KR20210084224A - 보험 설계를 위한 질환예측 서비스 시스템 - Google Patents

보험 설계를 위한 질환예측 서비스 시스템 Download PDF

Info

Publication number
KR20210084224A
KR20210084224A KR1020200125198A KR20200125198A KR20210084224A KR 20210084224 A KR20210084224 A KR 20210084224A KR 1020200125198 A KR1020200125198 A KR 1020200125198A KR 20200125198 A KR20200125198 A KR 20200125198A KR 20210084224 A KR20210084224 A KR 20210084224A
Authority
KR
South Korea
Prior art keywords
data
customer
disease
health checkup
missing
Prior art date
Application number
KR1020200125198A
Other languages
English (en)
Other versions
KR102442873B1 (ko
Inventor
김재원
이찬중
손기혁
송승재
Original Assignee
주식회사 라이프시맨틱스
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 주식회사 라이프시맨틱스 filed Critical 주식회사 라이프시맨틱스
Publication of KR20210084224A publication Critical patent/KR20210084224A/ko
Application granted granted Critical
Publication of KR102442873B1 publication Critical patent/KR102442873B1/ko

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q40/00—Finance; Insurance; Tax strategies; Processing of corporate or income taxes
    • G06Q40/08—Insurance
    • 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
    • G16H50/50—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

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Public Health (AREA)
  • Medical Informatics (AREA)
  • Health & Medical Sciences (AREA)
  • Accounting & Taxation (AREA)
  • Finance (AREA)
  • Primary Health Care (AREA)
  • General Health & Medical Sciences (AREA)
  • Epidemiology (AREA)
  • Theoretical Computer Science (AREA)
  • Technology Law (AREA)
  • General Business, Economics & Management (AREA)
  • Physics & Mathematics (AREA)
  • Biomedical Technology (AREA)
  • Data Mining & Analysis (AREA)
  • Databases & Information Systems (AREA)
  • General Physics & Mathematics (AREA)
  • Pathology (AREA)
  • Strategic Management (AREA)
  • Marketing (AREA)
  • Economics (AREA)
  • Development Economics (AREA)
  • Financial Or Insurance-Related Operations Such As Payment And Settlement (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

문진을 통해 신체 정보, 과거력, 가족력, 생활 습관 등 고객의 건강관련 기본정보를 수집하고, 과거 건강검진 정보와 인구사회학적 변수를 수집하고, 이들 수집된 데이터 중 결측 데이터를 보정하여, 해당 고객의 예상 질환 및, 그 예상 질환의 발병 확률을 예측하는, 보험 설계를 위한 질환예측 서비스 시스템에 관한 것으로서, 과거 환자들의 인구사회학적 정보, 건강검진 데이터, 발병 데이터를 표본 데이터로 수집하는 표본자료 수집부; 고객의 인구사회학적 정보를 문진으로 입력받는 문진 입력부; 고객의 건강검진 데이터를 수집하는 건강검진 수집부; 상기 표본 데이터에서 고객과 유사한 유사군을 추출하고, 추출된 유사군의 대표값으로, 고객의 건강검진 데이터 중에서 결측 데이터를 대체하여 보정하는 결측치 보정부; 및, 고객의 인구사회학적 정보 및 보정된 건강검진 데이터를 이용하여 고객의 질환을 예측하는 질환 예측부를 포함하는 구성을 마련하여, 과거 환자들의 표본 데이터를 이용하여 고객의 결측 데이터를 보정함으로써, 고객의 건강검진 결과의 일부가 누락되더라도, 해당 고객의 예상 질환의 발병 확률을 예측할 수 있다.

