KR20210080061A - System and method for predicting disease based on ai and safety index of sodium intake according to the intake food of korean - Google Patents

System and method for predicting disease based on ai and safety index of sodium intake according to the intake food of korean Download PDF

Info

Publication number
KR20210080061A
KR20210080061A KR1020190172439A KR20190172439A KR20210080061A KR 20210080061 A KR20210080061 A KR 20210080061A KR 1020190172439 A KR1020190172439 A KR 1020190172439A KR 20190172439 A KR20190172439 A KR 20190172439A KR 20210080061 A KR20210080061 A KR 20210080061A
Authority
KR
South Korea
Prior art keywords
food
safety index
disease
sodium
sodium intake
Prior art date
Application number
KR1020190172439A
Other languages
Korean (ko)
Other versions
KR102385681B1 (en
Inventor
이종하
Original Assignee
계명대학교 산학협력단
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 계명대학교 산학협력단 filed Critical 계명대학교 산학협력단
Priority to KR1020190172439A priority Critical patent/KR102385681B1/en
Publication of KR20210080061A publication Critical patent/KR20210080061A/en
Application granted granted Critical
Publication of KR102385681B1 publication Critical patent/KR102385681B1/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
    • G16H50/50—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
    • G16H20/00—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance
    • G16H20/60—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance relating to nutrition control, e.g. diets
    • 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
    • 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
    • G16H80/00—ICT specially adapted for facilitating communication between medical practitioners or patients, e.g. for collaborative diagnosis, therapy or health monitoring

Landscapes

  • Health & Medical Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Medical Informatics (AREA)
  • Public Health (AREA)
  • General Health & Medical Sciences (AREA)
  • Epidemiology (AREA)
  • Primary Health Care (AREA)
  • Pathology (AREA)
  • Biomedical Technology (AREA)
  • Data Mining & Analysis (AREA)
  • Databases & Information Systems (AREA)
  • Nutrition Science (AREA)
  • Medical Treatment And Welfare Office Work (AREA)

Abstract

The present invention relates to a system for predicting an artificial intelligence disease based on a sodium intake safety index according to dietary food of Koreans, which includes: an index calculation module for calculating the sodium intake safety index according to the sodium content of the food consumed by a user; a learning module for constituting a disease prediction model; and a prediction for predicting the risk of chronic disease. According to the system and the method for predicting an artificial intelligence disease based on a sodium intake safety index according to dietary food of Koreans, it is possible to identify the risk of chronic disease of a user at an early stage without a separate measuring device, and the risk of chronic diseases other than regular health checkups can be continuously monitored on a daily basis.

Description

한국인의 식이 음식에 따른 나트륨 섭취 안전지수 기반 인공지능 질환 예측 시스템 및 방법{SYSTEM AND METHOD FOR PREDICTING DISEASE BASED ON AI AND SAFETY INDEX OF SODIUM INTAKE ACCORDING TO THE INTAKE FOOD OF KOREAN}SYSTEM AND METHOD FOR PREDICTING DISEASE BASED ON AI AND SAFETY INDEX OF SODIUM INTAKE ACCORDING TO THE INTAKE FOOD OF KOREAN

본 발명은 인공지능 질환 예측 시스템 및 방법에 관한 것으로서, 보다 구체적으로는 한국인의 식이 음식에 따른 나트륨 섭취 안전지수 기반 인공지능 질환 예측 시스템 및 방법에 관한 것이다.The present invention relates to an artificial intelligence disease prediction system and method, and more particularly, to a sodium intake safety index-based artificial intelligence disease prediction system and method according to the dietary food of Koreans.

비만, 고혈압, 당뇨, 고지혈증 등의 만성질환은 식습관과 밀접한 연관이 있다. 즉, 식습관의 개선은 만성질환을 치료하는데 중요할 뿐 아니라, 좋지 않은 식습관이 만성질환을 유발하는 요인이 되기도 한다. 특히, 한국인은 나트륨을 과다섭취하는 것으로 알려져 있고, 나트륨의 과다 섭취는 다양한 성인병의 원인이 될 수 있다.Chronic diseases such as obesity, high blood pressure, diabetes, and hyperlipidemia are closely related to eating habits. In other words, improvement of eating habits is not only important for treating chronic diseases, but also bad eating habits are also factors that cause chronic diseases. In particular, it is known that Koreans consume too much sodium, and excessive intake of sodium can cause various adult diseases.

우리나라 국민의 2013년도 1일 나트륨 섭취량은 4,027㎎(소금 약 10.2g)으로 2010년부터 지속적으로 감소하는 추세이나, 여전히 WHO 권고량(2,000㎎)의 2배 이상으로 높은 수준이다. 나트륨 섭취의 주요 급원식품으로는 소금, 배추김치, 간장, 된장, 라면, 고추장, 국수 등의 순이며, 각 급원식품의 섭취 분율은 소금 23.8%, 배추김치 및 간장 각 10%, 된장 7.1%, 라면 4.9%인 것으로 나타났다.The daily sodium intake of Koreans in 2013 was 4,027 mg (about 10.2 g of salt), which has been continuously decreasing since 2010, but it is still more than twice the WHO recommended amount (2,000 mg). The main sources of sodium intake are salt, cabbage kimchi, soy sauce, soybean paste, ramen, gochujang, and noodles in that order. The intake of each source food is salt 23.8%, cabbage kimchi and soy sauce each 10%, soybean paste 7.1%, Ramen was found to be 4.9%.

하버드 공중보건대학이 발표한 2010년 국가별 20세 이상 인구 나트륨 섭취량 현황을 분석한 자료에 따르면 전 세계 1일 나트륨 섭취량 평균은 약 3,950㎎으로 추정되었으며, 우리나라를 포함한 아시아권 국가의 나트륨 섭취량은 4,500∼6,000㎎ 수준으로 가장 높았다. 유럽에서는 동유럽이 3,900∼4,500㎎ 수준으로 가장 높았으며, 미국, 호주, 뉴질랜드 등은 3,000∼3,600㎎ 수준이었다. 아프리카, 라틴 아메리카 등은 비교적 나트륨 섭취량이 낮은 것으로 나타났다.According to the data that analyzed the sodium intake of people aged 20 and over by country in 2010 published by the Harvard School of Public Health, the average daily sodium intake in the world was estimated to be about 3,950 mg, and the sodium intake in Asian countries including Korea is 4,500~ The highest level was 6,000 mg. In Europe, Eastern Europe had the highest level at 3,900 to 4,500 mg, and the United States, Australia, and New Zealand had the level at 3,000 to 3,600 mg. Africa and Latin America were found to have relatively low sodium intake.

2013년 국민건강통계 중 나트륨 섭취량의 주요 급원식품에 따르면 라면이 5위를 차지하고 있으며, 그 외에도 주로 가공식품 형태로 섭취하는 빵, 어묵, 햄(돼지고기 가공품), 단무지 등이 30위 내로 꼽히고 있어 가공식품으로부터의 나트륨 섭취량이 상당한 것으로 드러났다. 현재 식품위생법에 따라 가공식품 중 영양성분 표시대상 품목에 나트륨 함량을 표시하고 있으며 대기업 중심으로 일부 품목에서 나트륨 저감화에 참여하여 실적을 나타내고 있으나, 식품군별, 영양소별, 연도별 통계자료의 부재로 가공식품 중 나트륨 함량 및 저감화 추이를 정확하게 파악하기 어려운 실정이다.According to the 2013 National Health Statistics, according to the main source of sodium intake, ramen is ranked 5th. In addition, bread, fish cakes, ham (processed pork), and pickled radish, which are mainly consumed in the form of processed foods, are ranked in the top 30. Sodium intake from processed foods was found to be significant. Currently, according to the Food Sanitation Act, sodium content is indicated on items subject to nutritional component labeling among processed foods, and although large corporations participate in sodium reduction in some items and show results, they are processed due to the absence of statistical data by food group, nutrient, and year It is difficult to accurately determine the sodium content and reduction trend in food.

2012년부터 식품의약품안전처가 나트륨 섭취 줄이기 캠페인 확산을 실시하여 효과를 보고 있으며, 외식과 급식 분야에서도 가공식품과 마찬가지로 자율적인 참여로 나트륨이 줄어든 메뉴와 급식이 증가하고 있는 추세이다.Since 2012, the Ministry of Food and Drug Safety has conducted a campaign to reduce sodium intake, which has been effective. In the field of dining and catering, as with processed foods, menus and meals with reduced sodium are increasing due to voluntary participation.

나트륨 섭취는 건강과 매우 밀접한 관련성을 가지고 있으며, 특히 당뇨 등 만성질환을 가진 환자들의 경우 질환의 정도에 따라 나트륨의 섭취를 제한하고 있다.Sodium intake is closely related to health, and in particular, in the case of patients with chronic diseases such as diabetes, sodium intake is limited according to the severity of the disease.

한편, 건강검진 시에는 혈압, 체질량 지수, 혈당, 콜레스테롤 등 다양한 지표를 검사하고, 해당 지표들을 기초로 만성질환 여부, 위험성 등을 건강검진 결과지를 통해 제시하고 있다. 그러나 만성질환의 치료, 개선 또는 예방을 위해서는, 이러한 각종 지표를 지속적으로 모니터링해야 하는데, 정기적인 건강검진만으로는 부족한 것이 현실이다.On the other hand, during the health check-up, various indicators such as blood pressure, body mass index, blood sugar, and cholesterol are tested, and chronic diseases and risks are presented through the health checkup results based on the indicators. However, in order to treat, improve or prevent chronic diseases, it is necessary to continuously monitor these various indicators, but in reality, regular health checkups alone are insufficient.

만성질환이 있는 환자들의 경우, 혈압계, 당뇨 검사기 등을 가정에 구비하고, 이를 통해 꾸준히 검사를 하기도 하지만, 이는 모니터링이 반드시 요구되는 환자로 제한될 뿐, 환자가 아닌 사용자까지 이러한 기기를 가정에 구비하기는 번거롭고 불편하며, 환자가 아니면서 예방을 위해 스스로 각종 지표를 측정하고 모니터링을 하기는 쉽지 않은 한계가 있다.In the case of patients with chronic diseases, a blood pressure monitor or diabetes tester is provided at home, and tests are performed continuously through it, but this is limited to patients who absolutely require monitoring, and even users who are not patients have these devices in their homes. It is cumbersome and inconvenient to do so, and there is a limit in that it is not easy to measure and monitor various indicators for prevention by non-patients.

본 발명과 관련된 선행기술로서, 공개특허 제10-2017-0019231호(발명의 명칭: 나트륨 섭취량 모니터링 시스템, 공개일자: 2017년 02월 21일), 공개특허 제10-2015-0135917호(발명의 명칭: 식품의 열량지수 개발 및 식품의 영양 표시 시스템, 공개일자: 2015년 12월 04일) 등이 개시된 바 있다.As prior art related to the present invention, Patent Publication No. 10-2017-0019231 (title of the invention: sodium intake monitoring system, publication date: February 21, 2017), Patent Publication No. 10-2015-0135917 (the invention of Title: Development of calorie index of food and nutrition labeling system of food, publication date: December 04, 2015), etc. have been disclosed.

본 발명은 기존에 제안된 방법들의 상기와 같은 문제점들을 해결하기 위해 제안된 것으로서, 사용자가 섭취한 식품의 나트륨 함량에 따른 나트륨 섭취 안전지수와 만성질환별 건강진단 지표 사이의 상관관계를 인공지능 기반으로 학습하고, 학습된 질환 예측 모델을 이용해 사용자의 만성질환 위험성을 예측함으로써, 별도의 측정 장비 없이도 사용자의 만성질환 위험성을 조기에 파악할 수 있고, 정기적인 건강검진 이외에 만성질환의 위험성을 일상적으로 꾸준히 모니터링할 수 있는, 한국인의 식이 음식에 따른 나트륨 섭취 안전지수 기반 인공지능 질환 예측 시스템 및 방법을 제공하는 것을 그 목적으로 한다.The present invention is proposed to solve the above problems of the previously proposed methods, and the correlation between the sodium intake safety index according to the sodium content of the food consumed by the user and the health examination index for each chronic disease is based on artificial intelligence. By predicting the user's chronic disease risk using the learned disease prediction model, it is possible to identify the user's chronic disease risk at an early stage without a separate measuring device, and to regularly monitor the risk of chronic disease in addition to regular health checkups. An object of the present invention is to provide a system and method for predicting diseases based on sodium intake safety index based on Koreans' dietary food that can be monitored.

