KR20200088498A - 참고 범위 생성 - Google Patents

Abstract

건강 관리 또는 위험/속성 측정의 임의의 다른 애플리케이션에서 사용하기 위해 건강 또는 위험 파라미터 참고 범위를 생성하기 위한 시스템 및 방법이 본원에서 설명된다. 본원에 설명되는 시스템 및 방법에 의해 생성되는 참고 범위는, 공유된 피처(들) 및 활력 상태와 같은 결과 데이터를 포함하는 개체의 모집단으로부터의 인간 및/또는 다른 생물 데이터의 직접적인 분석 및 증거 기반의 모델에 기초한다. 인간 및/또는 다른 생물 데이터의 직접적인 분석 및 증거 기반의 모델은 공유된 공통 위험 파라미터 피처(들) 및 결과 데이터를 활용하고 서로에 대한 두 개 이상의 건강 또는 위험 파라미터의 관계를 식별한다. 이들 방법은 임의의 생물 또는 무생물의 위험 및/또는 다른 속성의 측정에도 또한 적용된다.

Description

참고 범위 생성

본 출원은 2017년 12월 12일자로 출원된 미국 특허 가출원 제62/597,617호 및 2018년 2월 5일자로 출원된 미국 특허 가출원 제62/626,530호에 대한 우선권을 주장하는데, 이들 출원 각각은 참조에 의해 본원에 완전히 통합된다.

참고 범위(reference interval)는 한 개체(individual)의 측정된 건강 또는 위험 파라미터(health or risk parameter)를 판단하고(assess) 및 평가하기(evaluate) 위해 건강 관리 공급자에 의해 널리 사용된다. 개체의 측정된 파라미터가 확립된 참고 범위 내에 속하는지 또는 속하지 않는지의 여부는 건강 관리 공급자에 의해 임의의 개체의 건강 상태(health status)를 결정하는 것에 통상적으로 의존한다.

건강 관리 공급자 및 건강 관리 산업에서의 다른 사람에 의해 확립되고 사용되는 바와 같은 전통적인 참고 범위는 모집단 데이터(population data)의 추정된 통계 분포를 사용하여 생성된다.

개체의 건강 또는 위험 파라미터 판단(assessment) 및 평가(evaluation)를 위한 참고 범위("참고 범위")는, 통상적으로, 측정된 건강 또는 위험 파라미터가 정상 또는 비정상인지 또는 아닌지, 예후(prognostic)인지 또는 아닌지, 및/또는 징후(diagnostic)인지 또는 아닌지의 여부를 정의한다. 참고 범위는 통상적으로 상기 범위(들)의 각각의 상한(upper limit) 및 하한(lower limit)이, 명시된 건강 또는 위험 파라미터의 정상 값 및/또는 예후 값 및/또는 징후 값으로 간주되는 것의 상한 및 하한을 제공하는 값의 하나 이상의 범위를 포함한다.

전통적인 참고 범위는 통상적으로 작은 모집단의 관찰 연구 내에서의, 실험실 테스트 또는 물리적 측정과 같은, 임의의 단일의 건강 또는 위험 파라미터의 분포에 대한 "벨 곡선(bell curve)"또는 다른 통계 함수의 통계적 적합(fitting)에 기초한다. 현재 사용되는 참고 범위는 통상적으로, 예를 들면, 연령 및/또는 성별에 기초하여 개별화되지 않는다. 즉, 전통적인 참고 범위를 생성하기 위한 현재의 프로세스는, 단일의 건강 또는 위험 파라미터를 포함하는 데이터 세트에 대한 표준 통계 함수의 적합인데, 여기서 통계 함수는 통상적으로 정규 분포(normal distribution)를 정의한다. 데이터의 정규 분포의 경계는 데이터에 대한 참고 범위의 경계인 것으로 간주된다.

총 콜레스테롤에 대한 전통적인 참고 범위는 하단(low end)에서 0 mg/dL 및 상단(high end)에서 199 mg/dL인데, 정상 총 콜레스테롤은 199 mg/dL 이하인 것으로 간주되고 비정상적으로 높은 총 콜레스테롤은 200 mg/dL 이상이다. 체질량 지수(body mass index) 및 혈압과 같은 신체 측정치도 또한 통상적으로 보고되는데, 이 경우 정상에 대한 참고 범위는 보고될 수도 있거나 또는 그렇지 않을 수도 있지만, 그러나, 일반적으로 건강의 표준으로서 일반적으로 수용되고 확립된다. 추가적인 예에서, 혈액 내 칼륨 레벨에 대한 전통적인 참고 범위는 3.5-5.0 mEq/L이고, 따라서, 4.0 mEq/L의 칼륨 레벨은 그 간격 내에 속하고 정상인 것으로 간주된다. 혈액 내 칼륨 레벨의 3.2 mEq/L 또는 5.5 mEq/L의 값은 참고 범위 밖에 속하며 비정상적인 것으로 간주된다. 혈액 내 칼륨 레벨에 대한 전통적인 참고 범위 밖에 속하는 칼륨 레벨을 갖는 개체는 통상적으로 치료받는다는 점에서 칼륨에 대한 참고 범위는 주목할 만한데, 그 이유는, 고칼륨혈증(hyperkalemia) 및 저칼륨혈증(hypokalemia) 둘 모두가, 종종 신속한 의학적 주의 및 치료를 필요로 하는 생명을 위협하는 상태이기 때문이다. 고칼륨혈증은 또한 적어도 부분적으로 신부전(renal failure)의 징후일 수도 있는데, 신부전은 고칼륨혈증의 원인일 뿐만 아니라 그 자체로 생명을 위협한다. 그러나, 참고 범위가 개체의 생명을 위협하는 상태를 결정하는 데 중요한 것만큼, 전통적인 참고 범위는 정확한 방식으로 생성되지는 않는다.

참고 범위를 생성하기 위한 이러한 전통적인 방법은 적어도 두 가지 이유 때문에 부정확하다: 전통적인 참고 범위를 생성하기 위해 사용되는 모집단 데이터 샘플은 통상적으로 상대적으로 작고, 단일의 건강 또는 위험 파라미터로 구성되는 데이터에 통계 함수를 적합시키는 것은, 적합된 데이터와의 다른 건강 또는 위험 파라미터의 중요한 상호 작용을 무시하고, 이에 의해, 특정한 파라미터 값이 정상인지 또는 비정상인지의 여부를 컨텍스트가 추가로 정의할 수도 있는 데이터에 대한 컨텍스트의 부재로 이어진다.

현재, 상대적으로 작은 모집단 샘플 사이즈를 사용하여 전통적인 참고 범위가 생성된다. 이들 작은 샘플 사이즈에서의 데이터 분포가 참고 범위를 결정하기(즉, 정규 분포에 의해 결정됨) 때문에, 이들 모집단 샘플의 상대적으로 작은 사이즈는, 참고 범위가 사용되는 더 크고 더 다양한 모집단을 정확하게 반영하지 않는다. 즉, 참고 범위의 대응성의 정확도는, 참고 범위의 한계를 결정하기 위해 사용되는 모집단 샘플의 사이즈에서의 증가와 함께 증가한다.

"RI의 계산과 관련하여 많은 문제점이 있다." [Katayev 등등. Am J Clin Pathol 2010; 133:180-186]. 건강한 참고 피실험체(reference subject)의 통계적으로 충분한 그룹(예를 들면, 최소 120)을 선택하는 것에 의해 참고 범위가 확립되어야 한다는 것이 권장되었다. 그러나, Clinical and Laboratory Standards Institute(임상 및 실험실 표준 연구소) 승인의 가이드라인 "Defining, establishing, and verifying reference intervals in the clinical laboratory(임상 실험실에서의 참고 범위의 정의, 확립, 및 검증)"에서, "Health is a relative condition lacking a universal definition. Defining what is considered healthy becomes the initial problem in any study(건강은 보편적 정의가 없는 상대적 상태이다. 건강한 것으로 간주되는 것을 정의하는 것은 임의의 연구에서 초기 문제가 된다)"는 것이 언급되었다. 상대적으로 작은 모집단 샘플 사이즈(예를 들면, 120)를 사용하여 생성되는 전통적인 참고 범위에서, 선택된 건강의 정의 때문에, 뿐만 아니라, 또한, 선택된 피실험체 중 일부가, 실제로는, 무증상 질병(subclinical disease)을 가질 수도 있을 매우 현실적인 가능성 때문에, 주어진 선택 프로토콜에서는 불확실성 및 오류의 레벨이 항상 존재한다.

또한, 참고 범위를 생성하기 위한 전통적인 방법은, 다르게는 전통적인 참고 범위 내에 또는 밖에 속하는 데이터 값을 상황에 맞추는(contextualize) 다수의 개개의 요인을 적절하게 고려하지 않는다. 즉, 전통적인 참고 범위에 기초하여 한 개체에서는 정상적이고 건강한 것으로 간주되는 동일한 값이, 예를 들면, 다른 건강 요인 및 파라미터가 고려되는 경우, 다른 개체에서는 실제로 불량한 건강(poor health)의 표시일 수도 있다. 참고 범위는, 그들이 다차원 및 다인성의(multifactorial) 개체 데이터에 기초할 때 가장 정확하다.

추가적으로, 테스트 데이터는 매우 종종 멀티모달 또는 비대칭 분포를 나타낸다. 이것은 선택된 모집단 내에서의 무증상 질병의 큰 유행 또는 정상 범위 내의 서브그룹 관련 차이를 반영할 수도 있다. 후자는 테스트 피실험체의 성별, 연령, 인종, 및 다른 요인에 의한 테스트 데이터의 구획화(partitioning)를 요구하고, 한편, 전통적인 참고 범위는 테스트 데이터의 그러한 요구된 구획화 없이 생성된다.

본원에서 개시되는 시스템 및 방법은 전통적인 방법으로부터 참고 범위를 생성하는 패러다임 전환을 나타낸다. 예를 들면, 개체의 파라미터를 판단하고(assess) 평가하기(evaluate) 위해 건강 관리 공급자에 의해 사용될 참고 범위와 같은 참고 범위를 결정하기 위한 시스템 및 방법이 본원에서 설명된다. 개체의 파라미터는, 예를 들면, 개체의 연령과 같은 인구 통계학적 데이터(demographic data)에 링크될 수도 있다. 개체의 파라미터는, 예를 들면, 개체의 보고된 통증 레벨과 같은, 예를 들면, 주관적인 데이터(subjective data)를 포함할 수도 있다. 개체의 파라미터는, 예를 들면, 측정된 심박수(heart rate) 값 또는 혈액 또는 소변에서의 생화학적 피분석물의 측정된 레벨과 같은 객관적인 데이터(objective data)를 포함할 수도 있다.

본원에 설명되는 시스템 및 방법에 의해 생성되는 참고 범위는 대규모 모집단으로부터의 것과 같은 데이터의 대규모 콜렉션(collection)에 기초한다. 예를 들면, 몇몇 실시형태에서, 본원에서 설명되는 시스템 및 방법에 의해 생성되는 참고 범위를 계산하고 확립하기 위해 사용되는 데이터 세트는 100,000 명의 개체 또는 그 이상을 포함한다. 이것은, 참고 범위를 생성하기 위해 사용되는 데이터를 제공하기 위해 약 120 명의 개체의 상대적으로 작은 연구에 의존하는 전통적인 방법과는 대조적이다.

본원에 설명되는 시스템 및 방법에 의해 생성되는 참고 범위는, 두 개 이상의 건강 또는 위험 파라미터의 서로에 대한 관계를 비교하는 개체 데이터의 객관적인 분석 및 증거 기반의 모델에 기초한다. 이러한 방식에서, 전통적인 참고 범위에서와 같이, 단일의 건강 또는 위험 파라미터의 정규 분포의 추정된 모델에 기초하기 보다는, 본 시스템 및 방법에 의해 생성되는 참고 범위는, 서로 상황에 맞춰지는 복수의 건강 또는 위험 파라미터의 객관적인 분석에 기초한다. 예를 들면, 제1 건강 또는 위험 파라미터는 (혈액 샘플로부터 측정되는 바와 같은) 총 콜레스테롤 레벨일 수도 있고, 제2 건강 또는 위험 파라미터는 (혈액 샘플로부터 측정되는 바와 같은) HDL 레벨일 수도 있다. 본원에 설명되는 본 시스템 및 방법에서, 이들 두 개의 건강 또는 위험 파라미터는 데이터 세트 내의 각각의 피실험체에서 함께 측정되고, 그 다음, 예를 들면, 총 콜레스테롤 값이 HDL 값에 의해 상황에 맞춰지도록, 각각의 개체에 대한 총 콜레스테롤 및 HDL 값이 쌍을 이룬다. 이 특정한 예에서, 전통적인 참고 범위에 의해 건강하지 않은 것으로 간주될 총 콜레스테롤 값은, 당해 참고 범위에서 HDL과 관련하여 고려될 것이고, 상승된 HDL과 함께 동일한 총 콜레스테롤은 정상 또는 건강한 것으로 간주될 것이다.

본원에서 설명되는 시스템 및 방법에 의해 생성되는 참고 범위는, 적어도 몇몇 실시형태에서, 복수의 건강 또는 위험 파라미터를, 복수의 파라미터와 관련되는 사망률(mortality rate) 또는 유해 결과율(adverse outcome rate) 척도(measure)와 교차 참조한다. 예를 들면, 총 콜레스테롤 및 HDL 값이 쌍을 이루는 데이터 포인트의 세트에서, 쌍을 이룬 데이터는, 콜레스테롤 및 HDL 값의 각각의 쌍에 대한 사망률과 추가적으로 쌍을 이룬다. 이들 실시형태에서, 사망 위험성 레벨(mortality risk level)이 가장 낮은 값의 범위는 참고 범위를 결정하는 것을 돕는다.

참고 범위를 갖는 데이터베이스의 생성을 위한 컴퓨터로 구현되는 방법(computer implemented method)이 본원에서 설명되는데, 그 방법은 다음의 것을 포함한다: 제1의 복수의 건강 또는 위험 파라미터 값, 제2의 복수의 건강 또는 위험 파라미터 값, 모집단 백분율(population percentage), 및 사망률 또는 유해 결과율을 수신하는 것 - 제1 및 제2 건강 또는 위험 파라미터 값 각각은 모집단에서 측정됨 - ; 삼차원에서 그래픽적으로, 제1 및 제2 건강 또는 위험 파라미터 값을 모집단 백분율과 매핑하고, 이에 의해, 모집단 백분율 맵을 생성하는 것; 삼차원에서 그래픽적으로, 제1 및 제2 건강 또는 위험 파라미터 값을, 사망률 또는 유해 결과율과 매핑하고, 이에 의해, 사망률 또는 유해 결과율 맵을 생성하는 것; 모집단 백분율 맵을 사망률 또는 유해 결과율 맵 상에 오버레이하고(overlay), 이에 의해, 오버랩 맵(overlap map)을 생성하는 것; 오버랩 맵에 기초하여 참고 범위 값을 생성하는 것; 및 참고 범위 값으로 데이터베이스를 채우는(populating) 것. 몇몇 실시형태에서, 방법은 제1의 복수의 개체의 값을 제1의 복수의 값 그룹으로 분리하는 것 및 제2의 복수의 개체의 값을 제2의 복수의 값 그룹으로 분리하는 것을 포함한다. 몇몇 실시형태에서, 제1의 복수의 값 그룹 각각 및 제2의 복수의 값 그룹 각각의 상위 값 한계(upper value limit) 및 하위 값 한계(lower value limit)는 오버랩 맵의 생성 이후에 결정된다. 몇몇 실시형태에서, 방법은 제1의 복수의 값 그룹 각각을 제2의 복수의 값 그룹 각각과 각각 관련시키고, 이에 의해 복수의 관련된 그룹을 생성하는 것을 포함한다. 몇몇 실시형태에서, 방법은 관련된 그룹 각각을 제3의 복수의 개체의 파라미터 값 각각과 각각 관련시키는 것을 포함한다. 몇몇 실시형태에서, 방법은 관련된 그룹의 각각의 모집단 백분율을 결정하는 것을 포함한다. 몇몇 실시형태에서, 제3의 복수의 개체의 파라미터 값 각각은 관련된 그룹 각각과 각각 관련되는 사망률 또는 유해 결과율을 포함한다. 몇몇 실시형태에서, 방법은, 삼차원에서 그래픽적으로, 제1 및 제2 개체의 건강 또는 위험 파라미터 값을 모집단 백분율과 매핑하고, 이에 의해, 모집단 백분율 맵을 생성하는 것을 포함한다. 몇몇 실시형태에서, 방법은 사망률 또는 유해 결과율 값 맵을 모집단 백분율 맵 상에 오버레이하고, 이에 의해, 오버랩 맵을 생성하는 것을 포함한다. 몇몇 실시형태에서, 방법은, 오버랩 맵에서, 전체 모집단 백분율이 가장 크고 사망률 또는 유해 결과율이 가장 낮은 오버랩 값의 영역을 결정하는 것을 포함한다. 몇몇 실시형태에서, 참고 범위는, 오버랩 맵에서, 전체 모집단 백분율이 가장 크고 사망률 또는 유해 결과율이 가장 낮은 오버랩 값의 영역의 상위 값 및 하위 값을 포함한다.

다음의 것: 프로세서를 포함하는 컴퓨팅 디바이스; 및 프로세서에 의해 실행 가능한 명령어를 포함하는 컴퓨터 프로그램으로 인코딩되는 비일시적 컴퓨터 판독 가능 저장 매체를 포함하는 시스템이 본원에서 설명되는데, 명령어는, 프로세서로 하여금: 제1의 복수의 개체의 건강 또는 위험 파라미터 값, 제2의 복수의 개체의 건강 또는 위험 파라미터 값, 모집단 백분율, 및 사망률 또는 유해 결과율을 수신하게 하고 - 제1 및 제2 개체의 건강 또는 위험 파라미터 값 각각은 개체의 모집단에서 측정됨 - ; 삼차원에서 그래픽적으로, 제1 및 제2 건강 또는 위험 파라미터 값을 모집단 백분율과 매핑하고, 이에 의해, 모집단 백분율 맵을 생성하게 하고; 삼차원에서 그래픽적으로, 제1 및 제2 건강 또는 위험 파라미터 값을, 사망률 또는 유해 결과율과 매핑하고, 이에 의해, 사망률 또는 유해 결과율 맵을 생성하게 하고; 모집단 백분율 맵을 사망률 또는 유해 결과율 맵 상에 오버레이하고, 이에 의해, 오버랩 맵을 생성하게 하고; 오버랩 맵에 기초하여 참고 범위 값을 생성하게 하고; 그리고 참고 범위 값 - 참고 범위는 룩업 테이블(lookup table)의 형태를 취함 - 으로 데이터베이스를 채우게 한다. 몇몇 실시형태에서, 컴퓨터 프로그램은, 프로세서로 하여금, 제1의 복수의 개체의 건강 또는 위험 파라미터 값을 제1의 복수의 건강 또는 위험 파라미터 값 그룹으로 분리하게 하고 제2의 복수의 개체의 건강 또는 위험 파라미터 값을 제2의 복수의 건강 또는 위험 파라미터 값 그룹으로 분리하게 한다. 몇몇 실시형태에서, 오버랩 맵의 생성 이후 제1의 복수의 값 그룹 각각 및 제2의 복수의 값 그룹 각각의 상위 값 한계 및 하위 값 한계가 결정된다. 몇몇 실시형태에서, 컴퓨터 프로그램은, 프로세서로 하여금, 제1의 복수의 건강 또는 위험 파라미터 값 그룹 각각을 제2의 복수의 건강 또는 위험 파라미터 값 그룹 각각과 관련시키고, 이에 의해, 복수의 관련된 그룹을 생성하게 한다. 몇몇 실시형태에서, 컴퓨터 프로그램은, 프로세서로 하여금, 관련된 그룹 각각을 제3의 복수의 건강 또는 위험 파라미터 값 각각과 관련시키게 한다. 몇몇 실시형태에서, 컴퓨터 프로그램은, 프로세서로 하여금, 관련된 그룹의 각각의 모집단 백분율을 결정하게 한다. 몇몇 실시형태에서, 제3의 복수의 개체의 파라미터 값 각각은 관련된 그룹 각각과 각각 관련되는 사망률 또는 유해 결과율을 포함한다. 몇몇 실시형태에서, 컴퓨터 프로그램은, 프로세서로 하여금, 삼차원에서 그래픽적으로, 제1 및 제2 개체의 건강 또는 위험 파라미터 값을 모집단 백분율과 매핑하고, 이에 의해, 모집단 백분율 맵을 생성하게 한다. 몇몇 실시형태에서, 컴퓨터 프로그램은, 프로세서로 하여금, 모집단 백분율 맵 상으로 건강 또는 위험 파라미터 값 맵을 오버레이하고, 이에 의해, 오버랩 맵을 생성하게 한다. 몇몇 실시형태에서, 컴퓨터 프로그램은, 프로세서로 하여금, 오버랩 맵에서, 전체 모집단 백분율이 가장 크고 사망률 또는 유해 결과율이 가장 낮은 오버랩되는 건강 또는 위험 파라미터 값의 영역을 결정하게 한다. 몇몇 실시형태에서, 참고 범위는, 오버랩 맵에서, 전체 모집단 백분율이 가장 크고 사망률 또는 유해 결과율이 가장 낮은 오버랩되는 건강 또는 위험 파라미터 값의 영역의 상위 값 및 하위 값을 포함한다.

다른 양태에서, 공동(joint) 제1 및 제2 위험 파라미터의 하나 이상의 참고 범위를 생성하기 위해, 다수의 건강한 개체/유기체(organism)(이들의 건강 또는 위험 결과 포함)를 포함하는 개체 또는 다른 생물(living organism)의 모집단을 분석하기 위한 컴퓨터로 구현되는 시스템이 본원에서 개시되는데, 하나 이상의 참고 범위는, 제1 및 제2 위험 파라미터에 기초하여 개체 또는 다른 생물의 건강한 또는 건강하지 않은 상태를 식별하는 데 유용하고, 시스템은: 프로세서, 메모리, 및 실행 가능한 명령어를 수행하도록 구성된 운영 체제를 포함하는 디지털 프로세싱 디바이스; 및 하나 이상의 참고 범위를 생성하기 위한 디지털 프로세싱 디바이스에 의해 실행 가능한 명령어를 포함하는 컴퓨터 프로그램을 포함하고, 컴퓨터 프로그램은 다음의 것을 포함한다: 데이터 - 데이터는 적어도 하나의 공유된 인구 통계학적 또는 다른 위험 파라미터 피처를 갖는 개체 또는 생물의 모집단으로부터의 제1 위험 파라미터 데이터, 제2 위험 파라미터 데이터, 및 사망률 또는 유해 결과 데이터를 포함하는 장기간 건강 또는 다른 위험 파라미터 데이터를 포함하고, 모집단은 다수의 건강한 개체/유기체 및 소수의 건강하지 않은 개체/유기체를 포함함 - 를 불러오도록(import) 구성되는 데이터 취득 모듈(data ingestion module); 제1 위험 파라미터 데이터를 제1의 복수의 데이터 그룹으로 그리고 제2 위험 파라미터 데이터를 제2의 복수의 데이터 그룹으로 그룹화하도록 구성되는 그룹화 모듈; 제1의 복수의 데이터 그룹을 제2의 복수의 데이터 그룹과 결합하여 복수의 공동 위험 파라미터를 생성하도록 구성되는 결합 모듈(joining module); 사망률 또는 유해 결과 데이터를 복수의 공동 위험 파라미터와 비교하고, 이에 의해, 공동 사망률(joint mortality) 또는 유해 결과 데이터를 생성하도록 구성되는 비교 모듈; 복수의 공동 위험 파라미터의 분포를 결정하도록 구성되는 분포 모듈; 복수의 공동 위험 파라미터의 분포와 공동 사망률 또는 유해 결과 데이터 사이에 오버랩이 존재하는지의 여부를 결정하도록 구성되는 오버랩 모듈; 및 오버랩에 기초하여 하나 이상의 참고 범위를 생성하도록 구성되는 범위 생성 모듈(interval generating module) - 오버랩이 존재할 때, 복수의 공동 위험 파라미터의 분포는 상대적으로 높고 공동 사망률 또는 유해 결과 데이터에 의해 나타내어지는 사망 위험성은 상대적으로 낮으며, 하나 이상의 참고 범위는 개체 및/또는 생물의 건강한 또는 건강하지 않은 상태를 식별하기 위해 건강 관리 공급자 또는 다른 엔드 유저에 의해 사용됨 - . 몇몇 경우에, 컴퓨터 프로그램은 적어도 제1 애플리케이션 및 제2 애플리케이션을 포함한다. 몇몇 경우에, 데이터 취득 모듈, 그룹화 모듈, 결합 모듈, 비교 모듈, 분포 모듈, 오버랩 모듈, 및 범위 생성 모듈은 제1 애플리케이션, 제2 애플리케이션, 또는 제1 애플리케이션 및 제2 애플리케이션 둘 모두에서 구현된다. 몇몇 경우에, 다수의 건강한 개체 및/또는 생물은 모집단의 적어도 60 %, 적어도 70 %, 적어도 80 %, 또는 적어도 90 %를 포함한다. 몇몇 경우에, 개체 및/또는 생물의 모집단은 적어도 2 개, 3 개, 4 개 또는 5 개의 공유된 인구 통계학적 피처(shared demographic feature)를 갖는다. 몇몇 경우에, 공유된 인구 통계학적 피처는 성별, 연령, 인종, 및 거주 지역 중 하나 이상을 포함한다. 몇몇 경우에, 하나 이상의 참고 범위는 룩업 테이블을 포함한다. 몇몇 경우에, 컴퓨터 프로그램은, 취득되는 데이터로부터 모집단에 대한 건강 파라미터 데이터 및 사망률 또는 유해 결과 데이터를 추출하도록 구성되는 데이터 추출 모듈을 더 포함한다. 몇몇 경우에, 컴퓨터 프로그램은, 룩업 테이블 생성자(lookup table creator)가 제1 위험 파라미터, 제2 위험 파라미터, 또는 제1 위험 파라미터 및 제2 위험 파라미터 둘 모두를 선택하는 것을 허용하도록 구성되는 위험 파라미터 선택 모듈을 더 포함한다. 몇몇 경우에, 컴퓨터 프로그램은, 룩업 테이블 생성자가 공유된 인구 통계학적 피처(들)를 선택하는 것을 허용하도록 구성되는 인구 통계학적 선택 모듈(demographic selection module)을 더 포함한다. 몇몇 경우에, 컴퓨터 프로그램은, 복수의 공동 위험 파라미터의 분포의 3D 시각화(3D visualization) 및 공동 사망률 또는 유해 결과 데이터의 3D 시각화를 생성하도록 구성되는 시각화 모듈을 더 포함한다.

다른 양태에서, 공동 제1 및 제2 위험 파라미터의 하나 이상의 참고 범위를 생성하기 위해, 다수의 건강한 개체(이들의 건강 또는 위험 결과 포함)를 포함하는 개체의 모집단을 분석하도록 프로세서에 의해 실행 가능한 명령어를 포함하는 컴퓨터 프로그램으로 인코딩되는 비일시적 컴퓨터 판독 가능 저장 매체가 본원에서 개시되는데, 하나 이상의 참고 범위는, 제1 및 제2 위험 파라미터에 기초하여 개체의 건강한 또는 건강하지 않은 상태를 식별하는 데 유용하고, 컴퓨터 프로그램은 다음의 것을 포함한다: 데이터 - 데이터는 적어도 하나의 공유된 인구 통계학적 피처를 갖는 개체의 모집단으로부터의 제1 위험 파라미터 데이터, 제2 위험 파라미터 데이터, 및 사망률 또는 유해 결과 데이터를 포함하는 장기간 건강 파라미터 데이터를 포함하고, 모집단은 다수의 건강한 개체 및 소수의 건강하지 않은 개체를 포함함 - 를 불러오도록 구성되는 데이터 취득 모듈; 제1 위험 파라미터 데이터를 제1의 복수의 데이터 그룹으로 그리고 제2 위험 파라미터 데이터를 제2의 복수의 데이터 그룹으로 그룹화하도록 구성되는 그룹화 모듈; 제1의 복수의 데이터 그룹을 제2의 복수의 데이터 그룹과 결합하여 복수의 공동 위험 파라미터를 생성하도록 구성되는 결합 모듈(joining module); 사망률 또는 유해 결과 데이터를 복수의 공동 위험 파라미터와 비교하고, 이에 의해, 공동 사망률 또는 유해 결과 데이터를 생성하도록 구성되는 비교 모듈; 복수의 공동 위험 파라미터의 분포를 결정하도록 구성되는 분포 모듈; 복수의 공동 위험 파라미터의 분포와 공동 사망률 또는 유해 결과 데이터 사이에 오버랩이 존재하는지의 여부를 결정하도록 구성되는 오버랩 모듈; 및 오버랩에 기초하여 하나 이상의 참고 범위를 생성하도록 구성되는 범위 생성 모듈 - 오버랩이 존재할 때, 복수의 공동 위험 파라미터의 분포는 상대적으로 높고 공동 사망률 또는 유해 결과 데이터에 의해 나타내어지는 사망 위험성은 상대적으로 낮으며, 하나 이상의 참고 범위는 개체의 건강한 또는 건강하지 않은 상태를 식별하기 위해 건강 관리 공급자 또는 다른 엔드 유저에 의해 사용됨 - . 몇몇 경우에, 컴퓨터 프로그램은 적어도 제1 애플리케이션 및 제2 애플리케이션을 포함한다. 몇몇 경우에, 데이터 취득 모듈, 그룹화 모듈, 결합 모듈, 비교 모듈, 분포 모듈, 오버랩 모듈, 및 범위 생성 모듈은 제1 애플리케이션, 제2 애플리케이션, 또는 제1 애플리케이션 및 제2 애플리케이션 둘 모두에서 구현된다. 몇몇 경우에, 다수의 건강한 개체는 모집단의 적어도 60 %, 적어도 70 %, 적어도 80 %, 또는 적어도 90 %를 포함한다. 몇몇 경우에, 개체의 모집단은 적어도 2 개, 3 개, 4 개 또는 5 개의 공유된 인구 통계학적 피처를 갖는다. 몇몇 경우에, 공유된 인구 통계학적 피처는 성별, 연령, 인종, 및 거주 지역 중 하나 이상을 포함한다. 몇몇 경우에, 하나 이상의 참고 범위는 룩업 테이블을 포함한다. 몇몇 경우에, 컴퓨터 프로그램은, 취득되는 데이터로부터 모집단에 대한 건강 파라미터 데이터 및 사망률 또는 유해 결과 데이터를 추출하도록 구성되는 데이터 추출 모듈을 더 포함한다. 몇몇 경우에, 컴퓨터 프로그램은, 룩업 테이블 생성자가 제1 위험 파라미터, 제2 위험 파라미터, 또는 제1 위험 파라미터 및 제2 위험 파라미터 둘 모두를 선택하는 것을 허용하도록 구성되는 위험 파라미터 선택 모듈을 더 포함한다. 몇몇 경우에, 컴퓨터 프로그램은, 룩업 테이블 생성자가 공유된 인구 통계학적 피처(들)를 선택하는 것을 허용하도록 구성되는 인구 통계학적 선택 모듈(demographic selection module)을 더 포함한다. 몇몇 경우에, 컴퓨터 프로그램은, 복수의 공동 위험 파라미터의 분포의 3D 시각화 및 공동 사망률 또는 유해 결과 데이터의 3D 시각화를 생성하도록 구성되는 시각화 모듈을 더 포함한다.

여전히 다른 양태에서, 공동 제1 및 제2 위험 파라미터의 하나 이상의 참고 범위를 생성하기 위해 개체의 모집단을 분석하기 위한 컴퓨터로 구현되는 시스템이 본원에서 개시되는데, 하나 이상의 참고 범위는 제1 및 제2 위험 파라미터에 기초하여 개체의 상태를 식별하는 데 유용하고, 시스템은: 프로세서, 메모리, 및 실행 가능한 명령어를 수행하도록 구성된 운영 체제를 포함하는 디지털 프로세싱 디바이스; 및 하나 이상의 참고 범위를 생성하기 위한 디지털 프로세싱 디바이스에 의해 실행 가능한 명령어를 포함하는 컴퓨터 프로그램을 포함하는데, 컴퓨터 프로그램은 다음의 것을 포함한다: 데이터 - 데이터는 적어도 하나의 공유된 인구 통계학적 피처를 갖는 개체의 모집단으로부터의 제1 위험 파라미터 데이터, 제2 위험 파라미터 데이터, 및 결과 데이터를 포함하는 장기간 파라미터 데이터를 포함하고, 모집단은 상태를 갖는 개체 및 상태를 갖지 않는 개체를 포함함 - 를 불러오도록 구성되는 데이터 취득 모듈; 제1 위험 파라미터 데이터를 제1의 복수의 데이터 그룹으로 그리고 제2 위험 파라미터 데이터를 제2의 복수의 데이터 그룹으로 그룹화하도록 구성되는 그룹화 모듈; 제1의 복수의 데이터 그룹을 제2의 복수의 데이터 그룹과 결합하여 복수의 공동 위험 파라미터를 생성하도록 구성되는 결합 모듈; 결과 데이터를 복수의 공동 위험 파라미터와 비교하고, 이에 의해, 결합된 결과 데이터를 생성하도록 구성되는 비교 모듈; 참고 범위 - 하나 이상의 참고 범위는 개체의 상태를 결정하기 위해 사용됨 - 를 생성하도록 구성되는 범위 생성 모듈, 및 하나 이상의 참고 범위를 포함하는 이차원 룩업 테이블 - 룩업 테이블은 개체의 상태를 결정하기 위해 사용됨 - 을 생성하도록 구성되는 테이블 생성 모듈. 몇몇 경우에, 컴퓨터 프로그램은 적어도 제1 애플리케이션 및 제2 애플리케이션을 포함한다. 몇몇 경우에, 데이터 취득 모듈, 그룹화 모듈, 결합 모듈, 비교 모듈, 및 범위 생성 모듈은 제1 애플리케이션, 제2 애플리케이션, 또는 제1 애플리케이션 및 제2 애플리케이션 둘 모두에서 구현된다. 몇몇 경우에, 상태를 갖지 않는 개체는 모집단의 적어도 60 %, 적어도 70 %, 적어도 80 %, 또는 적어도 90 %를 포함한다. 몇몇 경우에, 개체의 모집단은 적어도 2 개, 3 개, 4 개 또는 5 개의 공유된 인구 통계학적 피처를 갖는다. 몇몇 경우에, 공유된 인구 통계학적 피처는 성별, 연령, 인종, 및 거주 지역 중 하나 이상을 포함한다. 몇몇 경우에, 결과 데이터는 사망률 또는 유해 결과 데이터, 위험 데이터, 및 징후 데이터 중 하나 이상을 포함한다. 몇몇 경우에, 하나 이상의 참고 범위는 룩업 테이블을 포함한다. 몇몇 경우에, 컴퓨터 프로그램은, 취득되는 데이터로부터 모집단에 대한 파라미터 데이터 및 결과 데이터를 추출하도록 구성되는 데이터 추출 모듈을 더 포함한다. 몇몇 경우에, 컴퓨터 프로그램은, 룩업 테이블 생성자가 제1 위험 파라미터, 제2 위험 파라미터, 또는 제1 위험 파라미터 및 제2 위험 파라미터 둘 모두를 선택하는 것을 허용하도록 구성되는 위험 파라미터 선택 모듈을 더 포함한다. 몇몇 경우에, 컴퓨터 프로그램은, 룩업 테이블 생성자가 공유된 인구 통계학적 피처(들)를 선택하는 것을 허용하도록 구성되는 인구 통계학적 선택 모듈(demographic selection module)을 더 포함한다. 몇몇 경우에, 컴퓨터 프로그램은 복수의 공동 위험 파라미터의 분포를 결정하도록 구성되는 분포 모듈을 더 포함한다. 몇몇 경우에, 컴퓨터 프로그램은, 복수의 공동 위험 파라미터의 분포의 3D 시각화 및 결합된 결과 데이터의 3D 시각화를 생성하도록 구성되는 시각화 모듈을 더 포함한다. 몇몇 경우에, 컴퓨터 프로그램은, 복수의 공동 위험 파라미터의 분포의 3D 시각화와 결합된 결과 데이터의 3D 시각화 사이의 오버랩의 영역을 결정하도록 구성되는 오버랩 모듈을 더 포함한다. 몇몇 경우에, 오버랩의 영역은, 복수의 공동 위험 파라미터의 분포가 상대적으로 높을 뿐만 아니라 결합된 결과 데이터에 의해 표현되는 결과 위험성이 상대적으로 낮은 값 또는 값의 범위를 포함한다. 몇몇 경우에, 하나 이상의 참고 범위는 오버랩의 영역에 기초한다.

