KR20210006153A

KR20210006153A - 임상 실습 가이드 라인을 컴퓨터 해석 모델로 변환하기 위한 방법 및 이의 시스템

Info

Publication number: KR20210006153A
Application number: KR1020190082070A
Authority: KR
Inventors: 이승룡; 무사르아트 후사인
Original assignee: 경희대학교 산학협력단
Priority date: 2019-07-08
Filing date: 2019-07-08
Publication date: 2021-01-18
Also published as: JP6974878B2; JP2021012681A; KR102261078B1; US20210012896A1; US12014825B2

Abstract

본 발명에 따른 임상 실습 가이드 라인을 컴퓨터 해석 모델로 변환하는 방법은 임상 실습 가이드 라인을 분석하여 추출된 복수의 문장 각각에 추천 태그 및 비추천 태그 중 적어도 하나의 태그를 할당하는 단계, 상기 복수의 문장 중 비추천 태그가 할당된 문장을 필터링한 후 추천 태그가 할당된 문장을 추출하는 단계, 지식 데이터베이스를 기초로 상기 추천 태그가 할당된 문장 각각의 제1 요소의 문구 및 제2 요소의 문구가 존재하는지 여부를 식별하여 상기 제1 요소의 문구 및 제2 요소의 문구를 맵핑하여 저장하는 단계 및 상기 제1 요소의 문구 및 상기 제2 요소의 문구를 상기 특정 모델에 해당하는 형식으로 변환하여 최종 모델을 생성하는 단계를 포함한다.

Description

임상 실습 가이드 라인을 컴퓨터 해석 모델로 변환하기 위한 방법 및 이의 시스템{YSTEM AND METHOD FOR CONVERTING CLINICAL PRACTICE GUIDELINES TO COMPUTER INTERPRETABLE MODEL}

본 발명은 임상 실습 가이드 라인을 컴퓨터 해석 모델로 변환하기 위한 방법 및 이의 시스템에 관한 것으로, 보다 상세하게는 의사가 활용할 수 있을 뿐만 아니라 의사가 임상 결정을 내리는 데 도움을 주는 임상 의사 결정 지원 시스템의 일부가 될 수 있도록 하는 임상 실습 가이드 라인을 컴퓨터 해석 모델로 변환하기 위한 방법 및 이의 시스템에 관한 것이다.

임상 실습 가이드 라인(Clinical Practice Guidelines: CPG)은 의료 영역에서 진료의 질을 향상시키고, 의료진 개인에 따른 진료 편차를 감소시키기 위한 도구이다. 특히, 임상 실습 가이드 라인은 진료의 적절성에 대한 의사 결정 문제를 다룬다. 따라서, 임상 실습 가이드 라인은 임상 진료 행위자에게 구체적인 행위(action)에 대한 권고, 조언, 경고 또는 알림을 제공하는 형태로 구현된다.

이러한 임상 실습 가이드 라인은 임상 전문가의 판단과 경험과 함께 연구 결과의 증류를 나타낸다. 임상 연습 변화를 억제하고 임상 비용을 줄이며 치료 품질을 향상시키고 임상 의사 결정을 내릴 때 의료 제공자에게 증거와 지원을 제공하기 위해 방대한 임상 실습 가이드 라인이 개발됩니다.

하지만, 임상 실습 가이드 라인은 임상 연구 결과와 실제 임상 실습 사이에 큰 격차를 유발한다. 연구 결과와 실제 임상 실습 사이의 갭의 주요 원인 중 하나는 임상 실습 가이드 라인의 텍스트 형식 때문이다.

이러한 이유로, 의료 서비스 제공자는 모든 관련 임상 실습 가이드 라인을 기억하고 치료 시점에 제한된 시간 내에 적절한 내용을 확인, 검토 및 결정하는 데 어려움을 겪는다.

종래에는 임상 실습 가이드 라인을 컴퓨터 해석 형식으로 변환한 후 모델을 생성하여 제공함으로써 의료 서비스 제공자가 질병 특정 내용을 식별하고 표준화된 의료 결정을 내리는 데 도움을 줄 수 있도록 하였다.

그러나 종래의 기술 대부분은 컴퓨터 엔지니어 뿐만 ??아니라 의료 영역의 전문가가 임상 실습 가이드 라인을 컴퓨터 해석 형식으로 변환하여 모델을 생성했다. 즉, 의료 영역의 전문가는 임상 실습 가이드 라인에 언급된 프로세서를 설명하였으며, 컴퓨터 엔지니어가 이러한 의료 영역의 전문가의 프로세서를 기초로 임상 실습 가이드 라인을 컴퓨터 해석 형식으로 변환하여 모델을 생성하였다.

이와 같은 방법을 통해 임상 실습 가이드 라인을 컴퓨터 해석 형식으로 변환하여 모델을 생성하는 경우, 모델의 정확성과 유효성은 의료 영역의 전문가의 지식 및 상호 이해에 달려 있기 때문에 의료 영역의 전문가의 지식이 부족한 경우 모델 생성에 오류가 발생할 가능성이 크다는 문제점이 있다.