또한, 본 발명은, 연령대별 및 성별로 구분하여 질환 예측 모델을 구성하고 만성질환의 위험성을 예측함으로써, 같은 연령대 및 성별의 한국인들의 상태와 비교하여 사용자 본인의 위치를 확인할 수 있어, 건강 상태를 타인과 비교할 수 있고 만성질환에 대한 경각심을 줄 수 있는, 한국인의 식이 음식에 따른 나트륨 섭취 안전지수 기반 인공지능 질환 예측 시스템 및 방법을 제공하는 것을 또 다른 목적으로 한다.In addition, the present invention configures a disease prediction model by dividing by age group and gender and predicts the risk of chronic disease, so that the user's own location can be confirmed by comparing with the status of Koreans of the same age and gender, and the health status Another object is to provide an artificial intelligence disease prediction system and method based on the sodium intake safety index according to the dietary food of Koreans, which can be compared with others and can raise awareness about chronic diseases.

상기한 목적을 달성하기 위한 본 발명의 특징에 따른 한국인의 식이 음식에 따른 나트륨 섭취 안전지수 기반 인공지능 질환 예측 시스템은,The sodium intake safety index-based artificial intelligence disease prediction system according to the dietary food of Koreans according to the features of the present invention for achieving the above object,

인공지능 질환 예측 시스템으로서,As an artificial intelligence disease prediction system,

한국인의 식이 음식에 대한 식품 정보를 이용해, 사용자가 섭취한 식품의 나트륨 함량에 따른 나트륨 섭취 안전지수를 산출하는 지수 산출 모듈;an index calculation module for calculating a sodium intake safety index according to the sodium content of the food consumed by the user by using food information on the dietary food of Koreans;

나트륨 섭취 안전지수와 만성질환별 건강진단 지표 사이의 상관관계를 인공지능 기반으로 학습하여 질환 예측 모델을 구성하는 학습 모듈; 및a learning module that constructs a disease prediction model by learning the correlation between the sodium intake safety index and the health diagnosis index for each chronic disease based on artificial intelligence; and

상기 지수 산출부에서 산출한 나트륨 섭취 안전지수를 상기 질환 예측 모델에 입력하여, 만성질환의 위험성을 예측하는 예측 모듈을 포함하는 것을 그 구성상의 특징으로 한다.By inputting the sodium intake safety index calculated by the index calculation unit to the disease prediction model, it is characterized in that it includes a prediction module for predicting the risk of chronic disease.

바람직하게는, 상기 지수 산출 모듈은,Preferably, the index calculation module comprises:

한국인의 섭취 식품에 대한 식품 정보를 저장하는 데이터베이스;A database for storing food information about Koreans' intake of food;

섭취한 식품을 입력받는 입력부;an input unit for receiving ingested food;

상기 데이터베이스에 저장된 식품 정보를 이용해, 상기 입력부에서 입력받은 섭취한 식품의 나트륨 함량을 검색하는 검색부; 및a search unit for retrieving the sodium content of the ingested food received from the input unit by using the food information stored in the database; and

검색된 나트륨 함량으로부터 나트륨 섭취 안전지수를 산출하는 지수 산출부를 포함할 수 있다.It may include an index calculator for calculating a sodium intake safety index from the searched sodium content.

더욱 바람직하게는, 상기 지수 산출부는,More preferably, the index calculation unit,

검색된 나트륨 함량을 합산하며, 합산된 총 나트륨 함량에 대한 나트륨 섭취 안전지수가 1/1000이 되도록, 상기 나트륨 섭취 안전지수를 산출할 수 있다.The searched sodium content is summed, and the sodium intake safety index can be calculated so that the sodium intake safety index for the total sodium content is 1/1000.

바람직하게는, 상기 학습 모듈은,Preferably, the learning module,

고혈압은 수축기 혈압 또는 이완기 혈압, 비만은 체질량 지수, 당뇨는 공복 혈당, 고지혈증 또는 이상지질혈증은 총 콜레스테롤, HDL 콜레스테롤, 트리글리세이드(중성지방), LDL 콜레스테롤 및 공복혈당 중 적어도 하나 이상을 만성질환별 건강진단 지표로 사용할 수 있다.High blood pressure is systolic blood pressure or diastolic blood pressure, obesity is body mass index, diabetes is fasting blood sugar, hyperlipidemia or dyslipidemia is total cholesterol, HDL cholesterol, triglycerides (triglycerides), LDL cholesterol, and fasting blood sugar by chronic disease. It can be used as a health checkup indicator.

더욱 바람직하게는, 상기 학습 모듈은,More preferably, the learning module,

복수의 사용자에 대해 산출된 나트륨 섭취 안전지수 및 만성질환별 건강진단 지표 값을 인공지능 기반의 학습을 위한 데이터셋으로 구성하는 데이터 구성부; 및a data configuration unit that configures the sodium intake safety index calculated for a plurality of users and health diagnosis index values for each chronic disease into a dataset for AI-based learning; and

상기 데이터 구성부에서 구성된 데이터셋을 이용해 인공지능 기반으로 학습을 수행하고, 학습 수행 결과로부터 만성질환의 위험성을 복수의 클래스로 분류하여 예측하는 질환 예측 모델을 구성하는 학습부를 더 포함할 수 있다.It may further include a learning unit that performs learning based on artificial intelligence using the dataset configured in the data configuration unit, and configures a disease prediction model that classifies and predicts the risk of chronic disease into a plurality of classes from the learning performance result.

더더욱 바람직하게는, 상기 학습부는,Even more preferably, the learning unit,

상기 데이터셋을 연령대 및 성별로 구분하고, 구분된 데이터셋을 이용해 복수의 인공지능 알고리즘의 학습을 수행하고, 각각의 학습된 인공지능 알고리즘으로부터 연령대 및 성별에 따른 질환 예측 모델을 구성할 수 있다.The dataset may be divided into age groups and genders, a plurality of AI algorithms may be learned using the divided datasets, and a disease prediction model according to age and gender may be constructed from each learned AI algorithm.

더더더욱 바람직하게는, 상기 학습부는,Even more preferably, the learning unit,

만성질환의 위험성을 4개의 클래스로 구분하도록 상기 질환 예측 모델을 구성할 수 있다.The disease prediction model may be configured to classify the risk of chronic disease into four classes.

더욱 더 바람직하게는, 상기 학습부는,Even more preferably, the learning unit,

상기 만성질환별 건강진단 지표의 임상 기준에 따라 상기 만성질환의 위험성을 4개의 클래스로 구분할 수 있다.The risk of the chronic disease may be divided into four classes according to the clinical criteria of the health diagnosis index for each chronic disease.

바람직하게는preferably

상기 예측 모듈에서 예측된 만성질환의 위험성을 분석하여 만성질환 위험성 트렌드를 분석하는 트렌드 분석 모듈을 더 포함할 수 있다.It may further include a trend analysis module for analyzing the chronic disease risk trend by analyzing the risk of chronic disease predicted in the prediction module.

바람직하게는,Preferably,

섭취한 식품을 입력하는 사용자 디바이스를 더 포함하며,Further comprising a user device to input the ingested food,

상기 사용자 디바이스는, 식품을 입력하고, 입력한 식품에 따라 산출된 나트륨 섭취 안전지수 및 예측된 만성질환의 위험성을 출력하는 애플리케이션을 구비할 수 있다.The user device may include an application that inputs food, outputs a sodium intake safety index calculated according to the input food, and a predicted risk of chronic disease.

또한, 상기한 목적을 달성하기 위한 본 발명의 특징에 따른 한국인의 식이 음식에 따른 나트륨 섭취 안전지수 기반 인공지능 질환 예측 방법은,In addition, the sodium intake safety index-based artificial intelligence disease prediction method according to the dietary food of Koreans according to the features of the present invention for achieving the above object,

인공지능 질환 예측 방법으로서,As an artificial intelligence disease prediction method,

(1) 한국인의 식이 음식에 대한 식품 정보를 이용해, 사용자가 섭취한 식품의 나트륨 함량에 따른 나트륨 섭취 안전지수를 산출하는 단계;(1) calculating a sodium intake safety index according to the sodium content of the food consumed by the user by using food information on the dietary food of Koreans;

(2) 나트륨 섭취 안전지수와 만성질환별 건강진단 지표 사이의 상관관계를 인공지능 기반으로 학습하여 질환 예측 모델을 구성하는 단계; 및(2) constructing a disease prediction model by learning the correlation between the sodium intake safety index and the health diagnosis index for each chronic disease based on artificial intelligence; and

(3) 상기 단계 (1)에서 산출한 나트륨 섭취 안전지수를 상기 질환 예측 모델에 입력하여, 만성질환의 위험성을 예측하는 단계를 포함하는 것을 그 구성상의 특징으로 한다.(3) inputting the sodium intake safety index calculated in step (1) into the disease prediction model, and predicting the risk of chronic disease is characterized in its configuration.

바람직하게는, 상기 단계 (1)은,Preferably, the step (1) is

(1-1) 한국인의 섭취 식품에 대한 식품 정보를 저장하는 단계;(1-1) storing food information on food consumed by Koreans;

(1-2) 섭취한 식품을 입력받는 단계;(1-2) receiving the ingested food as input;

(1-3) 상기 저장된 식품 정보를 이용해, 상기 단계 (1-2)에서 입력받은 섭취한 식품의 나트륨 함량을 검색하는 단계; 및(1-3) retrieving the sodium content of the ingested food input in the step (1-2) using the stored food information; and

(1-4) 검색된 나트륨 함량으로부터 나트륨 섭취 안전지수를 산출하는 단계를 포함할 수 있다.(1-4) may include calculating a sodium intake safety index from the retrieved sodium content.

더욱 바람직하게는, 상기 단계 (1-4)에서는,More preferably, in step (1-4),

검색된 나트륨 함량을 합산하며, 합산된 총 나트륨 함량에 대한 나트륨 섭취 안전지수가 1/1000이 되도록, 상기 나트륨 섭취 안전지수를 산출할 수 있다.The searched sodium content is summed, and the sodium intake safety index can be calculated so that the sodium intake safety index for the total sodium content is 1/1000.

바람직하게는, 상기 단계 (2)에서는,Preferably, in step (2),

고혈압은 수축기 혈압 또는 이완기 혈압, 비만은 체질량 지수, 당뇨는 공복 혈당, 고지혈증 또는 이상지질혈증은 총 콜레스테롤, HDL 콜레스테롤, 트리글리세이드(중성지방), LDL 콜레스테롤 및 공복혈당 중 적어도 하나 이상을 만성질환별 건강진단 지표로 사용할 수 있다.High blood pressure is systolic blood pressure or diastolic blood pressure, obesity is body mass index, diabetes is fasting blood sugar, hyperlipidemia or dyslipidemia is total cholesterol, HDL cholesterol, triglycerides (triglycerides), LDL cholesterol, and fasting blood sugar by chronic disease. It can be used as a health checkup indicator.

더욱 바람직하게는, 상기 단계 (2)는,More preferably, the step (2) comprises:

(2-1) 복수의 사용자에 대해 산출된 나트륨 섭취 안전지수 및 만성질환별 건강진단 지표 값을 인공지능 기반의 학습을 위한 데이터셋으로 구성하는 단계; 및(2-1) configuring the sodium intake safety index and the health diagnosis index value for each chronic disease calculated for a plurality of users into a dataset for AI-based learning; and

(2-2) 상기 단계 (2-1)에서 구성된 데이터셋을 이용해 인공지능 기반으로 학습을 수행하고, 학습 수행 결과로부터 만성질환의 위험성을 복수의 클래스로 분류하여 예측하는 질환 예측 모델을 구성하는 단계를 더 포함할 수 있다.(2-2) to construct a disease prediction model that performs learning based on artificial intelligence using the dataset configured in step (2-1) and classifies and predicts the risk of chronic disease into a plurality of classes from the learning performance result It may include further steps.

더더욱 바람직하게는, 상기 단계 (2-2)에서는,Even more preferably, in the step (2-2),

상기 데이터셋을 연령대 및 성별로 구분하고, 구분된 데이터셋을 이용해 복수의 인공지능 알고리즘의 학습을 수행하고, 각각의 학습된 인공지능 알고리즘으로부터 연령대 및 성별에 따른 질환 예측 모델을 구성할 수 있다.The dataset may be divided into age groups and genders, a plurality of AI algorithms may be learned using the divided datasets, and a disease prediction model according to age and gender may be constructed from each learned AI algorithm.

