KR20210084979A - Method and system for predicting cardiovascular disease risk - Google Patents

Method and system for predicting cardiovascular disease risk Download PDF

Info

Publication number
KR20210084979A
KR20210084979A KR1020190177543A KR20190177543A KR20210084979A KR 20210084979 A KR20210084979 A KR 20210084979A KR 1020190177543 A KR1020190177543 A KR 1020190177543A KR 20190177543 A KR20190177543 A KR 20190177543A KR 20210084979 A KR20210084979 A KR 20210084979A
Authority
KR
South Korea
Prior art keywords
cardiovascular disease
data
risk
predictor
patient
Prior art date
Application number
KR1020190177543A
Other languages
Korean (ko)
Other versions
KR102427749B1 (en
Inventor
양여리
조재형
황영덕
주재웅
김영인
김영근
현엽
Original Assignee
(주)아이쿱
가톨릭대학교 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 (주)아이쿱, 가톨릭대학교 산학협력단 filed Critical (주)아이쿱
Priority to KR1020190177543A priority Critical patent/KR102427749B1/en
Publication of KR20210084979A publication Critical patent/KR20210084979A/en
Application granted granted Critical
Publication of KR102427749B1 publication Critical patent/KR102427749B1/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
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
    • A61B5/7271—Specific aspects of physiological measurement analysis
    • A61B5/7275—Determining trends in physiological measurement data; Predicting development of a medical condition based on physiological measurements, e.g. determining a risk factor
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
    • A61B5/7271—Specific aspects of physiological measurement analysis
    • A61B5/7278—Artificial waveform generation or derivation, e.g. synthesising signals from measured signals
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/74—Details of notification to user or communication with user or patient ; user input means
    • A61B5/7465—Arrangements for interactive communication between patient and care services, e.g. by using a telephone network
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B6/00—Apparatus for radiation diagnosis, e.g. combined with radiation therapy equipment
    • A61B6/52—Devices using data or image processing specially adapted for radiation diagnosis
    • A61B6/5211—Devices using data or image processing specially adapted for radiation diagnosis involving processing of medical diagnostic data
    • A61B6/5217—Devices using data or image processing specially adapted for radiation diagnosis involving processing of medical diagnostic data extracting a diagnostic or physiological parameter from medical diagnostic data
    • 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
    • G16H30/00—ICT specially adapted for the handling or processing of medical images
    • G16H30/20—ICT specially adapted for the handling or processing of medical images for handling medical images, e.g. DICOM, HL7 or PACS
    • 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
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/70—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for mining of medical data, e.g. analysing previous cases of other patients

Abstract

An embodiment of the present invention relates to a cardiovascular disease risk prediction method and a system thereof. The method, which is used to predict a cardiovascular disease risk of a subject patient by instructing a risk engine on a risk prediction server, includes the following steps of: acquiring prediction factor data of existing patients; acquiring cardiovascular disease data of the existing patients; generating prediction factor-cardiovascular disease data by matching the prediction factor data with the cardiovascular disease data; instructing the risk engine with the prediction factor-cardiovascular disease data, which is instruction data; acquiring prediction factor data of the subject patient; and deriving cardiovascular disease data of the subject patient by inputting the acquired prediction factor data of the subject patient into the risk engine.

Description

심혈관 질환 위험도 예측 방법 및 시스템{METHOD AND SYSTEM FOR PREDICTING CARDIOVASCULAR DISEASE RISK}Cardiovascular disease risk prediction method and system {METHOD AND SYSTEM FOR PREDICTING CARDIOVASCULAR DISEASE RISK}

본 발명은 심혈관 질환 위험도 예측 방법 및 시스템에 관한 것이다. 보다 상세하게는, 무증상 제2형 당뇨병 환자의 심혈관 질환 위험도를 예측하는 방법 및 시스템에 관한 것이다. The present invention relates to a method and system for predicting cardiovascular disease risk. More particularly, it relates to a method and system for predicting cardiovascular disease risk in asymptomatic type 2 diabetes patients.

당뇨병 환자의 사망원인 중에서 65%는 심장질환이나 뇌졸증에 의한 것으로 심혈관질환은 당뇨병환자의 주요한 사망 원인이다. Among the causes of death in diabetic patients, 65% are due to heart disease or stroke, and cardiovascular disease is the main cause of death in diabetic patients.

이러한 당뇨병에 의한 미세혈관 및 대혈관 합병증은, 눈, 신장, 관상동맥, 말초혈관, 뇌혈관과 같은 표적장기에 손상을 일으키며, 이러한 손상은 장기간의 무증상 시기를 거쳐 증상이 나타날 때에는 이미 합병증이 진행된 상태로 발견된다. These microvascular and macrovascular complications caused by diabetes cause damage to target organs such as eyes, kidneys, coronary arteries, peripheral blood vessels, and cerebrovascular vessels. found in state

서구화 및 산업화로 인한 생활습관의 변화 및 노인인구 증가로 인해 제2형 당뇨병의 유병률이 급속히 증가하고 있고, 더불어 당뇨병의 대혈관 합병증, 특히 동맥경화성 혈관 합병증의 증가가 예측된다. The prevalence of type 2 diabetes is rapidly increasing due to changes in lifestyle and an increase in the elderly population due to westernization and industrialization, and the macrovascular complications of diabetes, especially arteriosclerotic vascular complications, are expected to increase.

당뇨병 환자의 심혈관질환의 발생빈도는, 당뇨병이 없는 성인에 비해서 2~5배 높고, 기존 심혈관질환의 과거력이 있는 비당뇨인의 위험도와 동일하여 당뇨병을 관상동맥질환에 상응하는 위험군(Coronary heart disease risk equivalent)으로 규정하고 있다. The incidence of cardiovascular disease in diabetic patients is 2 to 5 times higher than in adults without diabetes, and the risk is the same as that of non-diabetics with a history of cardiovascular disease, so diabetes is classified as a risk group corresponding to coronary artery disease (Coronary heart disease risk). equivalent).

심혈관질환은, 초기에 내피세포 기능장애의 단계를 거쳐 서서히 죽상경화증으로 진행하여 결국에는 심근경색, 불안정 협심증 및 급사와 같은 급성 심혈관 사건을 일으킨다. Cardiovascular disease initially progresses through a stage of endothelial dysfunction and gradually progresses to atherosclerosis, eventually leading to acute cardiovascular events such as myocardial infarction, unstable angina, and sudden death.

특히, 당뇨병에서는, 고혈당, 이상지질혈증, 인슐린 저항성 등의 대사이상이 동반되며, 이로 인해 혈관의 정상적인 기능이 손상되고 죽상경화증에 취약한 상태가 된다. 당뇨병이 죽상동맥경화의 진행을 촉진시키는 기전은 완전히 밝혀지지 않았으나, 혈관내피세포와 혈관평활근세포 이상, 혈전혈성 경향이 원인으로 고려되고 있다. In particular, diabetes mellitus is accompanied by metabolic abnormalities such as hyperglycemia, dyslipidemia, and insulin resistance, thereby impairing the normal function of blood vessels and making them vulnerable to atherosclerosis. The mechanism by which diabetes promotes the progression of atherosclerosis has not been fully elucidated.