본 발명은 의사가 활용할 수 있을 뿐만 아니라 의사가 임상 결정을 내리는 데 도움을 주는 임상 의사 결정 지원 시스템의 일부가 될 수 있도록 하는 임상 실습 가이드 라인을 컴퓨터 해석 모델로 변환하기 위한 방법 및 이의 시스템을 제공하는 것을 목적으로 한다.

또한, 본 발명은 임상 실습 가이드 라인을 쉽게 컴퓨터가 이해 가능한 형태로 변환하여 임상 실습 가이드 라인의 사용량 증대 이해 관계자의 의사 결정 능력을 향상 시키고 가능한 최신 지식 및 증거를 준수하여 의료 서비스 제공 촉진할 수 있도록 하는 임상 실습 가이드 라인을 컴퓨터 해석 모델로 변환하기 위한 방법 및 이의 시스템을 제공하는 것을 목적으로 한다.

또한, 본 발명은 새로운 지식의 도입으로 임상 의사 결정 지원 시스템을 강화하여 사용의 효율성 증가 임상 지식의 공유 및 재사용성 증가할 수 있도록 하는 임상 실습 가이드 라인을 컴퓨터 해석 모델로 변환하기 위한 방법 및 이의 시스템을 제공하는 것을 목적으로 한다.

본 발명의 목적들은 이상에서 언급한 목적으로 제한되지 않으며, 언급되지 않은 본 발명의 다른 목적 및 장점들은 하기의 설명에 의해서 이해될 수 있고, 본 발명의 실시예에 의해 보다 분명하게 이해될 것이다. 또한, 본 발명의 목적 및 장점들은 특허 청구 범위에 나타낸 수단 및 그 조합에 의해 실현될 수 있음을 쉽게 알 수 있을 것이다.

이러한 목적을 달성하기 위한 임상 실습 가이드 라인을 컴퓨터 해석 모델로 변환하는 방법은 임상 실습 가이드 라인을 분석하여 추출된 복수의 문장 각각에 추천 태그 및 비추천 태그 중 적어도 하나의 태그를 할당하는 단계, 상기 복수의 문장 중 비추천 태그가 할당된 문장을 필터링한 후 추천 태그가 할당된 문장을 추출하는 단계, 지식 데이터베이스를 기초로 상기 추천 태그가 할당된 문장 각각의 제1 요소의 문구 및 제2 요소의 문구가 존재하는지 여부를 식별하여 상기 제1 요소의 문구 및 제2 요소의 문구를 맵핑하여 저장하는 단계 및 상기 제1 요소의 문구 및 상기 제2 요소의 문구를 상기 특정 모델에 해당하는 형식으로 변환하여 최종 모델을 생성하는 단계를 포함한다.

또한, 이러한 목적을 달성하기 위한 임상 실습 가이드 라인을 컴퓨터 해석 모델로 변환하는 시스템은 임상 실습 가이드 라인을 분석하여 복수의 문장을 각각 추출하는 전처리부, 상기 복수의 문장 각각에 추천 태그 및 비추천 태그 중 적어도 하나의 태그를 할당하고, 상기 복수의 문장 중 비추천 태그가 할당된 문장을 필터링한 후 추천 태그가 할당된 문장을 추출하는 문서 판독부, 지식 데이터베이스를 기초로 상기 추천 태그가 할당된 문장 각각의 제1 요소의 문구 및 제2 요소의 문구가 존재하는지 여부를 식별하여 상기 제1 요소의 문구 및 제2 요소의 문구를 맵핑하여 저장하는 맵핑부 및 상기 제1 요소의 문구 및 상기 제2 요소의 문구를 상기 특정 모델에 해당하는 형식으로 변환하여 최종 모델을 생성하는 변환부를 포함한다.

전술한 바와 같은 본 발명에 의하면, 의사가 활용할 수 있을 뿐만 아니라 의사가 임상 결정을 내리는 데 도움을 주는 임상 의사 결정 지원 시스템의 일부가 될 수 있다는 장점이 있다.

또한 본 발명에 의하면, 임상 실습 가이드 라인을 쉽게 컴퓨터가 이해 가능한 형태로 변환하여 임상 실습 가이드 라인의 사용량 증대 이해 관계자의 의사 결정 능력을 향상 시키고 가능한 최신 지식 및 증거를 준수하여 의료 서비스 제공 촉진할 수 있다는 장점이 있다.

또한 본 발명에 의하면, 새로운 지식의 도입으로 임상 의사 결정 지원 시스템을 강화하여 사용의 효율성 증가 임상 지식의 공유 및 재사용성 증가할 수 있다는 장점이 있다.

도 1은 본 발명의 일 실시예에 따른 임상 실습 가이드 라인을 컴퓨터 해석 모델로 변환하기 위한 시스템을 설명하기 위한 도면이다.
도 2는 본 발명에 따른 임상 실습 가이드 라인을 컴퓨터 해석 모델로 변환하기 위한 방법의 일 실시예를 설명하기 위한 흐름도이다.