더더더욱 바람직하게는, 상기 단계 (2-2)에서는,Even more preferably, in the step (2-2),

만성질환의 위험성을 4개의 클래스로 구분하도록 상기 질환 예측 모델을 구성할 수 있다.The disease prediction model may be configured to classify the risk of chronic disease into four classes.

더욱 더 바람직하게는, 상기 단계 (2-2)에서는,Even more preferably, in the step (2-2),

상기 만성질환별 건강진단 지표의 임상 기준에 따라 상기 만성질환의 위험성을 4개의 클래스로 구분할 수 있다.The risk of the chronic disease may be divided into four classes according to the clinical criteria of the health diagnosis index for each chronic disease.

바람직하게는, 상기 단계 (3) 이후에는,Preferably, after step (3),

(4) 상기 단계 (3)에서 예측된 만성질환의 위험성을 분석하여 만성질환 위험성 트렌드를 분석하는 단계를 더 포함할 수 있다.(4) by analyzing the risk of chronic disease predicted in step (3) may further include the step of analyzing a chronic disease risk trend.

바람직하게는, 상기 단계 (1)에서는,Preferably, in step (1),

사용자 디바이스로부터 섭취한 식품을 입력받고, 사용자가 섭취한 식품의 나트륨 함량에 따른 나트륨 섭취 안전지수를 산출하며,Receives the food intake from the user device, calculates the sodium intake safety index according to the sodium content of the food consumed by the user,

상기 사용자 디바이스는, 식품을 입력하고, 입력한 식품에 따라 산출된 나트륨 섭취 안전지수 및 예측된 만성질환의 위험성을 출력하는 애플리케이션을 구비할 수 있다.The user device may include an application that inputs food, outputs a sodium intake safety index calculated according to the input food, and a predicted risk of chronic disease.

본 발명에서 제안하고 있는 한국인의 식이 음식에 따른 나트륨 섭취 안전지수 기반 인공지능 질환 예측 시스템 및 방법에 따르면, 사용자가 섭취한 식품의 나트륨 함량에 따른 나트륨 섭취 안전지수와 만성질환별 건강진단 지표 사이의 상관관계를 인공지능 기반으로 학습하고, 학습된 질환 예측 모델을 이용해 사용자의 만성질환 위험성을 예측함으로써, 별도의 측정 장비 없이도 사용자의 만성질환 위험성을 조기에 파악할 수 있고, 정기적인 건강검진 이외에 만성질환의 위험성을 일상적으로 꾸준히 모니터링할 수 있다.According to the artificial intelligence disease prediction system and method based on the sodium intake safety index according to the dietary food of Koreans proposed in the present invention, the sodium intake safety index according to the sodium content of the food consumed by the user and the health examination index for each chronic disease By learning the correlation based on artificial intelligence and predicting the user's chronic disease risk using the learned disease prediction model, it is possible to identify the user's chronic disease risk early without a separate measuring device, and to risk can be routinely and consistently monitored.

또한, 본 발명에서 제안하고 있는 한국인의 식이 음식에 따른 나트륨 섭취 안전지수 기반 인공지능 질환 예측 시스템 및 방법에 따르면, 연령대별 및 성별로 구분하여 질환 예측 모델을 구성하고 만성질환의 위험성을 예측함으로써, 같은 연령대 및 성별의 한국인들의 상태와 비교하여 사용자 본인의 위치를 확인할 수 있어, 건강 상태를 타인과 비교할 수 있고 만성질환에 대한 경각심을 줄 수 있다.In addition, according to the sodium intake safety index-based artificial intelligence disease prediction system and method according to the dietary food of Koreans proposed in the present invention, by constructing a disease prediction model by dividing by age group and gender and predicting the risk of chronic disease, By comparing the user's location with the status of Koreans of the same age and gender, it is possible to compare the health status with others and raise awareness about chronic diseases.

도 1은 본 발명의 일실시예에 따른 한국인의 식이 음식에 따른 나트륨 섭취 안전지수 기반 인공지능 질환 예측 시스템을 구현하기 위한 전체 디바이스 구성을 도시한 도면.
도 2는 본 발명의 일실시예에 따른 한국인의 식이 음식에 따른 나트륨 섭취 안전지수 기반 인공지능 질환 예측 시스템의 세부적인 구성을 도시한 도면.
도 3은 본 발명의 일실시예에 따른 한국인의 식이 음식에 따른 나트륨 섭취 안전지수 기반 인공지능 질환 예측 시스템에서, 지수 산출 모듈의 세부적인 구성을 도시한 도면.
도 4는 본 발명의 일실시예에 따른 한국인의 식이 음식에 따른 나트륨 섭취 안전지수 기반 인공지능 질환 예측 시스템의 지수 산출 모듈에서, 나트륨 섭취 안전지수를 산출하는 과정을 설명하기 위해 도시한 도면.
도 5는 본 발명의 일실시예에 따른 한국인의 식이 음식에 따른 나트륨 섭취 안전지수 기반 인공지능 질환 예측 시스템에서, 학습 모듈의 세부적인 구성을 도시한 도면.
도 6은 본 발명의 일실시예에 따른 한국인의 식이 음식에 따른 나트륨 섭취 안전지수 기반 인공지능 질환 예측 시스템에서, 고혈압의 위험성을 예측하는 과정을 설명하기 위해 도시한 도면.
도 7은 본 발명의 일실시예에 따른 한국인의 식이 음식에 따른 나트륨 섭취 안전지수 기반 인공지능 질환 예측 시스템에서, 예측된 만성질환의 위험성이 표시된 사용자 디바이스를 예를 들어 도시한 도면.
도 8은 본 발명의 일실시예에 따른 한국인의 식이 음식에 따른 나트륨 섭취 안전지수 기반 인공지능 질환 예측 방법의 흐름을 도시한 도면.
도 9는 본 발명의 일실시예에 따른 한국인의 식이 음식에 따른 나트륨 섭취 안전지수 기반 인공지능 질환 예측 방법에서, 단계 S100의 세부적인 흐름을 도시한 도면.
도 10은 본 발명의 일실시예에 따른 한국인의 식이 음식에 따른 나트륨 섭취 안전지수 기반 인공지능 질환 예측 방법에서, 단계 S200의 세부적인 흐름을 도시한 도면.1 is a view showing the overall device configuration for implementing a sodium intake safety index based artificial intelligence disease prediction system according to the dietary food of Koreans according to an embodiment of the present invention.
Figure 2 is a view showing the detailed configuration of the sodium intake safety index-based artificial intelligence disease prediction system according to the dietary food of Koreans according to an embodiment of the present invention.
3 is a diagram illustrating a detailed configuration of an index calculation module in an artificial intelligence disease prediction system based on sodium intake safety index according to dietary food of Koreans according to an embodiment of the present invention.
Figure 4 is a view for explaining the process of calculating the sodium intake safety index in the index calculation module of the artificial intelligence disease prediction system based on the sodium intake safety index according to the dietary food of Koreans according to an embodiment of the present invention.
5 is a diagram illustrating a detailed configuration of a learning module in an artificial intelligence disease prediction system based on sodium intake safety index according to dietary food of Koreans according to an embodiment of the present invention.
6 is a diagram illustrating a process for predicting the risk of hypertension in the artificial intelligence disease prediction system based on the sodium intake safety index according to the dietary food of Koreans according to an embodiment of the present invention.
7 is a view showing, for example, a user device displaying the predicted risk of chronic disease in the sodium intake safety index-based artificial intelligence disease prediction system according to the dietary food of Koreans according to an embodiment of the present invention.
8 is a diagram illustrating a flow of a method for predicting an artificial intelligence disease based on a sodium intake safety index according to the dietary food of Koreans according to an embodiment of the present invention.
9 is a view showing a detailed flow of step S100 in the method for predicting a sodium intake safety index-based artificial intelligence disease according to the dietary food of Koreans according to an embodiment of the present invention.
10 is a diagram illustrating a detailed flow of step S200 in the method for predicting sodium intake safety index-based artificial intelligence disease according to dietary food of Koreans 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 so that those of ordinary skill in the art can easily practice the present invention with reference to the accompanying drawings. 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 gist of the present invention, the detailed description thereof will be omitted. In addition, the same reference numerals are used throughout the drawings for parts 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 'connected' with another part, it is not only 'directly connected' but also 'indirectly connected' with another element interposed therebetween. include In addition, "including" a certain component means that other components may be further included, rather than excluding other components, unless otherwise stated.

도 1은 본 발명의 일실시예에 따른 한국인의 식이 음식에 따른 나트륨 섭취 안전지수 기반 인공지능 질환 예측 시스템(100)을 구현하기 위한 전체 디바이스 구성을 도시한 도면이다. 도 1에 도시된 바와 같이, 본 발명의 일실시예에 따른 한국인의 식이 음식에 따른 나트륨 섭취 안전지수 기반 인공지능 질환 예측 시스템(100)은, 사용자 디바이스(200)와 각종 신호 및 데이터를 송수신함으로써 구현될 수 있다.1 is a view showing the overall device configuration for implementing the sodium intake safety index-based artificial intelligence disease prediction system 100 according to the dietary food of Koreans according to an embodiment of the present invention. As shown in Figure 1, the sodium intake safety index-based artificial intelligence disease prediction system 100 according to the dietary food of Koreans according to an embodiment of the present invention, by transmitting and receiving various signals and data with the user device 200 can be implemented.

즉, 인공지능 질환 예측 시스템(100)은, 나트륨 섭취 안전지수와 만성질환별 건강진단 지표 사이의 상관관계를 인공지능 기반으로 학습하여 질환 예측 모델을 구성해 두고, 사용자는 사용자 디바이스(200)를 이용해 인공지능 질환 예측 시스템(100)에 접속하여 사용자가 섭취한 식품을 입력할 수 있으며, 입력한 섭취한 식품에 따른 나트륨 섭취 안전지수와 질환 예측 모델에 의해 예측된 만성질환의 위험성을 제공받을 수 있다. 이때, 사용자 디바이스(200)는, 식품을 입력하고, 입력한 식품에 따라 산출된 나트륨 섭취 안전지수 및 예측된 만성질환의 위험성을 출력하는 애플리케이션을 구비할 수 있다.That is, the artificial intelligence disease prediction system 100 configures a disease prediction model by learning the correlation between the sodium intake safety index and the health diagnosis index for each chronic disease based on artificial intelligence, and the user uses the user device 200 . You can access the artificial intelligence disease prediction system 100 using the system 100 to input the food consumed by the user, and receive the sodium intake safety index according to the input food intake and the risk of chronic disease predicted by the disease prediction model. have. In this case, the user device 200 may include an application that inputs food and outputs the sodium intake safety index calculated according to the input food and the predicted risk of chronic disease.

사용자 디바이스(200)는, 스마트폰, 태블릿(tablet) PC(personal computer), 이동 전화기, 영상 전화기, 전자책 리더기, 데스크탑(desktop) PC, 랩탑(laptop) PC, 넷북(netbook) 컴퓨터, 워크스테이션(workstation), 서버(server), PDA(personal digital assistant), 미디어 박스, 게임 콘솔, 전자사전 또는 웨어러블 장치(wearable device) 중 적어도 하나를 포함할 수 있으며, 웨어러블 장치는 액세서리형(예: 시계, 반지, 팔찌, 발찌, 목걸이, 안경, 콘택트렌즈, 또는 머리착용형 장치(HMD, head-mounted-device), 직물 또는 의류 일체형(예: 전자 의복), 신체 부착형(예: 스킨 패드(skin pad) 또는 문신), 또는 생체 이식형 회로(implantable circuit) 중 적어도 하나를 포함할 수 있다. 다양한 실시예들에서, 사용자 디바이스(200)는 전술한 기기들에 한정되지는 않으며, 전술한 다양한 장치 중 둘 이상의 조합일 수 있다.The user device 200 is a smart phone, a tablet PC (personal computer), a mobile phone, a video phone, an e-book reader, a desktop PC, a laptop PC, a netbook computer, a workstation It may include at least one of a workstation, a server, a personal digital assistant (PDA), a media box, a game console, an electronic dictionary, or a wearable device, and the wearable device is an accessory type (eg, a watch, Rings, bracelets, anklets, necklaces, eyeglasses, contact lenses, or head-mounted-devices (HMDs), integrated fabrics or clothing (e.g. electronic garments), body-mounted (e.g. skin pads) ) or tattoo), or at least one of an implantable circuit In various embodiments, the user device 200 is not limited to the above-described devices, and may include at least one of the above-described various devices. It may be a combination of two or more.