그러므로, 급성 심혈관 사건이 발생하기 전 무증상 환자에서 심혈관 질환 발병 위험도를 평가하고 조기에 정밀검사 및 적절한 치료가 행해질 수 있다면, 당뇨병환자의 심혈관질환으로 인한 이완율과 사망률을 감소시킬 수 있을 것이다. Therefore, if the risk of developing cardiovascular disease in asymptomatic patients before the occurrence of an acute cardiovascular event can be evaluated, and early detailed examination and appropriate treatment can be performed, the relaxation rate and mortality due to cardiovascular disease in diabetic patients can be reduced.

당뇨병 환자에게서 심혈관질환을 조기 선별하기 위한 여러가지 검사법 중, 컴퓨터 단층촬영(Computerized Tomography, CT)이 존재한다. Among various test methods for early screening of cardiovascular disease in diabetic patients, computerized tomography (CT) exists.

자세히, 컴퓨터 단층촬영(CT)은, X선을 투과시켜 그 흡수차이를 컴퓨터로 재구성하여 인체의 단면영상(Cross-sectional Image)을 얻거나 3차원적인 입체영상을 얻는 영상진단법이다.　 In detail, computed tomography (CT) is an imaging method that transmits X-rays and reconstructs the difference in absorption with a computer to obtain a cross-sectional image or a three-dimensional image of the human body.

이러한 컴퓨터 단층촬영(CT)은, 컴퓨터를 이용하여 계산 및 영상을 재구성하므로 5mm 이하의 아주 작은 조직의 밀도차이를 구별할 수 있어, 질병의 조기진단과 함께 그 구성성분까지도 확인할 수 있는 진단기법이다. Computed tomography (CT) is a diagnostic technique that uses a computer to calculate and reconstruct images, so it is possible to discriminate differences in density of very small tissues of 5 mm or less, so that early diagnosis of diseases and their constituents can be confirmed. .

그러나, 컴퓨터 단층촬영(CT)은, X선을 이용한 검사이므로 방사선 조사에 따르는 위험성이 있을 수 있고, 그 비용이 상당하여 빈번한 이용에는 어려움이 따른다. However, since computed tomography (CT) is an examination using X-rays, there may be risks associated with radiation irradiation, and the cost is considerable, so frequent use is difficult.

그러므로, 무증상의 제2형 당뇨병 환자에게서 발병할 수 있는 심혈관 질환으로 인한 사고를 효과적으로 예방하기 위해서, 무증상 환자가 심혈관 잘환을 동반하고 있을 위험도를 조기에 평가하고, 이를 명확하게 확인시켜줄 추가적인 정밀 검사나 조치(예컨대, 컴퓨터 단층촬영(CT) 촬영)가 필요한지를 사전에 판단할 수 있는 기술의 도입이 요구되고 있다. Therefore, in order to effectively prevent accidents due to cardiovascular disease that can occur in asymptomatic type 2 diabetes patients, early evaluation of the risk that asymptomatic patients are accompanied by cardiovascular disease, and additional detailed examinations or The introduction of a technology that can determine in advance whether measures (eg, computed tomography (CT) imaging) is required is required.

즉, 증상(통증이나 숨참 증상 등)이 없음에도 불구하고 현재 당장 추가적인 치료를 요하는 수준의 심각한 심혈관 질환(예컨대, 70% 이상의 내경 협착)을 동반할 가능성이 있는 무증상 제2형 당뇨병 환자의 심혈관 질환 유무 위험도를 예측하여, 심혈관 질환으로 인한 사고(예컨대, 심근경색, 심장질환으로 인한 사망 등)를 예방할 수 있는 신기술의 개발이 필요한 실정이다. In other words, despite the absence of symptoms (such as pain or shortness of breath), cardiovascular disease in asymptomatic type 2 diabetes patients who are likely to have severe cardiovascular disease (eg, internal diameter stenosis of 70% or more) that requires additional treatment immediately. There is a need to develop a new technology capable of predicting the risk of the presence or absence of a disease and preventing accidents (eg, myocardial infarction, death due to heart disease, etc.)

더하여, 무증상 환자의 신체 상태는, 시간이 지남에 따라 자연적 또는 의도적으로 변화를 나타내게 된다. 그러나, 종래의 기술에서는 현재의 환자 상태에만 기반하여 심혈관 질환 발병 위험도를 예측하므로, 환자의 신체 상태의 변화에 따른 미래의 심혈관 질환 발병 위험도를 사전에 파악하고, 이에 대한 조기 처방을 수행할 수 있는 신기술의 개발이 필요하다. In addition, the physical condition of asymptomatic patients naturally or intentionally changes over time. However, in the prior art, since the risk of cardiovascular disease is predicted based only on the current state of the patient, the risk of developing cardiovascular disease in the future according to the change of the patient's physical state can be identified in advance and an early prescription can be performed. The development of new technologies is necessary.

KRUS -10-1839910-10-1839910 B1B1

본 발명은, 무증상 제2형 당뇨병 환자(이하, 환자)의 심혈관 질환 위험도를 조기에 예측하여 제공하는 방법 및 시스템을 제공하는데 그 목적이 있다. An object of the present invention is to provide a method and system for predicting and providing the risk of cardiovascular disease in an asymptomatic type 2 diabetes patient (hereinafter referred to as the patient) in an early stage.

자세히, 본 발명은, 환자의 심혈관 질환 동반 여부와 관련성 있는 예측인자를 획득하고, 획득된 예측인자를 기반으로 환자의 심혈관 질환 위험도를 측정하는 리스크 엔진(risk engine)을 학습시키는 심혈관 질환 위험도 예측 방법 및 시스템을 제공하고자 한다. In detail, the present invention provides a cardiovascular disease risk prediction method for acquiring a predictor related to whether a patient is accompanied by a cardiovascular disease, and learning a risk engine for measuring a patient's cardiovascular disease risk based on the obtained predictor and to provide a system.

또한, 본 발명은, 환자의 심혈관 질환 데이터를 획득하고, 획득된 심혈관 질환 데이터를 기초로 환자의 심혈관 질환 위험도를 측정하는 리스크 엔진을 학습시키는 심혈관 질환 위험도 예측 방법 및 시스템을 제공하고자 한다. Another object of the present invention is to provide a cardiovascular disease risk prediction method and system for acquiring cardiovascular disease data of a patient and learning a risk engine that measures a patient's cardiovascular disease risk based on the acquired cardiovascular disease data.

또한, 본 발명은, 환자의 심혈관 질환 데이터를 컴퓨터 단층촬영 이미지에 기초하여 획득가능한 심혈관 질환 위험도 예측 방법 및 시스템을 제공하고자 한다. Another object of the present invention is to provide a method and system for predicting the risk of cardiovascular disease in which cardiovascular disease data of a patient can be obtained based on computed tomography images.

또한, 본 발명은, 학습된 리스크 엔진을 통해 획득된 환자의 심혈관 질환 위험도에 기반하여 해당 환자에게 컴퓨터 단층촬영과 같으 추가적인 정밀 검사나 조치가 필요한지를 사전에 판단하는 심혈관 질환 위험도 예측 방법 및 시스템을 제공하고자 한다. In addition, the present invention provides a cardiovascular disease risk prediction method and system for determining in advance whether an additional detailed examination or action such as computed tomography is required for the patient based on the patient's cardiovascular disease risk obtained through the learned risk engine. would like to provide

또한, 본 발명은, 환자의 예측인자 값을 임의로 변경하여, 현재의 환자 상태뿐만 아니라 미래의 환자 상태를 기반으로 해당 환자의 심혈관 질환 위험도를 측정하여 제공하는 심혈관 질환 위험도 예측 방법 및 시스템을 제공하고자 한다. In addition, the present invention is to provide a method and system for predicting cardiovascular disease risk by arbitrarily changing the predictor value of the patient, and measuring the cardiovascular disease risk of the patient based on the current patient status as well as the future patient status do.

