KR20200123574A - 학습 기반의 증상 및 질환 관리 장치 및 방법 - Google Patents

학습 기반의 증상 및 질환 관리 장치 및 방법 Download PDF

Info

Publication number
KR20200123574A
KR20200123574A KR1020190046587A KR20190046587A KR20200123574A KR 20200123574 A KR20200123574 A KR 20200123574A KR 1020190046587 A KR1020190046587 A KR 1020190046587A KR 20190046587 A KR20190046587 A KR 20190046587A KR 20200123574 A KR20200123574 A KR 20200123574A
Authority
KR
South Korea
Prior art keywords
user
information
input
learning
action information
Prior art date
Application number
KR1020190046587A
Other languages
English (en)
Other versions
KR102338964B1 (ko
Inventor
임민혁
이우형
Original Assignee
서울대학교병원
서울대학교산학협력단
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 서울대학교병원, 서울대학교산학협력단 filed Critical 서울대학교병원
Priority to KR1020190046587A priority Critical patent/KR102338964B1/ko
Publication of KR20200123574A publication Critical patent/KR20200123574A/ko
Application granted granted Critical
Publication of KR102338964B1 publication Critical patent/KR102338964B1/ko

Links

Images

Classifications

    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H10/00—ICT specially adapted for the handling or processing of patient-related medical or healthcare data
    • G16H10/20—ICT specially adapted for the handling or processing of patient-related medical or healthcare data for electronic clinical trials or questionnaires
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H10/00—ICT specially adapted for the handling or processing of patient-related medical or healthcare data
    • G16H10/60—ICT specially adapted for the handling or processing of patient-related medical or healthcare data for patient-specific data, e.g. for electronic patient records
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H40/00—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices
    • G16H40/60—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices for the operation of medical equipment or devices
    • G16H40/67—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices for the operation of medical equipment or devices for remote operation
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/30—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for calculating health indices; for individual health risk assessment

Abstract

본 발명은 강화 학습 알고리즘을 이용하여 사용자의 정보 및 상태를 분석하여 근골격계 증상을 개선시킬 수 있는 적절한 액션 정보를 도출한 뒤 이를 사용자에게 제공하도록 구성되며, 이와 같은 일련의 과정이 반복되는 학습 기반의 증상 및 질환 관리 장치 및 방법에 관한 것이다. 본 발명의 일예와 관련된 학습 기반의 증상 및 질환 관리 장치는, 사용자의 상태에 관련된 복수의 상태값으로 구성된 제 1 입력을 수신하는 입력부, 복수의 액션 정보가 저장된 데이터베이스, 입력된 상기 제 1 입력에 따라 상기 복수의 액션 정보로부터 제 1 세트의 액션 정보를 선정하고, 상기 제 1 입력에 대하여 소정의 모델을 이용하여 상기 제 1 세트의 액션 정보의 각각에 대응하는 복수의 평가값을 산출하며, 산출된 상기 복수의 평가값에 기초하여 상기 제 1 세트의 액션 정보 중 적어도 하나인 제 1 추천 액션 정보를 선택하는 처리부 및 선택된 상기 제 1 추천 액션 정보를 상기 사용자에게 제공하기 위한 출력부를 포함할 수 있다.

