KR20210062265A - 전자의무기록 데이터 기반 반려동물 생애주기 예측 시스템 및 방법 - Google Patents

전자의무기록 데이터 기반 반려동물 생애주기 예측 시스템 및 방법 Download PDF

Info

Publication number
KR20210062265A
KR20210062265A KR1020190150275A KR20190150275A KR20210062265A KR 20210062265 A KR20210062265 A KR 20210062265A KR 1020190150275 A KR1020190150275 A KR 1020190150275A KR 20190150275 A KR20190150275 A KR 20190150275A KR 20210062265 A KR20210062265 A KR 20210062265A
Authority
KR
South Korea
Prior art keywords
life cycle
disease
companion animal
group
data
Prior art date
Application number
KR1020190150275A
Other languages
English (en)
Inventor
이헌규
강현섭
유기진
김성직
Original Assignee
(주)가이온
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 (주)가이온 filed Critical (주)가이온
Priority to KR1020190150275A priority Critical patent/KR20210062265A/ko
Publication of KR20210062265A publication Critical patent/KR20210062265A/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
    • G16H50/50—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for simulation or modelling of medical disorders
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • 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
    • 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

Landscapes

  • Health & Medical Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Medical Informatics (AREA)
  • Public Health (AREA)
  • Epidemiology (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Biomedical Technology (AREA)
  • Data Mining & Analysis (AREA)
  • Databases & Information Systems (AREA)
  • Pathology (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

본 발명은 동물병원의 전자의무기록(EMR) 데이터를 기초로 하여 반려동물의 생애주기를 예측하는 시스템 및 방법에 관한 것으로, 동물병원 전자의무기록 데이터를 수신하는 전자의무기록 데이터 수신부, 상기 수신한 전자의무기록 데이터에 포함된 질환명 및 처방약 정보를 표준화하고, 표준화된 주요 질환 별 반려동물 데이터를 추출하는 반려동물 데이터 추출부, 상기 추출된 반려동물 데이터를 기초로 반려동물의 종별, 성별 및 생애주기에 대응되는 그룹별 질환의 발병빈도 및 빈발패턴을 분석하는 발병패턴 분석부 및 상기 발병패턴 분석부의 분석 결과를 기초로 반려동물 생애주기 분류기를 구축하는 생애주기 분류기 구축부를 포함하는 생애주기 예측 시스템과 그 시스템의 동작 방법이 제공된다.