전술한 목적, 특징 및 장점은 첨부된 도면을 참조하여 상세하게 후술되며, 이에 따라 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자가 본 발명의 기술적 사상을 용이하게 실시할 수 있을 것이다. 본 발명을 설명함에 있어서 본 발명과 관련된 공지 기술에 대한 구체적인 설명이 본 발명의 요지를 불필요하게 흐릴 수 있다고 판단되는 경우에는 상세한 설명을 생략한다. 이하, 첨부된 도면을 참조하여 본 발명에 따른 바람직한 실시예를 상세히 설명하기로 한다. 도면에서 동일한 참조 부호는 동일 또는 유사한 구성 요소를 가리키는 것으로 사용된다.

본 명세서에서 사용된 용어 중 “제1 요소의 문구”는 문장에 있는 조건 문구를 의미한다.

본 명세서에서 사용된 용어 중 “제2 요소의 문구”는 문장에 있는 결과 문구를 의미한다.

도 1은 본 발명의 일 실시예에 따른 임상 실습 가이드 라인을 컴퓨터 해석 모델로 변환하기 위한 시스템을 설명하기 위한 도면이다.

도 1을 참조하면, 임상 실습 가이드 라인을 컴퓨터 해석 모델로 변환하기 위한 시스템은 전처리부(110), 문서 판독부(120), 맵핑부(130) 및 변환부(140)를 포함한다.

전처리부(110)는 임상 실습 가이드 라인을 분석하여 미리 결정된 포맷(예를 들어, 문장)으로 변환하여 복수의 문장을 추출한다. 이러한 전처리부(110)는 문서 로딩 모듈(111), 형식 변환 모듈(112) 및 문장 추출 모듈(113)을 포함한다.

문서 로딩 모듈(111)은 임상 실습 가이드 라인을 로딩하여 형식 변환 모듈(112)에 제공한다.

형식 변환 모듈(112)은 문서 로딩 모듈(111)에서 로딩된 임상 실습 가이드 라인의 형식이 미리 결정된 형식이 아닌 경우, 임상 실습 가이드 라인의 형식을 일반 텍스트로 변환한다.

문장 추출 모듈(113)은 형식 변환 모듈(112)에 의해 변환된 일반 텍스트를 문장 단위로 분석하여 복수의 문장을 추출한다. 이때, 문장 추출 모듈(113)은 형태소 분석 및 구문 분석을 통해 일반 텍스트를 문장 단위로 분석하여 복수의 문장을 추출할 수 있다.

문서 판독부(120)는 전처리부(110)에 의해 추출된 복수의 문장 각각에 추천 태그 또는 비추천 태그를 할당한 후 복수의 문장 각각에 할당된 태그의 종류에 따라 문장를 필터링하여 나머지 문장만을 이용할 수 있도록 한다.

이러한 문서 판독부(120)는 ML 데이터베이스(121), 패턴 데이터베이스(122), ML 기반 태그 할당 모듈(123), 패턴 기반 태그 할당 모듈(124), 태그 필터 모듈(125), 추천 문장 추출 모듈(126) 및 추천 문장 데이터베이스(127)를 포함한다.

ML 데이터베이스(121)에는 나이브 베이즈 분류기(Naive Bayes), 일반화 선형 모델(Generalized Liner Model), 딥 러닝(Deep Learning), 결정 트리(Decision Tree) 및 랜덤 포레스트(Random Forest)를 포함한다.

패턴 데이터베이스(122)에는 주석 별 패턴이 저장되어 있다. 즉, 패턴 데이터베이스(122)에는 주석 별로 해당 주석이 추천 문장에 할당되는 주석인지 또는 비추천 문장에 할당되는 주석인지에 대한 정보가 저장되어 있다.

따라서, 패턴 기반 태그 할당 모듈(124)은 문장에 할당된 주석이 존재하는 경우, 패턴 데이터베이스(122)를 기초로 주석이 패턴이 추천 문장에 할당되는 주석인지 또는 비추천 문장에 할당되는 주석인지 여부를 판단하여 해당 문장에 추천 태그 또는 비추천 태그를 할당할 수 있는 것이다.

ML 기반 태그 할당 모듈(123)은 ML 데이터베이스(121)에 저장된 분류 방법을 이용하여 복수의 문장 각각에 추천 태그 또는 비추천 태그를 할당한다. 즉, ML 기반 태그 할당 모듈(123)은 ML 데이터베이스(121)에 저장된 분류 방법을 이용하여 문장이 특정 환자의 증상, 조건, 결과, 조치 및 절차에 해당하면 추천 태그를 할당할 수 있고, 일반 배경 정보에 해당하면 비추천 태그를 할당할 수 있다.

일 실시예에서, ML 기반 태그 할당 모듈(123)은 ML 데이터베이스(121)에 저장된 나이브 베이즈 분류기(Naive Bayes)를 이용하여 문장에 대해서 추천 문장 또는 비추천 문장으로 분류 가능하게 하는 특성 사이에서 발생할 수 있는 연관성이 없음을 가정하고 각각의 특성들이 문장이 추천 문장 또는 비추천 문장일 확률 각각을 산출한다.