도 2는 본 발명의 일실시예에 따른 한국인의 식이 음식에 따른 나트륨 섭취 안전지수 기반 인공지능 질환 예측 시스템(100)의 세부적인 구성을 도시한 도면이다. 도 2에 도시된 바와 같이, 본 발명의 일실시예에 따른 한국인의 식이 음식에 따른 나트륨 섭취 안전지수 기반 인공지능 질환 예측 시스템(100)은, 지수 산출 모듈(110), 학습 모듈(120) 및 예측 모듈(130)을 포함하여 구성될 수 있으며, 트렌드 분석 모듈(140)을 더 포함하여 구성될 수 있다.2 is a view showing the detailed configuration of the sodium intake safety index-based artificial intelligence disease prediction system 100 according to the dietary food of Koreans according to an embodiment of the present invention. As shown in Figure 2, the sodium intake safety index-based artificial intelligence disease prediction system 100 according to the dietary food of Koreans according to an embodiment of the present invention, the index calculation module 110, the learning module 120 and It may be configured to include a prediction module 130 , and may further include a trend analysis module 140 .

지수 산출 모듈(110)은, 한국인의 식이 음식에 대한 식품 정보를 이용해, 사용자가 섭취한 식품의 나트륨 함량에 따른 나트륨 섭취 안전지수를 산출할 수 있다. 즉, 지수 산출 모듈(110)은, 한국인의 식이 음식에 대한 식품 정보를 저장해 두고, 나트륨 섭취 안전지수 산출 알고리즘을 포함하여, 나트륨 섭취 안전지수를 산출할 수 있다.The index calculation module 110 may calculate a sodium intake safety index according to the sodium content of the food consumed by the user, using food information on the dietary food of Koreans. That is, the index calculation module 110 stores food information on the dietary food of Koreans, and includes a sodium intake safety index calculation algorithm, to calculate the sodium intake safety index.

도 3은 본 발명의 일실시예에 따른 한국인의 식이 음식에 따른 나트륨 섭취 안전지수 기반 인공지능 질환 예측 시스템(100)에서, 지수 산출 모듈(110)의 세부적인 구성을 도시한 도면이다. 도 3에 도시된 바와 같이, 본 발명의 일실시예에 따른 한국인의 식이 음식에 따른 나트륨 섭취 안전지수 기반 인공지능 질환 예측 시스템(100)의 지수 산출 모듈(110)은, 데이터베이스(111), 입력부(112), 검색부(113) 및 지수 산출부(114)를 포함하여 구성될 수 있다.3 is a view showing a detailed configuration of the index calculation module 110 in the sodium intake safety index-based artificial intelligence disease prediction system 100 according to the dietary food of Koreans according to an embodiment of the present invention. As shown in Figure 3, the index calculation module 110 of the artificial intelligence disease prediction system 100 based on the sodium intake safety index according to the dietary food of Koreans according to an embodiment of the present invention, the database 111, the input unit 112 , a search unit 113 , and an index calculation unit 114 may be included.

데이터베이스(111)는, 한국인의 식이 음식에 대한 식품 정보를 저장할 수 있다. 보다 구체적으로는, 데이터베이스(111)는, 식품별로 식품명, 1회 제공량 및 1회 제공량에 포함된 나트륨 함량을 포함하는 식품 정보를 저장할 수 있다. 또한, 식품 정보는 혈당지수(Glycemic Index, GI), 포함된 영양소, 열량, 혈당부하지수(Glycemic Load index, GL) 등의 정보를 더 저장할 수도 있다.The database 111 may store food information on dietary food of Koreans. More specifically, the database 111 may store food information including a food name, a serving amount, and a sodium content included in the serving amount for each food. In addition, the food information may further store information such as a glycemic index (GI), included nutrients, calories, and a glycemic load index (GL).

입력부(112)는, 섭취한 식품을 입력받을 수 있다. 본 발명의 일실시예에 따른 한국인의 식이 음식에 따른 나트륨 섭취 안전지수 기반 인공지능 질환 예측 시스템(100)은, 소비자 등이 사용자 디바이스(200)를 이용해 섭취한 식품을 선택하거나 직접 입력하여 시스템에 입력하면, 그에 대응한 만성질환의 위험성이 예측되어 사용자 디바이스(200)의 애플리케이션을 통해 출력되도록 구현될 수 있다. 섭취한 식품의 입력은 목록에서 선택하여 입력하거나 직접 입력할 수 있으며, 검색을 통해 입력할 수도 있다.The input unit 112 may receive an ingested food input. The sodium intake safety index-based artificial intelligence disease prediction system 100 according to the dietary food of Koreans according to an embodiment of the present invention selects or directly inputs the food consumed by the consumer using the user device 200 to the system Upon input, the risk of chronic disease corresponding thereto is predicted and may be implemented to be output through the application of the user device 200 . The input of the ingested food can be entered by selecting it from the list or entered directly, or it can be entered through a search.

예를 들어, 소비자가 아침식사 대신 미숫가루, 점심식사로는 햄버거와 감자튀김, 콜라를 섭취하고, 간식으로 키위 주스와 초콜릿, 저녁식사로 볶음밥과 디저트로 생크림 케이크를 섭취한 경우, 미숫가루, 햄버거, 감자튀김, 콜라, 키위 주스, 초콜릿, 볶음밥, 생크림 케이크를 입력받을 수 있다.For example, if a consumer consumes raw flour instead of breakfast, hamburger, french fries, and cola for lunch, kiwi juice and chocolate for a snack, fried rice and cream cake for dessert, You can input hamburger, french fries, cola, kiwi juice, chocolate, fried rice, and whipped cream cake.

검색부(113)는, 데이터베이스(111)에 저장된 식품 정보를 이용해, 입력부(112)에서 입력받은 섭취한 식품의 나트륨 함량을 검색할 수 있다. 전술한 바와 같은 예에서, 검색부(113)는 미숫가루 28㎎, 햄버거 498㎎, 감자튀김 194㎎, 콜라 3㎎, 키위 주스 1257㎎, 초콜릿 12.75㎎, 볶음밥 358㎎, 생크림 케이크 94㎎ 등으로 1회 제공량 당 나트륨 함량을 각각 검색할 수 있다.The search unit 113 may search the sodium content of the ingested food input from the input unit 112 by using the food information stored in the database 111 . In the example as described above, the search unit 113 uses wheat flour 28 mg, hamburger 498 mg, french fries 194 mg, cola 3 mg, kiwi juice 1257 mg, chocolate 12.75 mg, fried rice 358 mg, fresh cream cake 94 mg, etc. Sodium content per serving can be individually retrieved.

지수 산출부(114)는, 검색된 나트륨 함량으로부터 나트륨 섭취 안전지수를 산출할 수 있다. 즉, 지수 산출부(114)는, 입력받은 섭취한 식품의 나트륨 섭취 안전지수를 산출할 수 있다. 보다 구체적으로는, 지수 산출부(114)는, 검색된 나트륨 함량을 합산하며, 합산된 총 나트륨 함량에 대한 나트륨 섭취 안전지수가 1/1000이 되도록, 나트륨 섭취 안전지수를 산출할 수 있다.The index calculation unit 114 may calculate a sodium intake safety index from the searched sodium content. That is, the index calculation unit 114 may calculate the sodium intake safety index of the received food intake. More specifically, the index calculation unit 114 may calculate the sodium intake safety index so that the searched sodium content is summed, and the sodium intake safety index for the total sodium content is 1/1000.

이때, 지수 산출부(114)는, 미리 정해진 기간 예를 들어, 하루 동안 섭취한 식품의 나트륨 섭취 안전지수를 산출할 수 있다. 전술한 바와 같은 예에서, 소비자가 하루 동안 섭취한 미숫가루, 햄버거, 감자튀김, 콜라, 키위 주스, 초콜릿, 볶음밥, 생크림 케이크의 총 나트륨 양은 2444.75㎎이고, 나트륨 섭취 안전지수는 2.4일 수 있다.At this time, the index calculation unit 114, for a predetermined period, for example, may calculate the sodium intake safety index of the food consumed during the day. In the example as described above, the total sodium amount of raw flour, hamburger, french fries, cola, kiwi juice, chocolate, fried rice, and fresh cream cake consumed by the consumer during the day is 2444.75 mg, and the sodium intake safety index may be 2.4.

도 4는 본 발명의 일실시예에 따른 한국인의 식이 음식에 따른 나트륨 섭취 안전지수 기반 인공지능 질환 예측 시스템(100)의 지수 산출 모듈(110)에서, 나트륨 섭취 안전지수를 산출하는 과정을 설명하기 위해 도시한 도면이다. 도 4에 도시된 바와 같이, 본 발명의 일실시예에 따른 한국인의 식이 음식에 따른 나트륨 섭취 안전지수 기반 인공지능 질환 예측 시스템(100)의 지수 산출 모듈(110)은, 나트륨 섭취 안전지수가 1 미만이면 나트륨 부족, 1~1.5이면 허용, 1.5~2이면 적정, 2~3.5이면 허용, 및 3.5 이상이면 나트륨 과다로 판단할 수 있다.4 is an index calculation module 110 of the sodium intake safety index-based artificial intelligence disease prediction system 100 according to the dietary food of Koreans according to an embodiment of the present invention, to explain the process of calculating the sodium intake safety index It is a drawing shown for As shown in Figure 4, the index calculation module 110 of the sodium intake safety index-based artificial intelligence disease prediction system 100 according to the dietary food of Koreans according to an embodiment of the present invention, the sodium intake safety index is 1 If it is less than, it can be judged as insufficient sodium, 1-1.5 is acceptable, 1.5-2 is appropriate, 2-3.5 is acceptable, and 3.5 or more is excessive sodium.

학습 모듈(120)은, 나트륨 섭취 안전지수와 만성질환별 건강진단 지표 사이의 상관관계를 인공지능 기반으로 학습하여 질환 예측 모델을 구성할 수 있다. 여기서, 나트륨 섭취 안전지수는, 지수 산출 모듈(110)에 포함된 나트륨 섭취 안전지수 산출 알고리즘에 의해 산출된 것일 수 있으며, 만성질환별 건강진단 지표는 각 만성질환의 진단 기준으로 사용되는 지표일 수 있다. 보다 구체적으로, 학습 모듈(120)은, 고혈압은 수축기 혈압 또는 이완기 혈압, 비만은 체질량 지수, 당뇨는 공복 혈당, 고지혈증 또는 이상지질혈증은 총 콜레스테롤, HDL 콜레스테롤, 트리글리세이드(중성지방), LDL 콜레스테롤 및 공복혈당 중 적어도 하나 이상을 만성질환별 건강진단 지표로 사용할 수 있다.The learning module 120 may construct a disease prediction model by learning the correlation between the sodium intake safety index and the health diagnosis index for each chronic disease based on artificial intelligence. Here, the sodium intake safety index may be calculated by the sodium intake safety index calculation algorithm included in the index calculation module 110, and the health diagnosis index for each chronic disease may be an index used as a diagnostic criterion for each chronic disease. have. More specifically, the learning module 120, hypertension is systolic blood pressure or diastolic blood pressure, obesity is body mass index, diabetes is fasting blood sugar, hyperlipidemia or dyslipidemia is total cholesterol, HDL cholesterol, triglycerides (triglycerides), LDL cholesterol And at least one or more of fasting blood sugar may be used as a health diagnosis index for each chronic disease.

도 5는 본 발명의 일실시예에 따른 한국인의 식이 음식에 따른 나트륨 섭취 안전지수 기반 인공지능 질환 예측 시스템(100)에서, 학습 모듈(120)의 세부적인 구성을 도시한 도면이다. 도 5에 도시된 바와 같이, 본 발명의 일실시예에 따른 한국인의 식이 음식에 따른 나트륨 섭취 안전지수 기반 인공지능 질환 예측 시스템(100)의 학습 모듈(120)은, 데이터 구성부(121) 및 학습부(122)를 포함하여 구성될 수 있다.5 is a diagram illustrating a detailed configuration of the learning module 120 in the sodium intake safety index-based artificial intelligence disease prediction system 100 according to the dietary food of Koreans according to an embodiment of the present invention. As shown in FIG. 5 , the learning module 120 of the sodium intake safety index-based artificial intelligence disease prediction system 100 according to the dietary food of Koreans according to an embodiment of the present invention includes a data configuration unit 121 and It may be configured to include a learning unit 122 .