Description

보험 설계를 위한 질환예측 서비스 시스템 { A disease prediction system for planning insurance }
본 발명은 문진을 통해 신체 정보, 과거력, 가족력, 생활 습관 등 고객의 건강관련 기본정보를 수집하고, 과거 건강검진 정보와 인구사회학적 변수를 수집하고, 이들 수집된 데이터 중 결측 데이터를 보정하여, 해당 고객의 예상 질환 및, 그 예상 질환의 발병 확률을 예측하는, 보험 설계를 위한 질환예측 서비스 시스템에 관한 것이다.
일반적으로, 보험은 우발적 사고나 병 따위의 장차 발생할 수 있는 일에 대비하여 미리 일정한 돈을 내게 하고, 약정된 조건이 성립될 경우 그에 맞는 일정 금액을 지급하는 제도이다. 대표적인 보험으로는 건강보험이 있다. 생활 수준이 높아지고 의료 기술이 발전함에 따라, 사람의 예상 기대 수명도 증가하여 의료비 부담 또한 증가하고 있다. 따라서, 예상 기대 수명의 증가로 인한 의료비 부담을 절감하기 위해, 암보험, 의료실비보험 등의 보험에 가입하여 질병에 대비하고 있다. 보험사들은 고객의 질병이 발생할수록 지급하는 보험금이 늘어나게 된다.
한편, 개인마다 건강상태, 체질, 생활 습관 등 다양한 요인에 따라 걸릴 수 있는 질병의 종류와 발병 확률이 다르다. 그럼에도 불구하고, 단순히 성별, 나이, 직업에만 맞춰 건강보험에 가입하게 되므로, 비교적 걸릴 확률이 낮은 질병에 대하여 고액의 보험료를 납부하게 되거나, 꼭 필요한 질병에 대하여 대비하지 못하는 사례가 발생할 수 있다.
반대로, 보험회사의 입장에서, 가입시 예상치보다 질병이 많이 발생되는 경우, 사차손(mortality loss) 등 손해가 발생할 수 있다. 따라서, 고객의 니즈를 최대한으로 충족시키는 것과 동시에 사차손이 발생할 가능성(또는 사차리스크)을 줄이기 위한 다양한 시도들이 보험업계 내에서 이루어지고 있다.
이를 위해, 각종 의료 시설에서 기초적인 진료를 받은 이후, 이러한 의료 시설의 진료 결과 및 피보험자의 현재 상태에 따라 예상 관련 질병의 보험에 가입시키려는 기술이 제시되고 있다[특허문헌 1,2]. 상기 선행기술은 피보험자 및 보험사 양측에 초기진료 단계에 의한 정확한 보험료 산출 및 정확도를 제공하려는 것이다.
그러나 상기 선행기술들은 피보험자의 건강정보를 완전하게 수집한다는 것을 전제로 하나, 현실적으로 피보험자의 건강 데이터를 완벽하게 획득할 수 없는 문제점이 있다.
단지 현재 피보험자의 건강 상태만을 고려하여 보험 상품을 선택하나, 해당 피보험자의 상태에 따라 소요되는 의료 비용을 고려하지 않고 있는 문제점이 있다.
예를 들어, 혈중 지질수치에 대한 4가지(총콜레스테롤, 고밀도 콜레스테롤, 저밀도 콜레스테롤, 중성지방) 결과값이 특정 시점 이후로 매년 검사되는 것이 아닌, 간헐적으로 검사를 시행한다. 따라서 고객의 건강검진 데이터를 가져오더라도 고객 중에서 상기와 같은 혈중 지질수치 항목들 중 일부에 대한 결과값이 없는 경우가 있다.
또한 실제 건강검진시 일부항목을 수검자가 검진센터에서 누락하기도 하여, 항상 완결한 검진결과가 남아 있는 것이 아니다. 또한 고객이 건강검진 결과를 직접 입력하는 경우에도 고객이 일부 결과값을 입력하지 못하는 경우가 발생할 수 있다.
따라서 고객의 건강관련 정보 중에서 일부가 결측되더라도, 해당 항목의 결측값에 대한 보정 기술이 매우 필요하다.
한국공개특허공보 제10-2003-0023667호(2003.03.19.공개) 한국공개특허공보 제10-2015-0049993호(2015.05.08.공개)
본 발명의 목적은 상술한 바와 같은 문제점을 해결하기 위한 것으로, 문진을 통해 신체 정보, 과거력, 가족력, 생활 습관 등 고객의 건강관련 기본정보를 수집하고, 과거 건강검진 정보와 인구사회학적 변수를 수집하고, 이들 수집된 데이터 중 결측 데이터를 보정하여, 해당 고객의 예상 질환 및, 그 예상 질환의 발병 확률을 예측하는, 보험 설계를 위한 질환예측 서비스 시스템을 제공하는 것이다.
또한, 본 발명의 목적은 환자들의 건강검진정보 및 발병 자료에 대하여 인구사회학적 변수를 기반으로 하는 표본 데이터로 수집하고, 고객의 인구사회학적 요인을 기준으로 표본 데이터를 적용하여, 해당 고객의 건강검진 데이터의 결측 데이터를 보정하는, 보험 설계를 위한 질환예측 서비스 시스템을 제공하는 것이다.
상기 목적을 달성하기 위해 본 발명은 보험 설계를 위한 질환예측 서비스 시스템에 관한 것으로서, 과거 환자들의 인구사회학적 정보, 건강검진 데이터, 발병 데이터를 표본 데이터로 수집하는 표본자료 수집부; 고객의 인구사회학적 정보를 문진으로 입력받는 문진 입력부; 고객의 건강검진 데이터를 수집하는 건강검진 수집부; 상기 표본 데이터에서 고객과 유사한 유사군을 추출하고, 추출된 유사군의 대표값으로, 고객의 건강검진 데이터 중에서 결측 데이터를 대체하여 보정하는 결측치 보정부; 및, 고객의 인구사회학적 정보 및 보정된 건강검진 데이터를 이용하여 고객의 질환을 예측하는 질환 예측부를 포함하는 것을 특징으로 한다.
또, 본 발명은 보험 설계를 위한 질환예측 서비스 시스템에 있어서, 상기 시스템은, 유사군 추출 변수를 선정하는 유사변수 선정부를 더 포함하고, 상기 결측치 보정부는 고객의 유사군 추출 변수의 데이터 값과 동일한 값을 가지는 데이터들을 유사군으로 추출하는 것을 특징으로 한다.
또, 본 발명은 보험 설계를 위한 질환예측 서비스 시스템에 있어서, 상기 유사변수 선정부는 사전에 정해진 후보 변수들을 조합하여 다수의 조합을 구성하고, 사전에 정해진 테스트 셋에 대하여, 각 조합별로 고객의 검진 데이터를 추정하고, 추정된 검진 데이터와, 테스트 셋의 실제 데이터의 차이 값을 구하고, 각 조합별 모든 테스트 셋의 차이값의 통계치를 오차로 설정하고, 사전에 정해진 오차 범위의 오차를 가지는 조합들을 추출하고, 추출된 조합들 중에서 변수의 개수가 가장 적은 조합의 변수들을 유사군 추출 변수로 선정하는 것을 특징으로 한다.