Description

전자의무기록 데이터 기반 반려동물 생애주기 예측 시스템 및 방법 {System and method for predicting life cycle based on EMR data of companion animals}
반려동물의 생애주기를 예측할 수 있도록 하는 시스템 및 방법에 관한 것으로, 동물병원의 전자의무기록(EMR; Electronic Medical Record) 데이터를 이용하여 반려동물의 종, 성별 및 생애주기별 주요 질병을 분석할 수 있도록 하는 시스템 및 방법에 관한 것이다.
국내 반려가구의 수가 증가함에 따라 반려동물 양육에 대한 경제적 부담이 증가하고 있다. 반려동물의 진료데이터를 통해 품종별, 성별, 생애주기별 건강정보를 분석하여 반려동물의 건강상태를 이해하고 더욱 체계적으로 관리할 필요가 있다. 또한 수의학적 발달에 의한 반려동물의 고령화 사회에서 반려동물의 질환을 예방할 수 있는 사회적 시스템이 요구되고 있다.
종래의 한국등록특허 제10-2016-0139229호 "사물 인터넷 기반 반려 동물 생애 주기 관리 시스템"은 반려동물에 착용되어 위치정보, 운동정보, 사료 및 물의 섭취량 등을 측정하는 장치를 이용하여 반려동물의 상태를 모니터링하고, 모니터링된 결과를 이용하여 반려동물의 생애주기를 관리할 수 있도록 하는 것이다. 그러나 이와 같은 기술을 사용한다고 하더라도, 수집된 반려동물의 상태 정보에 따라 반려동물을 관리하기 위해서는 반려동물의 생애주기에 대한 분류가 가능하도록 하는 생애주기 분류기를 구축할 필요가 있다.
한국공개특허 제10-2016-0139229호
본 발명은 반려동물 생애주기 분류기를 구축할 수 있도록 하는 것을 목적으로 한다.
본 발명은 전자의무기록(EMR) 데이터를 분석하여 생애주기 분류기를 구축할 수 있도록 함으로써, 대량의 데이터를 통해 정확한 생애주기 분류가 가능하도록 하는 것을 목적으로 한다.
본 발명은 반려동물 데이터의 질병정보 등을 표준화함으로써, 다양한 동물병원에서 기재된 전자의무기록(EMR) 데이터를 취합하여 사용할 수 있도록 하는 것을 목적으로 한다.
본 발명은 질환의 발병빈도에 대하여 분산분석을 수행하여, 유의미한 발병빈도의 차이가 있는 경우의 질환 정보를 기초로 생애주기를 분류하여, 정확한 생애주기 분류기 구축이 가능하도록 하는 것을 목적으로 한다.
본 발명은 DBN 모델을 이용하여 인공지능을 통해 생애주기 분류기를 구축하도록 함으로써, 정확도 높은 생애주기 분류기 구축이 가능하도록 하는 것을 목적으로 한다.
이러한 목적을 달성하기 위하여 본 발명의 일실시예에 따른 생애주기 예측 시스템은 동물병원 전자의무기록 데이터를 수신하는 전자의무기록 데이터 수신부, 상기 수신한 전자의무기록 데이터에 포함된 질환명 및 처방약 정보를 표준화하고, 표준화된 주요 질환 별 반려동물 데이터를 추출하는 반려동물 데이터 추출부, 상기 추출된 반려동물 데이터를 기초로 반려동물의 종별, 성별 및 생애주기에 대응되는 그룹별 질환의 발병빈도 및 빈발패턴을 분석하는 발병패턴 분석부 및 상기 발병패턴 분석부의 분석 결과를 기초로 반려동물 생애주기 분류기를 구축하는 생애주기 분류기 구축부를 포함하여 구성될 수 있다.
이 때, 상기 발병패턴 분석부는 상기 반려동물의 질환명 및 처방약 정보를 기초로 질환별 발병빈도 및 빈발패턴을 분석할 수 있다.
또한, 상기 발병패턴 분석부는 상기 그룹별 질환의 발병빈도에 대하여, 아래 수학식의 F값(F-value)을 구하고, 상기 F값이 소정의 기준치 이상인 경우 유의미한 그룹별 발병빈도 차이가 있는 경우로 판단할 수 있다.
[수학식]
Figure pat00001
이 때, 　
Figure pat00002
Figure pat00003
는 전체 질환 발생빈도의 평균,
Figure pat00004
Figure pat00005
는
Figure pat00006
Figure pat00007
그룹의 질환 발생빈도 평균,
Figure pat00008
Figure pat00009
는
Figure pat00010
Figure pat00011
그룹의
Figure pat00012
Figure pat00013
번째 샘플의 질환 발생빈도,
Figure pat00014
Figure pat00015
는 전체 그룹의 수,
Figure pat00016
Figure pat00017
는
Figure pat00018
Figure pat00019
그룹의 샘플 수 이다.
또한, 상기 생애주기 분류기 구축부는 상기 발병패턴 분석부에서 상기 유의미한 그룹별 발병빈도 차이가 있는 경우로 판단된 그룹별 질환 정보를 기초로 상기 생애주기 분류기를 구축할 수 있다.
이 때, 상기 생애주기 분류기 구축부는 상기 발병패턴 분석부에서 상기 유의미한 그룹별 발병빈도 차이가 있는 경우로 판단된 그룹별 질환 정보를 학습 데이터로 하여, DBN 모델을 구축하고, 상기 DBN 모델을 통하여 분석하여, 생애주기 분류기를 구축할 수 있다.
본 발명에 따르면 반려동물 생애주기 분류기를 구축할 수 있도록 하는 효과를 얻을 수 있다.
본 발명에 따르면 전자의무기록(EMR) 데이터를 분석하여 생애주기 분류기를 구축할 수 있도록 함으로써, 대량의 데이터를 통해 정확한 생애주기 분류가 가능하도록 하는 효과를 얻을 수 있다.
본 발명에 따르면 반려동물 데이터의 질병정보 등을 표준화함으로써, 다양한 동물병원에서 기재된 전자의무기록(EMR) 데이터를 취합하여 사용할 수 있도록 하는 효과를 얻을 수 있다.
본 발명에 따르면 질환의 발병빈도에 대하여 분산분석을 수행하여, 유의미한 발병빈도의 차이가 있는 경우의 질환 정보를 기초로 생애주기를 분류하여, 정확한 생애주기 분류기 구축이 가능하도록 하는 효과를 얻을 수 있다.
본 발명에 따르면 DBN 모델을 이용하여 인공지능을 통해 생애주기 분류기를 구축하도록 함으로써, 정확도 높은 생애주기 분류기 구축이 가능하도록 하는 효과를 얻을 수 있다.
도 1은 본 발명의 일실시예에 따른 생애주기 예측 시스템의 내부 구성을 도시한 구성도이다.
도 2은 본 발명의 일실시예에 따른 생애주기 예측 시스템에서 반려동물의 질환명을 표준화한 경우의 일례를 도시한 도면이다.
도 3은 본 발명의 일실시예에 따른 생애주기 예측 시스템에서 생애주기 분류를 표준화한 경우의 일례를 도시한 도면이다.
도 4은 본 발명의 일실시예에 따른 생애주기 예측 시스템에서 반려동물의 품종별 질환 발생을 분석한 결과의 일례를 도시한 도면이다.
도 5은 본 발명의 일실시예에 따른 생애주기 예측 시스템에서 반려동물의 성별 질환 발생을 분석한 결과의 일례를 도시한 도면이다.
도 6은 본 발명의 일실시예에 따른 생애주기 예측 시스템에서 반려동물의 생애주기별 질환 발생을 분석한 결과의 일례를 도시한 도면이다.
도 7은 본 발명의 일실시예에 따른 생애주기 예측 시스템에서 반려동물의 품종과 성별 및 생애주기별 질환의 발병패턴을 분석한 결과의 일례를 도시한 도면이다.
도 8은 본 발명의 일실시예에 따른 생애주기 예측 시스템에서 생애주기 분류기를 구축하기 위해 사용하는 DBN 모델의 구조 및 학습방법을 도시한 도면이다.
도 9는 본 발명의 일실시예에 따른 생애주기 예측 시스템에서 전자의무기록 데이터를 분석한 통계정보를 제공하는 화면을 도시한 도면이다.
도 10은 본 발명의 일실시예에 따른 생애주기 예측 방법의 흐름을 나타낸 흐름도이다.
이하, 본 발명의 바람직한 실시예를 첨부된 도면들을 참조하여 상세히 설명한다. 본 발명을 설명함에 있어, 관련된 공지 구성 또는 기능에 대한 구체적인 설명이 본 발명의 요지를 흐릴 수 있다고 판단되는 경우에는 그 상세한 설명은 생략하기로 한다. 또한 본 발명의 실시예들을 설명함에 있어 구체적인 수치는 실시예에 불과하며 이에 의하여 발명의 범위가 제한되지 아니한다.
본 발명에 따른 생애주기 예측 시스템은 중앙처리장치(CPU) 및 메모리(Memory, 기억장치)를 구비하고 인터넷 등의 통신망을 통하여 다른 단말기와 연결 가능한 서버의 형태로 구성될 수 있다. 그러나 본 발명이 중앙처리장치 및 메모리 등의 구성에 의해 한정되지는 아니한다. 또한, 본 발명에 따른 생애주기 예측 시스템은 서버와 같이 물리적으로 하나의 장치로 구성될 수도 있으며, 복수의 장치에 분산된 형태로 구현될 수도 있어, 본 발명은 이와 같은 물리적인 장치의 구성에 의하여 한정되지 아니한다.