다만, 본 발명 및 본 발명의 실시예가 이루고자 하는 기술적 과제는 상기된 바와 같은 기술적 과제들로 한정되지 않으며, 또 다른 기술적 과제들이 존재할 수 있다. However, the technical problems to be achieved by the present invention and embodiments of the present invention are not limited to the technical problems as described above, and other technical problems may exist.

본 발명의 실시예에 따른 심혈관 질환 위험도 예측 방법 및 시스템은, 리스크 예측 서버에서 리스크 엔진을 학습시켜 대상 환자의 심혈관 질환 위험도를 예측하는 방법으로서, 기존 환자의 예측인자 데이터를 획득하는 단계; 상기 기존 환자의 심혈관 질환 데이터를 획득하는 단계; 상기 예측인자 데이터와 상기 심혈관 질환 데이터를 매칭하여 예측인자-심혈관 질환 데이터를 생성하는 단계; 상기 예측인자-심혈관 질환 데이터를 학습 데이터로 상기 리스크 엔진을 학습시키는 단계; 상기 대상 환자의 예측인자 데이터를 획득하는 단계; 및 상기 획득된 대상 환자의 예측인자 데이터를 상기 리스크 엔진에 입력하여 상기 대상 환자의 심혈관 질환 데이터를 도출하는 단계를 포함한다. A method and system for predicting cardiovascular disease risk according to an embodiment of the present invention is a method for predicting the cardiovascular disease risk of a target patient by learning a risk engine from a risk prediction server, the method comprising: acquiring predictor data of an existing patient; acquiring cardiovascular disease data of the existing patient; generating predictor-cardiovascular disease data by matching the predictor data with the cardiovascular disease data; learning the risk engine using the predictor-cardiovascular disease data as learning data; obtaining predictor data of the target patient; and inputting the obtained predictor data of the target patient into the risk engine to derive cardiovascular disease data of the target patient.

이때, 상기 기존 환자의 예측인자 데이터를 획득하는 단계는, 전자의무기록 데이터베이스로부터 획득된 상기 기존 환자의 전자의무기록 데이터(EMR)를 필터링하는 단계를 포함한다. In this case, the obtaining of the predictor data of the existing patient includes filtering the electronic medical record data (EMR) of the existing patient obtained from the electronic medical record database.

또한, 상기 기존 환자의 예측인자 데이터를 획득하는 단계는, 상기 예측인자 데이터 중 결측치(missing-data)가 존재하는 경우, 일반적 통계 모델에 따라서 상기 결측치를 소정의 값으로 보충하는 단계를 더 포함한다. In addition, the step of acquiring the predictor data of the existing patient further includes the step of supplementing the missing value with a predetermined value according to a general statistical model if there is a missing value among the predictor data. .

또한, 상기 기존 환자의 심혈관 질환 데이터를 획득하는 단계는, 전자의무기록 데이터베이스로부터 획득되는 상기 기존 환자의 전자의무기록 데이터 내의 컴퓨터 단층촬영 이미지를 기초로 상기 심혈관 질환 데이터를 획득하는 단계를 포함한다. In addition, the acquiring of the cardiovascular disease data of the existing patient includes acquiring the cardiovascular disease data based on a computed tomography image in the electronic medical record data of the existing patient obtained from an electronic medical record database.

또한, 상기 컴퓨터 단층촬영 이미지를 기초로 상기 심혈관 질환 데이터를 획득하는 단계는, 상기 컴퓨터 단층촬영 이미지로부터 제 1 메이저(major) 혈관 내지 제 3 메이저(major) 혈관을 포함하는 3개의 메이저(major) 혈관 및 제 1 메인(main) 혈관을 검출하고, 검출된 상기 제 1 메이저 혈관 내지 제 3 메이저 혈관 및 제 1 메인 혈관에 대한 혈관 내경의 상태를 파악하여, 상기 기존 환자에 대한 상기 심혈관 질환 위험도를 도출하는 단계를 포함한다. In addition, the step of obtaining the cardiovascular disease data based on the computed tomography image may include: three major vessels including a first major blood vessel to a third major blood vessel from the computed tomography image. The blood vessel and the first main blood vessel are detected, and the state of the inner diameter of the detected first to third major blood vessels and the first main blood vessel is determined, and the cardiovascular disease risk for the existing patient is calculated. It includes the step of deriving.

또한, 상기 리스크 엔진을 학습시키는 단계는, 서로 다른 모델로 형성된 복수의 상기 리스크 엔진을 학습시키는 단계와, 상기 서로 다른 모델로 형성된 복수의 상기 리스크 엔진 중 정확도가 가장 높은 리스크 엔진을 가동 리스크 엔진으로 결정하는 단게를 포함한다. In addition, the step of learning the risk engine includes learning a plurality of the risk engines formed with different models, and using the risk engine with the highest accuracy among the plurality of risk engines formed with the different models as an operating risk engine. Includes decision-making steps.

또한, 본 발명의 실시예에 따른 심혈관 질환 위험도 예측 방법 및 시스템은, 상기 대상 환자의 예측인자 데이터와 상기 대상 환자의 심혈관 질환 데이터를 매칭하여 상기 대상 환자의 예측인자-심혈관 질환 데이터를 생성하는 단계와, 상기 생성된 대상 환자의 예측인자-심혈관 질환 데이터를 상기 학습 데이터에 추가하여 상기 복수의 리스크 엔진을 반복 트레이닝하는 단계와,상기 복수의 리스크 엔진 중 하나를 가동 리스크 엔진으로 업데이트하는 단계를 더 포함한다. In addition, the method and system for predicting cardiovascular disease risk according to an embodiment of the present invention includes the steps of matching the predictor data of the target patient with the cardiovascular disease data of the target patient to generate predictor-cardiovascular disease data of the target patient and repeating training of the plurality of risk engines by adding the generated predictor-cardiovascular disease data to the learning data, and updating one of the plurality of risk engines to an operating risk engine. include

