KR20210018610A - System for Prescriptive Analytics and Variable Importance Analysis of Prognostic Factors for Cancer Patients using Artificial Intelligence - Google Patents

System for Prescriptive Analytics and Variable Importance Analysis of Prognostic Factors for Cancer Patients using Artificial Intelligence Download PDF

Info

Publication number
KR20210018610A
KR20210018610A KR1020190095579A KR20190095579A KR20210018610A KR 20210018610 A KR20210018610 A KR 20210018610A KR 1020190095579 A KR1020190095579 A KR 1020190095579A KR 20190095579 A KR20190095579 A KR 20190095579A KR 20210018610 A KR20210018610 A KR 20210018610A
Authority
KR
South Korea
Prior art keywords
analysis
data
artificial intelligence
importance
unit
Prior art date
Application number
KR1020190095579A
Other languages
Korean (ko)
Other versions
KR102288056B1 (en
Inventor
이석
주은빈
이현민
유진희
안동환
박현주
이상호
이형주
Original Assignee
고려대학교 산학협력단
주식회사 코난테크놀로지
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 고려대학교 산학협력단, 주식회사 코난테크놀로지 filed Critical 고려대학교 산학협력단
Priority to KR1020190095579A priority Critical patent/KR102288056B1/en
Publication of KR20210018610A publication Critical patent/KR20210018610A/en
Application granted granted Critical
Publication of KR102288056B1 publication Critical patent/KR102288056B1/en

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
    • G16H50/70—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for mining of medical data, e.g. analysing previous cases of other patients
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/004—Artificial life, i.e. computing arrangements simulating life
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Medical Informatics (AREA)
  • Public Health (AREA)
  • General Health & Medical Sciences (AREA)
  • Physics & Mathematics (AREA)
  • Biomedical Technology (AREA)
  • Theoretical Computer Science (AREA)
  • Epidemiology (AREA)
  • Primary Health Care (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computing Systems (AREA)
  • Artificial Intelligence (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Evolutionary Computation (AREA)
  • Molecular Biology (AREA)
  • Pathology (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Databases & Information Systems (AREA)
  • Medical Treatment And Welfare Office Work (AREA)

Abstract

According to an embodiment of the present, a system for analyzing the importance of prognostic factors of cancer patients and prescriptively analyzing treatment planning by using artificial intelligence comprises: a data collection unit for collecting references and patient information to be used for the analysis of the importance of prognostic factors of cancer patients; a data extraction unit for extracting data to be used for meta-analysis from the references and extracting data to be used for artificial intelligence analysis from the patient information; an analysis unit for analyzing the relative importance of each prognostic factor affecting the treatment prognosis of the cancer patients by performing meta-analysis and artificial intelligence analysis on the data extracted by the data extraction unit; and a result output unit for outputting the analysis results obtained by the analysis unit.

Description

인공지능을 이용한 암환자 예후인자 중요도 분석 및 치료계획 처방적 분석 시스템 {System for Prescriptive Analytics and Variable Importance Analysis of Prognostic Factors for Cancer Patients using Artificial Intelligence}System for Prescriptive Analytics and Variable Importance Analysis of Prognostic Factors for Cancer Patients using Artificial Intelligence}

본 출원은 인공지능을 이용한 암환자 예후인자 중요도 분석 및 치료계획 처방적 분석 시스템에 관한 것이다.The present application relates to a system for analyzing the importance of prognostic factors for cancer patients and prescribing treatment plans using artificial intelligence.

암환자에게 적합한 치료를 제공하기 위해 현재 전문의의 경험과 지식에 의존하여 암환자의 예후를 예측하고 있는 실정이다.In order to provide suitable treatment to cancer patients, the current situation is predicting the prognosis of cancer patients based on the experience and knowledge of specialists.

그러나, 각각의 암환자 별로 다양한 예후인자가 환자의 예후에 영향을 미치는 정도가 상이하며, 더 나아가 복합적인 예후인자의 연관관계를 고려하여 암환자의 예후를 예측하는 것은 한계가 있다.However, the degree to which various prognostic factors affect the prognosis of patients is different for each cancer patient, and furthermore, there is a limit to predicting the prognosis of cancer patients by considering the association of complex prognostic factors.

다시 말해, 암환자의 치료 전에 예후를 예측하기 위해 환자 별로 다양한 예후인자가 환자의 예후에 영향을 미치는 정도를 정량적으로 분석할 필요가 있으나, 이에 대한 기술은 부재한 실정이다.In other words, in order to predict the prognosis of cancer patients before treatment, it is necessary to quantitatively analyze the extent to which various prognostic factors affect the prognosis of patients by patient, but there is no technology for this.

따라서, 당해 기술분야에서는 암환자 별로 다양한 예후인자가 환자의 예후에 영향을 미치는 정도를 정량적으로 분석하기 위한 방안이 요구되고 있다.Therefore, in the art, a method for quantitatively analyzing the extent to which various prognostic factors affect the prognosis of patients for each cancer patient is required.

또한, 예후 예측 결과를 기초로 예후를 좋게 하기 위해 어떠한 치료를 수행하여야 할 지 처방적 분석을 제공하기 위한 방안이 요구되고 있다.In addition, there is a need for a method to provide a prescriptive analysis of what treatment should be performed in order to improve the prognosis based on the results of prognosis prediction.

상기 과제를 해결하기 위해서, 본 발명의 일 실시예는 인공지능을 이용한 암환자 예후인자 중요도 분석 및 치료계획 처방적 분석 시스템을 제공한다.In order to solve the above problems, an embodiment of the present invention provides a system for analyzing the importance of prognostic factors for cancer patients and prescribing treatment plans using artificial intelligence.

상기 인공지능을 이용한 암환자 예후인자 중요도 분석 및 치료계획 처방적 분석 시스템은, 암환자 예후인자 중요도 분석을 위해 사용할 참조문헌 및 환자정보를 수집하는 데이터 수집부; 상기 참조문헌으로부터 메타분석에 사용할 데이터를 추출하고, 상기 환자정보로부터 인공지능 분석에 사용할 데이터를 추출하는 데이터 추출부; 상기 데이터 추출부에 의해 추출한 데이터에 대해 메타분석 및 인공지능 분석을 수행하여 각 예후인자가 암환자 치료 예후에 영향을 미치는 상대 중요도를 분석하는 분석부; 및 상기 분석부에 의한 분석 결과를 출력하는 결과 출력부를 포함할 수 있다.The cancer patient prognostic factor importance analysis and treatment plan prescriptive analysis system using artificial intelligence includes: a data collection unit for collecting reference literature and patient information to be used for analyzing the importance of prognostic factors for cancer patients; A data extracting unit for extracting data to be used for meta-analysis from the reference and extracting data to be used for artificial intelligence analysis from the patient information; An analysis unit for analyzing the relative importance of each prognostic factor affecting the cancer patient treatment prognosis by performing meta-analysis and artificial intelligence analysis on the data extracted by the data extracting unit; And a result output unit that outputs an analysis result by the analysis unit.