여전히 다른 양태에서, 공동 제1 및 제2 위험 파라미터의 하나 이상의 참고 범위를 생성하기 위해, 개체의 모집단을 분석하도록 프로세서에 의해 실행 가능한 명령어를 포함하는 컴퓨터 프로그램으로 인코딩되는 비일시적 컴퓨터 판독 가능 저장 매체가 본원에서 개시되는데, 하나 이상의 참고 범위는 제1 및 제2 위험 파라미터에 기초하여 개체의 상태를 식별하는 데 유용하고, 컴퓨터 프로그램은 다음의 것을 포함한다: 데이터 - 데이터는 적어도 하나의 공유된 인구 통계학적 피처를 갖는 개체의 모집단으로부터의 제1 위험 파라미터 데이터, 제2 위험 파라미터 데이터, 및 결과 데이터를 포함하는 장기간 파라미터 데이터를 포함하고, 모집단은 상태를 갖는 개체 및 상태를 갖지 않는 개체를 포함함 - 를 불러오도록 구성되는 데이터 취득 모듈; 제1 위험 파라미터 데이터를 제1의 복수의 데이터 그룹으로 그리고 제2 위험 파라미터 데이터를 제2의 복수의 데이터 그룹으로 그룹화하도록 구성되는 그룹화 모듈; 제1의 복수의 데이터 그룹을 제2의 복수의 데이터 그룹과 결합하여 복수의 공동 위험 파라미터를 생성하도록 구성되는 결합 모듈; 결과 데이터를 복수의 공동 위험 파라미터와 비교하고, 이에 의해, 결합된 결과 데이터를 생성하도록 구성되는 비교 모듈; 참고 범위 - 하나 이상의 참고 범위는 개체의 상태를 결정하기 위해 사용됨 - 를 생성하도록 구성되는 범위 생성 모듈; 및 하나 이상의 참고 범위를 포함하는 이차원 룩업 테이블 - 룩업 테이블은 개체의 상태를 결정하기 위해 사용됨 - 을 생성하도록 구성되는 테이블 생성 모듈. 몇몇 경우에, 컴퓨터 프로그램은 적어도 제1 애플리케이션 및 제2 애플리케이션을 포함한다. 몇몇 경우에, 데이터 취득 모듈, 그룹화 모듈, 결합 모듈, 비교 모듈, 및 범위 생성 모듈은 제1 애플리케이션, 제2 애플리케이션, 또는 제1 애플리케이션 및 제2 애플리케이션 둘 모두에서 구현된다. 몇몇 경우에, 상태를 갖지 않는 개체는 모집단의 적어도 60 %, 적어도 70 %, 적어도 80 %, 또는 적어도 90 %를 포함한다. 몇몇 경우에, 개체의 모집단은 적어도 2 개, 3 개, 4 개 또는 5 개의 공유된 인구 통계학적 피처를 갖는다. 몇몇 경우에, 공유된 인구 통계학적 피처는 성별, 연령, 인종, 및 거주 지역 중 하나 이상을 포함한다. 몇몇 경우에, 결과 데이터는 사망률 또는 유해 결과 데이터, 위험 데이터, 및 징후 데이터 중 하나 이상을 포함한다. 몇몇 경우에, 하나 이상의 참고 범위는 룩업 테이블을 포함한다. 몇몇 경우에, 컴퓨터 프로그램은, 취득되는 데이터로부터 모집단에 대한 파라미터 데이터 및 결과 데이터를 추출하도록 구성되는 데이터 추출 모듈을 더 포함한다. 몇몇 경우에, 컴퓨터 프로그램은, 룩업 테이블 생성자가 제1 위험 파라미터, 제2 위험 파라미터, 또는 제1 위험 파라미터 및 제2 위험 파라미터 둘 모두를 선택하는 것을 허용하도록 구성되는 위험 파라미터 선택 모듈을 더 포함한다. 몇몇 경우에, 컴퓨터 프로그램은, 룩업 테이블 생성자가 공유된 인구 통계학적 피처(들)를 선택하는 것을 허용하도록 구성되는 인구 통계학적 선택 모듈(demographic selection module)을 더 포함한다. 몇몇 경우에, 컴퓨터 프로그램은 복수의 공동 위험 파라미터의 분포를 결정하도록 구성되는 분포 모듈을 더 포함한다. 몇몇 경우에, 컴퓨터 프로그램은, 복수의 공동 위험 파라미터의 분포의 3D 시각화 및 결합된 결과 데이터의 3D 시각화를 생성하도록 구성되는 시각화 모듈을 더 포함한다. 몇몇 경우에, 컴퓨터 프로그램은, 복수의 공동 위험 파라미터의 분포의 3D 시각화와 결합된 결과 데이터의 3D 시각화 사이의 오버랩의 영역을 결정하도록 구성되는 오버랩 모듈을 더 포함한다. 몇몇 경우에, 오버랩의 영역은, 복수의 공동 위험 파라미터의 분포가 상대적으로 높을 뿐만 아니라 결합된 결과 데이터에 의해 표현되는 결과 위험성이 상대적으로 낮은 값 또는 값의 범위를 포함한다. 몇몇 경우에, 하나 이상의 참고 범위는 오버랩의 영역에 기초한다.

본 발명의 신규의 피처는 첨부된 청구범위에서 특별히 기술된다. 본 발명의 피처 및 이점의 더 나은 이해는, 본 발명의 원리가 활용되는 예시적인 실시형태를 기술하는 다음의 상세한 설명, 및 첨부의 도면을 참조하여 획득될 것인데, 첨부의 도면에서:
도 1은 본원에서 설명되는 바와 같은 예시적인 데이터베이스를 도시한다;
도 2a는 본원에서 설명되는 바와 같은 예시적인 방법을 도시한다;
도 2b는 본원에서 설명되는 바와 같은 시스템 및 방법의 예시적인 실시형태에서의 단계의 플로우차트를 도시한다;
도 3은 개체의 모집단으로부터 취해지는 세 개의 건강 또는 위험 파라미터를 나타내는 본원에 설명되는 시스템 및 방법에 의해 생성될 바와 같은 예시적인 3D 그래픽 맵을 도시한다;
도 4는 개체의 모집단으로부터 취해지는 세 개의 건강 또는 위험 파라미터를 나타내는 본원에 설명되는 시스템 및 방법에 의해 생성될 바와 같은 예시적인 3D 그래픽 맵을 도시한다;
도 5는 개체의 모집단으로부터 취해지는 세 개의 건강 또는 위험 파라미터를 나타내는 본원에 설명되는 시스템 및 방법에 의해 생성될 바와 같은 예시적인 3D 그래픽 맵을 도시한다;
도 6은 개체의 모집단으로부터 취해지는 세 개의 건강 또는 위험 파라미터를 나타내는 본원에 설명되는 시스템 및 방법에 의해 생성될 바와 같은 예시적인 3D 그래픽 맵을 도시한다;
도 7은 개체의 모집단으로부터 취해지는 세 개의 건강 또는 위험 파라미터를 나타내는 본원에 설명되는 시스템 및 방법에 의해 생성될 바와 같은 예시적인 3D 그래픽 맵을 도시한다;
도 8은 개체의 모집단으로부터 취해지는 세 개의 건강 또는 위험 파라미터를 나타내는 본원에 설명되는 시스템 및 방법에 의해 생성될 바와 같은 예시적인 3D 그래픽 맵을 도시한다;
도 9는 개체의 모집단으로부터 취해지는 세 개의 건강 또는 위험 파라미터를 나타내는 본원에 설명되는 시스템 및 방법에 의해 생성될 바와 같은 예시적인 3D 그래픽 맵을 도시한다;
도 10은 개체의 모집단으로부터 취해지는 세 개의 건강 또는 위험 파라미터를 나타내는 본원에 설명되는 시스템 및 방법에 의해 생성될 바와 같은 예시적인 3D 그래픽 맵을 도시한다;
도 11은 개체의 모집단으로부터 취해지는 세 개의 건강 또는 위험 파라미터를 나타내는 본원에 설명되는 시스템 및 방법에 의해 생성될 바와 같은 예시적인 3D 그래픽 맵을 도시한다;
도 12는 개체의 모집단으로부터 취해지는 세 개의 건강 또는 위험 파라미터를 나타내는 본원에 설명되는 시스템 및 방법에 의해 생성될 바와 같은 예시적인 3D 그래픽 맵을 도시한다;
도 13은 개체의 모집단으로부터 취해지는 세 개의 건강 또는 위험 파라미터를 나타내는 본원에 설명되는 시스템 및 방법에 의해 생성될 바와 같은 예시적인 3D 그래픽 맵을 도시한다;
도 14는 개체의 모집단으로부터 취해지는 세 개의 건강 또는 위험 파라미터를 나타내는 본원에 설명되는 시스템 및 방법에 의해 생성될 바와 같은 예시적인 3D 그래픽 맵을 도시한다;
도 15는 개체의 모집단으로부터 취해지는 세 개의 건강 또는 위험 파라미터를 나타내는 본원에 설명되는 시스템 및 방법에 의해 생성될 바와 같은 예시적인 3D 그래픽 맵을 도시한다;
도 16은 개체의 모집단으로부터 취해지는 세 개의 건강 또는 위험 파라미터를 나타내는 본원에 설명되는 시스템 및 방법에 의해 생성될 바와 같은 예시적인 3D 그래픽 맵을 도시한다;
도 17은 개체의 모집단으로부터 취해지는 세 개의 건강 또는 위험 파라미터를 나타내는 본원에 설명되는 시스템 및 방법에 의해 생성될 바와 같은 예시적인 3D 그래픽 맵을 도시한다;
도 18은 개체의 모집단으로부터 취해지는 세 개의 건강 또는 위험 파라미터를 나타내는 본원에 설명되는 시스템 및 방법에 의해 생성될 바와 같은 예시적인 3D 그래픽 맵을 도시한다; 그리고
도 19는 디지털 프로세싱 디바이스의 예시적인 실시형태를 도시한다.

참고 범위를 생성하기 위한, 뿐만 아니라, 하나 이상의 참고 범위를 포함하는 데이터베이스를 생성하기 위한 시스템 및 방법이 본원에서 설명된다. 본원에서 설명되는 바와 같은 시스템은, 몇몇 실시형태에서, 컴퓨터 기반의 시스템을 포함하고 하나 이상의 컴퓨터 프로그램과 함께 하나 이상의 디지털 프로세싱 디바이스를 더 포함할 수도 있다.

참고 범위

참고 범위는 값의 범위를 포함하는데, 여기서 참고 범위의 상위 및 하위 값은, 개체의 상태를 결정하기 위해, 그 개체에 대한 유용한 값의 범위를 제공한다. 건강 관리 분야에서, 참고 범위는 통상적으로, 예를 들면, 개체의 전반적인 건강, 징후, 및/또는 예후를 판단 및 결정하기 위해 사용된다. 메트릭, 파라미터, 또는 실험실 테스트 값이 관련 참고 범위에 의해 정의되는 값의 범위 밖에 속하는 것으로 밝혀지면, 그 값은, 통상적으로, 비정상적인 것으로 간주된다. 소정의 경우에, 메트릭, 파라미터, 또는 실험실 테스트 값이 관련 참고 범위에 의해 정의되는 값 범위 내에 속하는 것으로 밝혀지는 경우, 그 값은 정상적인 것으로 간주된다. 메트릭, 파라미터, 또는 실험실 테스트 값이 관련 참고 범위에 의해 정의되는 값 범위 밖에 속하는 것으로 밝혀지면, 그 값은 소정의 건강 컨디션(health condition)의 징후 및/또는 예후인 것으로 간주될 수 있다. 소정의 경우에, 메트릭, 파라미터, 또는 실험실 테스트 값이 관련 참고 범위에 의해 정의되는 값 범위 내에 속하는 경우, 그 값은 소정의 상태의 징후 및/또는 예후인 것으로 간주된다.

"참고 값"은, 예를 들면, 대변 잠혈 테스트(fecal occult blood test)와 같은, 예를 들면, "양성" 또는 "음성"으로 표현되는 값과 같은 단일의 값을 포함하는 참고 범위이다. 본원에서 사용될 때, 소정의 실시형태에서 용어 "참고 범위"는 "참고 값"을 지칭한다는 것이 이해되어야 한다.

건강 관리 공급자 또는 다른 엔드 유저에 의해 사용되는 참고 범위는 하나 이상의 건강 또는 위험 파라미터 값을 포함할 수도 있다. 건강 또는 위험 파라미터 값은, 예를 들면, 개체의 건강 컨디션 또는 상태와 관련되는 감지된, 측정된 또는 관찰된 값일 수 있다. 개체는 인간, 포유 동물, 또는 임의의 다른 생물일 수도 있다. 몇몇 실시형태에서, 참고 범위를 생성하기 위해 본원에서 사용되는 데이터는, 적어도 제1의 복수의 건강 또는 위험 파라미터 값, 제2의 복수의 건강 또는 위험 파라미터 값, 또는 이들의 조합을 포함한다. 몇몇 실시형태에서, 제1의 복수의 건강 또는 위험 파라미터 값은 제2의 복수의 건강 또는 위험 파라미터 값과는 상이하다. 몇몇 실시형태에서, 제1 또는 제2의 복수의 건강 또는 위험 파라미터 값은, 예를 들면, 실험실 테스트를 사용하여 감지되거나 또는 측정되고, 한편, 제1 또는 제2의 복수의 건강 또는 위험 파라미터 값 중 다른 하나는 인구 통계학적 데이터, 예를 들면, 개체의 연령, 성별, 또는 인종이다. 몇몇 실시형태에서, 제1 및 제2의 복수의 건강 또는 위험 파라미터 값 둘 모두는, 예를 들면, 상이한 실험실 테스트를 사용하여 감지, 측정된다. 몇몇 실시형태에서, 제1 및 제2의 복수의 건강 또는 위험 파라미터 값 둘 모두는, 예를 들면, 랩 테스트를 사용하여 감지, 측정되지 않지만, 그러나, 상이한 인구 통계학적 데이터, 예를 들면, 개체의 연령 및 성별이다. 건강 또는 위험 파라미터 값의 타입의 비제한적인 예는 주관적인 데이터 및/또는 객관적인 데이터를 포함한다. 건강 또는 위험 파라미터 값은 개체의 모집단 통계 데이터에 연결될 수 있거나 또는 이것을 포함할 수 있다. 인구 통계학적 데이터의 비제한적인 예는 연령, 성별, 인종, 교육, 출생국, 및 거주 지역 또는 위치를 포함하지만 그러나 이들로 제한되지는 않는다. 객관적인 데이터의 비제한적인 예는, 키, 체중, 체질량 지수, 허리 사이즈, 심박수, 혈압, 포화 산소 레벨, 중심 정맥압, 동맥 혈압, 소변 시료 유도 값, 혈액 시료 유도 값, 척수액 시료 유도 값(spinal fluid specimen derived value), 대변 유도 값, 담즙액 유도 값(bile fluid derived value), 위장관 내용물 유도 값(gastrointestinal content derived value), 유전자 대립 형질(genetic allele), 징후, 게놈 상태(genomic status), 및 활력 상태(vital status)를 포함하지만, 그러나 이들로 제한되지는 않는다. 상이한 시료 유도 값의 비제한적인 예는, ABO식 혈액형 검사(ABO Grouping)(혈액형 판정(Blood Typing)),부신 피질 자극 호르몬(Adrenocorticotropic Hormone) 레벨, 알도스테론(Aldosterone) 레벨, 알파 1 안티트립신(Alpha 1 Antitrypsin) 레벨 알파 태아 단백질(Alpha Fetoprotein) 레벨, 알루미늄 레벨, 아밀라아제(Amylase) 레벨, 항핵항체(Antinuclear Antibody; ANA) 스크린, 아포지질단백질(Apolipoprotein) A1(Apo A1) 레벨, 비소 레벨, B12 레벨, 베타 카로틴(Beta Carotene) 레벨, 베타 HCG 레벨, 뼈 고유의 알칼리성 포스파타아제(Bone-Specific Alkaline Phosphatase) 레벨, B 타입 나트륨이뇨펩타이드(B-type natriuretic peptide) 레벨, 칼시토닌(Calcitonin), 혈청(serum) 레벨, 칼슘, 이온화 레벨, 암 항원(Cancer Antigen) 125 레벨, 암 항원 15-3 레벨, 암 항원 27.29 레벨, 칸디다 항체(Candida Antibody) 레벨, 탄수화물 항원(Carbohydrate Antigen) 19.9 레벨, 암배아 항원(Carcinoembryonic Antigen) 레벨, 카르니틴(Carnitine) 레벨, 카테콜아민(Catecholamine) 레벨, 셀리악병 항체 스크린(Celiac Disease Antibody Screen), 세룰로플라스민(Ceruloplasmin) 레벨, 화학 패널(Chemistry Panel) 및 전체 혈구 계산(Complete Blood Count; CBC), 크롬, 혈장 레벨, 크로모그라닌(Chromogranin) A 레벨, 보체(Complement) C3 레벨, 보체 C4 레벨, 구리 레벨, CoQ10(Coenzyme(코엔자임) Q10) 레벨, 코르티솔(Cortisol) 레벨, 코르티솔, 24 시간 레벨, 코르티솔 AM/PM 레벨, 콕사키 그룹 B 항체, C-펩타이드(C-Peptide) 레벨, C-반응성 단백질(C-Reactive Protein) 레벨, 크레아틴 키나아제(Creatine Kinase) 레벨, C-Telopeptide(텔로펩타이드), 혈청 레벨, 시스타틴(Cystatin) C 레벨, 사이토카인 패널(Cytokine Panel) 레벨, 사이토메갈로바이러스(Cytomegalovirus; CMV) 항체, IgG, 사이토메갈로바이러스(CMV) 항체, IgM, D-Dimer(다이머) 레벨, 디하이드로에피안드로스테론황산염(Dehydroepiandrosterone Sulfate) 레벨, 디하이드로테스토스테론(Dihydrotestosterone) 레벨, 엡스타인 바 바이러스(Epstein Barr Virus), ESR, 에스트라디올(Estradiol) 레벨, 총 에스트로겐(Total Estrogen) 레벨, 에스트론(Estrone) 레벨, F2-이소프로스탄(Isoprostane) 레벨, 제8 인자 활성(Factor VIII Activity), 페리틴(Ferritin) 레벨, 피브리노겐(Fibrinogen) 레벨, 엽산(Folate) 레벨, 프럭토사민(Fructosamine) 레벨, Galectin(갈렉틴)-3 레벨, 감마 글루타밀 트랜스페라아제(Gamma Glutamyl Transferase) 레벨, 글루타티온(Glutathione) 레벨, 글루텐(Gluten) 레벨, 헬리코박터 파일로리(Helicobacter Pylori), IgG, 헤모글로빈(Hemoglobin) A1C 레벨, B형 간염 표면 항체(Hepatitis B surface Antibody), C형 간염 바이러스 항체(Hepatitis C Virus Antibody), 호모시스테인(Homocysteine) 레벨, 인간 헤르페스 바이러스 항체(Human Herpes Virus Antibody), 인슐린 유사 성장 인자 결합 단백질(Insulin-Like Growth Factor Binding Protein) 3(IGFBP-3), 타입 1 프로콜라겐의 온전한 N-말단 프로펩티드(Intact N-Terminal Propeptide of Type 1 Procollagen; P1NP), 인터루킨(Interleukin) 6(IL6), 인터루킨 8(IL-8), 인터루킨 1베타(IL-1beta), 요오드 레벨, 이온화 칼슘 레벨, 철 및 총 철 결합능(Total Iron-Binding Capacity; TIBC), 젖산 탈수소 효소(Lactate Dehydrogenase; LD) 동종 효소(Isoenzyme), 렙틴(Leptin) 레벨, 리파아제(Lipase) 레벨, 지방단백질(Lipoprotein) (a) 레벨, 리튬 레벨, 마그네슘 레벨, 수은 레벨, 마이엘로퍼옥시다아제(Myeloperoxidase) 레벨, 오스테오칼신(Osteocalcin) 레벨, 부갑상선 호르몬(Parathyroid Hormone) 레벨, 망상 적혈구 수(Reticulocyte Count), 세로토닌(Serotonin) 레벨, 성 호르몬 결합 글로불린(Sex Hormone Binding Globulin) 레벨, 트랜스페린(Transferrin) 레벨, 트로포닌(Troponin) I 레벨, 종양 괴사 인자(Tumor Necrosis Factor) - 알파 레벨, 비타민 A 레벨, 비타민 B1 레벨, 비타민 B12 레벨, 비타민 B6 레벨, 비타민 C 레벨, 비타민 D 레벨, 비타민 K1 레벨, 아연 레벨, 부신 피질 자극 호르몬 레벨, 알칼리성 포스파타아제 레벨, 알루미늄 레벨, 암모니아 레벨, 항이뇨 호르몬(Antidiuretic Hormone) 레벨, 항핵 항체, 비소 레벨, B 타입 나트륨이뇨 펩티드(B Type Naturetic Peptide) 레벨, 총 에스트로겐 레벨, 프로게스테론(Progesterone) 레벨, 테스토스테론(Testosterone) 레벨, 전립선 특이 항원(Prostate Specific Antigen) 레벨, C-반응성 단백질(고감도-심장) 레벨, 카드뮴 레벨, 칼슘, 이온화(혈청) 테스트, 칸디다 항원/항체 프로파일, 세룰로플라스민 레벨, 클라미디아 뉴모니아(Chlamydia Pneunomonia) 레벨, 완전 대사 패널(Complete Metabolic Panel), 구리 레벨, 코르티솔 레벨, C-펩타이드 레벨, 디히드로에피안드로스테론황산염 레벨, 디히드로테스토스테론 레벨, 엡스타인 바 바이러스(Epstein-Barr Virus) 레벨, 적혈구 침강 속도(Erythrocyte Sedimentation Rate), 에스트라디올 레벨, 에스트리올(Estriol) 레벨, 에스트론 레벨, 페리틴 레벨, 엽산 레벨, 난포 자극 호르몬(Follicle-Stimulating Hormone) 레벨, 황체형성 호르몬(Luteinizing Hormone) 레벨, 글루코스6-포스페이트 디하이드로지네이스(Glucose-6-Phosphate Dehydrogenase) 레벨, 글루타티온 레벨, 성장 호르몬(Growth Hormone) 레벨, 헤모글로빈 A1c 레벨, 호모시스테인 레벨, IgA 면역글로빈(Immunoglobin) 레벨, IgE 면역글로빈 레벨, 인슐린(Insulin) 레벨, 인슐린 성장 인자(Insulin Growth Factor)(IGF-1), 철 레벨, 젖산 탈수소화 효소(Lactic Acid Dehydrogenase) 레벨, 납 레벨, 렙틴(Leptin) 레벨, 지질(Lipid) 레벨, 마그네슘 레벨, 망간, 메틸말론산(Methylmalonic Acid) 레벨, 마이크로알부민(Microalbumin) 레벨, 부갑상선 호르몬 레벨, 프로락틴(Prolactin) 레벨, 프로트롬빈 시간(Prothrombin Time; PT), 부분 트롬보플라스틴(Partial Thromboplastin; PTT) 프로트롬빈 시간 INR, 역 트리요오드티로닌(Reverse Triiodothyronine) 레벨, 셀레늄(Selenium) 레벨, 성 호르몬 결합 글로불린(Sex Hormone-Binding Globulin) 레벨, T-3 섭취율(T-3 Uptake), 테스토스테론 프리 및 토탈(Testosterone Free and Total), 티로글로불린(Thyroglobulin), 갑상선 항체(Thyroid Antibody) 레벨, 갑상선 자극 호르몬(Thyroid Stimulating Hormone) 레벨, 티록신(Thyroxine)(T4), 티록신 결합 글로불린(Thyroxine Binding Globulin) 레벨, 종양 괴사 인자(Tumor Necrosis Factor)-알파, 요산(Uric Acid) 레벨, 총 콜레스테롤(Total Cholesterol), HDL 콜레스테롤(HDL Cholesterol) 레벨, LDL 콜레스테롤(LDL Cholesterol) 레벨, 요비중(Urine Specific Gravity; SG), 요 산도(Urine pH), 요단백질(Urine Protein) 레벨, 요당(Urine Glucose) 레벨, 요케톤(Urine Ketone), 소변 혈액(Urine Blood)(헤모글로빈) 및 미오글로빈(Myoglobin), 소변 백혈구 에스테라제(Urine Leukocyte Esterase), 소변 아질산염(Urine Nitrite), 소변 빌리루빈(Urine Bilirubin), 우로빌리노겐(Urobilinogen) 및 대변 잠혈(Fecal Occult Blood)을 포함한다. 주관적인 데이터의 비제한적인 예는 피부색, 상처 치유의 정도, 반사 반응, 의식의 정도, 통증 레벨 및 방사선학적 소견(radiographic finding)을 포함한다.

본원에 설명되는 바와 같은 참고 범위는 개체의 상이한 모집단에 대한 상이한 상한 및/또는 하한을 가질 수도 있다. 예를 들면, 상이한 인구 통계학을 갖는 그룹은 하나 이상의 건강 또는 위험 파라미터에 대해 상이한 참고 범위를 가질 수도 있다. 예를 들면, 몇몇 실시형태에서, 50 세 내지 69 세 사이의 백인(Caucasian) 남성에서의 칼륨 레벨에 대한 참고 범위는, 20 세 내지 39 세 사이의 비 백인(non-Caucasian) 여성에서의 칼륨 레벨에 대한 참고 범위와는 상이하다.

통상적으로, 본원에 설명되는 바와 같이, 서로에 대해 상황에 맞춰지는 두 개 이상의 건강 또는 위험 파라미터 값에 대해 참고 범위가 생성된다. 몇몇 실시형태에서, 참고 범위는, 그들 특정한 파라미터와 관련되는 사망률 또는 유해 결과율을 사용하여, 하나 이상의 건강 또는 위험 파라미터 값을 상황에 맞추는 것에 의해 생성된다. 몇몇 실시형태에서, 참고 범위는, 그들 특정한 파라미터와 관련되는 사망률 또는 유해 결과율, 및 그들 특정한 파라미터와 관련되는 모집단 분포를 사용하여 하나 이상의 건강 또는 위험 파라미터 값을 상황에 맞추는 것에 의해 생성된다. 몇몇 실시형태에서, 참고 범위는, 그들 특정한 파라미터와 관련되는 모집단 분포를 사용하여 하나 이상의 건강 또는 위험 파라미터 값을 상황에 맞추는 것에 의해 생성된다.

도 1은 예시적인 데이터베이스(100)를 도시한다. 데이터베이스(100)에서, 총 콜레스테롤 값(102)은 HDL 콜레스테롤 값(101)과 관련하여 참조된다. 이러한 방식에서, 각각의 셀은 총 콜레스테롤(102)의 값의 작은 범위 및 관련된 HDL 레벨 범위(101)를 나타낸다. 그러면, 사망률은 데이터베이스(100)의 각각의 셀과 관련된다. 예를 들면, 150 내지 159의 총 콜레스테롤 및 40 내지 44의 HDL 콜레스테롤 레벨은, "1"이 상대적으로 낮은 사망률 레벨을 나타내기 때문에, 자신의 셀에서 1을 갖는다. 데이터베이스(100)를 사용하여, 낮은 사망률 값의 범위(103)가 제시된다. 낮은 사망률 레벨 범위(103) 내에 속하는 결합된 총 콜레스테롤 레벨 값(102) 및 HDL 콜레스테롤 레벨 값(101)을 갖는 개체는 정상인 것으로 간주된다. 낮은 사망률 레벨 범위(103) 밖에 있는 개체는 비정상이다. 몇몇 실시형태에서, 증가된 사망률의 척도는 증가된 사망률과 관련되는 셀에서 "1"을 초과하는 수를 제공하는 것에 의해 제시된다. 데이터베이스(100)에서 도시되는 바와 같이, "2", "3", 및 "4"의 값은, 상대적으로 낮은 사망 위험성(103)을 갖는 결합된 총 콜레스테롤(102) 및 HDL 콜레스테롤 레벨(101)에 대하여, 증가된 사망 위험성의 영역을 나타낸다.

참고 범위를 생성하기 위한 시스템 및 방법

본원에 설명되는 바와 같은 시스템 또는 방법은 하나 이상의 참고 범위를 생성하기 위해 통상적으로 사용되는데, 그 시스템 또는 방법은, 그 다음, 개체의 값이 참고 범위 내에 속하는지 또는 참고 범위 밖에 속하는지의 여부를 결정하기 위해, 건강 관리 공급자, 건강 관리 분야에서의 다른 전문가 또는 다른 엔드 유저에 의해 사용될 수도 있다. 또한, 몇몇 실시형태에서, 본원에서 설명되는 바와 같은 시스템 또는 방법은, 하나 이상의 참고 범위를 내포하는 또는 포함하는 바와 같은 데이터베이스를 룩업 테이블의 형태로 생성한다. 몇몇 실시형태에서, 데이터베이스는, 참고 범위 내에 속하는 또는 참고 범위 밖에 속하는 하나 이상의 건강 또는 위험 파라미터 값과 관련되는 사망률 또는 다른 유해한 건강 결과(adverse health outcome)의 상대적 위험성을 룩업 테이블의 형태로 제공한다.

본원에서 설명되는 시스템의 몇몇 실시형태는 컴퓨터 기반의 시스템이다. 이들 실시형태는, 프로세서를 포함하는 CPU 및 비일시적 컴퓨터 판독 가능 저장 매체의 형태일 수도 있는 메모리를 포함한다. 이들 시스템 실시형태는 (예컨대, 비일시적 컴퓨터 판독 가능 저장 매체의 형태로) 메모리에 통상적으로 저장되는 소프트웨어를 더 포함하는데, 여기서 소프트웨어는 프로세서로 하여금 기능을 수행하게 하도록 구성된다. 본원에서 설명되는 시스템에 통합되는 소프트웨어 실시형태는 하나 이상의 모듈을 포함한다.

본원에서 설명되는 소프트웨어 실시형태는 프로세서로 하여금: 모집단 파라미터 데이터를 수신하게 하도록, 모집단 파라미터 데이터의 그래픽 맵을 (바람직하게는 삼차원으로) 생성하게 하도록, 몇몇 실시형태에서, 그래픽 맵을 제2 그래픽 맵에 비교하게 하도록, 참고 범위를 결정하게 하도록, 그리고, 몇몇 실시형태에서, 참고 범위를 포함하는 데이터베이스를 생성하게 하도록 구성된다.

도 2a는 다음의 예시적인 단계를 포함하는 예시적인 방법을 도시한다: 단계(201)에서, 디바이스 또는 시스템은 개체의 대규모 모집단으로부터 데이터를 수신한다. 본원에서 설명되는 시스템 및 방법과 함께 사용하기에 적절한 대규모 모집단은, 예를 들면, 100,000 명 또는 그 이상의 개체를 포함하는 연구와 같은, 예를 들면, 코호트 연구(cohort study)를 포함한다. 수신되는 데이터는 (본원에서 설명되는 바와 같은) 하나 이상의 모집단 파라미터를 포함한다. 단계(202)에서, 두 개 이상의 수신된 건강 또는 위험 파라미터는, 바람직하게는, 그들의 관련된 모집단 분포와 관련하여 3D 그래픽 맵에서 매핑된다. 생성되는 맵은, 예를 들면, 하나 이상의 건강 또는 위험 파라미터 값이 하나 이상의 다른 건강 또는 위험 파라미터와 관련하여 상황에 맞춰지도록, 서로에 대해 두 개 이상의 건강 또는 위험 파라미터를 나타내도록 구성된다. 단계(203)에서, 두 개 이상의 건강 또는 위험 파라미터는, 그들의 관련된 사망률 또는 다른 유해한 건강 결과 레벨과 관련하여 3D 그래픽 맵에서 매핑되는 것이 바람직하다. 단계(204)에서, 제1 및 제2 3D 맵은, 예를 들면, 하나의 그래픽 맵을 다른 것 상에 오버레이하여, 모집단 분포가 가장 높고, 뿐만 아니라, 사망률 또는 유해 결과율이 가장 낮은 오버랩되는 영역의 존재를 결정하는 것에 의해 비교된다. 단계(205)에서, 참고 범위는, 두 개의 비교된 건강 또는 위험 파라미터의 모집단 분포가 가장 높고, 뿐만 아니라, 모집단에 대한 사망률 또는 유해 결과율이 가장 낮은 범위의 상한 및 하한에 기초하여 결정된다. 단계(206)에서, 생성된 참고 범위를 갖는 데이터베이스가 생성된다.

