델은 다층 인공 신경망인 MLP 알고리즘에 기초한 예측 모델일 수 있다.
보다 구체적으로, 본 발명의 섬망 발병 위험도 예측 모델은, 혈액 데이터, 중증도 평가 데이터, 심리 상태 평가 데이터, 생체 신호 데이터, 약물 투여 데이터 및 의료적 처치 데이터가 입력되는 입력 레이어 및 섬망 또는 섬망이 아닌 정상을 예측하는 출력 레이어와 이들 레이어 사이에 1 개의 히든 레이어가 존재하는 다층 구조의 예측 모델일 수 있다.
이때, 본 발명의 섬망 발병 위험도 예측 모델은, 64 개의 노드로 구성된 1 개의 히든 레이어를 포함하도록 구성될 수 있다. 나아가, 상기 예측 모델은, 섬망의 예측 학습에 있어서 예측의 오차를 최소화하는 가중치를 찾기 위한 파라미터일 수 있는 학습 비율 (learning rate) 값이 0.0009로 설정될 수 있다. 또한, 예측의 오차를 최소화하며 학습 속도를 증가시키기 위한 파라미터 값인 모멘텀 (momenteum) 값이 0.9로 설정될 수 있다. 또한, 본 발명의 섬망 발병 위험도 예측 모델은, 학습에 있어서 매개 변수를 갱신하는 최적화 함수로서 'rmsprop'를 이용하도록 구성될 수 있고, 다양한 임상적 데이터들의 입력 값이 출력값에 전달되는 강도를 결정하는 함수로서 'relu'함수를 이용하도록 구성될 수 있다.
그러나, 본 발명의 섬망 발병 위험도 예측 모델의 종류는 이에 제한되는 것이 아니다. 예를 들어, 상기 예측 모델은, DNN, CNN, RNN, DCNN, RBM, DBN, SSD 모델 또는 U-net을 기반으로 하는 예측 모델일 수도 있다.
한편, 본 발명의 섬망 발병 위험도 예측 모델의 학습에 있어서, 섬망이 아닌 정상을 예측하는 것에 관련도가 큰 임상적 데이터들이 결정되는 평가가 수행될 수 있다. 이때, 관련도 평가는 LRP (Layer-wise Relevance Propagation) 알고리즘에 기초하여 수행될 수 있다.
도 3d는 본 발명의 다양한 실시예에 이용되는 섬망 발병 위험도 예측 모델의 평가 방법을 예시적으로 도시한 것이다.
도 3d를 참조하면, 다양한 임상적 데이터에 기초하여 섬망 발병 위험도 예측 모델에 의해 섬망 예측 결과가 출력되면, LRP 알고리즘에 기초한 평가가 수행될 수 있다.
보다 구체적으로, 본 평가에서는, LRP 알고리즘에 의해 초기의 혈액 데이터, 중증도 평가 데이터, 심리 상태 평가 데이터, 생체 신호 데이터, 약물 투여 데이터 및 의료적 처치 데이터의 임상적 데이터와 같은 다양한 임상적 데이터의 입력값과 섬망 또는 섬망이 아닌 정상으로의 출력값의 관련도 (relevance) 가 추정될 수 있다.
보다 구체적으로, 다양한 임상적 데이터의 입력값과 섬망 또는 섬망이 아닌 정상으로의 출력값의 관련도는 하기 [수학식 1]로 산출될 수 있다.
[수학식 1]
Figure pat00001
여기서, L은, 출력 레이어 값을 의미하고, Z ji 는 l+1번째 레이어와 l번째 레이어의 가중치, 및 l번째 레이어 입력 값의 곱을 의미할 수 있다 (
Figure pat00002
). 나아가, b j 는 j번째 노드의 편향값을 의미할 수 있다.
산출된 관련도 점수에 의해 다양한 임상적 데이터 중, 섬망임을 예측하는 것에 관련도가 큰 임상적 데이터 또는, 섬망이 아닌 정상을 예측하는 것에 관련도가 큰 임상적 데이터가 결정될 수 있다.
이러한 관련도가 큰 임상적 데이터들이 상기 예측 모델의 학습에 입력 데이터로서 적용될 수 있음에 따라, 섬망의 예측에 있어서 본 발명의 예측 모델은 다른 모델들 보다 섬망 예측 능력이 우수할 수 있다.