덧붙여 상기한 과제의 해결수단은, 본 발명의 특징을 모두 열거한 것이 아니다. 본 발명의 다양한 특징과 그에 따른 장점과 효과는 아래의 구체적인 실시형태를 참조하여 보다 상세하게 이해될 수 있을 것이다.In addition, the solution to the above-described problem does not enumerate all the features of the present invention. Various features of the present invention and advantages and effects thereof may be understood in more detail with reference to the following specific embodiments.

본 발명의 일 실시예에 따르면, 암환자의 치료 예후를 예측하기 위한 예측 모델 생성 이전에 암환자 예후인자의 상대적 중요도를 정량적으로 분석함으로써, 보다 정확하게 암환자의 치료 예후를 예측하도록 할 수 있다.According to an embodiment of the present invention, by quantitatively analyzing the relative importance of prognostic factors for cancer patients before generating a predictive model for predicting the treatment prognosis of cancer patients, it is possible to more accurately predict the treatment prognosis of cancer patients.

또한, 예후 예측 결과를 기초로 예후를 좋게 하기 위해 어떠한 치료를 수행하여야 할 지 처방적 분석을 제공할 수 있다.In addition, it is possible to provide a prescriptive analysis of what treatment should be performed to improve the prognosis based on the prognosis prediction result.

도 1은 본 발명의 일 실시예에 따른 인공지능을 이용한 암환자 예후인자 중요도 분석 및 치료계획 처방적 분석 시스템의 구성도이다.
도 2는 본 발명의 일 실시예에 따른 인공지능을 이용한 암환자 예후인자 중요도 분석 과정의 개략도이다.
도 3은 본 발명의 일 실시예에 따른 암환자 예후인자 중요도 분석 및 결과 출력 과정의 흐름도이다.
도 4는 본 발명의 일 실시예에 따른 암환자 예후인자 중요도 분석 결과의 출력 화면 구성 예를 도시하는 도면이다.
도 5는 본 발명의 일 실시예에 따른 암환자 예후인자 중요도 분석 결과의 출력 화면의 일 예를 도시하는 도면이다.
도 6은 본 발명의 일 실시예에 따른 방사선 폐렴 예후인자의 중요도 분석 예시 데이터를 도시하는 도면이다.
도 7은 본 발명의 일 실시예에 따른 방사선 폐렴 예후인자의 처방적 분석 예시 데이터를 도시하는 도면이다.1 is a block diagram of a system for analyzing the importance of prognostic factors for cancer patients and prescribing treatment plans using artificial intelligence according to an embodiment of the present invention.
2 is a schematic diagram of a process of analyzing the importance of prognostic factors for cancer patients using artificial intelligence according to an embodiment of the present invention.
3 is a flowchart of a process of analyzing the importance of prognostic factors for cancer patients and outputting results according to an embodiment of the present invention.
4 is a diagram illustrating an example configuration of an output screen of a result of analyzing the importance of prognostic factors for cancer patients according to an embodiment of the present invention.
5 is a diagram illustrating an example of an output screen of a result of analyzing the importance of prognostic factors in cancer patients according to an embodiment of the present invention.
6 is a diagram showing exemplary data for analyzing the importance of prognostic factors for radiopneumonia according to an embodiment of the present invention.
7 is a diagram showing exemplary data of a prescription analysis of a prognostic factor for radiation pneumonia according to an embodiment of the present invention.

이하, 첨부된 도면을 참조하여 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자가 본 발명을 용이하게 실시할 수 있도록 바람직한 실시예를 상세히 설명한다. 다만, 본 발명의 바람직한 실시예를 상세하게 설명함에 있어, 관련된 공지 기능 또는 구성에 대한 구체적인 설명이 본 발명의 요지를 불필요하게 흐릴 수 있다고 판단되는 경우에는 그 상세한 설명을 생략한다. 또한, 유사한 기능 및 작용을 하는 부분에 대해서는 도면 전체에 걸쳐 동일한 부호를 사용한다.Hereinafter, preferred embodiments will be described in detail with reference to the accompanying drawings so that those of ordinary skill in the art may easily implement the present invention. However, in describing a preferred embodiment of the present invention in detail, if it is determined that a detailed description of a related known function or configuration may unnecessarily obscure the subject matter of the present invention, the detailed description thereof will be omitted. In addition, the same reference numerals are used throughout the drawings for portions having similar functions and functions.

덧붙여, 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 있다는 것을 의미한다.In addition, throughout the specification, when a part is said to be'connected' to another part, it is not only'directly connected', but also'indirectly connected' with another element in the middle. Include. In addition, "including" a certain component means that other components may be further included rather than excluding other components unless specifically stated to the contrary.

도 1은 본 발명의 일 실시예에 따른 인공지능을 이용한 암환자 예후인자 중요도 분석 및 치료계획 처방적 분석 시스템의 구성도이고, 도 2는 본 발명의 일 실시예에 따른 인공지능을 이용한 암환자 예후인자 중요도 분석 과정의 개략도이다.1 is a configuration diagram of a system for analyzing the importance of prognostic factors for cancer patients and prescribing a treatment plan using artificial intelligence according to an embodiment of the present invention, and FIG. 2 is a cancer patient using artificial intelligence according to an embodiment of the present invention. It is a schematic diagram of the prognostic factor importance analysis process.

도 1 및 도 2를 병행하여 참조하면, 본 발명의 일 실시예에 따른 인공지능을 이용한 암환자 예후인자 중요도 분석 및 치료계획 처방적 분석 시스템(100)은 데이터 수집부(110), 데이터 추출부(120), 전처리부(130), 분석부(140) 및 결과 출력부(150)를 포함하여 구성될 수 있으며, 치료계획 생성부(160)를 추가로 포함할 수 있다.Referring to FIGS. 1 and 2 in parallel, the system 100 for analyzing the importance of prognostic factors for cancer patients and prescribing treatment planning using artificial intelligence according to an embodiment of the present invention includes a data collection unit 110 and a data extraction unit. 120, the pre-processing unit 130, the analysis unit 140, and may be configured to include a result output unit 150, may further include a treatment plan generation unit 160.