도 2b는, 공동 위험 파라미터의 하나 이상의 참고 범위를 생성하기 위해, 공동 제1 및 제2 위험 파라미터의 하나 이상의 참고 범위를 생성하기 위해, 다수의 건강한 개체(이들의 건강 또는 위험 결과 포함)를 포함하는 개체의 모집단을 분석하기 위한 본원에서의 시스템 및 방법의 예시적인 단계를 도시한다. 이 특정한 실시형태(200b)에서, 인구 통계학적 정보, 건강 파라미터 정보 및 사망률 결과 정보(개체가 살아 있는지 또는 죽었는지의 여부)를 갖는 사람들의 모집단은 전자 데이터베이스에 기록된다(211). 그 다음, 그러한 데이터베이스는, 통계 소프트웨어 프로그램인 사회 과학용 통계 패키지(Statistical Package for the Social Sciences; SPSS)와 같은 명시된 소프트웨어 프로그램에 액세스 가능한 포맷으로 저장된다(212). 단계 3(213)에서, 각각의 건강 파라미터가 취해지고, 예를 들면, SPSS를 사용하여 가장 낮은 값으로부터 가장 높은 값까지 소그룹(small group)으로 분할된다. 건강 파라미터의 비제한적인 예는 총 콜레스테롤, HDL 콜레스테롤 및 콜레스테롤/HDL 비율을 포함한다. 총 콜레스테롤에 대한 소그룹을 포함하는 값의 예는 0 내지 5, 6 내지 10, 11 내지 15, 등등이다. 이 동일한 프로세스는 다른 건강 파라미터에 대해서도 사용된다. 각각의 건강 파라미터에 대해, 각각의 작은 그룹에서의 연구 모집단의 백분율을 획득하기 위해, 예를 들면, SPSS를 사용하여, 각각의 소그룹에서의 개체의 수가 카운트된다(214). 예를 들면, 두 개의 파라미터가 한 번에 프로세싱될 수 있고 공동 소그룹에서의 개체의 수를 카운트하여 각각의 공동 소그룹에서의 연구 모집단의 백분율을 획득할 수 있다. 두 개의 파라미터를 사용하는 공동 소그룹의 예는 총 콜레스테롤 10 내지 15 및 HDL 0 내지 5이다. 단계 5(215)에서, 단계 4로부터의 출력은, 예를 들면, SPSS를 사용하여, 두 개의 건강 파라미터의 모든 값에 걸쳐 각각의 공동 소그룹에서의 연구 모집단의 백분율의 테이블을 생성하기 위해 사용된다. 그러한 테이블은 엑셀(Excel)에서 생성 및/또는 저장될 수 있다. 단계 6(216)에서, 두 개의 건강 파라미터의 모든 값에 걸쳐 각각의 공동 소그룹에서의 모집단 카운트의 테이블을 생성하기 위해 SPSS 또는 다른 소프트웨어가 사용될 수 있다; 그러한 테이블은 엑셀 스프레드시트로 저장될 수 있다. 그 후, 두 개의 건강 파라미터(217)의 모든 값에 걸쳐 각각의 공동 소그룹에서의 사망자 카운트(death count)의 테이블을 생성하기 위해 SPSS 또는 다른 소프트웨어가 사용될 수 있다, 그러한 테이블은 엑셀 스프레드시트로 저장될 수 있다. 단계 8(218)에서, 단계 5에서 설명되는 바와 같은 엑셀 테이블에서의 연구 모집단 백분율은 그래프로 나타내어진다. 그들은 x 및 y 축 상에 두 개의 건강 파라미터를 그리고 z 축 상에 모집단 백분율을 갖는 3D 그래프를 생성한다. 단계 9(219)에서, 단계 6 및 7에서 생성되는 두 개의 테이블로부터, 예를 들면, 엑셀에서 새로운 테이블이 계산된다. 사망자 카운트는 각각의 공동 소그룹 셀에서의 모집단 카운트에 의해 나누어져 사망률을 생성한다. 단계 10(220)에서, 단계 9에서 설명되는 바와 같은 엑셀 테이블에서의 사망률은 엑셀을 사용하여 그래프로 나타내어진다. 그들은 x 및 y 축 상에 두 개의 건강 파라미터를 그리고 z 축 상에 사망률을 갖는 3D 그래프를 생성한다. 단계 11(221)에서, 단계 8 및 단계 10에서 생성되는 그래프의 비교의 결과로부터, SPSS는, 설정된 사망률 기준(criterion)에 대해 설정된 모집단 백분율 기준을 비교하여, 어떤 공동 소그룹 셀에서 모집단의 가장 높은 백분율이 가장 낮은 사망률과 매칭되는지를 결정하는 테이블을 생성하도록 프로그래밍될 수 있다. 이것은, 어떤 공동 소그룹 셀이 두 개의 공동 건강 파라미터에 대한 새로운 참고 범위를 포함하는지를 나타내는 테이블을 생성한다. 이것은, 참고 범위 룩업 테이블의 셋업의 시작이다. 마지막 단계 12(단계(222))에서, 새로운 참고 범위 사망률의 결과로부터, 예를 들면, 엑셀에서, 참고 범위 "밖에" 있는 공동 소그룹 셀의 사망률이, 참고 범위 "내에" 있는 사망률에 대해 비교된다. 테이블 내의 각각의 공동 소그룹 셀에서, "내부" 사망률에 의해 나누어지는 "외부" 사망률에 의해 비율이 계산된다. 이것은, 어떤 공동 소그룹이 참고 범위를 포함하는지를 나타낼 뿐만 아니라, 참고 범위 내에 있지 않은 각각의 공동 소그룹 내에서 추가 사망 위험성(extra mortality risk)을 나타내는 완전한 룩업 테이블을 생성한다. 도 1의 예에서, 1(예를 들면, 사망률 < 0.01이고 모집단 > 0.2 %임), 1 및 2(예를 들면, 모집단 > 0.2 %), 또는 1, 2, 및 3(예를 들면, 사망률 < 0.01)로 마킹되는 20 세 내지 59 세의 연령 범위 내의 여성의 소그룹은 참고 범위 "내부"로서 간주될 수 있고, 한편, 4로 마킹되는 그룹은 셀당 8 또는 그 이상의 사망자를 갖는 참고 범위 "외부"로서 간주될 수 있다.

데이터 취득

불러와진 데이터로부터 유도되는 정보에 기초하여 참고 범위를 생성하기 위해, 데이터를 취득하거나 또는 불러오는 데이터 취득 모듈을 포함하는 시스템 및 방법이 본원에서 설명된다.

몇몇 경우에, 데이터는 개체의 모집단의 건강 관리 관련 데이터이다. 몇몇 경우에, 데이터는 건강 관리에 관련되지 않는 일반적인 데이터이다. 각각의 개체는 인간, 포유 동물, 또는 다른 생물일 수 있다. 몇몇 경우에, 데이터, 예를 들면, 개체의 각각의 데이터 포인트는 개체의 인구 통계학적 특성에 링크된다. 인구 통계학적 데이터의 비제한적인 예는 연령, 성별, 인종, 교육, 출생국, 거주 지역 또는 위치, 또는 등등을 포함한다. 몇몇 경우에, 데이터는 개체의 활력 상태와 같은 결과를 포함한다. 건강 관리 관련 데이터에 대한 결과는, 이환율 데이터(morbidity data), 하나 이상의 질병의 검출, 또는 임의의 건강 관리 관련 이벤트의 존재를 포함할 수 있다. 비 건강 관리 관련 데이터(non-health care-related data)의 경우, 결과 데이터는 활력 상태 또는 자동차 사고, 또는 음주운전(driving under influence; DUI)과 같은 임의의 명시된 이벤트의 존재일 수 있다. 몇몇 경우에, 데이터는 장기간 파라미터 데이터를 포함한다. 그러한 장기간 데이터는 단기간(들)에 발생하는 요인에 의한 영향의 제거를 촉진할 수도 있다. 몇몇 경우에, 데이터는 즉각적으로 우려되는 급성 건강 컨디션에 관련되는 단기간 파라미터 데이터를 포함한다. 그러한 단기간 데이터는 응급 환자 이슈에 주의를 기울이는 참고 범위를 촉진할 수도 있다.

파라미터 데이터는 제1 파라미터 데이터, 제2 파라미터 데이터, 및 적어도 하나의 공유된 피처(예를 들면, 인구 통계학적 피처)를 갖는 개체의 모집단으로부터의 결과 데이터를 포함할 수 있다. 몇몇 경우에, 데이터는 현저하게 건강한 모집단으로부터 유래한다. 몇몇 경우에, 모집단은 다수의 건강한 개체 및 소수의 건강하지 않은 개체를 포함한다. 몇몇 실시형태에서, 다수는 전체 모집단의 50%, 55%, 60%, 65%, 70%, 75%, 80%, 85%, 90%, 95%, 98% 또는 50 %에서부터 99.9 %까지의 범위 내의 임의의 다른 수치보다 더 크다. 몇몇 실시형태에서, 소수는 모집단의 50 %, 45 %, 40 %, 35 %, 30 %, 25 %, 20 %, 15 %, 10 %, 5 %, 2 % 또는 0.1에서부터 50 %까지의 범위 내의 임의의 다른 수치 미만이다. 몇몇 경우에, 데이터는 공개적으로 및/또는 개인적으로(privately) 이용 가능한 데이터베이스로부터, 옵션 사항으로 자동적으로, 구매되고, 임대되고 및/또는 무료로 액세스되고 및 다운로드된다. 몇몇 경우에, 데이터는 그러한 데이터, 예를 들면, 의료 기록(예를 들면, 전기/종이)을 포함하는 소스로부터 추출되거나 또는 취득된다. 그러한 데이터 취득/추출은, 패턴 인식, 이미지 인식, 및 광학 문자 인식(optical character recognition; OCR)과 같은 컴퓨터 소프트웨어/애플리케이션의 지원을 포함할 수도 있다. 몇몇 경우에, 데이터를 추출하는 것은, 머신 러닝 시스템, 패턴 인식 알고리즘, 인공 지능 알고리즘, 딥 러닝 알고리즘(deep learning algorithm), 또는 등등을 활용한다.

몇몇 경우에, 데이터 취득 모듈에 의한 본원에서의 데이터 취득은 데이터의 하나 이상의 상이한 프로세싱을 포함한다. 데이터를 추출하는 것의 비제한적인 예는 다음의 것을 포함한다: 콘텐츠 판독, 콘텐츠 서치(search content), 콘텐츠 편제, 콘텐츠 필터링, 콘텐츠 제거, 및 콘텐츠 포맷.

몇몇 경우에, 예를 들면, 본원에서의 데이터 취득 모듈에 의한, 본원에서의 데이터 취득은, 상이한 소스로부터 그리고 아마도 상이한 포맷으로 획득되는 데이터가 추가적인 그룹화, 결합, 비교, 또는 매핑을 위해 균일한 포맷으로 저장될 수 있도록 하나 이상의 일관된 방식으로 데이터를 포맷하는 것을 포함한다.

몇몇 경우에, 시스템 및 방법은 취득되는 데이터로부터 모집단에 대한 사망률 또는 다른 건강/위험 결과 데이터를 추출하도록 구성되는 데이터 추출 모듈을 포함한다.

데이터 그룹화

각각의 위험 파라미터 데이터를 다수의 데이터 그룹 중 하나로 그룹화하는 그룹화 모듈을 포함하는 시스템 및 방법이 본원에서 설명된다. 몇몇 경우에, 그룹화는 취득 데이터를 자신의 입력으로 하여 자동적으로 수행된다. 다른 입력은 다음의 것을 포함할 수 있다: 모집단의 정보, 위험 파라미터에 관한 사전 지식, 또는 등등. 몇몇 실시형태에서, 그러한 다수의 데이터 그룹은 오버랩되지 않으며 대응하는 위험 파라미터의 데이터 범위의 완전한 커버리지를 제공한다. 다시 말하면, 데이터 그룹은 대응하는 위험 파라미터의 가장 작은 데이터 값 내지 가장 높은 가능한 데이터 값을 포괄한다. 몇몇 경우에, 각각의 그룹은 동일한 데이터 범위를 커버한다. 몇몇 경우에, 하나 이상의 그룹이 다수의 그룹과는 상이한 데이터 범위를 커버한다. 예를 들면, HDL 데이터는 테이블 1에서 도시되는 바와 같이 다수의 그룹으로 그룹화될 수 있으며, TC/HDL 비율 데이터는 상이한 수의 그룹으로 그룹화될 수 있다.

몇몇 실시형태에서, 그러한 그룹화는 자동적으로 수행된다. 몇몇 경우에, 그룹의 수 및 각각의 그룹의 데이터 범위는 다음의 것으로부터 선택되는 하나 이상 중 적어도 일부에 기초하여 결정된다: 취득된 데이터, 취득되는 데이터로부터 유도되는 정보(예를 들면, 취득된 데이터의 프로파일, 평균, 중앙값, 취득된 데이터의 최대 및 최소 값), 모집단의 사이즈 또는 전체 데이터 포인트의 수, 모집단의 특성, 예컨대 모집단의 인구 통계학적 속성(property). 예를 들면, 그룹의 수는 상대적으로 더 작은 모집단에 대해 더 적을 수 있다.

몇몇 실시형태에서, 본원에서의 파라미터는 2보다 더 큰 임의의 수의 그룹을 포함할 수도 있다. 몇몇 실시형태에서, 본원에서의 파라미터는 4 내지 100의 범위 내의 임의의 수의 그룹을 포함할 수도 있다. 몇몇 실시형태에서, 본원에서의 파라미터는 8 내지 50의 범위 내의 임의의 수의 그룹을 포함할 수도 있다.

데이터 결합 및 분포

복수의 공동 위험 파라미터를 생성하기 위해 위험 파라미터의 다수의 데이터 그룹을 다른 하나 이상의 위험 파라미터의 데이터 그룹과 결합하도록 구성되는 결합 모듈을 포함하는 시스템 및 방법이 본원에서 설명된다. 예를 들면, 10 개의 HDL 그룹 및 15 개의 총 콜레스테롤 레벨 그룹이 150 개의 상이한 공동 위험 파라미터로 결합될 수 있다. 추가적 위험 파라미터가 공동 위험 파라미터와 동시에 또는 순차적으로 결합될 수도 있다. 몇몇 경우에, 공동 위험 파라미터의 데이터는, 삼차원인 또는 더 높은 차원의 분포를 포함한다. 몇몇 경우에, 각각의 데이터 포인트는 각각의 그리고 모든 공동 위험 파라미터에 대한 값을 포함할 수도 있는데, 여기서 그 값은 공동 위험 파라미터 중 두 개에 대해 동일할 수도 있거나 또는 동일하지 않을 수도 있다. 모든 데이터 포인트가 함께 고려되는 경우, 분포는, 개체의 수, 전체 모집단의 백분율, 또는 임의의 다른 관련된 메트릭인 추가적인 차원을 포함할 수도 있다.

본원에서의 데이터 분포 모듈은 다수의 공동 위험 파라미터의 데이터의 분포의 적어도 일부를 결정하기 위해 사용될 수도 있다. 그러한 결정은 분포의 피처/특성의 자동적인 검출을 포함할 수도 있다. 예를 들면, 명시된 기준, 전역적 피크, 밸리(valley), 국소적 최대치, 국소적 최소치, 경사, 경사의 기울기, 또는 임의의 다른 피처를 사용하여 분포를 적합시키는 수학적 증거 기반의 모델이다.

본원에서의 데이터 분포 모듈은, 실제 데이터에 기초한 명시된 기준을 사용하여 분포를 적합시키는 수학적 증거 기반의 모델을 생성하는 것을 포함할 수도 있다. 수학적 증거 기반의 모델은 하나 이상의 변수 및/또는 하나 이상의 수학식을 포함할 수 있다. 데이터 분포 모델은 다음의 것 중 하나 이상을 사용하여 데이터를 가장 정확하고 밀접하게 모델링하도록 구성될 수 있다: 선형, 비선형, 통계, 회귀 모델, 또는 등등.

데이터 비교

몇몇 경우에, 본원에서의 데이터 비교 모듈은 사망률 또는 유해 결과 데이터를 복수의 결합된 위험 파라미터와 비교하여 공동 사망률 또는 유해 결과 데이터를 생성하도록 구성된다. 몇몇 경우에, 사망률 또는 유해 결과 데이터는, 전체 모집단에서의 또는 위험 파라미터의 하나 이상의 그룹 및/또는 사망률(예를 들면, 사망자의 수/모집단)에서의 사망자의 총 수를 포함한다. 몇몇 실시형태에서, 공동 사망률 또는 유해 결과 데이터는 총 수의 데이터 그룹 중 하나 이상의 그룹 내에 있다. 데이터 그룹의 그러한 총 수는 제1 위험 파라미터의 그룹의 제1 수 및 제2 위험 파라미터의 그룹의 제2 수에 의해 결정된다. 비제한적인 예로서, 제1 위험 파라미터의 10 개의 그룹 및 제2 위험 파라미터의 15 개의 그룹이, 1 내지 150의 범위 내에 있는 사망률 또는 유해 결과 데이터에 대한 데이터 그룹의 총 수로 결합될 수 있다. 예시적인 공동 사망률 또는 유해 결과 데이터가 테이블 4A 및 테이블 4B 및 테이블 6에서 나타나 있다.

데이터 오버랩

몇몇 경우에, 본원에서의 오버랩 모듈은, 복수의 공동 위험 파라미터의 분포와 공동 사망률 또는 유해 결과 데이터 사이에 오버랩이 존재하는지의 여부를 결정하도록 구성된다. 몇몇 실시형태에서, 오버랩 또는 부분적 오버랩은, 복수의 공동 위험 파라미터의 분포가 상대적으로 높고(예를 들면, 개체의 수 또는 모집단의 백분율이 높음) 공동 사망률 또는 유해 결과 데이터에 의해 표현되는 사망 위험성(예를 들면, 사망)이 상대적으로 낮은 곳에 있다. 몇몇 실시형태에서, 오버랩 또는 부분적 오버랩은, 복수의 공동 위험 파라미터의 분포가 상대적으로 높고 결합된 이환율 데이터(예를 들면, 명시된 질병(들)의 존재)에 의해 표현되는 사망 위험성(예를 들면, 사망)이 상대적으로 낮은 곳에 있다. 몇몇 실시형태에서, 그러한 결정은 시각적 결정을 포함한다. 몇몇 실시형태에서, 그러한 결정은 시각적 결정의 적어도 일부를 포함한다. 시각화 모듈은, 예를 들면, 도 3 내지 도 6 및 도 11 내지 도 14에서, 복수의 공동 위험 파라미터의 분포의 3D 시각화를 생성하도록 그리고, 예를 들면, 도 7 내지 도 10 및 도 15 내지 도 18에서, 공동 사망률 또는 유해 결과 데이터의 3D 시각화를 생성하도록 구성될 수 있다.

몇몇 경우에, 본원에서의 데이터 오버랩 모듈은, 하나 이상의 모집단 백분율 기준을 하나 이상의 사망률 기준과 비교하여, 어떤 공동 그룹(들)에서 모집단의 가장 높은 백분율(예를 들면, 명시된 임계치를 초과함)이 가장 낮은 사망률(예를 들면, 임계치 미만)과 매칭되는지를 결정하도록 구성된다. 몇몇 실시형태에서, 데이터 비교 모듈은 예를 들면, 이차원의 룩업 테이블을 생성하는데, 룩업 테이블의 각각의 셀은, 그 셀에 대응하는 공동 그룹이 참고 범위를 포함하는지 또는 포함하지 않는지의 여부를 나타낸다.

몇몇 경우에, 오버랩의 결정은 자동적이거나 또는 반자동적이다. 몇몇 경우에, 오버랩의 결정은, 공동 위험 파라미터의 결정된 분포 및 사망률 또는 유해한 건강 결과로부터 획득되는 정보에 기초한다.

참고 범위 생성

몇몇 경우에, 본원에서의 범위 생성 모듈은, 분포 및 사망/유해한 건강 결과(mortality/adverse health outcome)의 결정된 오버랩에 기초하여 하나 이상의 참고 범위를 생성하도록 구성된다. 생성되는 참고 범위(들)는 개체의 건강한 또는 건강하지 않은 상태를 식별하기 위해 건강 관리 공급자 또는 다른 엔드 유저에 의해 사용될 수 있다. 몇몇 실시형태에서, 개체는, 공동 위험 파라미터 데이터 및/또는 참고 범위(들)을 생성하는 전체 모집단에 포함된다. 몇몇 실시형태에서, 개체는 참고 범위(들)를 생성하기 위해 사용되는 전체 모집단에 포함되지 않는다.

몇몇 경우에, 테이블 생성 모듈은, 도 1에서 도시되는 바와 같이, 하나 이상의 참고 범위를 포함하는 이차원 룩업 테이블을 생성하도록 구성되는데, 룩업 테이블은 개체의 상태를 결정하기 위해 사용된다. 몇몇 실시형태에서, 룩업 테이블은 다수의 결합된 그룹 각각에서 건강한 또는 건강하지 않은 상태의 존재를 나타내는 값을 포함한다.

몇몇 경우에, 오버랩 모듈, 테이블 생성 모듈, 또는 본원에서의 임의의 다른 모듈은, (감독 유무에 관계없이) 이전 데이터에 대해 트레이닝되는 인공 지능 알고리즘, 머신 러닝 알고리즘, 패턴 인식 알고리즘, 딥 러닝 알고리즘 또는 등등을 포함한다. 몇몇 경우에, 오버랩 모듈은 참고 범위를 생성하기 위해 사용되는 취득된 데이터와는 상이한 새로운 데이터에서 오버랩을 자동적으로 식별/예측하도록 트레이닝된다. 모든 경우에 있어서, 오버랩 분석 및 비교의 인간의 관리가 필요하고 요구된다.

데이터 매핑

참고 범위를 생성하기 위해 직접 분석, 증거 기반의 모델 또는 데이터의 맵을 생성하는 및/또는 활용하는 시스템 및 방법이 본원에서 설명된다. 맵은 개체의 사람 모집단으로부터 수집되는 하나 이상의 개체의 건강 또는 위험 파라미터 값을 포함한다. 매핑된 데이터는, 몇몇 실시형태에서, 삼차원에서 그래픽적으로 배열된다. 몇몇 실시형태에서, 본원에 설명되는 시스템 및 방법에 의해 사용되는 데이터 포인트는, 예를 들면, 대규모 코호트 후속 연구와 같은 대규모 인간 모집단 연구로부터 수신된다. 몇몇 실시형태에서, 대규모 인간 모집단은 100 명 이상의 개체를 포함한다. 몇몇 실시형태에서, 대규모 인간 모집단은 500 명 이상의 개체를 포함한다. 몇몇 실시형태에서, 대규모 인간 모집단은 1000 명 이상의 개체를 포함한다. 몇몇 실시형태에서, 대규모 인간 모집단은 5,000 명 이상의 개체를 포함한다. 몇몇 실시형태에서, 대규모 인간 모집단은 10,000 명 이상의 개체를 포함한다. 몇몇 실시형태에서, 대규모 인간 모집단은 25,000 명 이상의 개체를 포함한다. 몇몇 실시형태에서, 대규모 인간 모집단은 50,000 명 이상의 개체를 포함한다. 몇몇 실시형태에서, 코호트 연구, 이중 맹검 전향적 연구(double blind prospective study), 후향성 연구(retrospective study)뿐만 아니라, 예를 들면, 정부, 건강 관리, 보험, 보험 통계(actuarial), 또는 다른 유사한 목적을 위해 사용되는 공공 연구, 인구조사 콜렉션(census collection), 및 인간 모집단 파라미터 데이터베이스로부터의 데이터의 콜렉션을 포함하는 인간 모집단 데이터 포인트의 임의의 콜렉션은 본원에서 설명되는 시스템 및 방법과 함께 사용하기에 적합하다는 것이 또한 이해되어야 한다.

도 3은, 개체의 모집단으로부터 취해지는 세 개의 건강 또는 위험 파라미터를 나타내는, 본원에서 설명되는 시스템 및 방법에 의해 생성될 바와 같은 예시적인 3D 그래픽 맵(300)을 도시한다. 도시되는 3D 그래픽 맵(300)에서, 건강 또는 위험 파라미터는 100,000 명 이상의 개체에 대한 대규모 모집단 연구로부터 취해졌다. 3D 그래픽 맵(300)에서 매핑되는 데이터는 20 세 내지 59 세 사이의 여성으로부터 수집되는 데이터를 포함한다. 구체적으로, 데이터는 각각의 개체에 대한 HDL 및 총 콜레스테롤 값을 포함한다. 도 3에서 도시되는 바와 같이, 개체의 HDL 값은, 개개의 HDL 값이 5 개의 값 단위의 그룹으로 분할되는 제1 축(302) 상에 표현된다. 예를 들면, 하나의 HDL 그룹은, 예를 들면, 26의 HDL을 갖는 임의의 개체가 이 그룹에 배치되도록, HDL의 25 내지 29 단위로부터의 HDL 값을 포함한다. 유사하게, 총 콜레스테롤 값은, 개체의 총 콜레스테롤 값이 10 개의 값 단위의 그룹으로 나누어지는 제1 축(303) 상에 표현된다. 예를 들면, 하나의 콜레스테롤 그룹은, 예를 들면, 61의 총 콜레스테롤을 갖는 임의의 개체가 이 그룹에 배치되도록, 총 콜레스테롤 중 60 내지 69 단위의 범위에 이른다. 모집단의 백분율은 제3 축(304) 상에 표현된다. 이들 세 개의 건강 또는 위험 파라미터 데이터 포인트 - HDL, 총 콜레스테롤, 및 모집단의 백분율 - 는 3D 그래픽 맵(300)에서 매핑되는데, 여기서 각각의 개체의 HDL 및 총 콜레스테롤 값은 x-y 평면에서 그들 각각의 그룹에 배치되고, 이들 그룹이 나타내는 모집단의 백분율은 z 축 상에 그래프로 나타내어진다. 그 방식으로 값을 매핑하는 것은, 공동 값이 나타내는 모집단의 백분율과 함께, 두 개의 공동 건강 또는 위험 파라미터 값(즉, 총 콜레스테롤과 결합되는 HDL 레벨)의 삼차원 표현을 생성한다. 예를 들면, 45의 HDL 및 270의 총 콜레스테롤을 갖는 개체는, 데이터가 취해졌던 전체 모집단의 0 %와 0.25 %에 있을 것이거나 또는 이들 사이에 있을 것이다. 3D 그래픽 맵(300)의 영역(301)은 모집단 값의 가장 넓은 분포를 갖는 맵(300)의 영역을 나타낸다. 영역(305)은 그래픽 맵(300) 상에 도시되는 모집단의 1.5 % 내지 1.75 %를 나타내고 최소 양의 분포를 갖는다. 영역(306)은 그래픽 맵(300) 상에 도시되는 모집단의 0.75 % 내지 1.00 %를 나타내고 영역(301 및 305)과 비교하여 중간 양의 분포를 갖는다.

몇몇 실시형태에서, 참고 범위의 상부 경계 및 하부 경계는 그래픽 맵(300)의 영역(301)의 외부 경계와 동일하거나 또는 그 외부 경계에 의해 결정된다. 영역(300)의 외부 경계는, 몇몇 실시형태에서, 영역(301) 내에서의 모집단의 백분율을 계산하는 컴퓨터 프로그램에 의해 결정된다. 몇몇 실시형태에서, 모집단의 계산된 백분율이 가장 높은 영역의 시작 포인트 및 종료 포인트는 HDL(또는 축(302)에 의해 표현되는 임의의 다른 모집단 파라미터 값)에 대한 참고 범위이거나 또는 그 참고 범위를 결정한다. 몇몇 실시형태에서, 모집단의 계산된 백분율이 가장 높은 영역의 시작 포인트 및 종료 포인트는 총 콜레스테롤(또는 축(303)에 의해 표현되는 임의의 다른 건강 또는 위험 파라미터 값)에 대한 참고 범위이거나 또는 그 참고 범위를 결정한다. 몇몇 실시형태에서, 모집단의 계산된 백분율이 가장 높은 영역의 시작 포인트 및 종료 포인트는 HDL(또는 축(302)에 의해 표현되는 임의의 다른 모집단 파라미터 값) 및 총 콜레스테롤(또는 축(303)에 의해 표현되는 임의의 다른 건강 또는 위험 파라미터 값)에 대한 공동의 참고 범위이거나 또는 그 참고 범위를 공동으로 결정한다.

도 4는, 개체의 모집단으로부터 취해지는 세 개의 건강 또는 위험 파라미터를 나타내는, 본원에서 설명되는 시스템 및 방법에 의해 생성될 바와 같은 예시적인 3D 그래픽 맵(400)을 도시한다. 도시되는 3D 그래픽 맵(400)에서, 건강 또는 위험 파라미터는 100,000 명 이상의 개체의 대규모 모집단 연구로부터 취해졌다. 3D 그래픽 맵(400)에서 매핑되는 데이터는 20 세 내지 59 세 사이의 남성으로부터 수집되는 데이터를 포함한다. 구체적으로, 데이터는 각각의 개체에 대한 HDL 및 총 콜레스테롤 값을 포함한다. 도 4에서 도시되는 바와 같이, HDL 값은, 개체의 HDL 값이 5 개의 값 단위의 그룹으로 나누어지는 제1 축(402) 상에 표현된다. 예를 들면, 하나의 HDL 그룹은, 예를 들면, 26의 HDL을 갖는 임의의 개체가 이 그룹에 배치되도록, HDL의 25 내지 29 단위로부터의 HDL 값을 포함한다. 유사하게, 총 콜레스테롤 값은,총 콜레스테롤 값의 범위가 10 개의 값 단위의 그룹으로 나누어지는 제1 축(403) 상에 표현된다. 예를 들면, 하나의 콜레스테롤 그룹은, 예를 들면, 61의 총 콜레스테롤을 갖는 임의의 개체가 이 그룹에 배치되도록, 총 콜레스테롤 중 60 내지 69 단위의 범위에 이른다. 모집단의 백분율은 제3 축(404) 상에 표현된다. 건강 또는 위험 파라미터 데이터 포인트는 3D 그래픽 맵(400)에서 매핑되는데, 여기서 각각의 개체의 HDL 및 총 콜레스테롤 값은 x-y 평면에서 그들 각각의 그룹에 배치되고 이들 그룹이 나타내는 모집단의 백분율은 z 축 상에 그래프로 나타내어진다. 그 방식으로 값을 매핑하는 것은, 공동 값이 나타내는 모집단의 백분율과 함께, 두 개의 공동 건강 또는 위험 파라미터 값(즉, 총 콜레스테롤과 결합되는 HDL 레벨)의 삼차원 표현을 생성한다. 예를 들면, 45의 HDL 및 270의 총 콜레스테롤을 갖는 개체는 데이터가 취해졌던 전체 모집단의 0 %와 0.25 % 사이에 있을 것이다. 3D 그래픽 맵(400)의 영역(401)은 개체의 건강 또는 위험 파라미터 값의 가장 넓은 분포를 갖는 맵(400)의 영역을 나타낸다. (도 3에서 도시되는 바와 같이) 3D 그래픽 맵(300)은, 3D 그래픽 맵(400)에서 가장 큰 분포의 영역(401)과 비교하여, 가장 큰 분포의 자신의 범위(301)가 상이하다는 것이 주목할 만하다. 그래픽 맵(300)과 그래픽 맵(400) 사이의 외관에서의 이러한 차이는, 그래픽 맵(300 및 400) 각각에서 각각 표현되는 모집단(또는 하위 모집단(sub-population)) 사이의 성별에서의 차이의 결과인 것으로 추정된다. 둘 모두 동일한 연령대에 대한 것인 그래픽 맵(300)과 그래픽 맵(400) 사이에 차이가 있다는 것은, 성별 참고 범위를 생성하기 위한 데이터를 분리하는 값을 강조한다. 몇몇 경우에, 그래픽 맵 중, 모집단 분포가 가장 큰 부분(즉, 범위(301 및 401))에 적어도 기초하여 참고 범위가 결정된다. 따라서, 상이한 연령 그룹의 3D 그래픽 맵에서의 모집단 분포에서의 차이는 하나의 성별과 다른 성별 사이의 참고 범위에서의 차이를 나타낼 수도 있다. 상기 여전히 다른 방식에서, 그래픽 맵(300)과 그래픽 맵(400) 사이의 차이에 기초하여, 상이한 참고 범위는, 20 세 내지 59 세 사이의 여성보다는, 20 세 내지 59 세 사이의 남성에서 정상적인 HDL 값을 정의할 것이다는 것이 예상된다. 영역(405)은 그래픽 맵(400) 상에 도시되는 모집단의 1.5 % 내지 1.75 %를 나타내고 최소 양의 분포를 갖는다. 영역(406)은 그래픽 맵(400) 상에 도시되는 모집단의 0.75 % 내지 1.00 %를 나타내고, 영역(401 및 405)과 비교하여, 중간 양의 분포를 갖는다.

몇몇 실시형태에서, 참고 범위의 상부 경계 및 하부 경계는 그래픽 맵(400)의 영역(401)의 외부 경계와 동일하거나 또는 그 외부 경계에 의해 결정된다. 영역(400)의 외부 경계는, 몇몇 실시형태에서, 영역(401) 내에서의 모집단의 백분율을 계산하는 컴퓨터 프로그램에 의해 결정된다. 몇몇 실시형태에서, 모집단의 계산된 백분율이 가장 높은 영역의 시작 포인트 및 종료 포인트는 HDL(또는 축(402)에 의해 표현되는 임의의 다른 건강 또는 위험 파라미터 값)에 대한 참고 범위이거나 또는 그 참고 범위를 결정한다. 몇몇 실시형태에서, 모집단의 계산된 백분율이 가장 높은 영역의 시작 포인트 및 종료 포인트는 총 콜레스테롤(또는 축(403)에 의해 표현되는 임의의 다른 건강 또는 위험 파라미터 값)에 대한 참고 범위이거나 또는 그 참고 범위를 결정한다. 몇몇 실시형태에서, 모집단의 계산된 백분율이 가장 높은 영역의 시작 포인트 및 종료 포인트는 HDL(또는 축(402)에 의해 표현되는 임의의 다른 건강 또는 위험 파라미터 값) 및 총 콜레스테롤(또는 축(403)에 의해 표현되는 임의의 다른 건강 또는 위험 파라미터 값)에 대한 공동의 참고 범위이거나 또는 그 참고 범위를 공동으로 결정한다.

도 5는, 개체의 모집단으로부터 취해지는 세 개의 건강 또는 위험 파라미터를 나타내는, 본원에서 설명되는 시스템 및 방법에 의해 생성될 바와 같은 예시적인 3D 그래픽 맵(500)을 도시한다. 도시되는 3D 그래픽 맵(500)에서, 건강 또는 위험 파라미터는 100,000 명 이상의 개체의 대규모 모집단 연구로부터 취해졌다. 3D 그래픽 맵(500)에서 매핑되는 데이터는 20 세 내지 59 세 사이의 남성으로부터 수집되는 데이터를 포함한다. 구체적으로, 데이터는 각각의 개체에 대한 HDL 및 총 콜레스테롤 값을 포함한다. 도 5에서 도시되는 바와 같이, HDL 값은, 개체의 HDL 값이 5 개의 값 단위의 그룹으로 나누어지는 제1 축(502) 상에 표현된다. 예를 들면, 하나의 HDL 그룹은, 예를 들면, 26의 HDL을 갖는 임의의 개체가 이 그룹에 배치되도록, HDL의 25 내지 29 단위로부터의 HDL 값을 포함한다. 유사하게, 총 콜레스테롤 값은, 개체의 총 콜레스테롤 값이 10 개의 값 단위의 그룹으로 나누어지는 제1 축(503) 상에 표현된다. 예를 들면, 하나의 콜레스테롤 그룹은, 예를 들면, 61의 총 콜레스테롤을 갖는 임의의 개체가 이 그룹에 배치되도록, 총 콜레스테롤 중 60 내지 69 단위의 범위에 이른다. 모집단의 백분율은 제3 축(504) 상에 표현된다. 건강 또는 위험 파라미터 데이터 포인트는 3D 그래픽 맵(500)에서 매핑되는데, 여기서 각각의 개체의 HDL 및 총 콜레스테롤 값은 x-y 평면에서 그들 각각의 그룹에 배치되고 이들 그룹이 나타내는 모집단의 백분율은 z 축 상에 그래프로 나타내어진다. 그 방식으로 값을 매핑하는 것은, 공동 값이 나타내는 모집단의 백분율과 함께, 두 개의 공동 건강 또는 위험 파라미터 값(즉, 총 콜레스테롤과 결합되는 HDL 레벨)의 삼차원 표현을 생성한다. 예를 들면, 45의 HDL 및 270의 총 콜레스테롤을 갖는 개체는 데이터가 취해졌던 전체 모집단의 0 %와 0.25 % 사이에 있을 것이다. 3D 그래픽 맵(500)의 영역(501)은 개체의 건강 또는 위험 파라미터 값의 가장 넓은 분포를 갖는 맵(500)의 영역을 나타낸다. (도 3에서 도시되는 바와 같이) 3D 그래픽 맵(300)은, 3D 그래픽 맵(500)과 비교하여, 가장 큰 분포의 자신의 범위에서 상이하다는 것이 주목할 만하다. 그래픽 맵(300)과 그래픽 맵(500) 사이의 외관에서의 이러한 차이는, 그래픽 맵(300 및 500) 각각에서 각각 표현되는 모집단(또는 하위 모집단) 사이의 연령에서의 차이의 결과인 것으로 추정된다. 둘 모두 동일한 성별에 대한 것인 그래픽 맵(300)과 그래픽 맵(500) 사이에 차이가 있다는 것은, 연령별 참고 범위를 생성하기 위한 데이터를 분리하는 값을 강조한다. 몇몇 경우에, 그래픽 맵 중, 301 또는 501 중 어느 하나에서 모집단 분포가 가장 큰 부분에 기초하여 참고 범위가 결정된다. 따라서, 상이한 연령 그룹의 3D 그래픽 맵에서의 모집단 분포에서의 차이는 하나의 연령과 다른 연령 사이의 참고 범위에서의 차이를 나타낼 수도 있다. 상기 여전히 다른 방식에서, 그래픽 맵(300)과 그래픽 맵(500) 사이의 차이에 기초하여, 상이한 참고 범위는, 60 세 내지 89 세 사이의 여성보다는, 20 세 내지 59 세 사이의 여성에서 정상적인 HDL 값을 정의할 것이다는 것이 예상된다. 영역(505)은 그래픽 맵(500) 상에 도시되는 모집단의 1.5 % 내지 1.75 %를 나타내고 최소 양의 분포를 갖는다. 영역(506)은 그래픽 맵(500) 상에 도시되는 모집단의 0.75 % 내지 1.00 %를 나타내고, 영역(501 및 505)과 비교하여, 중간 양의 분포를 갖는다.