도 1은 본 발명의 일실시예에 따른 생애주기 예측 시스템의 내부 구성을 도시한 구성도이다.
도면에 도시한 바와 같이, 생애주기 예측 시스템(101)은 전자의무기록 데이터 수신부(110), 반려동물 데이터 추출부(120), 발병패턴 분석부(130) 및 생애주기 분류기 구축부(140)를 포함하여 구성될 수 있다. 각각의 구성은 소프트웨어 및 하드웨어의 조합으로 이루어질 수 있고, 물리적으로 하나의 하드웨어 상에서 각각의 기능을 하는 복수의 소프트웨어 모듈의 형태로 구성되거나, 각각 물리적으로 구별되는 하드웨어 장치에서 구동되도록 구현되는 것도 가능하다.
전자의무기록 데이터 수신부(110)는 동물병원 전자의무기록(EMR; Electronic Medical Record) 데이터(102)를 수신한다. 전자의무기록 데이터(102)는 각각의 동물병원에 데이터베이스 형태로 구축되어 있는 데이터일 수 있으며, 여러 동물병원에서 생성된 전자의무기록 데이터를 취합하여 본 발명의 생애주기 예측 시스템(101) 내부에 저장한 데이터일 수도 있다. 전자의무기록 데이터(102)는 다양한 종류의 반려동물에 대하여 종, 성별, 생애주기에 대한 정보와 질병, 처방전 정보 등을 포함하고 있어, 전자의무기록 데이터를 분석함으로써, 반려동물의 종별, 성별, 생애주기별 분석이 가능하고 이를 통해 반려동물의 생애주기를 예측하는 것이 가능하다.
전자의무기록 데이터 수신부(110)에서 수신되는 전자의무기록 데이터(102)는 고차원 대용량 데이터이므로, 이를 수신하게 되면 빅데이터 분석 시스템을 이용하여 분석이 필요할 수 있으며, 전자의무기록 데이터 수신부(110)는 이와 같이 빅데이터 분석이 가능하도록 데이터의 포맷 등을 가공하는 동작을 수행할 수도 있다.
반려동물 데이터 추출부(120)는 상기 수신한 전자의무기록 데이터(102)에 포함된 질환명 및 처방약 정보를 표준화하고, 표준화된 주요 질환 별 반려동물 데이터를 추출한다. 전자의무기록 데이터(102)는 각각의 개별 동물병원에서 작성하는 것으로, 질환의 명칭과 처방약에 대한 정보가 각기 다른 용어로 정리되어 있을 수 있다. 따라서, 다양한 동물병원에서부터 수집되는 전자의무기록 데이터(102)를 정확히 분석하기 위해서는 이와 같은 질환명에 대한 정보와 처방약 정보를 표준화하는 것이 필요하다.
도 2은 본 발명의 일실시예에 따른 생애주기 예측 시스템에서 반려동물의 질환명을 표준화한 경우의 일례를 도시한 도면이다.
반려동물 데이터 추출부(120)는 도면에 도시한 바와 같이, 다양한 동물병원에서 생성된 전자의무기록 데이터에서 생성된 반려동물의 질환정보를 표준화하여, 국문명, 영문명을 질환코드로 변환할 수 있다. 도면에서와 같이, 국문 명칭인 관절염은 영문으로 Arthritis로 기재될 수 있는데, 이와 같은 경우 질환코드인 ART로 변환함으로써, 다양한 동물병원에서 수집되는 데이터를 표준화할 수 있다.
반려동물 데이터 추출부(120)에서 이와 같이 질환명 또는 처방약 정보를 표준화하기 위해서는 주요 질환에 대하여 국문명과 영문명을 각각 질환코드에 대응시키는 질환 사전 데이터베이스를 구축할 수 있으며, 각각의 명칭에 대한 유의어 사전 데이터베이스를 구축하거나, 유사어에 대한 매칭 모듈을 이용하여 다양한 동물병원에서 기재한 질환명 또는 처방약 정보를 표준화하도록 할 수 있다.
또한, 반려동물 데이터 추출부(120)는 생애주기 정보를 표준화하는 작업도 수행할 수 있다. 전자의무기록 데이터(102)에는 보통 반려동물의 연령에 대한 정보가 포함되어 있는데, 이를 정해진 개수의 생애주기로 표준화하여 생애주기별 분석이 가능하도록 한다.
도 3은 본 발명의 일실시예에 따른 생애주기 예측 시스템에서 생애주기 분류를 표준화한 경우의 일례를 도시한 도면이다.
도면은 반려견을 대상으로 생애주기를 표준화한 것을 나타내고 있는데, 반려동물 데이터 추출부(120)는 도면에 도시한 바와 같이, 연령의 범위에 따라 생애주기를 선정하고, 이를 테이블로 구성하여, 전자의무기록 데이터(102)에 저장된 연령 정보를 기초로 생애주기를 선정할 수 있다. 이 때, 생애주기의 범위는 반려동물의 종류 등에 따라서 다르게 구성될 수 있다.
발병패턴 분석부(130)는 상기 추출된 반려동물 데이터를 기초로 반려동물의 종별, 성별 및 생애주기에 대응되는 그룹별 질환의 발병빈도 및 빈발패턴을 분석한다. 반려동물 데이터 추출부(120)에서 추출된 반려동물 데이터에는 반려동물의 종 정보, 성별 정보 및 생애주기 정보가 포함되어 있으므로, 이를 통해 반려동물 데이터를 복수의 그룹으로 분류하고, 분류된 그룹별 질환의 발병빈도와 빈발패턴 등을 분석하도록 한다. 이 때 생애주기 정보는 상기 반려동물 데이터 추출부(120)에서 표준화한 정보일 수 있다.
발병패턴 분석부(130)는 상기 복수의 그룹별 발병빈도 및 빈발패턴을 분석하기 위하여, 상기 반려동물 데이터 추출부(120)에서 표준화한 질환명 및 처방약 정보를 이용할 수 있다. 상기 분류된 각 그룹별로, 표준화된 질환명에 대응되는 반려동물의 수를 계산하고, 표준화된 처방약 정보에 대응되는 반려동물의 수를 계산하여, 이에 대한 통계분석을 통해 그룹별 발병빈도 및 빈발패턴을 분석할 수 있다.
발병패턴 분석부(130)는 상기 그룹별 질환의 발병빈도에 대하여, 아래 수학식의 F값(F-value)을 구하고, 상기 F값이 소정의 기준치 이상인 경우 유의미한 그룹별 발병빈도 차이가 있는 경우로 판단할 수 있다.
[수학식]
Figure pat00020
이 때, 　
Figure pat00021
Figure pat00022
는 전체 질환 발생빈도의 평균,
Figure pat00023
Figure pat00024
는
Figure pat00025
Figure pat00026
그룹의 질환 발생빈도 평균,
Figure pat00027
Figure pat00028
는
Figure pat00029
Figure pat00030
그룹의
Figure pat00031
Figure pat00032
번째 샘플의 질환 발생빈도,
Figure pat00033
Figure pat00034
는 전체 그룹의 수,
Figure pat00035
Figure pat00036
는
Figure pat00037
Figure pat00038
그룹의 샘플 수 이다.
이와 같은 분석 방법을 분산분석(ANOVA; Analysis of Variance)이라고 하는데, 이와 같이 계산된 F값이 클수록 그룹 간의 차이가 뚜렷한 질병을 의미한다.
따라서, 발병패턴 분석부(130)는 F값이 소정의 기준치 이상의 값을 가지는 경우만 유의미한 데이터로 인식하여 이를 분석데이터로 활용하도록 추출하는 것이 가능하다.
발병패턴 분석부(130)는 품종과 성별, 생애주기, 질환, 처방약 등 통합된 데이터에서 빈발하는 패턴을 검색하여 빈발패턴을 분석한다. 빈발패턴 분석은 트랜잭션 데이터에서 빈번히 발생하는 패턴을 검색하는 방법이다. 대표적으로 기업의 구매 상품 집합이나 접속 웹페이지 집합을 분석하기 위해 사용되고, 생물학에서는 질병의 원인 유전자 집합을 발견하기 위해 사용된다. 모든 항목 (item)의 집합을 I라고 하면, 여러 개의 항목으로 구성된 트랜잭션 (transaction) T는 집합 I의 부분 집합이고 , 패턴 P를 포함할 수 있다 . 최소 지지도(minimum support)보다 빈발하게 발생하는 패턴 P를 빈발 패턴으로 정의하고 빈발패턴을 분석할 수 있다.
발병패턴 분석부(130)에서 수행되는 빈발패턴 분석을 통해 견종과 성별, 생애주기 등에 따라 다르게 질환이 발병하는 것을 확인할 수 있다. 이처럼 반려동물의 신체정보와 의료정보들 간의 상관관계를 나타내는 빈발패턴을 이용하여, 다음 절에서 반려동물의 생애주기를 분류하는 모델을 학습한다. 그러나 모델의 과적합 (overfitting) 문제를 피하지만 정확한 모델을 구축하기 위해, 나이 정보를 포함하지 않은 빈발패턴을 검색하여 학습데이터에 추가하는 것이 가능하다.