데이터 수집부(110)는 암환자 예후인자 중요도 분석을 위해 사용할 데이터를 수집하기 위한 것이다.The data collection unit 110 is for collecting data to be used for analyzing the importance of prognostic factors in cancer patients.

일 실시예에 따르면, 데이터 수집부(110)는 웹 크롤링(web crawling)을 통해 저널 DB 등의 리소스(210)로부터 암환자 예후인자 중요도 분석을 위한 참조문헌을 수집하고, 병원 DB 등의 리소스(210)로부터 통계분석 및 인공지능 분석에 사용할 환자정보를 수집할 수 있다.According to an embodiment, the data collection unit 110 collects references for analyzing the importance of prognostic factors for cancer patients from resources 210 such as journal DBs through web crawling, and resources such as hospital DBs ( 210) can be used for statistical analysis and artificial intelligence analysis.

데이터 추출부(120)는 데이터 수집부(110)에 의해 수집한 데이터로부터 통계분석, 메타분석 및 인공지능 분석에 사용할 데이터를 추출하기 위한 것이다.The data extraction unit 120 is for extracting data to be used for statistical analysis, meta analysis, and artificial intelligence analysis from the data collected by the data collection unit 110.

일 실시예에 따르면, 데이터 추출부(120)는 데이터 수집부(110)에 의해 수집한 참조문헌으로부터 후향성 연구 자료(Retrospective study), 환자 대조군 연구 자료(Case-control study) 및 임상 시험 자료(Clinical trial)(Dref) 등을 추출하여 정형화함으로써 메타분석에 사용되도록 할 수 있다. According to an embodiment, the data extracting unit 120 includes retrospective study data, case-control study data, and clinical test data (retrospective study) from the references collected by the data collection unit 110 Clinical trial) (D ref ) can be extracted and formulated to be used for meta-analysis.

또한, 데이터 추출부(120)는 데이터 수집부(110)에 의해 수집한 환자정보로부터 예를 들어 환자의 성별, 나이, 인구학적 정보, 조직학 정보, 치료 정보, 만성질환 유무, 종양 위치 등을 포함하는 예후인자 데이터(220)를 추출하여 통계분석 및 인공지능 분석에 사용되도록 할 수 있다.In addition, the data extraction unit 120 includes, for example, the patient's gender, age, demographic information, histology information, treatment information, the presence of chronic diseases, tumor location, etc. from the patient information collected by the data collection unit 110 The prognostic factor data 220 may be extracted and used for statistical analysis and artificial intelligence analysis.

전처리부(130)는 데이터 추출부(120)에 의해 추출한 데이터에 대한 전처리 과정을 수행하기 위한 것이다.The preprocessor 130 is for performing a preprocessing process on the data extracted by the data extraction unit 120.

일 실시예에 따르면, 전처리부(130)는 데이터 추출부(120)에 의해 추출된 예후인자 데이터를 분류하여 분석부(140)에서 학습 알고리즘의 학습 및 테스트에 사용할 데이터(Dtraing 및 Dtest)를 추출할 수 있다.According to an embodiment, the preprocessing unit 130 classifies the prognostic factor data extracted by the data extraction unit 120, and the data to be used for learning and testing the learning algorithm in the analysis unit 140 (D traing and D test ) Can be extracted.

분석부(140)는 데이터 추출부(120)에 의해 추출한 데이터 및/또는 전처리부(130)에 의해 전처리를 거친 데이터를 분석하여 각 예후인자가 암환자 치료 예후에 영향을 미치는 상대 중요도를 분석하기 위한 것으로, 통계 분석부(141), 메타 분석부(142) 및 인공지능 분석부(143)를 포함하여 구성될 수 있다. The analysis unit 140 analyzes the data extracted by the data extraction unit 120 and/or the data that has been preprocessed by the preprocessor 130 to analyze the relative importance of each prognostic factor affecting the cancer patient treatment prognosis. For this purpose, a statistical analysis unit 141, a meta analysis unit 142, and an artificial intelligence analysis unit 143 may be included.

여기서, 통계 분석부(141)는 예를 들어 로지스틱 회귀 분석, 연관 관계 분석 등과 같은 통계적인 분석방법에 의해 환자정보를 분석하여 상관계수(Correlation coefficient)를 산출할 수 있으며, 이와 같이 산출된 상관계수는 후술하는 인공지능 분석부(143)에 의해 산출된 가중치를 통계적으로 검증하기 위해 사용될 수 있다.Here, the statistical analysis unit 141 may analyze patient information by statistical analysis methods such as logistic regression analysis, correlation analysis, etc. to calculate a correlation coefficient, and the calculated correlation coefficient May be used to statistically verify the weight calculated by the artificial intelligence analysis unit 143 to be described later.

또한, 메타 분석부(142)는 참조문헌으로부터 추출한 데이터에 대해 메타분석을 수행하여 예후인자별 오즈비(Odds ratio)를 추출할 수 있다. 여기서, 메타 분석에 의해 오즈비를 산출하는 방법은 공지된 기술을 채용할 수 있으며, 이에 대한 구체적인 설명은 생략한다.In addition, the meta-analysis unit 142 may perform meta-analysis on the data extracted from the reference to extract an odds ratio for each prognostic factor. Here, a method of calculating the odds ratio by meta-analysis may employ a known technique, and a detailed description thereof will be omitted.

또한, 인공지능 분석부(143)는 환자 정보를 이용하여 인공지능 학습을 수행하여 예후인자별 가중치(Variable Importance)를 추출할 수 있다. 필요에 따라, 인공지능 분석부(143)는 임상 시험 자료에 대한 시맨틱 텍스트 마이닝 기법을 통해 정형화된 환자 정보를 추가로 이용하여 인공지능 학습을 수행할 수도 있다.In addition, the artificial intelligence analysis unit 143 may perform artificial intelligence learning using patient information to extract variable importance for each prognostic factor. If necessary, the artificial intelligence analysis unit 143 may perform artificial intelligence learning by additionally using standardized patient information through a semantic text mining technique for clinical trial data.