몇몇 실시형태에서, 참고 범위의 상부 경계 및 하부 경계는 그래픽 맵(500)의 영역(501)의 외부 경계와 동일하거나 또는 그 외부 경계에 의해 결정된다. 영역(500)의 외부 경계는, 몇몇 실시형태에서, 영역(501) 내에서의 모집단의 백분율을 계산하는 컴퓨터 프로그램에 의해 결정된다. 몇몇 실시형태에서, 모집단의 계산된 백분율이 가장 높은 영역의 시작 포인트 및 종료 포인트는 HDL(또는 축(502)에 의해 표현되는 임의의 다른 모집단 파라미터 값)에 대한 참고 범위이거나 또는 그 참고 범위를 결정한다. 몇몇 실시형태에서, 503에서 모집단의 계산된 백분율이 가장 높은 영역의 시작 포인트 및 종료 포인트는 총 콜레스테롤(또는 축(503)에 의해 표현되는 임의의 다른 모집단 파라미터 값)에 대한 참고 범위이거나 또는 그 참고 범위를 결정한다. 몇몇 실시형태에서, 503에서 모집단의 계산된 백분율이 가장 높은 영역의 시작 포인트 및 종료 포인트는 HDL(또는 축(502)에 의해 표현되는 임의의 다른 모집단 파라미터 값) 및 총 콜레스테롤(또는 축(503)에 의해 표현되는 임의의 다른 모집단 파라미터 값)에 대한 공동의 참고 범위이거나 또는 그 참고 범위를 공동으로 결정한다.

도 6은, 개체의 모집단으로부터 취해지는 세 개의 건강 또는 위험 파라미터를 나타내는, 본원에서 설명되는 시스템 및 방법에 의해 생성될 바와 같은 예시적인 3D 그래픽 맵(600)을 도시한다. 도시되는 3D 그래픽 맵(600)에서, 건강 또는 위험 파라미터는 100,000 명 이상의 개체에 대한 대규모 모집단 연구로부터 취해졌다. 3D 그래픽 맵(600)에서 매핑되는 데이터는 60 세 내지 89 세 사이의 남성으로부터 수집되는 데이터를 포함한다. 구체적으로, 데이터는 각각의 개체에 대한 HDL 및 총 콜레스테롤 값을 포함한다. 도 6에서 도시되는 바와 같이, HDL 값은, 개체의 HDL 값이 5 개의 값 단위의 그룹으로 나누어지는 제1 축(602) 상에 표현된다. 예를 들면, 하나의 HDL 그룹은, 예를 들면, 26의 HDL을 갖는 임의의 개체가 이 그룹에 배치되도록, HDL의 25 내지 29 단위로부터의 HDL 값을 포함한다. 유사하게, 총 콜레스테롤 값은, 개체의 총 콜레스테롤 값이 10 개의 값 단위의 그룹으로 나누어지는 제1 축(603) 상에 표현된다. 예를 들면, 하나의 콜레스테롤 그룹은, 예를 들면, 61의 총 콜레스테롤을 갖는 임의의 개체가 이 그룹에 배치되도록, 총 콜레스테롤 중 60 내지 69 단위의 범위에 이른다. 모집단의 백분율은 제3 축(604) 상에 표현된다. 건강 또는 위험 파라미터 데이터 포인트는 3D 그래픽 맵(600)에서 매핑되는데, 여기서 각각의 개체의 HDL 및 총 콜레스테롤 값은 x-y 평면에서 그들 각각의 그룹에 배치되고 이들 그룹이 나타내는 모집단의 백분율은 z 축 상에 그래프로 나타내어진다. 그 방식으로 값을 매핑하는 것은, 공동 값이 나타내는 모집단의 백분율과 함께, 두 개의 공동 건강 또는 위험 파라미터 값(즉, 총 콜레스테롤과 결합되는 HDL 레벨)의 삼차원 표현을 생성한다. 예를 들면, 45의 HDL 및 270의 총 콜레스테롤을 갖는 개체는 데이터가 취해졌던 전체 모집단의 0 %와 0.25 % 사이에 있을 것이다. 3D 그래픽 맵(600)의 영역(601)은 개체 값의 가장 넓은 분포를 갖는 맵(600)의 영역을 나타낸다. (도 4에서 도시되는 바와 같이) 3D 그래픽 맵(400)은, 3D 그래픽 맵(600)과 비교하여, 가장 큰 분포의 자신의 범위에서 상이하다는 것이 주목할 만하다. 그래픽 맵(400)과 그래픽 맵(600) 사이의 외관에서의 이러한 차이는, 그래픽 맵(400 및 600) 각각에서 각각 표현되는 모집단(또는 하위 모집단) 사이의 연령에서의 차이의 결과인 것으로 추정된다. 둘 모두 동일한 성별에 대한 것인 그래픽 맵(400)과 그래픽 맵(600) 사이에 차이가 있다는 것은, 연령별 참고 범위를 생성하기 위한 데이터를 분리하는 값을 강조한다. 몇몇 경우에, 그래픽 맵 중, 모집단 분포가 가장 큰 부분(즉, 영역(401 및 601))에 적어도 기초하여 참고 범위가 결정된다. 따라서, 상이한 연령 그룹의 3D 그래픽 맵에서의 모집단 분포에서의 차이는 하나의 연령과 다른 연령 사이의 참고 범위에서의 차이를 나타낼 수도 있다. 상기 여전히 다른 방식에서, 그래픽 맵(400)과 그래픽 맵(600) 사이의 차이에 기초하여, 상이한 참고 범위는, 20 세 내지 59 세 사이의 남성 및 60 세 내지 89 세 사이의 남성에서 정상적인 HDL 값을 정의할 것이다는 것이 예상된다. 영역(605)은 그래픽 맵(600) 상에 도시되는 모집단의 1.5 % 내지 1.75 %를 나타내고 최소 양의 분포를 갖는다. 영역(606)은 그래픽 맵(600) 상에 도시되는 모집단의 0.75 % 내지 1.00 %를 나타내고, 영역(601 및 605)과 비교하여, 중간 양의 분포를 갖는다.

몇몇 실시형태에서, 참고 범위의 상부 경계 및 하부 경계는 그래픽 맵(600)의 영역(601)의 외부 경계와 동일하거나 또는 그 외부 경계에 의해 결정된다. 영역(600)의 외부 경계는, 몇몇 실시형태에서, 영역(601) 내에서의 모집단의 백분율을 계산하는 컴퓨터 프로그램에 의해 결정된다. 몇몇 실시형태에서, 모집단의 계산된 백분율이 가장 높은 영역의 시작 포인트 및 종료 포인트는 HDL(또는 축(602)에 의해 표현되는 임의의 다른 모집단 파라미터 값)에 대한 참고 범위이거나 또는 그 참고 범위를 결정한다. 몇몇 실시형태에서, 모집단의 계산된 백분율이 가장 높은 영역의 시작 포인트 및 종료 포인트는 총 콜레스테롤(또는 축(603) 상에 표현되는 임의의 다른 건강 또는 위험 파라미터 값)에 대한 참고 범위이거나 또는 그 참고 범위를 결정한다. 몇몇 실시형태에서, 모집단의 계산된 백분율이 가장 높은 영역의 시작 포인트 및 종료 포인트는 HDL(또는 축(602)에 의해 표현되는 임의의 다른 모집단 파라미터 값) 및 총 콜레스테롤(또는 축(603) 상에 표현되는 임의의 다른 건강 또는 위험 파라미터 값)에 대한 공동의 참고 범위이거나 또는 그 참고 범위를 공동으로 결정한다.

도 7은, 개체의 모집단으로부터 취해지는 세 개의 건강 또는 위험 파라미터를 나타내는, 본원에서 설명되는 시스템 및 방법에 의해 생성될 바와 같은 예시적인 3D 그래픽 맵(700)을 도시한다. 그래픽 맵(700)은 그래픽 맵(300)과 동일한 HDL 및 총 콜레스테롤 값을 나타내는데, 여기서, 그래픽 맵(700)에서, HDL은 축(702) 상에 있고 총 콜레스테롤은 축(703) 상에 있다. 그래픽 맵(700)에서, 축(704)은 공동 HDL 및 총 콜레스테롤 값과 관련되는 사망률(또는 다른 유해한 건강 결과 위험성)을 나타낸다. 그래픽 맵(700)의 영역(701)은 사망률(또는 다른 유해한 건강 결과 위험성)이 가장 낮은 영역을 나타내며, 그것은 자신을 둘러싸는 피크 사이의 밸리와 유사하다. 도 3의 그래픽 맵(300)과 비교되는 경우, 영역(301 및 701)은 오버랩을 가지는데, 여기서, 오버랩은, 영역(701)이 영역(301)의 가장 높은 모집단 분포 또는 "풋프린트(footprint)"의 영역과 매칭될 때 나타난다.

몇몇 실시형태에서, 참고 범위의 상부 경계 및 하부 경계는 그래픽 맵(700)의 영역(701)의 외부 경계와 동일하거나 또는 그 외부 경계에 의해 결정된다. 영역(700)의 외부 경계는, 몇몇 실시형태에서, 영역(701)에서의 사망률을 계산하는 컴퓨터 프로그램에 의해 결정된다. 몇몇 실시형태에서, 사망률/유해한 건강 결과율의 계산된 백분율이 가장 낮은 영역의 시작 포인트 및 종료 포인트는 HDL(또는 축(702)에 의해 표현되는 임의의 다른 건강 또는 위험 파라미터 값)에 대한 참고 범위이거나 또는 그 참고 범위를 결정한다. 몇몇 실시형태에서, 사망/유해한 건강 결과의 계산된 백분율이 701에서 가장 낮은 영역의 시작 포인트 및 종료 포인트는 총 콜레스테롤(또는 축(703)에 의해 표현되는 임의의 다른 건강 또는 위험 파라미터 값)에 대한 참고 범위이거나 또는 그 참고 범위를 결정한다. 몇몇 실시형태에서, 사망/유해한 건강 결과의 계산된 백분율이 701에서 가장 낮은 영역의 시작 포인트 및 종료 포인트는 HDL(또는 축(702)에 의해 표현되는 임의의 다른 건강 또는 위험 파라미터 값) 및 총 콜레스테롤(또는 축(703)에 의해 표현되는 임의의 다른 건강 또는 위험 파라미터 값)에 대한 공동의 참고 범위이거나 또는 그 참고 범위를 공동으로 결정한다.

본원에서 설명되는 시스템 및 방법의 몇몇 실시형태에서, 컴퓨터 프로그램은 제1 그래픽 맵(300)에서의 건강 또는 위험 파라미터 값의 가장 넓은 분포의 영역(301) 및 제2 그래픽 맵(700)에서의 밸리(701)를 분석하도록 및/또는 비교하도록 구성된다. 몇몇 실시형태에서, 제2 그래픽 맵에서의 밸리(701)는 제1 그래픽 맵(300)에서의 건강 또는 위험 파라미터 값의 가장 넓은 분포의 영역(301) 상에 오버레이되고, 오버랩의 영역이 결정된다. 몇몇 실시형태에서, 오버랩의 영역의 가장 넓은 경계는 참고 범위의 상부 경계 및 하부 경계이거나 또는 그 상부 경계 및 하부 경계를 결정하기 위해 사용된다. 몇몇 실시형태에서, 참고 범위의 상부 경계 및 하부 경계는 그래픽 맵(300)의 건강 또는 위험 파라미터 값의 가장 넓은 분포의 영역(301) 및 그래픽 맵(700)의 밸리(701)의 오버랩의 영역의 외부 경계와 동일하거나 또는 그 외부 경계에 의해 결정된다. 오버랩의 영역의 외부 경계는, 몇몇 실시형태에서, 301에서 모집단의 가장 높은 백분율을 갖는 영역을, 701에서 가장 낮은 사망률/유해한 건강 결과율을 갖는 영역에 대해 비교하는 컴퓨터 프로그램에 의해 결정된다. 몇몇 실시형태에서, 701에서 가장 낮은 사망/유해한 건강 결과를 갖는 영역의 시작 포인트 및 종료 포인트는 HDL(또는 축(702)에 의해 표현되는 임의의 다른 건강 또는 위험 파라미터 값)에 대한 참고 범위이거나 또는 그 참고 범위를 결정한다. 몇몇 실시형태에서, 701에서 가장 낮은 사망/유해한 건강 결과를 갖는 영역의 시작 포인트 및 종료 포인트는 총 콜레스테롤(또는 축(703)에 의해 표현되는 임의의 다른 건강 또는 위험 파라미터 값)에 대한 참고 범위이거나 또는 그 참고 범위를 결정한다. 몇몇 실시형태에서, 701에서 가장 낮은 사망/유해한 건강 결과를 갖는 영역의 시작 포인트 및 종료 포인트는 HDL(또는 축(702)에 의해 표현되는 임의의 다른 건강 또는 위험 파라미터 값) 및 총 콜레스테롤(또는 축(703)에 의해 표현되는 임의의 다른 건강 또는 위험 파라미터 값)에 대한 공동의 참고 범위이거나 또는 그 참고 범위를 공동으로 결정한다.

도 8은, 개체의 모집단으로부터 취해지는 세 개의 건강 또는 위험 파라미터를 나타내는, 본원에서 설명되는 시스템 및 방법에 의해 생성될 바와 같은 예시적인 3D 그래픽 맵(800)을 도시한다. 그래픽 맵(800)은 그래픽 맵(300)과 동일한 HDL 및 총 콜레스테롤 값을 나타내는데, 여기서, 그래픽 맵(800)에서, HDL은 축(802) 상에 있고 총 콜레스테롤은 축(803) 상에 있다. 그래픽 맵(800)에서, 축(804)은 공동 HDL 및 총 콜레스테롤 값과 관련되는 사망률(또는 다른 유해한 건강 결과 위험성)을 나타낸다. 그래픽 맵(800)의 영역(801)은 사망률(또는 다른 유해한 건강 결과 위험성)이 가장 낮은 영역을 나타내며, 그것은 자신을 둘러싸는 피크 사이의 밸리와 유사하다. 도 4의 그래픽 맵(400)과 비교되는 경우, 영역(401 및 801)은 오버랩을 가지는데, 여기서, 오버랩은, 401에서의 가장 높은 모집단 분포 또는 "풋프린트"의 영역과 매칭되는 801에서의 영역으로서 나타난다.

몇몇 실시형태에서, 참고 범위의 상부 경계 및 하부 경계는 그래픽 맵(800)의 영역(801)의 외부 경계와 동일하거나 또는 그 외부 경계에 의해 결정된다. 영역(800)의 외부 경계는, 몇몇 실시형태에서, 401에서 모집단의 가장 높은 백분율을 갖는 영역을, 801에서 가장 낮은 사망률/유해한 건강 결과율을 갖는 영역에 대해 비교하는 컴퓨터 프로그램에 의해 결정된다. 몇몇 실시형태에서, 801에서 가장 낮은 사망/유해한 건강 결과를 갖는 영역의 시작 포인트 및 종료 포인트는 HDL(또는 축(802)에 의해 표현되는 임의의 다른 건강 또는 위험 파라미터 값)에 대한 참고 범위이거나 또는 그 참고 범위를 결정한다. 몇몇 실시형태에서, 801에서 가장 낮은 사망/유해한 건강 결과를 갖는 영역의 시작 포인트 및 종료 포인트는 총 콜레스테롤(또는 축(803)에 의해 표현되는 임의의 다른 건강 또는 위험 파라미터 값)에 대한 참고 범위이거나 또는 그 참고 범위를 결정한다. 몇몇 실시형태에서, 801에서 가장 낮은 사망/유해한 건강 결과를 갖는 영역의 시작 포인트 및 종료 포인트는 HDL(또는 축(802)에 의해 표현되는 임의의 다른 건강 또는 위험 파라미터 값) 및 총 콜레스테롤(또는 축(803)에 의해 표현되는 임의의 다른 건강 또는 위험 파라미터 값)에 대한 공동의 참고 범위이거나 또는 그 참고 범위를 공동으로 결정한다.

본원에서 설명되는 시스템 및 방법의 몇몇 실시형태에서, 컴퓨터 프로그램은 제1 그래픽 맵(400)에서의 건강 또는 위험 파라미터 값의 가장 넓은 분포의 영역(401) 및 제2 그래픽 맵(800)에서의 밸리(801)를 분석하도록 및/또는 비교하도록 구성된다. 몇몇 실시형태에서, 제2 그래픽 맵에서의 밸리(801)는 제1 그래픽 맵(400)에서의 건강 또는 위험 파라미터 값의 가장 넓은 분포의 영역(401) 상에 오버레이되고, 오버랩의 영역이 결정된다. 몇몇 실시형태에서, 오버랩의 영역의 가장 넓은 경계는 참고 범위의 상부 경계 및 하부 경계이거나 또는 그 상부 경계 및 하부 경계를 결정하기 위해 사용된다. 몇몇 실시형태에서, 참고 범위의 상부 경계 및 하부 경계는 그래픽 맵(400)의 건강 또는 위험 파라미터 값의 가장 넓은 분포의 영역(401) 및 그래픽 맵(800)의 밸리(801)의 오버랩의 영역의 외부 경계와 동일하거나 또는 그 외부 경계에 의해 결정된다. 오버랩의 영역의 외부 경계는, 몇몇 실시형태에서, 401에서 모집단의 가장 높은 백분율을 갖는 영역을, 801에서 가장 낮은 사망률/유해한 건강 결과율을 갖는 영역에 대해 비교하는 컴퓨터 프로그램에 의해 결정된다. 몇몇 실시형태에서, 801에서 가장 낮은 사망/유해한 건강 결과를 갖는 영역의 시작 포인트 및 종료 포인트는 HDL(또는 축(802)에 의해 표현되는 임의의 다른 건강 또는 위험 파라미터 값)에 대한 참고 범위이거나 또는 그 참고 범위를 결정한다. 몇몇 실시형태에서, 801에서 가장 낮은 사망/유해한 건강 결과를 갖는 영역의 시작 포인트 및 종료 포인트는 총 콜레스테롤(또는 축(803)에 의해 표현되는 임의의 다른 건강 또는 위험 파라미터 값)에 대한 참고 범위이거나 또는 그 참고 범위를 결정한다. 몇몇 실시형태에서, 801에서 가장 낮은 사망/유해한 건강 결과를 갖는 영역의 시작 포인트 및 종료 포인트는 HDL(또는 축(802)에 의해 표현되는 임의의 다른 건강 또는 위험 파라미터 값) 및 총 콜레스테롤(또는 축(803)에 의해 표현되는 임의의 다른 건강 또는 위험 파라미터 값)에 대한 공동의 참고 범위이거나 또는 그 참고 범위를 공동으로 결정한다.

도 9는, 개체의 모집단으로부터 취해지는 세 개의 건강 또는 위험 파라미터를 나타내는, 본원에서 설명되는 시스템 및 방법에 의해 생성될 바와 같은 예시적인 3D 그래픽 맵(900)을 도시한다. 그래픽 맵(900)은 그래픽 맵(500)과 동일한 HDL 및 총 콜레스테롤 값을 나타내는데, 여기서, 그래픽 맵(900)에서, HDL은 축(902) 상에 있고 총 콜레스테롤은 축(903) 상에 있다. 그래픽 맵(900)에서, 축(904)은 공동 HDL 및 총 콜레스테롤 값과 관련되는 사망률(또는 다른 유해한 건강 결과 위험성)을 나타낸다. 그래픽 맵(900)의 영역(901)은 사망률(또는 다른 유해한 건강 결과 위험성)이 가장 낮은 영역을 나타내며, 그것은 자신을 둘러싸는 피크 사이의 밸리와 유사하다. 도 5의 그래픽 맵(500)과 비교되는 경우, 영역(501 및 901)은 오버랩을 가지는데, 여기서, 오버랩은, 501에서의 가장 높은 모집단 분포 또는 "풋프린트"의 영역과 매칭되는 901에서 나타난다.

몇몇 실시형태에서, 참고 범위의 상부 경계 및 하부 경계는 그래픽 맵(900)의 영역(901)의 외부 경계와 동일하거나 또는 그 외부 경계에 의해 결정된다. 영역(900)의 외부 경계는, 몇몇 실시형태에서, 501에서 모집단의 가장 높은 백분율을 갖는 영역을, 901에서 가장 낮은 사망률/유해한 건강 결과율을 갖는 영역에 대해 비교하는 컴퓨터 프로그램에 의해 결정된다. 몇몇 실시형태에서, 901에서 가장 낮은 사망/유해한 건강 결과를 갖는 영역의 시작 포인트 및 종료 포인트는 HDL(또는 축(902)에 의해 표현되는 임의의 다른 건강 또는 위험 파라미터 값)에 대한 참고 범위이거나 또는 그 참고 범위를 결정한다. 몇몇 실시형태에서, 901에서 가장 낮은 사망/유해한 건강 결과를 갖는 영역의 시작 포인트 및 종료 포인트는 총 콜레스테롤(또는 축(903)에 의해 표현되는 임의의 다른 건강 또는 위험 파라미터 값)에 대한 참고 범위이거나 또는 그 참고 범위를 결정한다. 몇몇 실시형태에서, 901에서 가장 낮은 사망/유해한 건강 결과를 갖는 영역의 시작 포인트 및 종료 포인트는 HDL(또는 축(902)에 의해 표현되는 임의의 다른 건강 또는 위험 파라미터 값) 및 총 콜레스테롤(또는 축(903)에 의해 표현되는 임의의 다른 건강 또는 위험 파라미터 값)에 대한 공동의 참고 범위이거나 또는 그 참고 범위를 공동으로 결정한다.

본원에서 설명되는 시스템 및 방법의 몇몇 실시형태에서, 컴퓨터 프로그램은 제1 그래픽 맵(500)에서의 건강 또는 위험 파라미터 값의 가장 넓은 분포의 영역(501) 및 제2 그래픽 맵(900)에서의 밸리(901)를 분석하도록 및/또는 비교하도록 구성된다. 몇몇 실시형태에서, 제2 그래픽 맵에서의 밸리(901)는 제1 그래픽 맵(500)에서의 건강 또는 위험 파라미터 값의 가장 넓은 분포의 영역(501) 상에 오버레이되고, 오버랩의 영역이 결정된다. 몇몇 실시형태에서, 오버랩의 영역의 가장 넓은 경계는 참고 범위의 상부 경계 및 하부 경계이거나 또는 그 상부 경계 및 하부 경계를 결정하기 위해 사용된다. 몇몇 실시형태에서, 참고 범위의 상부 경계 및 하부 경계는 그래픽 맵(500)의 건강 또는 위험 파라미터 값의 가장 넓은 분포의 영역(501) 및 그래픽 맵(900)의 밸리(901)의 오버랩의 영역의 외부 경계와 동일하거나 또는 그 외부 경계에 의해 결정된다. 오버랩의 영역의 외부 경계는, 몇몇 실시형태에서, 501에서 모집단의 가장 높은 백분율을 갖는 영역을, 901에서 가장 낮은 사망률/유해한 건강 결과율을 갖는 영역에 대해 비교하는 컴퓨터 프로그램에 의해 결정된다. 몇몇 실시형태에서, 901에서 가장 낮은 사망/유해한 건강 결과를 갖는 영역의 시작 포인트 및 종료 포인트는 HDL(또는 축(902)에 의해 표현되는 임의의 다른 건강 또는 위험 파라미터 값)에 대한 참고 범위이거나 또는 그 참고 범위를 결정한다. 몇몇 실시형태에서, 901에서 가장 낮은 사망/유해한 건강 결과를 갖는 영역의 시작 포인트 및 종료 포인트는 총 콜레스테롤(또는 축(903)에 의해 표현되는 임의의 다른 건강 또는 위험 파라미터 값)에 대한 참고 범위이거나 또는 그 참고 범위를 결정한다. 몇몇 실시형태에서, 901에서 가장 낮은 사망/유해한 건강 결과를 갖는 영역의 시작 포인트 및 종료 포인트는 HDL(또는 축(902)에 의해 표현되는 임의의 다른 건강 또는 위험 파라미터 값) 및 총 콜레스테롤(또는 축(903)에 의해 표현되는 임의의 다른 건강 또는 위험 파라미터 값)에 대한 공동의 참고 범위이거나 또는 그 참고 범위를 공동으로 결정한다.

도 10은, 개체의 모집단으로부터 취해지는 세 개의 건강 또는 위험 파라미터를 나타내는, 본원에서 설명되는 시스템 및 방법에 의해 생성될 바와 같은 예시적인 3D 그래픽 맵(1000)을 도시한다. 그래픽 맵(1000)은 그래픽 맵(300)과 동일한 HDL 및 총 콜레스테롤 값을 나타내는데, 여기서, 그래픽 맵(1000)에서, HDL은 축(1002) 상에 있고 총 콜레스테롤은 축(1003) 상에 있다. 그래픽 맵(1000)에서, 축(1004)은 공동 HDL 및 총 콜레스테롤 값과 관련되는 사망률(또는 다른 유해한 건강 결과 위험성)을 나타낸다. 그래픽 맵(1000)의 영역(1001)은 사망률(또는 다른 유해한 건강 결과 위험성)이 가장 낮은 영역을 나타내며, 그것은 자신을 둘러싸는 피크 사이의 밸리와 유사하다. 도 6의 그래픽 맵(600)과 비교되는 경우, 영역(601 및 1001)은, 1001이 601에서의 가장 높은 모집단 분포 또는 "풋프린트"의 영역과 매칭된다는 점에서, 오버랩을 갖는다.

몇몇 실시형태에서, 참고 범위의 상부 경계 및 하부 경계는 그래픽 맵(1000)의 영역(1001)의 외부 경계와 동일하거나 또는 그 외부 경계에 의해 결정된다. 몇몇 실시형태에서, 1001에서 가장 낮은 사망/유해한 건강 결과를 갖는 영역의 시작 포인트 및 종료 포인트는 HDL(또는 축(1002)에 의해 표현되는 임의의 다른 건강 또는 위험 파라미터 값)에 대한 참고 범위이거나 또는 그 참고 범위를 결정한다. 몇몇 실시형태에서, 1001에서 가장 낮은 사망/유해한 건강 결과를 갖는 영역의 시작 포인트 및 종료 포인트는 총 콜레스테롤(또는 축(1003)에 의해 표현되는 임의의 다른 건강 또는 위험 파라미터 값)에 대한 참고 범위이거나 또는 그 참고 범위를 결정한다. 몇몇 실시형태에서, 1001에서 가장 낮은 사망/유해한 건강 결과를 갖는 영역의 시작 포인트 및 종료 포인트는 HDL(또는 축(1002)에 의해 표현되는 임의의 다른 건강 또는 위험 파라미터 값) 및 총 콜레스테롤(또는 축(1003)에 의해 표현되는 임의의 다른 건강 또는 위험 파라미터 값)에 대한 공동의 참고 범위이거나 또는 그 참고 범위를 공동으로 결정한다.

본원에서 설명되는 시스템 및 방법의 몇몇 실시형태에서, 컴퓨터 프로그램은 제1 그래픽 맵(600)에서의 건강 또는 위험 파라미터 값의 가장 넓은 분포의 영역(601) 및 제2 그래픽 맵(1000)에서의 밸리(1001)를 분석하도록 및/또는 비교하도록 구성된다. 몇몇 실시형태에서, 제2 그래픽 맵에서의 밸리(1001)는 제1 그래픽 맵(600)에서의 건강 또는 위험 파라미터 값의 가장 넓은 분포의 영역(601) 상에 오버레이되고, 오버랩의 영역이 결정된다. 몇몇 실시형태에서, 오버랩의 영역의 가장 넓은 경계는 참고 범위의 상부 경계 및 하부 경계이거나 또는 그 상부 경계 및 하부 경계를 결정하기 위해 사용된다. 몇몇 실시형태에서, 참고 범위의 상부 경계 및 하부 경계는 그래픽 맵(600)의 건강 또는 위험 파라미터 값의 가장 넓은 분포의 영역(601) 및 그래픽 맵(1000)의 밸리(1001)의 오버랩의 영역의 외부 경계와 동일하거나 또는 그 외부 경계에 의해 결정된다. 오버랩의 영역의 외부 경계는, 몇몇 실시형태에서, 601에서 모집단의 가장 높은 백분율을 갖는 영역을, 1001에서 가장 낮은 사망률/유해한 건강 결과율을 갖는 영역에 대해 비교하는 컴퓨터 프로그램에 의해 결정된다. 몇몇 실시형태에서, 1002에서 가장 낮은 사망/유해한 건강 결과를 갖는 영역의 시작 포인트 및 종료 포인트는 HDL(또는 축(1002)에 의해 표현되는 임의의 다른 건강 또는 위험 파라미터 값)에 대한 참고 범위이거나 또는 그 참고 범위를 결정한다. 몇몇 실시형태에서, 1003에서 가장 낮은 사망/유해한 건강 결과를 갖는 영역의 시작 포인트 및 종료 포인트는 총 콜레스테롤(또는 축(1003)에 의해 표현되는 임의의 다른 건강 또는 위험 파라미터 값)에 대한 참고 범위이거나 또는 그 참고 범위를 결정한다. 몇몇 실시형태에서, 1003에서 가장 낮은 사망/유해한 건강 결과를 갖는 영역의 시작 포인트 및 종료 포인트는 HDL(또는 축(1002)에 의해 표현되는 임의의 다른 건강 또는 위험 파라미터 값) 및 총 콜레스테롤(또는 축(1003)에 의해 표현되는 임의의 다른 건강 또는 위험 파라미터 값)에 대한 공동의 참고 범위이거나 또는 그 참고 범위를 공동으로 결정한다.

도 11은, 개체의 모집단으로부터 취해지는 세 개의 건강 또는 위험 파라미터를 나타내는, 본원에서 설명되는 시스템 및 방법에 의해 생성될 바와 같은 예시적인 3D 그래픽 맵(1100)을 도시한다. 3D 그래픽 맵에서, 건강 또는 위험 파라미터는 100,000 명 이상의 개체에 대한 대규모 모집단 연구로부터 취해졌다. 3D 그래픽 맵에서 매핑되는 데이터는 20 세 내지 59 세 사이의 여성으로부터 수집되는 데이터를 포함한다. 구체적으로, 데이터는 각각의 개체에 대한 HDL 및 총 콜레스테롤/HDL 비율을 포함한다. 도 11에서 도시되는 바와 같이, HDL 값은, 개체의 HDL 값이 5 개의 값 단위의 그룹으로 나누어지는 제1 축(1102) 상에 표현된다. 예를 들면, 하나의 HDL 그룹은, 예를 들면, 26의 HDL을 갖는 임의의 개체가 이 그룹에 배치되도록, HDL의 25 내지 29 단위로부터의 HDL 값을 포함한다. 유사하게, 총 콜레스테롤/HDL 비율은, 개체의 총 콜레스테롤/HDL 비율이 0.5 개의 값 단위의 그룹으로 나누어지는 제1 축(1103) 상에 표현된다. 예를 들면, 하나의 비율 그룹은, 예를 들면, 9.9의 총 콜레스테롤/HDL 비율을 갖는 임의의 개체가 이 그룹에 배치되도록, 총 콜레스테롤/HDL의 9.5 내지 10 단위의 범위에 이른다. 모집단의 백분율은 제3 축(1104) 상에 표현된다. 이들 세 개의 건강 또는 위험 파라미터 데이터 포인트 - HDL, 총 콜레스테롤/HDL 비율, 및 모집단의 백분율 - 는 3D 그래픽 맵(1100)에서 매핑되는데, 여기서 각각의 개체의 HDL 및 총 콜레스테롤/HDL 비율 값은 x-y 평면에서 그들 각각의 그룹에 배치되고, 이들 그룹이 나타내는 모집단의 백분율은 z 축 상에 그래프로 나타내어진다. 그 방식으로 값을 매핑하는 것은, 공동 값이 나타내는 모집단의 백분율과 함께, 두 개의 공동 건강 또는 위험 파라미터 값(즉, 총 콜레스테롤/HDL 비율과 결합되는 HDL 레벨)의 삼차원 표현을 생성한다. 예를 들면, 45의 HDL 및 4의 총 콜레스테롤(total cholesterol; TC)/HDL 비율을 갖는 개체는, 데이터가 취해졌던 전체 모집단의 1.64 %일 것이다. 3D 그래픽 맵의 영역(1101)은 HDL 및 TC/HDL 값의 가장 넓은 분포를 갖는 맵의 영역을 나타낸다. 영역(1105)은 그래픽 맵 상에 나타내어지는 모집단의 4.00 % 내지 4.50 %를 나타내고 최소 양의 분포를 갖는다. 영역(1106)은 그래픽 맵 상에 나타내어지는 모집단의 2.00 % 내지 2.50 %를 나타내고 중간 양의 분포를 갖는다.

몇몇 실시형태에서, 참고 범위의 상부 경계 및 하부 경계는 그래픽 맵(1000)의 영역(1101)의 외부 경계와 동일하거나 또는 그 외부 경계에 의해 결정된다. 영역의 외부 경계는, 몇몇 실시형태에서, 영역(1101) 내에서의 모집단의 백분율을 계산하는 컴퓨터 프로그램에 의해 결정된다. 몇몇 실시형태에서, 모집단의 계산된 백분율이 가장 높은 영역의 시작 포인트 및 종료 포인트는 HDL(또는 축(1102)에 의해 표현되는 임의의 다른 모집단 파라미터 값)에 대한 참고 범위이거나 또는 그 참고 범위를 결정한다. 몇몇 실시형태에서, 모집단의 계산된 백분율이 가장 높은 영역의 시작 포인트 및 종료 포인트는 총 콜레스테롤/HDL 비율(또는 축(1103)에 의해 표현되는 임의의 다른 건강 또는 위험 파라미터 값)에 대한 참고 범위이거나 또는 그 참고 범위를 결정한다. 몇몇 실시형태에서, 모집단의 계산된 백분율이 가장 높은 영역의 시작 포인트 및 종료 포인트는 HDL(또는 축(1102)에 의해 표현되는 임의의 다른 모집단 파라미터 값) 및 총 콜레스테롤/HDL 비율(또는 축(1103)에 의해 표현되는 임의의 다른 건강 또는 위험 파라미터 값)에 대한 공동의 참고 범위이거나 또는 그 참고 범위를 공동으로 결정한다.