또, 본 발명은 보험 설계를 위한 질환예측 서비스 시스템에 있어서, 상기 유사군 추출 변수는 성별, 연령, BMI 수치로 구성되는 것을 특징으로 한다.
또, 본 발명은 보험 설계를 위한 질환예측 서비스 시스템에 있어서, 상기 결측치 보정부는 사전에 정해진 개수를 갖도록 유사군을 형성하되, 동일한 값을 가지는 표본 데이터들 중에서 랜덤하게 추출하는 것을 특징으로 한다.
또, 본 발명은 보험 설계를 위한 질환예측 서비스 시스템에 있어서, 상기 결측치 보정부는 환자군과 대조군을 각각 구하여, 유사군을 형성하되, 유사군을 동일한 개수의 환자군과 대조군을 합하여 구성하고, 대조군은 표본 데이터에서 질병을 진단받지 않은 환자의 데이터들로부터 추출하고, 환자군은 표본 데이터에서 질병을 진단받은 환자의 데이터들로부터 추출하는 것을 특징으로 한다.
또, 본 발명은 보험 설계를 위한 질환예측 서비스 시스템에 있어서, 상기 유사군의 대표값은 범주형 데이터의 경우, 해당 값들의 '최빈값'으로, 연속형 데이터의 경우 해당 값들의 '중앙값'으로 설정되는 것을 특징으로 한다.
또, 본 발명은 보험 설계를 위한 질환예측 서비스 시스템에 있어서, 상기 인구사회학적 정보는 성별, 연령, 거주지역, 보험가입유형, 소득분위, 장애유무, 신장, 체중을 포함하고, 상기 검진 데이터는, 허리둘레, 수축기 혈압, 이완기 혈압, 공복혈당, 총콜레스테롤, 고밀도 콜레스테롤, 저밀도 콜레스테롤, 트리글라세이드, 혈색소, 요단백, 혈청크레아티닌, 혈청지오티, 혈청지피티, 감마지티피를 포함하는 것을 특징으로 한다.
상술한 바와 같이, 본 발명에 따른 보험 설계를 위한 질환예측 서비스 시스템에 의하면, 개인 신체 정보와 가족력, 습관 외에도 거주지역, 장애, 소득, 보험가입 등 인구사회학적 변수를 고려하여 발병 가능성을 예측함으로써, 사용자가 향후 발병 가능성이 있는 질환을 보다 정확하게 예측할 수 있는 효과가 얻어진다.
또한, 본 발명에 따른 보험 설계를 위한 질환예측 서비스 시스템에 의하면, 과거 환자들의 표본 데이터를 이용하여 고객의 결측 데이터를 보정함으로써, 고객의 건강검진 결과의 일부가 누락되더라도, 해당 고객의 예상 질환의 발병 확률을 예측할 수 있는 효과가 얻어진다.
도 1은 본 발명을 실시하기 위한 전체 시스템에 대한 구성도.
도 2는 본 발명의 일실시예에 따른 보험 설계를 위한 질환예측 서비스 시스템의 구성에 대한 블록도.
도 3은 본 발명의 일실시예에 따른 질환예측모델의 입력 변수를 나타낸 표.
이하, 본 발명의 실시를 위한 구체적인 내용을 도면에 따라서 설명한다.
또한, 본 발명을 설명하는데 있어서 동일 부분은 동일 부호를 붙이고, 그 반복 설명은 생략한다.
먼저, 본 발명을 실시하기 위한 전체 시스템의 구성을 도 1을 참조하여 설명한다.
도 1에서 보는 바와 같이, 본 발명을 실시하기 위한 전체 시스템은 보험 설계사의 스마트폰 등 스마트 이동단말(10), 스마트 이동단말(10)에 설치되어 보험 설계를 지원하는 보험설계 클라이언트(20), 보험 설계 서비스를 제공하는 보험설계 서버(30), 및, 예상 질환의 발병 확률을 예측하는 예측 서버(50)로 구성된다. 스마트 이동단말(10) 및 보험설계 서버(30)는 인터넷 등 네트워크(80)를 통해 서로 연결된다. 또한, 건강검진 결과, 인구사회학적 기반 건강검진 결과의 통계 정보,질환 예측 정보 등을 저장하는 데이터베이스(40)를 추가적으로 구성될 수 있다.
먼저, 스마트 이동단말(10)은 보험 설계사가 이용하는 모바일 단말로서, 스마트폰, 패블릿, 태블릿PC 등 통상의 컴퓨팅 기능을 구비한 스마트 단말이다. 특히, 스마트 이동단말(10)은 어플리케이션 또는, 모바일용 어플리케이션(또는 앱, 어플) 등이 설치되어 실행될 수 있는 단말이다.
다음으로, 보험설계 클라이언트(20)는 스마트 이동단말(10)에 설치되어 수행되는 모바일용 어플리케이션(또는 앱, 어플)으로서, 보험설계 서버(30)와 연동하여 보험설계 서비스를 제공하는 프로그램 시스템이다.
즉, 보험설계 클라이언트(20)는 문진을 통해 고객의 건강 상태 등을 수집하거나, 고객의 발병 가능 질환이나 발명 확률을 예측하여 제공하는 등 보험설계 지원과 관련된 서비스를 제공한다.
다음으로, 보험설계 서버(30)는 통상의 어플리케이션 서버로서, 고객의 과거 검진 데이터 등을 수집하여 고객의 질환을 예측하고, 예측 결과에 따라 보험 설계를 제공하는 서버이다.
특히, 보험설계 서버(30)는 고객의 질환 예측을 예측 서버(50)에 요청하고, 예측 서버(50)로부터 예측 정보를 수신한다.
또한, 예측 서버(50)는 환자들의 인구사회학적 데이터 및, 과거 검진/진단 및 발병 데이터 등 표본 데이터를 수집하고, 이를 이용하여 고객의 질환을 예측한다. 특히, 고객의 인구사회학적 정보와 건강검진 정보를 수신하면, 해당 고객에 대한 질환을 예측한다.
또한, 예측 서버(50)는 해당 고객의 건강검진 정보 중 일부가 누락된 것으로 판단하면, 표본 데이터를 이용하여, 누락된 결측 데이터를 보정한다.
한편, 보험설계 서버(30)와 예측 서버(50)는 기능적으로 분리된 서버이며, 하나의 서버로도 구현될 수도 있다. 이하에서는 설명의 편의를 위하여, 보험설계 서버(30) 내에 예측 서버(50)의 기능이 구현되는 것으로 설명한다.
한편, 클라이언트(20)와, 보험설계 서버(30)(및 예측 서버(50))는 통상의 클라이언트와 서버의 구성 방법에 따라 구현될 수 있다. 즉, 전체 시스템의 기능들을 클라이언트의 성능이나 서버와 통신량 등에 따라 분담될 수 있다. 일례로서, 클라이언트(20)가 단순히 문진 등을 데이터를 수집하거나 분석 결과를 출력하는 작업만을 수행하고, 보험설계 서버(30)가 수집된 표본 자료를 수집하여 분석하거나, 고객의 질환을 예측할 수 있다. 또 다른 예로서, 보험설계 서버(30)는 고객의 과거 검진 데이터 수집 작업을 수행하고, 클라이언트(20)가 분석 작업이나 예측 작업 전체 또는 그 일부를 직접 수행할 수도 있다. 이하에서는 질환예측 서비스 시스템으로 설명하나, 서버-클라이언트의 구성 방법에 따라 다양한 분담 형태로 구현될 수 있다.