생애주기 분류기 구축부(140)는 상기 발병패턴 분석부(130)의 분석 결과를 기초로 반려동물 생애주기 분류기를 구축한다. 반려동물의 생애주기 분류기를 구축하기 위해서, 본 발명에서는 인공지능 기술을 적용할 수 있는데, 대표적으로 DBN 모델을 이용할 수 있다.
생애주기 분류기 구축부(140)에서 사용하는 DBN 모델은 입력층 (input layer)과 은닉층 (hidden layer)으로 구성된 restricted Boltzmann machine (RBM)을 multi-layer perceptron (MLP) 구조로 쌓은 딥러닝 모델이다. 오류역전파 (error back-propagation) 알고리즘을 적용한 심층 신경망은 출력층보다 입력층의 가중치가 잘 교정되지 않는 오차소멸 (vanishing gradient) 문제를 가진다. 이 문제를 해결하기 위해, 층을 쌓으면서 가중치 (weight)를 계산하는 층별 사전훈련 (layerwise pre-training) 방법을 적용한 DBN이 제안되었다. DBN은 입력층 데이터만으로 사전훈련하는 RBM의 은닉층 값을 다음 단계 RBM의 입력층에 전달하는 비감독학습 (unsupervised learning) 구조이다. 본 발명에서는, 분류 문제를 풀기 위해 MLP의 가중치를 역으로 학습 및 조정해 나가는 감독학습을 이용할 수도 있다.
도 4은 본 발명의 일실시예에 따른 생애주기 예측 시스템에서 반려동물의 품종별 질환 발생을 분석한 결과의 일례를 도시한 도면이다.
도면에 도시한 바와 같이, 품종별 질병 종류에 따른 발병빈도를 분석하게 되면, 각각의 질병에 따라 F값(F-value)을 구할 수 있고, 이를 통해, 그룹별 차이가 유의미하게 나타나는 질병을 확인할 수 있으며, 이와 같이 그룹별 차이를 유의미하게 나타내는 질병에 관한 정보를 생애주기 예측에 사용하도록 구성하는 것이 가능하다.
도면에서는 심장판막 이상(MVI), 피부 질환(DMT), 신부전(RNF) 등의 질환에 대한 정보가 생애주기 예측에 효과적으로 사용될 수 있음을 확인할 수 있다.
도 5은 본 발명의 일실시예에 따른 생애주기 예측 시스템에서 반려동물의 성별 질환 발생을 분석한 결과의 일례를 도시한 도면이다.
도면에 도시된 바와 같이, 반려동물의 성별에 따라서, 질환의 발생 패턴이 달라질 수 있다. 이 또한 마찬가지로, F값에 따라서, 유의미한 분류 결과를 나타내는 질병을 구별해 낼 수 있으며, 성별에 따라서는 심장판막 이상(MVI), 피부 질환(DMT), 관절염(ART) 등의 질환이 효과적으로 사용될 수 있음을 확인할 수 있다.
도 6은 본 발명의 일실시예에 따른 생애주기 예측 시스템에서 반려동물의 생애주기별 질환 발생을 분석한 결과의 일례를 도시한 도면이다.
도면에 도시된 바와 같이, 생애주기별 질환의 영향을 분석할 수 있으며, 위의 경우와 마찬가지로 F값을 이용하여 유의미한 분류가 가능한 질병을 확인할 수 있다. 생애주기와 관련해서는 심장판막 이상(MVI), 피부 질환(DMT), 신부전(RNF) 등의 질병이 유의미한 분류 결과를 나타내는 것을 확인할 수 있다.
도 7은 본 발명의 일실시예에 따른 생애주기 예측 시스템에서 반려동물의 품종과 성별 및 생애주기별 질환의 발병패턴을 분석한 결과의 일례를 도시한 도면이다.
도면에 도시한 바와 같이, 발병빈도 분석 결과를 종합하면, 빈발패턴 분석을 통해 견종과 성별, 생애주기 등에 따라 다르게 질환이 발병하는 것을 확인할 수 있다. 이처럼 반려동물의 신체정보와 의료정보들 간의 상관관계를 나타내는 빈발패턴을 이용하여, 반려동물의 생애주기를 분류하는 DBN모델을 학습한다. 그러나 모델의 과적합 (overfitting) 문제를 피하지만 정확한 모델을 구축하기 위해, 나이 정보를 포함하지 않은 빈발패턴을 검색하여 학습데이터에 추가하는 것도 가능하다.
도 8은 본 발명의 일실시예에 따른 생애주기 예측 시스템에서 생애주기 분류기를 구축하기 위해 사용하는 DBN 모델의 구조 및 학습방법을 도시한 도면이다.
앞서 설명한 바와 같이, DBN은 입력층 (input layer)과 은닉층 (hidden layer)으로 구성된 restricted Boltzmann machine (RBM)을 multi-layer perceptron (MLP) 구조로 쌓은 딥러닝 모델이다. 오류역전파 (error back-propagation) 알고리즘을 적용한 심층 신경망은 출력층보다 입력층의 가중치가 잘 교정되지 않는 오차소멸 (vanishing gradient) 문제를 가진다. 이 문제를 해결하기 위해, 층을 쌓으면서 가중치 (weight)를 계산하는 층별 사전훈련 (layerwise pre-training) 방법을 적용한 DBN이 제안되었다. DBN은 입력층 데이터만으로 사전훈련하는 RBM의 은닉층 값을 다음 단계 RBM의 입력층에 전달하는 비감독학습 (unsupervised learning) 구조이다. 하지만, 분류 문제를 풀기 위해 MLP의 가중치를 역으로 학습 및 조정해 나가는 감독학습을 이용할 수 있다.
도면에 도시된 바와 같이, RBM1은 입력 벡터 (V)로부터 사전훈련하여 은닉층 (h1)을 학습하고 가중치 (w1)를 산출한다. 그리고 RBM1의 은닉층 (h1)을 RBM2의 입력벡터 (h1)로 취급하여 다음 은닉층 (h2)을 학습한다. 결국 이 과정을 n번 반복하면 n개 RBM의 은닉층 (h1, h2, ... ,hn-1, hn)과 가중치 (w1, w2, ..., wn-1, wn)로 구성된 DBN을 생성한다. 마지막으로 반려동물의 생애주기를 분류하기 위해, 오류 역전파 알고리즘을 통해 출력층부터 입력층까지 생성되어있는 가중치들을 조정하여 DBN을 학습한다. 따라서 감독학습 방법을 추가하여 가중치를 미세조정 (fine-tuning)함으로써, 분류모델의 성능을 향상시킨다.
그러나 DBN의 미세조정 과정은 학습 데이터의 사이즈가 클수록 더 오랜 시간이 필요하다. 또한, 대용량의 전국단위 동물병원 전자차트 데이터를 분석하기 위해 효율적으로 처리할 수 있는 기법이 필요하다. 따라서 본 논문에서는 기존의 DBN 알고리즘의 확장성 및 통합 진료데이터의 분산병렬처리를 위해 맵리듀스(MapReduce) 기법을 적용할 수 있다.
맵리듀스(MapReduce)는 두 함수 Map과 Reduce로 구성되고, 정수, 실수, 문자열, 바이트열 또는 임의 구조 형태로 (key, value) 쌍의 자료구조를 가진다. 대용량 데이터를 고정 크기의 블록으로 분할하여 여러 노드에 분산-입력하고, 각 노드 내에서 동일한 Map 함수가 병렬적으로 실행한다. Map 함수는 데이터를 변형 (transformation)하여 (key, value) 결과를 출력하고, key를 기준으로 결과를 정렬 및 병합하여 동일한 key를 가지는 (key, value) 쌍 그룹들을 반환한다. 각 그룹에 동일한 Reduce 함수를 적용하여 병렬적으로 데이터를 집계연산 (aggregation)하고, 산출된 결과를 분산 파일시스템에 기록한다.
DBN 학습 과정 중 미세조정이 가장 많은 시간을 소비하기 때문에, 미세조정 과정을 MapReduce를 이용하여 병렬적으로 실행할 수 있다.모든 진료데이터에 동일한 Map함수를 적용하여 DBN의 새로운 가중치를 산출하고, 사전훈련 시 생성된 기존 가중치와의 오차를 계산한다. 동일한 Reduce 함수가 진료데이터로부터 산출된 각 가중치의 오차 합을 계산하고, 합계된 가중치 값을 이용하여 DBN을 학습할 수 있다.
도 9는 본 발명의 일실시예에 따른 생애주기 예측 시스템에서 전자의무기록 데이터를 분석한 통계정보를 제공하는 화면을 도시한 도면이다.
도면에 도시한 바와 같이, 본 발명에 따른 생애주기 예측 시스템(101)은 전자의무기록 데이터(102)로부터 분석된 반려동물 생애주기 분석 결과를 통계정보로 시각화하여 디스플레이 화면 등을 통해 제공할 수 있으며, 이를 통해 반려동물의 생애주기별 맞춤형 관리가 가능하도록 할 수 있다.
도 10은 본 발명의 일실시예에 따른 생애주기 예측 방법의 흐름을 나타낸 흐름도이다.
본 발명에 따른 생애주기 예측 방법은 중앙처리장치 및 메모리를 구비하는 생애주기 예측 시스템(101)에서 동작하는 방법으로, 중앙처리장치 및 메모리를 구비하는 하드웨어에서 동작할 수 있도록 소프트웨어 어플리케이션 또는 모듈 형태로 구현될 수 있다.