그 후, ML 기반 태그 할당 모듈(123)은 추천 문장일 확률 또는 비추천 문장일 확률 중 큰 확률에 해당하는 문장의 종류를 해당 문장의 종류로 판단하여 태그를 할당한다. 즉, ML 기반 태그 할당 모듈(123)은 추천 문장일 확률이 비추천 문장일 확률보다 큰 경우 문장에 추천 태그를 할당하고, 추천 문장일 확률이 비추천 문장일 확률보다 작은 경우 문장에 비추천 태그를 할당한다.

패턴 기반 태그 할당 모듈(124)은 패턴 데이터베이스(122)에 저장된 패턴을 이용하여 복수의 문장 각각에 추천 태그 또는 비추천 태그를 할당한다. 즉, 패턴 기반 태그 할당 모듈(124)은 패턴 데이터베이스(122)에 저장된 주석 별 패턴을 기초로 문장의 주석에 따라 추천 태그 또는 비추천 태그를 할당한다.

일 실시예에서, 패턴 기반 태그 할당 모듈(124)은 문장에 주석이 할당되어 있고 패턴 데이터베이스(122)를 참조로 주석의 패턴이 추천 문장인 경우, 해당 문장에 추천 태그를 할당할 수 있다.

다른 일 실시예에서, 패턴 기반 태그 할당 모듈(124)은 문장에 주석이 할당되어 있고 패턴 데이터베이스(122)를 참조로 주석의 패턴이 비추천 문장인 경우, 해당 문장에 비추천 태그를 할당할 수 있다.

상기와 같이, ML 기반 태그 할당 모듈(123) 및 패턴 기반 태그 할당 모듈(124)은 복수의 문장 각각에 추천 태그 또는 비추천 태그를 할당하기 때문에, 복수의 문장 각각에는 하나의 태그 또는 두 개의 태그가 할당되어 있다.

태그 필터 모듈(125)는 복수의 문장 각각에 할당된 태그 중 비추천 태그가 할당된 문장을 필터링한다.

일 실시예에서, 태그 필터 모듈(125)는 복수의 문장 각각에 할당된 태그가 한 개인 경우 해당 문장에 할당된 태그의 종류에 따라 문장을 필터링한다.

상기의 실시예에서, 태그 필터 모듈(125)는 문장에 할당된 태그의 종류가 비추천 태그인 경우 해당 문장을 필터링하고, 문장에 할당된 태그의 종류가 추천 태그인 경우 해당 문장을 필터링하지 않는다.

다른 일 실시예에서, 태그 필터 모듈(125)는 복수의 문장 각각에 할당된 태그가 두 개인 경우 해당 문장에 할당된 태그의 종류가 동일한지 또는 상이한지여부에 따라 문장을 필터링한다.

상기의 실시예에서, 태그 필터 모듈(125)는 문장에 할당된 두 개의 태그의 종류가 동일하게 비추천 태그인 경우 해당 문장을 필터링하고, 태그 필터 모듈(125)는 문장에 할당된 두 개의 태그의 종류가 상이한 경우 해당 문장을 ML 기반 태그 할당 모듈(123) 및 패턴 기반 태그 할당 모듈(124) 각각에 제공하여 태그를 다시 할당할 수 있도록 한다.

그 후, 태그 필터 모듈(125)는 ML 기반 태그 할당 모듈(123) 및 패턴 기반 태그 할당 모듈(124) 각각으로부터 문장을 수신한 태그를 기초로 문장을 필터링한다.

추천 문장 추출 모듈(126)는 복수의 문장 중 태그 필터 모듈(125)에 의해 필터링된 문장을 제외한 나머지 문장을 추천 문장 데이터베이스(127)에 저장한다. 따라서, 추천 문장 데이터베이스(127)에는 추천 태그가 할당되어 있는 문장이 저장된다.

맵핑부(130)는 문서 판독부(120)의 추천 문장 데이터베이스(127)에 저장된 추천 태그가 할당되어 있는 문장에서 증상, 절차, 조건 및 결과 각각에 대한 관계를 결정하고 구별한다.

이러한 맵핑부(130)는 지식 데이터베이스(131), 문장 로딩 모듈(132), 조건 식별 모듈(133), 결과 식별 모듈(134) 및 맵핑 모듈(135)을 포함한다.

지식 데이터베이스(131)에는 문장 각각의 임상적 조건 및 결과가 저장되어 있다. 따라서, 조건 식별 모듈(133) 및 결과 식별 모듈(134)은 지식 데이터베이스(131)에 저장된 임상적 조건 및 결과를 기초로 문장에 조건 문구 및 결과 문구 각각이 존재하는지 여부를 식별할 수 있는 것이다.

또한, 지식 데이터베이스(131)에 저장된 임상적 조건 및 결과는 임상적 조건 각각의 연관도에 따라 정렬되어 저장된다. 따라서, 지식 데이터베이스(131)에 저장된 특정 문장은 이전 문장 및 다음 문장과 연관되는 것이다.