한편, 섬망 발병 위험도 예측 모델의 평가는 전술한 LRP알고리즘에 제한되지 않고 보다 다양한 알고리즘에 기초하여 수행될 수 있다. 예를 들어, Randomized Decision forest 알고리즘, Penalized Logistic Regression 알고리즘에 기초하여 섬망임을 예측하는 것에 관련도가 큰 임상적 데이터 또는, 섬망이 아닌 정상을 예측하는 것에 관련도가 큰 임상적 데이터가 결정될 수 있다.
실시예: 본 발명의 다양한 실시예에 따른 섬망 발병 위험도 예측 모델의 평가
이하에서는 4a 내지 4d를 참조하여 본 발명의 다양한 실시예에서 이용되는 망 발병 위험도 예측 모델의 평가 결과에 대하여 구체적으로 설명한다. 도 4a 및 4b는 본 발명의 다양한 실시예에 이용되는 섬망 발병 위험도 예측 모델에 대한 평가 결과를 도시한 것이다. 도 4c는 본 발명의 다양한 실시예에 이용되는 섬망 발병 위험도 예측 모델에 대한, 섬망 예측의 관련도에 따른 임상적 데이터들을 도시한 것이다. 도 4d는 본 발명의 다양한 실시예에 이용되는 섬망 발병 위험도 예측 모델에 대한, 섬망 예측의 관련도에 따른 임상적 데이터들의 변화에 따른 성능 변화를 도시한 것이다.
도 4a를 참조하면, 전술한 임상적 데이터 중, 약물 투여 데이터를 제외한, 심리 상태 평가 데이터, 생체 신호 데이터, 의료적 처치 데이터, 혈액 데이터 및 중증도 평가 데이터를 기초로 섬망 (positive) 또는 섬망이 아닌 정상 (negative) 를 예측하도록 구성된 섬망 발병 위험도 예측 모델의 평가 결과가 도시된다.
보다 구체적으로, 도 4a의 (a)를 참조하면, 상기 예측 모델의 학습 및 평가를 위해 609 개의 섬망 발병 개체에 대한 데이터 (학습: 487, 테스트: 122) 및 1019 개의 섬망이 아닌 정상 개체에 대한 데이터 (학습: 487, 테스트: 532) 가 이용되었다.
도 4a의 (b) 및 (c)를 참조하면, 상기 예측 모델의 섬망 예측에 대한 민감도는 0.8197, 특이도는 0.7387 및 정확도는 0.7538로 매우 높은 수준으로 나타난다. 특히, 진단 능력을 의미할 수 있는 AUC값은 0.8597로 나타남에 따라, 상기 학습 데이터에 의해 학습된 섬망 발병 위험도 예측 모델은, 섬망 진단 시스템에 적용될 경우, 개체에 대하여 섬망의 발병 위험도를 높은 정확도로 미리 예측할 수 있다.
도 4b를 참조하면, 약물 투여 데이터, 심리 상태 평가 데이터, 생체 신호 데이터, 의료적 처치 데이터, 혈액 데이터 및 중증도 평가 데이터의 임상적 데이터를 기초로 섬망 (positive) 또는 섬망이 아닌 정상 (negative) 를 예측하도록 구성된 섬망 발병 위험도 예측 모델의 평가 결과가 도시된다.
보다 구체적으로, 도 4b의 (a)를 참조하면, 상기 예측 모델의 학습 및 평가를 위해 609 개의 섬망 발병 개체에 대한 데이터 (학습: 122, 테스트: 487) 및 1019 개의 섬망이 아닌 정상 개체에 대한 데이터 (학습: 532, 테스트: 487) 가 이용되었다.
도 4b의 (b) 및 (c)를 참조하면, 상기 예측 모델의 섬망 예측에 대한 민감도는 0.8279, 특이도는 0.75 및 정확도는 0.7645로 매우 높은 수준으로 나타난다. 특히, 전술한 도 4a의 약물 투여 데이터를 제외한 예측 모델의 평가 결과에서보다 상기 민감도, 특이도 및 정확도가 향상된 것으로 나타난다.