또한, 인공지능 분석부(143)는 학습 알고리즘으로 머신러닝 알고리즘 또는 인공신경망 기반의 딥러닝 알고리즘을 이용할 수 있으며, 학습 알고리즘의 입력 데이터는 환자의 예후인자들이고, 출력 데이터는 생존율(Survival rate), 부작용(Toxicity), 치료 효과 정보(Tumor Response) 등을 포함할 수 있다. 이에 따라, 인공지능 분석부(143)는 학습 알고리즘의 출력 데이터를 이용하여 예를 들어 연결 가중치 알고리즘(Connection weight algorithm) 등과 같은 상대 중요도 분석 알고리즘을 통해 각 예후인자별 가중치를 산출할 수 있다.In addition, the artificial intelligence analysis unit 143 may use a machine learning algorithm or an artificial neural network-based deep learning algorithm as a learning algorithm, and the input data of the learning algorithm are prognostic factors of the patient, and the output data is a survival rate, It may include side effects (Toxicity), treatment effect information (Tumor Response), etc. Accordingly, the artificial intelligence analysis unit 143 may calculate a weight for each prognostic factor through a relative importance analysis algorithm such as, for example, a connection weight algorithm, using the output data of the learning algorithm.

결과 출력부(150)는 분석부(140)에 의해 분석된 예후인자 중요도 분석 결과를 출력하기 위한 것이다.The result output unit 150 is for outputting a prognostic factor importance analysis result analyzed by the analysis unit 140.

일 실시예에 따르면, 결과 출력부(150)는 도 4 및 도 5를 참조하여 후술하는 바와 같이 예후인자 중요도 분석 결과를 출력할 수 있다. 이와 같이, 본 발명의 실시예에 따르면, 인공지능 분석을 통해 분석한 예후인자 중요도(즉, 인공신경망 결과)와 기존의 임상 경험 및 지식 기반으로 분석한 예후인자 중요도(즉, 메타분석 결과)를 동시에 제공함으로써, 인공지능 기반으로 분석된 예후인자의 상대 중요도를 통계적 및 정성적으로 검증 가능하도록 할 수 있다.According to an embodiment, the result output unit 150 may output a prognostic factor importance analysis result as described later with reference to FIGS. 4 and 5. As such, according to an embodiment of the present invention, the importance of prognostic factors analyzed through artificial intelligence analysis (i.e., artificial neural network results) and the importance of prognostic factors analyzed based on existing clinical experience and knowledge (i.e., meta-analysis results) are determined. By providing at the same time, it is possible to statistically and qualitatively verify the relative importance of prognostic factors analyzed based on artificial intelligence.

치료계획 생성부(160)는 분석부(140)에 의해 산출된 각 예후인자별 상대 중요도를 반영하여 치료 계획을 생성하기 위한 것이다.The treatment plan generation unit 160 is for generating a treatment plan by reflecting the relative importance of each prognostic factor calculated by the analysis unit 140.

일 실시예에 따르면, 치료계획 생성부(160)는 기 수집된 환자 데이터를 기반으로 예후인자별 상대 중요도를 고려하여 하나 이상의 가상치료계획정보 데이터(Virtual Radiation Treatment Plan Information)를 생성할 수 있다.According to an embodiment, the treatment plan generator 160 may generate one or more Virtual Radiation Treatment Plan Information in consideration of relative importance for each prognostic factor based on previously collected patient data.

또한, 치료계획 생성부(160)에 의해 생성된 하나 이상의 가상치료계획정보 데이터는 상술한 분석부(140)로 전달될 수 있다.In addition, one or more virtual treatment plan information data generated by the treatment plan generation unit 160 may be transmitted to the analysis unit 140 described above.

이에 따라, 분석부(140)는 하나 이상의 가상치료계획정보에 따른 치료 예후를 재차 분석하고, 이를 기초로 각 가상치료계획에 따른 예후 예측 결과를 비교 분석하여 예후를 좋게 위해 어떠한 치료를 수행해야 할지 제시하는 처방적 분석(Prescriptive analytics)이 가능해 진다.Accordingly, the analysis unit 140 again analyzes the treatment prognosis according to one or more virtual treatment plan information, and based on this, compares and analyzes the prognosis prediction results according to each virtual treatment plan to determine which treatment should be performed to improve the prognosis. Prescriptive analytics is possible.

상술한 본 발명의 실시예에 따르면, 다양한 가능성이 있는 치료계획에 대하여 예후 예측 결과를 비교함으로써 최선의 치료 계획을 선택하도록 할 수 있다.According to the above-described embodiment of the present invention, it is possible to select the best treatment plan by comparing prognosis prediction results with treatment plans with various possibilities.

도 1을 참조하여 상술한 인공지능을 이용한 암환자 예후인자 중요도 분석 및 치료계획 처방적 분석 시스템은 데이터 입출력 수단, 데이터 처리 수단 및 학습 엔진을 구비하는 프로세싱 장치에 의해 구현될 수 있다.The cancer patient prognostic factor importance analysis and treatment plan prescription analysis system using artificial intelligence described above with reference to FIG. 1 may be implemented by a processing device including a data input/output means, a data processing means, and a learning engine.

도 3은 본 발명의 일 실시예에 따른 암환자 예후인자 중요도 분석 및 결과 출력 과정의 흐름도이다.3 is a flowchart of a process of analyzing the importance of prognostic factors for cancer patients and outputting results according to an embodiment of the present invention.

도 3을 참조하면, 우선 저널 DB(310)로부터 메타분석에 사용할 참조 문헌을 추출하고(311), 추출한 참조문헌에 대해 메타분석(예를 들어, 시맨틱 분석)(312)을 수행할 수 있다. 이와 같은 메타분석을 통해 예후인자별 오즈비(Odds ratio)를 추출하고(313), 각 예후인자를 오즈비에 따라 오름차순(또는 내림차순)으로 정렬한 후(314), 그래프 형식으로 결과를 출력할 수 있다(315)(예를 들어, 도 5의 Odds Ratio 결과 출력). Referring to FIG. 3, first, a reference document to be used for meta-analysis may be extracted from the journal DB 310 (311), and a meta-analysis (eg, semantic analysis) 312 may be performed on the extracted reference document. Through this meta-analysis, the odds ratio for each prognostic factor is extracted (313), and each prognostic factor is sorted in ascending (or descending) order according to the odds ratio (314), and the result is output in a graph format. It can be 315 (for example, output of the Odds Ratio result of FIG. 5).