데이터 구성부(121)는, 복수의 사용자에 대해 산출된 나트륨 섭취 안전지수 및 만성질환별 건강진단 지표 값을 인공지능 기반의 학습을 위한 데이터셋으로 구성할 수 있다. 즉, 데이터 구성부(121)는, 인공지능 학습을 위한 데이터를 수집하고 데이터셋을 구성할 수 있는데, 인공지능 알고리즘이 나트륨 섭취 안전지수와 만성질환별 건강진단 지표 사이의 상관관계를 학습할 수 있도록, 고혈압, 비만, 당뇨, 고지혈증 등의 만성질환과 각 만성질환의 여러 단계에 있는 많은 사용자에 대한 각각의 지표 값과 그에 대응하는 사용자의 나트륨 섭취 안전지수를 데이터셋으로 구성하여, 신뢰도 높은 인공지능 학습이 가능하도록 할 수 있다.The data configuration unit 121 may configure the sodium intake safety index and the health diagnosis index value for each chronic disease calculated for a plurality of users as a dataset for AI-based learning. That is, the data configuration unit 121 can collect data for artificial intelligence learning and configure a dataset, and the artificial intelligence algorithm can learn the correlation between the sodium intake safety index and the health diagnosis index for each chronic disease. In order to achieve this, each index value for many users in various stages of chronic diseases such as high blood pressure, obesity, diabetes, and hyperlipidemia and each chronic disease and the corresponding user's sodium intake safety index are composed as a dataset, and a highly reliable artificial It can make intelligent learning possible.

학습부(122)는, 데이터 구성부(121)에서 구성된 데이터셋을 이용해 인공지능 기반으로 학습을 수행하고, 학습 수행 결과로부터 만성질환의 위험성을 복수의 클래스로 분류하여 예측하는 질환 예측 모델을 구성할 수 있다. 이때, 학습부(122)는 CNN(Convolutional neural network), RNN(Recurrent Neural Network), 랜덤 포레스트(Random Forest) 분류기 등의 인공지능 알고리즘을 사용할 수 있으며, CNN(Convolutional neural network)과 LSTM(Long short-term memory) RNN(Recurrent Neural Network)을 결합한 인공신경망 모델, 가중 랜덤 포레스트 분류기(WRFR)나 캐스케이드 회귀 포레스트(Cascade Regression Forest) 등을 사용할 수도 있다.The learning unit 122 performs learning based on artificial intelligence using the dataset configured in the data configuration unit 121, and configures a disease prediction model that classifies and predicts the risk of chronic disease from the learning performance result into a plurality of classes can do. At this time, the learning unit 122 may use an artificial intelligence algorithm such as a convolutional neural network (CNN), a recurrent neural network (RNN), a random forest classifier, and a convolutional neural network (CNN) and a long short (LSTM) classifier. -term memory) An artificial neural network model combined with a Recurrent Neural Network (RNN), a Weighted Random Forest Classifier (WRFR), or a Cascade Regression Forest can also be used.

보다 구체적으로, 학습부(122)는, 데이터셋을 연령대 및 성별로 구분하고, 구분된 데이터셋을 이용해 복수의 인공지능 알고리즘의 학습을 수행하고, 각각의 학습된 인공지능 알고리즘으로부터 연령대 및 성별에 따른 질환 예측 모델을 구성할 수 있다. 즉, 연령대 및 성별에 따라 데이터셋을 구분해 학습함으로써, 각 연령대 및 성별에 따라 질환 예측 모델을 구성하여 만성질환의 위험도 예측 결과에 대한 신뢰도를 극대화할 수 있다.More specifically, the learning unit 122 divides the dataset into age groups and genders, performs learning of a plurality of AI algorithms using the divided datasets, and determines age and gender from each learned AI algorithm. According to the disease prediction model can be constructed. That is, by classifying and learning datasets according to age and gender, it is possible to construct a disease prediction model according to each age group and gender, thereby maximizing the reliability of the chronic disease risk prediction result.

또한, 학습부(122)는, 만성질환의 위험성을 4개의 클래스로 구분하도록 질환 예측 모델을 구성할 수 있다. 보다 구체적으로, 학습부(122)는, 만성질환별 건강진단 지표의 임상 기준에 따라 만성질환의 위험성을 4개의 클래스로 구분할 수 있다.In addition, the learning unit 122 may configure the disease prediction model to classify the risk of chronic disease into four classes. More specifically, the learning unit 122 may classify the risk of chronic disease into four classes according to the clinical standard of the health diagnosis index for each chronic disease.

도 6은 본 발명의 일실시예에 따른 한국인의 식이 음식에 따른 나트륨 섭취 안전지수 기반 인공지능 질환 예측 시스템(100)에서, 고혈압의 위험성을 예측하는 과정을 설명하기 위해 도시한 도면이다. 도 6에 도시된 바와 같이, 본 발명의 일실시예에 따른 한국인의 식이 음식에 따른 나트륨 섭취 안전지수 기반 인공지능 질환 예측 시스템(100)은, 만성질환 중 고혈압의 경우, 정상(A), 정상의 범위이나 고혈압의 전 단계로 주의가 필요한 정상(B), 고혈압 1기, 고혈압 2기와 같이 4개의 클래스로 구분할 수 있다.6 is a diagram illustrating a process of predicting the risk of hypertension in the artificial intelligence disease prediction system 100 based on the sodium intake safety index according to the dietary food of Koreans according to an embodiment of the present invention. As shown in Figure 6, the sodium intake safety index-based artificial intelligence disease prediction system 100 according to the dietary food of Koreans according to an embodiment of the present invention, in the case of hypertension among chronic diseases, normal (A), normal It can be divided into 4 classes: normal (B), high blood pressure stage 1, and hypertension stage 2, which require attention as the range of hypertension or the pre-hypertension stage.

예측 모듈(130)은, 지수 산출 모듈(110)에서 산출한 나트륨 섭취 안전지수를 질환 예측 모델에 입력하여, 만성질환의 위험성을 예측할 수 있다. 즉, 예측 모듈(130)은, 지수 산출 모듈(110)과 학습 모듈(120)의 결과를 유기적으로 결합하여, 사용자가 사용자 디바이스(200)를 통해 입력한 사용자가 섭취한 식품으로부터 고혈압, 비만, 당뇨, 고지혈증, 이상지질혈증 등 만성질환의 위험성을 예측할 수 있다. 학습 모듈(120)의 학습부(122)는, 만성질환의 위험성을 4개의 클래스로 구분하도록 질환 예측 모델을 구성하므로, 예측 모듈(130)은, 해당 사용자의 만성질환 위험성을 4개의 클래스 중 어느 하나로 분류할 수 있다.The prediction module 130 may input the sodium intake safety index calculated by the index calculation module 110 to the disease prediction model to predict the risk of chronic disease. That is, the prediction module 130 organically combines the results of the index calculation module 110 and the learning module 120, and the user inputs through the user device 200, from the food consumed by the user, hypertension, obesity, It can predict the risk of chronic diseases such as diabetes, hyperlipidemia, and dyslipidemia. Since the learning unit 122 of the learning module 120 configures the disease prediction model to classify the risk of chronic disease into four classes, the prediction module 130 determines the chronic disease risk of the user in any of the four classes. can be classified as one.

도 7은 본 발명의 일실시예에 따른 한국인의 식이 음식에 따른 나트륨 섭취 안전지수 기반 인공지능 질환 예측 시스템(100)에서, 예측된 만성질환의 위험성이 표시된 사용자 디바이스(200)를 예를 들어 도시한 도면이다. 도 7에 도시된 바와 같이, 본 발명의 일실시예에 따른 한국인의 식이 음식에 따른 나트륨 섭취 안전지수 기반 인공지능 질환 예측 시스템(100)에서는, 고혈압에 대해 예측 모듈(130)이 예측한 만성질환의 위험성을 사용자 디바이스(200)에 제공할 수 있다. 이때, 고혈압에 대한 질환 예측 모델은, 정상(A), 정상(B), 고혈압 1기, 및 고혈압 2기의 4개의 클래스로 예측 결과를 출력할 수 있는데, 사용자는 사용자 디바이스(200)를 통해 도 7에 도시된 바와 같이 “정상(B)”로 예측된 고혈압 위험성을 확인할 수 있다.7 shows, for example, the user device 200 displaying the predicted risk of chronic disease in the sodium intake safety index-based artificial intelligence disease prediction system 100 according to the dietary food of Koreans according to an embodiment of the present invention. it is one drawing 7, in the artificial intelligence disease prediction system 100 based on the sodium intake safety index according to the dietary food of Koreans according to an embodiment of the present invention, the chronic disease predicted by the prediction module 130 for hypertension may provide the user device 200 with the risk of In this case, the disease prediction model for hypertension may output prediction results in four classes of normal (A), normal (B), hypertension stage 1, and hypertension stage 2, and the user may use the user device 200 to As shown in FIG. 7 , the hypertension risk predicted as “normal (B)” can be confirmed.

또한, 도 7에 도시된 바와 같이, 지수 산출 모듈(110)에서 산출된 나트륨 섭취 안전지수(“나트륨 2.4”)와, 이를 통해 판단된 나트륨 섭취 정도(“허용”)를 사용자 디바이스(200)의 애플리케이션으로 제공하여, 고혈압 유발의 주요 원인 중 하나인 나트륨 섭취를 사용자가 적극적으로 조절하도록 유도할 수 있다.In addition, as shown in FIG. 7 , the sodium intake safety index (“sodium 2.4”) calculated by the index calculation module 110 and the sodium intake level (“allowed”) determined through this are calculated by the user device 200 . By providing it as an application, it can induce users to actively control sodium intake, which is one of the main causes of hypertension.

트렌드 분석 모듈(140)은, 예측 모듈(130)에서 예측된 만성질환의 위험성을 분석하여 만성질환 위험성 트렌드를 분석할 수 있다. 즉, 트렌드 분석 모듈(140)은, 예측 모듈(130)에서 예측된 만성질환의 위험성을 추적하여 트렌드를 분석할 수 있다. 이때, 해당 사용자의 만성질환의 위험성을 분석할 뿐 아니라, 다른 사용자의 만성질환의 위험성을 통합 분석하여, 전체 만성질환의 위험성 트렌드와 해당 사용자의 만성질환의 위험성 트렌드를 비교할 수 있다.The trend analysis module 140 may analyze the chronic disease risk trend by analyzing the chronic disease risk predicted by the prediction module 130 . That is, the trend analysis module 140 may analyze the trend by tracking the risk of chronic disease predicted by the prediction module 130 . In this case, not only the risk of the user's chronic disease is analyzed, but also the risk of the chronic disease of other users is integrated and the risk trend of the entire chronic disease can be compared with the risk trend of the chronic disease of the user.

또한, 트렌드 분석 모듈(140)은, 사용자 디바이스(200)에 나트륨 섭취 트렌드를 그래프로 제공할 수 있으며, 목표를 제시하여 사용자가 얼마나 목표를 달성하였는지 쉽게 파악이 가능하도록 할 수 있다. 실시예에 따라서는, 만성질환의 위험성 목표를 사용자가 직접 설정 가능하도록 할 수 있으며, 트렌드 분석 모듈(140)이 해당 사용자의 현재 만성질환의 위험성에 따라 만성질환의 위험성 목표를 자동으로 조절할 수 있다.In addition, the trend analysis module 140 may provide a sodium intake trend to the user device 200 as a graph, and by presenting a goal, it may be possible to easily determine how much the user has achieved the goal. In some embodiments, the user may directly set the risk target for chronic disease, and the trend analysis module 140 may automatically adjust the risk target for chronic disease according to the user's current risk of chronic disease. .