한편, 상기 예측 모델의 진단 능력을 의미할 수 있는 AUC값은 0.8585로 나타남에 따라, 전술한 도 4a의 약물 투여 데이터를 제외한 예측 모델의 평가 결과와 유사한 것으로 보여진다.
이러한 결과에 의해, 본 발명의 다양한 실시예에 이용되는 섬망 발병 위험도 예측 모델은, 섬망 진단 시스템에 적용될 경우, 개체에 대하여 섬망의 발병 위험도를 높은 정확도로 미리 예측할 수 있다.
도 4c를 참조하면, 본 발명의 다양한 실시예에서 이용되는 임상적 데이터들의 영향력 (관련도) 평가 결과가 도시된다. 이때, 각 임상적 데이터에 대하여 산출된 평균 관련도 (relevance) 는, 섬망임을 예측하는 것에 대한 영향력을 의미할 수 있다.
보다 구체적으로, 도 4c의 (a)를 참조하면, 섬망임을 예측하는 것에 있어서 영향력이 높은 것으로 나타난, 고 관련도 임상적 데이터들이 도시된다. 보다 구체적으로, 2 일차 카테터 (catheter) 의 처치 여부 (의료적 처치 데이터) 에 대한 특징 데이터의 평균 관련도는 0.523812로, 다른 임상적 데이터들보다 높은 것으로 나타난다.
즉, 섬망임을 예측하는 것에 있어서, 2 일차에 획득된 카테터의 처치 여부에 데이터의 영향력이 클 수 있다.
나아가, 2 일차 폴리 (foley) 의 처치 여부, 2 일차 리스트레인트 (restraint) 처치 여부, 1일 차 리스트레인트 처치 여부, 1 일차 폴리의 처치 여부 및 2 일차 기계환기 처치 여부의 의료적 처치 데이터들이 순차적으로 평균 관련도가 높은 것으로 나타난다. 그 다음으로 약물 투여 데이터들의 평균 관련도가 높은 것으로 나타난다.
이러한 결과는, 초기 데이터를 기초로 섬망을 예측 하는 것에 있어서, 다양한 임상적 데이터들 중 의료적 처치 데이터, 나아가 약물 투여 데이터가 섬망 예측에 큰 영향력을 제공한다는 것을 의미할 수 있다. 즉, 의료적 처치 데이터, 약물 투여 데이터를 이용할 경우, 우수한 진단 능력으로 개체에 대한 섬망 발병의 예측이 가능할 수 있다.
도 4c의 (b)를 참조하면, 섬망이 아닌 정상을 예측하는 것에 있어서 영향력이 높은 것으로 나타난, 임상적 데이터들이 도시된다. 보다 구체적으로, 1 일차 카테터의 처치 여부 (의료적 처치 데이터) 에 대한 특징 데이터의 평균 관련도는 -0.39132로, 가장 낮은 것으로 나타난다.
즉, 섬망이 아닌 정상을 예측하는 것에 있어서, 1 일차에 획득된 카테터의 처치 여부에 대한 영향력이 클 수 있다. 다시 말해, 섬망을 예측 하는 것에 있어서 상기 데이터들은, 관련도가 가장 낮을 수 있다.
나아가, 2 일차 RASS 값, 1 일차 배액 기기 처치 여부, 1 일차 기계환기 처치 여부 순서로 평균 관련도가 낮은 것으로 나타난다.
한편, 도 4d를 참조하면, 전술한 도 4c의 (a)에서 평균 관련도가 높은 상위 10 개의 임상적 데이터 (2 일차 카테터의 처치 여부, 2 일차 폴리의 처치 여부, 2 일차 리스트레인트 처치 여부, 1일 차 리스트레인트 처치 여부, 1 일차 폴리의 처치 여부, 2 일차 기계환기 처치 여부, 1 일차의 울티바 투여량, 2 일차의 울트라셋 투여량, 1 일차의 모르핀 투여량 및 1 일차의 마이폴 투여량) 를 순차적으로 누적하여 제외했을 때의 AUC값이 도시된다.
보다 구체적으로, 평균 관련도가 높은 것으로 나타난, 즉 섬망을 예측하는 것에 있어서 영향력이 높은 임상적 데이터들이 제외됨에 따라, 섬망 예측에 대한 AUC값이 감소하는 것으로 나타난다.