본 발명에 따른 생애주기 예측 방법은 상술한 생애주기 예측 시스템(101)의 기술적인 특징을 그대로 가지고 있는 것으로, 아래 설명한 내용 이외에도 위에서 생애주기 예측 시스템(101)을 설명한 기술적인 사항을 모두 적용 가능하다.
전자의무기록 데이터 수신 단계(S1001)는 동물병원 전자의무기록(EMR; Electronic Medical Record) 데이터(102)를 수신한다. 전자의무기록 데이터(102)는 각각의 동물병원에 데이터베이스 형태로 구축되어 있는 데이터일 수 있으며, 여러 동물병원에서 생성된 전자의무기록 데이터를 취합하여 본 발명의 생애주기 예측 시스템(101) 내부에 저장한 데이터일 수도 있다. 전자의무기록 데이터(102)는 다양한 종류의 반려동물에 대하여 종, 성별, 생애주기에 대한 정보와 질병, 처방전 정보 등을 포함하고 있어, 전자의무기록 데이터를 분석함으로써, 반려동물의 종별, 성별, 생애주기별 분석이 가능하고 이를 통해 반려동물의 생애주기를 예측하는 것이 가능하다.
전자의무기록 데이터 수신 단계(S1001)에서 수신되는 전자의무기록 데이터(102)는 고차원 대용량 데이터이므로, 이를 수신하게 되면 빅데이터 분석 시스템을 이용하여 분석이 필요할 수 있으며, 전자의무기록 데이터 수신부(110)는 이와 같이 빅데이터 분석이 가능하도록 데이터의 포맷 등을 가공하는 동작을 수행할 수도 있다.
반려동물 데이터 추출 단계(S1002)는 상기 수신한 전자의무기록 데이터(102)에 포함된 질환명 및 처방약 정보를 표준화하고, 표준화된 주요 질환 별 반려동물 데이터를 추출한다. 전자의무기록 데이터(102)는 각각의 개별 동물병원에서 작성하는 것으로, 질환의 명칭과 처방약에 대한 정보가 각기 다른 용어로 정리되어 있을 수 있다. 따라서, 다양한 동물병원에서부터 수집되는 전자의무기록 데이터(102)를 정확히 분석하기 위해서는 이와 같은 질환명에 대한 정보와 처방약 정보를 표준화하는 것이 필요하다.
반려동물 데이터 추출 단계(S1002)에서 이와 같이 질환명 또는 처방약 정보를 표준화하기 위해서는 주요 질환에 대하여 국문명과 영문명을 각각 질환코드에 대응시키는 질환 사전 데이터베이스를 구축할 수 있으며, 각각의 명칭에 대한 유의어 사전 데이터베이스를 구축하거나, 유사어에 대한 매칭 모듈을 이용하여 다양한 동물병원에서 기재한 질환명 또는 처방약 정보를 표준화하도록 할 수 있다.
또한, 반려동물 데이터 추출 단계(S1002)는 생애주기 정보를 표준화하는 작업도 수행할 수 있다. 전자의무기록 데이터(102)에는 보통 반려동물의 연령에 대한 정보가 포함되어 있는데, 이를 정해진 개수의 생애주기로 표준화하여 생애주기별 분석이 가능하도록 한다.
발병패턴 분석 단계(S1003)는 상기 추출된 반려동물 데이터를 기초로 반려동물의 종별, 성별 및 생애주기에 대응되는 그룹별 질환의 발병빈도 및 빈발패턴을 분석한다. 반려동물 데이터 추출 단계(S1002)에서 추출된 반려동물 데이터에는 반려동물의 종 정보, 성별 정보 및 생애주기 정보가 포함되어 있으므로, 이를 통해 반려동물 데이터를 복수의 그룹으로 분류하고, 분류된 그룹별 질환의 발병빈도와 빈발패턴 등을 분석하도록 한다. 이 때 생애주기 정보는 상기 반려동물 데이터 추출 단계(S1002)에서 표준화한 정보일 수 있다.
발병패턴 분석 단계(S1003)는 상기 복수의 그룹별 발병빈도 및 빈발패턴을 분석하기 위하여, 상기 반려동물 데이터 추출 단계(S1002)에서 표준화한 질환명 및 처방약 정보를 이용할 수 있다. 상기 분류된 각 그룹별로, 표준화된 질환명에 대응되는 반려동물의 수를 계산하고, 표준화된 처방약 정보에 대응되는 반려동물의 수를 계산하여, 이에 대한 통계분석을 통해 그룹별 발병빈도 및 빈발패턴을 분석할 수 있다.
발병패턴 분석 단계(S1003)는 상기 그룹별 질환의 발병빈도에 대하여, 아래 수학식의 F값(F-value)을 구하고, 상기 F값이 소정의 기준치 이상인 경우 유의미한 그룹별 발병빈도 차이가 있는 경우로 판단할 수 있다.
[수학식]
Figure pat00039
이 때, 　
Figure pat00040
Figure pat00041
는 전체 질환 발생빈도의 평균,
Figure pat00042
Figure pat00043
는
Figure pat00044
Figure pat00045
그룹의 질환 발생빈도 평균,
Figure pat00046
Figure pat00047
는
Figure pat00048
Figure pat00049
그룹의
Figure pat00050
Figure pat00051
번째 샘플의 질환 발생빈도,
Figure pat00052
Figure pat00053
는 전체 그룹의 수,
Figure pat00054
Figure pat00055
는
Figure pat00056
Figure pat00057
그룹의 샘플 수 이다.
생애주기 분류기 구축 단계(S1004)는 상기 발병패턴 분석부(130)의 분석 결과를 기초로 반려동물 생애주기 분류기를 구축한다. 반려동물의 생애주기 분류기를 구축하기 위해서, 본 발명에서는 인공지능 기술을 적용할 수 있는데, 대표적으로 DBN 모델을 이용할 수 있다.
생애주기 분류기 구축 단계(S1004)에서 사용하는 DBN 모델은 입력층 (input layer)과 은닉층 (hidden layer)으로 구성된 restricted Boltzmann machine (RBM)을 multi-layer perceptron (MLP) 구조로 쌓은 딥러닝 모델이다. 오류역전파 (error back-propagation) 알고리즘을 적용한 심층 신경망은 출력층보다 입력층의 가중치가 잘 교정되지 않는 오차소멸 (vanishing gradient) 문제를 가진다. 이 문제를 해결하기 위해, 층을 쌓으면서 가중치 (weight)를 계산하는 층별 사전훈련 (layerwise pre-training) 방법을 적용한 DBN이 제안되었다. DBN은 입력층 데이터만으로 사전훈련하는 RBM의 은닉층 값을 다음 단계 RBM의 입력층에 전달하는 비감독학습 (unsupervised learning) 구조이다. 본 발명에서는, 분류 문제를 풀기 위해 MLP의 가중치를 역으로 학습 및 조정해 나가는 감독학습을 이용할 수도 있다.
이와 같은, 생애주기 예측 방법은 애플리케이션으로 구현되거나 다양한 컴퓨터 구성요소를 통하여 수행될 수 있는 프로그램 명령어의 형태로 구현되어 컴퓨터 판독 가능한 기록 매체에 기록될 수 있다. 상기 컴퓨터 판독 가능한 기록 매체는 프로그램 명령어, 데이터 파일, 데이터 구조 등을 단독으로 또는 조합하여 포함할 수 있다.
상기 컴퓨터 판독 가능한 기록 매체에 기록되는 프로그램 명령어는 본 발명을 위하여 특별히 설계되고 구성된 것들이거나, 컴퓨터 소프트웨어 분야의 당업자에게 공지되어 사용 가능한 것일 수도 있다.
컴퓨터 판독 가능한 기록 매체의 예에는, 하드 디스크, 플로피 디스크 및 자기 테이프와 같은 자기 매체, CDROM, DVD 와 같은 광기록 매체, 플롭티컬 디스크(floptical disk)와 같은 자기-광 매체(magneto-optical media), 및 ROM, RAM, 플래시 메모리 등과 같은 프로그램 명령어를 저장하고 수행하도록 특별히 구성된 하드웨어 장치가 포함된다.
프로그램 명령어의 예에는, 컴파일러에 의해 만들어지는 것과 같은 기계어 코드뿐만 아니라 인터프리터 등을 사용해서 컴퓨터에 의해서 실행될 수 있는 고급 언어 코드도 포함된다. 상기 하드웨어 장치는 본 발명에 따른 처리를 수행하기 위해 하나 이상의 소프트웨어 모듈로서 작동하도록 구성될 수 있으며, 그 역도 마찬가지이다.
이상에서는 실시예들을 참조하여 설명하였지만, 해당 기술 분야의 숙련된 당업자는 하기의 특허 청구범위에 기재된 본 발명의 사상 및 영역으로부터 벗어나지 않는 범위 내에서 본 발명을 다양하게 수정 및 변경시킬 수 있다.
101: 생애주기 예측 시스템
102: 전자의무기록 데이터
110: 전자의무기록 데이터 수신부
120: 반려동물 데이터 추출부
130: 발병패턴 분석부
140: 생애주기 분류기 구축부