다음으로, 데이터베이스(40)는 환자들의 인구사회학적 정보와 건강검진 결과 등 표본 데이터를 저장하는 표본자료DB(41), 고객의 인구사회학적 정보 및 건강검진결과를 저장하는 고객건강정보DB(42), 고객의 발병 가능 질환 및 그 확률, 위험도 등을 저장하는 예측정보DB(43) 등을 포함한다. 그러나 상기 데이터베이스(40)의 구성은 바람직한 일실시예일 뿐이며, 구체적인 장치를 개발하는데 있어서, 접근 및 검색의 용이성 및 효율성 등을 감안하여 데이터베이스 구축이론에 의하여 다른 구조로 구성될 수 있다.
다음으로, 본 발명의 일실시예에 따른 보험 설계를 위한 질환예측 서비스 시스템(300)을 도 2를 참조하여 설명한다.
본 발명에 따른 질환예측 서비스 시스템(300)은 앞서 설명한 바와 같이, 보험설계 클라언트(20)와 보험설계 서버(30)(또는, 예측 서버(50))와 서버-클라이언트 방식으로 구현된다.
도 2에서 보는 바와 같이, 본 발명의 일실시예에 따른 질환예측 서비스 시스템(300)은 과거 환자들의 인구사회학적 정보, 건강검진 정보, 발병 데이터 등을 표본 데이터로 수집하는 표본자료 수집부(31), 고객의 인구사회학적 정보 등을 문진으로 입력받는 문진 입력부(32), 고객의 건강검진결과를 수집하는 건강검진 수집부(33), 고객의 건강검진결과 중에서 결측 데이터를 보정하는 결측치 보정부(34), 및, 고객의 인구사회학적 정보 및 보정된 건강검진결과를 이용하여 고객의 질환을 예측하는 질환 예측부(35)로 구성된다. 또한, 유사군 추출 변수를 선정하는 유사변수 선정부(36)를 더 포함하여 구성될 수 있다.
먼저, 표본자료 수집부(31)는 과거 환자들의 인구사회학적 정보, 건강검진 정보, 발병 데이터 등을 표본 데이터로 수집한다.
인구사회학적 정보는 환자의 건강 상태를 나타내는 데이터로서, 나이, 성별, 신장, 체중, 장애 유무, 생활 습관 등으로 구성된다.
또한, 건강검진 정보는 환자의 건강검진 데이터로서, 혈압, 콜레스테롤 수치, 혈색소, 요단백 수치 등 건강검진을 수행할 때 측정(검진)되는 데이터이다.
또한, 발병 데이터는 해당 환자의 발병된 질환에 대한 데이터로서, 해당 환자의 질환 발병 여부를 나타낸다.
한편, 표본 데이터는 인구사회학적 정보에 의해 분류 또는 식별되어 수집된다. 즉, 환자의 이름 등 환자를 식별하는 개인 정보는 제외되고, 나이, 성별, 신장, 체중, 장애 유무, 생활 습관 등 건강상태 정보를 기준으로 의료 데이터가 수집된다.
특히, 바람직하게는, 표본 데이터는 표본 코호트 DB를 이용한다. 표본코호트DB를 구축하고 있는 전체 데이터는 국민 100만명의 데이터를 의미한다. 해당 100만명의 대상자는 전국민의 성별 및 연령과 거주지역 분포를 기준으로 층화 추출되었으므로, 본 데이터를 통해 도출되는 결과값은 전국민을 대표한다고 할 수 있다.
다음으로, 문진 입력부(32)는 고객의 인구사회학적 정보를 문진으로 입력받는다.
앞서 설명한 바와 같이, 고객의 인구사회학적 정보는 나이, 성별, 신장, 체중, 장애 유무, 생활 습관, 소득 분위, 과거 병력, 가족 병력 등으로 구성된다. 고객의 인구사회학적 정보는 문진에 의해 취득된다. 따라서, 이하에서, 문진 데이터를 인구사회학적 데이터와 혼용한다.
일례로서, 보험 설계사의 스마트 이동단말(10)을 통해, 인구사회학적 정보를 문진하는 인터페이스를 제공하면, 고객이 각 문진에 대해 직접 응답하게 하여, 고객의 정보를 입력받는다.
바람직하게는, 문진은 26개의 항목으로 구성된다. 즉, 문진 데이터는 성별, 연령, 거주지역, 보험가입유형, 소득분위, 장애유무, 검진기관종류, 신장, 체중, 본인(뇌졸중, 심장병, 고혈압, 당뇨, 이상지질혈증, 폐결핵, 암포함 기타질환)과거력, 가족(뇌졸증, 심장병, 고혈압, 당뇨, 간장질환, 암)과거력, 흡연상태, 흡연기간, 하루흡연량, 음주습관, 1회음주량, 1주운동량 등을 포함한다.
다음으로, 건강검진 수집부(33)는 고객의 건강검진 데이터를 수집한다.
고객의 건강검진 데이터는 수축기 혈압, 이완기 혈압, 식전 혈당, 총콜레스테롤, 고밀도 콜레스테롤, 저밀도 콜레스테롤, 중성지방, 요단백 등 건강 검진 시 측정되는 데이터들로 구성된다.
이때, 고객의 건강검진 데이터는 고객이 직접 입력하거나, 고객의 공인인증 과정을 통해 가장 최근의 건강검진 데이터를 건강보험공단, 의료데이터 기관(건강인 사이트) 등으로부터 가져온다. 스마트 이동단말(10)에서 해당 사이트에 접근하여, 고객의 인증정보를 입력하고 직접 수집할 수 있다.
일반적으로, 국민건강보험공단 일반건강검진을 진행할 때, 검진 전 설문조사로 수집하는 항목을 문진 데이터라고 통상 부른다. 그러나 고객의 건강검진 데이터를 가져올 때, 건강검진 과정에서의 문진 데이터를 가져오지 못한다. 따라서 앞서 문진 입력부(32)를 통해, 해당 데이터를 입력받는다. 또한 사용자의 '신장'과 '체중'의 경우도 건강검진 항목에 포함되지만, 위와 같은 이유로 본 서비스에서는 문진에 포함된다.
통상 건강 검진시 측정되는 검진 데이터는, 허리둘레, 수축기 혈압, 이완기 혈압, 공복혈당, 총콜레스테롤, HDL 콜레스테롤, LDL 콜레스테롤 트리글라세이드, 혈색소, 요단백, 혈청크레아티닌, 혈청지오티, 혈청지피티, 감마지티피 등을 포함한다.
한편, 불러오는 건강검진결과 중 혈중 지질수치에 대한 4가지(총콜레스테롤, 고밀도 콜레스테롤, 저밀도 콜레스테롤, 중성지방) 검진 데이터는 특정 시점 이후로 매년 검사되지 않고 간헐적으로 검사된다. 따라서 최근 건강검진 데이터를 불러올 때, 해당 수치가 결측될 수 있다.