이는 영향력이 높은 임상적 데이터들의 제외에 따른, 섬망 예측의 성능 저하를 의미할 수 있다.
이에, 본 발명의 다양한 실시예에서 이용되는 섬망 발병 위험도 예측 모델은, 평균 관련도가 큰 임상적 데이터를 학습 데이터로 이용하도록 구성될 수 있다. 이에, 섬망 발병 위험도 예측 모델은, 섬망 예측에 있어서 다른 예측 모델보다 향상된 진단 능력으로 섬망 예측 결과를 제공할 수 있다.
이상의 실시예의 결과로, 본 발명의 다양한 실시예에서 이용된 섬망 발병 위험도 예측 모델이 섬망 발병 위험도를 높은 정확도로 예측하는 것을 확인할 수 있었다. 나아가, 높은 AUC 값을 갖는 것으로 나타난 결과에 따라 본 발명의 예측 모델은 우수한 진단 능력을 가지는 것으로 확인할 수 있었다.
이에, 본 발명은 섬망에 대한 처치 시점을 앞당겨 치료에 대한 좋은 예후를 제공할 수 있다.
특히, 본 발명은 개체로부터 획득한 초기의 약물 투여 데이터, 의료적 처치 데이터와 함께 생체 신호 데이터, 혈액 데이터, 나아가 심리 상태 평가 및 중증도 평가 데이터의 임상 데이터에 기초한 섬망 발병 위험도 예측 시스템을 제공함으로써, 개체에 대하여 섬망 발병의 조기 진단을 제공할 수 있다.
이에, 본 발명은 섬망 발병 개체의 생존률 증가, 합병증 예방, 및 치료 비용의 감소 효과를 제공할 수 있다.
나아가 본 발명은 수신된 약물 투여 데이터 중 섬망 유발성 약물이 있을 경우 이에 대한 정보를 제공하는 피드백을 제공함에 따라, 의료진은 하여금 섬망 유발성 약물의 투약 중지와 같은 섬망에 대한 빠른 조치를 취할 수 있다.
또한, 본 발명은, 개체에 대하여 예측 모델에 의해 섬망이 예측될 경우, 알람을 제공하여 섬망 발병 위험도를 알리도록 구성됨에 따라, 보호자 또는 의료진은 중환자와 같은 지속적인 모니터링이 요구되는 개체에 대하여 보다 용이하게 섬망 발병 고위험군을 인지할 수 있다.
본 발명의 여러 실시예들의 각각 특징들이 부분적으로 또는 전체적으로 서로 결합 또는 조합 가능하며, 당업자가 충분히 이해할 수 있듯이 기술적으로 다양한 연동 및 구동이 가능하며, 각 실시예들이 서로에 대하여 독립적으로 실 시 가능할 수도 있고 연관 관계로 함께 실시 가능할 수도 있다.
이상 첨부된 도면을 참조하여 본 발명의 실시예들을 더욱 상세하게 설명하였으나, 본 발명은 반드시 이러한 실시예로 국한되는 것은 아니고, 본 발명 의 기술사상을 벗어나지 않는 범위 내에서 다양하게 변형 실시될 수 있다. 따라서, 본 발명에 개시된 실시예들은 본 발명의 기술 사상을 한정하기 위한 것이 아니라 설명하기 위한 것이고, 이러한 실시예에 의하여 본 발명의 기술 사상의 범위가 한정되는 것은 아니다. 그러므로, 이상에서 기술한 실시예들은 모든 면에서 예시적인 것이며 한정적이 아닌 것으로 이해해야만 한다. 본 발명의 보호 범위는 아래의 청구범위에 의하여 해석되어야 하며, 그와 동등한 범위 내에 있는 모든 기술 사상은 본 발명의 권리범위에 포함되는 것으로 해석되어야 할 것이다.
100: 섬망 발병 위험도 예측용 디바이스
110: 수신부
120: 입력부
130: 표시부
140: 저장부
150: 프로세서
200: 개체
300: 임상적 데이터
310: 의료적 처치 데이터
320: 약물 투여 데이터
330: 생체 신호 데이터
340: 혈액 데이터
350: 중증도 평가 데이터
360: 심시 상태 평가 데이터
400: 의료적 처치
500: 의료진 디바이스
1000: 위험도 예측 시스템