도 8은 본 발명의 일실시예에 따른 한국인의 식이 음식에 따른 나트륨 섭취 안전지수 기반 인공지능 질환 예측 방법의 흐름을 도시한 도면이다. 도 8에 도시된 바와 같이, 본 발명의 일실시예에 따른 한국인의 식이 음식에 따른 나트륨 섭취 안전지수 기반 인공지능 질환 예측 방법은, 한국인의 식이 음식에 대한 식품 정보를 이용해, 사용자가 섭취한 식품의 나트륨 함량에 따른 나트륨 섭취 안전지수를 산출하는 단계(S100), 나트륨 섭취 안전지수와 만성질환별 건강진단 지표 사이의 상관관계를 인공지능 기반으로 학습하여 질환 예측 모델을 구성하는 단계(S200) 및 나트륨 섭취 안전지수를 질환 예측 모델에 입력하여, 만성질환의 위험성을 예측하는 단계(S300)를 포함하여 구현될 수 있으며, 만성질환의 위험성을 분석하여 만성질환 위험성 트렌드를 분석하는 단계(S400)를 더 포함하여 구현될 수 있다.8 is a diagram illustrating a flow of an artificial intelligence disease prediction method based on sodium intake safety index according to dietary food of Koreans according to an embodiment of the present invention. As shown in Figure 8, the sodium intake safety index-based AI disease prediction method according to the dietary food of Koreans according to an embodiment of the present invention, using food information on the dietary food of the Korean, the food consumed by the user Calculating the sodium intake safety index according to the sodium content of (S100), constructing a disease prediction model by learning the correlation between the sodium intake safety index and the health examination index for each chronic disease based on artificial intelligence (S200) and By inputting the sodium intake safety index into the disease prediction model, it can be implemented including the step (S300) of predicting the risk of chronic disease, and the step of analyzing the risk of chronic disease by analyzing the risk of chronic disease (S400) It may be implemented including further.

단계 S100에서는, 지수 산출 모듈(110)이, 한국인의 식이 음식에 대한 식품 정보를 이용해, 사용자가 섭취한 식품의 나트륨 함량에 따른 나트륨 섭취 안전지수를 산출할 수 있다.In step S100, the index calculation module 110 may calculate a sodium intake safety index according to the sodium content of the food consumed by the user, using food information on the dietary food of Koreans.

단계 S200에서는, 학습 모듈(120)이, 나트륨 섭취 안전지수와 만성질환별 건강진단 지표 사이의 상관관계를 인공지능 기반으로 학습하여 질환 예측 모델을 구성할 수 있다. 보다 구체적으로는, 단계 S200에서는, 고혈압은 수축기 혈압 또는 이완기 혈압, 비만은 체질량 지수, 당뇨는 공복 혈당, 고지혈증 또는 이상지질혈증은 총 콜레스테롤, HDL 콜레스테롤, 트리글리세이드(중성지방), LDL 콜레스테롤 및 공복혈당 중 적어도 하나 이상을 만성질환별 건강진단 지표로 사용할 수 있다.In step S200, the learning module 120 may construct a disease prediction model by learning the correlation between the sodium intake safety index and the health diagnosis index for each chronic disease based on artificial intelligence. More specifically, in step S200, hypertension is systolic blood pressure or diastolic blood pressure, obesity is body mass index, diabetes is fasting blood sugar, hyperlipidemia or dyslipidemia is total cholesterol, HDL cholesterol, triglycerides (triglycerides), LDL cholesterol, and fasting At least one or more of blood glucose may be used as a health diagnosis index for each chronic disease.

단계 S300에서는, 예측 모듈(130)이, 단계 S100에서 산출한 나트륨 섭취 안전지수를 질환 예측 모델에 입력하여, 만성질환의 위험성을 예측할 수 있다.In step S300, the prediction module 130, by inputting the sodium intake safety index calculated in step S100 to the disease prediction model, it is possible to predict the risk of chronic disease.

단계 S400에서는, 트렌드 분석 모듈(140)이, 단계 S300에서 예측된 만성질환의 위험성을 분석하여 만성질환 위험성 트렌드를 분석할 수 있다.In step S400, the trend analysis module 140 may analyze the chronic disease risk trend by analyzing the risk of chronic disease predicted in step S300.

도 9는 본 발명의 일실시예에 따른 한국인의 식이 음식에 따른 나트륨 섭취 안전지수 기반 인공지능 질환 예측 방법에서, 단계 S100의 세부적인 흐름을 도시한 도면이다. 도 9에 도시된 바와 같이, 본 발명의 일실시예에 따른 한국인의 식이 음식에 따른 나트륨 섭취 안전지수 기반 인공지능 질환 예측 방법의 단계 S100은, 한국인의 섭취 식품에 대한 식품 정보를 저장하는 단계(S110), 섭취한 식품을 입력받는 단계(S120), 저장된 식품 정보를 이용해 입력받은 섭취한 식품의 나트륨 함량을 검색하는 단계(S130) 및 검색된 나트륨 함량으로부터 나트륨 섭취 안전지수를 산출하는 단계(S140)를 포함하여 구현될 수 있다.9 is a diagram illustrating a detailed flow of step S100 in the method for predicting a sodium intake safety index-based artificial intelligence disease according to the dietary food of Koreans according to an embodiment of the present invention. As shown in Figure 9, step S100 of the sodium intake safety index-based artificial intelligence disease prediction method according to the dietary food of Koreans according to an embodiment of the present invention is a step of storing food information about the food consumed by Koreans ( S110), receiving an input of the ingested food (S120), retrieving the sodium content of the received food using the stored food information (S130), and calculating a sodium intake safety index from the retrieved sodium content (S140) It can be implemented including

단계 S110에서는, 데이터베이스(111)가, 한국인의 섭취 식품에 대한 식품 정보를 저장할 수 있다.In step S110, the database 111 may store food information about the food consumed by Koreans.

단계 S120에서는, 입력부(112)가, 섭취한 식품을 입력받을 수 있다.In step S120 , the input unit 112 may receive an ingested food input.

단계 S130에서는, 검색부(113)가, 저장된 식품 정보를 이용해, 단계 S120에서 입력받은 섭취한 식품의 나트륨 함량을 검색할 수 있다.In step S130, the search unit 113 may search the sodium content of the ingested food input in step S120 by using the stored food information.

단계 S140에서는, 검색된 나트륨 함량으로부터 나트륨 섭취 안전지수를 산출할 수 있다. 보다 구체적으로는, 단계 S140에서는, 검색된 나트륨 함량을 합산하며, 합산된 총 나트륨 함량에 대한 나트륨 섭취 안전지수가 1/1000이 되도록, 나트륨 섭취 안전지수를 산출할 수 있다.In step S140, it is possible to calculate the sodium intake safety index from the searched sodium content. More specifically, in step S140, the searched sodium content is summed, and the sodium intake safety index can be calculated so that the sodium intake safety index for the total sodium content is 1/1000.

도 10은 본 발명의 일실시예에 따른 한국인의 식이 음식에 따른 나트륨 섭취 안전지수 기반 인공지능 질환 예측 방법에서, 단계 S200의 세부적인 흐름을 도시한 도면이다. 도 10에 도시된 바와 같이, 본 발명의 일실시예에 따른 한국인의 식이 음식에 따른 나트륨 섭취 안전지수 기반 인공지능 질환 예측 방법의 단계 S200은, 복수의 사용자에 대해 산출된 나트륨 섭취 안전지수 및 만성질환별 건강진단 지표 값을 인공지능 기반의 학습을 위한 데이터셋으로 구성하는 단계(S210) 및 데이터셋을 이용해 인공지능 기반으로 학습을 수행하고, 학습 수행 결과로부터 만성질환의 위험성을 복수의 클래스로 분류하여 예측하는 질환 예측 모델을 구성하는 단계(S220)를 포함하여 구현될 수 있다.10 is a diagram illustrating a detailed flow of step S200 in the method for predicting sodium intake safety index-based artificial intelligence disease according to dietary food of Koreans according to an embodiment of the present invention. As shown in Figure 10, step S200 of the sodium intake safety index-based artificial intelligence disease prediction method according to the dietary food of Koreans according to an embodiment of the present invention, the sodium intake safety index calculated for a plurality of users and chronic The step of composing the health diagnosis index value for each disease into a dataset for AI-based learning (S210) and performing AI-based learning using the dataset, and dividing the risk of chronic disease into a plurality of classes from the learning performance result It may be implemented including the step (S220) of configuring a disease prediction model to classify and predict.

단계 S210에서는, 데이터 구성부(121)가, 복수의 사용자에 대해 산출된 나트륨 섭취 안전지수 및 만성질환별 건강진단 지표 값을 인공지능 기반의 학습을 위한 데이터셋으로 구성할 수 있다.In step S210, the data configuration unit 121 may configure the sodium intake safety index and the health diagnosis index value for each chronic disease calculated for a plurality of users as a dataset for AI-based learning.

단계 S220에서는, 학습부(122)가, 단계 S210에서 구성된 데이터셋을 이용해 인공지능 기반으로 학습을 수행하고, 학습 수행 결과로부터 만성질환의 위험성을 복수의 클래스로 분류하여 예측하는 질환 예측 모델을 구성할 수 있다. 보다 구체적으로는, 단계 S220에서는, 데이터셋을 연령대 및 성별로 구분하고, 구분된 데이터셋을 이용해 복수의 인공지능 알고리즘의 학습을 수행하고, 각각의 학습된 인공지능 알고리즘으로부터 연령대 및 성별에 따른 질환 예측 모델을 구성할 수 있다. 또한, 단계 S220에서는, 만성질환의 위험성을 4개의 클래스로 구분하도록 질환 예측 모델을 구성할 수 있고, 만성질환별 건강진단 지표의 임상 기준에 따라 만성질환의 위험성을 4개의 클래스로 구분할 수 있다.In step S220, the learning unit 122 performs learning based on artificial intelligence using the dataset configured in step S210, and classifies the risk of chronic disease into a plurality of classes from the learning performance result and configures a disease prediction model to predict can do. More specifically, in step S220, the dataset is divided into age groups and genders, learning of a plurality of AI algorithms is performed using the divided datasets, and diseases according to age and gender are obtained from each learned AI algorithm. A predictive model can be constructed. In addition, in step S220, the disease prediction model may be configured to classify the risk of chronic disease into four classes, and the risk of chronic disease may be divided into four classes according to the clinical standard of a health diagnosis index for each chronic disease.

본 발명에서 제안하고 있는 한국인의 식이 음식에 따른 나트륨 섭취 안전지수 기반 인공지능 질환 예측 시스템(100) 및 방법에 따르면, 사용자가 섭취한 식품의 나트륨 함량에 따른 나트륨 섭취 안전지수와 만성질환별 건강진단 지표 사이의 상관관계를 인공지능 기반으로 학습하고, 학습된 질환 예측 모델을 이용해 사용자의 만성질환 위험성을 예측함으로써, 별도의 측정 장비 없이도 사용자의 만성질환 위험성을 조기에 파악할 수 있고, 정기적인 건강검진 이외에 만성질환의 위험성을 일상적으로 꾸준히 모니터링할 수 있다.According to the artificial intelligence disease prediction system 100 and method based on the sodium intake safety index according to the dietary food of Koreans proposed in the present invention, the sodium intake safety index according to the sodium content of the food consumed by the user and health examination for each chronic disease By learning the correlation between indicators based on artificial intelligence and predicting the user's chronic disease risk using the learned disease prediction model, it is possible to identify the user's chronic disease risk at an early stage without a separate measuring device, and regular health checkups In addition, the risk of chronic diseases can be continuously monitored on a daily basis.

또한, 본 발명에서 제안하고 있는 한국인의 식이 음식에 따른 나트륨 섭취 안전지수 기반 인공지능 질환 예측 시스템(100) 및 방법에 따르면, 연령대별 및 성별로 구분하여 질환 예측 모델을 구성하고 만성질환의 위험성을 예측함으로써, 같은 연령대 및 성별의 한국인들의 상태와 비교하여 사용자 본인의 위치를 확인할 수 있어, 건강 상태를 타인과 비교할 수 있고 만성질환에 대한 경각심을 줄 수 있다.In addition, according to the sodium intake safety index-based artificial intelligence disease prediction system 100 and method according to the dietary food of Koreans proposed in the present invention, a disease prediction model is constructed by dividing by age group and gender, and the risk of chronic disease is By predicting, it is possible to check the user's own location by comparing it with the status of Koreans of the same age and gender, so that it is possible to compare the health status with others and raise awareness about chronic diseases.

이상 설명한 본 발명은 본 발명이 속한 기술분야에서 통상의 지식을 가진 자에 의하여 다양한 변형이나 응용이 가능하며, 본 발명에 따른 기술적 사상의 범위는 아래의 특허청구범위에 의하여 정해져야 할 것이다.Various modifications and applications of the present invention described above are possible by those skilled in the art to which the present invention pertains, and the scope of the technical idea according to the present invention should be defined by the following claims.