또한 실제 건강검진시 일부 항목을 검진센터에서 누락될 수 있다. 또한 고객이 직접 입력하는 경우, 고객이 일부 검진 데이터를 입력하지 못하여 결측 데이터가 발생할 수 있다.
다음으로, 유사변수 선정부(36)는 표본 데이터에서 유사군을 추출하기 위한 추출 변수(또는 유사군 추출 변수)를 선정한다.
정확한 질환 발생예측 값을 얻기 위해서는 기본적으로 사용자의 인구사회학적정보, 다양한 건강검진정보가 필요할 뿐만 아니라, 사용자의 과거질병이력, 가족의 질병이력, 평소생활습관 등이 필요하다. 하지만 현실적으로 사용자가 상기의 모든 정보를 기억하고 있는 것은 불가능하며, 사용자가 본인의 건강정보를 획득하는 것이 어렵거나, 개인정보보호 문제등으로 질환예측모델 활용의 어려움이 있는 경우가 많다.
따라서 정확도는 다소 떨어지더라도 사용자는 현재 당장 기억할 수 있는 간편한 문진 및 설문항목(연령, 체중, 키, 평소생활습관, 본인 및 가족 질병이력 등)만으로 보다 용이하게 질환예측모델을 활용할 수 있어야 한다. 다시 말해서, 환자의 건강과 관련된 모든 지표를 통해 향후 질환의 발생예측모델을 활용하기에는 무리가 있으므로, 간편하게 답변할 수 있는 문진 및 설문항목만으로 결과를 도출하거나, 해당 간편 항목만으로 나머지 응답을 하지 못한 건강관련 모든 수치를 추정할 수 있다면 매우 편리할 것이다.
추정해야 하는 결측치가 질환예측모델 내에서 성능에 미치는 영향이 클수록, 실제 분류나 예측모델의 성능저하에 주된 요인이 된다. 따라서 해당 결측값의 정확한 추정이 모델 전체 성능과 산출결과에 중요한 요인이 된다.
본 발명에서는, 표본 데이터(표본 코호트 DB)에서 고객의 특성과 유사한 군을 추출하고, 추출된 유사군의 대표값(평균값, 중앙값 등)으로 고객의 결측치를 대체하여 보정한다.
그런데 유사군을 추출할 때 추출 변수를 설정하는데 있어 다음과 같은 요소를 고려해야 한다.
먼저, 추출하는 군의 데이터는 결측이 최소화 된 군이어야 한다. 즉, 추출된 군의 데이터에 결측이 많다면, 그만큼 정확하고 객관적인 유사군을 형성할 수 없기 때문이다.
또한, 추출 변수는 질환예측모델 개발에 투입된 학습 변수 중 (시간이 흘러도) 가장 변화가 적은 변수이어야 한다. 예를 들어, 인구사회학적변수(거주지역, 소득수준, 보험가입유형 등), 건강검진결과, 평소생활습관 정보 등은 시간 및 조건의 변화에 따라 매우 크게 변화될 수 있다. 따라서 이러한 변수들은 대체값을 추정하는데 있어 최대한 제외되어야 한다.
또한, 추출 변수의 개수는 최소화 하여 추정값 산출의 부하를 줄여야 한다. 실제 질환예측모델 개발단계에 투입된 학습변수 전체를 결측치의 추정 기준으로 삼는 것은 해당 기술 구현 시간을 과도하게 증가시키는 현실적 한계를 가지고 있다. 특히, 변수가 많을수록 부하가 커지므로, 변수의 개수를 최소화 하는 것이 효율적이다.
유사변수 선정부(36)는 사전에 정의된 후보 변수들을 입력받는다. 즉, 관리자 등은 변화가 적은 변수나 결측되지 않는 변수를 선정하여, 후보 변수들을 사전에 정의해둔다. 바람직하게는, 후보 변수는 성별, 연령, 신장, 체중, BMI, 과거력 등으로 구성된다.
다음으로, 유사변수 선정부(36)는 후보 변수들의 조합을 구성한다. 일례로서, {성별, 연령}, {성별, 연령, 신장}, {성별, 연령, 체중}, {성별, 연령, BMI} 등 각 후보 변수들의 조합을 구성한다.
다음으로, 유사변수 선정부(36)는 사전에 정해진 테스트 셋을 입력받는다. 테스트 셋은 다수의 잠재고객 데이터들이다.
다음으로, 유사변수 선정부(36)는 각 조합별로 테스트 셋의 고객의 검진 데이터를 추정하고, 추정된 데이터와 실제 데이터의 차이 값들을 산출한다. 즉, 테스트 셋은 고객의 인구사회학적 정보, 검진 데이터, 발병 데이터 등을 포함한다. 따라서 검진 데이터의 특정 항목(변수)에 대하여 결측 데이터로 가정하여, 해당 변수의 데이터값을 추정한다. 그리고 추정된 값과, 테스트셋의 실제 데이터의 차이를 비교하여 차이값을 산출한다.
다음으로, 유사변수 선정부(36)는 각 조합별로 테스트셋의 차이값을 평균하여, 각 조합별 차이값의 평균을 구하고, 해당 평균을 각 조합별 오차로 설정한다.
다음으로, 유사변수 선정부(36)는 사전에 정해진 오차 범위 내에서 오차를 가지는 조합을 선별하고, 선별된 조합들 중에서 실제값과 가장 오차가 가장 작은 조합을 선정한다.
마지막으로, 유사변수 선정부(36)는 가장 적은 조합에 속하는 변수들을 유사군 추출 변수로 선정한다.
바람직하게는, 유사군 추출 변수는 성별, 연령, BMI 변수로 선정한다. 즉, 성별, 연령, BMI 이외의 요인을 결측값 추정기준으로 선정하기에는 추가되는 변수의 중요도와 이를 통한 산출결과의 통계량 및 성능도 우월하게 개선되지 않은 것으로 나타났다. 또한 위 3가지 요인 이외에 더 많은 변수를 고려할 경우, 타입(연속형 및 범주형)별 변수가 너무 많아져서, 이미 해당 변수에 결측이 존재하여 추정값 산출에 기여하지 못하거나, 결측치를 추정하는 기술구현의 시간적 소모가 매우 커지게 된다.
다음으로, 결측치 보정부(34)는 고객의 건강검진결과 중에서 결측 데이터를 보정한다. 특히, 결측치 보정부(34)는 질환예측모델의 입력 변수의 데이터 중에서 결측된 데이터를 보정한다.
즉, 결측치 보정부(34)는 표본 데이터 중에서 유사군을 추출하고, 해당 고객의 결측 데이터를 유사군의 대표값으로 설정하여 보정한다.
유사군은 유사군 추출 변수에 의해, 표준 데이터에서 일부가 추출된 데이터들의 집합을 말한다. 즉, 유사군은 표준 데이터의 부분 집합이다. 이때, 고객의 추출 변수(유사군 추출 변수)의 값과 동일한 값(동일한 범위의 값)을 가지는 데이터들이 추출된다.
또한, 유사군의 개수는 사전에 한정된 숫자로 정해질 수 있다. 이 경우, 동일한 값을 가지는 데이터들이 랜덤하게 추출된다. 즉, 유사군의 개수를 1만개로 한정할 수도 있으며, 데이터베이스 내 전수 데이터를 활용할 수도 있다.