도 12는, 개체의 모집단으로부터 취해지는 세 개의 건강 또는 위험 파라미터를 나타내는, 본원에서 설명되는 시스템 및 방법에 의해 생성될 바와 같은 예시적인 3D 그래픽 맵(1200)을 도시한다. 3D 그래픽 맵에서, 건강 또는 위험 파라미터는 100,000 명 이상의 개체에 대한 대규모 모집단 연구로부터 취해졌다. 3D 그래픽 맵에서 매핑되는 데이터는 20 세 내지 59 세 사이의 남성으로부터 수집되는 데이터를 포함한다. 구체적으로, 데이터는 각각의 개체에 대한 HDL 및 총 콜레스테롤(TC)/HDL 비율을 포함한다. 도 12에서 도시되는 바와 같이, HDL 값은, 개체의 HDL 값이 5 개의 값 단위의 그룹으로 나누어지는 제1 축(1202) 상에 표현된다. 예를 들면, 하나의 HDL 그룹은, 예를 들면, 26의 HDL을 갖는 임의의 개체가 이 그룹에 배치되도록, HDL의 25 내지 29 단위로부터의 HDL 값을 포함한다. 유사하게, 총 콜레스테롤/HDL 비율은, 총 콜레스테롤/HDL 비율의 범위가 0.5 개의 값 단위의 그룹으로 나누어지는 제1 축(1203) 상에 표현된다. 모집단의 백분율은 제3 축(1204) 상에 표현된다. 건강 또는 위험 파라미터 데이터 포인트는 3D 그래픽 맵(1200)에서 매핑되는데, 여기서 각각의 개체의 HDL 및 TC/HDL 값은 x-y 평면에서 그들 각각의 그룹에 배치되고 이들 그룹이 나타내는 모집단의 백분율은 z 축 상에 그래프로 나타내어진다. 그 방식으로 값을 매핑하는 것은, 공동 값이 나타내는 모집단의 백분율과 함께, 두 개의 공동 건강 또는 위험 파라미터 값(즉, 총 콜레스테롤/HDL 비율과 결합되는 HDL 레벨)의 삼차원 표현을 생성한다. 예를 들면, 45의 HDL 및 4.5의 TC/HDL 비율을 갖는 개체는, 데이터가 취해졌던 전체 모집단의 1.50 %와 2.00 % 사이에 있을 것이다. 3D 그래픽 맵의 영역(1201)은 건강 또는 위험 파라미터 값의 가장 넓은 분포, 예를 들면, HDL 및/또는 TC/HDL 비율을 갖는 맵의 영역을 나타낸다. (도 11에서 도시되는 바와 같이) 3D 그래픽 맵(1100)은, 3D 그래픽 맵(1200)에서 가장 큰 분포의 영역(1201)과 비교하여, 가장 큰 분포의 자신의 범위(1101)가 상이하다는 것이 주목할 만하다. 그래픽 맵(1100)과 그래픽 맵(1200) 사이의 외관에서의 이러한 차이는, 그래픽 맵(1100 및 1200) 각각에서 각각 표현되는 모집단(또는 하위 모집단) 사이의 성별에서의 차이의 결과인 것으로 추정된다. 둘 모두 동일한 연령대에 대한 것인 그래픽 맵(1100)과 그래픽 맵(1200) 사이에 차이가 있다는 것은, 성별 참고 범위를 생성하기 위한 데이터를 분리하는 값을 강조한다. 몇몇 경우에, 그래픽 맵 중, 모집단 분포가 가장 큰 부분(즉, 범위(1101 및 1201))에 적어도 기초하여 참고 범위가 결정된다. 따라서, 상이한 연령 그룹의 3D 그래픽 맵에서의 모집단 분포에서의 차이는 하나의 성별과 다른 성별 사이의 참고 범위에서의 차이를 나타낼 수도 있다. 상기 여전히 다른 방식에서, 그래픽 맵(1100)과 그래픽 맵(1200) 사이의 차이에 기초하여, 상이한 참고 범위는, 20 세 내지 59 세 사이의 여성보다는, 20 세 내지 59 세 사이의 남성에서 정상적인 HDL 값을 정의할 것이다는 것이 예상된다.

몇몇 실시형태에서, 참고 범위의 상부 경계 및 하부 경계는 그래픽 맵(1200)의 영역(1201)의 외부 경계와 동일하거나 또는 그 외부 경계에 의해 결정된다. 영역(1200)의 외부 경계는, 몇몇 실시형태에서, 영역(1201) 내에서의 모집단의 백분율을 계산하는 컴퓨터 프로그램에 의해 결정된다. 몇몇 실시형태에서, 모집단의 계산된 백분율이 가장 높은 영역의 시작 포인트 및 종료 포인트는 HDL(또는 축(1202)에 의해 표현되는 임의의 다른 건강 또는 위험 파라미터 값)에 대한 참고 범위이거나 또는 그 참고 범위를 결정한다. 몇몇 실시형태에서, 모집단의 계산된 백분율이 가장 높은 영역의 시작 포인트 및 종료 포인트는 총 콜레스테롤/HDL 비율(또는 축(1203)에 의해 표현되는 임의의 다른 건강 또는 위험 파라미터 값)에 대한 참고 범위이거나 또는 그 참고 범위를 결정한다. 몇몇 실시형태에서, 모집단의 계산된 백분율이 가장 높은 영역의 시작 포인트 및 종료 포인트는 HDL(또는 축(1202)에 의해 표현되는 임의의 다른 건강 또는 위험 파라미터 값) 및 총 콜레스테롤/HDL 비율(또는 축(1203)에 의해 표현되는 임의의 다른 건강 또는 위험 파라미터 값)에 대한 공동의 참고 범위이거나 또는 그 참고 범위를 공동으로 결정한다.

도 13은, 제1 축(1302), 제2 축(1303), 및 제3 축(1304)을 따라, 60 세 내지 89 세 사이의 여성으로부터 수집되는 모집단 데이터의 HDL, TC/HDL, 및 퍼센트를 사용하여 각각 매핑되는 예시적인 3D 그래픽 맵(1300)을 도시한다. 3D 그래픽 맵의 영역(1301)은 HDL 및 TC/HDL 값의 가장 넓은 분포를 갖는 맵의 영역을 나타낸다. 3D 그래픽 맵(1300)의 영역(1301)은 개체의 건강 또는 위험 파라미터 값의 가장 넓은 분포를 갖는 맵의 영역을 나타낸다. (도 11에서 도시되는 바와 같이) 3D 그래픽 맵(1100)은, 3D 그래픽 맵(1300)과 비교하여, 가장 큰 분포의 자신의 범위에서 상이하다는 것이 주목할 만하다. 그래픽 맵(1100)과 그래픽 맵(1300) 사이의 외관에서의 이러한 차이는, 그래픽 맵(1100 및 1300) 각각에서 각각 표현되는 모집단(또는 하위 모집단) 사이의 연령에서의 차이의 결과인 것으로 추정된다. 둘 모두 동일한 성별에 대한 것인 그래픽 맵(1100)과 그래픽 맵(1300) 사이에 차이가 있다는 것은, 연령별 참고 범위를 생성하기 위한 데이터를 분리하는 값을 강조한다. 몇몇 경우에, 그래픽 맵 중, 1101 또는 1301 중 어느 하나에서 모집단 분포가 가장 큰 부분에 기초하여 참고 범위가 결정된다. 따라서, 상이한 연령 그룹의 3D 그래픽 맵에서의 모집단 분포에서의 차이는 하나의 연령과 다른 연령 사이의 참고 범위에서의 차이를 나타낼 수도 있다. 상기 여전히 다른 방식에서, 그래픽 맵(1100)과 그래픽 맵(1300) 사이의 차이에 기초하여, 상이한 참고 범위는, 60 세 내지 89 세 사이의 여성보다는, 20 세 내지 59 세 사이의 여성에서 정상적인 HDL 값을 정의할 것이다는 것이 예상된다.

몇몇 실시형태에서, 참고 범위의 상부 경계 및 하부 경계는 영역(1301)의 외부 경계와 동일하거나 또는 그 외부 경계에 의해 결정된다. 영역의 외부 경계는, 몇몇 실시형태에서, 영역(1301) 내에서의 모집단의 백분율을 계산하는 컴퓨터 프로그램에 의해 결정된다. 몇몇 실시형태에서, 모집단의 계산된 백분율이 가장 높은 영역의 시작 포인트 및 종료 포인트는 HDL(또는 축(1302)에 의해 표현되는 임의의 다른 모집단 파라미터 값)에 대한 참고 범위이거나 또는 그 참고 범위를 결정한다. 몇몇 실시형태에서, 1303에서 모집단의 계산된 백분율이 가장 높은 영역의 시작 포인트 및 종료 포인트는 총 콜레스테롤/HDL 비율(또는 축(1303)에 의해 표현되는 임의의 다른 모집단 파라미터 값)에 대한 참고 범위이거나 또는 그 참고 범위를 결정한다. 몇몇 실시형태에서, 1303에서 모집단의 계산된 백분율이 가장 높은 영역의 시작 포인트 및 종료 포인트는 HDL(또는 축(1302)에 의해 표현되는 임의의 다른 모집단 파라미터 값) 및 총 콜레스테롤/HDL 비율(또는 축(1303)에 의해 표현되는 임의의 다른 모집단 파라미터 값)에 대한 공동의 참고 범위이거나 또는 그 참고 범위를 공동으로 결정한다.

도 14는, 개체의 모집단으로부터 취해지는 세 개의 건강 또는 위험 파라미터를 나타내는, 본원에서 설명되는 시스템 및 방법에 의해 생성될 바와 같은 예시적인 3D 그래픽 맵(1400)을 도시한다. 3D 그래픽 맵(1400)에서, 건강 또는 위험 파라미터는 100,000 명 이상의 개체에 대한 대규모 모집단 연구로부터 취해졌다. 3D 그래픽 맵에서 매핑되는 데이터는 60 세 내지 89 세 사이의 남성으로부터 수집되는 데이터를 포함한다. 구체적으로, 데이터는 각각의 개체에 대한 HDL 및 총 콜레스테롤/HDL 비율을 포함한다. 도 14에서 도시되는 바와 같이, HDL 값은, 개체의 HDL 값이 5 개의 값 단위의 그룹으로 나누어지는 제1 축(1402) 상에 표현된다. 유사하게, 총 콜레스테롤/HDL 비율은, 개체의 총 콜레스테롤/HDL 비율이 0.5 개의 값 단위의 그룹으로 나누어지는 제2 축(1403) 상에 표현된다. 모집단의 백분율은 제3 축(1404) 상에 표현된다. 건강 또는 위험 파라미터 데이터 포인트는 3D 그래픽 맵(1400)에서 매핑되는데, 여기서 각각의 개체의 HDL 및 TC/HDL 비율 값은 x-y 평면에서 그들 각각의 그룹에 배치되고 이들 그룹이 나타내는 모집단의 백분율은 z 축 상에 그래프로 나타내어진다. 그 방식으로 값을 매핑하는 것은, 공동 값이 나타내는 모집단의 백분율과 함께, 두 개의 공동 건강 또는 위험 파라미터 값(즉, TC/HDL 비율과 결합되는 HDL 레벨)의 삼차원 표현을 생성한다. 3D 그래픽 맵(1400)의 영역(1401)은 개체 값의 가장 넓은 분포를 갖는 맵(1400)의 영역을 나타낸다. (도 12에서 도시되는 바와 같이) 3D 그래픽 맵(1200)은, 3D 그래픽 맵(1400)과 비교하여, 가장 큰 분포의 자신의 범위에서 상이하다는 것이 주목할 만하다. 그래픽 맵(1200)과 그래픽 맵(1400) 사이의 외관에서의 이러한 차이는, 그래픽 맵(1200 및 1400) 각각에서 각각 표현되는 모집단(또는 하위 모집단) 사이의 연령에서의 차이의 결과인 것으로 추정된다. 둘 모두 동일한 성별에 대한 것인 그래픽 맵(1200)과 그래픽 맵(1400) 사이에 차이가 있다는 것은, 연령별 참고 범위를 생성하기 위한 데이터를 분리하는 값을 강조한다. 몇몇 경우에, 그래픽 맵 중, 모집단 분포가 가장 큰 부분(즉, 영역(1201 및 1401))에 적어도 기초하여 참고 범위가 결정된다. 따라서, 상이한 연령 그룹의 3D 그래픽 맵에서의 모집단 분포에서의 차이는 하나의 연령과 다른 연령 사이의 참고 범위에서의 차이를 나타낼 수도 있다. 상기 여전히 다른 방식에서, 그래픽 맵(1200)과 그래픽 맵(1400) 사이의 차이에 기초하여, 상이한 참고 범위는, 20 세 내지 59 세 사이의 남성 및 60 세 내지 89 세 사이의 남성에서 정상적인 HDL 값을 정의할 것이다는 것이 예상된다.

몇몇 실시형태에서, 참고 범위의 상부 경계 및 하부 경계는 그래픽 맵(1400)의 영역(1401)의 외부 경계와 동일하거나 또는 그 외부 경계에 의해 결정된다. 영역의 외부 경계는, 몇몇 실시형태에서, 영역(1401) 내에서의 모집단의 백분율을 계산하는 컴퓨터 프로그램에 의해 결정된다. 몇몇 실시형태에서, 모집단의 계산된 백분율이 가장 높은 영역의 시작 포인트 및 종료 포인트는 HDL(또는 축(1402)에 의해 표현되는 임의의 다른 모집단 파라미터 값)에 대한 참고 범위이거나 또는 그 참고 범위를 결정한다. 몇몇 실시형태에서, 모집단의 계산된 백분율이 가장 높은 영역의 시작 포인트 및 종료 포인트는 총 콜레스테롤/HDL 비율(또는 축(1403) 상에 표현되는 임의의 다른 건강 또는 위험 파라미터 값)에 대한 참고 범위이거나 또는 그 참고 범위를 결정한다. 몇몇 실시형태에서, 모집단의 계산된 백분율이 가장 높은 영역의 시작 포인트 및 종료 포인트는 HDL(또는 축(1402)에 의해 표현되는 임의의 다른 모집단 파라미터 값) 및 총 콜레스테롤/HDL 비율(또는 축(1403) 상에 표현되는 임의의 다른 건강 또는 위험 파라미터 값)에 대한 공동의 참고 범위이거나 또는 그 참고 범위를 공동으로 결정한다.

도 15는, 개체의 모집단으로부터 취해지는 세 개의 건강 또는 위험 파라미터를 나타내는, 본원에서 설명되는 시스템 및 방법에 의해 생성될 바와 같은 예시적인 3D 그래픽 맵(1500)을 도시한다. 그래픽 맵(1500)은 그래픽 맵(1100)과 동일한 HDL 및 총 콜레스테롤/HDL 비율을 나타내는데, 여기서, 그래픽 맵(1500)에서, HDL은 축(1502) 상에 있고 총 콜레스테롤/HDL 비율은 축(1503) 상에 있다. 축(1504)은 공동 HDL 및 총 콜레스테롤/HDL 비율 값과 관련되는 사망률(또는 다른 유해한 건강 결과 위험성)을 나타낸다. 그래픽 맵의 영역(1501)은 사망률(또는 다른 유해한 건강 결과 위험성)이 가장 낮은 영역을 나타내며, 그것은 자신을 둘러싸는 피크 사이의 밸리와 유사하다. 도 11의 그래픽 맵(1100)과 비교되는 경우, 영역(1101 및 1501)은 오버랩을 가지는데, 여기서, 오버랩은, 영역(1501)이 영역(1101)의 가장 높은 모집단 분포 또는 "풋프린트"의 영역과 매칭될 때 나타난다.

몇몇 실시형태에서, 참고 범위의 상부 경계 및 하부 경계는 그래픽 맵(1500)의 영역(1501)의 외부 경계와 동일하거나 또는 그 외부 경계에 의해 결정된다. 영역의 외부 경계는, 몇몇 실시형태에서, 영역(1501)에서의 사망률을 계산하는 컴퓨터 프로그램에 의해 결정된다. 몇몇 실시형태에서, 사망률/유해한 건강 결과율의 계산된 백분율이 가장 낮은 영역의 시작 포인트 및 종료 포인트는 HDL(또는 축(1502)에 의해 표현되는 임의의 다른 건강 또는 위험 파라미터 값)에 대한 참고 범위이거나 또는 그 참고 범위를 결정한다. 몇몇 실시형태에서, 사망/유해한 건강 결과의 계산된 백분율이 1501에서 가장 낮은 영역의 시작 포인트 및 종료 포인트는 총 콜레스테롤/HDL 비율(또는 축(1503)에 의해 표현되는 임의의 다른 건강 또는 위험 파라미터 값)에 대한 참고 범위이거나 또는 그 참고 범위를 결정한다. 몇몇 실시형태에서, 사망/유해한 건강 결과의 계산된 백분율이 1501에서 가장 낮은 영역의 시작 포인트 및 종료 포인트는 HDL(또는 축(1502)에 의해 표현되는 임의의 다른 건강 또는 위험 파라미터 값) 및 총 콜레스테롤/HDL 비율(또는 축(1503)에 의해 표현되는 임의의 다른 건강 또는 위험 파라미터 값)에 대한 공동의 참고 범위이거나 또는 그 참고 범위를 공동으로 결정한다.

본원에서 설명되는 시스템 및 방법의 몇몇 실시형태에서, 컴퓨터 프로그램은 제1 그래픽 맵(1100)에서의 건강 또는 위험 파라미터 값의 가장 넓은 분포의 영역(1101) 및 제2 그래픽 맵(1500)에서의 밸리(1501)를 분석하도록 및/또는 비교하도록 구성된다. 몇몇 실시형태에서, 제2 그래픽 맵에서의 밸리(1501)는 제1 그래픽 맵(1100)에서의 건강 또는 위험 파라미터 값의 가장 넓은 분포의 영역(1101) 상에 오버레이되고, 오버랩의 영역이 결정된다. 몇몇 실시형태에서, 오버랩의 영역의 가장 넓은 경계는 참고 범위의 상부 경계 및 하부 경계이거나 또는 그 상부 경계 및 하부 경계를 결정하기 위해 사용된다. 몇몇 실시형태에서, 참고 범위의 상부 경계 및 하부 경계는 그래픽 맵(1100)의 건강 또는 위험 파라미터 값의 가장 넓은 분포의 영역(1101) 및 그래픽 맵(1500)의 밸리(1501)의 오버랩의 영역의 외부 경계와 동일하거나 또는 그 외부 경계에 의해 결정된다. 오버랩의 영역의 외부 경계는, 몇몇 실시형태에서, 1101에서 모집단의 가장 높은 백분율을 갖는 영역을, 1501에서 가장 낮은 사망률/유해한 건강 결과율을 갖는 영역에 대해 비교하는 컴퓨터 프로그램에 의해 결정된다. 몇몇 실시형태에서, 1501에서 가장 낮은 사망/유해한 건강 결과를 갖는 영역의 시작 포인트 및 종료 포인트는 HDL(또는 축(1502)에 의해 표현되는 임의의 다른 건강 또는 위험 파라미터 값)에 대한 참고 범위이거나 또는 그 참고 범위를 결정한다. 몇몇 실시형태에서, 1501에서 가장 낮은 사망/유해한 건강 결과를 갖는 영역의 시작 포인트 및 종료 포인트는 총 콜레스테롤/HDL 비율(또는 축(1503)에 의해 표현되는 임의의 다른 건강 또는 위험 파라미터 값)에 대한 참고 범위이거나 또는 그 참고 범위를 결정한다. 몇몇 실시형태에서, 1501에서 가장 낮은 사망/유해한 건강 결과를 갖는 영역의 시작 포인트 및 종료 포인트는 HDL(또는 축(1502)에 의해 표현되는 임의의 다른 건강 또는 위험 파라미터 값) 및 총 콜레스테롤/HDL 비율(또는 축(1503)에 의해 표현되는 임의의 다른 건강 또는 위험 파라미터 값)에 대한 공동의 참고 범위이거나 또는 그 참고 범위를 공동으로 결정한다.

도 16은, 개체의 모집단으로부터 취해지는 세 개의 건강 또는 위험 파라미터를 나타내는, 본원에서 설명되는 시스템 및 방법에 의해 생성될 바와 같은 예시적인 3D 그래픽 맵(1600)을 도시한다. 그래픽 맵(1600)은 그래픽 맵(1200)과 동일한 HDL 및 총 콜레스테롤/HDL 비율을 나타내는데, 여기서, 그래픽 맵(1600)에서, HDL은 축(1602) 상에 있고 총 콜레스테롤/HDL 비율은 축(1603) 상에 있다. 축(1604)은 공동 HDL 및 총 콜레스테롤/HDL 비율 값과 관련되는 사망률(또는 다른 유해한 건강 결과 위험성)을 나타낸다. 그래픽 맵(1600)의 영역(1601)은 사망률(또는 다른 유해한 건강 결과 위험성)이 가장 낮은 영역을 나타내며, 그것은 자신을 둘러싸는 피크 사이의 밸리와 유사하다. 도 12의 그래픽 맵(1200)과 비교되는 경우, 영역(1201 및 1601)은 오버랩을 가지는데, 여기서 오버랩은 1601에서의 영역이 1201에서의 가장 높은 모집단 분포 또는 "풋프린트"의 영역과 매칭될 때 나타난다.

몇몇 실시형태에서, 참고 범위의 상부 경계 및 하부 경계는 그래픽 맵(1600)의 영역(1601)의 외부 경계와 동일하거나 또는 그 외부 경계에 의해 결정된다. 영역의 외부 경계는, 몇몇 실시형태에서, 1201에서 모집단의 가장 높은 백분율을 갖는 영역을, 1601에서 가장 낮은 사망률/유해한 건강 결과율을 갖는 영역에 대해 비교하는 컴퓨터 프로그램에 의해 결정된다. 몇몇 실시형태에서, 1601에서 가장 낮은 사망/유해한 건강 결과를 갖는 영역의 시작 포인트 및 종료 포인트는 HDL(또는 축(1602)에 의해 표현되는 임의의 다른 건강 또는 위험 파라미터 값)에 대한 참고 범위이거나 또는 그 참고 범위를 결정한다. 몇몇 실시형태에서, 1601에서 가장 낮은 사망/유해한 건강 결과를 갖는 영역의 시작 포인트 및 종료 포인트는 총 콜레스테롤/HDL 비율(또는 축(1603)에 의해 표현되는 임의의 다른 건강 또는 위험 파라미터 값)에 대한 참고 범위이거나 또는 그 참고 범위를 결정한다. 몇몇 실시형태에서, 1601에서 가장 낮은 사망/유해한 건강 결과를 갖는 영역의 시작 포인트 및 종료 포인트는 HDL(또는 축(1602)에 의해 표현되는 임의의 다른 건강 또는 위험 파라미터 값) 및 총 콜레스테롤/HDL 비율(또는 축(1603)에 의해 표현되는 임의의 다른 건강 또는 위험 파라미터 값)에 대한 공동의 참고 범위이거나 또는 그 참고 범위를 공동으로 결정한다.

본원에서 설명되는 시스템 및 방법의 몇몇 실시형태에서, 컴퓨터 프로그램은 제1 그래픽 맵(1200)에서의 건강 또는 위험 파라미터 값의 가장 넓은 분포의 영역(1201) 및 제2 그래픽 맵(1600)에서의 밸리(1601)를 분석하도록 및/또는 비교하도록 구성된다. 몇몇 실시형태에서, 제2 그래픽 맵에서의 밸리(1601)는 제1 그래픽 맵(1200)에서의 건강 또는 위험 파라미터 값의 가장 넓은 분포의 영역(1201) 상에 오버레이되고, 오버랩의 영역이 결정된다. 몇몇 실시형태에서, 오버랩의 영역의 가장 넓은 경계는 참고 범위의 상부 경계 및 하부 경계이거나 또는 그 상부 경계 및 하부 경계를 결정하기 위해 사용된다. 몇몇 실시형태에서, 참고 범위의 상부 경계 및 하부 경계는 그래픽 맵(1200)의 건강 또는 위험 파라미터 값의 가장 넓은 분포의 영역(1201) 및 그래픽 맵(1600)의 밸리(1601)의 오버랩의 영역의 외부 경계와 동일하거나 또는 그 외부 경계에 의해 결정된다. 오버랩의 영역의 외부 경계는, 몇몇 실시형태에서, 1201에서 모집단의 가장 높은 백분율을 갖는 영역을, 1601에서 가장 낮은 사망률/유해한 건강 결과율을 갖는 영역에 대해 비교하는 컴퓨터 프로그램에 의해 결정된다. 몇몇 실시형태에서, 1601에서 가장 낮은 사망/유해한 건강 결과를 갖는 영역의 시작 포인트 및 종료 포인트는 HDL(또는 축(1602)에 의해 표현되는 임의의 다른 건강 또는 위험 파라미터 값)에 대한 참고 범위이거나 또는 그 참고 범위를 결정한다. 몇몇 실시형태에서, 1601에서 가장 낮은 사망/유해한 건강 결과를 갖는 영역의 시작 포인트 및 종료 포인트는 총 콜레스테롤/HDL 비율(또는 축(1603)에 의해 표현되는 임의의 다른 건강 또는 위험 파라미터 값)에 대한 참고 범위이거나 또는 그 참고 범위를 결정한다. 몇몇 실시형태에서, 1601에서 가장 낮은 사망/유해한 건강 결과를 갖는 영역의 시작 포인트 및 종료 포인트는 HDL(또는 축(1602)에 의해 표현되는 임의의 다른 건강 또는 위험 파라미터 값) 및 총 콜레스테롤/HDL 비율(또는 축(1603)에 의해 표현되는 임의의 다른 건강 또는 위험 파라미터 값)에 대한 공동의 참고 범위이거나 또는 그 참고 범위를 공동으로 결정한다.

도 17은, 개체의 모집단으로부터 취해지는 세 개의 건강 또는 위험 파라미터를 나타내는, 본원에서 설명되는 시스템 및 방법에 의해 생성될 바와 같은 예시적인 3D 그래픽 맵(1700)을 도시한다. 그래픽 맵(1700)은 그래픽 맵(1300)과 동일한 HDL 및 총 콜레스테롤/HDL 비율을 나타내는데, 여기서, 그래픽 맵(1700)에서, HDL은 축(1702) 상에 있고 총 콜레스테롤/HDL 비율은 축(1703) 상에 있다. 그래픽 맵(1700)에서, 축(1704)은 공동 HDL 및 총 콜레스테롤/HDL 비율 값과 관련되는 사망률(또는 다른 유해한 건강 결과 위험성)을 나타낸다. 그래픽 맵(1700)의 영역(1701)은 사망률(또는 다른 유해한 건강 결과 위험성)이 가장 낮은 영역을 나타내며, 그것은 자신을 둘러싸는 피크 사이의 밸리와 유사하다. 도 13의 그래픽 맵(1300)과 비교되는 경우, 영역(1301 및 1701)은 오버랩을 가지는데, 여기서, 오버랩은, 1301에서의 가장 높은 모집단 분포 또는 "풋프린트"의 영역과 매칭되는 1701에서 나타난다.

몇몇 실시형태에서, 참고 범위의 상부 경계 및 하부 경계는 그래픽 맵(1700)의 영역(1701)의 외부 경계와 동일하거나 또는 그 외부 경계에 의해 결정된다. 영역의 외부 경계는, 몇몇 실시형태에서, 1301에서 모집단의 가장 높은 백분율을 갖는 영역을, 1701에서 가장 낮은 사망률/유해한 건강 결과율을 갖는 영역에 대해 비교하는 컴퓨터 프로그램에 의해 결정된다. 몇몇 실시형태에서, 1701에서 가장 낮은 사망/유해한 건강 결과를 갖는 영역의 시작 포인트 및 종료 포인트는 HDL(또는 축(1702)에 의해 표현되는 임의의 다른 건강 또는 위험 파라미터 값)에 대한 참고 범위이거나 또는 그 참고 범위를 결정한다. 몇몇 실시형태에서, 1701에서 가장 낮은 사망/유해한 건강 결과를 갖는 영역의 시작 포인트 및 종료 포인트는 총 콜레스테롤/HDL 비율(또는 축(1703)에 의해 표현되는 임의의 다른 건강 또는 위험 파라미터 값)에 대한 참고 범위이거나 또는 그 참고 범위를 결정한다. 몇몇 실시형태에서, 1701에서 가장 낮은 사망/유해한 건강 결과를 갖는 영역의 시작 포인트 및 종료 포인트는 HDL(또는 축(1702)에 의해 표현되는 임의의 다른 건강 또는 위험 파라미터 값) 및 총 콜레스테롤/HDL 비율(또는 축(1703)에 의해 표현되는 임의의 다른 건강 또는 위험 파라미터 값)에 대한 공동의 참고 범위이거나 또는 그 참고 범위를 공동으로 결정한다.

본원에서 설명되는 시스템 및 방법의 몇몇 실시형태에서, 컴퓨터 프로그램은 제1 그래픽 맵(1300)에서의 건강 또는 위험 파라미터 값의 가장 넓은 분포의 영역(1301) 및 제2 그래픽 맵(1700)에서의 밸리(1701)를 분석하도록 및/또는 비교하도록 구성된다. 몇몇 실시형태에서, 제2 그래픽 맵에서의 밸리(1701)는 제1 그래픽 맵(1300)에서의 건강 또는 위험 파라미터 값의 가장 넓은 분포의 영역(1301) 상에 오버레이되고, 오버랩의 영역이 결정된다. 몇몇 실시형태에서, 오버랩의 영역의 가장 넓은 경계는 참고 범위의 상부 경계 및 하부 경계이거나 또는 그 상부 경계 및 하부 경계를 결정하기 위해 사용된다. 몇몇 실시형태에서, 참고 범위의 상부 경계 및 하부 경계는 그래픽 맵(1300)의 건강 또는 위험 파라미터 값의 가장 넓은 분포의 영역(1301) 및 그래픽 맵(1700)의 밸리(1701)의 오버랩의 영역의 외부 경계와 동일하거나 또는 그 외부 경계에 의해 결정된다. 오버랩의 영역의 외부 경계는, 몇몇 실시형태에서, 1301에서 모집단의 가장 높은 백분율을 갖는 영역을, 1701에서 가장 낮은 사망률/유해한 건강 결과율을 갖는 영역에 대해 비교하는 컴퓨터 프로그램에 의해 결정된다. 몇몇 실시형태에서, 1701에서 가장 낮은 사망/유해한 건강 결과를 갖는 영역의 시작 포인트 및 종료 포인트는 HDL(또는 축(1702)에 의해 표현되는 임의의 다른 건강 또는 위험 파라미터 값)에 대한 참고 범위이거나 또는 그 참고 범위를 결정한다. 몇몇 실시형태에서, 1701에서 가장 낮은 사망/유해한 건강 결과를 갖는 영역의 시작 포인트 및 종료 포인트는 총 콜레스테롤/HDL 비율(또는 축(1703)에 의해 표현되는 임의의 다른 건강 또는 위험 파라미터 값)에 대한 참고 범위이거나 또는 그 참고 범위를 결정한다. 몇몇 실시형태에서, 1701에서 가장 낮은 사망/유해한 건강 결과를 갖는 영역의 시작 포인트 및 종료 포인트는 HDL(또는 축(1702)에 의해 표현되는 임의의 다른 건강 또는 위험 파라미터 값) 및 총 콜레스테롤/HDL 비율(또는 축(1703)에 의해 표현되는 임의의 다른 건강 또는 위험 파라미터 값)에 대한 공동의 참고 범위이거나 또는 그 참고 범위를 공동으로 결정한다.

도 18은, 개체의 모집단으로부터 취해지는 세 개의 건강 또는 위험 파라미터를 나타내는, 본원에서 설명되는 시스템 및 방법에 의해 생성될 바와 같은 예시적인 3D 그래픽 맵(1800)을 도시한다. 그래픽 맵(1800)은 그래픽 맵(1100)과 동일한 HDL 및 총 콜레스테롤/HDL 비율을 나타내는데, 여기서, 그래픽 맵(1800)에서, HDL은 축(1802) 상에 있고 총 콜레스테롤/HDL 비율은 축(1803) 상에 있다. 그래픽 맵(1800)에서, 축(1804)은 공동 HDL 및 총 콜레스테롤/HDL 비율 값과 관련되는 사망률(또는 다른 유해한 건강 결과 위험성)을 나타낸다. 그래픽 맵(1800)의 영역(1801)은 사망률(또는 다른 유해한 건강 결과 위험성)이 가장 낮은 영역을 나타내며, 그것은 자신을 둘러싸는 피크 사이의 밸리와 유사하다. 도 14의 그래픽 맵(1400)과 비교되는 경우, 영역(1401 및 1801)은, 1801이 1401에서의 가장 높은 모집단 분포 또는 "풋프린트"의 영역과 매칭된다는 점에서, 오버랩을 갖는다.

몇몇 실시형태에서, 참고 범위의 상부 경계 및 하부 경계는 그래픽 맵(1800)의 영역(1801)의 외부 경계와 동일하거나 또는 그 외부 경계에 의해 결정된다. 몇몇 실시형태에서, 1801에서 가장 낮은 사망/유해한 건강 결과를 갖는 영역의 시작 포인트 및 종료 포인트는 HDL(또는 축(1802)에 의해 표현되는 임의의 다른 건강 또는 위험 파라미터 값)에 대한 참고 범위이거나 또는 그 참고 범위를 결정한다. 몇몇 실시형태에서, 1801에서 가장 낮은 사망/유해한 건강 결과를 갖는 영역의 시작 포인트 및 종료 포인트는 총 콜레스테롤/HDL 비율(또는 축(1803)에 의해 표현되는 임의의 다른 건강 또는 위험 파라미터 값)에 대한 참고 범위이거나 또는 그 참고 범위를 결정한다. 몇몇 실시형태에서, 1801에서 가장 낮은 사망/유해한 건강 결과를 갖는 영역의 시작 포인트 및 종료 포인트는 HDL(또는 축(1802)에 의해 표현되는 임의의 다른 건강 또는 위험 파라미터 값) 및 총 콜레스테롤/HDL 비율(또는 축(1803)에 의해 표현되는 임의의 다른 건강 또는 위험 파라미터 값)에 대한 공동의 참고 범위이거나 또는 그 참고 범위를 공동으로 결정한다.