Claims (20)

  1. 프로세서에 의해 구현되는 섬망 발병 위험도 예측 방법에 있어서,
    개체에 대한 혈액 데이터, 중증도 평가 데이터, 심리 상태 평가 데이터 및 생체 신호 데이터 중 적어도 하나의 데이터, 약물 투여 데이터 및 의료적 처치 데이터를 수신하는 단계;
    상기 적어도 하나의 데이터, 상기 약물 투여 데이터 및 상기 의료적 처치 데이터를 기초로, 섬망 발병 위험도를 예측하도록 구성된 섬망 발병 위험도 예측 모델을 이용하여, 상기 개체에 대한 섬망 발병 위험도를 예측하는 단계, 및
    상기 개체에 대하여 예측된 상기 섬망 발병 위험도를 제공하는 단계를 포함하고,
    상기 적어도 하나의 데이터, 상기 약물 투여 데이터 및 상기 의료적 처치 데이터는 상기 개체에 대하여 단일회 평가되거나 단일회 측정된 초기 데이터로 정의되는, 섬망 발병 위험도의 예측 방법.
  2. 제1항에 있어서,
    상기 적어도 하나의 데이터는,
    상기 심리 상태 평가 데이터를 포함하고,
    상기 심리 상태 평가 데이터는,
    RASS (Richmond Agitation and Sedation Scale) 또는 STAI (State-Trait Anxiety Inventory) 점수인, 섬망 발병 위험도의 예측 방법.
  3. 제1항에 있어서,
    상기 적어도 하나의 데이터는,
    상기 혈액 데이터를 포함하고,
    상기 혈액 데이터는,
    BUN (blood urea nitrogen), pH, HCO3, Alb (albumin), Hb (hemoglobin), Hct (hematocrit), BILI (Bilirubin), Na 및 NLR (Neutrophil to Lymphocyte Ratio) 중 적어도 하나의 수치를 포함하는, 섬망 발병 위험도의 예측 방법.
  4. 제1항에 있어서,
    상기 적어도 하나의 데이터는,
    상기 중증도 평가 데이터를 포함하고,
    상기 중증도 평가 데이터는,
    APACHE II (Acute Physiology and Chronic Health Evaluation) 점수를 포함하는, 섬망 발병 위험도의 예측 방법.
  5. 제1항에 있어서,
    상기 적어도 하나의 데이터는,
    상기 생체 신호 데이터를 포함하고,
    상기 생체 신호 데이터는,
    맥박, 호흡, 체온, SBP (systolic blood pressure) 및 DBP (diastolic blood pressure) 중 적어도 하나를 포함하는, 섬망 발병 위험도의 예측 방법.
  6. 제1항에 있어서,
    상기 약물 투여 데이터는,
    울트라셋 (Ultracet), 미다졸람 (Midazolam), 울티바 (ultiva), 아티반 (ativan), 포폴 (pofol), 펜타닐 (fentanyl), 프리세덱스 (precedex), IR 코돈 (IR codon), 타진 20/10 (TARGIN 20/10), 페리돌 (peridol), 리스페달 (risperdal), 자이프렉사 (zyprexa), 쎄로켈 (seroquel), 아빌리파이 (abilify), 페티딘 (pethidine), 듀로제식 패치 (durogesic patch), 모르핀 (morphine) 및 마이폴 (mypol) 중 적어도 하나의 약물 투여 데이터를 포함하는, 섬망 발병 위험도의 예측 방법.
  7. 제1항에 있어서,
    상기 의료적 처치 데이터는,
    카테터 (Catheter), 폴리 (Foley), 기계환기 (Mechanical ventilator), 리스트레인트 (Restraint), 배액 기기 (Drainage) 중 적어도 하나의 의료적 처치 데이터를 포함하는, 섬망 발병 위험도의 예측 방법.
  8. 제1항에 있어서,
    상기 초기 데이터는,
    상기 개체에 대하여, 입원 기간 동안 미리 결정된 시간 단위로 처음 평가되거나 처음 측정된 초기 데이터로 정의되는, 섬망 발병 위험도의 예측 방법.
  9. 제1항에 있어서,
    상기 약물 투여 데이터를 기초로 섬망 유발 약물을 결정하는 단계를 더 포함하고,
    상기 위험도를 제공하는 단계는,
    상기 개체에 대하여 예측된 상기 섬망 위험도 및 상기 섬망 유발 약물을 제공하는 단계를 더 포함하는, 섬망 발병 위험도의 예측 방법.
  10. 제1항에 있어서,
    상기 위험도를 제공하는 단계는,
    상기 섬망 발병 위험도 예측 모델에 의해 개체에 대한 섬망 발병 위험도가 예측될 경우,