이와 같이, 지식 데이터베이스(131)에 저장된 문장이 서로 상호간의 연관도에 따라 정렬되어 저장되어 있는 이유는, 맵핑 모듈(135)이 추천 태그가 할당된 문장에 조건 문구 또는 결과 문구가 존재하지 않은 경우 지식 데이터베이스(131)의 이전 문장 또는 다음 문장을 이용하여 조건 문구 또는 결과 문구를 생성할 수 있도록 하기 위해서이다.

문장 로딩 모듈(132)은 문서 판독부(120)의 추천 문장 데이터베이스(127)에 저장된 추천 태그가 할당되어 있는 문장을 순차적으로 로딩한다.

조건 식별 모듈(133)은 지식 데이터베이스(131)를 이용하여 추천 문장 데이터베이스(127)를 기초로 추천 태그가 할당되어 있는 문장 내의 조건 문구를 식별한다.

결과 식별 모듈(134)은 지식 데이터베이스(131)를 이용하여 추천 문장 데이터베이스(127)에 저장된 추천 태그가 할당되어 있는 문장 내의 결과 문구를 식별한다.

맵핑 모듈(135)은 조건 식별 모듈(133)에 의해 식별된 조건 문구 및 결과 식별 모듈(134)에 의해 식별된 결과 문자를 맵핑한다.

하지만, 추천 태그가 할당되어 있는 문장은 조건 문구 및 결과 문구를 모두 포함할 수 있지만 그렇지 않을 수도 있다. 즉, 추천 태그가 할당되어 있는 문장은 조건 문구 및 결과 문구를 모두 포함하고 있거나, 조건 문구 또는 결과 문구만을 포함하고 있을 수 있다.

상기와 같이, 추천 태그가 할당되어 있는 문장이 조건 문구 및 결과 문구를 모두 포함하는 경우 조건 식별 모듈(133)에 의해 조건 문구가 식별되고 결과 식별 모듈(134)에 의해 결과 문구가 식별될 것이다.

하지만, 추천 태그가 할당되어 있는 문장이 조건 문구만을 포함하는 경우 조건 식별 모듈(133)에 의해 조건 문구가 식별되지만 결과 식별 모듈(134)에 의해 결과 문구가 식별되지 않을 것이고, 추천 태그가 할당되어 있는 문장이 결과 문구만을 포함하고 있는 경우 조건 식별 모듈(133)에 의해 조건 문구가 식별되지 않고 결과 식별 모듈(134)에 의해 결과 문구가 식별된다.

일 실시예에서, 맵핑 모듈(135)은 조건 식별 모듈(133)에 의해 식별된 조건 문구 및 결과 식별 모듈(134)에 의해 식별된 결과 문구가 존재하는 경우, 조건 식별 모듈(133)에 의해 식별된 조건 문구 및 결과 식별 모듈(134)에 의해 식별된 결과 문구를 맵핑하여 저장한다.

다른 일 실시예에서, 맵핑 모듈(135)은 조건 식별 모듈(133)에 의해 식별된 조건 문구가 존재하지 않고 결과 식별 모듈(134)에 의해 식별된 결과 문구가 존재하는 경우, 결과 식별 모듈(134)이 결과 문구를 식별 시 지식 데이터베이스(131)에서 사용한 문장의 이전 문장 및 다음 문장을 이용하여 조건 문구를 생성한 후, 조건 문구 및 결과 식별 모듈(134)에 의해 식별된 결과 문구를 맵핑하여 저장한다.

또 다른 일 실시예에서, 맵핑 모듈(135)은 조건 식별 모듈(133)에 의해 식별된 조건 문구가 존재하고 결과 식별 모듈(134)에 의해 식별된 결과 문구가 존재하지 않은 경우, 조건 식별 모듈(133)이 조건 문구를 식별 시 지식 데이터베이스(131)에서 사용한 문장의 이전 문장 및 다음 문장을 이용하여 결과 문구를 생성한 후, 조건 식별 모듈(133)에 의해 식별된 조건 문구 및 결과 문구를 맵핑하여 저장한다.

변환부(140)는 맵핑부(130)에 의해 맵핑된 조건 문구 및 결과 문구를 이용하여 컴퓨터가 연산 가능한 모델로 변환한다. 이러한 변환부(140)는 모델 로딩 모듈(142), 모델 정렬 모듈(143) 및 모델 생성 모듈(144)를 포함한다.

모델 로딩 모듈(142)은 복수의 컴퓨터 해석 모델 중 변환 대상 모델을 로딩한다. 이와 같은 이유는, 모델 생성 모듈(144)이 맵핑부(130)에 의해 맵핑된 조건 문구 및 결과 문구를 컴퓨터가 연산 가능한 모델로 변환하는 기준이 되는 모델을 선장하기 위해서이다. 본 발명의 일 실시예에서, 모델 로딩 모듈(142)은 복수의 컴퓨터 해석 모델 중 리플 다운 룰(RDR: Ripple Down Rule)모델을 로딩한다.

모델 정렬 모듈(143)은 맵핑부(130)에 의해 맵핑된 조건 문구 및 결과 문구와 모델 로딩 모듈(142)에 의해 로딩된 변환 대상 모델에 맞추어 정렬한다.