Claims (11)

  1. 동물병원 전자의무기록 데이터를 수신하는 전자의무기록 데이터 수신부;
    상기 수신한 전자의무기록 데이터에 포함된 질환명 및 처방약 정보를 표준화하고, 표준화된 주요 질환 별 반려동물 데이터를 추출하는 반려동물 데이터 추출부;
    상기 추출된 반려동물 데이터를 기초로 반려동물의 종별, 성별 및 생애주기에 대응되는 그룹별 질환의 발병빈도 및 빈발패턴을 분석하는 발병패턴 분석부; 및
    상기 발병패턴 분석부의 분석 결과를 기초로 반려동물 생애주기 분류기를 구축하는 생애주기 분류기 구축부
    를 포함하는 생애주기 예측 시스템.
  2. 제1항에 있어서,
    상기 발병패턴 분석부는
    상기 반려동물의 질환명 및 처방약 정보를 기초로 질환별 발병빈도 및 빈발패턴을 분석하는 것
    을 특징으로 하는 생애주기 예측 시스템.
  3. 제2항에 있어서,
    상기 발병패턴 분석부는
    상기 그룹별 질환의 발병빈도에 대하여, 아래 수학식의 F값(F-value)을 구하고, 상기 F값이 소정의 기준치 이상인 경우 유의미한 그룹별 발병빈도 차이가 있는 경우로 판단하는 것
    을 특징으로 하는 생애주기 예측 시스템.
    [수학식]
    Figure pat00058