    상기 개체에 대한 섬망 발병의 위험 알림을 제공하는 단계를 포함하는, 섬망 발병 위험도의 예측 방법.
  11. 제1항에 있어서,
    상기 섬망 발병 위험도 예측 모델은,
    MLP (Multi-Layer Perceptron) 알고리즘 기반의 예측 모델인, 섬망 발병 위험도의 예측 방법.
  12. 제1항에 있어서,
    상기 섬망 발병 위험도 예측 모델은,
    섬망 발병 표본 개체 및 정상의 표본 개체에 대한 혈액 데이터, 중증도 평가 데이터, 심리 상태 평가 데이터 및 생체 신호 데이터 중 적어도 하나의 데이터, 약물 투여 데이터 및 의료적 처치 데이터로 구성된 학습용 데이터를 수신하는 단계, 및
    상기 학습용 데이터를 기초로, 섬망 또는 정상을 예측하는 단계를 통해 학습된 모델이고,
    상기 정상의 표본 개체는,
    임상적으로 섬망 발생되지 않고 섬망이 아닌 것으로 평가된 개체인, 섬망 발병 위험도의 예측 방법.
  13. 제12항에 있어서,
    상기 학습용 데이터를 수신하는 단계 이후에 수행되는,
    상기 학습용 데이터를 평가하는 단계를 더 포함하고,
    상기 학습용 데이터를 평가하는 단계는,
    상기 학습용 데이터에 대하여 섬망과의 관련도 (relevance) 점수를 산출하는 단계, 및
    상기 관련도 점수를 기초로, 미리 결정된 순위 내에 있는 섬망 관련 학습용 데이터를 결정하는 단계를 포함하는, 섬망 발병 위험도의 예측 방법.
  14. 제13항에 있어서,
    상기 학습용 데이터를 평가하는 단계는,
    LRP (Layer-wise Relevance Propagation) 알고리즘을 이용하여,
    상기 학습용 데이터에 대하여 섬망과의 관련도 점수를 산출하는 단계, 및
    상기 관련도 점수를 기초로, 미리 결정된 순위 내에 있는 섬망 관련 학습용 데이터를 결정하는 단계를 포함하는, 섬망 발병 위험도의 예측 방법.
  15. 프로세서에 의해 구현되는 섬망 발병 위험도 예측 디바이스에 있어서,
    개체에 대한 혈액 데이터, 중증도 평가 데이터, 심리 상태 평가 데이터 및 생체 신호 데이터 중 적어도 하나의 데이터, 약물 투여 데이터 및 의료적 처치 데이터를 수신하도록 구성된 수신부, 및
    상기 수신부와 통신하도록 구성된 프로세서를 포함하고,
    상기 프로세서는,
    상기 적어도 하나의 데이터, 상기 약물 투여 데이터 및 상기 의료적 처치 데이터를 기초로, 섬망 발병 위험도를 예측하도록 구성된 섬망 발병 위험도 예측 모델을 이용하여, 상기 개체에 대한 섬망 발병 위험도를 예측하고,
    상기 개체에 대하여 예측된 상기 섬망 발병 위험도를 제공하도록 구성되고,
    상기 적어도 하나의 데이터, 상기 약물 투여 데이터 및 상기 의료적 처치 데이터는 상기 개체에 대하여 단일회 평가되거나 단일회 측정된 초기 데이터로 정의되는, 섬망 발병 위험도의 예측용 디바이스.
  16. 제15항에 있어서,
    상기 초기 데이터는,
    상기 개체에 대하여, 입원 기간 동안 미리 결정된 시간 단위로 처음 평가되거나 처음 측정된 초기 데이터로 정의되는, 섬망 발병 위험도의 예측용 디바이스.
  17. 제15항에 있어서,
    상기 프로세서는,
    상기 약물 투여 데이터를 기초로 섬망 유발 약물을 결정하고,
    상기 개체에 대하여 예측된 상기 섬망 위험도 및 상기 섬망 유발 약물을 제공하도록 더 구성된, 섬망 발병 위험도의 예측용 디바이스.
  18. 제15항에 있어서,
    상기 프로세서는,
    상기 섬망 발병 위험도 예측 모델에 의해 개체에 대한 섬망 발병 위험도가 예측될 경우,
    상기 개체에 대한 섬망 발병의 위험 알림을 제공하도록 더 구성된, 섬망 발병 위험도의 예측용 디바이스.
  19. 제15항에 있어서,
    상기 약물 투여 데이터는,
    울트라셋, 미다졸람, 울티바, 아티반, 포폴, 펜타닐, 프리세덱스, IR 코돈, 타진 20/10, 페리돌, 리스페달, 자이프렉사, 쎄로켈, 아빌리파이 및 페티딘 중 적어도 하나의 약물 투여 데이터를 포함하는, 섬망 발병 위험도의 예측용 디바이스.
  20. 제15항에 있어서,
    상기 의료적 처치 데이터는,
    카테터, 폴리, 기계환기, 리스트레인트 및 배액 기기 중 적어도 하나의 의료적 처치 데이터를 포함하는, 섬망 발병 위험도의 예측용 디바이스.
KR1020180147329A 2018-11-26 2018-11-26 섬망 발병 위험도의 예측 방법 및 이를 이용한 디바이스 KR102183744B1 (ko)