일 실시예에서, 모델 정렬 모듈(143)은 조건 문구 각각의 유사도에 따라 조건 문구를 정렬할 수 있다. 즉, 모델 정렬 모듈(143)은 조건 문구 각각의 단어가 일치하면 일치하는 단어의 개수에 따라 유사도를 산출한 후 유사도가 특정 값 이상인 조건 문구 및 결과 문구를 동일한 그룹으로 정렬한다. 이에 따라, 동일한 그룹에 있는 제1 조건 문구 및 제2 조건 문구는 유사한 임상적 조건을 포함하고 있을 것이다.

모델 생성 모듈(144)은 모델 로딩 모듈(142)에 의해 정렬된 조건 문구 및 결과 문구를 이용하여 리플 다운 룰 모델을 생성한다. 이와 같은 과정을 통해 생성된 리플 다운 룰 모델은 인간 전문가와 컴퓨터 모두 이해할 수 있다. 이때, 본 발명에서는 리플 다운 룰 모델을 사용하였으나, 변환 대상 모델의 종류는 변경될 수 있다.

일 실시예에서, 모델 생성 모듈(144)은 조건 문구 및 결과 문구를 트리 형태로 구현할 수 있다. 이를 위해, 모델 생성 모듈(144)은 그룹에 포함된 조건 문구 및 결과 문구를 동일한 트리의 자식 노드로 형성할 수 있다.

상기의 과정을 통해 생성된 리플 다운 룰 모델은 임상 실습 가이드 라인을 이해하고 활용하기 위해 의료 서비스 제공자가 활용할 수 있으며 임상 결정을 내릴 수 있다. 또한, 임상 실습 가이드 라인이 정확하고 표준화된 임상 결정을 내리는 데 도움이 되는 임상 정보 시스템의 지식 소스로 사용될 수 있다는 장점이 있다.

도 2는 본 발명에 따른 임상 실습 가이드 라인을 컴퓨터 해석 모델로 변환하기 위한 방법의 일 실시예를 설명하기 위한 흐름도이다.

도 2를 참조하면, 임상 실습 가이드 라인을 컴퓨터 해석 모델로 변환하는 시스템은 임상 실습 가이드 라인을 분석하여 복수의 문장 각각을 추출한다(단계 S200).

임상 실습 가이드 라인을 컴퓨터 해석 모델로 변환하는 시스템은 추출된 복수의 문장 각각에 추천 태그 및 비추천 태그 중 적어도 하나의 태그를 할당한다(단계 S210).

임상 실습 가이드 라인을 컴퓨터 해석 모델로 변환하는 시스템은 복수의 문장 중 비추천 태그가 할당된 문장을 필터링한 후 추천 태그가 할당된 문장을 추출한다(단계 S220).

단계 S220에 대한 일 실시예에서, 임상 실습 가이드 라인을 컴퓨터 해석 모델로 변환하는 시스템은 복수의 문장 각각에 할당된 태그가 한 개인 경우 해당 문장에 할당된 태그의 종류에 따라 문장을 필터링한다.

상기의 실시예에서, 임상 실습 가이드 라인을 컴퓨터 해석 모델로 변환하는 시스템은 문장에 할당된 태그의 종류가 비추천 태그인 경우 해당 문장을 필터링하고, 문장에 할당된 태그의 종류가 추천 태그인 경우 해당 문장을 필터링하지 않는다.

단계 S220에 대한 다른 일 실시예에서, 임상 실습 가이드 라인을 컴퓨터 해석 모델로 변환하는 시스템은 복수의 문장 각각에 할당된 태그가 두 개인 경우 해당 문장에 할당된 태그의 종류가 동일한지 또는 상이한지 여부에 따라 문장을 필터링한다.

상기의 실시예에서, 임상 실습 가이드 라인을 컴퓨터 해석 모델로 변환하는 시스템은 문장에 할당된 두 개의 태그의 종류가 동일하게 비추천 태그인 경우 해당 문장을 필터링하고, 태그 필터 모듈(125)는 문장에 할당된 두 개의 태그의 종류가 상이한 경우 해당 문장에 태그를 다시 할당할 수 있도록 한다.

임상 실습 가이드 라인을 컴퓨터 해석 모델로 변환하는 시스템은 지식 데이터베이스를 기초로 상기 추천 태그가 할당된 문장 각각의 조건 문구 및 결과 문구가 존재하는지 여부를 식별한다(단계 S230).

이때, 지식 데이터베이스에는 문장 각각의 임상적 조건 및 결과가 저장되어 있다. 따라서, 임상 실습 가이드 라인을 컴퓨터 해석 모델로 변환하는 시스템은 지식 데이터베이스에 저장된 임상적 조건 및 결과를 기초로 문장에 조건 문구 및 결과 문구 각각이 존재하는지 여부를 식별할 수 있는 것이다.

또한, 지식 데이터베이스에 저장된 임상적 조건 및 결과는 임상적 조건 각각의 연관도에 따라 정렬되어 저장된다. 이와 같이, 지식 데이터베이스에 저장된 문장이 서로 상호간의 연관도에 따라 정렬되어 저장되어 있는 이유는, 추천 태그가 할당된 문장에 조건 문구 또는 결과 문구가 존재하지 않은 경우 지식 데이터베이스 이전 문장 또는 다음 문장을 이용하여 조건 문구 또는 결과 문구를 생성될 수 있도록 하기 위해서이다.