또한, 유사군 추출 변수는 사전에 정해진 다수 개의 변수들로 구성된다. 바람직하게는, 유사군 추출 변수는 성별, 연령, BMI 수치로 구성된다. BMI 수치는 비만도를 판정하기 위한 지수로서, 신장과 체중의 비율을 사용하여 산출된다. 유사군 추출 변수의 값들이 모두 동일한 경우(동일한 범위인 경우), 해당 데이터가 추출된다.
즉, 고객의 성별, 연령, BMI 수치와, 동일한 표본 데이터가 유사군으로 추출된다. 이때, 추출 변수의 동일 여부는, 변수의 값들을 범위나 범주로 구분하고, 해당 범위나 범주에 포함되면 동일한 것으로 판단한다. 예를 들어, 나이는 만 19세부터 85세 이상까지, 5세 단위의 범주로 구분할 수 있고, 성별은 남자, 여자 등 2개의 범주로 구분될 수 있다. 또한, BMI 수치는 저체중부터 3단계 비만까지 총 6계의 단계로 구분할 수 있으며, 저체중은 18.5 미만, 3단계 비만은 35 이상으로 구분된다. 이 경우, BMI 수치가 31인 43세 여자의 데이터와, BMI 수치가 33인 41세 여자의 데이터는 동일한 군(유사군)으로 분류된다.
또한, 유사군을 추출할 때, 환자군과 대조군을 각각 구하여, 유사군을 형성한다. 바람직하게는, 유사군은 동일한 개수의 환자군과 대조군을 합하여 구성된다.
환자군은 표본 데이터에서 질병을 진단받은 환자의 데이터들의 집합이고, 대조군은 표본 데이터에서 질병을 진단받지 않은 환자의 데이터들의 집합을 말한다. 즉, 예측하고자 하는 질환의 질병코드(ex. 제2형당뇨:E11)를 주 진단으로 최초진단받은 환자의 당해연도 문진 데이터와 2년전 건강검진 데이터를 ‘환자군’ 데이터 셋으로 설정한다. 또한, 표본 데이터(또는 표본 코호트 DB)의 총 추적관찰 기간인 12년동안 주 진단 및 부 진단으로 해당 관련 질환(ex. 당뇨가 포함되어 있는 대사증후군 E00-99 전체 제외)에 대해 단 한 번도 해당질환을 진단받지 않은 사람들의 데이터를 ‘대조군’ 데이터셋으로 설정한다. 이때, 대조군의 수를 환자군의 데이터셋 수와 동일한 수로 랜덤하게 추출한다. 대조군의 데이터도 당해연도 문진데이터와 2년전 건강검진 데이터들로 구성한다.
특히, 바람직하게는, 유사군은 표본 데이터의 환자군과 대조군을 5:5로 설정한다. 즉, 질환 별 학습데이터는 환자군 및 대조군이 5:5로 설정된다. 다만, 결측치가 발생한 데이터가 환자군 데이터라면 환자군 데이터에서만 대체값이 산출되며, 반대로 대조군 데이터라면 대조군 데이터에서만 대체값이 산출된다.
한편, 유사군의 대표값은 범주형 데이터의 경우, 해당 값들의 '최빈값'으로, 연속형 데이터의 경우 해당 값들의 '중앙값'으로 설정된다.
즉, 결측치 보정의 기본 원리는 국민을 가장 대표하는 값을 넣는다는 것에 있다. 만약 사용자가 입력하는 데이터에서 결측값이 발생한다면 각 질환별로 구축된 학습 데이터셋 전체에서 연속형 변수(ex. 신장, 체중, 혈압, 혈당 등)는 중앙값이, 범주형 변수(ex. 거주지역, 소득수준, 음주, 흡연, 운동 등)는 최빈값이 보정값으로 대체된다.
예를 들어, 유사군은 모두 1만개의 데이터로 구성되고, 고객의 결측 데이터는 저밀도 콜레스테롤, 중성지방이라고 가정한다. 이때, 저밀도 콜레스테롤과 중성지방은 연속된 수치이므로, 유사군의 1만개의 데이터의 저밀도 콜레스테롤과 중성지방의 각각 중앙값으로 고객의 결측 데이터를 설정하여 보정한다.
요약하면, 결측치 보정부(34)는 표본 데이터로부터 고객의 유사군을 추출하고, 유사군의 대표값을 구하고, 구한 대표값으로 결측 데이터를 설정하여 보정한다.
다음으로, 질환 예측부(35)는 고객의 인구사회학적 정보 및 보정된 건강검진데이터를 이용하여 고객의 질환을 예측한다.
바람직하게는, 질환 예측부(35)는 질환예측모델을 사용하여 고객의 질환을 예측한다. 질환예측모델은 사전에 정해진 입력 변수의 입력값을 입력받으면, 사전에 정해진 각 질환 변수의 발병 확률을 출력한다.
특히, 질환예측모델은 신경망 등으로 구성되어, 학습 데이터에 의해 내부 변수들이 학습된다. 그리고 질환예측모델은 학습이 되면, 입력 변수의 값들을 입력받으면, 각 질환의 발병 확률을 출력시킨다.
질환예측모델은 각 질환 별 국내 환자를 대표할 수 있게 선정된 수천명에서부터 수만명까지의 건강검진결과, 인구사회학적요인, 생활습관 등 수백만 건을 기계학습(Machine Learning)한 인공지능 신경망의 결과물이다. 해당 산출결과는 사용자의 꾸준한 건강행태 개선 등으로 얼마든지 달라질 수 있다.
도 3은 질환예측모델의 입력 변수를 나타내고 있다. 도 3과 같이, 모두 총 44개의 입력 변수로 구성된다. 특히, 이들 입력 변수 중에서 15-18번(혈중 지질수치 관련) 변수에 대한 결측값 비율이 높다.
또한, 바람직하게는, 출력 변수는 12개의 질환(또는 12대 질환)에 대한 발병 확률로 구성된다. 특히, 질환은 유방암, 5대암, 암통합, 뇌혈관질환, 골다공증, 백내장, 고혈압, 비만, 당뇨, COPD(만성폐쇄성폐질환), 관절질환, 이상지혈증 등이다.
또한, 질환 예측부(35)는 해당 질환의 출력값이 사전에 정해진 기준 확률 이상이 되면 해당 질환을 발병 가능 질환으로 선정한다.
이상, 본 발명자에 의해서 이루어진 발명을 상기 실시 예에 따라 구체적으로 설명하였지만, 본 발명은 상기 실시 예에 한정되는 것은 아니고, 그 요지를 이탈하지 않는 범위에서 여러 가지로 변경 가능한 것은 물론이다.
10 : 스마트 이동단말 20 : 보험설계 클라이언트
30 : 보험설계 서버 31 : 표본자료 수집부
32 : 문진 입력부 33 : 건강검진 수집부
34 : 결측치 보정부 35 : 질환 예측부
36 : 유사변수 선정부
40 : 데이터베이스 41 : 표본자료DB
42 : 고객건강정보DB 43 : 예측정보DB
50 : 예측 서버 80 : 네트워크