한편, 본 발명의 실시예에 따른 심혈관 질환 위험도 예측 방법 및 시스템은, 사용자 단말에서 리스크 엔진을 이용하여 환자의 심혈관 질환 위험도를 예측하는 방법으로서, 상기 심혈관 질환 위험도를 예측하고자 하는 환자인 대상 환자의 예측인자 데이터를 획득하는 단계; 상기 획득된 예측인자 데이터를 기반으로 상기 대상 환자에 대한 심혈관 질환 데이터를 획득하는 단계; 상기 획득된 심혈관 질환 데이터를 기반으로, 상기 대상 환자의 심혈관 질환과 관련된 각종 정보를 제공하는 심혈관 질환 의료상담 보조 콘텐츠를 생성하여 디스플레이하는 단계; 상기 디스플레이된 심혈관 질환 의료상담 보조 콘텐츠 상에서 상기 예측인자 데이터를 변경하는 인자값 변경 인터페이스를 제공하는 단계; 상기 인자값 변경 인터페이스를 통한 사용자 입력을 기반으로 상기 예측인자 데이터를 변경하고, 상기 예측인자 데이터의 변경에 따른 미래 심혈관 질환 데이터를 획득하는 단계; 및 상기 획득된 미래 심혈관 질환 데이터를 기반으로, 상기 심혈관 질환 의료상담 보조 콘텐츠를 생성하여 디스플레이하는 단계를 포함하고, 상기 미래 심혈관 질환 데이터는, 상기 인자값 변경 인터페이스를 통해 변화된 상기 예측인자 데이터를 기반으로 도출되는 미래의 상기 대상 환자에 대한 상기 심혈관 질환 위험도를 나타내는 정보이다. On the other hand, the cardiovascular disease risk prediction method and system according to an embodiment of the present invention is a method for predicting the cardiovascular disease risk of a patient using a risk engine in a user terminal, obtaining predictor data; acquiring cardiovascular disease data for the target patient based on the acquired predictor data; generating and displaying cardiovascular disease medical consultation auxiliary content providing various information related to the cardiovascular disease of the target patient based on the obtained cardiovascular disease data; providing a factor value change interface for changing the predictor data on the displayed cardiovascular disease medical consultation auxiliary content; changing the predictor data based on a user input through the factor value change interface, and acquiring future cardiovascular disease data according to the change of the predictor data; and generating and displaying the cardiovascular disease medical consultation auxiliary content based on the acquired future cardiovascular disease data, wherein the future cardiovascular disease data is based on the predictor data changed through the factor value change interface It is information indicating the risk of cardiovascular disease for the target patient in the future derived as .

이때, 상기 획득된 예측인자 데이터를 기반으로 상기 대상 환자에 대한 심혈관 질환 데이터를 획득하는 단계는, 상기 예측인자 데이터를 상기 리스크 엔진에 입력하여 상기 대상 환자에 대한 심혈관 질환 데이터를 획득하는 단계를 포함한다. In this case, the step of obtaining the cardiovascular disease data for the target patient based on the obtained predictor data includes: inputting the predictor data into the risk engine to obtain cardiovascular disease data for the target patient do.

또한, 상기 심혈관 질환 의료상담 보조 콘텐츠는, 상기 환자의 심혈관 질환과 관련된 의료관련 이미지, 동영상, 애니메이션 및 텍스트 중 적어도 하나 이상의 조합으로 형성되고, 상기 환자의 나이, 고혈압 여부, 뇌혈관사고 과거병력, 공복시 혈당, 수축기 혈압, 사구체 여과율, 당뇨 약제 개수 및 당뇨 유병기간 정보를 포함하는 현재 상태정보와, 상기 현재 상태정보에 포함되는 상기 예측인자 데이터를 기반으로 상기 심혈관 질환 위험도를 판단한 결과 정보를 나타내는 요약 정보를 포함한다. In addition, the cardiovascular disease medical consultation auxiliary content is formed by a combination of at least one or more of medical-related images, videos, animations, and texts related to the patient's cardiovascular disease, the patient's age, whether hypertension, past history of cerebrovascular accidents, Summary representing information on the result of determining the risk of cardiovascular disease based on current status information including fasting blood glucose, systolic blood pressure, glomerular filtration rate, number of diabetic drugs, and diabetes duration information, and the predictor data included in the current status information include information.

본 발명의 실시예에 따른 심혈관 질환 위험도 예측 방법 및 시스템은, 환자의 심혈관 질환 위험도를 조기에 예측해 제공함으로써, 급성 심혈관 사건을 사전에 예방하는 적절한 치료를 수행할 수 있고, 이를 통해 심혈관 질환으로 인한 이완율과 사망률을 감소시킬 수 있는 효과가 있다. The cardiovascular disease risk prediction method and system according to an embodiment of the present invention provides an early prediction and provision of a patient's cardiovascular disease risk, so that an appropriate treatment to prevent an acute cardiovascular event can be performed in advance, and through this, It has the effect of reducing relaxation rate and mortality.

또한, 본 발명의 실시예에 따른 심혈관 질환 위험도 예측 방법 및 시스템은, 환자의 예측인자 데이터와 심혈관 질환 데이터를 기반으로 복수의 리스크 엔진(risk engine)을 학습시키고, 학습된 복수의 리스크 엔진 중 가장 정확도가 높은 리스크 엔진을 선택하여 환자의 심혈관 질환 위험도를 예측함으로써, 예측된 환자의 심혈관 질환 위험도의 정확도 및 신뢰성을 향상시킬 수 있는 효과가 있다. In addition, the cardiovascular disease risk prediction method and system according to an embodiment of the present invention learns a plurality of risk engines based on the patient's predictor data and cardiovascular disease data, and is the most By predicting a patient's cardiovascular disease risk by selecting a high-accuracy risk engine, it is possible to improve the accuracy and reliability of the predicted patient's cardiovascular disease risk.

또한, 본 발명의 실시예에 따른 심혈관 질환 위험도 예측 방법 및 시스템은, 환자의 심혈관 질환 데이터를 컴퓨터 단층촬영 이미지에 기초해 획득가능함으로써, 다각화된 방식으로 환자의 심혈관 질환 데이터를 획득할 수 있는 효과가 있다. In addition, the cardiovascular disease risk prediction method and system according to an embodiment of the present invention can acquire the patient's cardiovascular disease data based on the computed tomography image, thereby obtaining the patient's cardiovascular disease data in a diversified manner. there is

또한, 본 발명의 실시예에 따른 심혈관 질환 위험도 예측 방법 및 시스템은, 학습된 리스크 엔진을 통해 획득된 환자의 심혈관 질환 위험도를 기반으로, 해당 환자에게 컴퓨터 단층촬영(CT)과 같은 추가적인 정밀 검사나 조치가 필요한지를 사전에 판단하여 제공함으로써, 꼭 필요한 경우에 추가적인 검사나 조치를 수행하게 할 수 있는 효과가 있다. In addition, the cardiovascular disease risk prediction method and system according to an embodiment of the present invention, based on the patient's cardiovascular disease risk obtained through the learned risk engine, an additional detailed examination such as computed tomography (CT) or By determining in advance whether an action is necessary and providing it, there is an effect that an additional inspection or action can be performed when absolutely necessary.

또한, 본 발명의 실시예에 따른 심혈관 질환 위험도 예측 방법 및 시스템은, 환자의 예측인자 값을 예상가능한 미래의 값으로 임의 변경하여, 현재의 환자 상태뿐만 아니라 미래의 환자 상태를 기반으로 해당 환자의 심혈관 질환 위험도를 측정해 제공함으로써, 시간이 지남에 따라 자연적 또는 의도적으로 변화를 나타내는 환자의 상태에 기초한 미래의 심혈관 질환 위험도를 사전에 파악할 수 있고, 이에 대한 조기 처방을 수행할 수 있는 효과가 있다. In addition, the cardiovascular disease risk prediction method and system according to an embodiment of the present invention arbitrarily changes a predictor value of a patient to a predictable future value, so that the patient's By measuring and providing the risk of cardiovascular disease, it is possible to determine in advance the risk of future cardiovascular disease based on the patient's condition that shows natural or intentional changes over time, and has the effect of performing early prescription. .