100: 본 발명에 따른 인공지능 질환 예측 시스템
110: 지수 산출 모듈
111: 데이터베이스
112: 입력부
113: 검색부
114: 지수 산출부
120: 학습 모듈
121: 데이터 구성부
122: 학습부
200: 사용자 디바이스
S100: 한국인의 식이 음식에 대한 식품 정보를 이용해, 사용자가 섭취한 식품의 나트륨 함량에 따른 나트륨 섭취 안전지수를 산출하는 단계
S110: 한국인의 섭취 식품에 대한 식품 정보를 저장하는 단계
S120: 섭취한 식품을 입력받는 단계
S130: 저장된 식품 정보를 이용해 입력받은 섭취한 식품의 나트륨 함량을 검색하는 단계
S140: 검색된 나트륨 함량으로부터 나트륨 섭취 안전지수를 산출하는 단계
S200: 나트륨 섭취 안전지수와 만성질환별 건강진단 지표 사이의 상관관계를 인공지능 기반으로 학습하여 질환 예측 모델을 구성하는 단계
S210: 복수의 사용자에 대해 산출된 나트륨 섭취 안전지수 및 만성질환별 건강진단 지표 값을 인공지능 기반의 학습을 위한 데이터셋으로 구성하는 단계
S220: 데이터셋을 이용해 인공지능 기반으로 학습을 수행하고, 학습 수행 결과로부터 만성질환의 위험성을 복수의 클래스로 분류하여 예측하는 질환 예측 모델을 구성하는 단계
S300: 나트륨 섭취 안전지수를 질환 예측 모델에 입력하여, 만성질환의 위험성을 예측하는 단계
S400: 만성질환의 위험성을 분석하여 만성질환 위험성 트렌드를 분석하는 단계100: artificial intelligence disease prediction system according to the present invention
110: index calculation module
111: database
112: input unit
113: search unit
114: index calculator
120: learning module
121: data configuration part
122: study unit
200: user device
S100: A step of calculating the sodium intake safety index according to the sodium content of the food consumed by the user by using food information on the dietary food of Koreans
S110: Step of storing food information about the food consumed by Koreans
S120: step of receiving the ingested food input
S130: Step of searching the sodium content of the received food using the stored food information
S140: Calculating the sodium intake safety index from the searched sodium content
S200: The step of constructing a disease prediction model by learning the correlation between the sodium intake safety index and the health diagnosis index for each chronic disease based on artificial intelligence
S210: A step of composing the sodium intake safety index calculated for a plurality of users and the health diagnosis index value for each chronic disease into a dataset for AI-based learning
S220: A step of constructing a disease prediction model that performs learning based on artificial intelligence using a dataset and classifies the risk of chronic disease into a plurality of classes from the learning performance result
S300: A step of predicting the risk of chronic disease by inputting the sodium intake safety index into the disease prediction model
S400: A step of analyzing the risk of chronic disease and analyzing the risk trend of chronic disease

Claims (20)

인공지능 질환 예측 시스템(100)으로서,
한국인의 식이 음식에 대한 식품 정보를 이용해, 사용자가 섭취한 식품의 나트륨 함량에 따른 나트륨 섭취 안전지수를 산출하는 지수 산출 모듈(110);
나트륨 섭취 안전지수와 만성질환별 건강진단 지표 사이의 상관관계를 인공지능 기반으로 학습하여 질환 예측 모델을 구성하는 학습 모듈(120); 및
상기 지수 산출부(114)에서 산출한 나트륨 섭취 안전지수를 상기 질환 예측 모델에 입력하여, 만성질환의 위험성을 예측하는 예측 모듈(130)을 포함하는 것을 특징으로 하는, 한국인의 식이 음식에 따른 나트륨 섭취 안전지수 기반 인공지능 질환 예측 시스템(100).
As an artificial intelligence disease prediction system 100,
an index calculation module 110 for calculating a sodium intake safety index according to the sodium content of the food consumed by the user by using the food information on the dietary food of Koreans;
a learning module 120 for constructing a disease prediction model by learning the correlation between the sodium intake safety index and the health diagnosis index for each chronic disease based on artificial intelligence; and
Sodium according to dietary food of Koreans, characterized in that it includes a prediction module 130 for predicting the risk of chronic disease by inputting the sodium intake safety index calculated by the index calculator 114 to the disease prediction model Ingestion safety index-based artificial intelligence disease prediction system (100).
 제1항에 있어서, 상기 지수 산출 모듈(110)은,
한국인의 섭취 식품에 대한 식품 정보를 저장하는 데이터베이스(111);
섭취한 식품을 입력받는 입력부(112);
상기 데이터베이스(111)에 저장된 식품 정보를 이용해, 상기 입력부(112)에서 입력받은 섭취한 식품의 나트륨 함량을 검색하는 검색부(113); 및
검색된 나트륨 함량으로부터 나트륨 섭취 안전지수를 산출하는 지수 산출부(114)를 포함하는 것을 특징으로 하는, 한국인의 식이 음식에 따른 나트륨 섭취 안전지수 기반 인공지능 질환 예측 시스템(100).
According to claim 1, wherein the index calculation module 110,
a database 111 for storing food information on food consumed by Koreans;
an input unit 112 for receiving ingested food;
a search unit 113 for searching the sodium content of the ingested food received from the input unit 112 by using the food information stored in the database 111; and
Artificial intelligence disease prediction system 100 based on sodium intake safety index according to dietary food of Koreans, characterized in that it comprises an index calculation unit 114 for calculating a sodium intake safety index from the searched sodium content.
 제2항에 있어서, 상기 지수 산출부(114)는,
검색된 나트륨 함량을 합산하며, 합산된 총 나트륨 함량에 대한 나트륨 섭취 안전지수가 1/1000이 되도록, 상기 나트륨 섭취 안전지수를 산출하는 것을 특징으로 하는, 한국인의 식이 음식에 따른 나트륨 섭취 안전지수 기반 인공지능 질환 예측 시스템(100).
According to claim 2, wherein the index calculation unit 114,
The sodium intake safety index based on the sodium intake safety index based on the dietary food of Koreans, characterized in that the sodium intake safety index is calculated so that the searched sodium content is added and the sodium intake safety index for the total sodium content is 1/1000 Intelligent disease prediction system (100).
 제1항에 있어서, 상기 학습 모듈(120)은,
고혈압은 수축기 혈압 또는 이완기 혈압, 비만은 체질량 지수, 당뇨는 공복 혈당, 고지혈증 또는 이상지질혈증은 총 콜레스테롤, HDL 콜레스테롤, 트리글리세이드(중성지방), LDL 콜레스테롤 및 공복혈당 중 적어도 하나 이상을 만성질환별 건강진단 지표로 사용하는 것을 특징으로 하는, 한국인의 식이 음식에 따른 나트륨 섭취 안전지수 기반 인공지능 질환 예측 시스템(100).
According to claim 1, wherein the learning module 120,
High blood pressure is systolic blood pressure or diastolic blood pressure, obesity is body mass index, diabetes is fasting blood sugar, hyperlipidemia or dyslipidemia is total cholesterol, HDL cholesterol, triglycerides (triglycerides), LDL cholesterol, and fasting blood sugar by chronic disease. An artificial intelligence disease prediction system 100 based on the sodium intake safety index according to the dietary food of Koreans, characterized in that it is used as a health diagnosis index.
 제4항에 있어서, 상기 학습 모듈(120)은,
복수의 사용자에 대해 산출된 나트륨 섭취 안전지수 및 만성질환별 건강진단 지표 값을 인공지능 기반의 학습을 위한 데이터셋으로 구성하는 데이터 구성부(121); 및
상기 데이터 구성부(121)에서 구성된 데이터셋을 이용해 인공지능 기반으로 학습을 수행하고, 학습 수행 결과로부터 만성질환의 위험성을 복수의 클래스로 분류하여 예측하는 질환 예측 모델을 구성하는 학습부(122)를 더 포함하는 것을 특징으로 하는, 한국인의 식이 음식에 따른 나트륨 섭취 안전지수 기반 인공지능 질환 예측 시스템(100).
According to claim 4, wherein the learning module 120,
a data configuration unit 121 that configures the sodium intake safety index calculated for a plurality of users and the health diagnosis index value for each chronic disease into a dataset for AI-based learning; and
The learning unit 122 performs learning based on artificial intelligence using the dataset configured in the data construction unit 121, and configures a disease prediction model that classifies and predicts the risk of chronic disease into a plurality of classes from the learning performance result. According to the dietary food of Koreans, characterized in that it further comprises a sodium intake safety index-based artificial intelligence disease prediction system (100).
 제5항에 있어서, 상기 학습부(122)는,
상기 데이터셋을 연령대 및 성별로 구분하고, 구분된 데이터셋을 이용해 복수의 인공지능 알고리즘의 학습을 수행하고, 각각의 학습된 인공지능 알고리즘으로부터 연령대 및 성별에 따른 질환 예측 모델을 구성하는 것을 특징으로 하는, 한국인의 식이 음식에 따른 나트륨 섭취 안전지수 기반 인공지능 질환 예측 시스템(100).
According to claim 5, wherein the learning unit 122,
Classifying the dataset into age groups and gender, performing learning of a plurality of AI algorithms using the divided datasets, and constructing a disease prediction model according to age and gender from each learned AI algorithm Sodium intake safety index-based artificial intelligence disease prediction system (100) according to dietary food of Koreans.
 제6항에 있어서, 상기 학습부(122)는,
만성질환의 위험성을 4개의 클래스로 구분하도록 상기 질환 예측 모델을 구성하는 것을 특징으로 하는, 한국인의 식이 음식에 따른 나트륨 섭취 안전지수 기반 인공지능 질환 예측 시스템(100).
According to claim 6, The learning unit 122,
An artificial intelligence disease prediction system 100 based on sodium intake safety index according to dietary food of Koreans, characterized in that the disease prediction model is configured to classify the risk of chronic disease into four classes.
 제7항에 있어서, 상기 학습부(122)는,
상기 만성질환별 건강진단 지표의 임상 기준에 따라 상기 만성질환의 위험성을 4개의 클래스로 구분하는 것을 특징으로 하는, 한국인의 식이 음식에 따른 나트륨 섭취 안전지수 기반 인공지능 질환 예측 시스템(100).
The method of claim 7, wherein the learning unit 122,
An artificial intelligence disease prediction system 100 based on sodium intake safety index according to the dietary food of Koreans, characterized in that the risk of the chronic disease is divided into four classes according to the clinical criteria of the health diagnosis index for each chronic disease.
 제1항에 있어서,
상기 예측 모듈(130)에서 예측된 만성질환의 위험성을 분석하여 만성질환 위험성 트렌드를 분석하는 트렌드 분석 모듈(140)을 더 포함하는 것을 특징으로 하는, 한국인의 식이 음식에 따른 나트륨 섭취 안전지수 기반 인공지능 질환 예측 시스템(100).
According to claim 1,
Sodium intake safety index-based artificial intelligence according to the dietary food of Koreans, characterized in that it further comprises a trend analysis module 140 for analyzing the chronic disease risk trend by analyzing the risk of chronic disease predicted in the prediction module 130 Intelligent disease prediction system (100).
 제1항에 있어서,
섭취한 식품을 입력하는 사용자 디바이스(200)를 더 포함하며,
상기 사용자 디바이스(200)는, 식품을 입력하고, 입력한 식품에 따라 산출된 나트륨 섭취 안전지수 및 예측된 만성질환의 위험성을 출력하는 애플리케이션을 구비하는 것을 특징으로 하는, 한국인의 식이 음식에 따른 나트륨 섭취 안전지수 기반 인공지능 질환 예측 시스템(100).
According to claim 1,
Further comprising a user device 200 for inputting ingested food,
The user device 200, the sodium according to the dietary food of Koreans, characterized in that it has an application for inputting food, and outputting the sodium intake safety index calculated according to the input food and the predicted risk of chronic disease Ingestion safety index-based artificial intelligence disease prediction system (100).
 인공지능 질환 예측 방법으로서,
(1) 한국인의 식이 음식에 대한 식품 정보를 이용해, 사용자가 섭취한 식품의 나트륨 함량에 따른 나트륨 섭취 안전지수를 산출하는 단계;
(2) 나트륨 섭취 안전지수와 만성질환별 건강진단 지표 사이의 상관관계를 인공지능 기반으로 학습하여 질환 예측 모델을 구성하는 단계; 및
(3) 상기 단계 (1)에서 산출한 나트륨 섭취 안전지수를 상기 질환 예측 모델에 입력하여, 만성질환의 위험성을 예측하는 단계를 포함하는 것을 특징으로 하는, 한국인의 식이 음식에 따른 나트륨 섭취 안전지수 기반 인공지능 질환 예측 방법.
As an artificial intelligence disease prediction method,
(1) calculating a sodium intake safety index according to the sodium content of the food consumed by the user by using food information on the dietary food of Koreans;
(2) constructing a disease prediction model by learning the correlation between the sodium intake safety index and the health diagnosis index for each chronic disease based on artificial intelligence; and
(3) Input the sodium intake safety index calculated in step (1) into the disease prediction model, and predicting the risk of chronic disease, sodium intake safety index according to dietary food of Koreans Based AI disease prediction method.
 제11항에 있어서, 상기 단계 (1)은,
(1-1) 한국인의 섭취 식품에 대한 식품 정보를 저장하는 단계;
(1-2) 섭취한 식품을 입력받는 단계;
(1-3) 상기 저장된 식품 정보를 이용해, 상기 단계 (1-2)에서 입력받은 섭취한 식품의 나트륨 함량을 검색하는 단계; 및
(1-4) 검색된 나트륨 함량으로부터 나트륨 섭취 안전지수를 산출하는 단계를 포함하는 것을 특징으로 하는, 한국인의 식이 음식에 따른 나트륨 섭취 안전지수 기반 인공지능 질환 예측 방법.
The method of claim 11, wherein step (1) comprises:
(1-1) storing food information on food consumed by Koreans;
(1-2) receiving the ingested food as input;
(1-3) retrieving the sodium content of the ingested food input in the step (1-2) using the stored food information; and
(1-4) An artificial intelligence disease prediction method based on sodium intake safety index according to dietary food of Koreans, characterized in that it comprises the step of calculating a sodium intake safety index from the searched sodium content.
 제12항에 있어서, 상기 단계 (1-4)에서는,
검색된 나트륨 함량을 합산하며, 합산된 총 나트륨 함량에 대한 나트륨 섭취 안전지수가 1/1000이 되도록, 상기 나트륨 섭취 안전지수를 산출하는 것을 특징으로 하는, 한국인의 식이 음식에 따른 나트륨 섭취 안전지수 기반 인공지능 질환 예측 방법.
The method of claim 12, wherein in step (1-4),
The sodium intake safety index based on the sodium intake safety index based on the dietary food of Koreans, characterized in that the sodium intake safety index is calculated so that the searched sodium content is added and the sodium intake safety index for the total sodium content is 1/1000 Methods for predicting intellectual disease.
 제11항에 있어서, 상기 단계 (2)에서는,
고혈압은 수축기 혈압 또는 이완기 혈압, 비만은 체질량 지수, 당뇨는 공복 혈당, 고지혈증 또는 이상지질혈증은 총 콜레스테롤, HDL 콜레스테롤, 트리글리세이드(중성지방), LDL 콜레스테롤 및 공복혈당 중 적어도 하나 이상을 만성질환별 건강진단 지표로 사용하는 것을 특징으로 하는, 한국인의 식이 음식에 따른 나트륨 섭취 안전지수 기반 인공지능 질환 예측 방법.
12. The method of claim 11, wherein in step (2),
High blood pressure is systolic blood pressure or diastolic blood pressure, obesity is body mass index, diabetes is fasting blood sugar, hyperlipidemia or dyslipidemia is total cholesterol, HDL cholesterol, triglycerides (triglycerides), LDL cholesterol, and fasting blood sugar by chronic disease. An artificial intelligence disease prediction method based on the sodium intake safety index according to the dietary food of Koreans, characterized in that it is used as a health diagnosis index.
 제14항에 있어서, 상기 단계 (2)는,
(2-1) 복수의 사용자에 대해 산출된 나트륨 섭취 안전지수 및 만성질환별 건강진단 지표 값을 인공지능 기반의 학습을 위한 데이터셋으로 구성하는 단계; 및
(2-2) 상기 단계 (2-1)에서 구성된 데이터셋을 이용해 인공지능 기반으로 학습을 수행하고, 학습 수행 결과로부터 만성질환의 위험성을 복수의 클래스로 분류하여 예측하는 질환 예측 모델을 구성하는 단계를 더 포함하는 것을 특징으로 하는, 한국인의 식이 음식에 따른 나트륨 섭취 안전지수 기반 인공지능 질환 예측 방법.
15. The method of claim 14, wherein the step (2),
(2-1) configuring the sodium intake safety index and the health diagnosis index value for each chronic disease calculated for a plurality of users into a dataset for AI-based learning; and
(2-2) to construct a disease prediction model that performs learning based on artificial intelligence using the dataset configured in step (2-1) and classifies and predicts the risk of chronic disease into a plurality of classes from the learning performance result Artificial intelligence disease prediction method based on sodium intake safety index according to dietary food of Koreans, characterized in that it further comprises a step.
 제15항에 있어서, 상기 단계 (2-2)에서는,
상기 데이터셋을 연령대 및 성별로 구분하고, 구분된 데이터셋을 이용해 복수의 인공지능 알고리즘의 학습을 수행하고, 각각의 학습된 인공지능 알고리즘으로부터 연령대 및 성별에 따른 질환 예측 모델을 구성하는 것을 특징으로 하는, 한국인의 식이 음식에 따른 나트륨 섭취 안전지수 기반 인공지능 질환 예측 방법.
The method of claim 15, wherein in step (2-2),
Classifying the dataset into age groups and gender, performing learning of a plurality of AI algorithms using the divided datasets, and constructing a disease prediction model according to age and gender from each learned AI algorithm A method for predicting AI disease based on sodium intake safety index according to dietary food of Koreans.
 제16항에 있어서, 상기 단계 (2-2)에서는,
만성질환의 위험성을 4개의 클래스로 구분하도록 상기 질환 예측 모델을 구성하는 것을 특징으로 하는, 한국인의 식이 음식에 따른 나트륨 섭취 안전지수 기반 인공지능 질환 예측 방법.
The method of claim 16, wherein in step (2-2),
An artificial intelligence disease prediction method based on sodium intake safety index according to dietary food of Koreans, characterized in that the disease prediction model is configured to classify the risk of chronic disease into four classes.
 제17항에 있어서, 상기 단계 (2-2)에서는,
상기 만성질환별 건강진단 지표의 임상 기준에 따라 상기 만성질환의 위험성을 4개의 클래스로 구분하는 것을 특징으로 하는, 한국인의 식이 음식에 따른 나트륨 섭취 안전지수 기반 인공지능 질환 예측 방법.
The method of claim 17, wherein in step (2-2),
An artificial intelligence disease prediction method based on the sodium intake safety index according to the dietary food of Koreans, characterized in that the risk of the chronic disease is divided into four classes according to the clinical criteria of the health diagnosis index for each chronic disease.
 제11항에 있어서, 상기 단계 (3) 이후에는,
(4) 상기 단계 (3)에서 예측된 만성질환의 위험성을 분석하여 만성질환 위험성 트렌드를 분석하는 단계를 더 포함하는 것을 특징으로 하는, 한국인의 식이 음식에 따른 나트륨 섭취 안전지수 기반 인공지능 질환 예측 방법.
The method of claim 11, wherein after step (3),
(4) Artificial intelligence disease prediction based on sodium intake safety index according to dietary food of Koreans, characterized in that it further comprises the step of analyzing the chronic disease risk trend by analyzing the risk of chronic disease predicted in step (3) Way.
 제11항에 있어서, 상기 단계 (1)에서는,
사용자 디바이스(200)로부터 섭취한 식품을 입력받고, 사용자가 섭취한 식품의 나트륨 함량에 따른 나트륨 섭취 안전지수를 산출하며,
상기 사용자 디바이스(200)는, 식품을 입력하고, 입력한 식품에 따라 산출된 나트륨 섭취 안전지수 및 예측된 만성질환의 위험성을 출력하는 애플리케이션을 구비하는 것을 특징으로 하는, 한국인의 식이 음식에 따른 나트륨 섭취 안전지수 기반 인공지능 질환 예측 방법.12. The method of claim 11, wherein in step (1),
Receives the food intake from the user device 200, calculates the sodium intake safety index according to the sodium content of the food consumed by the user,
The user device 200, the sodium according to the dietary food of Koreans, characterized in that it has an application for inputting food, and outputting the sodium intake safety index calculated according to the input food and the predicted risk of chronic disease An artificial intelligence disease prediction method based on intake safety index.
KR1020190172439A 2019-12-20 2019-12-20 System and method for predicting disease based on ai and safety index of sodium intake according to the intake food of korean KR102385681B1 (en)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020190172439A KR102385681B1 (en) 2019-12-20 2019-12-20 System and method for predicting disease based on ai and safety index of sodium intake according to the intake food of korean