한편, 병원 DB(320)로부터 인공신경망 학습에 사용할 환자 정보를 추출하고(321), 추출한 환자 정보를 이용하여 인공신경망 학습(322)을 수행할 수 있다. 이와 같은 인공신경망 학습을 통해 예후인자별 가중치(Variable Importance)를 추출하고(323), 각 예후인자를 가중치에 따라 오름차순(또는 내림차순)으로 정렬한 후(324), 그래프 형식으로 결과를 출력할 수 있다(325)(예를 들어, 도 5의 Weihgt 결과 출력).Meanwhile, patient information to be used for artificial neural network learning may be extracted from the hospital DB 320 (321 ), and artificial neural network learning 322 may be performed using the extracted patient information. Through this artificial neural network learning, variable importance for each prognostic factor is extracted (323), and each prognostic factor is sorted in ascending (or descending) order according to the weight (324), and the result can be output in a graph format. Yes (325) (for example, weihgt result output in Figure 5).

도 4는 본 발명의 일 실시예에 따른 암환자 예후인자 중요도 분석 결과의 출력 화면 구성 예를 도시하는 도면이다.4 is a diagram illustrating an example configuration of an output screen of a result of analyzing the importance of prognostic factors for cancer patients according to an embodiment of the present invention.

도 4를 참조하면, 본 발명의 일 실시예에 따른 암환자 예후인자 중요도 분석 결과의 출력 화면은 질환명(41), 치료 방법(42), 부작용 종류(43), 예후인자 가중치 메타분석 결과(예를 들어, Odds ratio)(44), 예후인자 가중치 인공신경망 결과(예를 들어, Variable Importance)(45), 문헌정보(46) 및 인공신경망 모델 정보(47) 항목 중 적어도 하나 이상을 포함하여 구성될 수 있다.4, the output screen of the result of analyzing the importance of prognostic factors for cancer patients according to an embodiment of the present invention is the disease name 41, the treatment method 42, the side effect type 43, and the prognostic factor weight meta-analysis result ( For example, including at least one of the items of Odds ratio) (44), prognostic factor weighted artificial neural network results (e.g., Variable Importance) (45), literature information (46), and artificial neural network model information (47). Can be configured.

여기서, 질환명(41)은 예를 들어 폐암, 위암 등과 같이 암환자가 앓고 있는 질환명을 나타내고, 치료 방법(42)은 예를 들어 CCRT 등과 같이 암환자에게 진행할 치료 방법의 종류를 나타내며, 부작용 종류(43)는 암환자에게 치료 진행 시에 예상되는 부작용의 종류를 나타낸다.Here, the disease name 41 indicates the name of the disease that the cancer patient suffers, such as lung cancer and stomach cancer, and the treatment method 42 indicates the type of treatment method to proceed to the cancer patient, such as CCRT. (43) shows the types of side effects expected in the treatment of cancer patients.

또한, 예후인자 가중치 메타분석 결과(44)는 저널 DB로부터 수집한 참조 문헌에 대한 메타분석에 의해 추출한 예후인자별 오즈비(Odds ratio)를 나타내고, 예후인자 가중치 인공신경망 결과(45)는 병원 DB로부터 수집한 환자 정보에 대한 인공신경망 학습에 의해 추출한 예후인자별 가중치(Variable Importance)를 나타낸다. 여기서, 오즈비(Odds ratio)는 각각의 예후인자가 치료 예후에 미치는 독립적인 영향을 나타내는 것이고, 예후인자별 가중치(Variable Importance)는 예후인자간의 복합적인 상관관계를 포함한 영향의 정도를 나타내는 것이다. 통상적으로 임상에서는 오즈비를 이용하여 지식/경험 기반으로 치료 예후를 예측하고 있으므로, 본 발명의 실시예에 따라 추출한 예후인자별 가중치를 오즈비와 함께 출력해 줌으로써 보다 의미있는 분석 결과를 제공할 수 있다.In addition, the prognostic factor weight meta-analysis result (44) represents the odds ratio for each prognostic factor extracted by meta-analysis of the reference literature collected from the journal DB, and the prognostic factor weight artificial neural network result (45) is the hospital DB. Represents the variable importance of prognostic factors extracted by artificial neural network learning for patient information collected from. Here, the odds ratio represents the independent effect of each prognostic factor on the treatment prognosis, and the variable importance of each prognostic factor represents the degree of influence including complex correlations between prognostic factors. In general, clinicians use odds ratios to predict treatment prognosis based on knowledge/experience, so a more meaningful analysis result can be provided by outputting weights for each prognostic factor extracted according to an embodiment of the present invention together with the odds ratio. have.

또한, 문헌정보(46)는 메타분석 결과의 주요 참조 문헌 정보(예를 들어, 저널명, 발행연도 등)를 나타내고, 인공신경망 모델 정보(47)는 환자 정보에 대한 인공신경망 학습을 위해 사용한 인공신경망 모델에 대한 정보(예를 들어, 정확도, 모델 종류 및 버전, 설정 파라미터 등)를 나타낸다.In addition, the document information (46) represents the main reference information (for example, journal name, publication year, etc.) of the meta-analysis result, and the artificial neural network model information (47) is the artificial neural network used to learn the artificial neural network for patient information. Represents information about the model (eg, accuracy, model type and version, configuration parameters, etc.).

도 5는 본 발명의 일 실시예에 따른 암환자 예후인자 중요도 분석 결과의 출력 화면의 일 예를 도시하는 도면으로, 폐암 환자에게 CCRT 치료를 진행하는 경우에 도 4에 도시된 출력 화면 구성 예에 따라 예후인자 중요도 분석 결과를 출력하는 일 예를 도시하는 것이다.5 is a diagram showing an example of an output screen of a result of analyzing the importance of prognostic factors for a cancer patient according to an embodiment of the present invention. In the case of performing a CCRT treatment on a lung cancer patient, the configuration example of the output screen shown in FIG. Accordingly, an example of outputting the result of analyzing the importance of prognostic factors is shown.

이하에서는 방사선 폐렴 예후인자에 대한 중요도 분석 및 치료계획 처방적 분석을 일 예로서 구체적으로 설명한다. 그러나, 상술한 본 발명이 하기의 예로 한정되는 것은 아니며, 다른 질환에도 그대로 적용될 수 있다.Hereinafter, an analysis of the importance of prognostic factors for radiopneumonia and a prescription analysis of a treatment plan will be described in detail as an example. However, the present invention described above is not limited to the following examples, and may be applied to other diseases as it is.