Description

학습 기반의 증상 및 질환 관리 장치 및 방법 {APPARATUS AND METHOD FOR SYMTOME AND DISEASE MANAGEMENT BASED ON LEARNING}
본 발명은 학습 기반의 증상 및 질환 관리 장치 및 방법에 관한 것으로서, 보다 상세하게는 강화 학습 알고리즘을 이용하여 사용자의 정보 및 상태를 분석하여 근골격계 증상을 개선시킬 수 있는 적절한 액션 정보를 도출한 뒤 이를 사용자에게 제공하도록 구성되며, 이와 같은 일련의 과정이 반복되는 학습 기반의 증상 및 질환 관리 장치 및 방법에 관한 것이다.
사람의 반복되는 일상 생활 행위와 행위가 이루어지는 주위 환경은 질환 발생 및 증상 발현에 관여하는 정도가 높으며, 또한 사람의 일상 생활 행위에서의 자세와 동작은 개인의 행위와 습관에 영향을 받으며, 시간에 따라 수시로 변하기 때문에, 이를 측정한다면 시간이 지남에 따라 지속적으로 시계열 정보가 발생한다. 이러한 정보들 중에서 질환 및 증상과 연관될 수 있는 정보를 추출할 수 있고, 이를 가공, 분석하여 요약된 정보로서 시각화하고, 근골격 건강에 대한 평가와 근골격 건강을 개선시키기 위한 추천 액션 제공 등에 활용할 수 있다면, 사용자로 하여금 새롭게 자신의 건강 상태에 대해 인식하고 특정 행위에 주의를 기울이게 하여 근골격 건강을 개선시키는 효과를 가질 수 있으며, 의사는 환자의 일상 행위에서의 자세와 동작 및 주위 환경을 직접 관찰하지 않고도 단시간에 환자의 정보를 확인할 수 있기 때문에 이를 이용하여 환자의 일상 생활 행위와 주위 환경이 반영된 문제의 원인 확인, 진단, 원인 제거, 치료 및 교육까지 효율적으로 수행할 수 있게 된다. 또한 사용자는 증상이 악화되거나 질병이 발병하기 전에 나쁜 자세와 동작 등을 확인하고 이에 대한 피드백을 받을 수 있어 증상 및 질병의 발현 혹은 악화를 예방하는 효과를 기대할 수 있다. 근골격 건강 개선을 위한 추천 액션 제공 시 기존에 정해져 있는 추천 액션을 결정하는 규칙과 함께, 이에 더하여 강화 학습을 통해 입력되는 사용자의 상태 정보에 따라 규칙 자체를 학습하고 이를 지속적으로 업데이트 함으로써 사용자 개인의 상태에 맞는 효과적인 추천 액션을 제공할 수 있다는 장점이 있다.
대한민국 등록특허공보 제10-1774752호
본 발명은 상기와 같은 종래의 문제점을 해결하기 위하여 안출된 것으로서, 강화 학습 알고리즘을 이용하여 사용자의 건강 상태 및 개선에 관한 정보를 바탕으로 근골격계 증상을 개선시킬 수 있는 적절한 액션 정보를 도출하며 이를 사용자에게 제공하도록 구성된 학습 기반의 증상 및 질환 관리 장치 및 방법을 사용자에게 제공하는 데 그 목적이 있다.
구체적으로, 사용자의 건강 상태, 사용자의 신체의 자세 및 동작 정보와 주변 환경에 대한 정보를 모두 활용한, 근골격 증상 혹은 질환 관리를 위한, 증상 및 질환 관리를 위하여 사용자 정보를 바탕으로 강화학습을 이용하여 지속적으로 학습하고 업데이트되는 추천 시스템으로 운영되는, 관리 방법 및 시스템에 대한 기술은 보고된 바 없다.
현재까지 의료 현장에서 생활 관련 정보의 획득은, 환자가 병의원에 방문하였을 때 질병과 관계된 생활 관련 정보 등을 의사가 질문을 하여 환자의 구두 정보를 획득하여 전자의무기록에 기록하는 방식으로 이루어진다. 이 방식의 한계로 환자의 생활 방식과 습관, 생활을 위한 주변 환경 등에 대한 정보를 수집하기 어렵거나 수집한다고 하더라도 환자의 기억에 의존하기 때문에 부정확하고 주관이 개입할 수 있다는 단점이 있으며, 한정된 진료 시간 내에 수집을 해야 하기 때문에 충분한 양의 정보를 획득하기 어렵다. 따라서 의사들은 현재의 증상에 대한 진단과 치료에 집중하며 그 근본적인 원인이 되는 환자의 생활 방식과 습관, 생활을 위한 주변 환경 등에 대한 정보를 시간을 두고 충분히 획득하여 진료에 활용하고 있지 못하며, 이로 인하여 증상이나 질병의 진행과 악화를 사전에 차단하는 등의 예방 조치가 지연될 수 있고, 선제적으로 조치를 취하지 않은 상태에서 병원에 방문하더라도 근본적인 원인이 해결되지 않아 질병의 진행이 지속될 수 있다.
증상 혹은 질환 관련한 기존 의학 및 의료 지식 기반의 관리 및 조절 방법 추천의 경우, 기존 문헌 혹은 지식을 기반으로 활용하여 사용자에게 증상 혹은 질환에 대한 관리 및 조절 방법을 추천함으로써, 추천 모델 자체는 고정되어 사용자의 반응이나 건강 상태의 변화에 대하여 지식과 모델이 업데이트 되지 않아 사용자들의 정보가 축적됨에 따라 새로운 지식이나 모델을 학습할 수 있는 여지가 없지만, 본 방법 및 시스템의 경우 사용자의 상태, 추천 방법에 따른 행동 및 결과 등을 수집하고 시계열적으로 재차 반영함으로써 강화학습 기반의 모델 업데이트를 통해, 사용자들의 상태에 대한 추천 알고리즘을 갱신하고 정교화한다는 것에 장점이 있다.
본 발명에서 제안하고 있는 사용자의 건강 및 생체 정보 수집, 가공, 분석 및 건강 수준 평가에 대한 방법 및 시스템의 경우, 사용자 및 외부 환경에 대한 정보와 연관하여 질병에 대한 인식이 없는 사용자로 하여금 새롭게 자신의 건강 상태에 대해 인식하거나 주의를 기울이게 하는 효과를 가진다. 또한 이러한 사용자는 기존 환자를 포함하여 환자가 아니지만 주기적 혹은 비주기적으로 건강 이상을 인지하는 사람들 및 건강을 관리하고자 하는 사람들을 포함하기 때문에 증상이 악화되거나 질병이 발병하기 전에 건강 관리를 통해 예방하는 효과를 가져올 수 있다.
수집하는 정보들은 구조화되어 정보가 획득이 되며, 임상 현장의 전자의무기록 등에서 기술하는 임상 노트에 대한 자연어 처리 등의 추가적인 처리를 필요로 하지 않고도, 사용자의 건강에 관한 정보들이 구조화되어 저장되므로, 이를 호출하거나 시각화 등을 통해 재구성하여 임상 의료진에게 정확하고 편리하게 정보를 전달할 수 있다는 장점이 있다.
기존의 온라인 기반 질병 진단 시스템은 사용자에게 건강 혹은 생체 정보를 일시적으로 수집한 후 의심 질환, 질환 정보, 방문을 위한 약국/의원/병원 등의 정보를 제공하고 있다. 하지만 이와 같은 시스템은 단발성의 질병의 진행을 차단하는 데는 효과적일 수 있으나 근골격 질환의 근본적인 원인이 되는 생체 및 생활 요인에 대한 지속적인 관리에 대한 효과를 내기 어려운 한계가 있다. 한편으로 기존의 3차원 생체역학 데이터를 이용한 방법 및 시스템은 사용자의 기존 건강 상태에 관한 정보 및 신체의 자세와 동작이 주변 사물과 연관되어 결정될 수 있다는 사실이 취급되어 있지 않으며, 카메라 등의 다수의 특정한 측정 도구가 설치가 된 상태에서 획득되는 정보만을 이용하고 있으며, 시간 축이 있는 계측치 만을 포함하고 있어 시간 축이 없는 다양한 형태의 계측 및 일상 생활 행위와 주변 환경에 대한 정보 등에 대한 부분은 포함되지 않고, 상체와 하체만을 포함하여 자세와 동작에 중요한 목과 허리 등의 몸통의 정보를 포함하지 않는다. 또한 규칙이 고정되어 있어 사용자에 대한 판단이 맞춤형이 아닌 일괄적으로 적용되는 단점이 있다.
한편, 본 발명에서 이루고자 하는 기술적 과제들은 이상에서 언급한 기술적 과제들로 제한되지 않으며, 언급하지 않은 또 다른 기술적 과제들은 아래의 기재로부터 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자에게 명확하게 이해될 수 있을 것이다.
상술한 과제를 실현하기 위한 본 발명의 일예와 관련된 학습 기반의 증상 및 질환 관리 장치는, 사용자의 상태에 관련된 복수의 상태값으로 구성된 제 1 입력을 수신하는 입력부; 복수의 액션 정보가 저장된 데이터베이스; 입력된 상기 제 1 입력에 따라 상기 복수의 액션 정보로부터 제 1 세트의 액션 정보를 선정하고, 상기 제 1 입력에 대하여 소정의 모델을 이용하여 상기 제 1 세트의 액션 정보의 각각에 대응하는 복수의 평가값을 산출하며, 산출된 상기 복수의 평가값에 기초하여 상기 제 1 세트의 액션 정보 중 적어도 하나인 제 1 추천 액션 정보를 선택하는 처리부; 및 선택된 상기 제 1 추천 액션 정보를 상기 사용자에게 제공하기 위한 출력부를 포함할 수 있다.
또한, 상기 입력부에 수신된 상기 제 1 입력 및 상기 처리부에서 상기 제 1 입력에 대하여 선택된 상기 제 1 추천 액션 정보는 상기 데이터베이스에 저장되도록 구성될 수 있다.
또한, 상기 처리부는, 업데이트 정보를 기반으로 하여 상기 모델이 업데이트되도록 할 수 있다.
또한, 상기 업데이트 정보는 상기 데이터베이스에 저장된 상기 제 1 입력의 상태값 및 상기 제 1 입력에 대하여 선택된 상기 제 1 추천 액션 정보를 포함할 수 있다.
또한, 상기 업데이트 정보는 상기 입력부에 수신되는 제 2 입력의 상태값을 더 포함할 수 있다.
또한, 상기 처리부는 상기 학습 모듈에 의하여 업데이트된 상기 모델을 이용하여 제 2 입력에 대한 복수의 평가값을 산출하도록 구성될 수 있다.
또한, 상기 제 2 입력에 대한 상기 복수의 평가값은 상기 제 2 입력에 대한 제 2 추천 액션 정보를 선택하는 데에 이용될 수 있다.
또한, 상기 제 1 입력은 제 1 시간에 수신되고, 상기 제 2 입력은 상기 제 1 시간 이후의 제 2 시간에 수신될 수 있다.
또한, 상기 모델의 업데이트는, 상기 사용자의 상태가 개선되도록 유도하기 위하여, 상기 제 2 입력에 대하여 상기 복수의 평가값이 산출되는 방식을 조절할 수 있다.
또한, 상기 처리부는 상기 제 1 세트의 액션 정보의 각각을 적용하는 것이 상기 사용자의 상태에 미치는 영향을 나타내는 복수의 보상을 계산하고, 계산된 상기 복수의 보상은 상기 복수의 평가값을 산출하는 데에 반영될 수 있다.
또한, 상기 처리부는, 상기 제 1 세트의 액션 정보 중 보다 높은 보상이 예상되는 액션 정보에 대하여, 보다 높은 가중치를 부여할 수 있다.
또한, 상기 처리부는 산출된 상기 복수의 평가값 중 임계치보다 큰 평가값을 식별하고, 식별된 상기 평가값에 대응되는 액션 정보를 상기 제 1 추천 액션 정보로 선택할 수 있다.
또한, 상기 복수의 보상은 상기 입력부를 통하여 입력된 임상 정보 또는 상기 데이터베이스에 저장된 임상 정보에 의하여 적어도 부분적으로 제한될 수 있다.
또한, 상기 처리부는 상기 복수의 보상 중 적어도 일부가 상기 임상 정보와 매칭되지 않는다고 판단할 경우 상기 보상을 상기 임상 정보에 기초하여 계산할 수 있다.
또한, 상기 제 1 세트의 액션 정보를 선정하는 것은 상기 입력부를 통하여 입력된 임상 정보 또는 상기 데이터베이스에 저장된 임상 정보에 의하여 적어도 부분적으로 제한될 수 있다.
또한, 선정된 상기 제 1 세트의 액션 정보 중 적어도 일부가 상기 임상 정보와 매칭되지 않는다고 판단될 경우 상기 제 1 세트의 액션 정보를 상기 임상 정보에 기초하여 재선정할 수 있다.
또한, 상기 처리부는 상기 제 1 입력을 이용하여 상기 사용자의 근골격계 증상을 분석하고, 분석된 상기 사용자의 상기 근골격계 증상은 상기 제 1 입력에 대한 상기 복수의 평가값을 산출하는 데에 이용될 수 있다.