Priority Applications (2)

Application Number Priority Date Filing Date Title
KR1020180147329A KR102183744B1 (ko) 2018-11-26 2018-11-26 섬망 발병 위험도의 예측 방법 및 이를 이용한 디바이스
US16/694,086 US11615892B2 (en) 2018-11-26 2019-11-25 Method for predicting risk of delirium and device for predicting risk of delirium using the same

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020180147329A KR102183744B1 (ko) 2018-11-26 2018-11-26 섬망 발병 위험도의 예측 방법 및 이를 이용한 디바이스

Publications (2)

Publication Number Publication Date
KR20200061713A true KR20200061713A (ko) 2020-06-03
KR102183744B1 KR102183744B1 (ko) 2020-11-27

Family

ID=70771710

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020180147329A KR102183744B1 (ko) 2018-11-26 2018-11-26 섬망 발병 위험도의 예측 방법 및 이를 이용한 디바이스

Country Status (2)

Country Link
US (1) US11615892B2 (ko)
KR (1) KR102183744B1 (ko)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2021256784A1 (ko) * 2020-06-19 2021-12-23 한국과학기술정보연구원 환자의 성별에 따른 치매 위험 인자를 이용한 치매 예측 방법 및 장치
KR20220005791A (ko) * 2020-07-07 2022-01-14 사회복지법인 삼성생명공익재단 섬망 예측 방법 및 이의 장치
US20220160245A1 (en) * 2020-11-26 2022-05-26 Industry- Academic Cooperation Foundation, Chosun University System and method of determining disease based on heat map image explainable from electrocardiogram signal

Families Citing this family (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP4371554A2 (en) 2016-12-31 2024-05-22 BioXcel Therapeutics, Inc. Use of sublingual dexmedetomidine for the treatment of agitation
CN114983980A (zh) 2018-06-27 2022-09-02 比奥克斯塞尔医疗股份有限公司 含右美托咪定的膜制剂及其制造方法
BR112022000992A2 (pt) 2019-07-19 2022-06-14 Arx Llc Regimes de tratamento de dexmedetomidina não sedantes
CN111956245A (zh) * 2020-08-27 2020-11-20 复旦大学附属肿瘤医院 术后认知功能障碍预防评估方法，系统和装置
KR20220099898A (ko) 2021-01-07 2022-07-14 가톨릭대학교 산학협력단 뇌파 분석을 이용한 수술후섬망 예측 방법 및 분석장치
CN113241183B (zh) * 2021-04-30 2024-03-29 深圳睿心智能医疗科技有限公司 治疗方案预测方法及装置
CN113990501B (zh) * 2021-10-28 2023-03-24 江苏省人民医院（南京医科大学第一附属医院） 一种icu患者身体约束决策方法
US11806334B1 (en) 2023-01-12 2023-11-07 Bioxcel Therapeutics, Inc. Non-sedating dexmedetomidine treatment regimens
CN116168840B (zh) * 2023-04-23 2023-12-22 北京大学人民医院 一种预测术后谵妄发生风险的方法、设备及系统
CN117973878A (zh) * 2024-03-29 2024-05-03 鼎泰(南京)临床医学研究有限公司 基于风险评估工具fmea的风险管理方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2001299702A (ja) * 2000-04-25 2001-10-30 Masashi Takechi 特性不安レベル評価装置及びその方法
US20060085227A1 (en) * 1999-06-23 2006-04-20 Visicu, Inc. System and method for patient-worn monitoring of patients in geographically dispersed health care locations
KR101827793B1 (ko) * 2016-10-07 2018-02-09 계명대학교 산학협력단 환자의 의료정보를 이용한 수술 후 섬망의 예측 시스템 및 방법