본원에서 설명되는 시스템 및 방법의 몇몇 실시형태에서, 컴퓨터 프로그램은 제1 그래픽 맵(1400)에서의 건강 또는 위험 파라미터 값의 가장 넓은 분포의 영역(1401) 및 제2 그래픽 맵(1800)에서의 밸리(1801)를 분석하도록 및/또는 비교하도록 구성된다. 몇몇 실시형태에서, 제2 그래픽 맵에서의 밸리(1801)는 제1 그래픽 맵(1400)에서의 건강 또는 위험 파라미터 값의 가장 넓은 분포의 영역(1401) 상에 오버레이되고, 오버랩의 영역이 결정된다. 몇몇 실시형태에서, 오버랩의 영역의 가장 넓은 경계는 참고 범위의 상부 경계 및 하부 경계이거나 또는 그 상부 경계 및 하부 경계를 결정하기 위해 사용된다. 몇몇 실시형태에서, 참고 범위의 상부 경계 및 하부 경계는 그래픽 맵(1400)의 건강 또는 위험 파라미터 값의 가장 넓은 분포의 영역(1401) 및 그래픽 맵(1800)의 밸리(1401)의 오버랩의 영역의 외부 경계와 동일하거나 또는 그 외부 경계에 의해 결정된다. 오버랩의 영역의 외부 경계는, 몇몇 실시형태에서, 1401에서 모집단의 가장 높은 백분율을 갖는 영역을, 1801에서 가장 낮은 사망률/유해한 건강 결과율을 갖는 영역에 대해 비교하는 컴퓨터 프로그램에 의해 결정된다. 몇몇 실시형태에서, 1802에서 가장 낮은 사망/유해한 건강 결과를 갖는 영역의 시작 포인트 및 종료 포인트는 HDL(또는 축(1802)에 의해 표현되는 임의의 다른 건강 또는 위험 파라미터 값)에 대한 참고 범위이거나 또는 그 참고 범위를 결정한다. 몇몇 실시형태에서, 1803에서 가장 낮은 사망/유해한 건강 결과를 갖는 영역의 시작 포인트 및 종료 포인트는 총 콜레스테롤/HDL 비율(또는 축(1803)에 의해 표현되는 임의의 다른 건강 또는 위험 파라미터 값)에 대한 참고 범위이거나 또는 그 참고 범위를 결정한다. 몇몇 실시형태에서, 1803에서 가장 낮은 사망/유해한 건강 결과를 갖는 영역의 시작 포인트 및 종료 포인트는 HDL(또는 축(1802)에 의해 표현되는 임의의 다른 건강 또는 위험 파라미터 값) 및 총 콜레스테롤/HDL 비율(또는 축(1803)에 의해 표현되는 임의의 다른 건강 또는 위험 파라미터 값)에 대한 공동의 참고 범위이거나 또는 그 참고 범위를 공동으로 결정한다.

참고 범위를 생성하기 위한 시스템 및 방법은, 비 건강 관리 관련 실시형태와 같은, 광범위한 상이한 실시형태에서 사용될 수도 있다. 그러한 실시형태의 경우, 참고 범위는, 건강 관리에 관련이 없는 일반적인 상태 또는 이벤트와 같은, 상태의 존재 또는 부재 또는 특정한 이벤트의 발생 또는 부재를 나타내는 하나 이상의 파라미터 값을 포함할 수도 있다. 그러한 파라미터 값은, 예를 들면, 개체의 컨디션 또는 상태와 관련되는 감지된, 측정된, 또는 관찰된 값이다. 그러한 파라미터 값은, 예를 들면, 특정한 이벤트와 관련되는 감지된, 측정된, 또는 관찰된 값이다. 개체는 인간, 포유 동물, 생물, 또는 무생물(non-living object)일 수도 있다. 그러한 애플리케이션은, 생명 보험, 건강 보험, 화재 보험, 위험 보험, 가정 보험, 자동차 보험, 여행 보험, 홍수 보험, 비즈니스 보험, 애완 동물 보험, 또는 임의의 다른 타입의 보험일 수 있다. 파라미터 값의 타입의 비제한적인 예는 주관적인 데이터, 및 객관적인 데이터를 포함한다. 객관적인 데이터의 비제한적인 예는, 범죄 기록, 교육, 국적, 거주 상태, 결혼 여부(marital status), 소득 범위, 신용 기록, 건강 보험 타입, 건강 보험 보장 범위, 생명 보험 타입, 생명 보험 보장 범위, 부채 금액, 과속 티켓 횟수, 사고 횟수, 제품의 소유, 재산의 소유, 또는 그 개체의 임의의 다른 객관적인 정보를 포함한다. 주관적인 데이터의 비제한적인 예는, 직무 성과(job performance), 및 제품에 대한 만족 레벨, 또는 개체의 또는 개체에 관련되는 임의의 다른 주관적 정보를 포함한다. 비제한적인 예로서, 신청자가 향후 3 년간 자동차 사고에 연루될 가능성이 있는지 또는 연루될 가능성이 없는지의 여부를 자동차 보험 회사가 결정하기 위해 다른 파라미터와 결합된 운전 기록을 사용하여 참고 범위가 생성될 수도 있다. 다른 예로서, 개체가 새로 발매된 모바일 애플리케이션을 구매할 가능성이 있는지 또는 구매할 가능성이 없는지의 여부를 결정하기 위해 참고 범위가 생성될 수 있다.

비록 본 개시가 생물의 건강 또는 위험 파라미터 값을 참조하였지만, 본원에서 제공되는 시스템 및 방법은 다양한 타입의 비 건강 또는 위험 관련 파라미터와 함께 사용하기 위해 활용될 수도 있다. 그러한 파라미터는 모집단의 특성 또는 속성을 설명하는 또는 모집단의 특성 또는 속성과 관련되는 임의의 파라미터일 수 있다. 유사하게, 본원에서 제공되는 시스템 및 방법은 비 생물 유기체의 임의의 모집단과 함께 사용하기 위해 활용될 수도 있다. 예를 들면, 지진의 횟수의 정보를 갖는 지리적 지역에서 지진이 있을지의 여부를 결정하기 위해 참고 범위가 생성될 수 있다. 다른 예로서, 카시트 모집단 중 한 카시트의 안전 레벨을 결정하기 위해 참고 범위가 사용될 수 있다.

3D 모집단 맵

몇몇 양태에서, 모집단의 분석을 용이하게 하기 위한 컴퓨터로 구현되는 방법이 본원에서 개시된다. 그러한 모집단은 인간, 포유 동물, 또는 임의의 다른 생물과 같은 생물의 모집단일의 수도 있다. 대안적으로, 또는 조합하여, 그러한 모집단은 바위, 별, 금속, 오일, 목재, 석탄, 건물, 금속, 및/또는 미네랄과 같은 무생물을 포함할 수도 있다. 예를 들면, 본 방법은, 예를 들면, 운송 레인(shipping lane)(예를 들면, 이동 거리, 선박의 타입, 화물 사이즈, 등등과 같은 파라미터를 가짐), 채굴(예를 들면, 토양/암석의 타입, 자원 속성, 채굴 샤프트의 깊이, 등등과 같은 파라미터를 가짐), 및 수확(예를 들면, 에이커당 사용되는 비료/살충제의 양, 에이커의 수, 식재의 시간(time of planting), 급수의 빈도, 등등과 같은 파라미터를 가짐)과 같은 다양한 현상의 분석을 허용한다. 몇몇 경우에, 대상(object)의 모집단의 분석을 용이하게 하기 위한 방법은, 제1의 복수의 파라미터 값, 제2의 복수의 파라미터 값, 및 모집단 백분율을 수신하는 것을 포함하는데, 여기서 제1의 복수의 파라미터 값, 제2의 복수의 파라미터 값, 또는 둘 모두는 모집단에서 측정된다. 파라미터 값은 건강 또는 위험 파라미터 값일 수 있다. 비제한적인 예로서, 별(star)의 모집단의 경우, 파라미터 값의 제1 및 제2 세트는, 열, 광, 사이즈, 나이, 및 컬러 중 두 개일 수 있다. 몇몇 실시형태에서, 본원에서의 방법은, 삼차원에서 그래픽적으로, 제1 및 제2 파라미터 값을 모집단 백분율과 매핑하고, 이에 의해, 모집단 백분율 맵 또는 등가적으로, 모집단의 분석을 용이하게 하기 위한 모집단 맵을 생성하는 것을 포함한다. 모집단의 분석을 위한 3D 모집단 맵을 생성하는 그러한 방법은 새로운 것이고 데이터 분석 및/또는 시각화의 분야에 대한 상당한 향상을 포함한다. 3D 모집단 맵을 생성하는 그러한 방법은, 특히 대규모의 모집단의 경우, 시각적으로 편리한 데이터 표현을 가능하게 하는 것에 의해, 데이터 핸들링 및 분석을 용이하게 한다. 모집단의 분석을 위해 3D 모집단 맵을 생성하는 그러한 방법은, 유익하게는, 데이터 분석 시간을 감소시킬 수 있고, 모집단의 두 개의 상이한 파라미터에 관련되는 모집단의 특성의 시각적 식별을 가능하게 할 수 있다. 몇몇 경우에, 3D 모집단 맵을 생성하는 방법은, 제1 또는 제2 파라미터를 모델링하기 위해 머신 러닝을 활용하지 않는다. 몇몇 경우에, 3D 모집단 맵을 생성하는 방법은 제1 또는 제2 파라미터의 통계적 모델링을 수반하지 않는다. 예를 들면, 종래의 접근법은, 통상적으로, 단일의 파라미터를 특성 묘사하기 위해 벨 곡선을 사용하지만, 그러나, 다수의 파라미터를 분석하기 위해 통계 모델에 의지한다(예를 들면, 출력/판독에 대한 다양한 파라미터의 관계를 모델링하기 위한 다중 선형 회귀). 대조적으로, 본 방법의 다양한 실시형태는, 통계적 모델링을 요구하지 않으면서 파라미터의 신속한 시각화 및 분석을 허용하는 "3D 벨 곡선"으로서 3D 모집단 맵을 생성한다. 따라서, 본 방법은 모집단 분석의 기술 분야를 향상시키는 단순화된 분석 프로세스를 제공한다. 제1 및 제2 파라미터는, 파라미터 둘 모두의 시각화가 모집단의 분석을 용이하게 하기 위한 또 다른 컨텍스트를 제공하도록 관련될 수 있고, 예를 들면, HDL 및 총 콜레스테롤 레벨을 포함할 수 있다. 그 방법은 "풋프린트"를 식별하기 위해 3D 모집단 맵의 분석을 포함할 수 있다. 예를 들면, 풋프린트는 모집단 내에서 "정상적인" 것을 정의하도록 매핑될 수 있다(예를 들면, HDL 및 콜레스테롤과 같은 제1 및 제2 파라미터 값의 범위 내에 속하는 모집단의 소정의 백분율).

몇몇 경우에, 3D 모집단 맵은 컴퓨터 상에 생성된다. 3D 모집단 맵을 생성하는 프로세스는, 3D 모집단 맵의 물리적 표현을 인쇄하거나 또는 생성하기 위해 명령어를 출력 디바이스로 전송하는 것을 포함할 수 있다. 몇몇 경우에, 3D 모집단 맵의 물리적 표현은 종이 출력물(paper printout), 포스터 또는 3D 인쇄 맵 또는 모델이다. 몇몇 경우에, 3D 모집단 맵은, 예를 들면, 컴퓨터 스크린 상의 이미지, (예를 들면, VR 고글 또는 다른 VR 디스플레이를 사용하는) 3D 이미지, 2D 비디오, 또는 3D 비디오와 같은 디지털 또는 가상 표현으로서 제시된다. 3D 모집단 맵을 생성하는 프로세스는, 예를 들면, 풋프린트의 경계를 묘사하거나 또는 주석을 추가하는 것과 같은, 맵에 주석을 달기 위한 도구를 유저에게 제공하는 것을 포함할 수 있다. 몇몇 경우에, 도구는 유저가 웹 컨퍼런스(web conference)를 통해 3D 모집단 맵을 공유하는 것을 허용한다.

몇몇 경우에, 3D 모집단 맵은 피실험체를 평가하기 위해 사용된다. 예를 들면, 환자를 판단하고 환자의 건강 상태를 결정하기 위해, 모집단에서의 HDL 및 콜레스테롤 값을 시각화하는 3D 모집단 맵이 사용될 수 있다. 건강 상태는 소정의 건강 결과(예를 들면, 사망률, 질병 발병률(disease incidence), 등등)의 확률 또는 위험성일 수 있다. 몇몇 경우에, 3D 모집단 맵은 하나 이상의 환자를 두 개 이상의 그룹으로 분류하기 위해 사용된다. 예를 들면, 환자는 "풋프린트" 내에 또는 밖에 속할 수도 있다. 그룹은 어떤 그룹 내에 속하는 환자에 대해 특정한 치료적 개입(therapeutic intervention) 또는 치료를 권장하고 하나 이상의 다른 그룹에서는 치료를 권장하지 않거나 또는 대안적인 치료를 권장하는 판단을 갖는 치료적 개입을 포함할 수 있다. 몇몇 경우에, 3D 모집단 맵은, 하나 이상의 그룹(예를 들면, 고위험성 심혈관 이벤트, 저위험성 심혈관 이벤트, 등등)을 나타내는 하나 이상의 영역 또는 볼륨을 포함한다. 환자는 그러한 3D 모집단 맵에 따라 시간에 걸쳐 추적되거나 또는 모니터링될 수도 있다. 몇몇 경우에, 환자의 하나 이상의 인구 통계학적 또는 다른 요인에 고유한 개인 맞춤된(personalized) 3D 모집단 맵이 사용된다. 예를 들면, 3D 모집단 맵은 환자 또는 피실험체에 의해 공유되는 특정한 성별, 연령 그룹, 민족성(ethnicity), 위치(예를 들면, 위도/경도, 대륙, 도시/교외/농촌, 등등)에 따라 커스터마이징되거나 또는 개인 맞춤될 수 있다. 이것은, 하나 이상의 변수에 대한 제어를 돕는 것에 의해 더욱 정확한 분석을 허용한다.

몇몇 경우에, 3D 모집단 맵을 생성하기 위해 사용되는 데이터 세트는 최소 사이즈를 갖는다. 본 개시는 충분히 큰 데이터 세트의 획득을 통해 3D 모집단 맵이 크게 향상된다는 것을 인식한다. 데이터 세트는 최소 개수의 샘플 또는 관측치를 가질 수 있다. 예를 들면, 데이터 세트는 적어도 1,000 개의 샘플, 적어도 5,000 개의 샘플, 적어도 10,000 개의 샘플, 적어도 20,000 개의 샘플, 적어도 30,000 개의 샘플, 적어도 40,000 개의 샘플, 적어도 50,000 개의 샘플, 적어도 60,000 개의 샘플, 적어도 70,000 개 샘플, 적어도 80,000 개의 샘플, 적어도 90,000 개의 샘플, 적어도 100,000 개의 샘플, 적어도 200,000 개의 샘플, 적어도 300,000 개의 샘플, 적어도 400,000 개의 샘플, 또는 적어도 500,000 개의 샘플을 포함할 수 있다.

참고 범위를 생성하기 위해 분석 및 증거 기반의 모델 또는 데이터의 맵을 생성하는 및/또는 활용하는 시스템 및 방법이 본원에서 설명된다. 맵은 개체의 모집단으로부터 수집되는 하나 이상의 개체의 파라미터 값을 포함한다. 매핑된 데이터는, 몇몇 실시형태에서, 삼차원에서 그래픽적으로 배열된다. 몇몇 실시형태에서, 본원에서 설명되는 시스템 및 방법에 의해 사용되는 데이터 포인트는, 예를 들면, 대규모 코호트 후속 연구와 같은 대규모 모집단 연구로부터 수신된다.

디지털 프로세싱 디바이스는, 디바이스의 기능을 수행하는 하나 이상의 하드웨어 중앙 프로세싱 유닛(central processing unit; CPU) 또는 범용 그래픽 프로세싱 유닛(general purpose graphics processing unit; GPGPU)을 포함한다. 디지털 프로세싱 디바이스는 실행 가능한 명령어를 수행하도록 구성된 운영 체제를 더 포함한다. 디지털 프로세싱 디바이스는, 옵션 사항으로, 컴퓨터 네트워크에 연결된다. 디지털 프로세싱 디바이스는, 옵션 사항으로, 디지털 프로세싱 디바이스가 월드 와이드 웹(World Wide Web)에 액세스하도록 인터넷에 연결된다. 디지털 프로세싱 디바이스는, 옵션 사항으로, 클라우드 컴퓨팅 인프라(cloud computing infrastructure)에 연결된다. 적절한 디지털 프로세싱 디바이스는, 비제한적인 예로서, 서버 컴퓨터, 데스크탑 컴퓨터, 랩탑 컴퓨터, 노트북 컴퓨터, 서브 노트북 컴퓨터, 넷북 컴퓨터, 넷패드(netpad) 컴퓨터, 셋탑 컴퓨터, 미디어 스트리밍 디바이스, 핸드헬드 컴퓨터, 인터넷 어플라이언스(Internet appliance), 모바일 스마트폰, 태블릿 컴퓨터, 개인 휴대형 정보 단말(personal digital assistant), 비디오 게임 콘솔, 및 차량을 포함한다. 기술 분야의 숙련된 자는, 많은 스마트폰이 본원에서 설명되는 시스템에서의 사용에 적합하다는 것을 인식할 것이다.

일반적으로, 디지털 프로세싱 디바이스는 실행 가능한 명령어를 수행하도록 구성된 운영 체제를 포함한다. 운영 체제는, 디바이스의 하드웨어를 관리하고 애플리케이션의 실행을 위한 서비스를 제공하는, 프로그램 및 데이터를 포함하는, 예를 들면, 소프트웨어이다. 통상의 숙련자는, 적절한 서버 운영 체제가, 비제한적인 예로서, FreeBSD, OpenBSD, NetBSD®, Linux(리눅스), Apple® Mac OS X Server®(애플 맥 오에스 엑스 서버), Oracle® Solaris®(오라클 솔라리스), Windows Server®(윈도우즈 서버), 및 Novell® NetWare®(노벨 넷웨어)를 포함한다는 것을 인식할 것이다. 통상의 숙련자는, 적절한 개인용 컴퓨터 운영 체제가, 비제한적인 예로서, Microsoft® Windows®(마이크로소프트 윈도우즈), Apple® Mac OS X®(애플 맥 오에스 엑스), UNIX®(유닉스), 및 GNU/Linux®와 같은 UNIX 형 운영 체제를 포함한다는 것을 인식할 것이다. 몇몇 실시형태에서, 운영 체제는 클라우드 컴퓨팅에 의해 제공된다.

본원에서 설명되는 디지털 프로세싱 디바이스는 스토리지 및/또는 메모리 디바이스를 포함하거나 또는 스토리지 및/또는 메모리 디바이스에 동작 가능하게 커플링된다. 스토리지 및/또는 메모리 디바이스는 데이터 또는 프로그램을 일시적 기반으로 또는 영구적 기반으로 저장하기 위해 사용되는 하나 이상의 물리적 장치이다. 몇몇 실시형태에서, 디바이스는 휘발성 메모리이고 저장된 정보를 유지하기 위해 전력을 필요로 한다. 몇몇 실시형태에서, 디바이스는 불휘발성 메모리이고, 디지털 프로세싱 디바이스가 전력을 공급받지 않는 경우 저장된 정보를 유지한다. 또 다른 실시형태에서, 불휘발성 메모리는 플래시 메모리를 포함한다. 몇몇 실시형태에서, 불휘발성 메모리는 동적 랜덤 액세스 메모리(dynamic random-access memory; DRAM)를 포함한다. 몇몇 실시형태에서, 불휘발성 메모리는 강유전체 랜덤 액세스 메모리(ferroelectric random access memory; FRAM)를 포함한다. 몇몇 실시형태에서, 불휘발성 메모리는 상변화 랜덤 액세스 메모리(phase-change random access memory; PRAM)를 포함한다. 다른 실시형태에서, 디바이스는, 비제한적인 예로서, CD-ROM, DVD, 플래시 메모리 디바이스, 자기 디스크 드라이브, 자기 테이프 드라이브, 광학 디스크 드라이브, 및 클라우드 컴퓨팅 기반의 스토리지를 포함하는 스토리지 디바이스이다. 또 다른 실시형태에서, 스토리지 및/또는 메모리 디바이스는 본원에서 개시되는 디바이스와 같은 디바이스의 조합이다.

본원에 설명되는 바와 같은 시스템 또는 방법은 하나 이상의 참고 범위를 생성하기 위해 사용될 수도 있는데, 그 참고 범위는, 그 다음, 개체의 값이 참고 범위 내에 속하는지 또는 참고 범위 밖에 속하는지의 여부를 결정하기 위해 비 건강 관리 관련 전문가에 의해 사용될 수 있다. 또한, 몇몇 실시형태에서, 본원에서 설명되는 바와 같은 시스템 또는 방법은 하나 이상의 참고 범위를 내포하거나 또는 포함하는 데이터베이스를 생성한다. 몇몇 실시형태에서, 본원에서의 데이터베이스는, 참고 범위 내에 속하는 또는 참고 범위 밖에 속하는 하나 이상의 파라미터 값과 관련되는 상태(결과)의 존재/부재의 상대적 위험성을 제공한다.

본원에서 설명되는 시스템의 몇몇 실시형태는 컴퓨터 기반의 시스템이다. 이들 실시형태는, 프로세서를 포함하는 CPU 및 비일시적 컴퓨터 판독 가능 저장 매체의 형태일 수도 있는 메모리를 포함한다. 이들 시스템 실시형태는 (예컨대, 비일시적 컴퓨터 판독 가능 저장 매체의 형태로) 메모리에 통상적으로 저장되는 소프트웨어를 더 포함하는데, 여기서 소프트웨어는 프로세서로 하여금 기능을 수행하게 하도록 구성된다. 본원에서 설명되는 시스템에 통합되는 소프트웨어 실시형태는 하나 이상의 모듈을 포함한다.

본원에서 설명되는 소프트웨어 실시형태는 프로세서로 하여금: 모집단 파라미터 데이터를 수신하게 하도록, 모집단 파라미터 데이터의 그래픽 맵을 (바람직하게는 삼차원으로) 생성하게 하도록, 몇몇 실시형태에서, 그래픽 맵을 제2 그래픽 맵에 비교하게 하도록, 참고 범위를 결정하게 하도록, 그리고, 몇몇 실시형태에서, 참고 범위를 포함하는 데이터베이스를 생성하게 하도록 구성된다.

도 2에서 도시되는 바와 같이, 비 건강 관리 관련 일반 애플리케이션을 위한 예시적인 방법은 다음의 예시적인 단계를 포함할 수 있다: 단계(201)에서, 디바이스 또는 시스템은 개체의 대규모 모집단으로부터 데이터를 수신한다. 본원에서 설명되는 시스템 및 방법과 함께 사용하기에 적절한 대규모 모집단은, 예를 들면, 100,000 명 또는 그 이상의 개체를 포함하는 연구와 같은, 예를 들면, 코호트 연구를 포함한다. 수신되는 데이터는 (본원에서 설명되는 바와 같은) 하나 이상의 파라미터를 포함한다. 단계(202)에서, 두 개 이상의 수신된 파라미터는, 바람직하게는, 3D 그래픽 맵에서 매핑된다. 생성되는 맵은, 예를 들면, 하나 이상의 파라미터 값이 하나 이상의 다른 파라미터와 관련하여 상황에 맞춰지도록, 서로에 대해 두 개 이상의 파라미터를 나타내도록 구성된다. 단계(203)에서, 두 개 이상의 파라미터는, 바람직하게는, 그들의 관련된 결과 레벨과 관련하여 3D 그래픽 맵에서 매핑된다. 단계(204)에서, 제1 및 제2 3D 맵은, 예를 들면, 하나의 그래픽 맵을 다른 것 상에 오버레이하여, 모집단 분포가 가장 높고, 뿐만 아니라, 결과(예를 들면, 소망되지 않는 결과)가 가장 낮은 오버랩되는 영역의 존재를 결정하는 것에 의해 비교된다. 단계(205)에서, 참고 범위는, 두 개의 비교된 파라미터의 모집단 분포가 가장 높고, 뿐만 아니라, 모집단에 대한 결과가 가장 낮은 범위의 상한 및 하한에 기초하여 결정된다. 단계(206)에서, 생성된 참고 범위를 갖는 데이터베이스가 생성된다.

디지털 프로세싱 디바이스는, 본원에서 설명되는 실시형태 중 일부에서, 시각적 정보를 유저에게 전송하기 위한 디스플레이를 포함한다. 본원에 설명되는 시스템 및 방법과 함께 사용하기에 적절한 디스플레이의 비제한적인 예는, 액정 디스플레이(liquid crystal display; LCD), 박막 트랜지스터 액정 디스플레이(thin film transistor liquid crystal display; TFT-LCD), 유기 발광 다이오드(organic light emitting diode; OLED) 디스플레이, OLED 디스플레이, 능동 매트릭스 OLED(active-matrix OLED; AMOLED) 디스플레이, 또는 플라즈마 디스플레이를 포함한다.

디지털 프로세싱 디바이스는, 본원에서 설명되는 실시형태 중 일부에서, 유저로부터 정보를 수신하기 위한 입력 디바이스를 포함한다. 본원에 설명되는 시스템 및 방법과 함께 사용하기에 적절한 입력 디바이스의 비제한적인 예는 키보드, 마우스, 트랙볼, 트랙 패드, 또는 스타일러스를 포함한다. 몇몇 실시형태에서, 입력 디바이스는 터치스크린 또는 멀티 터치스크린이다.

본원에서 설명되는 시스템 및 방법은, 옵션 사항으로 네트워크화된 디지털 프로세싱 디바이스의 운영 체제에 의해 실행 가능한 명령어를 포함하는 프로그램으로 인코딩되는 하나 이상의 비일시적 컴퓨터 판독 가능 저장 매체를 통상적으로 포함한다. 본원에서 설명되는 시스템 및 방법의 몇몇 실시형태에서, 비일시적 저장 매체는, 시스템의 컴포넌트인 또는 방법에서 활용되는 디지털 프로세싱 디바이스의 컴포넌트이다. 여전히 또 다른 실시형태에서, 컴퓨터 판독 가능 저장 매체는, 옵션 사항으로, 디지털 프로세싱 디바이스로부터 제거 가능하다. 몇몇 실시형태에서, 컴퓨터 판독 가능 저장 매체는, 비제한적인 예로서, CD-ROM, DVD, 플래시 메모리 디바이스, 솔리드 스테이트 메모리(solid state memory), 자기 디스크 드라이브, 자기 테이프 드라이브, 광학 디스크 드라이브, 클라우드 컴퓨팅 시스템 및 서비스, 및 등등을 포함한다. 몇몇 경우에, 프로그램 및 명령어는 매체 상에 영구적으로, 실질적으로 영구적으로, 반영구적으로, 또는 비일시적으로 인코딩된다.

통상적으로, 본원에서 설명되는 시스템 및 방법은 적어도 하나의 컴퓨터 프로그램 또는 그 용도를 포함한다. 컴퓨터 프로그램은 명시된 태스크를 수행하도록 작성된, 디지털 프로세싱 디바이스의 CPU에서 실행 가능한 일련의 명령어를 포함한다. 컴퓨터 판독 가능 명령어는, 특정한 태스크를 수행하는 또는 특정한 추상 데이터 타입을 구현하는 함수, 오브젝트, 애플리케이션 프로그래밍 인터페이스(application programming interface; API), 데이터 구조, 및 등등과 같은 프로그램 모듈로서 구현될 수도 있다. 여기에 제공되는 개시에 비추어, 기술 분야의 숙련된 자는, 컴퓨터 프로그램이 다양한 버전의 다양한 언어로 작성될 수도 있다는 것을 인식할 것이다. 컴퓨터 판독 가능 명령어의 기능성(functionality)은 다양한 환경에서의 소망에 따라 조합되거나 또는 분산될 수도 있다. 몇몇 실시형태에서, 컴퓨터 프로그램은 명령어의 하나의 시퀀스를 포함한다. 몇몇 실시형태에서, 컴퓨터 프로그램은 명령어의 복수의 시퀀스를 포함한다. 몇몇 실시형태에서, 컴퓨터 프로그램은 하나의 위치로부터 제공된다. 다른 실시형태에서, 컴퓨터 프로그램은 복수의 위치로부터 제공된다. 다양한 실시형태에서, 컴퓨터 프로그램은 하나 이상의 소프트웨어 모듈을 포함한다. 다양한 실시형태에서, 컴퓨터 프로그램은, 부분적으로 또는 전체적으로, 하나 이상의 웹 애플리케이션, 하나 이상의 모바일 애플리케이션, 하나 이상의 독립형 애플리케이션, 하나 이상의 웹 브라우저 플러그인, 확장 프로그램(extension), 애드인(add-in), 또는 애드온(add-on), 또는 이들의 조합을 포함한다. 다양한 실시형태에서, 소프트웨어 모듈은 파일, 코드의 섹션, 프로그래밍 오브젝트, 프로그래밍 구조체, 또는 이들의 조합을 포함한다. 추가적인 다양한 실시형태에서, 소프트웨어 모듈은 복수의 파일, 복수의 코드 섹션, 복수의 프로그래밍 오브젝트, 복수의 프로그래밍 구조, 또는 이들의 조합을 포함한다. 다양한 실시형태에서, 하나 이상의 소프트웨어 모듈은, 비제한적인 예로서, 웹 애플리케이션, 모바일 애플리케이션, 및 독립형 애플리케이션을 포함한다. 몇몇 실시형태에서, 소프트웨어 모듈은 하나의 컴퓨터 프로그램 또는 애플리케이션 내에 있다. 다른 실시형태에서, 소프트웨어 모듈은 하나보다 더 많은 컴퓨터 프로그램 또는 애플리케이션 내에 있다. 몇몇 실시형태에서, 소프트웨어 모듈은 하나의 머신 상에 호스팅된다. 다른 실시형태에서, 소프트웨어 모듈은 하나 이상의 머신 상에 호스팅된다. 또 다른 실시형태에서, 소프트웨어 모듈은 클라우드 컴퓨팅 플랫폼 상에 호스팅된다. 몇몇 실시형태에서, 소프트웨어 모듈은 하나의 위치에서 하나 이상의 머신 상에 호스팅된다. 다른 실시형태에서, 소프트웨어 모듈은 하나보다 더 많은 위치에서 하나 이상의 머신 상에 호스팅된다.

통상적으로, 본원에서 설명되는 시스템 및 방법은 하나 이상의 데이터베이스를 포함 및/또는 활용한다. 본원에서 제공되는 본 개시를 고려하여, 기술 분야의 숙련된 자는, 많은 데이터베이스가, 기준선 데이터세트, 파일, 파일 시스템, 오브젝트, 오브젝트의 시스템뿐만 아니라, 데이터 구조 및 본원에서 설명되는 다른 타입의 정보의 저장 및 검색(retrieval)에 적합하다는 것을 인식할 것이다. 다양한 실시형태에서, 적절한 데이터베이스는 비제한적인 예로서, 관계형 데이터베이스, 비 관계형 데이터베이스, 객체 지향 데이터베이스, 객체 데이터베이스, 엔티티 관계 모델 데이터베이스(entity-relationship model database), 연상 데이터베이스(associative database), 및 XML 데이터베이스를 포함한다. 또 다른 비제한적인 예는 SQL, PostgreSQL, MySQL, Oracle(오라클), DB2, 및 Sybase(사이베이스)를 포함한다. 몇몇 실시형태에서, 데이터베이스는 인터넷 기반이다. 또 다른 실시형태에서, 데이터베이스는 웹 기반이다. 여전히 또 다른 실시형태에서, 데이터베이스는 클라우드 컴퓨팅 기반이다. 다른 실시형태에서, 데이터베이스는 하나 이상의 로컬 컴퓨터 스토리지 디바이스에 기초한다.

도 19는 디지털 프로세싱 디바이스(1901)를 포함하는 본원에서 설명되는 바와 같은 시스템의 예시적인 실시형태를 도시한다. 디지털 프로세싱 디바이스(1901)는, 개체의 건강한 또는 건강하지 않은 상태를 식별하기 위한 참고 범위(들)를 생성하기 위해 개체의 모집단을 분석하도록 구성되는 소프트웨어 애플리케이션을 포함한다. 디지털 프로세싱 디바이스(1901)는 중앙 프로세싱 유닛(CPU, 또한 본원에서 "프로세서" 및 "컴퓨터 프로세서")(1905)를 포함할 수도 있는데, 이것은 단일 코어 또는 멀티 코어 프로세서, 또는 병렬 프로세싱을 위한 복수의 프로세서일 수 있다. 디지털 프로세싱 디바이스(1901)는 또한, 메모리 또는 기억 장소(1910)(예를 들면, 랜덤 액세스 메모리, 리드 온리 메모리, 플래시 메모리), 전자적 스토리지 유닛(1915)(예를 들면, 하드 디스크), 하나 이상의 다른 시스템과 통신하기 위한 통신 인터페이스(1919)(예를 들면, 네트워크 어댑터, 네트워크 인터페이스), 및 주변장치 디바이스, 예컨대 캐시를 포함한다. 주변장치 디바이스는 스토리지 인터페이스(1970)를 통해 나머지 디바이스와 통신하는 스토리지 디바이스(들) 또는 저장 매체(1965)를 포함할 수 있다. 메모리(1910), 스토리지 유닛(1915), 인터페이스(1919) 및 주변장치 디바이스는 마더보드와 같은 통신 버스(1925)를 통해 CPU(1905)와 통신하도록 구성된다. 디지털 프로세싱 디바이스(1901)는 통신 인터페이스(1919)의 도움으로 컴퓨터 네트워크("네트워크")(1930)에 동작 가능하게 커플링될 수 있다. 네트워크(1930)는 인터넷을 포함할 수 있다. 네트워크(1930)는 원격 통신(telecommunication) 및/또는 데이터 네트워크일 수 있다.

디지털 프로세싱 디바이스(1901)는 입력 인터페이스(1950)를 통해 디바이스의 다른 엘리먼트와 통신하는 입력 디바이스(들)인, 유저로부터 정보를 수신하기 위한 입력 디바이스(들)(1945)를 포함한다. 디지털 프로세싱 디바이스(1901)는 출력 인터페이스(1960)를 통해 디바이스의 다른 엘리먼트와 통신하는 출력 디바이스(들)(1955)를 포함할 수 있다.

CPU(1905)는 소프트웨어 애플리케이션 또는 모듈에서 구체화되는 머신 판독 가능 명령어를 실행하도록 구성된다. 명령어는 메모리(1910)와 같은 기억 장소에 저장될 수도 있다. 메모리(1910)는, 랜덤 액세스 메모리 컴포넌트(예를 들면, RAM)(예를 들면, 정적 RAM(static RAM; "SRAM"), 동적 RAM(dynamic RAM; "DRAM), 등등), 또는 리드 온리 컴포넌트(예를 들면, ROM)를 포함하는, 그러나 이들로 제한되지는 않는 다양한 컴포넌트(예를 들면, 머신 판독 가능 매체)를 포함할 수도 있다. 메모리(1910)는 또한, 예컨대 디바이스 기동 동안, 디지털 프로세싱 디바이스 내의 엘리먼트들 사이에서 정보를 전달하는 것을 돕는 기본 루틴을 포함하는 기본 입력/출력 시스템(basic input/output system; BIOS)을 포함할 수 있다.

스토리지 유닛(1915)은 파일, 예컨대 건강 또는 위험 파라미터 데이터, 예를 들면, 개체의 건강 또는 위험 파라미터 값, 건강 또는 위험 파라미터 값 맵, 및 값 그룹을 저장하도록 구성될 수 있다. 스토리지 유닛(1915)은 또한 운영 체제, 애플리케이션 프로그램, 및 등등을 저장하기 위해 사용될 수 있다. 옵션 사항으로, 스토리지 유닛(1915)은 (예를 들면, 외부 포트 커넥터(도시되지 않음)를 통해 및/또는 스토리지 유닛 인터페이스를 통해) 디지털 프로세싱 디바이스와 제거 가능하게 인터페이싱될 수도 있다. 소프트웨어는 스토리지 유닛(1915)의 내부 또는 외부의 컴퓨터 판독 가능 저장 매체 내에, 전적으로 또는 부분적으로, 상주할 수도 있다. 다른 예에서, 소프트웨어는 프로세서(들)(1905) 내에서, 전적으로 또는 부분적으로, 상주할 수도 있다.

정보 및 데이터는 디스플레이(1935)를 통해 유저에게 디스플레이될 수 있다. 디스플레이는 인터페이스(1940)를 통해 버스(1925)에 연결되고, 디스플레이와 디바이스(1901)의 다른 엘리먼트 사이의 데이터의 전송은 인터페이스(1940)를 통해 제어될 수 있다.