또한, 상기 사용자의 상기 근골격계 증상을 분석하는 것은, 상기 제 1 입력의 상기 복수의 상태값에서 상기 근골격계 증상을 악화시키는 요인 또는 상기 근골격계 증상을 개선시키는 요인을 탐색하는 것을 포함할 수 있다.
또한, 상기 사용자의 상기 근골격계 증상을 분석하는 것은, 탐색된 상기 근골격계 증상을 악화시키는 요인 또는 상기 근골격계 증상을 개선시키는 요인에 기초하여 상기 근골격계 증상의 진단, 진행 상태 또는 예후를 예측하는 것을 포함할 수 있다.
또한, 상기 출력부는 상기 근골격계 증상을 악화시키는 요인 또는 상기 근골격계 증상을 개선시키는 요인을 사용자에게 제공하도록 구성될 수 있다.
또한, 상기 복수의 상태값은 상기 사용자의 일상 생활 행위에 대한 정보, 상기 사용자의 자세에 대한 정보, 상기 사용자의 동작에 대한 정보, 상기 사용자 주변의 환경에 대한 정보, 상기 사용자의 생체 정보 및 상기 사용자의 근골격 건강 정보 중 적어도 하나를 포함할 수 있다.
또한, 상기 사용자의 일상 생활 행위에 대한 정보는, 일상 생활 행위에서의 상기 사용자의 신체 부위의 위치, 길이, 각도 및 이들의 시간에 따른 변화와 상기 사용자의 활동의 종류, 시간, 강도, 방식 및 이들의 패턴 중 적어도 하나를 포함하고, 상기 사용자의 자세에 대한 정보는, 정적인 상태에서의 상기 사용자의 신체 부위의 위치, 길이, 각도 및 이들의 시간에 따른 변화 중 적어도 하나를 포함하고, 상기 사용자의 동작에 대한 정보는, 동적인 상태에서의 상기 사용자의 상기 신체 부위의 위치, 길이, 각도 및 이들의 시간에 따른 변화 중 적어도 하나를 포함하고, 상기 사용자 주변의 환경에 대한 정보는, 상기 사용자로부터 기 설정된 반경 내에 있는 임의의 객체의 위치, 크기, 높이, 거리, 강도 및 이들의 패턴 중 적어도 하나를 포함하고, 상기 사용자의 생체 정보는, 상기 사용자의 나이, 성별, 가족력, 과거력, 현재의 치료 여부, 과거의 치료 여부, 골격근량, 체중, 키 및 유전자 정보 중 적어도 하나를 포함하고, 상기 사용자의 근골격 건강 정보는, 통증의 증상, 통증의 위치, 통증의 빈도, 통증의 지속 시간, 통증의 양상 및 이들의 패턴 중 적어도 하나를 포함할 수 있다.
또한, 상기 제 1 입력은 상기 사용자의 입력에 의하여 발생되거나 상기 사용자 이외의 타인의 입력에 의하여 발생되거나 센서의 감지에 의하여 발생될 수 있다.
한편, 상술한 과제를 실현하기 위한 본 발명의 일예와 관련된 학습 기반의 증상 및 질환 관리 방법은, 사용자의 상태에 관련된 복수의 상태값으로 구성된 제 1 입력을 수신하는 단계; 입력된 상기 제 1 입력에 따라 데이터베이스에 저장된 복수의 액션 정보로부터 제 1 세트의 액션 정보를 선정하는 단계; 상기 제 1 입력에 대하여 소정의 모델을 이용하여 상기 제 1 세트의 액션 정보의 각각에 대응하는 복수의 평가값을 산출하는 단계; 산출된 상기 복수의 평가값에 기초하여 상기 제 1 세트의 액션 정보 중 적어도 하나인 제 1 추천 액션 정보를 선택하는 단계; 및 선택된 상기 제 1 추천 액션 정보를 상기 사용자에게 제공하는 단계를 포함할 수 있다.
또한, 수신된 상기 제 1 입력 및 상기 제 1 입력에 대하여 선택된 상기 제 1 추천 액션 정보는 상기 데이터베이스에 저장되도록 구성될 수 있다.
또한, 상기 산출하는 단계는, 업데이트 정보를 기반으로 하여 상기 모델이 업데이트되도록 할 수 있다.
또한, 상기 업데이트 정보는 상기 데이터베이스에 저장된 상기 제 1 입력의 상태값 및 상기 제 1 입력에 대하여 선택된 상기 제 1 추천 액션 정보를 포함할 수 있다.
또한, 상기 업데이트 정보는 상기 입력부에 수신되는 제 2 입력의 상태값을 더 포함할 수 있다.
또한, 상기 강화 학습 알고리즘을 적용하는 단계에 의하여 업데이트된 상기 모델을 이용하여 제 2 입력에 대한 복수의 평가값을 산출하도록 구성될 수 있다.
또한, 상기 제 2 입력에 대한 상기 복수의 평가값은 상기 제 2 입력에 대한 제 2 추천 액션 정보를 선택하는 데에 이용될 수 있다.
또한, 상기 제 1 입력은 제 1 시간에 수신되고, 상기 제 2 입력은 상기 제 1 시간 이후의 제 2 시간에 수신될 수 있다.
또한, 상기 모델의 업데이트는, 상기 사용자의 상태가 개선되도록 유도하기 위하여, 상기 제 2 입력에 대하여 상기 복수의 평가값이 산출되는 방식을 조절할 수 있다.
또한, 상기 산출하는 단계는 상기 제 1 세트의 액션 정보의 각각을 적용하는 것이 상기 사용자의 상태에 미치는 영향을 나타내는 복수의 보상을 계산하는 단계를 포함하고, 상기 계산하는 단계에서 계산된 상기 복수의 보상은 상기 복수의 평가값을 산출하는 데에 반영될 수 있다.
또한, 상기 계산하는 단계는, 상기 제 1 세트의 액션 정보 중 보다 높은 보상이 예상되는 액션 정보에 대하여, 보다 높은 가중치를 부여할 수 있다.
또한, 상기 산출하는 단계는 산출된 상기 복수의 평가값 중 임계치보다 큰 평가값을 식별하는 단계를 포함하고, 상기 선택하는 단계는 상기 식별하는 단계에서 식별된 상기 평가값에 대응되는 액션 정보를 상기 제 1 추천 액션 정보로 선택하는 단계를 포함할 수 있다.
또한, 상기 복수의 보상은 상기 입력부를 통하여 입력된 임상 정보 또는 상기 데이터베이스에 저장된 임상 정보에 의하여 적어도 부분적으로 제한될 수 있다.
또한, 상기 계산하는 단계에서 상기 복수의 보상 중 적어도 일부가 상기 임상 정보와 매칭되지 않는다고 판단될 경우 상기 보상을 상기 임상 정보에 기초하여 계산할 수 있다.
또한, 상기 선정하는 단계에서 상기 제 1 세트의 액션 정보를 선정하는 것은 상기 입력부를 통하여 입력된 임상 정보 또는 상기 데이터베이스에 저장된 임상 정보에 의하여 적어도 부분적으로 제한될 수 있다.
또한, 상기 선정하는 단계에서 선정된 상기 제 1 세트의 액션 정보 중 적어도 일부가 상기 임상 정보와 매칭되지 않는다고 판단될 경우 상기 제 1 세트의 액션 정보는 상기 임상 정보에 기초하여 재선정될 수 있다.
또한, 상기 산출하는 단계는 상기 제 1 입력을 이용하여 상기 사용자의 근골격계 증상을 분석하는 단계를 포함하고, 상기 분석하는 단계에서 분석된 상기 사용자의 상기 근골격계 증상은 상기 제 1 입력에 대한 상기 복수의 평가값을 산출할 수 있다.
또한, 상기 사용자의 상기 근골격계 증상을 분석하는 단계는, 상기 제 1 입력의 상기 복수의 상태값에서 상기 근골격계 증상을 악화시키는 요인 또는 상기 근골격계 증상을 개선시키는 요인을 탐색하는 단계를 포함할 수 있다.
또한, 상기 사용자의 상기 근골격계 증상을 분석하는 단계는, 상기 탐색하는 단계에서 탐색된 상기 근골격계 증상을 악화시키는 요인 또는 상기 근골격계 증상을 개선시키는 요인에 기초하여 상기 근골격계 증상의 진단, 진행 상태 또는 예후를 예측하는 단계를 더 포함할 수 있다.
또한, 상기 출력하는 단계는 상기 근골격계 증상을 악화시키는 요인 또는 상기 근골격계 증상을 개선시키는 요인을 사용자에게 제공하는 단계를 포함할 수 있다.
또한, 상기 복수의 상태값은 상기 사용자의 일상 생활 행위에 대한 정보, 상기 사용자의 자세에 대한 정보, 상기 사용자의 동작에 대한 정보, 상기 사용자 주변의 환경에 대한 정보, 상기 사용자의 생체 정보 및 상기 사용자의 근골격 건강 정보 중 적어도 하나를 포함할 수 있다.
또한, 상기 사용자의 일상 생활 행위에 대한 정보는, 일상 생활 행위에서의 상기 사용자의 신체 부위의 위치, 길이, 각도 및 이들의 시간에 따른 변화와 상기 사용자의 활동의 종류, 시간, 강도, 방식 및 이들의 패턴 중 적어도 하나를 포함하고, 상기 사용자의 자세에 대한 정보는, 정적인 상태에서의 상기 사용자의 신체 부위의 위치, 길이, 각도 및 이들의 시간에 따른 변화 중 적어도 하나를 포함하고, 상기 사용자의 동작에 대한 정보는, 동적인 상태에서의 상기 사용자의 상기 신체 부위의 위치, 길이, 각도 및 이들의 시간에 따른 변화 중 적어도 하나를 포함하고, 상기 사용자 주변의 환경에 대한 정보는, 상기 사용자로부터 기 설정된 반경 내에 있는 임의의 객체의 위치, 크기, 높이, 거리, 강도 및 이들의 패턴 중 적어도 하나를 포함하고, 상기 사용자의 생체 정보는, 상기 사용자의 나이, 성별, 가족력, 과거력, 현재의 치료 여부, 과거의 치료 여부, 골격근량, 체중, 키 및 유전자 정보 중 적어도 하나를 포함하고, 상기 사용자의 근골격 건강 정보는, 통증의 증상, 통증의 위치, 통증의 빈도, 통증의 지속 시간, 통증의 양상 및 이들의 패턴 중 적어도 하나를 포함할 수 있다.
또한, 상기 제 1 입력은 상기 사용자의 입력에 의하여 발생되거나 상기 사용자 이외의 타인의 입력에 의하여 발생되거나 센서의 감지에 의하여 발생될 수 있다.
한편, 상술한 과제를 실현하기 위한 본 발명의 일예와 관련된 비일시적 컴퓨터 판독가능 저장 매체는, 명령들을 포함하는 비일시적 컴퓨터 판독가능 저장 매체로서, 상기 명령들은, 실행될 때, 하나 이상의 프로세서들로 하여금: 사용자의 상태에 관련된 복수의 상태값으로 구성된 제 1 입력을 수신하게 하고, 입력된 상기 제 1 입력에 따라 데이터베이스에 저장된 복수의 액션 정보로부터 제 1 세트의 액션 정보를 선정하게 하고, 상기 제 1 입력에 대하여 소정의 모델을 이용하여 상기 제 1 세트의 액션 정보의 각각에 대응하는 복수의 평가값을 산출하게 하고, 산출된 상기 복수의 평가값에 기초하여 상기 제 1 세트의 액션 정보 중 적어도 하나인 제 1 추천 액션 정보를 선택하게 하고, 그리고 선택된 상기 제 1 추천 액션 정보를 상기 사용자에게 제공하게 할 수 있다.
본 발명은 강화 학습 알고리즘을 이용하여 사용자의 근골격계 건강 상태와 증상 및 질환을 개선시킬 수 있는 액션을 분석하고 학습하여 지속적으로 업데이트가 되어, 사용자 개인에 맞는 적절한 액션 정보를 사용자에게 제공하도록 구성된 학습 기반의 증상 및 질환 관리 장치 및 방법을 사용자에게 제공할 수 있다.
구체적으로, 근골격계 질환 관련 의학(정형외과학, 재활의학과학 등), 직업환경의학과 의료 전문 지식이 바탕이 되는 기저 건강 상태, 반복되는 일상 생활 행위에서의 신체의 자세와 동작 정보, 주변 사물에 대한 정보를 이용하여 사용자는 증상이 악화되거나 질병이 발병하기 전에 나쁜 자세와 동작 등을 확인할 수 있어 이에 대한 건강 관리를 통해 질병을 예방하는 효과를 기대할 수 있다. 근골격 질환을 악화시키거나 및 개선시킬 수 있는 요인을 등급별로 분류하여 확인하고, 관련 요인에 따른 근골격 질환의 발생과 진단, 질환의 진행 코스, 예후를 예측하고, 관련 요인을 조절하여 근골격 질환을 호전시킬 수 있는 건강 관리 방법을 추천받을 수 있으며, 시간이 지남에 따라 달라지는 사용자 및 주변 환경 등의 관련 정보를 이용하여 사용자의 생활이 근골격 질환을 예방하는 방향으로 나아지고 있는지를 확인함으로써 자가 건강 모니터링의 기능을 할 수 있다.