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020190172439A KR102385681B1 (en) 2019-12-20 2019-12-20 System and method for predicting disease based on ai and safety index of sodium intake according to the intake food of korean

Publications (2)

Publication Number Publication Date
KR20210080061A true KR20210080061A (en) 2021-06-30
KR102385681B1 KR102385681B1 (en) 2022-04-12

Family

ID=76602197

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020190172439A KR102385681B1 (en) 2019-12-20 2019-12-20 System and method for predicting disease based on ai and safety index of sodium intake according to the intake food of korean

Country Status (1)

Country Link
KR (1) KR102385681B1 (en)

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20170019231A (en) * 2015-08-11 2017-02-21 가천대학교 산학협력단 Natrium consumption monitoring system
KR20180120469A (en) * 2017-04-27 2018-11-06 권오일 System for analyzing and predecting disease
KR102052558B1 (en) * 2019-04-30 2019-12-06 주식회사 비알네트콤 User customized information providing apparatus based on disease prediction and method thereof

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20170019231A (en) * 2015-08-11 2017-02-21 가천대학교 산학협력단 Natrium consumption monitoring system
KR20180120469A (en) * 2017-04-27 2018-11-06 권오일 System for analyzing and predecting disease
KR102052558B1 (en) * 2019-04-30 2019-12-06 주식회사 비알네트콤 User customized information providing apparatus based on disease prediction and method thereof

Also Published As

Publication number Publication date
KR102385681B1 (en) 2022-04-12

Similar Documents

Publication Publication Date Title
US20160379520A1 (en) Nutrient density determinations to select health promoting consumables and to predict consumable recommendations
CN109964280B (en) Systems and methods for calculating, displaying, modifying, and using improved personalized nutritional health scores to assess and plan an optimal diet
Yang et al. Added sugar intake and cardiovascular diseases mortality among US adults
Emanuel et al. Theory of planned behavior explains gender difference in fruit and vegetable consumption
CN111902878A (en) System and method for food analysis, personalized recommendation and health management
Dominguez et al. Similar prediction of total mortality, diabetes incidence and cardiovascular events using relative-and absolute-component Mediterranean diet score: the SUN cohort
Aikman et al. Food attitudes, eating behavior, and the information underlying food attitudes
US20220230730A1 (en) Recipe recommendation method and device, computing device and storage medium
Cioara et al. Expert system for nutrition care process of older adults
US20200227156A1 (en) System and methods for calculating, displaying, modifying, and using single dietary intake score reflective of optimal quantity and quality of consumables
Forrester et al. Association between allostatic load and health behaviours: a latent class approach
JP6705089B2 (en) Health tuning support system
Azadbakht et al. Snacking behavior and obesity among female adolescents in Isfahan, Iran
US20220406215A1 (en) Systems and methods for dynamically providing dynamic nutritional guidance
Michel et al. Nutrition in the digital age-how digital tools can help to solve the personalized nutrition conundrum
JP2007133525A (en) Dietary advice support system
Amini* et al. The association between plant-based diet indices and metabolic syndrome in Iranian older adults
Hao et al. Association between ultra-processed food consumption and frailty in American elder people: evidence from a cross-sectional study
KR102422591B1 (en) Weight control customized balanced diet recommendation method and device
Lee et al. Dietary patterns and predicted 10-year cardiovascular disease risk in a multiethnic Asian population
Mohseni-Takalloo et al. Metabolic syndrome prediction using non-invasive and dietary parameters based on a support vector machine
KR102429725B1 (en) System and method for predicting disease based on ai and safety index of saccharide intake using glucose load index according to the intake food of korean
Oftedal et al. Diet quality and depressive symptoms. Assessing the direction of the association in a population-based cohort study
Pop et al. Particle swarm optimization-based method for generating healthy lifestyle recommendations
KR102385681B1 (en) System and method for predicting disease based on ai and safety index of sodium intake according to the intake food of korean

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