    이 때, 　
    Figure pat00059
    Figure pat00060
    는 전체 질환 발생빈도의 평균,
    Figure pat00061
    Figure pat00062
    는
    Figure pat00063
    Figure pat00064
    그룹의 질환 발생빈도 평균,
    Figure pat00065
    Figure pat00066
    는
    Figure pat00067
    Figure pat00068
    그룹의
    Figure pat00069
    Figure pat00070
    번째 샘플의 질환 발생빈도,
    Figure pat00071
    Figure pat00072
    는 전체 그룹의 수,
    Figure pat00073
    Figure pat00074
    는
    Figure pat00075
    Figure pat00076
    그룹의 샘플 수 이다.
  4. 제3항에 있어서,
    상기 생애주기 분류기 구축부는
    상기 발병패턴 분석부에서 상기 유의미한 그룹별 발병빈도 차이가 있는 경우로 판단된 그룹별 질환 정보를 기초로 상기 생애주기 분류기를 구축하는 것
    을 특징으로 하는 생애주기 예측 시스템.
  5. 제4항에 있어서,
    상기 생애주기 분류기 구축부는
    상기 발병패턴 분석부에서 상기 유의미한 그룹별 발병빈도 차이가 있는 경우로 판단된 그룹별 질환 정보를 학습 데이터로 하여, DBN 모델을 구축하고, 상기 DBN 모델을 통하여 분석하여, 생애주기 분류기를 구축하는 것
    을 특징으로 하는 생애주기 예측 시스템.
  6. 중앙처리장치와 메모리를 구비하는 생애주기 예측 시스템에서 동작하는 생애주기 예측 방법에 있어서,
    동물병원 전자의무기록 데이터를 수신하는 전자의무기록 데이터 수신 단계;
    상기 수신한 전자의무기록 데이터에 포함된 질환명 및 처방약 정보를 표준화하고, 표준화된 주요 질환 별 반려동물 데이터를 추출하는 반려동물 데이터 추출 단계;
    상기 추출된 반려동물 데이터를 기초로 반려동물의 종별, 성별 및 생애주기에 대응되는 그룹별 질환의 발병빈도 및 빈발패턴을 분석하는 발병패턴 분석 단계; 및
    상기 발병패턴 분석부의 분석 결과를 기초로 반려동물 생애주기 분류기를 구축하는 생애주기 분류기 구축 단계
    를 포함하는 생애주기 예측 방법.
  7. 제6항에 있어서,
    상기 발병패턴 분석 단계는
    상기 반려동물의 질환명 및 처방약 정보를 기초로 질환별 발병빈도 및 빈발패턴을 분석하는 것
    을 특징으로 하는 생애주기 예측 방법.
  8. 제7항에 있어서,
    상기 발병패턴 분석 단계는
    상기 그룹별 질환의 발병빈도에 대하여, 아래 수학식의 F값(F-value)을 구하고, 상기 F값이 소정의 기준치 이상인 경우 유의미한 그룹별 발병빈도 차이가 있는 경우로 판단하는 것
    을 특징으로 하는 생애주기 예측 방법.
    [수학식]
    Figure pat00077