또한, 증상 혹은 질환 관련 기존 추천 시스템의 경우, 확립된 의학 지식을 바탕으로 사용자에게 조절 및 관리 방법을 추천해줌으로써, 분류 및 추천 규칙 등을 포함한 추천 모델 자체는 갱신되지 않고 고정되어 사용자 집단이 지속적으로 생산하는 정보를 반영하지 못하지만, 본 발명에서 제안하고 있는 방법 및 시스템의 경우, 기존 의학 지식은 모델의 초기값으로 설정하여 활용하되, 사용자들이 누적됨에 따라 사용자들의 건강 수준, 상태 및 추천 결과에 따른 사용자의 다양한 반응을 반영함으로써 사용자의 상황에 맞는 관리 및 조절 방법을 갱신해나가고 정확도를 높임으로써 기존의 방법보다 더 효과적인 개선을 추구한다는 데에 의의가 있다.
또한, 증상 및 질환 관련 요인을 조절하여 근골격 질환을 호전시킬 수 있는 건강 관리 방법을 추천할 수 있는, 의료 기관에 관련 요인을 제공하여 임상 현장에서 실제 치료와 연계될 수 있는, 건강 관리 방법 및 시스템을 포함하여 구성된다. 의사는 단시간에 환자의 관련 정보를 확인할 수 있기 때문에 이를 이용하여 환자의 생활이 반영된 문제 원인 확인, 진단, 원인 제거 및 치료까지 효율적으로 수행할 수 있게 된다.
또한, 근골격계 질환은 많은 경우 근골격계에 미세 손상이 시간에 따라 축적되어 만성화되며 질병이 진행하기 때문에 이러한 흐름을 차단할 수 있는 관련 요인의 교정이 반드시 필요하다. 근골격 질환의 만성화를 예방할 수 있음으로써 개인의 건강을 선제적으로 유지하고 향상 시킬 수 있으며, 개인과 국가의 의료비 절감에 큰 효과가 있다.
한편, 본 발명에서 얻을 수 있는 효과는 이상에서 언급한 효과들로 제한되지 않으며, 언급하지 않은 또 다른 효과들은 아래의 기재로부터 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자에게 명확하게 이해될 수 있을 것이다.
본 명세서에 첨부되는 다음의 도면들은 본 발명의 바람직한 일 실시예를 예시하는 것이며, 발명의 상세한 설명과 함께 본 발명의 기술적 사상을 더욱 이해시키는 역할을 하는 것이므로, 본 발명은 그러한 도면에 기재된 사항에만 한정되어 해석되어서는 아니 된다.
도 1은 본 발명에 적용될 수 있는 학습 기반의 증상 및 질환 관리 장치의 블록 구성도의 일예를 나타낸 것이다.
도 2는 본 발명에 따라 구현될 수 있는 학습 기반의 증상 및 질환 관리 방법의 일 실시예를 나타내는 순서도이다.
이하, 도면을 참조하여 본 발명의 바람직한 일 실시예에 대해서 설명한다. 또한, 이하에 설명하는 일 실시예는 특허청구범위에 기재된 본 발명의 내용을 부당하게 한정하지 않으며, 본 실시 형태에서 설명되는 구성 전체가 본 발명의 해결 수단으로서 필수적이라고는 할 수 없다.
또한, 도면 전체에 걸쳐 유사한 기능 및 작용을 하는 부분에 대해서는 동일한 도면 부호를 사용한다. 명세서 전체에서, 어떤 부분이 다른 부분과 '연결'되어 있다고 할 때, 이는 '직접적으로 연결'되어 있는 경우뿐만 아니라, 그 중간에 다른 소자를 사이에 두고, '간접적으로 연결'되어 있는 경우도 포함한다. 또한, 어떤 구성요소를 '포함'한다는 것은 특별히 반대되는 기재가 없는 한 다른 구성요소를 제외하는 것이 아니라, 다른 구성요소를 더 포함할 수 있는 것을 의미한다.
본 발명은 통증 등의 근골격계 증상 혹은 질환 질환을 예방하거나, 질환을 발생시켰거나 악화시키는 원인을 확인하고, 이를 효과적으로 제거하거나 조절하도록 작동된다. 본 발명에 의하면, 사용자는 자신의 근골격계 질환과 관련된 요인이 무엇인지 확인 및 그에 대한 설명을 제공받을 수 있으며, 근골격계 질환을 발생시켰거나 완화 혹은 악화 요인을 제거하거나 조절할 수 있는 방법에 대하여 설명을 받을 수 있으며, 자신과 관련된 요인과 근골격계 건강 상태를 종합적이고 체계적이며 이해하기 쉽게 가공된 형태의 정보를 제공받을 수 있으며, 개인이 동의한 경우 다른 사용자 혹은 의료진 등 타인에게 관련 정보를 제공함으로써 함께 건강 관리를 할 수 있는 환경을 제공받을 수 있으며, 개인이 동의하고 중증도가 심한 경우 의료 기관에 정보를 제공하여 건강 관련 상담을 받거나 실제 치료로 이어질 수 있도록 한다. 본 발명은 규칙적으로 개인에게 건강 관련 정보 및 건강 결과 정보를 입력하도록 하여 지속적으로 관련 데이터를 수집하여 데이터베이스화하고, 강화학습을 이용하여 사용자의 상태 및 추천 계획을 지속적으로 업데이트 한다. 사용자의 상태에 적합한 관리 및 조절 방법을 제안함으로써 단독 혹은 기존 치료 계획과 같이 병용하여 사용될 수 있다. 건강 관련 데이터를 이용하여 연구, 예방 및 건강증진 전략 및 정책의 수립, 상태에 따른 맞춤형 정보 제공 및 추천 서비스가 가능하다.
이하에서는, 도면을 참조하여 본 발명이 제안하고자 하는 학습 기반의 증상 및 질환 관리 장치(100)에 대하여 구체적으로 설명한다.
도 1은 본 발명에 적용될 수 있는 학습 기반의 증상 및 질환 관리 장치의 블록 구성도의 일예를 나타낸 것이다.
도 1을 참조하면, 본 발명에 따른 학습 기반의 증상 및 질환 관리 장치(100)는 입력부(10), 데이터베이스(20), 처리부(30), 출력부(40), 전원공급부(50) 및 통신부(60) 등으로 구성될 수 있다. 단, 도면에 도시된 구성요소들이 필수적인 것은 아니어서, 그보다 많은 구성요소들을 갖거나 그보다 적은 구성요소들을 갖는 학습 기반의 증상 및 질환 관리 장치(100)가 구현될 수도 있다.
이하, 상기 구성요소들에 대해 차례로 살펴본다.
입력부(10)는 사용자로부터의 입력을 수신한다. 여기서, 상기 입력은 사용자의 상태에 관한 복수의 상태값으로 구성될 수 있다.
상기 복수의 상태값은 일상 생활 행위에 대한 정보, 자세와 동작에 대한 정보와 같은 사용자에 속하는 정보로 이루어질 수 있다. 또한, 상기 복수의 상태값은 사용자 주변의 환경에 대한 정보와, 사용자가 갖는 생체 정보, 근골격 건강 정보 등으로 이루어질 수 있다. 이 정보의 종류는 입력 방식에 있어서 사용자의 직접 입력 정보와 계측 정보를 포함한다.
생활 행위는 현대인들의 일상 생활 행위를 포함하는 것으로, 현대인들의 주된 생활 방식인 바닥이나 의자 등에 장기간 앉아있는 좌식 생활, 책상 앞이나 이동 중에도 디스플레이에 열중하고 있는 생활 등을 포함하며, 육아, 운전, 운송, 집안일 등의 특정 업무 방식, 식이 섭취나 운동 등의 생활 습관 등을 모두 포함한다. 생활 관련 정보는 정량적 및 정성적 데이터로서, 길이와 각도 등과 같은 자, 각도기, 카메라 영상 등을 활용하여 계측을 통하여 획득할 수 있는 데이터와 설문조사 등을 통하여 획득할 수 있는 사용자의 활동의 종류, 시간, 강도, 방식 등에 대한 데이터, 그리고 생활을 하는 중에 센서를 이용하여 실시간으로 측정된 데이터 등을 포함하며 그것들의 패턴을 포함한다.
사용자의 자세에 대한 정보는 사용자가 일상 생활을 할 때의 정적인 상태에서 사용자의 신체의 부위별 위치 또는 그것들의 패턴을 포함하며, 동작에 대한 정보는 사용자가 생활을 할 때의 동적인 상태에서 사용자의 신체의 부위별 위치 또는 그것들의 패턴을 포함한다. 여기서, 자세와 동작에 대한 정보들은 위치, 길이, 각도 및 이들의 시간에 따른 변화가 센서를 이용하여 계측된 정량적인 데이터와 설문조사, 그림 등을 통하여 획득할 수 있는 정보들을 포함한다. 여기서, 신체 부위는 머리, 목, 가슴, 어깨, 팔, 손 등을 포함한 상반신과 골반, 허벅지, 무릎, 종아리, 발 등을 포함한 하반신, 그리고 등과 허리 등의 몸통 등 신체 전반을 포함한다.
사용자 주변의 환경에 대한 정보는 사용자가 생활을 할 때 사용자로부터 특정 범위 내에 있는 임의의 객체에 대한 정보를 포함한다. 여기서, 주변 환경의 정보는 위치, 크기, 높이, 거리, 강도 및 이들의 시간에 따른 변화가 계측된 정량적 또는 정성적인 데이터와 설문조사, 그림 등을 통하여 획득할 수 있는 정보들을 포함하며 그것들의 패턴을 포함한다.
사용자의 생체 정보는 사용자의 나이, 성별, 가족력, 과거력, 현재와 과거의 치료 여부, 골격근량, 체중, 키, 유전자 정보 등을 포함하며 임상 현장에서 진료에 활용될 수 있는 정보를 포함한다.
사용자의 근골격 건강 정보는 사용자의 현재 건강 상태를 사용자의 입력에 따라 담고 있는 정보이다. 예를 들어 통증의 증상, 위치, 빈도, 지속 시간, 양상 및 그것들의 패턴 등이 사용자의 건강 정보의 한 예로서 생각될 수 있다.
생활을 할 때의 자세와 동작 등은 주변 사물과 밀접한 연관성을 갖는다. 주변 사물의 크기, 높이, 강도 등의 다양한 요인에 의하여 생활 자세와 동작이 크게 영향을 받을 수 있기 때문에 사용자 주변의 환경에 대한 정보는 신체 정보와 함께 생활의 중요한 정보로 사용되어야 한다. 따라서 본 발명은 신체 정보와 일상 생활과 관련된 주변 환경에 대한 정보를 모두 활용함으로써 사용자 자체의 정보 뿐만 아니라 사용자와 환경의 상호작용 정보를 모두 활용한다.
상기 입력은 사용자의 입력에 의하여 발생되거나 사용자 이외의 타인의 입력에 의하여 발생되거나 센서의 감지에 의하여 발생될 수 있다.
또한, 데이터베이스(20)는 처리부(30)의 처리 및 제어를 위한 프로그램이 저장될 수도 있고, 입/출력되는 데이터들의 저장을 위한 기능을 수행할 수도 있다. 데이터베이스(20)에는 복수의 액션 정보뿐만 아니라, 입력부(10)에 수신된 입력이나 처리부(30)에서 산출된 입력에 대한 복수의 평가값, 처리부(30)에서 선택된 추천 액션 정보 등이 저장될 수 있다.
상기 액션 정보는 사용자의 근골격계 증상이나 질환을 완화시킬 수 있는 일련의 행위로 정의될 수 있다. 데이터베이스(20)에는 다수의 액션 정보가 저장되어 있으며, 상기 다수의 액션 정보 중 사용자에게 적합하다고 판단된 적어도 일부의 액션 정보가 사용자에게 추천될 수 있다.
데이터베이스(20)는 시간의 경과에 따른 정보의 변화를 기억할 수 도록 구성된다. 즉, 데이터베이스(20)는 제 1 시간에 수신된 제 1 입력과 상기 제 1 입력에 대한 복수의 평가값과 상기 제 1 입력에 대하여 선택된 제 1 액션 정보를 저장할 수 있으며, 제 1 시간 이후의 제 2 시간에 수신된 제 2 입력과 상기 제 2 입력에 대한 복수의 평가값과 상기 제 2 입력에 대하여 선택된 제 2 액션 정보를 저장할 수 있다.
또한, 처리부(30)는 입력부(10)에 수신된 입력에 대하여 복수의 평가값을 산출한다. 상기 복수의 평가값은 데이터베이스(20)에 기 저장된 복수의 액션 정보의 각각에 대응한다. 즉, 입력에 액션 정보를 적용할 경우에 예상되는 사용자의 상태가 평가값으로 산출되며, 하나의 입력에 대하여 복수의 액션 정보 각각을 적용한 결과가 복수의 평가값 각각에 대응한다.
처리부(30)는 입력에 포함된 복수의 상태값을 이용하여 사용자의 상태, 특히 사용자의 근골격계 증상을 분석할 수도 있다. 이렇게 분석된 사용자의 근골격계 증상은 복수의 평가값을 산출하는 데에 이용될 수 있다. 나아가, 처리부(30)는 이 복수의 상태값으로부터 근골격계 증상을 악화시키는 요인 또는 근골격계 증상을 개선시키는 요인을 탐색할 수도 있다.