우선, 방사선 폐렴의 예후인자 데이터의 종류를 살펴보면, 방사선 치료와 관련된 예후인자 데이터의 종류는 크게 선량학적 인자(Dosimetric factor)와 비선량학적 인자(Non-dosimetric factor)로 나뉠 수 있다.First, looking at the types of prognostic factor data for radiation pneumonia, the types of prognostic factor data related to radiation therapy can be largely divided into dosimetric factors and non-dosimetric factors.

예를 들어, 폐암 환자에 있어 방사선 폐렴이라는 부작용의 예후인자의 종류는 하기와 같다.For example, the types of prognostic factors for the side effect of radiation pneumonia in lung cancer patients are as follows.

선량학적 인자: 폐평균선량(Mean Lung Dose, MLD), V30(30Gy 선량이 들어가는 폐의 용적), V20(20Gy 선량이 들어가는 폐의 용적), V10(10Gy 선량이 들어가는 폐의 용적), Total Dose(전체선량), Fraction(분할횟수), Daliy Dose(1일선량) 등Dosiological factors: Mean Lung Dose (MLD), V30 (the volume of the lung into which a 30 Gy dose enters), V20 (the volume of the lung into which a 20 Gy dose enters), V10 (the volume of the lung into which a 10 Gy dose enters), Total Dose (Total dose), Fraction (number of divisions), Daliy Dose (daily dose), etc.

비선량학적 인자: 나이, 종양의 위치, 간질성 폐렴(Interstitial Lung Disease, ILD), 만성폐쇄성폐질환(Chronic Obstructive Pulmonary Disease, COPD), CCRT(Concurrent Chemo-Radiation Treatment), 1초 강제 호기량(Forced Expiratory Volume in One Second, FEV1), T stage(종양 침범 정도를 나타내는 병기), N stage(림프절 전이 정도를 나타내는 병기), M stage(원격 전이 여부를 나타내는 병기) 등Non-doseological factors: age, tumor location, Interstitial Lung Disease (ILD), Chronic Obstructive Pulmonary Disease (COPD), Concurrent Chemo-Radiation Treatment (CCRT), Forced Expiratory Volume (1 second) Expiratory Volume in One Second, FEV1), T stage (a stage indicating the degree of tumor invasion), N stage (a stage indicating the degree of lymph node metastasis), M stage (a stage indicating remote metastasis), etc.

상술한 방사선 폐렴 예후인자에 대해 본 발명에 따라 인공지능으로 분석한 예후인자 중요도의 예시 데이터가 도 6에 도시되어 있다.Fig. 6 shows exemplary data of the importance of prognostic factors analyzed by artificial intelligence according to the present invention for the above-described radiopneumonia prognostic factors.

도 6에 도시된 바와 같이, 본 발명의 실시예에 따르면 각 예후인자의 중요도의 총합을 100으로 하였을 때 다양한 예후인자의 상대적 중요도를 제시함으로써 보다 직관적으로 예후인자의 중요도를 파악하도록 할 수 있다.As shown in FIG. 6, according to an embodiment of the present invention, when the total importance of each prognostic factor is 100, the relative importance of various prognostic factors is presented, so that the importance of the prognostic factor can be more intuitively identified.

또한, 도 6에 도시된 바와 같은 예후인자 중요도를 반영하여 치료 계획을 생성한 예시가 도 7에 도시되어 있다.In addition, an example of creating a treatment plan by reflecting the importance of prognostic factors as shown in FIG. 6 is shown in FIG. 7.

본 발명은 전술한 실시예 및 첨부된 도면에 의해 한정되는 것이 아니다. 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자에게 있어, 본 발명의 기술적 사상을 벗어나지 않는 범위 내에서 본 발명에 따른 구성요소를 치환, 변형 및 변경할 수 있다는 것이 명백할 것이다.The present invention is not limited by the above-described embodiments and the accompanying drawings. It will be apparent to those of ordinary skill in the art to which the present invention pertains, that components according to the present invention can be substituted, modified, and changed within the scope of the technical spirit of the present invention.

100: 인공지능을 이용한 암환자 예후인자 중요도 분석 및 치료계획 처방적 분석 시스템
110: 데이터 수집부
120: 데이터 추출부
130: 전처리부
140: 분석부
141: 통계 분석부
142: 메타 분석부
143: 인공지능 분석부
150: 결과 출력부
160: 치료계획 생성부100: Analysis of the importance of prognostic factors for cancer patients using artificial intelligence and treatment plan prescription analysis system
110: data collection unit
120: data extraction unit
130: pretreatment unit
140: analysis unit
141: statistical analysis unit
142: meta analysis unit
143: artificial intelligence analysis unit
150: result output section
160: treatment plan generation unit

Claims (9)