    이 때, 　
    Figure pat00078
    Figure pat00079
    는 전체 질환 발생빈도의 평균,
    Figure pat00080
    Figure pat00081
    는
    Figure pat00082
    Figure pat00083
    그룹의 질환 발생빈도 평균,
    Figure pat00084
    Figure pat00085
    는
    Figure pat00086
    Figure pat00087
    그룹의
    Figure pat00088
    Figure pat00089
    번째 샘플의 질환 발생빈도,
    Figure pat00090
    Figure pat00091
    는 전체 그룹의 수,
    Figure pat00092
    Figure pat00093
    는
    Figure pat00094
    Figure pat00095
    그룹의 샘플 수 이다.
  9. 제8항에 있어서,
    상기 생애주기 분류기 구축 단계는
    상기 발병패턴 분석부에서 상기 유의미한 그룹별 발병빈도 차이가 있는 경우로 판단된 그룹별 질환 정보를 기초로 상기 생애주기 분류기를 구축하는 것
    을 특징으로 하는 생애주기 예측 방법.
  10. 제9항에 있어서,
    상기 생애주기 분류기 구축 단계는
    상기 발병패턴 분석부에서 상기 유의미한 그룹별 발병빈도 차이가 있는 경우로 판단된 그룹별 질환 정보를 학습 데이터로 하여, DBN 모델을 구축하고, 상기 DBN 모델을 통하여 분석하여, 생애주기 분류기를 구축하는 것
    을 특징으로 하는 생애주기 예측 방법.
  11. 제6항 내지 제10항 중 어느 한 항의 방법을 실행하기 위한 프로그램을 기록한 컴퓨터 판독 가능한 기록매체.
KR1020190150275A 2019-11-21 2019-11-21 전자의무기록 데이터 기반 반려동물 생애주기 예측 시스템 및 방법 KR20210062265A (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020190150275A KR20210062265A (ko) 2019-11-21 2019-11-21 전자의무기록 데이터 기반 반려동물 생애주기 예측 시스템 및 방법

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020190150275A KR20210062265A (ko) 2019-11-21 2019-11-21 전자의무기록 데이터 기반 반려동물 생애주기 예측 시스템 및 방법

Publications (1)

Publication Number Publication Date
KR20210062265A true KR20210062265A (ko) 2021-05-31

Family

ID=76150083

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020190150275A KR20210062265A (ko) 2019-11-21 2019-11-21 전자의무기록 데이터 기반 반려동물 생애주기 예측 시스템 및 방법

Country Status (1)

Country Link
KR (1) KR20210062265A (ko)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20220167001A (ko) * 2021-06-11 2022-12-20 주식회사 에필 반려동물 의료데이터 표준화 방법 및 장치, 그리고 이를 이용한 반려동물 질병 발생 예측 방법

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20160139229A (ko) 2015-05-27 2016-12-07 유성연 사물 인터넷 기반 반려 동물 생애 주기 관리 시스템

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20160139229A (ko) 2015-05-27 2016-12-07 유성연 사물 인터넷 기반 반려 동물 생애 주기 관리 시스템

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20220167001A (ko) * 2021-06-11 2022-12-20 주식회사 에필 반려동물 의료데이터 표준화 방법 및 장치, 그리고 이를 이용한 반려동물 질병 발생 예측 방법

Similar Documents

Publication Publication Date Title
Cheng et al. Risk prediction with electronic health records: A deep learning approach
Bashir et al. BagMOOV: A novel ensemble for heart disease prediction bootstrap aggregation with multi-objective optimized voting
CN110659742B (zh) 获取用户行为序列的序列表示向量的方法和装置
CN111881671B (zh) 一种属性词提取方法
Vidhya et al. Deep learning based big medical data analytic model for diabetes complication prediction
Wang et al. Patient admission prediction using a pruned fuzzy min–max neural network with rule extraction
Abokhzam et al. Efficient diabetes mellitus prediction with grid based random forest classifier in association with natural language processing
Sabeena et al. Optimization‐Based Ensemble Feature Selection Algorithm and Deep Learning Classifier for Parkinson’s Disease
Albahli et al. Efficient attention-based CNN network (EANet) for multi-class maize crop disease classification
Mahapatra et al. MRMR-SSA: a hybrid approach for optimal feature selection
Shrivastava et al. Neural graph revealers
KR20210062265A (ko) 전자의무기록 데이터 기반 반려동물 생애주기 예측 시스템 및 방법
Abd Ali et al. Networks data transfer classification based on neural networks
Kumar et al. A case study on machine learning and classification
Singh Better application of Bayesian deep learning to diagnose disease
Jia et al. Co-embedding: a semi-supervised multi-view representation learning approach
Priyanka et al. DeepSkillNER: an automatic screening and ranking of resumes using hybrid deep learning and enhanced spectral clustering approach
De et al. Development of chronic kidney disease prediction system (CKDPS) using machine learning technique
Kumar An optimized particle swarm optimization based ANN model for clinical disease prediction
Kumar et al. Chronic Kidney Disease Prediction Using Gradient Boosting and KNN Classifier
Kapoor et al. Bell-Pepper Leaf Bacterial Spot Detection Using AlexNet and VGG-16
Theodorou et al. Synthesize extremely high-dimensional longitudinal electronic health records via hierarchical autoregressive language model
Nayab et al. Performance Augmentation of Base Classifiers Using Adaptive Boosting Framework for Medical Datasets
Attiya et al. A proposed approach for predicting liver disease
Alabed et al. Genetic algorithms as a feature selection tool in heart failure disease

Legal Events

Date Code Title Description
E902 Notification of reason for refusal
E601 Decision to refuse application