처리부(30)는 사용자 및 환경 정보들 중에서 건강 상태와 연관된 요인을 찾고 수준을 분류하기 위해 머신러닝 및 인공지능 분야의 방법론을 활용한다. 규칙기반 분류, Case-based Reasoning, 의사결정나무(decision tree), 서포트벡터머신(support vector machine), 로지스틱 및 선형 회귀(Logistic and linear regression), k-nearest neighbor, 인공 신경망, 부스팅(Boosting) 등을 바탕으로 환자의 현재 상태, 위험 요인 등의 특성을 분류하고 향후 상태를 예측한다. 이러한 분류는 기존 라벨링(labeling)을 활용한 지도학습(supervised learning)과 자체적으로 기준을 세워 분류하는 비지도학습 (unsupervised learning)과 같은 데이터 기반 학습과, 임상 진료의 교과서적 지식을 활용한 가이드라인 및 프로토콜 기반의 정답 기반 학습으로 나뉘며, 바람직하게는 데이터 기반 학습과 정답 기반 학습을 병용한다.
사용자들의 입력 정보는 Auto-encoder, PCA 등의 차원 변환 알고리즘을 통해, 여러 차원으로 매핑될 수 있으며 매핑된 벡터는 특징 벡터로 사용한다. 획득된 사용자의 정보로부터 건강 상태 및 수준을 평가하며 매칭된 특징 벡터에 따라 맞춤형으로 증상 혹은 질병과 연관된 요인들을 탐색하여 자신의 근골격계 증상 혹은 질환과 관련된 요인이 무엇인지 확인할 수 있다.
또한, 처리부(30)는, 사용자에게 제공하기 위한 액션 정보를 결정하기 위하여, 산출된 복수의 평가값에 기초하여 복수의 액션 정보 중 적어도 하나의 액션 정보를 선택할 수 있다. 예컨대, 제 1 세트의 액션 정보 중 보다 높은 보상이 예상되는 액션 정보에 대하여 보다 높은 가중치를 부여하는 방식으로, 액션 정보를 선택할 수 있다. 또한, 예컨대, 처리부(30)는 산출된 복수의 평가값 중 임계치보다 큰 평가값 또는 임계치 이상의 평가값을 식별하며, 이렇게 식별된 평가값에 대응되는 액션 정보를 사용자에게 제공하기 위한 액션 정보로 결정할 수도 있다. 또한 다른 한 예로서, 평가값 자체에 대한 크기를 다르게 하거나 비교하여 액션 정보를 확률적으로 부여할 수도 있다.
처리부(30)는 강화 학습 알고리즘을 적용하는 학습 모듈(32)을 포함할 수 있다. 예컨대, 학습 모듈(32)의 강화 학습 알고리즘은, 제 2 입력에 대한 복수의 평가값이 산출되는 과정에서, 데이터베이스(20)에 저장된 제 1 입력의 복수의 상태값 및 데이터베이스(20)에 저장된 제 1 입력에 대한 복수의 평가값이 활용되도록 한다. 또한, 제 2 입력에 대한 복수의 평가값이 산출되는 과정에서, 제 2 입력의 복수의 상태값이 추가적으로 활용될 수도 있다. 강화 학습 알고리즘의 적용에 의하여, 사용자의 상태의 개선이 유도되는 방향으로 제 2 입력에 대하여 복수의 평가값이 산출되는 방식이 조절될 수 있다.
학습 모듈(32)은 강화 학습을 통해 사용자의 상태값에 따라 관리 및 조절 방법을 추천하는 것을 최적화한다. 사용자의 특징 벡터를 상태(state)로 하여 각 상태에서 사용자가 선택할 수 있는 선택지를 행위(액션 정보)로 정의하며, 사용자가 상태와 행위에 따라 가질 수 있는 건강 수준(평가값)을 Q(s,a)로 정의한다. 특정 상태 s1에서 특정 행위 a1을 통해 다른 특정상태 s2로 변화하는 경우, 사용자가 건강 수준으로부터 이득을 얻게 되는 값을 보상(reward)으로 정의하며, 강화 학습의 방법에 따라 Q(s,a)를 최대로 하는 행위들의 집합을 찾아 사용자에게 제시한다. 여기서의 행위는 근골격 증상 혹은 질환 조절 및 관리를 위한 방법에 속한다.
환자의 상태에 따라 증상 혹은 질환을 관리 혹은 조절하기 위한 방법은 달라질 수 있으며, 기존 의학적 지식이 반영될 수 있도록 Q(s,a) 및 행위, 상태, 보상에 대한 초기값을 사전에 정하고, 강화학습을 통해 갱신하는 방식으로 진행된다. 예를 들어 이러한 갱신은, 사용자의 상태와 행위에 따라 다음 입력 혹은 다음 측정 시의 사용자의 상태에 대한 예측 수준과 실제 수준의 차이를 반영하여 예측된 상태를 많이 벗어날수록 유의미한 정보로 간주하여 예측 오차를 줄이는 방식으로 Q(s,a)에 대한 업데이트가 이루어진다. 또한 Q(s,a)는 자동적인 업데이트 이외에 의료기관 혹은 의료진 등의 판단으로 직접 수치를 조절할 수 있다.
또한, 출력부(40)는 시각, 청각 또는 촉각 등과 관련된 출력을 발생시키기 위한 것으로, 이에는 디스플레이부, 음향 출력 모듈, 알람부, 햅틱 모듈 및 프로젝터 모듈 등이 포함될 수 있다. 출력부(40)는 처리부(30)에서 선택된 액션 정보를 사용자에게 제공하기 위한 기능을 수행한다. 이를 통하여 출력부(40)는 사용자에게 맞춤식 건강 관리 방법을 순차적으로 추천할 수 있다.
출력부(40)는 처리부(30)에서 탐색된 근골격계 증상을 악화시키는 요인 또는 근골격계 증상을 개선시키는 요인을 사용자에게 제공하기 위한 기능을 수행할 수도 있다. 출력부(40)를 통하여, 사용자는 자신의 근골격계 증상 혹은 질환과 관련된 요인이 무엇인지 확인하고 그에 대한 설명을 제공받을 수 있으며, 근골격계 증상 혹은 질환을 발생시켰거나 악화 요인을 제거하거나 조절할 수 있는 방법을 설명받을 수 있으며, 자신이 가지고 있는 관련 요인과 근골격계 건강 상태에 관한 정보를 제공받을 수 있다. 일상생활 정보들은 데이터베이스(20)에 저장되고, 앞서 방법론으로 데이터를 분석하여 사용자에게 시각화된 보고서의 형태로 제공된다. 결과 보고서의 내용 구성은 머신러닝 및 인공지능 방법론, 임상 진료의 교과서적 지식을 활용한 가이드라인 및 프로토콜 등에 근거하여 가능성이 높다고 의심이 되는 순서대로 제시된 위험 요인의 목록, 의심되는 각 근골격 질환 및 그에 대한 설명, 이러한 위험 요인을 제거하거나 조절할 수 있는 방법에 대한 설명, 단기 및 장기 목표, 목표를 달성하기 위한 장기 및 단기 계획, 일상 생활과 연관되어 사용자가 일상 생활에서 실천할 수 있는 실천 방안 등이 있다
또한, 전원공급부(50)는 처리부(30)의 제어에 의해 외부의 전원, 내부의 전원을 인가받아 각 구성요소들의 동작에 필요한 전원을 공급한다.
또한, 통신부(60)는 학습 기반의 증상 및 질환 관리 장치(100)와 무선 통신 시스템 사이 또는 학습 기반의 증상 및 질환 관리 장치(100)와 학습 기반의 증상 및 질환 관리 장치(100)가 위치한 네트워크 사이의 무선 통신을 가능하게 하는 하나 이상의 모듈을 포함할 수 있다. 예를 들어, 통신부(60)는 방송 수신 모듈, 이동통신 모듈, 무선 인터넷 모듈, 근거리 통신 모듈 및 위치정보 모듈 등을 포함할 수 있다.
상기 이동통신 모듈은, 이동 통신망 상에서 기지국, 외부의 단말, 서버 중 적어도 하나와 무선 신호를 송수신한다. 상기 무선 신호는, 음성 호 신호, 화상 통화 호 신호 또는 문자/멀티미디어 메시지 송수신에 따른 다양한 형태의 데이터를 포함할 수 있다.
상기 무선 인터넷 모듈은 무선 인터넷 접속을 위한 모듈을 말하는 것으로, 학습 기반의 증상 및 질환 관리 장치(100)에 내장되거나 외장될 수 있다. 상기 무선통신은 WLAN(Wireless LAN)(Wi-Fi), Wibro(Wireless broadband), Wimax(World Interoperability for Microwave Access), HSDPA(High Speed Downlink Packet Access), LTE(Long Term Evolution), LTE-A(Advanced) 등이 이용될 수 있으며, 기존의 2G, 3G, 4G 통신 시스템뿐만 아니라 5G 통신 시스템을 기반으로도 구축될 수 있다.
사용자가 정보를 공개하는 데에 동의한 의료진에게 통신부(60)를 통하여 사용자의 정보가 공유될 수 있도록 한다. 커뮤니케이션이 가능한 채널이 존재하여 의료진이 필요하다고 판단한 경우 커뮤니케이션을 통해 사용자의 증상 및 질환 관련 요인이 변화될 수 있도록 하고, 사용자에게 병원 방문 및 의료진의 진료를 권유할 수 있도록 한다. 의료진이 진료를 본 후 의심 질환이 기존의 의심 질환 목록과 일치하지 않을 경우 의료진이 사용자의 단말기에 입력될 의심 질환 목록을 변경할 수 있도록 한다. 이에 따라 의심 질환 및 치료에 대한 설명, 현재의 건강 상태 및 수준, 현재의 질환 또는 상태와 연관성이 높다고 계산된 인구학적/질환/생활 등의 관련 요인, 단기 및 장기 목표, 목표를 달성하기 위한 장기 및 단기 계획, 생활과 연관되어 사용자가 일상 생활에서 실천할 수 있는 실천 방안 등이 변경될 수 있다. 이러한 데이터는 사용자 혹은 질병의 모델링을 위한 학습 데이터로 활용될 수 있다.
사용자의 건강 정보, 위치 정보 등을 이용하여 근거리의 병원 등이 자동적으로 공개될 수 있도록 하고 의원/병원 광고가 제안될 수 있다.
사용자의 건강 정보, 위치 정보 등을 이용하여 상품 및 서비스 등이 추천될 수 있으며, 관련 광고가 제안될 수 있으며, 상기 데이터를 이용하여 경영전략, 판매전략, 생산전략 등에 이용할 수 있다.
한편, 도 2는 본 발명에 따라 구현될 수 있는 학습 기반의 증상 및 질환 관리 방법의 일 실시예를 나타내는 순서도이다. 도 2의 순서도는 제 1 입력을 대상으로 구성되어 있으나, 제 1 입력 이후에 입력된 임의의 제 2 입력 등에 대하여 도 2와 동일한 방식이 적용되는 것 또한 가능하다.
도 2를 참조하면, 사용자의 상태에 관한 복수의 상태값으로 구성된 제 1 입력이 수신된다(S10). 각각의 입력은 복수의 상태값으로 구성되며, 복수의 상태값은 사용자의 일상 생활 행위에 대한 정보, 사용자의 자세에 대한 정보, 사용자의 동작에 대한 정보, 사용자 주변의 환경에 대한 정보, 사용자의 생체 정보 및 근골격 건강 정보 등을 포함할 수 있다. 이러한 입력은 사용자의 입력에 의하여 발생되거나 또는 상기 사용자 이외의 타인의 입력에 의하여 발생되거나 또는 센서의 감지에 의하여 발생될 수 있다.
구체적으로, 상태값은 사용자로부터 혹은 환경으로부터 취득할 수 있는 모든 정보를 다차원으로 맵핑시킨 상태를 의미한다. 예를 들어, 간단하게는 사용자 혹은 환경이 어떤 요소를 가지고 있으면 1, 아니면 0으로 binary한 표현으로 표현하여, 여러 n개의 요소를 n차원으로 표현할 수 있다. 또한, 이러한 n이 많은 경우에 autoencoder, principle component analysis 등을 통하여 차원 변환 혹은 축소를 할 수 있다. 또한, 다른 한 예로서, 어떤 continuous한 변수(예를 들면, 수축기 혈압)이 있을 경우, 연속적인 값의 범위를 잡아서 multi-class로 변환하여 상태값을 discrete하게 표현할 수 있다. 또한, 다른 한 예로서, continuous 값의 스케일을 조절한 다음(예컨대, 10배, 0.5배 등) 이후에 정수값을 취하는 방식으로 어떤 요소에 관한, 상태값 상의 하나의 차원을 정의할 수 있다. 또한, 다른 한 예로서, multiclass의 값을 가질 수도 있다. 상태값은 이러한 요소들을 모두 포함하기 때문에, 다차원이 될 수 있다.
액션 a마다 사용자로부터 다음 번의 상태를 도출하기 위한 정보(건강 정보, 생체 정보 등)를 언제 받을 것인지 설정해 둘 수도 있다. 현재 시점 t 기준으로 특정 액션 a를 추천받은 사용자는, 그 특정 액션 a에 기록된 시간 주기 정보가 이용되어 다음 번에 입력을 요청 받을 수 있다. 또한, 입력 요청 전이라고 하더라도, 사용자는 바로 자신의 상태에 관한 정보를 입력할 수도 있다.