암환자 예후인자 중요도 분석을 위해 사용할 참조문헌 및 환자정보를 수집하는 데이터 수집부;
상기 참조문헌으로부터 메타분석에 사용할 데이터를 추출하고, 상기 환자정보로부터 인공지능 분석에 사용할 데이터를 추출하는 데이터 추출부;
상기 데이터 추출부에 의해 추출한 데이터에 대해 메타분석 및 인공지능 분석을 수행하여 각 예후인자가 암환자 치료 예후에 영향을 미치는 상대 중요도를 분석하는 분석부; 및
상기 분석부에 의한 분석 결과를 출력하는 결과 출력부를 포함하는 인공지능을 이용한 암환자 예후인자 중요도 분석 및 치료계획 처방적 분석 시스템.
A data collection unit that collects reference literature and patient information to be used for analyzing the importance of prognostic factors in cancer patients;
A data extracting unit for extracting data to be used for meta-analysis from the reference and extracting data to be used for artificial intelligence analysis from the patient information;
An analysis unit for analyzing the relative importance of each prognostic factor affecting a cancer patient treatment prognosis by performing meta-analysis and artificial intelligence analysis on the data extracted by the data extracting unit; And
A system for analyzing the importance of prognostic factors for cancer patients and prescribing treatment plans using artificial intelligence, including a result output unit for outputting the analysis result by the analysis unit.
 제 1 항에 있어서, 상기 분석부는,
상기 참조문헌으로부터 추출한 데이터에 대해 메타분석을 수행하여 예후인자별 오즈비(Odds ratio)를 추출하는 메타 분석부; 및
상기 환자정보를 이용하여 인공지능 학습을 수행하여 예후인자별 가중치(Variable Importance)를 추출하는 인공지능 분석부를 포함하는 것을 특징으로 하는 인공지능을 이용한 암환자 예후인자 중요도 분석 및 치료계획 처방적 분석 시스템.
The method of claim 1, wherein the analysis unit,
A meta-analyzing unit for extracting an odds ratio for each prognostic factor by performing meta-analysis on the data extracted from the reference; And
A system for analyzing the importance of prognostic factors for cancer patients using artificial intelligence and prescriptive analysis of treatment plans, characterized in that it includes an artificial intelligence analysis unit that performs artificial intelligence learning using the patient information and extracts variable importance for each prognostic factor. .
 제 2 항에 있어서,
상기 인공지능 분석부에서 사용하는 학습 알고리즘의 입력 데이터는 환자의 예후인자들이고, 출력 데이터는 생존율, 부작용 및 치료 효과 정보를 포함하며,
상기 인공지능 분석부는 상기 학습 알고리즘의 출력 데이터를 이용하여 상대 중요도 분석 알고리즘을 통해 각 예후인자별 가중치를 산출하는 것을 특징으로 하는 인공지능을 이용한 암환자 예후인자 중요도 분석 및 치료계획 처방적 분석 시스템.
The method of claim 2,
The input data of the learning algorithm used by the artificial intelligence analysis unit is the patient's prognostic factors, and the output data includes information on survival rates, side effects, and treatment effects,
The artificial intelligence analysis unit calculates a weight for each prognostic factor through a relative importance analysis algorithm by using the output data of the learning algorithm.A cancer patient prognostic factor importance analysis and treatment plan prescription analysis system using artificial intelligence.
 제 3 항에 있어서, 상기 분석부는,
통계적인 분석 방법에 의해 상기 환자정보를 분석하여 상관계수(Correlation coefficient)를 산출하는 통계 분석부를 더 포함하며,
상기 상관계수를 사용하여 상기 인공지능 분석부에 의해 산출된 가중치를 검증하는 것을 특징으로 하는 인공지능을 이용한 암환자 예후인자 중요도 분석 및 치료계획 처방적 분석 시스템.
The method of claim 3, wherein the analysis unit,
Further comprising a statistical analysis unit for calculating a correlation coefficient (Correlation coefficient) by analyzing the patient information by a statistical analysis method,
A system for analyzing the importance of prognostic factors in cancer patients and prescribing treatment plans using artificial intelligence, characterized in that the weights calculated by the artificial intelligence analysis unit are verified using the correlation coefficient.
 제 1 항에 있어서,
상기 데이터 추출부는 상기 참조문헌으로부터 후향성 연구 자료(Retrospective study), 환자 대조군 연구 자료(Case-control study) 및 임상 시험 자료(Clinical trial)를 추출하여 정형화하는 것을 특징으로 하는 인공지능을 이용한 암환자 예후인자 중요도 분석 및 치료계획 처방적 분석 시스템.
The method of claim 1,
The data extracting unit extracts retrospective study data, case-control study data, and clinical trial data from the reference to form a cancer patient using artificial intelligence. Prescription analysis system for prognostic factor importance analysis and treatment plan.
 제 1 항에 있어서,
상기 데이터 추출부는 상기 환자정보로부터 환자의 성별, 나이, 인구학적 정보, 조직학 정보, 치료 정보, 만성질환 유무, 종양 위치를 포함하는 예후인자 데이터를 추출하는 것을 특징으로 하는 인공지능을 이용한 암환자 예후인자 중요도 분석 및 치료계획 처방적 분석 시스템.
The method of claim 1,
The data extraction unit extracts prognostic factor data including the patient's gender, age, demographic information, histology information, treatment information, chronic disease presence, and tumor location from the patient information. Factor importance analysis and treatment plan prescriptive analysis system.
 제 1 항에 있어서,
상기 결과 출력부는 암환자의 질환명, 치료 방법, 부작용 종류, 메타분석에 의해 추출한 예후인자별 오즈비(Odds ratio), 인공신경망 학습에 의해 추출한 예후인자별 가중치, 참조문헌정보 및 인공신경망 모델 정보 항목 중 적어도 하나 이상을 포함하는 출력 화면을 제공하는 것을 특징으로 하는 인공지능을 이용한 암환자 예후인자 중요도 분석 및 치료계획 처방적 분석 시스템.
The method of claim 1,
The result output unit is the disease name, treatment method, side effect type, Odds ratio by prognostic factor extracted by meta-analysis, weight by prognostic factor extracted by artificial neural network learning, reference information, and artificial neural network model information. A system for analyzing the importance of prognostic factors for cancer patients and prescribing treatment plans using artificial intelligence, characterized in that an output screen including at least one of the items is provided.
 제 1 항에 있어서,
상기 데이터 추출부에 의해 추출한 데이터에 대한 전처리 과정을 수행하는 전처리부를 더 포함하는 것을 특징으로 하는 인공지능을 이용한 암환자 예후인자 중요도 분석 및 치료계획 처방적 분석 시스템.
The method of claim 1,
A pre-processing unit for performing a pre-processing process on the data extracted by the data extracting unit. A system for analyzing the importance of prognostic factors in cancer patients and prescribing treatment plans using artificial intelligence.
 제 1 항에 있어서,
상기 환자 정보를 기반으로 예후인자별 상대 중요도를 고려하여 하나 이상의 가상치료계획정보 데이터를 생성하는 치료계획 생성부를 더 포함하며,
상기 분석부는 상기 하나 이상의 가상치료계획정보에 따른 치료 예후를 재차 분석하고, 각 가상치료계획에 따른 예후 예측 결과를 비교 분석하여 처방적 분석(Prescriptive analytics)을 제공하는 것을 특징으로 하는 인공지능을 이용한 암환자 예후인자 중요도 분석 및 치료계획 처방적 분석 시스템.The method of claim 1,
Further comprising a treatment plan generator for generating one or more virtual treatment plan information data in consideration of the relative importance of each prognostic factor based on the patient information,
The analysis unit analyzes the treatment prognosis according to the one or more virtual treatment plan information again, compares and analyzes the prognosis prediction results according to each virtual treatment plan, and provides prescriptive analytics. A system for analyzing the importance of prognostic factors in cancer patients and prescribing treatment plans.
KR1020190095579A 2019-08-06 2019-08-06 System for Prescriptive Analytics and Variable Importance Analysis of Prognostic Factors for Cancer Patients using Artificial Intelligence KR102288056B1 (en)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020190095579A KR102288056B1 (en) 2019-08-06 2019-08-06 System for Prescriptive Analytics and Variable Importance Analysis of Prognostic Factors for Cancer Patients using Artificial Intelligence