Claims (8)

  1. 보험 설계를 위한 질환예측 서비스 시스템에 있어서,
    과거 환자들의 인구사회학적 정보, 건강검진 데이터, 발병 데이터를 표본 데이터로 수집하는 표본자료 수집부;
    고객의 인구사회학적 정보를 문진으로 입력받는 문진 입력부;
    고객의 건강검진 데이터를 수집하는 건강검진 수집부;
    상기 표본 데이터에서 고객과 유사한 유사군을 추출하고, 추출된 유사군의 대표값으로, 고객의 건강검진 데이터 중에서 결측 데이터를 대체하여 보정하는 결측치 보정부; 및,
    고객의 인구사회학적 정보 및 보정된 건강검진 데이터를 이용하여 고객의 질환을 예측하는 질환 예측부를 포함하는 것을 특징으로 하는 보험 설계를 위한 질환예측 서비스 시스템.
  2. 제1항에 있어서,
    상기 시스템은, 유사군 추출 변수를 선정하는 유사변수 선정부를 더 포함하고,
    상기 결측치 보정부는 고객의 유사군 추출 변수의 데이터 값과 동일한 값을 가지는 데이터들을 유사군으로 추출하는 것을 특징으로 하는 보험 설계를 위한 질환예측 서비스 시스템.
  3. 제2항에 있어서,
    상기 유사변수 선정부는 사전에 정해진 후보 변수들을 조합하여 다수의 조합을 구성하고, 사전에 정해진 테스트 셋에 대하여, 각 조합별로 고객의 검진 데이터를 추정하고, 추정된 검진 데이터와, 테스트 셋의 실제 데이터의 차이 값을 구하고, 각 조합별 모든 테스트 셋의 차이값의 통계치를 오차로 설정하고, 사전에 정해진 오차 범위의 오차를 가지는 조합들을 추출하고, 추출된 조합들 중에서 변수의 개수가 가장 적은 조합의 변수들을 유사군 추출 변수로 선정하는 것을 특징으로 하는 보험 설계를 위한 질환예측 서비스 시스템.
  4. 제3항에 있어서,
    상기 유사군 추출 변수는 성별, 연령, BMI 수치로 구성되는 것을 특징으로 하는 보험 설계를 위한 질환예측 서비스 시스템.
  5. 제1항에 있어서,
    상기 결측치 보정부는 사전에 정해진 개수를 갖도록 유사군을 형성하되, 동일한 값을 가지는 표본 데이터들 중에서 랜덤하게 추출하는 것을 특징으로 하는 보험 설계를 위한 질환예측 서비스 시스템.
  6. 제5항에 있어서,
    상기 결측치 보정부는 환자군과 대조군을 각각 구하여, 유사군을 형성하되, 유사군을 동일한 개수의 환자군과 대조군을 합하여 구성하고, 대조군은 표본 데이터에서 질병을 진단받지 않은 환자의 데이터들로부터 추출하고, 환자군은 표본 데이터에서 질병을 진단받은 환자의 데이터들로부터 추출하는 것을 특징으로 하는 보험 설계를 위한 질환예측 서비스 시스템.
  7. 제1항에 있어서,
    상기 유사군의 대표값은 범주형 데이터의 경우, 해당 값들의 '최빈값'으로, 연속형 데이터의 경우 해당 값들의 '중앙값'으로 설정되는 것을 특징으로 하는 보험 설계를 위한 질환예측 서비스 시스템.
  8. 제1항에 있어서,
    상기 인구사회학적 정보는 성별, 연령, 거주지역, 보험가입유형, 소득분위, 장애유무, 신장, 체중을 포함하고,
    상기 검진 데이터는, 허리둘레, 수축기 혈압, 이완기 혈압, 공복혈당, 총콜레스테롤, 고밀도 콜레스테롤, 저밀도 콜레스테롤, 트리글라세이드, 혈색소, 요단백, 혈청크레아티닌, 혈청지오티, 혈청지피티, 감마지티피를 포함하는 것을 특징으로 하는 보험 설계를 위한 질환예측 서비스 시스템.
KR1020200125198A 2019-12-27 2020-09-25 보험 설계를 위한 질환예측 서비스 시스템 KR102442873B1 (ko)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
KR1020190176817 2019-12-27
KR20190176817 2019-12-27