다만, 본 발명에서 얻을 수 있는 효과는 이상에서 언급한 효과들로 제한되지 않으며, 언급하지 않은 또 다른 효과들은 아래의 기재로부터 명확하게 이해될 수 있다. However, the effects obtainable in the present invention are not limited to the above-mentioned effects, and other effects not mentioned can be clearly understood from the description below.

도 1은 본 발명의 실시예에 따른 심혈관 질환 위험도를 예측하는 시스템의 개념도이다.
도 2는 본 발명의 실시예에 따른 사용자 단말의 일례이다.
도 3은 본 발명의 실시예에 따른 심혈관 질환 위험도를 예측하는 시스템의 블록도이다.
도 4는 본 발명의 실시예에 따른 심혈관 질환 위험도를 예측하는 방법을 리스크 예측 서버의 관점에서 설명하기 위한 흐름도이다.
도 5는 본 발명의 실시예에 따른 적어도 둘 이상의 각기 다른 시점을 가지는 컴퓨터 단층촬영(CT) 이미지의 일례이다.
도 6은 본 발명의 실시예에 따른 심혈관 질환 위험도를 예측하는 방법을 사용자 단말의 관점에서 설명하기 위한 흐름도이다.
도 7a 및 7b는 본 발명의 실시예에 따른 심혈관 질환 데이터를 그래픽 이미지로 디스플레이하는 모습의 일례이다.
도 8은 본 발명의 실시예에 따른 미래 심혈관 질환 데이터를 그래픽 이미지로 디스플레이하는 모습의 일례이다. 1 is a conceptual diagram of a system for predicting cardiovascular disease risk according to an embodiment of the present invention.
2 is an example of a user terminal according to an embodiment of the present invention.
3 is a block diagram of a system for predicting cardiovascular disease risk according to an embodiment of the present invention.
4 is a flowchart illustrating a method for predicting the risk of cardiovascular disease according to an embodiment of the present invention from the perspective of a risk prediction server.
5 is an example of a computed tomography (CT) image having at least two different viewpoints according to an embodiment of the present invention.
6 is a flowchart illustrating a method of predicting the risk of cardiovascular disease from the perspective of a user terminal according to an embodiment of the present invention.
7A and 7B are examples of displaying cardiovascular disease data as a graphic image according to an embodiment of the present invention.
8 is an example of displaying future cardiovascular disease data as a graphic image according to an embodiment of the present invention.

본 발명은 다양한 변환을 가할 수 있고 여러 가지 실시예를 가질 수 있는 바, 특정 실시예들을 도면에 예시하고 상세한 설명에 상세하게 설명하고자 한다. 본 발명의 효과 및 특징, 그리고 그것들을 달성하는 방법은 도면과 함께 상세하게 후술되어 있는 실시예들을 참조하면 명확해질 것이다. 그러나 본 발명은 이하에서 개시되는 실시예들에 한정되는 것이 아니라 다양한 형태로 구현될 수 있다. 이하의 실시예에서, 제1, 제2 등의 용어는 한정적인 의미가 아니라 하나의 구성 요소를 다른 구성 요소와 구별하는 목적으로 사용되었다. 또한, 단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 복수의 표현을 포함한다. 또한, 포함하다 또는 가지다 등의 용어는 명세서상에 기재된 특징, 또는 구성요소가 존재함을 의미하는 것이고, 하나 이상의 다른 특징들 또는 구성요소가 부가될 가능성을 미리 배제하는 것은 아니다. 또한, 도면에서는 설명의 편의를 위하여 구성 요소들이 그 크기가 과장 또는 축소될 수 있다. 예컨대, 도면에서 나타난 각 구성의 크기 및 두께는 설명의 편의를 위해 임의로 나타내었으므로, 본 발명이 반드시 도시된 바에 한정되지 않는다.Since the present invention can apply various transformations and can have various embodiments, specific embodiments are illustrated in the drawings and described in detail in the detailed description. Effects and features of the present invention, and a method of achieving them, will become apparent with reference to the embodiments described below in detail in conjunction with the drawings. However, the present invention is not limited to the embodiments disclosed below and may be implemented in various forms. In the following embodiments, terms such as first, second, etc. are used for the purpose of distinguishing one component from another, not in a limiting sense. Also, the singular expression includes the plural expression unless the context clearly dictates otherwise. In addition, terms such as include or have means that the features or components described in the specification are present, and do not preclude the possibility that one or more other features or components will be added. In addition, in the drawings, the size of the components may be exaggerated or reduced for convenience of description. For example, since the size and thickness of each component shown in the drawings are arbitrarily indicated for convenience of description, the present invention is not necessarily limited to the illustrated bar.

이하, 첨부된 도면을 참조하여 본 발명의 실시예들을 상세히 설명하기로 하며, 도면을 참조하여 설명할 때 동일하거나 대응하는 구성 요소는 동일한 도면부호를 부여하고 이에 대한 중복되는 설명은 생략하기로 한다.Hereinafter, embodiments of the present invention will be described in detail with reference to the accompanying drawings, and when described with reference to the drawings, the same or corresponding components are given the same reference numerals, and the overlapping description thereof will be omitted. .

도 1은 본 발명의 실시예에 따른 심혈관 질환 위험도를 예측하는 시스템의 개념도이다. 1 is a conceptual diagram of a system for predicting cardiovascular disease risk according to an embodiment of the present invention.

도 1을 참조하면, 본 발명의 실시예에 따른 심혈관 질환 위험도 예측 방법 및 시스템은, 사용자 단말(100), 전자의무기록 데이터베이스(200: Electronic Medical Record Database, EMR-DB) 및 리스크 예측 서버(300)를 포함할 수 있다. Referring to FIG. 1 , the cardiovascular disease risk prediction method and system according to an embodiment of the present invention includes a user terminal 100 , an electronic medical record database 200 (Electronic Medical Record Database, EMR-DB), and a risk prediction server 300 . ) may be included.

여기서, 도 1의 각 구성요소는, 네트워크(Network)를 통해 연결될 수 있다. 네트워크는 사용자 단말(100), 전자의무기록 데이터베이스(200) 및 리스크 예측 서버(300) 등과 같은 각각의 노드 상호 간에 정보 교환이 가능한 연결 구조를 의미하는 것으로, 이러한 네트워크의 일 예에는 3GPP(3rd Generation Partnership Project) 네트워크, LTE(Long Term Evolution) 네트워크, WIMAX(World Interoperability for Microwave Access) 네트워크, 인터넷(Internet), LAN(Local Area Network), Wireless LAN(Wireless Local Area Network), WAN(Wide Area Network), PAN(Personal Area Network), 블루투스(Bluetooth) 네트워크, 위성 방송 네트워크, 아날로그 방송 네트워크, DMB(Digital Multimedia Broadcasting) 네트워크 등이 포함되나 이에 한정되지는 않는다. Here, each component of FIG. 1 may be connected through a network. The network refers to a connection structure in which information can be exchanged between each node, such as the user terminal 100, the electronic medical record database 200, and the risk prediction server 300, and an example of such a network is 3GPP (3rd Generation). Partnership Project) network, LTE (Long Term Evolution) network, WIMAX (World Interoperability for Microwave Access) network, Internet, LAN (Local Area Network), Wireless LAN (Wireless Local Area Network), WAN (Wide Area Network) , PAN (Personal Area Network), Bluetooth (Bluetooth) network, satellite broadcasting network, analog broadcasting network, DMB (Digital Multimedia Broadcasting) network, etc. are included, but are not limited thereto.