본원에서 설명되는 방법은, 디지털 프로세싱 디바이스(1901)의 전자적 저장 위치 상에, 예컨대, 예를 들면, 메모리(1910) 또는 전자 스토리지 유닛(1915) 상에 저장되는 머신(예를 들면, 컴퓨터 프로세서) 실행 가능 코드를 통해 구현될 수 있다. 머신 실행 가능 코드 또는 머신 판독 가능 코드는 소프트웨어 애플리케이션 또는 소프트웨어 모듈의 형태로 제공될 수 있다. 사용 동안, 코드는 프로세서(1905)에 의해 실행될 수 있다. 몇몇 경우에, 코드는 스토리지 유닛(1915)으로부터 검색되어 프로세서(1905)에 의한 액세스가 준비된 메모리(1910) 상에 저장될 수 있다. 몇몇 상황에서, 전자적 스토리지 유닛(1915)은 배제될 수 있고, 머신 실행 가능 명령어가 메모리(1910) 상에 저장된다.

원격 디바이스(1902)는 디지털 프로세싱 디바이스(1901)와 통신하도록 구성되며, 임의의 모바일 컴퓨팅 디바이스를 포함할 수도 있는데, 임의의 모바일 컴퓨팅 디바이스의 비제한적인 예는 태블릿 컴퓨터, 랩탑 컴퓨터, 스마트폰, 또는 스마트워치를 포함한다.

데이터베이스

본원에서 설명되는 시스템 및 방법의 몇몇 실시형태는 하나 이상의 참고 범위를 내포하거나 또는 포함하는 데이터베이스를 생성하도록 구성된다. 데이터베이스는, 본원에 설명되는 바와 같이, 예를 들면, 건강 관리 공급자, 다른 의료 산업 전문가 및/또는 다른 엔드 유저를 위한 룩업 테이블로서 기능하도록 구성된다. 본원에 설명되는 시스템 및 방법의 이들 실시형태에서, 참고 범위는, 예를 들면, 특정한 개체의 파라미터가 참고 범위 내에 속하는지 또는 참고 범위 밖에 속하는지의 여부를 유저가 식별할 수 있도록 데이터베이스에서 제시된다.

번호가 매겨진 실시형태

하기 실시형태는 본원에서 개시되는 피처의 조합의 비제한적인 순열(permutation)을 열거한다. 피처의 조합의 다른 순열도 또한 고려된다. 특히, 이들 번호가 매겨진 실시형태 각각은, 열거되는 바와 같은 그들의 순서와 무관하게, 모든 이전의 또는 이후의 번호가 매겨진 실시형태에 의존하는 것으로 또는 그들과 관련되는 것으로 고려된다. 1. 참고 범위를 갖는 데이터베이스를 생성하기 위한 컴퓨터로 구현되는 방법으로서, 다음의 것을 포함한다: (a) 제1의 복수의 건강 또는 위험 파라미터 값, 제2의 복수의 건강 또는 위험 파라미터 값, 모집단 백분율, 및 사망률 또는 유해 결과율을 수신하는 것 - 제1의 복수의 건강 또는 위험 파라미터 값, 제2의 복수의 건강 또는 위험 파라미터 값, 또는 둘 모두는 모집단에서 측정됨 - ; (b) 삼차원에서 그래픽적으로, 제1 및 제2 건강 또는 위험 파라미터 값을 모집단 백분율과 매핑하고, 이에 의해, 모집단 백분율 맵을 생성하는 것; (c) 삼차원에서 그래픽적으로, 제1 및 제2 건강 또는 위험 파라미터 값을, 사망률 또는 유해 결과율과 매핑하고, 이에 의해, 사망률 또는 유해 결과율 맵을 생성하는 것; (d) 모집단 백분율 맵을 사망률 또는 유해 결과율 맵 상에 오버레이하고, 이에 의해, 오버랩 맵을 생성하는 것; (e) 오버랩 맵에 기초하여 참고 범위 값을 생성하는 것; 및 (f) 참고 범위 값으로 데이터베이스를 채우는 것. 2. 실시형태 1의 컴퓨터로 구현되는 방법으로서, 제1의 복수의 건강 또는 위험 파라미터 값을 제1의 복수의 값 그룹으로 분리하는 것 및 제2의 복수의 건강 또는 위험 파라미터 값을 제2의 복수의 값 그룹으로 분리하는 것을 포함한다. 3. 실시형태 2의 컴퓨터로 구현되는 방법으로서, 오버랩 맵의 생성 이후 제1의 복수의 값 그룹 각각 및 제2의 복수의 값 그룹 각각의 상위 값 한계 및 하위 값 한계를 결정하는 것을 포함한다. 4. 실시형태 3의 컴퓨터로 구현되는 방법으로서, 제1의 복수의 값 그룹 각각을 제2의 복수의 값 그룹 각각과 각각 관련시키고, 이에 의해, 복수의 관련된 그룹을 생성하는 것을 포함한다. 5. 실시형태 1의 컴퓨터로 구현되는 방법으로서, 오버랩 맵에서, 전체 모집단 백분율이 가장 크고 사망률 또는 유해 결과율이 가장 낮은 오버랩 값의 영역을 결정하는 것을 포함한다. 6. 실시형태 1의 컴퓨터로 구현되는 방법으로서, 참고 범위는, 오버랩 맵에서, 전체 모집단 백분율이 가장 크고 사망률 또는 다른 유해 결과율이 가장 낮은 오버랩 값의 영역의 상위 값 및 하위 값을 포함한다. 7. 실시형태 1의 컴퓨터로 구현되는 방법으로서, 참고 범위는 룩업 테이블을 포함한다. 8. 실시형태 1의 컴퓨터로 구현되는 방법으로서, 제1의 복수의 건강 또는 위험 파라미터 값은 측정된 데이터이고, 제2의 복수의 건강 또는 위험 파라미터 값은 인구 통계학적 데이터이다. 9. 시스템으로서: (a) 프로세서를 포함하는 컴퓨팅 디바이스; 및 (b) 프로세서에 의해 실행 가능한 명령어를 포함하는 컴퓨터 프로그램으로 인코딩되는 비일시적 컴퓨터 판독 가능 저장 매체를 포함하고, 명령어는 프로세서로 하여금: (i) 제1의 복수의 건강 또는 위험 파라미터 값, 제2의 복수의 건강 또는 위험 파라미터 값, 모집단 백분율, 및 사망률 또는 유해 결과율을 수신하게 하고 - 제1의 복수의 건강 또는 위험 파라미터 값, 제2의 복수의 건강 또는 위험 파라미터 값, 또는 둘 모두는 모집단에서 측정됨 - ; (ii) 삼차원에서 그래픽적으로, 제1 및 제2 건강 또는 위험 파라미터 값을 모집단 백분율과 매핑하고, 이에 의해, 모집단 백분율 맵을 생성하게 하고; (iii) 삼차원에서 그래픽적으로, 제1 및 제2 건강 또는 위험 파라미터 값을, 사망률 또는 유해 결과율과 매핑하고, 이에 의해, 사망률 또는 유해 결과율 맵을 생성하게 하고; (iv) 모집단 백분율 맵을 사망률 또는 유해 결과율 맵 상에 오버레이하고, 이에 의해, 오버랩 맵을 생성하게 하고; (v) 오버랩 맵에 기초하여 참고 범위 값을 생성하게 하고; 그리고 (vi) 참고 범위 값 - 참고 범위 값은 룩업 테이블의 형태를 취함 - 으로 데이터베이스를 채우게 한다. 10. 실시형태 9의 시스템으로서, 컴퓨터 프로그램은 프로세서로 하여금 제1의 복수의 건강 또는 위험 파라미터 값을 제1의 복수의 값 그룹으로 분리하고 제2의 복수의 건강 또는 위험 파라미터 값을 제2의 복수의 값 그룹으로 분리하게 한다. 11. 실시형태 10의 시스템으로서, 제1의 복수의 값 그룹 각각 및 제2의 복수의 값 그룹 각각의 상위 값 한계 및 하위 값 한계는 오버랩 맵의 생성 이후에 결정된다. 12. 실시형태 11의 시스템으로서, 컴퓨터 프로그램은 프로세서로 하여금 제1의 복수의 값 그룹 각각을 제2의 복수의 값 그룹 각각과 각각 관련시키고, 이에 의해, 복수의 관련된 그룹을 생성하게 한다. 13. 실시형태 9의 시스템으로서, 컴퓨터 프로그램은 프로세서로 하여금, 오버랩 맵에서, 전체 모집단 백분율이 가장 크고 사망률 또는 다른 유해 결과율이 가장 낮은 오버랩 값의 영역을 결정하게 한다. 14. 실시형태 9의 시스템으로서, 참고 범위는, 오버랩 맵에서, 전체 모집단 백분율이 가장 크고 사망률 또는 다른 유해 결과율이 가장 낮은 오버랩 값의 영역의 상위 값 및 하위 값을 포함한다. 15. 실시형태 9의 시스템으로서, 제1의 복수의 건강 또는 위험 파라미터 값은 측정되고 제2의 복수의 건강 또는 위험 파라미터 값은 인구 통계학적 데이터이다. 16. 공동 제1 및 제2 위험 파라미터의 하나 이상의 참고 범위를 생성하기 위해, 다수의 건강한 개체(이들의 건강 또는 위험 결과 포함)를 포함하는 개체의 모집단을 분석하기 위한 컴퓨터로 구현되는 시스템으로서, 하나 이상의 참고 범위는, 제1 및 제2 위험 파라미터에 기초하여 개체의 건강한 또는 건강하지 않은 상태를 식별하는 데 유용하고, 시스템은: (a) 프로세서, 메모리, 및 실행 가능한 명령어를 수행하도록 구성된 운영 체제를 포함하는 디지털 프로세싱 디바이스; 및 (b) 하나 이상의 참고 범위를 생성하기 위한 디지털 프로세싱 디바이스에 의해 실행 가능한 명령어를 포함하는 컴퓨터 프로그램을 포함하고, 컴퓨터 프로그램은 다음의 것을 포함한다: (i) 데이터 - 데이터는 적어도 하나의 공유된 인구 통계학적 피처를 갖는 개체의 모집단으로부터의 제1 위험 파라미터 데이터, 제2 위험 파라미터 데이터, 및 사망률 또는 유해 결과 데이터를 포함하는 장기간 건강 파라미터 데이터를 포함하고, 모집단은 다수의 건강한 개체 및 소수의 건강하지 않은 개체를 포함함 - 를 불러오도록 구성되는 데이터 취득 모듈; (ii) 제1 위험 파라미터 데이터를 제1의 복수의 데이터 그룹으로 그리고 제2 위험 파라미터 데이터를 제2의 복수의 데이터 그룹으로 그룹화하도록 구성되는 그룹화 모듈; (iii) 제1의 복수의 데이터 그룹을 제2의 복수의 데이터 그룹과 결합하여 복수의 공동 위험 파라미터를 생성하도록 구성되는 결합 모듈; (iv) 사망률 또는 유해 결과 데이터를 복수의 공동 위험 파라미터와 비교하고, 이에 의해, 공동 사망률 또는 유해 결과 데이터를 생성하도록 구성되는 비교 모듈; (v) 복수의 공동 위험 파라미터의 분포를 결정하도록 구성되는 분포 모듈; (vi) 복수의 공동 위험 파라미터의 분포와 공동 사망률 또는 유해 결과 데이터 사이에 오버랩이 존재하는지의 여부를 결정하도록 구성되는 오버랩 모듈; 및 (vii) 오버랩에 기초하여 하나 이상의 참고 범위를 생성하도록 구성되는 범위 생성 모듈 - 오버랩이 존재할 때, 복수의 공동 위험 파라미터의 분포는 상대적으로 높고 공동 사망률 또는 유해 결과 데이터에 의해 나타내어지는 사망 위험성은 상대적으로 낮음 - ; 및 (viii) 하나 이상의 참고 범위를 포함하는 이차원 룩업 테이블 - 룩업 테이블은 개체의 건강한 또는 건강하지 않은 상태를 식별하기 위해 건강 관리 공급자 또는 다른 엔드 유저에 의해 사용됨 - 을 생성하도록 구성되는 테이블 생성 모듈. 17. 실시형태 16의 시스템으로서, 컴퓨터 프로그램은 적어도 제1 애플리케이션 및 제2 애플리케이션을 포함한다. 18. 실시형태 17의 시스템으로서, 데이터 취득 모듈, 그룹화 모듈, 결합 모듈, 비교 모듈, 분포 모듈, 오버랩 모듈, 및 범위 생성 모듈은 제1 애플리케이션, 제2 애플리케이션, 또는 제1 애플리케이션 및 제2 애플리케이션 둘 모두에서 구현된다. 19. 실시형태 16의 시스템으로서, 다수의 건강한 개체는 모집단의 적어도 60 %, 적어도 70 %, 적어도 80 %, 또는 적어도 90 %를 포함한다. 20. 실시형태 16의 시스템으로서, 개체의 모집단은 적어도 2 개, 3 개, 4 개 또는 5 개의 공유된 인구 통계학적 피처를 갖는다. 21. 실시형태 16의 시스템으로서, 공유된 인구 통계학적 피처는 성별, 연령, 인종, 또는 거주 지역 중 하나 이상을 포함한다. 22. 실시형태 16의 시스템으로서, 하나 이상의 참고 범위는 값의 범위를 포함한다. 23. 실시형태 16의 시스템으로서, 컴퓨터 프로그램은, 취득되는 데이터로부터 모집단에 대한 건강 파라미터 데이터 및 사망률 또는 유해 결과 데이터를 추출하도록 구성되는 데이터 추출 모듈을 더 포함한다. 24. 실시형태 16의 시스템으로서, 컴퓨터 프로그램은, 룩업 테이블 생성자가 제1 위험 파라미터, 제2 위험 파라미터, 또는 제1 위험 파라미터 및 제2 위험 파라미터 둘 모두를 선택하는 것을 허용하도록 구성되는 위험 파라미터 선택 모듈을 더 포함한다. 25. 실시형태 16의 시스템으로서, 컴퓨터 프로그램은, 룩업 테이블 생성자가 공유된 인구 통계학적 피처(들)를 선택하는 것을 허용하도록 구성되는 인구 통계학적 선택 모듈을 더 포함한다. 26. 실시형태 16의 시스템으로서, 컴퓨터 프로그램은, 복수의 공동 위험 파라미터의 분포의 3D 시각화 및 공동 사망률 또는 유해 결과 데이터의 3D 시각화를 생성하도록 구성되는 시각화 모듈을 더 포함한다. 27. 공동 제1 및 제2 위험 파라미터의 하나 이상의 참고 범위를 생성하기 위해, 다수의 건강한 개체(이들의 건강 또는 위험 결과들 포함)를 포함하는 개체의 모집단을 분석하도록 프로세서에 의해 실행 가능한 명령어를 포함하는 컴퓨터 프로그램으로 인코딩되는 비일시적 컴퓨터 판독 가능 저장 매체로서, 하나 이상의 참고 범위는, 제1 및 제2 위험 파라미터에 기초하여 개체의 건강한 또는 건강하지 않은 상태를 식별하는 데 유용하고, 컴퓨터 프로그램은 다음의 것을 포함한다: (a) 데이터 - 데이터는 적어도 하나의 공유된 인구 통계학적 피처를 갖는 개체의 모집단으로부터의 제1 위험 파라미터 데이터, 제2 위험 파라미터 데이터, 및 사망률 또는 유해 결과 데이터를 포함하는 장기간 건강 파라미터 데이터를 포함하고, 모집단은 다수의 건강한 개체 및 소수의 건강하지 않은 개체를 포함함 - 를 불러오도록 구성되는 데이터 취득 모듈; (b) 제1 위험 파라미터 데이터를 제1의 복수의 데이터 그룹으로 그리고 제2 위험 파라미터 데이터를 제2의 복수의 데이터 그룹으로 그룹화하도록 구성되는 그룹화 모듈; (c) 제1의 복수의 데이터 그룹을 제2의 복수의 데이터 그룹과 결합하여 복수의 공동 위험 파라미터를 생성하도록 구성되는 결합 모듈; (d) 사망률 또는 유해 결과 데이터를 복수의 공동 위험 파라미터와 비교하고, 이에 의해, 공동 사망률 또는 유해 결과 데이터를 생성하도록 구성되는 비교 모듈; (e) 복수의 공동 위험 파라미터의 분포를 결정하도록 구성되는 분포 모듈; (f) 복수의 공동 위험 파라미터의 분포와 공동 사망률 또는 유해 결과 데이터 사이에 오버랩이 존재하는지의 여부를 결정하도록 구성되는 오버랩 모듈; 및 (g) 오버랩에 기초하여 하나 이상의 참고 범위를 생성하도록 구성되는 범위 생성 모듈 - 오버랩이 존재할 때, 복수의 공동 위험 파라미터의 분포는 상대적으로 높고 공동 사망률 또는 유해 결과 데이터에 의해 나타내어지는 사망 위험성은 상대적으로 낮음 - ; 및 (h) 하나 이상의 참고 범위를 포함하는 이차원 룩업 테이블 - 룩업 테이블은 개체의 건강한 또는 건강하지 않은 상태를 식별하기 위해 건강 관리 공급자 및/또는 다른 엔드 유저에 의해 사용됨 - 을 생성하도록 구성되는 테이블 생성 모듈. 28. 실시형태 27의 저장 매체로서, 컴퓨터 프로그램은 적어도 제1 애플리케이션 및 제2 애플리케이션을 포함한다. 29. 실시형태 28의 저장 매체로서, 데이터 취득 모듈, 그룹화 모듈, 결합 모듈, 비교 모듈, 분포 모듈, 오버랩 모듈, 및 범위 생성 모듈은 제1 애플리케이션, 제2 애플리케이션, 또는 제1 애플리케이션 및 제2 애플리케이션 둘 모두에서 구현된다. 30. 실시형태 27의 저장 매체로서, 다수의 건강한 개체는 모집단의 적어도 60 %, 적어도 70 %, 적어도 80 %, 또는 적어도 90 %를 포함한다. 31. 실시형태 27의 저장 매체로서, 개체의 모집단은 적어도 2 개, 3 개, 4 개 또는 5 개의 공유된 인구 통계학적 피처를 갖는다. 32. 실시형태 27의 저장 매체로서, 공유된 인구 통계학적 피처는 성별, 연령, 인종, 또는 거주 지역 중 하나 이상을 포함한다. 33. 실시형태 27의 저장 매체로서, 하나 이상의 참고 범위는 값의 범위를 포함한다. 34. 실시형태 27의 저장 매체로서, 컴퓨터 프로그램은, 취득되는 데이터로부터 모집단에 대한 건강 파라미터 데이터 및 사망률 또는 유해 결과 데이터를 추출하도록 구성되는 데이터 추출 모듈을 더 포함한다. 35. 실시형태 27의 저장 매체로서, 컴퓨터 프로그램은, 룩업 테이블 생성자가 제1 위험 파라미터, 제2 위험 파라미터, 또는 제1 위험 파라미터 및 제2 위험 파라미터 둘 모두를 선택하는 것을 허용하도록 구성되는 위험 파라미터 선택 모듈을 더 포함한다. 36. 실시형태 27의 저장 매체로서, 컴퓨터 프로그램은, 룩업 테이블 생성자가 공유된 인구 통계학적 피처를 선택하는 것을 허용하도록 구성되는 인구 통계학적 선택 모듈을 더 포함한다. 37. 실시형태 27의 저장 매체로서, 컴퓨터 프로그램은, 복수의 공동 위험 파라미터의 분포의 3D 시각화 및 공동 사망률 또는 유해 결과 데이터의 3D 시각화를 생성하도록 구성되는 시각화 모듈을 더 포함한다. 38. 공동 제1 및 제2 위험 파라미터의 하나 이상의 참고 범위를 생성하기 위해 개체의 모집단을 분석하기 위한 컴퓨터로 구현되는 시스템으로서, 하나 이상의 참고 범위는 제1 및 제2 위험 파라미터에 기초하여 개체의 상태를 식별하는 데 유용하고, 시스템은: (a) 프로세서, 메모리, 및 실행 가능한 명령어를 수행하도록 구성된 운영 체제를 포함하는 디지털 프로세싱 디바이스; 및 (b) 하나 이상의 참고 범위를 생성하기 위한 디지털 프로세싱 디바이스에 의해 실행 가능한 명령어를 포함하는 컴퓨터 프로그램을 포함하고, 컴퓨터 프로그램은 다음의 것을 포함한다: (i) 데이터 - 데이터는 적어도 하나의 공유된 인구 통계학적 피처를 갖는 개체의 모집단으로부터의 제1 위험 파라미터 데이터, 제2 위험 파라미터 데이터, 및 결과 데이터를 포함하는 장기간 파라미터 데이터를 포함하고, 모집단은 상태를 갖는 개체 및 상태를 갖지 않는 개체를 포함함 - 를 불러오도록 구성되는 데이터 취득 모듈; (ii) 제1 위험 파라미터 데이터를 제1의 복수의 데이터 그룹으로 그리고 제2 위험 파라미터 데이터를 제2의 복수의 데이터 그룹으로 그룹화하도록 구성되는 그룹화 모듈; (iii) 제1의 복수의 데이터 그룹을 제2의 복수의 데이터 그룹과 결합하여 복수의 공동 위험 파라미터를 생성하도록 구성되는 결합 모듈; (iv) 결과 데이터를 복수의 공동 위험 파라미터와 비교하고, 이에 의해, 결합된 결과 데이터를 생성하도록 구성되는 비교 모듈; (v) 하나 이상의 참고 범위를 생성하도록 구성되는 범위 생성 모듈; 및 (vi) 하나 이상의 참고 범위를 포함하는 이차원 룩업 테이블 - 룩업 테이블은 개체의 상태를 결정하기 위해 사용됨 - 을 생성하도록 구성되는 테이블 생성 모듈. 39. 실시형태 38의 시스템으로서, 컴퓨터 프로그램은 적어도 제1 애플리케이션 및 제2 애플리케이션을 포함한다. 40. 실시형태 38의 시스템으로서, 데이터 취득 모듈, 그룹화 모듈, 결합 모듈, 비교 모듈, 및 범위 생성 모듈은 제1 애플리케이션, 제2 애플리케이션, 또는 제1 애플리케이션 및 제2 애플리케이션 둘 모두에서 구현된다. 41. 실시형태 38의 시스템으로서, 상태를 갖지 않는 개체는 모집단의 적어도 60 %, 적어도 70 %, 적어도 80 %, 또는 적어도 90 %를 포함한다. 42. 실시형태 38의 시스템으로서, 개체의 모집단은 적어도 2 개, 3 개, 4 개 또는 5 개의 공유된 인구 통계학적 피처를 갖는다. 43. 실시형태 38의 시스템으로서, 공유된 인구 통계학적 피처는 성별, 연령, 인종, 또는 거주 지역 중 하나 이상을 포함한다. 44. 실시형태 38의 시스템으로서, 결과 데이터는 사망률 데이터, 유해 결과 데이터, 위험 데이터, 또는 징후 데이터 중 하나 이상을 포함한다. 45. 실시형태 38의 시스템으로서, 하나 이상의 참고 범위는 값의 범위를 포함한다. 46. 실시형태 38의 시스템으로서, 컴퓨터 프로그램은, 취득되는 데이터로부터 모집단에 대한 파라미터 데이터 및 결과 데이터를 추출하도록 구성되는 데이터 추출 모듈을 더 포함한다. 47. 실시형태 38의 시스템으로서, 컴퓨터 프로그램은, 룩업 테이블 생성자가 제1 위험 파라미터, 제2 위험 파라미터, 또는 제1 위험 파라미터 및 제2 위험 파라미터 둘 모두를 선택하는 것을 허용하도록 구성되는 위험 파라미터 선택 모듈을 더 포함한다. 48. 실시형태 38의 시스템으로서, 컴퓨터 프로그램은, 룩업 테이블 생성자가 공유된 인구 통계학적 피처를 선택하는 것을 허용하도록 구성되는 인구 통계학적 선택 모듈을 더 포함한다. 49. 실시형태 38의 시스템으로서, 컴퓨터 프로그램은 복수의 공동 위험 파라미터의 분포를 결정하도록 구성되는 분포 모듈을 더 포함한다. 50. 실시형태 49의 시스템으로서, 컴퓨터 프로그램은, 복수의 공동 위험 파라미터의 분포의 3D 시각화 및 결합된 결과 데이터의 3D 시각화를 생성하도록 구성되는 시각화 모듈을 더 포함한다. 51. 실시형태 50의 시스템으로서, 컴퓨터 프로그램은, 복수의 공동 위험 파라미터의 분포의 3D 시각화와 결합된 결과 데이터의 3D 시각화 사이의 오버랩의 영역을 결정하도록 구성되는 오버랩 모듈을 더 포함한다. 52. 실시형태 51의 시스템으로서, 오버랩의 영역은, 복수의 공동 위험 파라미터의 분포가 상대적으로 높을 뿐만 아니라 결합된 결과 데이터에 의해 표현되는 결과 위험성이 상대적으로 낮은 값 또는 값의 범위를 포함한다. 53. 실시형태 52의 시스템으로서, 하나 이상의 참고 범위는 오버랩의 영역에 기초한다. 54. 공동 제1 및 제2 위험 파라미터의 하나 이상의 참고 범위를 생성하기 위해, 개체의 모집단을 분석하도록 프로세서에 의해 실행 가능한 명령어를 포함하는 컴퓨터 프로그램으로 인코딩되는 비일시적 컴퓨터 판독 가능 저장 매체로서, 하나 이상의 참고 범위는 제1 및 제2 위험 파라미터에 기초하여 개체의 상태를 식별하는 데 유용하고, 컴퓨터 프로그램은 다음의 것을 포함한다: (a) 데이터 - 데이터는 적어도 하나의 공유된 인구 통계학적 피처를 갖는 개체의 모집단으로부터의 제1 위험 파라미터 데이터, 제2 위험 파라미터 데이터, 및 결과 데이터를 포함하는 장기간 파라미터 데이터를 포함하고, 모집단은 상태를 갖는 개체 및 상태를 갖지 않는 개체를 포함함 - 를 불러오도록 구성되는 데이터 취득 모듈; (b) 제1 위험 파라미터 데이터를 제1의 복수의 데이터 그룹으로 그리고 제2 위험 파라미터 데이터를 제2의 복수의 데이터 그룹으로 그룹화하도록 구성되는 그룹화 모듈; (c) 제1의 복수의 데이터 그룹을 제2의 복수의 데이터 그룹과 결합하여 복수의 공동 위험 파라미터를 생성하도록 구성되는 결합 모듈; (d) 결과 데이터를 복수의 공동 위험 파라미터와 비교하고, 이에 의해, 결합된 결과 데이터를 생성하도록 구성되는 비교 모듈; (e) 하나 이상의 참고 범위를 생성하도록 구성되는 범위 생성 모듈; 및 (f) 하나 이상의 참고 범위를 포함하는 이차원 룩업 테이블 - 룩업 테이블은 개체의 상태를 결정하기 위해 사용됨 - 을 생성하도록 구성되는 테이블 생성 모듈. 55. 실시형태 54의 저장 매체로서, 컴퓨터 프로그램은 적어도 제1 애플리케이션 및 제2 애플리케이션을 포함한다. 56. 실시형태 55의 저장 매체로서, 데이터 취득 모듈, 그룹화 모듈, 결합 모듈, 비교 모듈, 및 범위 생성 모듈은 제1 애플리케이션, 제2 애플리케이션, 또는 제1 애플리케이션 및 제2 애플리케이션 둘 모두에서 구현된다. 57. 실시형태 54의 저장 매체로서, 상태를 갖지 않는 개체는 모집단의 적어도 60 %, 적어도 70 %, 적어도 80 %, 또는 적어도 90 %를 포함한다. 58. 실시형태 54의 저장 매체로서, 개체의 모집단은 적어도 2 개, 3 개, 4 개 또는 5 개의 공유된 인구 통계학적 피처를 갖는다. 59. 실시형태 54의 저장 매체로서, 공유된 인구 통계학적 피처는 성별, 연령, 인종, 또는 거주 지역 중 하나 이상을 포함한다. 60. 실시형태 54의 저장 매체로서, 결과 데이터는 사망률 데이터, 유해 결과 데이터, 위험 데이터, 또는 징후 데이터 중 하나 이상을 포함한다. 61. 실시형태 54의 저장 매체로서, 하나 이상의 참고 범위는 값의 범위를 포함한다. 62. 실시형태 54의 저장 매체로서, 컴퓨터 프로그램은, 취득되는 데이터로부터 모집단에 대한 파라미터 데이터 및 결과 데이터를 추출하도록 구성되는 데이터 추출 모듈을 더 포함한다. 63. 실시형태 54의 저장 매체로서, 컴퓨터 프로그램은, 룩업 테이블 생성자가 제1 위험 파라미터, 제2 위험 파라미터, 또는 제1 위험 파라미터 및 제2 위험 파라미터 둘 모두를 선택하는 것을 허용하도록 구성되는 위험 파라미터 선택 모듈을 더 포함한다. 64. 실시형태 54의 저장 매체로서, 컴퓨터 프로그램은, 룩업 테이블 생성자가 공유된 인구 통계학적 피처를 선택하는 것을 허용하도록 구성되는 인구 통계학적 선택 모듈을 더 포함한다. 65. 실시형태 54의 저장 매체로서, 컴퓨터 프로그램은 복수의 공동 위험 파라미터의 분포를 결정하도록 구성되는 분포 모듈을 더 포함한다. 66. 실시형태 65의 저장 매체로서, 컴퓨터 프로그램은, 복수의 공동 위험 파라미터의 분포의 3D 시각화 및 결합된 결과 데이터의 3D 시각화를 생성하도록 구성되는 시각화 모듈을 더 포함한다. 67. 실시형태 66의 저장 매체로서, 컴퓨터 프로그램은, 복수의 공동 위험 파라미터의 분포의 3D 시각화와 결합된 결과 데이터의 3D 시각화 사이의 오버랩의 영역을 결정하도록 구성되는 오버랩 모듈을 더 포함한다. 68. 실시형태 67의 저장 매체로서, 오버랩의 영역은, 복수의 공동 위험 파라미터의 분포가 상대적으로 높을 뿐만 아니라 결합된 결과 데이터에 의해 표현되는 결과 위험성이 상대적으로 낮은 값 또는 값의 범위를 포함한다. 69. 실시형태 68의 저장 매체로서, 하나 이상의 참고 범위는 오버랩의 영역에 기초한다. 70. 참고 범위를 갖는 데이터베이스를 생성하기 위한 컴퓨터로 구현되는 방법으로서, 다음의 것을 포함한다: (a) 제1의 복수의 파라미터 값, 제2의 복수의 파라미터 값, 모집단 백분율, 및 유해 결과율을 수신하는 것 - 제1의 복수의 파라미터 값, 제2의 복수의 파라미터 값, 또는 둘 모두는 모집단에서 측정됨 - ; (b) 삼차원에서 그래픽적으로, 제1 및 제2 파라미터 값을 모집단 백분율과 매핑하고, 이에 의해, 모집단 백분율 맵을 생성하는 것; (c) 삼차원에서 그래픽적으로, 제1 및 제2 파라미터 값을 유해 결과율과 매핑하고, 이에 의해, 유해 결과율 맵을 생성하는 것; (d) 모집단 백분율 맵을 유해 결과율 맵 상에 오버레이하고, 이에 의해, 오버랩 맵을 생성하는 것; (e) 오버랩 맵에 기초하여 참고 범위 값을 생성하는 것; 및 (f) 참고 범위 값으로 데이터베이스를 채우는 것. 71. 실시형태 70의 컴퓨터로 구현되는 방법으로서, 제1의 복수의 파라미터 값을 제1의 복수의 값 그룹으로 분리하는 것 및 제2의 복수의 파라미터 값을 제2의 복수의 값 그룹으로 분리하는 것을 포함한다. 72. 실시형태 71의 컴퓨터로 구현되는 방법으로서, 오버랩 맵을 생성한 이후 제1의 복수의 값 그룹 각각 및 제2의 복수의 값 그룹 각각의 상위 값 한계 및 하위 값 한계를 결정하는 것을 포함한다. 73. 실시형태 72의 컴퓨터로 구현되는 방법으로서, 제1의 복수의 값 그룹 각각을 제2의 복수의 값 그룹 각각과 각각 관련시키고, 이에 의해, 복수의 관련된 그룹을 생성하는 것을 포함한다. 74. 실시형태 70의 컴퓨터로 구현되는 방법으로서, 오버랩 맵에서, 전체 모집단 백분율이 가장 크고 유해 결과율이 가장 낮은 오버랩 값의 영역을 결정하는 것을 포함한다. 75. 실시형태 70의 컴퓨터로 구현되는 방법으로서, 참고 범위는, 오버랩 맵에서, 전체 모집단 백분율이 가장 크고 유해 결과율이 가장 낮은 오버랩 값의 영역의 상위 값 및 하위 값을 포함한다. 76. 실시형태 70의 컴퓨터로 구현되는 방법으로서, 참고 범위는 룩업 테이블을 포함한다. 77. 실시형태 70의 컴퓨터로 구현되는 방법으로서, 제1의 복수의 파라미터 값은 측정되거나 또는 감지되고 제2의 복수의 파라미터 값은 인구 통계학적 데이터이다. 78. 시스템으로서: (a) 프로세서를 포함하는 컴퓨팅 디바이스; 및 (b) 프로세서에 의해 실행 가능한 명령어를 포함하는 컴퓨터 프로그램으로 인코딩되는 비일시적 컴퓨터 판독 가능 저장 매체를 을 포함하고, 명령어는 프로세서로 하여금: (i) 제1의 복수의 파라미터 값, 제2의 복수의 파라미터 값, 모집단 백분율, 및 유해 결과율을 수신하게 하고 - 제1의 복수의 파라미터 값, 제2의 복수의 파라미터 값, 또는 둘 모두는 모집단에서 측정됨 - ; (ii) 삼차원에서 그래픽적으로, 제1 및 제2 값을 모집단 백분율과 매핑하고, 이에 의해, 모집단 백분율 맵을 생성하게 하고; (iii) 삼차원에서 그래픽적으로, 제1 및 제2 파라미터 값을 유해 결과율과 매핑하고, 이에 의해, 유해 결과율 맵을 생성하게 하고; (iv) 모집단 백분율 맵을 유해 결과율 맵 상에 오버레이하고, 이에 의해, 오버랩 맵을 생성하게 하고; (v) 오버랩 맵에 기초하여 참고 범위 값을 생성하게 하고; 그리고 (vi) 참고 범위 값 - 참고 범위 값은 룩업 테이블의 형태를 취함 - 으로 데이터베이스를 채우게 한다. 79. 실시형태 78의 시스템으로서, 컴퓨터 프로그램은 프로세서로 하여금 제1의 복수의 파라미터 값을 제1의 복수의 값 그룹으로 분리하고 제2의 복수의 파라미터 값을 제2의 복수의 값 그룹으로 분리하게 한다. 80. 실시형태 79의 시스템으로서, 제1의 복수의 값 그룹 각각 및 제2의 복수의 값 그룹 각각의 상위 값 한계 및 하위 값 한계는 오버랩 맵의 생성 이후에 결정된다. 81. 실시형태 80의 시스템으로서, 컴퓨터 프로그램은 프로세서로 하여금 제1의 복수의 값 그룹 각각을 제2의 복수의 값 그룹 각각과 각각 관련시키고, 이에 의해, 복수의 관련된 그룹을 생성하게 한다. 82. 실시형태 81의 시스템으로서, 컴퓨터 프로그램은 프로세서로 하여금, 오버랩 맵에서, 전체 모집단 백분율이 가장 크고 사망률 또는 다른 유해 결과율이 가장 낮은 오버랩 값의 영역을 결정하게 한다. 83. 실시형태 82의 시스템으로서, 참고 범위는, 오버랩 맵에서, 전체 모집단 백분율이 가장 크고 사망률 또는 다른 유해 결과율이 가장 낮은 오버랩 값의 영역의 상위 값 및 하위 값을 포함한다. 84. 실시형태 83의 시스템으로서, 제1의 복수의 파라미터 값은 측정되거나 또는 감지되고 제2의 복수의 파라미터 값은 인구 통계학적 데이터이다. 85. 제1 및 제2 위험 파라미터에 기초하여 개체의 상태를 식별하는 데 유용한 하나 이상의 참고 범위를 생성하기 위해 프로세서에 의해 실행 가능한 명령어를 포함하는 컴퓨터 프로그램으로 인코딩되는 비일시적 컴퓨터 판독 가능 저장 매체로서, 컴퓨터 프로그램은 다음의 것을 포함한다: (i) 제1의 복수의 파라미터 값, 제2의 복수의 파라미터 값, 모집단 백분율, 및 유해 결과율을 수신하는 소프트웨어 모듈 - 제1의 복수의 파라미터 값, 제2의 복수의 파라미터 값, 또는 둘 모두는 모집단에서 측정됨 - ; (ii) 삼차원에서 그래픽적으로, 제1 및 제2 값을 모집단 백분율과 매핑하고, 이에 의해, 모집단 백분율 맵을 생성하는 소프트웨어 모듈; (iii) 삼차원에서 그래픽적으로, 제1 및 제2 파라미터 값을 유해 결과율과 매핑하고, 이에 의해, 유해 결과율 맵을 생성하는 소프트웨어 모듈; (iv) 모집단 백분율 맵을 유해 결과율 맵 상에 오버레이하고, 이에 의해, 오버랩 맵을 생성하는 소프트웨어 모듈; (v) 오버랩 맵에 기초하여 참고 범위 값을 생성하는 소프트웨어 모듈; 및 (vi) 참고 범위 값 - 참고 범위 값은 룩업 테이블의 형태를 취함 - 으로 데이터베이스를 채우는 소프트웨어 모듈. 86. 실시형태 85의 매체로서, 컴퓨터 프로그램은 프로세서로 하여금 제1의 복수의 파라미터 값을 제1의 복수의 값 그룹으로 분리하고 제2의 복수의 파라미터 값을 제2의 복수의 값 그룹으로 분리하게 한다. 87. 실시형태 86의 매체로서, 제1의 복수의 값 그룹 각각 및 제2의 복수의 값 그룹 각각의 상위 값 한계 및 하위 값 한계는 오버랩 맵의 생성 이후에 결정된다. 88. 실시형태 87의 매체로서, 컴퓨터 프로그램은 프로세서로 하여금 제1의 복수의 값 그룹 각각을 제2의 복수의 값 그룹 각각과 각각 관련시키고, 이에 의해, 복수의 관련된 그룹을 생성하게 한다. 89. 실시형태 88의 매체로서, 컴퓨터 프로그램은 프로세서로 하여금, 오버랩 맵에서, 전체 모집단 백분율이 가장 크고 사망률 또는 다른 유해 결과율이 가장 낮은 오버랩 값의 영역을 결정하게 한다. 90. 실시형태 89의 매체로서, 참고 범위는, 오버랩 맵에서, 전체 모집단 백분율이 가장 크고 사망률 또는 다른 유해 결과율이 가장 낮은 오버랩 값의 영역의 상위 값 및 하위 값을 포함한다. 91. 실시형태 90의 매체로서, 제1의 복수의 파라미터 값은 측정되거나 또는 감지되고 제2의 복수의 파라미터 값은 인구 통계학적 데이터이다. 92. 모집단의 분석을 용이하게 하기 위한 컴퓨터로 구현되는 방법으로서, 다음의 것을 포함한다: (a) 제1의 복수의 파라미터 값, 제2의 복수의 파라미터 값, 모집단 백분율을 수신하는 것 - 제1의 복수의 파라미터 값, 제2의 복수의 값, 또는 둘 모두는 모집단에서 측정됨 - ; 및 (b) 삼차원에서 그래픽적으로, 제1 및 제2 파라미터 값을 모집단 백분율과 매핑하고, 이에 의해, 모집단의 분석을 용이하게 하기 위한 모집단 백분율 맵을 생성하는 것. 93. 실시형태 92의 컴퓨터로 구현되는 방법으로서, 제1 또는 제2 파라미터 값은 비 건강 관리 관련 파라미터 값이다. 94. 실시형태 92의 컴퓨터로 구현되는 방법으로서, 제1 또는 제2 파라미터 값은 건강 관리 관련 파라미터 값이다. 95. 실시형태 92의 컴퓨터로 구현되는 방법으로서, 제1의 복수의 파라미터 값은 측정되거나 또는 감지되고 제2의 복수의 파라미터 값은 인구 통계학적 데이터이다. 96. 실시형태 92의 컴퓨터로 구현되는 방법으로서, 모집단은 무생물 또는 생물의 것이다. 97. 실시형태 92의 컴퓨터로 구현되는 방법으로서, 제1의 복수의 파라미터 값을 제1의 복수의 값 그룹으로 분리하는 것 및 제2의 복수의 파라미터 값을 제2의 복수의 값 그룹으로 분리하는 것을 포함한다. 98. 모집단의 분석을 용이하게 하기 위한 컴퓨터로 구현되는 시스템으로서, 시스템은: (a) 프로세서, 메모리, 및 실행 가능한 명령어를 수행하도록 구성된 운영 체제를 포함하는 디지털 프로세싱 디바이스; 및 (b) 하나 이상의 참고 범위를 생성하기 위한 디지털 프로세싱 디바이스에 의해 실행 가능한 명령어를 포함하는 컴퓨터 프로그램을 포함하고, 컴퓨터 프로그램은 다음의 것을 포함한다: (i) 제1의 복수의 파라미터 값, 제2의 복수의 파라미터 값, 모집단 백분율을 수신하는 소프트웨어 모듈 - 제1의 복수의 파라미터 값, 제2의 복수의 값, 또는 둘 모두는 모집단에서 측정됨 - ; 및 (ii) 삼차원에서 그래픽적으로, 제1 및 제2 파라미터 값을 모집단 백분율과 매핑하고, 이에 의해, 모집단의 분석을 용이하게 하기 위한 모집단 백분율 맵을 생성하는 소프트웨어 모듈. 99. 실시형태 98의 시스템으로서, 제1 또는 제2 파라미터 값은 비 건강 관리 관련 파라미터 값이다. 100. 실시형태 98의 시스템으로서, 제1 또는 제2 파라미터 값은 건강 관리 관련 파라미터 값이다. 101. 실시형태 98의 시스템으로서, 제1의 복수의 파라미터 값은 측정되거나 또는 감지되고 제2의 복수의 파라미터 값은 인구 통계학적 데이터이다. 102. 실시형태 98의 시스템으로서, 모집단은 무생물 또는 생물의 것이다. 103. 실시형태 98의 시스템으로서, 제1의 복수의 파라미터 값을 제1의 복수의 값 그룹으로 분리하는 것 및 제2의 복수의 파라미터 값을 제2의 복수의 값 그룹으로 분리하는 것을 포함한다. 104. 모집단의 분석을 용이하게 하기 위해 프로세서에 의해 실행 가능한 명령어를 포함하는 컴퓨터 프로그램으로 인코딩되는 비일시적 컴퓨터 판독 가능 저장 매체로서, 컴퓨터 프로그램은 다음의 것을 포함한다: (a) 제1의 복수의 파라미터 값, 제2의 복수의 파라미터 값, 모집단 백분율을 수신하는 소프트웨어 모듈 - 제1의 복수의 파라미터 값, 제2의 복수의 값, 또는 둘 모두는 모집단에서 측정됨 - ; 및 (b) 삼차원에서 그래픽적으로, 제1 및 제2 파라미터 값을 모집단 백분율과 매핑하고, 이에 의해, 모집단의 분석을 용이하게 하기 위한 모집단 백분율 맵을 생성하는 소프트웨어 모듈. 105. 실시형태 104의 시스템으로서, 제1 또는 제2 파라미터 값은 비 건강 관리 관련 파라미터 값이다. 106. 실시형태 104의 시스템으로서, 제1 또는 제2 파라미터 값은 건강 관리 관련 파라미터 값이다. 107. 실시형태 104의 시스템으로서, 제1의 복수의 파라미터 값은 측정되거나 또는 감지되고 제2의 복수의 파라미터 값은 인구 통계학적 데이터이다. 108. 실시형태 104의 시스템으로서, 모집단은 무생물 또는 생물의 것이다. 109. 실시형태 104의 시스템으로서, 제1의 복수의 파라미터 값을 제1의 복수의 값 그룹으로 분리하는 것 및 제2의 복수의 파라미터 값을 제2의 복수의 값 그룹으로 분리하는 것을 포함한다.