임상 실습 가이드 라인을 컴퓨터 해석 모델로 변환하는 시스템은 조건 문구 및 결과 문구를 맵핑하여 저장한다(단계 S240).

단계 S240에 대한 일 실시예에서, 임상 실습 가이드 라인을 컴퓨터 해석 모델로 변환하는 시스템은 지식 데이터베이스를 기초로 추천 태그가 할당된 문장 각각의 조건 문구 및 결과 문구가 존재하면 상기 조건 문구 및 상기 결과 문구를 맵핑하여 저장한다.

단계 S240에 대한 다른 일 실시예에서, 임상 실습 가이드 라인을 컴퓨터 해석 모델로 변환하는 시스템은 추천 태그가 할당된 문장 각각에 상기 조건 문구가 존재하고 결과 문구가 존재하지 않으면, 상기 조건 문구를 식별 시 상기 지식 데이터베이스에서 사용한 문장의 이전 문장 및 다음 문장을 이용하여 결과 문구를 생성한 후 상기 조건 문구 및 상기 생성된 결과 문구를 맵핑하여 저장한다.

단계 S240에 대한 또 다른 일 실시예에서, 임상 실습 가이드 라인을 컴퓨터 해석 모델로 변환하는 시스템은 추천 태그가 할당된 문장 각각에 조건 문구가 존재하지 않고 상기 결과 문구가 존재하면, 상기 결과 문구를 식별 시 상기 지식 데이터베이스에서 사용한 문장의 이전 문장 및 다음 문장을 이용하여 조건 문구를 생성한 후 상기 생성된 조건 문구 및 상기 결과 문구를 맵핑하여 저장한다.

임상 실습 가이드 라인을 컴퓨터 해석 모델로 변환하는 시스템은 조건 문구 및 상기 결과 문구를 상기 특정 모델에 해당하는 형식으로 변환하여 최종 모델을 생성한다(단계 S250).

이상과 같이 본 발명은 비록 한정된 실시예와 도면에 의해 설명되었으나, 본 발명은 상기의 실시예에 한정되는 것은 아니며, 이는 본 발명이 속하는 분야에서 통상의 지식을 가진 자라면 이러한 기재로부터 다양한 수정 및 변형이 가능하다. 따라서, 본 발명 사상은 아래에 기재된 특허청구범위에 의해서만 파악되어야 하고, 이의 균등 또는 등가적 변형 모두는 본 발명 사상의 범주에 속한다고 할 것이다.

110: 전처리부
120: 문서 판독부
121: ML 데이터베이스,
122: 패턴 데이터베이스,
123: ML 기반 태그 할당 모듈,
124: 패턴 기반 태그 할당 모듈,
125: 태그 필터 모듈,
126: 추천 문장 추출 모듈
127: 추천 문장 데이터베이스
130: 맵핑부
131: 지식 데이터베이스,
132: 문장 로딩 모듈,
133: 조건 식별 모듈,
134: 결과 식별 모듈
135: 맵핑 모듈,
140: 변환부