Publications (2)

Publication Number Publication Date
KR20210084224A true KR20210084224A (ko) 2021-07-07
KR102442873B1 KR102442873B1 (ko) 2022-09-14

Family

ID=76862365

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020200125198A KR102442873B1 (ko) 2019-12-27 2020-09-25 보험 설계를 위한 질환예측 서비스 시스템

Country Status (1)

Country Link
KR (1) KR102442873B1 (ko)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102393367B1 (ko) * 2021-11-15 2022-05-03 오브젠 주식회사 생존 분석 시스템 및 그 제어방법
KR20230031097A (ko) * 2021-08-26 2023-03-07 주식회사 빅데이터랩스 마이데이터 기반의 학생 건강 관리 방법 및 장치

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20030023667A (ko) 2003-02-26 2003-03-19 허용준 의료 검진 보험의 서비스 방법 및 이를 실행하기 위한프로그램을 기록한 컴퓨터로 읽을 수 있는 기록 매체
KR20150049993A (ko) 2013-10-31 2015-05-08 삼성생명보험주식회사 개인 맞춤형 보험정보 제공 방법 및 장치
KR20180058159A (ko) * 2016-11-23 2018-05-31 주식회사 셀바스에이아이 질환 발병 예측 방법 및 장치
KR20180058466A (ko) * 2016-11-24 2018-06-01 주식회사 셀바스에이아이 질환 발병 확률 예측 모델 학습 방법 및 장치
KR101876858B1 (ko) * 2017-03-13 2018-07-11 삼성화재해상보험 주식회사 질병 발현 예측 및 컨설팅 시스템

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20030023667A (ko) 2003-02-26 2003-03-19 허용준 의료 검진 보험의 서비스 방법 및 이를 실행하기 위한프로그램을 기록한 컴퓨터로 읽을 수 있는 기록 매체
KR20150049993A (ko) 2013-10-31 2015-05-08 삼성생명보험주식회사 개인 맞춤형 보험정보 제공 방법 및 장치
KR20180058159A (ko) * 2016-11-23 2018-05-31 주식회사 셀바스에이아이 질환 발병 예측 방법 및 장치
KR20180058466A (ko) * 2016-11-24 2018-06-01 주식회사 셀바스에이아이 질환 발병 확률 예측 모델 학습 방법 및 장치
KR101876858B1 (ko) * 2017-03-13 2018-07-11 삼성화재해상보험 주식회사 질병 발현 예측 및 컨설팅 시스템

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20230031097A (ko) * 2021-08-26 2023-03-07 주식회사 빅데이터랩스 마이데이터 기반의 학생 건강 관리 방법 및 장치
KR102393367B1 (ko) * 2021-11-15 2022-05-03 오브젠 주식회사 생존 분석 시스템 및 그 제어방법

Also Published As

Publication number Publication date
KR102442873B1 (ko) 2022-09-14

Similar Documents

Publication Publication Date Title
World Health Organization Trends in maternal mortality 2000 to 2020: estimates by WHO, UNICEF, UNFPA, World Bank Group and UNDESA/Population Division
Jusot et al. Variations in preventive care utilisation in Europe
Bustillos et al. Work productivity among adults with varied Body Mass Index: Results from a Canadian population-based survey
Hanson et al. The impact of quality on the demand for outpatient services in Cyprus
Gutacker et al. Hospital variation in patient-reported outcomes at the level of EQ-5D dimensions: evidence from England
Schirr-Bonnans et al. Cost of diabetic eye, renal and foot complications: a methodological review
KR102342770B1 (ko) 질병 예측치의 분포를 이용한 건강관리 상담 시스템
Bustamante The tradeoff between centralized and decentralized health services: evidence from rural areas in Mexico
WO2015132903A1 (ja) 医療データ分析システム、医療データ分析方法及び記憶媒体
KR102442873B1 (ko) 보험 설계를 위한 질환예측 서비스 시스템
CN111341446B (zh) 一种个性化体检套餐推荐方法
Sugiyama et al. Variation in process quality measures of diabetes care by region and institution in Japan during 2015–2016: an observational study of nationwide claims data
Bahrampour et al. Hospital service quality–patient preferences–a discrete choice experiment
Bíró Supplementary private health insurance and health care utilization of people aged 50+
Frochen et al. Functional status and adaptation: measuring activities of daily living and device use in the National Health and aging trends study
Nolan A dynamic analysis of GP visiting in Ireland: 1995–2001
Anagnostopoulos et al. Comparison between exploratory factor-analytic and SEM-based approaches to constructing SF-36 summary scores
KR20210084231A (ko) 질환별 발생예측값 분포를 활용한 보험 설계 상담 서비스 시스템
Kamerāde et al. Unemployment, volunteering, subjective well-being and mental health
Basu et al. A linear index for predicting joint health‐states utilities from single health‐states utilities
Schapira et al. Menopausal hormone therapy decisions: insights from a multi-attribute model
Stirling et al. Contracting treatment services in Australia: Do measures adhere to best practice?
US20190180851A1 (en) System and method for predicting non-adherence risk based on socio-economic determinates of health
Tekieh et al. Analysing healthcare coverage with data mining techniques
Park et al. Health care spending, use, and financial hardship among traditional Medicare and Medicare advantage enrollees with mental health symptoms

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