- 사용자 단말 - User terminal

본 발명의 실시예에서 사용자 단말(100)은, 환자의 심혈관 질환 위험도를 예측하는 서비스를 수행하기 위한 어플리케이션이 설치된 휴대용 단말인 스마트 폰, 디지털방송용 단말기, 휴대폰, PDA(personal digital assistants), PMP(portable multimedia player), 네비게이션, 태블릿 PC(tablet PC), 웨어러블 디바이스(wearable device) 및 스마트 글라스(smart glass) 등을 포함할 수 있다. In an embodiment of the present invention, the user terminal 100 includes a smart phone, a digital broadcasting terminal, a mobile phone, a personal digital assistant (PDA), a PMP (personal digital assistant), which is a portable terminal in which an application for performing a service for predicting a patient's cardiovascular disease risk is installed. portable multimedia player), navigation, tablet PC, wearable device, smart glass, and the like.

또한, 사용자 단말(100)은, 고정형 단말인 데스크 탑 PC, 노트북 컴퓨터(laptop computer), 울트라북(ultrabook)과 같은 퍼스널 컴퓨터 등과 같이 유/무선 통신을 기반으로 환자의 심혈관 질환 위험도를 예측하는 서비스를 제공하기 위한 어플리케이션이 설치된 장치를 더 포함할 수 있다. In addition, the user terminal 100 is a service for predicting the cardiovascular disease risk of a patient based on wired / wireless communication, such as a desktop PC, a laptop computer, a personal computer such as an ultrabook, which is a fixed terminal. It may further include a device in which an application for providing is installed.

실시예에서 이러한 사용자 단말(100)은, 사용자 단말(100)에 설치된 의료상담 프로그램을 실행하여 환자의 심혈관 질환과 관련된 각종 정보를 제공하는 심혈관 질환 상담 어플리케이션을 구동할 수 있다. In an embodiment, the user terminal 100 may run a cardiovascular disease consultation application that provides various information related to a patient's cardiovascular disease by executing a medical consultation program installed in the user terminal 100 .

또한, 사용자 단말(100)은, 구동된 심혈관 질환 상담 어플리케이션을 통하여 환자와 관련된 각종 데이터를 기반으로 해당 환자의 심혈관 질환과 관련된 각종 정보들을 획득 및 출력할 수 있다. In addition, the user terminal 100 may acquire and output various information related to the cardiovascular disease of the patient based on various data related to the patient through the driven cardiovascular disease counseling application.

자세히, 사용자 단말(100)은, 환자의 심혈관 질환에 관련된 각종 데이터를 획득할 수 있으며, 리스크 예측 서버(300)와 연동하여 획득된 데이터에 기반한 환자의 심혈관 위험도 정보를 의료상담 보조 콘텐츠를 통해 제공할 수 있다. 이에 대한 자세한 설명은 후술하기로 한다. In detail, the user terminal 100 may acquire various data related to the patient's cardiovascular disease, and provides cardiovascular risk information of the patient based on the acquired data in conjunction with the risk prediction server 300 through the medical consultation auxiliary content. can do. A detailed description thereof will be provided later.

이하, 첨부된 도면을 참조하여 사용자 단말(100)을 이루는 각 구성 요소에 대해 상세히 설명하고자 한다. Hereinafter, each component constituting the user terminal 100 will be described in detail with reference to the accompanying drawings.

도 2는 본 발명의 실시예에 따른 사용자 단말(100)의 일례이다. 2 is an example of a user terminal 100 according to an embodiment of the present invention.

도 2를 참조하면, 사용자 단말(100)은, 통신부(110), 입력부(120), 디스플레이부(130), 터치스크린(135: touch screen), 카메라(140), 저장부(150), 마이크(160), 스피커(170) 및 제어부(180)를 포함할 수 있다. Referring to FIG. 2 , the user terminal 100 includes a communication unit 110 , an input unit 120 , a display unit 130 , a touch screen 135 , a camera 140 , a storage unit 150 , and a microphone. 160 , a speaker 170 and a controller 180 may be included.

먼저, 통신부(110)는, 환자의 심혈관 질환 위험도를 예측하는 서비스를 제공하기 위한 각종 데이터 및/또는 정보 등을 송수신할 수 있다. First, the communication unit 110 may transmit/receive various data and/or information for providing a service for predicting a patient's cardiovascular disease risk.

실시예에서, 통신부(110)는, 리스크 예측 서버(300) 및/또는 타유저의 단말과 통신하여 환자의 심혈관 질환 위험도를 예측하는 서비스와 관련된 각종 데이터를 송수신할 수 있다. In an embodiment, the communication unit 110 may communicate with the risk prediction server 300 and/or another user's terminal to transmit/receive various data related to a service for predicting a patient's cardiovascular disease risk.

또한, 통신부(110)는, 환자의 심혈관 질환 위험도를 예측하는 서비스와 관련된 데이터를 외부 프린터로 전송하여 오프라인 출력물로 프린팅하도록 보조할 수 있다. Also, the communication unit 110 may transmit data related to a service for predicting a patient's cardiovascular disease risk to an external printer to assist in printing the data as an offline printout.

이러한 통신부(110)는, 이동통신을 위한 기술표준들 또는 통신방식(예를 들어, GSM(Global System for Mobile communication), CDMA(Code Division Multi Access), HSDPA(High Speed Downlink Packet Access), HSUPA(High Speed Uplink Packet Access), LTE(Long Term Evolution), LTE-A(Long Term Evolution-Advanced) 등)에 따라 구축된 이동 통신망 상에서 기지국, 외부의 단말, 임의의 서버 중 적어도 하나와 무선 신호를 송수신할 수 있다.This communication unit 110, the technical standards or communication methods for mobile communication (eg, Global System for Mobile communication (GSM), Code Division Multi Access (CDMA), High Speed Downlink Packet Access (HSDPA), HSUPA ( High Speed Uplink Packet Access), LTE (Long Term Evolution), LTE-A (Long Term Evolution-Advanced), etc.) can do.

다음으로, 입력부(120)는, 환자의 심혈관 질환 위험도를 예측하는 서비스와 관련된 사용자(의사)의 입력을 감지할 수 있다. Next, the input unit 120 may detect an input of a user (doctor) related to a service of predicting a patient's cardiovascular disease risk.

실시예로, 입력부(120)는, 환자와 의사 간의 의료상담 과정에서 제공되는 상담 입력 인터페이스를 통한 사용자의 입력을 감지할 수 있다. In an embodiment, the input unit 120 may detect a user's input through a consultation input interface provided during a medical consultation process between a patient and a doctor.

다음으로, 디스플레이부(130)는, 환자의 심혈관 질환 위험도를 예측하는 서비스와 관련된 다양한 정보를 그래픽 이미지를 출력할 수 있다. Next, the display unit 130 may output a graphic image of various information related to a service for predicting a patient's cardiovascular disease risk.