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20060085227A1 (en) * 1999-06-23 2006-04-20 Visicu, Inc. System and method for patient-worn monitoring of patients in geographically dispersed health care locations
JP2001299702A (ja) * 2000-04-25 2001-10-30 Masashi Takechi 特性不安レベル評価装置及びその方法
KR101827793B1 (ko) * 2016-10-07 2018-02-09 계명대학교 산학협력단 환자의 의료정보를 이용한 수술 후 섬망의 예측 시스템 및 방법

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2021256784A1 (ko) * 2020-06-19 2021-12-23 한국과학기술정보연구원 환자의 성별에 따른 치매 위험 인자를 이용한 치매 예측 방법 및 장치
KR20220005791A (ko) * 2020-07-07 2022-01-14 사회복지법인 삼성생명공익재단 섬망 예측 방법 및 이의 장치
KR20230063354A (ko) * 2020-07-07 2023-05-09 사회복지법인 삼성생명공익재단 섬망 예측 방법 및 이의 장치
US20220160245A1 (en) * 2020-11-26 2022-05-26 Industry- Academic Cooperation Foundation, Chosun University System and method of determining disease based on heat map image explainable from electrocardiogram signal

Also Published As

Publication number Publication date
US11615892B2 (en) 2023-03-28
KR102183744B1 (ko) 2020-11-27
US20200168340A1 (en) 2020-05-28

Similar Documents

Publication Publication Date Title
KR102183744B1 (ko) 섬망 발병 위험도의 예측 방법 및 이를 이용한 디바이스
Castaldo et al. Ultra-short term HRV features as surrogates of short term HRV: A case study on mental stress detection in real life
Dunn et al. Wearables and the medical revolution
van Andel et al. Non-EEG based ambulatory seizure detection designed for home use: What is available and how will it influence epilepsy care?
KR102257830B1 (ko) 사망 위험도의 예측 방법 및 이를 이용한 디바이스
Dong et al. Insights into causal pathways for ischemic heart disease: adverse childhood experiences study
Schmidt et al. Effects of targeting higher vs lower arterial oxygen saturations on death or disability in extremely preterm infants: a randomized clinical trial
JP5862226B2 (ja) ３ｄにおいて身体の感覚を追跡、記録、又は解析する方法
Young et al. Predictors of sleep-disordered breathing in community-dwelling adults: the Sleep Heart Health Study
JP5870646B2 (ja) 患者からのムード情報の単純な収集の方法
Curry et al. A critical assessment of monitoring practices, patient deterioration, and alarm fatigue on inpatient wards: a review
Burk et al. Predictors of agitation in critically ill adults
CN106796622A (zh) 监测信息提供设备和方法
Guttormson “Releasing a lot of poisons from my mind”: Patients' delusional memories of intensive care
JP2012110715A (ja) リングベースの誘導給電式ＳｐＯ２センサ
JP2012110714A (ja) スタチン誘発性ミオパシー及び他の医的障害のセンサベースの診断
JP2012110713A (ja) 呼吸困難計
Jeneson et al. Recognition memory and the hippocampus: A test of the hippocampal contribution to recollection and familiarity
Shein et al. Neurologic and functional morbidity in critically ill children with bronchiolitis
KR20200040669A (ko) 사망 또는 패혈증 위험도 예측 방법 및 이를 이용한 사망 또는 패혈증 위험도 예측용 디바이스
Josephine et al. Monitoring and sensing COVID-19 symptoms as a precaution using electronic wearable devices
Okabe et al. Lung-thorax compliance measured during a spontaneous breathing trial is a good index of extubation failure in the surgical intensive care unit: a retrospective cohort study
Figueiredo et al. Acute mountain sickness and sleep disturbances differentially influence cognition and mood during rapid ascent to 3000 and 4050 m
Bellos et al. Heterogeneous data fusion and intelligent techniques embedded in a mobile application for real-time chronic disease management
Maurer Early diagnosis of sleep related breathing disorders

Legal Events

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