Claims

임상 실습 가이드 라인을 분석하여 추출된 복수의 문장 각각에 추천 태그 및 비추천 태그 중 적어도 하나의 태그를 할당하는 단계;
상기 복수의 문장 중 비추천 태그가 할당된 문장을 필터링한 후 추천 태그가 할당된 문장을 추출하는 단계;
지식 데이터베이스를 기초로 상기 추천 태그가 할당된 문장 각각의 제1 요소의 문구 및 제2 요소의 문구가 존재하는지 여부를 식별하여 상기 제1 요소의 문구 및 제2 요소의 문구를 맵핑하여 저장하는 단계;
상기 제1 요소의 문구 및 상기 제2 요소의 문구를 특정 모델에 해당하는 형식으로 변환하여 최종 모델을 생성하는 단계를 포함하는 것을 특징으로 하는
임상 실습 가이드 라인을 컴퓨터 해석 모델로 변환하는 방법.
제1항에 있어서,
상기 제1 요소의 문구 및 제2 요소의 문구를 맵핑하여 저장하는 단계는
상기 지식 데이터베이스를 기초로 상기 추천 태그가 할당된 문장 각각의 제1 요소의 문구 및 제2 요소의 문구가 존재하면 상기 제1 요소의 문구 및 상기 제2 요소의 문구를 맵핑하여 저장하는 단계;
상기 추천 태그가 할당된 문장 각각에 제1 요소의 문구 및 제2 요소의 문구 중 어느 하나가 존재하지 않으면, 상기 지식 데이터베이스를 기초로 상기 존재하지 않은 요소에 대한 문구를 생성한 후 맵핑하여 저장하는 단계를 포함하는 것을 특징으로 하는
임상 실습 가이드 라인을 컴퓨터 해석 모델로 변환하는 방법.
제1항에 있어서,
상기 제1 요소의 문구 및 제2 요소의 문구를 맵핑하여 저장하는 단계는
상기 추천 태그가 할당된 문장 각각에 상기 제1 요소의 문구가 존재하고 상기 제2 요소의 문구가 존재하지 않으면, 상기 제1 요소의 문구를 식별 시 상기 지식 데이터베이스에서 사용한 문장의 이전 문장 및 다음 문장을 이용하여 제2 요소의 문구를 생성한 후 상기 제1 요소의 문구 및 상기 생성된 제2 요소의 문구를 맵핑하여 저장하는 단계; 및
상기 추천 태그가 할당된 문장 각각에 상기 제1 요소의 문구가 존재하지 않고 상기 제2 요소의 문구가 존재하면, 상기 제2 요소의 문구를 식별 시 상기 지식 데이터베이스에서 사용한 문장의 이전 문장 및 다음 문장을 이용하여 제1 요소의 문구를 생성한 후 상기 생성된 제1 요소의 문구 및 상기 제2 요소의 문구를 맵핑하여 저장하는 단계를 포함하는 것을 특징으로 하는
임상 실습 가이드 라인을 컴퓨터 해석 모델로 변환하는 방법.
제1항에 있어서,
상기 제1 요소의 문구 및 상기 제2 요소의 문구를 상기 특정 모델에 해당하는 형식으로 변환하여 최종 모델을 생성하는 단계는
상기 제1 요소의 문구 및 상기 제2 요소의 문구를 변환 대상 모델에 맞추어 정렬하는 단계; 및
상기 정렬된 상기 제1 요소의 문구 및 상기 제2 요소의 문구를 이용하여 상기 최종 모델을 생성하는 단계를 포함하는 것을 특징으로 하는
임상 실습 가이드 라인을 컴퓨터 해석 모델로 변환하는 방법.
임상 실습 가이드 라인을 분석하여 복수의 문장을 각각 추출하는 전처리부;
상기 복수의 문장 각각에 추천 태그 및 비추천 태그 중 적어도 하나의 태그를 할당하고, 상기 복수의 문장 중 비추천 태그가 할당된 문장을 필터링한 후 추천 태그가 할당된 문장을 추출하는 문서 판독부;
지식 데이터베이스를 기초로 상기 추천 태그가 할당된 문장 각각의 제1 요소의 문구 및 제2 요소의 문구가 존재하는지 여부를 식별하여 상기 제1 요소의 문구 및 제2 요소의 문구를 맵핑하여 저장하는 맵핑부; 및
상기 제1 요소의 문구 및 상기 제2 요소의 문구를 특정 모델에 해당하는 형식으로 변환하여 최종 모델을 생성하는 변환부를 포함하는 것을 특징으로 하는
임상 실습 가이드 라인을 컴퓨터 해석 모델로 변환하는 시스템.
제5항에 있어서,
상기 맵핑부는
상기 지식 데이터베이스를 기초로 상기 추천 태그가 할당된 문장 각각의 제1 요소의 문구 및 제2 요소의 문구가 존재하면 상기 제1 요소의 문구 및 상기 제2 요소의 문구를 맵핑하여 저장하고, 상기 추천 태그가 할당된 문장 각각에 제1 요소의 문구 및 제2 요소의 문구 중 어느 하나가 존재하지 않으면, 상기 지식 데이터베이스를 기초로 상기 존재하지 않은 요소에 대한 문구를 생성한 후 맵핑하여 저장하는 것을 특징으로 하는
임상 실습 가이드 라인을 컴퓨터 해석 모델로 변환하는 시스템.
제6항에 있어서,
상기 맵핑부는
상기 추천 태그가 할당된 문장 각각에 상기 제1 요소의 문구가 존재하고 상기 제2 요소의 문구가 존재하지 않으면, 상기 제1 요소의 문구를 식별 시 상기 지식 데이터베이스에서 사용한 문장의 이전 문장 및 다음 문장을 이용하여 제2 요소의 문구를 생성한 후 상기 제1 요소의 문구 및 상기 생성된 제2 요소의 문구를 맵핑하여 저장하고, 상기 추천 태그가 할당된 문장 각각에 상기 제1 요소의 문구가 존재하지 않고 상기 제2 요소의 문구가 존재하면, 상기 제2 요소의 문구를 식별 시 상기 지식 데이터베이스에서 사용한 문장의 이전 문장 및 다음 문장을 이용하여 제1 요소의 문구를 생성한 후 상기 생성된 제1 요소의 문구 및 상기 제2 요소의 문구를 맵핑하여 저장하는 것을 특징으로 하는
임상 실습 가이드 라인을 컴퓨터 해석 모델로 변환하는 시스템.
제5항에 있어서,
상기 변환부는
상기 제1 요소의 문구 및 상기 제2 요소의 문구를 변환 대상 모델에 맞추어 정렬하고, 상기 정렬된 상기 제1 요소의 문구 및 상기 제2 요소의 문구를 이용하여 상기 최종 모델을 생성하는 것을 특징으로 하는
임상 실습 가이드 라인을 컴퓨터 해석 모델로 변환하는 시스템.