이러한 디스플레이부(130)는, 액정 디스플레이(liquid crystal display, LCD), 박막 트랜지스터 액정 디스플레이(thin film transistor-liquid crystal display, TFT LCD), 유기 발광 다이오드(organic light-emitting diode, OLED), 플렉서블 디스플레이(flexible display), 3차원 디스플레이(3D display), 전자잉크 디스플레이(e-ink display) 중에서 적어도 하나를 포함할 수 있다. The display unit 130 includes a liquid crystal display (LCD), a thin film transistor-liquid crystal display (TFT LCD), an organic light-emitting diode (OLED), and a flexible display. (a flexible display), a three-dimensional display (3D display), and may include at least one of an e-ink display (e-ink display).

또한, 상기 입력부(120) 및 상기 디스플레이부(130)가 결합되어 터치스크린(135)으로 구현될 수 있다. In addition, the input unit 120 and the display unit 130 may be combined to be implemented as a touch screen 135 .

다음으로, 카메라(140)는, 진료 및 의료상담 과정을 촬영하여 의료상담 관련 영상을 획득할 수 있다. 이때, 영상을 획득한 사용자 단말(100)은, 획득된 영상을 의료상담 보조 콘텐츠를 통해 출력할 수 있다. Next, the camera 140 may acquire a medical consultation-related image by photographing the treatment and medical consultation process. In this case, the user terminal 100 that has acquired the image may output the acquired image through the medical consultation auxiliary content.

또한, 카메라(140)는, 사용자 단말(100)의 전면 또는/및 후면에 배치되어 배치된 방향측을 촬영하여 영상을 획득할 수 있으며, 사용자 단말(100)의 외부에 배치되어 외부 시점에서 진료 과정을 촬영할 수도 있다. In addition, the camera 140 is disposed on the front or / and rear of the user terminal 100 to obtain an image by photographing the disposed direction side, and is disposed outside the user terminal 100 to provide treatment from an external viewpoint. You can also film the process.

사용자 단말(100)의 외부에 카메라(140)가 배치된 경우, 카메라(140)는, 통신부(110)를 통해 제어부(180)로 촬영한 진료 과정 영상을 송신할 수 있다. When the camera 140 is disposed outside the user terminal 100 , the camera 140 may transmit an image of a medical treatment process captured by the controller 180 through the communication unit 110 .

그리고 이러한 카메라(140)는, 이미지 센서와 영상 처리 모듈을 포함할 수 있다. In addition, the camera 140 may include an image sensor and an image processing module.

자세히, 카메라(140)는, 이미지 센서(예를 들면, CMOS 또는 CCD)에 의해 얻어지는 정지영상 또는 동영상을 처리할 수 있다. Specifically, the camera 140 may process a still image or a moving image obtained by an image sensor (eg, CMOS or CCD).

또한, 카메라(140)는, 영상 처리 모듈을 이용하여 이미지 센서를 통해 획득된 정지영상 또는 동영상을 가공해 필요한 정보를 추출하고, 추출된 정보를 제어부(180)에 전달할 수 있다.Also, the camera 140 may process a still image or a moving image obtained through an image sensor using an image processing module to extract necessary information, and transmit the extracted information to the controller 180 .

다음으로, 저장부(150)는, 본 발명의 실시예에 따른 환자의 심혈관 질환 위험도를 예측하는 서비스를 제공하는 각종 응용 프로그램, 데이터 및 명령어 중 어느 하나 이상을 저장할 수 있다. Next, the storage 150 may store any one or more of various application programs, data, and commands that provide a service for predicting a patient's cardiovascular disease risk according to an embodiment of the present invention.

실시예로 저장부(150)는, 환자의 예측인자 데이터, 예측인자-심혈관 질환 데이터 등을 저장하고 관리할 수 있다. In an embodiment, the storage unit 150 may store and manage the patient's predictor data, predictor-cardiovascular disease data, and the like.

이러한 저장부(150)는, ROM, RAM, EPROM, 플래시 드라이브, 하드 드라이브 등과 같은 다양한 저장기기일 수 있고, 인터넷(internet)상에서 상기 저장부(150)의 저장 기능을 수행하는 웹 스토리지(web storage)일 수도 있다.The storage unit 150 may be various storage devices such as ROM, RAM, EPROM, flash drive, hard drive, and the like, and web storage that performs the storage function of the storage unit 150 on the Internet (internet). ) may be

다음으로, 마이크(160)는, 의료상담 과정에서의 환자 및/또는 의사의 음성 입력을 감지할 수 있고, 감지된 음성을 기반으로 상담내용 녹음정보를 획득할 수 있다. Next, the microphone 160 may detect a voice input of a patient and/or a doctor during a medical consultation process, and may obtain consultation content recording information based on the sensed voice.

이때, 상담내용 녹음정보를 획득한 사용자 단말(100)은, 획득된 녹음정보를 의료상담 보조 콘텐츠를 통해 출력할 수 있다. In this case, the user terminal 100 that has obtained the recorded consultation information may output the obtained recorded information through the medical consultation auxiliary content.

다음으로, 스피커(170)는, 환자의 심혈관 질환 위험도를 예측하는 서비스와 관련된 오디오 정보를 출력할 수 있다. Next, the speaker 170 may output audio information related to a service of predicting a patient's cardiovascular disease risk.

실시예로, 스피커(170)는, 의료상담 보조 콘텐츠에 포함된 상담내용 녹음정보를 출력하여 제공할 수 있다. In an embodiment, the speaker 170 may output and provide consultation content recorded information included in the medical consultation auxiliary content.

마지막으로, 제어부(180)는, 환자의 심혈관 질환 위험도를 예측하는 서비스를 제공하기 위하여 전술한 각 구성요소의 전반적인 동작을 컨트롤할 수 있다. Finally, the controller 180 may control the overall operation of each of the above-described components in order to provide a service for predicting a patient's cardiovascular disease risk.

이러한 제어부(180)는, ASICs (application specific integrated circuits), DSPs(digital signal processors), DSPDs(digital signal processing devices), PLDs(programmable logic devices), FPGAs(field programmable gate arrays), 제어기(controllers), 마이크로 컨트롤러(micro-controllers), 마이크로 프로세스(microprocessors), 기타 기능 수행을 위한 전기적 유닛 중 적어도 하나를 이용하여 구현될 수 있다. The control unit 180, ASICs (application specific integrated circuits), DSPs (digital signal processors), DSPDs (digital signal processing devices), PLDs (programmable logic devices), FPGAs (field programmable gate arrays), controllers (controllers), It may be implemented using at least one of micro-controllers, microprocessors, and other electrical units for performing functions.

다만, 도 2에 도시된 구성요소들은 사용자 단말(100)을 구현하는데 있어서 필수적인 것은 아니어서, 본 명세서 상에서 설명되는 사용자 단말(100)은 위에서 열거된 구성요소들 보다 많거나, 또는 적은 구성요소들을 가질 수 있다. However, since the components shown in FIG. 2 are not essential in implementing the user terminal 100, the user terminal 100 described in the present specification may include more or fewer components than those listed above. can have

한편, 상술된 의료상담 보조 콘텐츠란, 의료관련 이미지, 동영상, 애니메이션 또는 텍스트들의 조합으로 형성되어, 사용자 단말(100)을 통해 디스플레이되어 의료상담을 보조하는 자료이다. On the other hand, the above-mentioned medical consultation assistance content is a combination of medical related images, videos, animations, or texts, and is displayed through the user terminal 100 to assist medical consultation.