이어서, 입력된 상기 제 1 입력에 따라 데이터베이스(20)에 저장된 복수의 액션 정보로부터 제 1 세트의 액션 정보를 선정한다(S20).
특정 상태에 대하여, 추천할 수 있는 액션(action)의 집합 A이라고 정의되며, 이는 A(s)로 나타낼 수 있다. 예를 들어, s1이라는 상태에 대하여, a1, a2, a3의 액션이 가능하다면, A(s1) = {a1, a2, a3}이다. 상태에 따라 A(s)가 가지고 있는 액션 원소의 개수나 종류는 달라질 수 있다. 또한, 특정 상태 s에 관하여 액션의 집합의 원소의 개수나 종류를 임상의 지식에 따라서 제한하거나 조정하는 것도 가능하다.
이러한 액션에는, 사용자에게 특정 액션을 추천하는 것 이외에도, 경과 관찰 혹은 추후 지켜봄과 같은 것도 포함될 수도 있다.
이어서, 상기 제 1 입력에 대하여 소정의 모델을 이용하여 S20 단계에서 선정된 제 1 세트의 액션 정보의 각각에 대응하는 복수의 평가값을 산출한다(S30).
상태값이 정의되면, 보상(Reward)과 가치 함수(Value Function)가 정의될 수 있다. 보상은 사용자가 특정 상태에 도달하였을 때, 모델 내부적으로 얻을 수 있는 점수를 의미한다. 보상이 양의 값인 경우 사용자에게 이득이 되는 방향을, 보상이 음의 값인 경우 사용자에게 손해가 되는 방향을 나타낸다. 예를 들어, 상태가 (체중, 혈압, 혈당 수치)와 같이 3차원으로 정의된 경우, 보상(정상 체중, 정상 혈압, 정상 혈당 수치) = +100 으로 정의될 수 있다.
다만, 현재 상태가 완전한 정상 상태는 아니지만, 미래에 정상 상태로 갈 가능성이 있는 경우가 있다. 이 경우, discounting factor γ가 도입된다. 여기서, γ는 0 이상 1 이하의 값을 갖는다. 이때, 특정 시점 t에서 받을 수 있는 전체 보상인 return
Figure pat00001
를 정의할 수 있다. 그리고 이 경우 상태의 가치를 표현할 수 있으며, 이는 가치 함수 V(s) = E(Gt|St=s) 로 표현된다. 이는 상태값 s에 대한 가치 함수 V(s)를 표현하는 식이며, E는 expectation(기대값)을 나타낸다. 기대값이 붙은 이유는, 특정 시점 t 이후에 생길 수 있는 모든 시나리오에 대하여 확률적으로 반영해야 하기 때문이다. 이 보상은 임상 의사의 지식에 따라 다르게 부여되도록 조정하는 것도 가능하다.
이때, 상태 s에서 액션 a를 할 때의 보상을 세분화하여 정의할 수도 있다. 이를 Rs a 로 정의하면, 상태 s에서 액션 a를 추천할 때의 보상이다. 만약, 액션 a와 관계없이 상태 s에서의 보상이 일정하게 정의된다면, Rs a = Rs 가 된다(액션에 invariant).
나아가, 평가값을 산출하기 위해서 폴리시(Policy)가 정의되어야 한다. 폴리시는 특정 상태에서 액션 a를 행할 확률에 대한 정보를 갖는다. 즉, 특정 상태 s에서 어떤 액션 a를 어떤 확률로 할지를 뜻한다.
Figure pat00002
상기 식은 상태 s에서 액션 a를 수행할 확률을 나타낸다. 본 발명에서는 상태 s에서 액션 a를 사용자에게 추천할 확률로 이해될 수 있다. 강화학습의 목적은, 모든 상태에 대하여, return G를 최대화하는 폴리시 π를 찾는 것이다.
예를 들어, 상태 s2에 관하여 A(s2) = {a1, a2, a3, a4}라고 가정하고, 만일 π1(a1|s2) = 0, π1(a2|s2) = 1, π1(a3|s2) = 0, π1(a4|s2) = 0 인 폴리시 π1이 있다면, 상태 s2에서는 무조건 a2만이 선택될 것이다. 하지만, 또다른 폴리시 π2가 있고 π2(a1|s2) = 0.3, π2(a2|s2) = 0, π2(a3|s2) = 0, π2(a4|s2) = 0.7이라면, 이러한 폴리시 π2 하에서는 상태 s2에서 a1이 30%, a4가 70%의 확률로 선택될 것이다.
이 폴리시를 바탕으로 가치 함수, 액션-가치 함수(action-value function, Q)을 정의할 수 있다. 상태에서 선택하는 폴리시에 따라 액션이 달라지고, 결국 다시 추후 상태가 달라지기 때문에 폴리시 π가 반영된다. 즉, Vπ(s) = Eπ(Gt|St=s) 이다. 또한, 액션에 대하여, Qπ(s, a) = Eπ(Gt|St=s, At=a) 로 주어지며, 이는 상태 s에서 액션 a를 취했을 때, 주어진 policy π에 의해, 추후 얻게되는 보상의 총합인 return을 나타낸다.
모델에서는 폴리시, 가치 함수, 액션-가치 함수를 지속적으로 갱신할 수 있다. 갱신하는 주기는, 사용자가 알고리즘에서 필요로 하는 정보를 입력할 때이며, 자신의 건강 정보, 생체 정보, 환경 정보를 포함한다. 즉 어떤 시점 t에서 사용자가 정보를 입력하면 St를 도출하고, At를 추천받는다. 그 다음 번에 사용자가 다시 정보를 입력하면, 이때는 St+1이 도출된다.
실질적으로, 액션-가치 함수와 가치 함수는 아래와 같은 관계에 있다.
Figure pat00003
주어진 상태 s, 액션 a에 관하여, V와 Q를 최대화하는 상황을 생각해볼 수 있다. 이는 아래와 같이 표현된다.
Figure pat00004
Figure pat00005
상기 Qopt를 바탕으로 아래와 같이 최적의 폴리시를 구할 수 있다.
Figure pat00006
혹은
Figure pat00007
여기서, ε은 0 이상 1 이하의 값을 갖는다. 만약, ε가 0인 경우에는 액션 추천의 추가 탐색 없이, 지금까지 학습된 것을 바탕으로 최적의 액션이 추천된다는 것을 의미한다.
상기 S30 단계는 강화 학습 알고리즘을 적용하는 단계를 포함할 수 있다. 강화 학습 알고리즘을 적용하는 단계는, 사용자의 상태 또는 근골격계 증상을 완화시키기 위하여, 사용자의 상태에 알맞도록 평가값을 산출하는 방식을 조절할 수 있다. 예컨대, 상기 강화 학습 알고리즘에 따르면, 제 2 입력에 대한 복수의 평가값을 산출하는 경우에, 데이터베이스(20)에 저장된 제 1 입력의 복수의 상태값 및 상기 제 1 입력에 대한 제 1 추천 액션 정보가 기반이 되도록 구성될 수 있다.
상기 S30 단계는 입력을 이용하여 사용자의 근골격계 증상을 분석하는 단계를 포함할 수 있다. 상기 분석하는 단계는 복수의 상태값에서 근골격계 증상을 악화시키는 요인 또는 근골격계 증상을 개선시키는 요인을 탐색하는 단계를 포함할 수 있다.
이어서, S30 단계에서 산출된 복수의 평가값에 기초하여 제 1 세트의 액션 정보 중 적어도 하나인 제 1 추천 액션 정보를 선택한다(S40). 예컨대, 제 1 세트의 액션 정보 중 보다 높은 보상이 예상되는 액션 정보에 대하여 보다 높은 가중치를 부여하는 방식으로, 액션 정보를 선택할 수 있다. 또한, 예컨대, 복수의 평가값 중 임계치보다 큰 평가값이 식별되거나 복수의 평가값 중 임계치 이상의 평가값이 식별된 경우, 상기 S40 단계는 이렇게 식별된 평가값에 대응되는 액션 정보를 선택하도록 구성될 수 있다. 또한 다른 한 예로서, 평가값 자체에 대한 크기를 다르게 하거나 비교하여 액션 정보를 확률적으로 부여할 수도 있다.
사용자에게 액션을 추천하기 위해서는 다양한 방법이 가능하다. 특정 상태에 부여된 액션 집합 A(s)에 대하여, 각 원소 액션의 가중치를 동일하게 둘 수도 있고, 아니면 앞서 제시된 폴리시를 바탕으로 폴리시에 기반한 액션 추출 확률을 부여할 수도 있다. 또한, 지금까지 학습된 Q, 폴리시를 기반으로, 최적의 추천 액션 폴리시를 도출하되, ε을 조절하는 방법도 있다.
모델 업데이트의 경우, Q(s,a)를 업데이트하여 폴리시를 도출하는 것을 목표로 한다. 이 방식에는 Q-learning, Markov Decision Process, Dynamic Programming, Temporal-Difference Learning, Deep Q-Learning 등이 사용될 수 있다. Learning rate를 α라고 하면(이는 0이상 1이하의 값을 가진다), 아래 식을 바탕으로 Q의 값을 업데이트 할 수 있다.
Figure pat00008
한편, 일반적인 Q function의 경우, 모든 사용자들의 입력을 반영하여 Q 및 폴리시를 업데이트 하는 것을 기본으로 한다(여기서 사용되는 Q 및 폴리시를 Qpopulation, πpopulation이라고 한다). 이 때에는 모든 사용자들의 입력 정보를 하나의 Q function에 반영한다.
이와 달리, 사용자에 특화된 Q와 폴리시가 이용될 수도 있다. 이를 Quser, πuser이라고 한다. 예를 들어, 사용자 C의 경우 QC와 πC가 있다. QC의 경우에는, 애초에 강화학습의 모델 학습 자체가 액션에 다른 상태의 변화치에 따라 모델을 업데이트하는 것이기 때문에 사용자 C가 QC와 πC 대신 Qpopulation와 πpopulation를 통하여 액션을 추천받더라도 모델을 업데이트 하는 것이 가능하다. 다만, QC의 업데이트의 경우에는 특정 사용자에 해당하는 입력만을 취하며, QC의 경우에는 사용자 A나 B의 입력은 업데이트에 관여하지 않는다.
특정 사용자에 대한 일정량의 입력이 누적되면, 사용자 혹은 임상의사는 Qpopulation 대신 Quser를 통해 액션을 추천 받을 수 있으며, 이 경우 πpopulation 대신 πuser를 사용한다. (물론 그 반대도 가능하다.) 일정량에 해당하는 수치는 임계치로서 설정이 가능하다. Quser를 사용하는 경우, 사용자는 전체 사용 집단으로부터 도출된 모델 대신, 자신의 상태와 액션, 액션에 따른 자신 상태의 변화에 대해 특이적인 모델을 사용한다. 이 플랫폼에서, 새로운 사용자가 추가될 때에는, Qpopulation을 이용하며, 새로운 사용자에 대한 Quser는 우선 Qpopulation과 동일하게 설정한 뒤에, 마찬가지로 업데이트된다.
이어서, S40 단계에서 선택된 액션 정보를 사용자에게 제공한다(S50). 아울러, 사용자가 정보를 공개하는 데에 동의한 의료 기관에 관련 요인에 관한 정보를 제공할 수도 있으며, 이것은 임상 현장에서 실제 치료와 연계되는 것을 가능하게 한다.
한편, 본 발명은 또한 컴퓨터로 읽을 수 있는 기록매체에 컴퓨터가 읽을 수 있는 코드로서 구현하는 것이 가능하다. 컴퓨터가 읽을 수 있는 기록매체는 컴퓨터 시스템에 의해 읽혀질 수 있는 데이터가 저장되는 모든 종류의 기록장치를 포함한다. 컴퓨터가 읽을 수 있는 기록매체의 예로는 ROM, RAM, CD-ROM, 자기 테이프, 플로피 디스크, 광데이터 저장장치 등이 있으며, 또한 캐리어 웨이브(예를 들어 인터넷을 통한 전송)의 형태로 구현되는 것도 포함한다. 또한, 컴퓨터가 읽을 수 있는 기록매체는 네트워크로 연결된 컴퓨터 시스템에 분산되어, 분산방식으로 컴퓨터가 읽을 수 있는 코드가 저장되고 실행할 수 있다. 그리고, 본 발명을 구현하기 위한 기능적인(functional) 프로그램, 코드 및 코드 세그먼트들은 본 발명이 속하는 기술분야의 프로그래머들에 의해 용이하게 추론될 수 있다.
또한, 상기와 같이 설명된 방법 및 이를 이용한 장치는 상기 설명된 실시예들의 구성과 방법이 한정되게 적용될 수 있는 것이 아니라, 상기 실시예들은 다양한 변형이 이루어질 수 있도록 각 실시예들의 전부 또는 일부가 선택적으로 조합되어 구성될 수도 있다.