예

다음의 예시적인 예는 본원에서 설명되는 소프트웨어 애플리케이션, 시스템, 및 방법의 실시형태를 나타내며 어떤 식으로든 제한하도록 의도되는 것은 아니다.

예 1. TC, HDL 및 TC/HDL 비율을 사용한 20 세 내지 59 세의 여성에 대한 참고 범위 생성

본원에서 개시되는 방법 및 시스템을 사용하여 참고 범위(들)를 생성하기 위해, 1989년과 2005년 사이에서 테스트되고 2010년까지 이어진 생명 보험 신청인의 모집단이 성별 및 연령별로 네 개의 상이한 그룹, 즉, 20 세 내지 59 세의 여성(총 수 2,557,709 명의 피실험체), 20 세 내지 59 세의 남성(총 수 3,765,817 명의 피실험체), 60 내지 89 세의 여성(총 수 253,310 명의 피실험체), 60 세 내지 89 세의 남성(총 수 412,141 명)으로 나누어진다. 네 개의 상이한 그룹 각각은, 다수의 건강한 개체 및 소수의 건강하지 않은 개체를 포함한다. 총 콜레스테롤(TC) 레벨, HDL 레벨, TC/HDL 비율, 활력 상태/사망률 데이터와 같은 장기간 건강 파라미터 데이터를 포함하는 모집단으로부터의 데이터는, 피실험체의 전체 모집단의 0.001 %보다 더 적은 것으로부터의 누락 데이터를 제외하면, 각각의 피실험체에 대해 불러와진다. 건강 파라미터 각각은 오버랩하지 않는 다수의 비오버랩 그룹으로 분리된다. 예를 들면, HDL 데이터는 테이블 1의 제2 열에서 나타내어지는 대응하는 비오버랩 범위와 함께 하기의 테이블 1에 나타내어지는 바와 같이 제1 열에서 다수의 그룹으로 분리된다.

테이블 1.

다른 예로서, TC/HDL 비율 데이터가, 제2 열에서 도시되는 대응 범위와 함께, 하기의 테이블 2에서 도시되는 바와 같이 제1 열에 상이한 수의 그룹으로 분리된다.

테이블 2.

하나의 건강 파라미터, 예를 들면, HDL에 대한 데이터 그룹으로부터의 각각의 그룹은 다른 건강 파라미터, 예를 들면, TC 레벨 또는 TC/HDL 비율에 대한 데이터 그룹으로부터의 모든 그룹과 결합되고, 이에 의해, 테이블 3A 및 테이블 3B(HDL 및 TC) 및 테이블 5(HDL 및 TC/HDL 비율)에서 이차원 룩업/데이터 테이블로서 복수의 공동 건강 파라미터를 생성한다. 각각의 공동 건강 파라미터의 경우, 각각의 공동 건강 파라미터에 대한 또는 각각의 결합된 파라미터 그룹에서의 개체의 수가 카운트되고 각각의 공동 그룹에서의 모집단의 백분율이 획득될 수 있다. 공동 건강 파라미터 각각에 대한 모집단의 백분율은 테이블 3A 및 테이블 3B에서 나타내어진다. 공동 파라미터 중의 파라미터 각각의 모든 값에 걸친 공동 사망률 데이터, 예를 들면, 사망자 카운트가 획득되고 테이블 4A 및 테이블 4B(HDL 및 TC) 및 테이블 6(HDL 및 TC/HDL 비율)에서와 같이 이차원 데이터 테이블로서 나타내어진다. 공동 사망자 카운트는, 각각의 공동 파라미터 그룹에서의 사망자의 수를 그 대응하는 그룹에서의 개체의 총 수로 나누는 것에 의해 사망률을 유도하기 위해 추가로 프로세싱될 수 있다. 공동 파라미터 그룹에서 개체의 총 수가 0인 경우, 사망률은 그 특정한 그룹에 대해 적용 가능하지 않다. 네 개의 연령별/성별 그룹 중 하나, 즉 20 세 내지 59 세의 여성의 데이터는, 도 3 및 도 11에서 나타내어지는 바와 같이 x 및 y 축 상에 두 개의 파라미터를 그리고 z 축 상에 모집단 백분율을 가지고 그래프로 나타내어질 수 있다. 사망률 데이터는 도 8 및 도 16에서 도시되는 바와 같이 x 및 y 축 상에 두 개의 파라미터를 그리고 z 축 상에 사망률을 가지고 그래프로 나타내어진다. 복수의 공동 파라미터의 분포와 공동 사망률 데이터 사이의 오버랩은, 모집단 백분율 기준의 세트를 사망률 기준의 세트에 대해 비교하여, 어떤 공동 파라미터 그룹에서 모집단의 가장 높은 백분율이 가장 낮은 사망률과 매칭되는지를 결정하는 것에 의해 결정되는데, 이것은 도 1에서 도시되는 바와 같은 룩업 테이블을 생성한다. 값 1을 갖는 공동 그룹은 오버랩으로서 간주될 수 있고, 따라서 참고 범위 이내에 있는 것으로서 간주될 수 있다. 참고 범위를 결정하기 위한 커스터마이징된 필요성에 따라, 값 1 및 2, 또는 1, 2, 및 3을 갖는 그룹도 또한 참고 범위 이내에 있는 것으로서 간주할 수 있다. 값 4를 갖는 공동 그룹은 오버랩되지 않는 것으로 간주될 수 있고 따라서 참고 범위 밖에 있는 것으로 간주될 수 있다. 한 예로서, 영역(301 및 1101) 사이의 오버랩, 및 영역(801 및 1601) 사이의 오버랩은 시각적으로 식별될 수 있다. 참고 범위는 결정된 오버랩에 기초하여 생성되는데, 여기서 참고 범위(들)는 개체의 건강한 또는 건강하지 않은 상태를 식별하기 위해 건강 관리 공급자 및/또는 다른 엔드 유저에 의해 사용되고, 개체는 본원에서의 시스템 및 방법을 사용하여 참고 범위의 생성에서 사용되는 모집단에 포함되거나 또는 그 모집단 밖에 있다.

테이블 3A.

테이블 3B.

테이블 4A.

테이블 4B.

테이블 5.

테이블 6.

본 발명의 바람직한 실시형태가 본원에서 도시되고 설명되었지만, 그러한 실시형태는 단지 예로서 제공된다는 것이 기술 분야의 숙련된 자에게는 명백할 것이다. 이제, 기술 분야의 숙련된 자는, 본 발명을 벗어나지 않으면서, 다수의 변형예, 변경예 및 치환예를 떠올릴 것이다. 본 발명을 실시함에 있어서 본원에서 설명되는 본 발명의 실시형태에 대한 다양한 대안예가 활용될 수도 있다는 것이 이해되어야 한다. 하기의 청구범위는 본 발명의 범위를 정의한다는 것 및 이들 청구범위의 범위 내의 방법 및 구조체 및 그들의 등가물은 청구범위에 의해 포괄되어야 한다는 것이 의도된다.

Claims (47)

1. 모집단(population)의 분석을 용이하게 하기 위한 컴퓨터로 구현되는 방법(computer-implemented method)으로서,
   (a) 제1의 복수의 파라미터 값들, 제2의 복수의 파라미터 값들, 모집단 백분율(population percentage)을 수신하는 단계 - 상기 제1의 복수의 파라미터 값들, 상기 제2의 복수의 값들, 또는 둘 모두는 상기 모집단에서 측정됨 - ; 및
   (b) 삼차원에서 그래픽적으로, 상기 제1 파라미터 값들 및 상기 제2 파라미터 값들을 상기 모집단 백분율과 매핑하고, 이에 의해, 상기 모집단의 분석을 용이하게 하기 위한 모집단 백분율 맵을 생성하는 단계
   를 포함하는, 모집단의 분석을 용이하게 하기 위한 컴퓨터로 구현되는 방법.
2. 제1항에 있어서, 상기 제1 파라미터 값들 또는 상기 제2 파라미터 값들은 비 건강 관리 관련 파라미터 값(non-health care related parameter value)들인 것인, 컴퓨터로 구현되는 방법.
3. 제1항에 있어서, 상기 제1 파라미터 값들 또는 상기 제2 파라미터 값들은 건강 관리 관련 파라미터 값들인 것인, 컴퓨터로 구현되는 방법.
4. 제1항에 있어서, 상기 제1의 복수의 파라미터 값들은 측정되거나 또는 감지되고 상기 제2의 복수의 파라미터 값들은 인구 통계학적 데이터(demographic data)인 것인, 컴퓨터로 구현되는 방법.
5. 제1항에 있어서, 상기 모집단은 무생물(non-living object) 또는 생물(living object)의 것인 것인, 컴퓨터로 구현되는 방법.
6. 제1항에 있어서, 상기 제1의 복수의 파라미터 값들을 제1의 복수의 값 그룹들로 분리하고 상기 제2의 복수의 파라미터 값들을 제2의 복수의 값 그룹들로 분리하는 단계를 포함하는, 컴퓨터로 구현되는 방법.
7. 제1항에 있어서, 상기 모집단 백분율 맵을 디지털 디스플레이 상에 디스플레이하는 단계를 더 포함하는, 컴퓨터로 구현되는 방법.
8. 제1항에 있어서, 상기 모집단 백분율 맵의 물리적 표현을 생성하기 위해 명령어들을 출력 디바이스로 전송하는 단계를 더 포함하는, 컴퓨터로 구현되는 방법.
9. 제8항에 있어서, 상기 모집단 백분율 맵의 물리적 표현은 종이 출력물(paper printout), 포스터, 또는 3D 모델인 것인, 컴퓨터로 구현되는 방법.
10. 모집단의 분석을 용이하게 하기 위한 컴퓨터로 구현되는 시스템으로서,
    (a) 프로세서, 메모리, 및 실행 가능한 명령어들을 수행하도록 구성된 운영 체제를 포함하는 디지털 프로세싱 디바이스; 및
    (b) 하나 이상의 참고 범위(reference interval)를 생성하도록 상기 디지털 프로세싱 디바이스에 의해 실행 가능한 명령어들을 포함하는 컴퓨터 프로그램
    을 포함하고, 상기 컴퓨터 프로그램은,
    (i) 제1의 복수의 파라미터 값들, 제2의 복수의 파라미터 값들, 모집단 백분율을 수신하는 소프트웨어 모듈 - 상기 제1의 복수의 파라미터 값들, 상기 제2의 복수의 값들, 또는 둘 모두는 상기 모집단에서 측정됨 - ; 및
    (ii) 삼차원에서 그래픽적으로, 상기 제1 파라미터 값들 및 상기 제2 파라미터 값들을 상기 모집단 백분율과 매핑하고, 이에 의해, 상기 모집단의 분석을 용이하게 하기 위한 모집단 백분율 맵을 생성하는 소프트웨어 모듈
    을 포함하는 것인, 모집단의 분석을 용이하게 하기 위한 컴퓨터로 구현되는 시스템.
11. 제10항에 있어서, 상기 제1 파라미터 값들 또는 상기 제2 파라미터 값들은 비 건강 관리 관련 파라미터 값인 것인, 시스템.
12. 제10항에 있어서, 상기 제1 파라미터 값들 또는 상기 제2 파라미터 값들은 건강 관리 관련 파라미터 값인 것인, 시스템.
13. 제10항에 있어서, 상기 제1의 복수의 파라미터 값들은 측정되거나 또는 감지되고 상기 제2의 복수의 파라미터 값들은 인구 통계학적 데이터인 것인, 시스템.
14. 제10항에 있어서, 상기 모집단은 무생물 또는 생물의 것인 것인, 시스템.
15. 제10항에 있어서, 상기 제1의 복수의 파라미터 값들을 제1의 복수의 값 그룹들로 분리하고 상기 제2의 복수의 파라미터 값들을 제2의 복수의 값 그룹들로 분리하는 것을 포함하는, 시스템.
16. 모집단의 분석을 용이하게 하기 위해 프로세서에 의해 실행 가능한 명령어들을 포함하는 컴퓨터 프로그램으로 인코딩되는 비일시적 컴퓨터 판독 가능 저장 매체로서, 상기 컴퓨터 프로그램은,
    (a) 제1의 복수의 파라미터 값들, 제2의 복수의 파라미터 값들, 모집단 백분율을 수신하는 소프트웨어 모듈 - 상기 제1의 복수의 파라미터 값들, 상기 제2의 복수의 값들, 또는 둘 모두는 상기 모집단에서 측정됨 - ; 및
    (b) 삼차원에서 그래픽적으로, 상기 제1 파라미터 값들 및 상기 제2 파라미터 값들을 상기 모집단 백분율과 매핑하고, 이에 의해, 상기 모집단의 분석을 용이하게 하기 위한 모집단 백분율 맵을 생성하는 소프트웨어 모듈
    을 포함하는 것인, 컴퓨터 프로그램으로 인코딩되는 비일시적 컴퓨터 판독 가능 저장 매체.
17. 제16항에 있어서, 상기 제1 파라미터 값들 또는 상기 제2 파라미터 값들은 비 건강 관리 관련 파라미터 값인 것인, 시스템.
18. 제16항에 있어서, 상기 제1 파라미터 값들 또는 상기 제2 파라미터 값은 건강 관리 관련 파라미터 값인 것인, 시스템.
19. 제16항에 있어서, 상기 제1의 복수의 파라미터 값들은 측정되거나 또는 감지되고 상기 제2의 복수의 파라미터 값들은 인구 통계학적 데이터인 것인, 시스템.
20. 제16항에 있어서, 상기 제1의 복수의 파라미터 값들을 제1의 복수의 값 그룹들로 분리하고 상기 제2의 복수의 파라미터 값들을 제2의 복수의 값 그룹들로 분리하는 것을 포함하는, 시스템.
21. 참고 범위들을 갖는 데이터베이스를 생성하기 위한 컴퓨터로 구현되는 방법으로서,
    (a) 제1의 복수의 건강 또는 위험 파라미터 값(health or risk parameter value)들, 제2의 복수의 건강 또는 위험 파라미터 값들, 모집단 백분율, 및 사망률 또는 유해 결과율(mortality or adverse outcome rate)을 수신하는 단계 - 상기 제1의 복수의 건강 또는 위험 파라미터 값들, 상기 제2의 복수의 건강 또는 위험 파라미터 값들, 또는 둘 모두는 상기 모집단에서 측정됨 - ;
    (b) 삼차원에서 그래픽적으로, 상기 제1 건강 또는 위험 파라미터 값들 및 상기 제2 건강 또는 위험 파라미터 값들을 상기 모집단 백분율과 매핑하고, 이에 의해, 모집단 백분율 맵을 생성하는 단계;
    (c) 삼차원에서 그래픽적으로, 상기 제1 건강 또는 위험 파라미터 값들 및 상기 제2 건강 또는 위험 파라미터 값들을, 상기 사망률 또는 유해 결과율과 매핑하고, 이에 의해, 사망률 또는 유해 결과율 맵을 생성하는 단계;
    (d) 상기 모집단 백분율 맵을 상기 사망률 또는 유해 결과율 맵 상에 오버레이하고(overlay), 이에 의해, 오버랩 맵을 생성하는 단계;
    (e) 상기 오버랩 맵에 기초하여 참고 범위 값들을 생성하는 단계; 및
    (f) 상기 참고 범위 값들로 상기 데이터베이스를 채우는(populating) 단계
    를 포함하는, 참고 범위들을 갖는 데이터베이스를 생성하기 위한 컴퓨터로 구현되는 방법.
22. 제21항에 있어서, 상기 제1의 복수의 건강 또는 위험 파라미터 값들을 제1의 복수의 값 그룹들로 분리하고 상기 제2의 복수의 건강 또는 위험 파라미터 값들을 제2의 복수의 값 그룹들로 분리하는 단계를 포함하는, 컴퓨터로 구현되는 방법.
23. 제22항에 있어서, 상기 오버랩 맵의 생성 이후 상기 제1의 복수의 값 그룹들 각각 및 상기 제2의 복수의 값 그룹들 각각의 상위 값 한계(upper value limit) 및 하위 값 한계(lower value limit)를 결정하는 단계를 포함하는, 컴퓨터로 구현되는 방법.
24. 제23항에 있어서, 상기 제1의 복수의 값 그룹들 각각을 상기 제2의 복수의 값 그룹들 각각과 각각 관련시키고, 이에 의해, 복수의 관련된 그룹들을 생성하는 단계를 포함하는, 컴퓨터로 구현되는 방법.
25. 제21항에 있어서, 상기 오버랩 맵에서, 전체 모집단 백분율이 가장 크고 상기 사망률 또는 유해 결과율이 가장 낮은 오버랩 값들의 영역을 결정하는 단계를 포함하는, 컴퓨터로 구현되는 방법.
26. 제21항에 있어서, 상기 참고 범위는, 상기 오버랩 맵에서, 상기 전체 모집단 백분율이 가장 크고 상기 사망률 또는 다른 유해 결과율이 가장 낮은 오버랩 값의 영역의 상위 값들 및 하위 값들을 포함하는 것인, 컴퓨터로 구현되는 방법.
27. 제21항에 있어서, 상기 참고 범위는 룩업 테이블(lookup table)을 포함하는 것인, 컴퓨터로 구현되는 방법.
28. 제21항에 있어서, 상기 제1의 복수의 건강 또는 위험 파라미터 값들은 측정되고 상기 제2의 복수의 건강 또는 위험 파라미터 값들은 인구 통계학적 데이터인 것인, 컴퓨터로 구현되는 방법.
29. 공동 제1 및 제2 위험 파라미터(joint first and second risk parameter)들의 하나 이상의 참고 범위를 생성하기 위해, 다수의 건강한 개체(individual)들(이들의 건강 또는 위험 결과들 포함)을 포함하는 개체들의 모집단을 분석하기 위한 컴퓨터로 구현되는 시스템으로서, 상기 하나 이상의 참고 범위는, 상기 제1 및 제2 위험 파라미터들에 기초하여 개체의 건강한 또는 건강하지 않은 상태를 식별하는 데 유용하고, 상기 시스템은,
    (a) 프로세서, 메모리, 및 실행 가능한 명령어들을 수행하도록 구성된 운영 체제를 포함하는 디지털 프로세싱 디바이스; 및
    (b) 하나 이상의 참고 범위를 생성하도록 상기 디지털 프로세싱 디바이스에 의해 실행 가능한 명령어들을 포함하는 컴퓨터 프로그램
    을 포함하고, 상기 컴퓨터 프로그램은,
    (i) 데이터 - 상기 데이터는 적어도 하나의 공유된 인구 통계학적 피처를 갖는 상기 개체들의 모집단으로부터의 제1 위험 파라미터 데이터, 제2 위험 파라미터 데이터, 및 사망률 또는 유해 결과 데이터를 포함하는 장기간 건강 파라미터 데이터(long-term health parameter data)를 포함하고, 상기 모집단은 다수의 건강한 개체들 및 소수의 건강하지 않은 개체들을 포함함 - 를 불러오도록(import) 구성된 데이터 취득 모듈(data ingestion module);
    (ii) 상기 제1 위험 파라미터 데이터를 제1의 복수의 데이터 그룹들로 그리고 상기 제2 위험 파라미터 데이터를 제2의 복수의 데이터 그룹들로 그룹화하도록 구성된 그룹화 모듈;
    (iii) 상기 제1의 복수의 데이터 그룹들을 상기 제2의 복수의 데이터 그룹들과 결합하여 복수의 공동 위험 파라미터들을 생성하도록 구성된 결합 모듈;
    (iv) 상기 사망률 또는 유해 결과 데이터를 상기 복수의 공동 위험 파라미터들과 비교하고, 이에 의해, 공동 사망률 또는 유해 결과 데이터를 생성하도록 구성된 비교 모듈;
    (v) 상기 복수의 공동 위험 파라미터들의 분포(distribution)를 결정하도록 구성된 분포 모듈;
    (vi) 상기 복수의 공동 위험 파라미터들의 분포와 상기 공동 사망률 또는 유해 결과 데이터 사이에 오버랩이 존재하는지의 여부를 결정하도록 구성된 오버랩 모듈;
    (vii) 상기 오버랩에 기초하여 상기 하나 이상의 참고 범위를 생성하도록 구성된 범위 생성 모듈 - 상기 오버랩이 존재할 때, 상기 복수의 공동 위험 파라미터들의 분포는 상대적으로 높고 상기 공동 사망률 또는 유해 결과 데이터에 의해 나타내어지는 사망 위험성은 상대적으로 낮음 - ; 및
    (viii) 상기 하나 이상의 참고 범위를 포함하는 이차원 룩업 테이블 - 상기 룩업 테이블은 상기 개체들의 건강한 또는 상기 건강하지 않은 상태를 식별하기 위해 건강 관리 공급자 또는 다른 엔드 유저(end user)에 의해 사용됨 - 을 생성하도록 구성된 테이블 생성 모듈
    을 포함하는 것인, 컴퓨터로 구현되는 시스템.
30. 제29항에 있어서, 상기 컴퓨터 프로그램은 적어도 제1 애플리케이션 및 제2 애플리케이션을 포함하는 것인, 시스템.
31. 제30항에 있어서, 상기 데이터 취득 모듈, 상기 그룹화 모듈, 상기 결합 모듈, 상기 비교 모듈, 상기 분포 모듈, 상기 오버랩 모듈, 및 상기 범위 생성 모듈은 상기 제1 애플리케이션, 상기 제2 애플리케이션, 또는 상기 제1 애플리케이션 및 상기 제2 애플리케이션 둘 모두에서 구현되는 것인, 시스템.
32. 제29항에 있어서, 상기 다수의 건강한 개체들은 상기 모집단의 적어도 60 %, 적어도 70 %, 적어도 80 %, 또는 적어도 90 %를 포함하는 것인, 시스템.
33. 제29항에 있어서, 상기 개체들의 모집단은 적어도 2 개, 3 개, 4 개 또는 5 개의 공유된 인구 통계학적 피처들을 갖는 것인, 시스템.
34. 제29항에 있어서, 상기 공유된 인구 통계학적 피처들은 성별, 연령, 인종, 또는 거주 지역 중 하나 이상을 포함하는 것인, 시스템.
35. 제29항에 있어서, 상기 하나 이상의 참고 범위는 값들의 범위를 포함하는 것인, 시스템.
36. 제29항에 있어서, 상기 컴퓨터 프로그램은, 상기 취득되는 데이터로부터 상기 모집단에 대한 상기 건강 파라미터 데이터 및 사망률 또는 유해 결과 데이터를 추출하도록 구성된 데이터 추출 모듈을 더 포함하는 것인, 시스템.
37. 제29항에 있어서, 상기 컴퓨터 프로그램은, 룩업 테이블 생성자가 상기 제1 위험 파라미터, 상기 제2 위험 파라미터, 또는 상기 제1 위험 파라미터 및 상기 제2 위험 파라미터 둘 모두를 선택하는 것을 허용하도록 구성된 위험 파라미터 선택 모듈을 더 포함하는 것인, 시스템.
38. 제29항에 있어서, 상기 컴퓨터 프로그램은, 상기 룩업 테이블 생성자가 상기 공유된 인구 통계학적 피처(들)를 선택하는 것을 허용하도록 구성된 인구 통계학적 선택 모듈을 더 포함하는 것인, 시스템.
39. 제29항에 있어서, 상기 컴퓨터 프로그램은, 상기 복수의 공동 위험 파라미터들의 분포의 3D 시각화(3D visualization) 및 상기 공동 사망률 또는 유해 결과 데이터의 3D 시각화를 생성하도록 구성된 시각화 모듈을 더 포함하는 것인, 시스템.
40. 참고 범위들을 갖는 데이터베이스를 생성하기 위한 컴퓨터로 구현되는 방법으로서,
    (a) 제1의 복수의 파라미터 값들, 제2의 복수의 파라미터 값들, 모집단 백분율, 및 유해 결과율을 수신하는 단계 - 상기 제1의 복수의 파라미터 값들, 상기 제2의 복수의 파라미터 값들, 또는 둘 모두는 상기 모집단에서 측정됨 - ;
    (b) 삼차원에서 그래픽적으로, 상기 제1 파라미터 값들 및 상기 제2 파라미터 값들을 상기 모집단 백분율과 매핑하고, 이에 의해, 모집단 백분율 맵을 생성하는 단계;
    (c) 삼차원에서 그래픽적으로, 상기 제1 파라미터 값들 및 상기 제2 파라미터 값들을 상기 유해 결과율과 매핑하고, 이에 의해, 유해 결과율 맵을 생성하는 단계;
    (d) 상기 모집단 백분율 맵을 상기 유해 결과율 맵 상에 오버레이하고, 이에 의해, 오버랩 맵을 생성하는 단계;
    (e) 상기 오버랩 맵에 기초하여 참고 범위 값들을 생성하는 단계; 및
    (f) 상기 참고 범위 값들로 상기 데이터베이스를 채우는 단계
    를 포함하는, 참고 범위들을 갖는 데이터베이스를 생성하기 위한 컴퓨터로 구현되는 방법.
41. 제40항에 있어서, 상기 제1의 복수의 파라미터 값들을 제1의 복수의 값 그룹들로 분리하고 상기 제2의 복수의 파라미터 값들을 제2의 복수의 값 그룹들로 분리하는 단계를 포함하는, 컴퓨터로 구현되는 방법.
42. 제41항에 있어서, 상기 오버랩 맵을 생성한 이후 상기 제1의 복수의 값 그룹들 각각 및 상기 제2의 복수의 값 그룹들 각각의 상위 값 한계 및 하위 값 한계를 결정하는 단계를 포함하는, 컴퓨터로 구현되는 방법.
43. 제42항에 있어서, 상기 제1의 복수의 값 그룹들 각각을 상기 제2의 복수의 값 그룹들 각각과 각각 관련시키고, 이에 의해, 복수의 관련된 그룹들을 생성하는 단계를 포함하는, 컴퓨터로 구현되는 방법.
44. 제40항에 있어서, 상기 오버랩 맵에서, 전체 모집단 백분율이 가장 크고 상기 유해 결과율이 가장 낮은 오버랩 값들의 영역을 결정하는 단계를 포함하는, 컴퓨터로 구현되는 방법.
45. 제40항에 있어서, 상기 참고 범위는, 상기 오버랩 맵에서, 전체 모집단 백분율이 가장 크고 상기 유해 결과율이 가장 낮은 오버랩 값들의 영역의 상위 값들 및 하위 값들을 포함하는 것인, 컴퓨터로 구현되는 방법.
46. 제40항에 있어서, 상기 참고 범위는 룩업 테이블을 포함하는 것인, 컴퓨터로 구현되는 방법.
47. 제40항에 있어서, 상기 제1의 복수의 파라미터 값들은 측정되거나 또는 감지되고 상기 제2의 복수의 파라미터 값들은 인구 통계학적 데이터인 것인, 컴퓨터로 구현되는 방법.

Images