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020190095579A KR102288056B1 (en) 2019-08-06 2019-08-06 System for Prescriptive Analytics and Variable Importance Analysis of Prognostic Factors for Cancer Patients using Artificial Intelligence

Publications (2)

Publication Number Publication Date
KR20210018610A true KR20210018610A (en) 2021-02-18
KR102288056B1 KR102288056B1 (en) 2021-08-11

Family

ID=74688562

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020190095579A KR102288056B1 (en) 2019-08-06 2019-08-06 System for Prescriptive Analytics and Variable Importance Analysis of Prognostic Factors for Cancer Patients using Artificial Intelligence

Country Status (1)

Country Link
KR (1) KR102288056B1 (en)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102429626B1 (en) * 2022-02-21 2022-08-05 가천대학교 산학협력단 An artificial intelligence system that derives the variable contribution to the variables that determine the optimal chemotherapy and the optimal anti-cancer chemotherapy for colorectal cancer patients
WO2023063528A1 (en) * 2021-10-12 2023-04-20 주식회사 바스젠바이오 Device and method for generating disease onset information by means of disease-related factor analysis based on time variability
WO2023229239A1 (en) * 2022-05-24 2023-11-30 차의과학대학교 산학협력단 Method for predicting and analyzing side effects of vaccine by using artificial intelligence learning model based on vaccine subject variable information, and apparatus therefor

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20170277855A1 (en) 2016-03-24 2017-09-28 Fujitsu Limited System and a method for assessing patient risk using open data and clinician input
KR20190009166A (en) 2017-07-18 2019-01-28 사회복지법인 삼성생명공익재단 Method, Apparatus and Program for Predicting Prognosis of Ovarian Cancer Using Machine Learning
KR101946402B1 (en) * 2017-10-31 2019-02-11 고려대학교산학협력단 Method and system for providing result of prospect of cancer treatment using artificial intelligence
KR101947725B1 (en) * 2017-10-13 2019-02-13 고려대학교 산학협력단 Method and system for providing result of prospect of cancer treatment

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20170277855A1 (en) 2016-03-24 2017-09-28 Fujitsu Limited System and a method for assessing patient risk using open data and clinician input
KR20190009166A (en) 2017-07-18 2019-01-28 사회복지법인 삼성생명공익재단 Method, Apparatus and Program for Predicting Prognosis of Ovarian Cancer Using Machine Learning
KR101947725B1 (en) * 2017-10-13 2019-02-13 고려대학교 산학협력단 Method and system for providing result of prospect of cancer treatment
KR101946402B1 (en) * 2017-10-31 2019-02-11 고려대학교산학협력단 Method and system for providing result of prospect of cancer treatment using artificial intelligence

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
Zsolt Zador외 3인. "Multivariable and Bayesian network analysis of outcome predictors in acute aneurysmal subarachnoid hemorrhage". OPERATIVE NEUROSURGERY. 제14권, 제6호, pp.603-610, 2017.07.31. 공개 1부.* *

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2023063528A1 (en) * 2021-10-12 2023-04-20 주식회사 바스젠바이오 Device and method for generating disease onset information by means of disease-related factor analysis based on time variability
KR102429626B1 (en) * 2022-02-21 2022-08-05 가천대학교 산학협력단 An artificial intelligence system that derives the variable contribution to the variables that determine the optimal chemotherapy and the optimal anti-cancer chemotherapy for colorectal cancer patients
WO2023229239A1 (en) * 2022-05-24 2023-11-30 차의과학대학교 산학협력단 Method for predicting and analyzing side effects of vaccine by using artificial intelligence learning model based on vaccine subject variable information, and apparatus therefor

Also Published As

Publication number Publication date
KR102288056B1 (en) 2021-08-11

Similar Documents

Publication Publication Date Title
Zhao et al. Propensity score matching with R: conventional methods and new features
Perveen et al. A systematic machine learning based approach for the diagnosis of non-alcoholic fatty liver disease risk and progression
Reed et al. Logistic regression for risk factor modelling in stuttering research
KR102288056B1 (en) System for Prescriptive Analytics and Variable Importance Analysis of Prognostic Factors for Cancer Patients using Artificial Intelligence
Barrett et al. Estimating the association between blood pressure variability and cardiovascular disease: An application using the ARIC Study
CN103714261B (en) Intelligent auxiliary medical treatment decision supporting method of two-stage mixed model
Wang et al. Mechanisms underlying local functional and phylogenetic beta diversity in two temperate forests
CN108351862A (en) The method and apparatus for determining development progress using artificial intelligence and user's input
CN104731843B (en) The method and system of origin and accuracy tradeoff in equilibrium criterion modeling
Speiser et al. Random forest classification of etiologies for an orphan disease
CN104598705B (en) For identifying the method and apparatus of subsurface material layer
Davagdorj et al. A machine-learning approach for predicting success in smoking cessation intervention
CN111161884A (en) Disease prediction method, device, equipment and medium for unbalanced data
Tavazzi et al. Leveraging process mining for modeling progression trajectories in amyotrophic lateral sclerosis
Farswan et al. Does ethnicity matter in multiple myeloma risk prediction in the era of genomics and novel agents? Evidence from real-world data
CN113936795A (en) Quantitative analysis method for risk factors of senile lung cancer onset
Mondal et al. Execution survey and state of the art of different ML-based ensemble classifiers approach contextual analysis of spam remark location
Madyatmadja et al. Big data analysis using rapidminer studio to predict suicide rate in several countries
Diao et al. Biomarker threshold adaptive designs for survival endpoints
Llorá et al. Towards better than human capability in diagnosing prostate cancer using infrared spectroscopic imaging
US20240152818A1 (en) Methods for mitigation of algorithmic bias discrimination, proxy discrimination and disparate impact
Mahammad et al. Machine Learning Approach to Predict Asthma Prevalence with Decision Trees
Enireddy et al. Nature Inspired Binary Grey Wolf Optimizer for Feature Selection in theDETECTION of NEURODEGENERATIVE (PARKINSON) DISEASE
Howe et al. A vision for cancer incidence surveillance in the United States
Dolgobrodov et al. Artificial neural network: predicted vs. observed survival in patients with colonic cancer

Legal Events

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