Claims (45)

  1. 사용자의 상태에 관련된 복수의 상태값으로 구성된 제 1 입력을 수신하는 입력부;
    복수의 액션 정보가 저장된 데이터베이스;
    입력된 상기 제 1 입력에 따라 상기 복수의 액션 정보로부터 제 1 세트의 액션 정보를 선정하고, 상기 제 1 입력에 대하여 소정의 모델을 이용하여 상기 제 1 세트의 액션 정보의 각각에 대응하는 복수의 평가값을 산출하며, 산출된 상기 복수의 평가값에 기초하여 상기 제 1 세트의 액션 정보 중 적어도 하나인 제 1 추천 액션 정보를 선택하는 처리부; 및
    선택된 상기 제 1 추천 액션 정보를 상기 사용자에게 제공하기 위한 출력부를 포함하는, 학습 기반의 증상 및 질환 관리 장치.
  2. 제 1 항에 있어서,
    상기 입력부에 수신된 상기 제 1 입력 및 상기 처리부에서 상기 제 1 입력에 대하여 선택된 상기 제 1 추천 액션 정보는 상기 데이터베이스에 저장되도록 구성되는, 학습 기반의 증상 및 질환 관리 장치.
  3. 제 2 항에 있어서,
    상기 처리부는, 업데이트 정보를 기반으로 하여 상기 모델이 업데이트되도록 하는, 강화 학습 알고리즘을 적용하는 학습 모듈을 포함하고,
    상기 업데이트 정보는 상기 데이터베이스에 저장된 상기 제 1 입력의 상태값 및 상기 제 1 입력에 대하여 선택된 상기 제 1 추천 액션 정보를 포함하는, 학습 기반의 증상 및 질환 관리 장치.
  4. 제 3 항에 있어서,
    상기 업데이트 정보는 상기 입력부에 수신되는 제 2 입력의 상태값을 더 포함하는, 학습 기반의 증상 및 질환 관리 장치.
  5. 제 3 항에 있어서,
    상기 처리부는 상기 학습 모듈에 의하여 업데이트된 상기 모델을 이용하여 제 2 입력에 대한 복수의 평가값을 산출하도록 구성되는, 학습 기반의 증상 및 질환 관리 장치.
  6. 제 5 항에 있어서,
    상기 제 2 입력에 대한 상기 복수의 평가값은 상기 제 2 입력에 대한 제 2 추천 액션 정보를 선택하는 데에 이용되는, 학습 기반의 증상 및 질환 관리 장치.
  7. 제 5 항에 있어서,
    상기 제 1 입력은 제 1 시간에 수신되고, 상기 제 2 입력은 상기 제 1 시간 이후의 제 2 시간에 수신되는, 학습 기반의 증상 및 질환 관리 장치.
  8. 제 5 항에 있어서,
    상기 모델의 업데이트는, 상기 사용자의 상태가 개선되도록 유도하기 위하여, 상기 제 2 입력에 대하여 상기 복수의 평가값이 산출되는 방식을 조절하는, 학습 기반의 증상 및 질환 관리 장치.
  9. 제 1 항에 있어서,
    상기 처리부는 상기 제 1 세트의 액션 정보의 각각을 적용하는 것이 상기 사용자의 상태에 미치는 영향을 나타내는 복수의 보상을 계산하고, 계산된 상기 복수의 보상은 상기 복수의 평가값을 산출하는 데에 반영되는, 학습 기반의 증상 및 질환 관리 장치.
  10. 제 9 항에 있어서,
    상기 처리부는, 상기 제 1 세트의 액션 정보 중 보다 높은 보상이 예상되는 액션 정보에 대하여, 보다 높은 가중치를 부여하는, 학습 기반의 증상 및 질환 관리 장치.
  11. 제 9 항에 있어서,
    상기 처리부는 산출된 상기 복수의 평가값 중 임계치보다 큰 평가값을 식별하고, 식별된 상기 평가값에 대응되는 액션 정보를 상기 제 1 추천 액션 정보로 선택하는, 학습 기반의 증상 및 질환 관리 장치.
  12. 제 9 항에 있어서,
    상기 복수의 보상은 상기 입력부를 통하여 입력된 임상 정보 또는 상기 데이터베이스에 저장된 임상 정보에 의하여 적어도 부분적으로 제한되는, 학습 기반의 증상 및 질환 관리 장치.
  13. 제 12 항에 있어서,
    상기 처리부는 상기 복수의 보상 중 적어도 일부가 상기 임상 정보와 매칭되지 않는다고 판단할 경우 상기 보상을 상기 임상 정보에 기초하여 계산하는, 학습 기반의 증상 및 질환 관리 장치.
  14. 제 1 항에 있어서,
    상기 제 1 세트의 액션 정보를 선정하는 것은 상기 입력부를 통하여 입력된 임상 정보 또는 상기 데이터베이스에 저장된 임상 정보에 의하여 적어도 부분적으로 제한되는, 학습 기반의 증상 및 질환 관리 장치.
  15. 제 14 항에 있어서,
    선정된 상기 제 1 세트의 액션 정보 중 적어도 일부가 상기 임상 정보와 매칭되지 않는다고 판단될 경우 상기 제 1 세트의 액션 정보를 상기 임상 정보에 기초하여 재선정하는, 학습 기반의 증상 및 질환 관리 장치.
  16. 제 1 항에 있어서,
    상기 처리부는 상기 제 1 입력을 이용하여 상기 사용자의 근골격계 증상을 분석하고, 분석된 상기 사용자의 상기 근골격계 증상은 상기 제 1 입력에 대한 상기 복수의 평가값을 산출하는 데에 이용되는, 학습 기반의 증상 및 질환 관리 장치.
  17. 제 16 항에 있어서,
    상기 사용자의 상기 근골격계 증상을 분석하는 것은, 상기 제 1 입력의 상기 복수의 상태값에서 상기 근골격계 증상을 악화시키는 요인 또는 상기 근골격계 증상을 개선시키는 요인을 탐색하는 것을 포함하는, 학습 기반의 증상 및 질환 관리 장치.
  18. 제 17 항에 있어서,
    상기 사용자의 상기 근골격계 증상을 분석하는 것은, 탐색된 상기 근골격계 증상을 악화시키는 요인 또는 상기 근골격계 증상을 개선시키는 요인에 기초하여 상기 근골격계 증상의 진단, 진행 상태 또는 예후를 예측하는 것을 포함하는, 학습 기반의 증상 및 질환 관리 장치.
  19. 제 17 항에 있어서,
    상기 출력부는 상기 근골격계 증상을 악화시키는 요인 또는 상기 근골격계 증상을 개선시키는 요인을 사용자에게 제공하도록 구성된, 학습 기반의 증상 및 질환 관리 장치.
  20. 제 1 항에 있어서,
    상기 복수의 상태값은 상기 사용자의 일상 생활 행위에 대한 정보, 상기 사용자의 자세에 대한 정보, 상기 사용자의 동작에 대한 정보, 상기 사용자 주변의 환경에 대한 정보, 상기 사용자의 생체 정보 및 상기 사용자의 근골격 건강 정보 중 적어도 하나를 포함하는, 학습 기반의 증상 및 질환 관리 장치.
  21. 제 20 항에 있어서,
    상기 사용자의 일상 생활 행위에 대한 정보는, 일상 생활 행위에서의 상기 사용자의 신체 부위의 위치, 길이, 각도 및 이들의 시간에 따른 변화와 상기 사용자의 활동의 종류, 시간, 강도, 방식 및 이들의 패턴 중 적어도 하나를 포함하고,
    상기 사용자의 자세에 대한 정보는, 정적인 상태에서의 상기 사용자의 신체 부위의 위치, 길이, 각도 및 이들의 시간에 따른 변화 중 적어도 하나를 포함하고,
    상기 사용자의 동작에 대한 정보는, 동적인 상태에서의 상기 사용자의 상기 신체 부위의 위치, 길이, 각도 및 이들의 시간에 따른 변화 중 적어도 하나를 포함하고,
    상기 사용자 주변의 환경에 대한 정보는, 상기 사용자로부터 기 설정된 반경 내에 있는 임의의 객체의 위치, 크기, 높이, 거리, 강도 및 이들의 패턴 중 적어도 하나를 포함하고,
    상기 사용자의 생체 정보는, 상기 사용자의 나이, 성별, 가족력, 과거력, 현재의 치료 여부, 과거의 치료 여부, 골격근량, 체중, 키 및 유전자 정보 중 적어도 하나를 포함하고,
    상기 사용자의 근골격 건강 정보는, 통증의 증상, 통증의 위치, 통증의 빈도, 통증의 지속 시간, 통증의 양상 및 이들의 패턴 중 적어도 하나를 포함하는, 학습 기반의 증상 및 질환 관리 장치.
  22. 제 20 항에 있어서,
    상기 제 1 입력은 상기 사용자의 입력에 의하여 발생되거나 상기 사용자 이외의 타인의 입력에 의하여 발생되거나 센서의 감지에 의하여 발생되는, 학습 기반의 증상 및 질환 관리 장치.
  23. 사용자의 상태에 관련된 복수의 상태값으로 구성된 제 1 입력을 수신하는 단계;
    입력된 상기 제 1 입력에 따라 데이터베이스에 저장된 복수의 액션 정보로부터 제 1 세트의 액션 정보를 선정하는 단계;
    상기 제 1 입력에 대하여 소정의 모델을 이용하여 상기 제 1 세트의 액션 정보의 각각에 대응하는 복수의 평가값을 산출하는 단계;
    산출된 상기 복수의 평가값에 기초하여 상기 제 1 세트의 액션 정보 중 적어도 하나인 제 1 추천 액션 정보를 선택하는 단계; 및
    선택된 상기 제 1 추천 액션 정보를 상기 사용자에게 제공하는 단계를 포함하는, 학습 기반의 증상 및 질환 관리 방법.
  24. 제 23 항에 있어서,
    수신된 상기 제 1 입력 및 상기 제 1 입력에 대하여 선택된 상기 제 1 추천 액션 정보는 상기 데이터베이스에 저장되도록 구성되는, 학습 기반의 증상 및 질환 관리 방법.
  25. 제 24 항에 있어서,
    상기 산출하는 단계는, 업데이트 정보를 기반으로 하여 상기 모델이 업데이트되도록 하는, 강화 학습 알고리즘을 적용하는 단계를 포함하고,
    상기 업데이트 정보는 상기 데이터베이스에 저장된 상기 제 1 입력의 상태값 및 상기 제 1 입력에 대하여 선택된 상기 제 1 추천 액션 정보를 포함하는, 학습 기반의 증상 및 질환 관리 방법.
  26. 제 25 항에 있어서,
    상기 업데이트 정보는 상기 입력부에 수신되는 제 2 입력의 상태값을 더 포함하는, 학습 기반의 증상 및 질환 관리 방법.
  27. 제 25 항에 있어서,
    상기 강화 학습 알고리즘을 적용하는 단계에 의하여 업데이트된 상기 모델을 이용하여 제 2 입력에 대한 복수의 평가값을 산출하도록 구성되는, 학습 기반의 증상 및 질환 관리 방법.
  28. 제 27 항에 있어서,
    상기 제 2 입력에 대한 상기 복수의 평가값은 상기 제 2 입력에 대한 제 2 추천 액션 정보를 선택하는 데에 이용되는, 학습 기반의 증상 및 질환 관리 방법.
  29. 제 27 항에 있어서,
    상기 제 1 입력은 제 1 시간에 수신되고, 상기 제 2 입력은 상기 제 1 시간 이후의 제 2 시간에 수신되는, 학습 기반의 증상 및 질환 관리 방법.
  30. 제 27 항에 있어서,
    상기 모델의 업데이트는, 상기 사용자의 상태가 개선되도록 유도하기 위하여, 상기 제 2 입력에 대하여 상기 복수의 평가값이 산출되는 방식을 조절하는, 학습 기반의 증상 및 질환 관리 방법.
  31. 제 23 항에 있어서,
    상기 산출하는 단계는 상기 제 1 세트의 액션 정보의 각각을 적용하는 것이 상기 사용자의 상태에 미치는 영향을 나타내는 복수의 보상을 계산하는 단계를 포함하고,
    상기 계산하는 단계에서 계산된 상기 복수의 보상은 상기 복수의 평가값을 산출하는 데에 반영되는, 학습 기반의 증상 및 질환 관리 방법.
  32. 제 31 항에 있어서,
    상기 계산하는 단계는, 상기 제 1 세트의 액션 정보 중 보다 높은 보상이 예상되는 액션 정보에 대하여, 보다 높은 가중치를 부여하는, 학습 기반의 증상 및 질환 관리 방법.
  33. 제 31 항에 있어서,
    상기 산출하는 단계는 산출된 상기 복수의 평가값 중 임계치보다 큰 평가값을 식별하는 단계를 포함하고,
    상기 선택하는 단계는 상기 식별하는 단계에서 식별된 상기 평가값에 대응되는 액션 정보를 상기 제 1 추천 액션 정보로 선택하는 단계를 포함하는, 학습 기반의 증상 및 질환 관리 방법.
  34. 제 31 항에 있어서,
    상기 복수의 보상은 상기 입력부를 통하여 입력된 임상 정보 또는 상기 데이터베이스에 저장된 임상 정보에 의하여 적어도 부분적으로 제한되는, 학습 기반의 증상 및 질환 관리 방법.
  35. 제 34 항에 있어서,
    상기 계산하는 단계에서 상기 복수의 보상 중 적어도 일부가 상기 임상 정보와 매칭되지 않는다고 판단될 경우 상기 보상을 상기 임상 정보에 기초하여 계산하는, 학습 기반의 증상 및 질환 관리 방법.
  36. 제 23 항에 있어서,
    상기 선정하는 단계에서 상기 제 1 세트의 액션 정보를 선정하는 것은 상기 입력부를 통하여 입력된 임상 정보 또는 상기 데이터베이스에 저장된 임상 정보에 의하여 적어도 부분적으로 제한되는, 학습 기반의 증상 및 질환 관리 방법.
  37. 제 36 항에 있어서,
    상기 선정하는 단계에서 선정된 상기 제 1 세트의 액션 정보 중 적어도 일부가 상기 임상 정보와 매칭되지 않는다고 판단될 경우 상기 제 1 세트의 액션 정보는 상기 임상 정보에 기초하여 재선정되는, 학습 기반의 증상 및 질환 관리 방법.
  38. 제 23 항에 있어서,
    상기 산출하는 단계는 상기 제 1 입력을 이용하여 상기 사용자의 근골격계 증상을 분석하는 단계를 포함하고,
    상기 분석하는 단계에서 분석된 상기 사용자의 상기 근골격계 증상은 상기 제 1 입력에 대한 상기 복수의 평가값을 산출하는 데에 이용되는, 학습 기반의 증상 및 질환 관리 방법.
  39. 제 38 항에 있어서,
    상기 사용자의 상기 근골격계 증상을 분석하는 단계는, 상기 제 1 입력의 상기 복수의 상태값에서 상기 근골격계 증상을 악화시키는 요인 또는 상기 근골격계 증상을 개선시키는 요인을 탐색하는 단계를 포함하는, 학습 기반의 증상 및 질환 관리 방법.
  40. 제 39 항에 있어서,
    상기 사용자의 상기 근골격계 증상을 분석하는 단계는, 상기 탐색하는 단계에서 탐색된 상기 근골격계 증상을 악화시키는 요인 또는 상기 근골격계 증상을 개선시키는 요인에 기초하여 상기 근골격계 증상의 진단, 진행 상태 또는 예후를 예측하는 단계를 더 포함하는, 학습 기반의 증상 및 질환 관리 방법.
  41. 제 39 항에 있어서,
    상기 출력하는 단계는 상기 근골격계 증상을 악화시키는 요인 또는 상기 근골격계 증상을 개선시키는 요인을 사용자에게 제공하는 단계를 포함하는, 학습 기반의 증상 및 질환 관리 방법.
  42. 제 23 항에 있어서,
    상기 복수의 상태값은 상기 사용자의 일상 생활 행위에 대한 정보, 상기 사용자의 자세에 대한 정보, 상기 사용자의 동작에 대한 정보, 상기 사용자 주변의 환경에 대한 정보, 상기 사용자의 생체 정보 및 상기 사용자의 근골격 건강 정보 중 적어도 하나를 포함하는, 학습 기반의 증상 및 질환 관리 방법.
  43. 제 42 항에 있어서,
    상기 사용자의 일상 생활 행위에 대한 정보는, 일상 생활 행위에서의 상기 사용자의 신체 부위의 위치, 길이, 각도 및 이들의 시간에 따른 변화와 상기 사용자의 활동의 종류, 시간, 강도, 방식 및 이들의 패턴 중 적어도 하나를 포함하고,
    상기 사용자의 자세에 대한 정보는, 정적인 상태에서의 상기 사용자의 신체 부위의 위치, 길이, 각도 및 이들의 시간에 따른 변화 중 적어도 하나를 포함하고,
    상기 사용자의 동작에 대한 정보는, 동적인 상태에서의 상기 사용자의 상기 신체 부위의 위치, 길이, 각도 및 이들의 시간에 따른 변화 중 적어도 하나를 포함하고,
    상기 사용자 주변의 환경에 대한 정보는, 상기 사용자로부터 기 설정된 반경 내에 있는 임의의 객체의 위치, 크기, 높이, 거리, 강도 및 이들의 패턴 중 적어도 하나를 포함하고,
    상기 사용자의 생체 정보는, 상기 사용자의 나이, 성별, 가족력, 과거력, 현재의 치료 여부, 과거의 치료 여부, 골격근량, 체중, 키 및 유전자 정보 중 적어도 하나를 포함하고,
    상기 사용자의 근골격 건강 정보는, 통증의 증상, 통증의 위치, 통증의 빈도, 통증의 지속 시간, 통증의 양상 및 이들의 패턴 중 적어도 하나를 포함하는, 학습 기반의 증상 및 질환 관리 방법.
  44. 제 42 항에 있어서,
    상기 제 1 입력은 상기 사용자의 입력에 의하여 발생되거나 상기 사용자 이외의 타인의 입력에 의하여 발생되거나 센서의 감지에 의하여 발생되는, 학습 기반의 증상 및 질환 관리 방법.
  45. 명령들을 포함하는 비일시적 컴퓨터 판독가능 저장 매체로서, 상기 명령들은, 실행될 때, 하나 이상의 프로세서들로 하여금:
    사용자의 상태에 관련된 복수의 상태값으로 구성된 제 1 입력을 수신하게 하고,
    입력된 상기 제 1 입력에 따라 데이터베이스에 저장된 복수의 액션 정보로부터 제 1 세트의 액션 정보를 선정하게 하고,
    상기 제 1 입력에 대하여 소정의 모델을 이용하여 상기 제 1 세트의 액션 정보의 각각에 대응하는 복수의 평가값을 산출하게 하고,
    산출된 상기 복수의 평가값에 기초하여 상기 제 1 세트의 액션 정보 중 적어도 하나인 제 1 추천 액션 정보를 선택하게 하고, 그리고
    선택된 상기 제 1 추천 액션 정보를 상기 사용자에게 제공하게 하는, 비일시적 컴퓨터 판독가능 저장 매체.
KR1020190046587A 2019-04-22 2019-04-22 학습 기반의 증상 및 질환 관리 장치 및 방법 KR102338964B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020190046587A KR102338964B1 (ko) 2019-04-22 2019-04-22 학습 기반의 증상 및 질환 관리 장치 및 방법

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020190046587A KR102338964B1 (ko) 2019-04-22 2019-04-22 학습 기반의 증상 및 질환 관리 장치 및 방법

Publications (2)

Publication Number Publication Date
KR20200123574A true KR20200123574A (ko) 2020-10-30
KR102338964B1 KR102338964B1 (ko) 2021-12-14

Family

ID=73048176

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020190046587A KR102338964B1 (ko) 2019-04-22 2019-04-22 학습 기반의 증상 및 질환 관리 장치 및 방법

Country Status (1)

Country Link
KR (1) KR102338964B1 (ko)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102317290B1 (ko) * 2020-11-26 2021-10-26 웰트 주식회사 디지털 바이오 마커를 기반으로 한 진단 방법 및 이러한 방법을 수행하는 장치
CN113724824A (zh) * 2021-08-31 2021-11-30 平安科技（深圳）有限公司 慢性病患者随访方法、装置、计算机设备及可读存储介质
CN113936772A (zh) * 2021-12-17 2022-01-14 北京因数健康科技有限公司 一种运动推荐方法、装置、系统及计算机可读存储介质
WO2023244177A1 (en) * 2022-06-15 2023-12-21 CueZen Inc. System and method for facilitating compliance and behavioral activity via signals driven by artificial intelligence
KR102628121B1 (ko) * 2023-06-19 2024-01-26 주식회사 누지 자세 교정 방법 및 그 장치

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2003256568A (ja) * 2002-02-28 2003-09-12 Matsushita Electric Works Ltd 姿勢診断方法、姿勢診断システム、そのサーバ
KR20080083803A (ko) * 2007-03-13 2008-09-19 최용재 3차원 생체역학 데이터와 파라메터 분석 방법 및 그 방법을이용한 시스템
KR20140002110A (ko) * 2012-06-28 2014-01-08 (주)엠젠 네트워크에 기반하여 운동 처방을 제공하는 방법 및 그 시스템
KR20150120702A (ko) * 2014-04-18 2015-10-28 주식회사 휘트닷라이프 실시간 운동 현황 알림 시스템 및 방법
KR101774752B1 (ko) 2016-10-21 2017-09-11 주식회사 리퓨터 근골격계 질환을 진단 및 관리하는 디지털 헬스시스템
JP2018133070A (ja) * 2017-02-13 2018-08-23 株式会社東芝 対話システム、対話方法、および対話システムを適合させる方法
JP2018151876A (ja) * 2017-03-13 2018-09-27 株式会社日立製作所 機械学習に使用される経験を格納する経験データベースを更新する方法
KR101926404B1 (ko) * 2018-04-27 2018-12-07 남정우 인공지능을 이용한 온라인 쇼핑몰에서의 프로모션 이미지 수정 장치
KR101946523B1 (ko) * 2017-08-29 2019-02-11 주식회사 라이프시맨틱스 생체신호 및 증상정보 기반 케어플랜 서비스 시스템

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2003256568A (ja) * 2002-02-28 2003-09-12 Matsushita Electric Works Ltd 姿勢診断方法、姿勢診断システム、そのサーバ
KR20080083803A (ko) * 2007-03-13 2008-09-19 최용재 3차원 생체역학 데이터와 파라메터 분석 방법 및 그 방법을이용한 시스템
KR20140002110A (ko) * 2012-06-28 2014-01-08 (주)엠젠 네트워크에 기반하여 운동 처방을 제공하는 방법 및 그 시스템
KR20150120702A (ko) * 2014-04-18 2015-10-28 주식회사 휘트닷라이프 실시간 운동 현황 알림 시스템 및 방법
KR101774752B1 (ko) 2016-10-21 2017-09-11 주식회사 리퓨터 근골격계 질환을 진단 및 관리하는 디지털 헬스시스템
JP2018133070A (ja) * 2017-02-13 2018-08-23 株式会社東芝 対話システム、対話方法、および対話システムを適合させる方法
JP2018151876A (ja) * 2017-03-13 2018-09-27 株式会社日立製作所 機械学習に使用される経験を格納する経験データベースを更新する方法
KR101946523B1 (ko) * 2017-08-29 2019-02-11 주식회사 라이프시맨틱스 생체신호 및 증상정보 기반 케어플랜 서비스 시스템
KR101926404B1 (ko) * 2018-04-27 2018-12-07 남정우 인공지능을 이용한 온라인 쇼핑몰에서의 프로모션 이미지 수정 장치

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102317290B1 (ko) * 2020-11-26 2021-10-26 웰트 주식회사 디지털 바이오 마커를 기반으로 한 진단 방법 및 이러한 방법을 수행하는 장치
CN113724824A (zh) * 2021-08-31 2021-11-30 平安科技（深圳）有限公司 慢性病患者随访方法、装置、计算机设备及可读存储介质
CN113724824B (zh) * 2021-08-31 2024-03-08 平安科技（深圳）有限公司 慢性病患者随访方法、装置、计算机设备及可读存储介质
CN113936772A (zh) * 2021-12-17 2022-01-14 北京因数健康科技有限公司 一种运动推荐方法、装置、系统及计算机可读存储介质
WO2023244177A1 (en) * 2022-06-15 2023-12-21 CueZen Inc. System and method for facilitating compliance and behavioral activity via signals driven by artificial intelligence
KR102628121B1 (ko) * 2023-06-19 2024-01-26 주식회사 누지 자세 교정 방법 및 그 장치

Also Published As

Publication number Publication date
KR102338964B1 (ko) 2021-12-14

Similar Documents

Publication Publication Date Title
US20220157466A1 (en) Methods and apparatus for evaluating developmental conditions and providing control over coverage and reliability
KR102338964B1 (ko) 학습 기반의 증상 및 질환 관리 장치 및 방법
US11862339B2 (en) Model optimization and data analysis using machine learning techniques
US20210068766A1 (en) Methods and apparatus to determine developmental progress with artificial intelligence and user input
CN108780663B (zh) 数字个性化医学平台和系统
US8660857B2 (en) Method and system for outcome based referral using healthcare data of patient and physician populations
US20190027248A1 (en) System and method for customized patient resources and behavior phenotyping
US20210082575A1 (en) Computerized decision support tool for post-acute care patients
US20210166816A1 (en) Dynamic caregiver support
US20220375568A1 (en) Rehabilitation planning apparatus, rehabilitation planning system, rehabilitation planning method, and computer readable medium
JP6402345B1 (ja) 指導支援システム、指導支援方法及び指導支援プログラム
US11972336B2 (en) Machine learning platform and system for data analysis
US20220406463A1 (en) System and method for providing wellness recommendation
EP4113535A1 (en) Remote monitoring methods and systems for monitoring patients suffering from chronical inflammatory diseases
EP3843103A1 (en) Systems and methods for increasing adherence for medical devices
US20240161892A1 (en) Virtual Coach
US20210407641A1 (en) Method and system for assessing therapy model efficacy
WO2023214547A1 (ja) プログラム、情報処理装置及び情報処理方法
US11138235B1 (en) Systems and methods for data categorization and delivery
KR20220007784A (ko) 위치 정보에 기반한 성형의료 서비스에 관한 정보 제공 장치 및 방법
JP2024040773A (ja) 健康支援装置、健康支援方法、およびプログラム
WO2022189136A1 (en) Virtual coach
FI20205945A1 (en) Enabling the use of big data in a service
Cernazanu-Glavan et al. Mobile data acquisition towards contextual risk assessment for better disease management in diabetes

Legal Events

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