자세히, 의료상담 보조 콘텐츠는, 의료상담을 보조하기 위한 시청각 자료들을 포함할 수 있다. 자세히, 시청각 자료는, 심혈관 질환 관리 콘텐츠, 통증 관리 콘텐츠, 당뇨병 관리 콘텐츠, 질병진단 콘텐츠, 치료방법 콘텐츠, 약물상담 콘텐츠, 진료비용 콘텐츠, 보험 정보 콘텐츠, 서명 콘텐츠, 기타 콘텐츠 및 전술한 콘텐츠들을 통합한 의료상담 콘텐츠 등을 포함할 수 있다.In detail, the medical consultation assistance content may include audiovisual materials to assist the medical consultation. In detail, audiovisual material integrates cardiovascular disease management content, pain management content, diabetes management content, disease diagnosis content, treatment method content, drug counseling content, medical cost content, insurance information content, signature content, other content, and the aforementioned content. It may include medical consultation contents, etc.

예를 들어, 의료상담 보조 콘텐츠에는, 환자의 심혈관 질환 위험도 정보, 신체기관 이미지, 질병 정보, 치료법 이미지, 치료법 정보, 약물 복약방법, 약물 정보 및 보험 정보 중 적어도 하나의 이미지나 정보들이 포함될 수 있으며, 상기 의료상담 콘텐츠을 작성하는데 사용되는 청각 정보도 보조로 포함될 수 있다. For example, the medical consultation auxiliary content may include at least one image or information of cardiovascular disease risk information, body organ image, disease information, treatment image, treatment information, medication method, medication information, and insurance information. , auditory information used to create the medical consultation content may also be included as an auxiliary.

또한, 실시예에서 의료상담 보조 콘텐츠는, 적어도 하나 이상의 의료관련 데이터(Electric Health Record, EHR)들을 기초로 생성된 시각 콘텐츠일 수 있다. Also, in an embodiment, the medical consultation auxiliary content may be visual content generated based on at least one or more electric health records (EHRs).

또한, 실시예에서 의료상담 보조 콘텐츠는, 병원 서버나 병원 데이터베이스로부터 수신한 전자의무기록(Electronic　Medical　Record, EMR)을 포함할 수 있다. In addition, in the embodiment, the medical consultation assistance content may include an electronic medical record (Electronic 　Medical 　Record, EMR) received from a hospital server or hospital database.

이와 같은 다양한 의료상담 보조 콘텐츠는, 사용자 단말(100)에서 의사의 선택에 따라서 상담에 활용되도록 표시되며, 사용자 단말(100)은 선택된 복수의 의료상담 보조 콘텐츠를 의사가 상담에 활용하기 쉽게 정렬하여 제공할 수도 있다. Such various medical consultation auxiliary contents are displayed to be utilized for consultation according to the doctor's selection in the user terminal 100, and the user terminal 100 arranges the selected plurality of medical consultation auxiliary contents for the doctor to use for consultation. may provide.

또한, 이러한 의료상담 보조 콘텐츠는, 다양한 방식의 상담 입력 인터페이스를 제공하여, 의료 상담내용 및 의료상담 보조 콘텐츠와 매칭된 의료상담 콘텐츠가 생성되도록 보조할 수 있다. In addition, such medical consultation auxiliary contents may provide various types of consultation input interfaces to assist in generating medical consultation contents matched with medical consultation contents and medical consultation auxiliary contents.

자세히, 여기서 의료상담 콘텐츠란, 전술한 의료상담 보조 콘텐츠 상에 사용자(의사)에 의해 입력된 상담내용이 추가되어 생성된 콘텐츠이다. 즉, 의료상담 콘텐츠는, 의료상담 보조 콘텐츠와 상담내용을 포함할 수 있다. In detail, the medical consultation contents are contents generated by adding consultation contents input by a user (doctor) to the aforementioned medical consultation auxiliary contents. That is, the medical consultation contents may include medical consultation auxiliary contents and consultation contents.

이러한 의료상담 콘텐츠 생성을 위해 사용자 단말(100)에서는, 의료상담 보조 콘텐츠들로 구성된 의료상담 콘텐츠 작성 화면이 상담 입력 인터페이스와 함께 제공되고, 상담 입력 인터페이스를 기초로 의료상담 보조 콘텐츠 상에 상담내용이 입력되어 의료상담 콘텐츠가 생성될 수 있다. In order to generate such medical consultation contents, in the user terminal 100, a medical consultation content creation screen composed of medical consultation auxiliary contents is provided together with a consultation input interface, and the consultation contents are displayed on the medical consultation auxiliary contents based on the consultation input interface. It may be input to generate medical consultation content.

여기서, 상담 입력 인터페이스는, 표시된 의료상담 보조 이미지 상에 상담자가 필기, 음성, 편집 또는 영상을 입력하도록 하는 그래픽 유저 인터페이스를 포함할 수 있다. Here, the consultation input interface may include a graphic user interface that allows the counselor to input handwriting, voice, editing, or an image on the displayed medical consultation auxiliary image.

예를 들어, 상담 입력 인터페이스는, 의료상담 보조 이미지 상에 사용자의 필기입력을 감지하는 필기 입력 인터페이스를 제공할 수 있다. For example, the consultation input interface may provide a handwriting input interface for detecting the user's handwriting input on the medical consultation auxiliary image.

또한, 의료상담 보조 이미지를 표시하면서 사용자 입력을 수신하기 위하여 사용자 단말(100)은, 터치스크린(135: 터치 패널)을 이용하여 상담 입력 인터페이스를 제공할 수 있다. In addition, in order to receive a user input while displaying a medical consultation auxiliary image, the user terminal 100 may provide a consultation input interface using a touch screen 135 (touch panel).

또한, 상담 입력 인터페이스는, 사용자의 음성을 녹음하여 녹음된 상담음성을 의료상담 보조 콘텐츠와 매칭함으로써 상담내용을 입력하는 음성 입력 인터페이스를 제공할 수 있다. In addition, the consultation input interface may provide a voice input interface for inputting consultation contents by recording the user's voice and matching the recorded consultation voice with the medical consultation auxiliary content.

즉, 사용자 단말(100)은, 환자의 심혈관 질환 위험도 정보를 의료상담 보조 콘텐츠로 표시할 수 있고, 표시된 의료상담 보조 콘텐츠 상의 상담 입력 인터페이스를 통하여, 상담내용과 의료상담 보조 콘텐츠와 매칭된 의료상담 콘텐츠를 생성하여 제공할 수 있다. That is, the user terminal 100 may display the patient's cardiovascular disease risk information as medical consultation auxiliary contents, and through the consultation input interface on the displayed medical consultation auxiliary contents, medical consultation matched with the consultation contents and medical consultation auxiliary contents You can create and provide content.

- 리스크 예측 서버 - Risk prediction server

또한, 본 발명의 실시예에서 리스크(risk) 예측 서버는, 사용자 단말(100) 및/또는 전자의무기록(EMR) 데이터베이스(200)와 연동하여 환자에 대한 예측인자 데이터를 획득할 수 있고, 획득된 예측인자 데이터를 기반으로 환자의 심혈관 질환 위험도를 예측하여 제공할 수 있다. In addition, in an embodiment of the present invention, the risk prediction server may obtain predictive factor data for the patient by interworking with the user terminal 100 and/or the electronic medical record (EMR) database 200, Based on the obtained predictor data, the patient's cardiovascular disease risk can be predicted and provided.

여기서, 예측인자란, 복수의 기존 환자(복수의 기존 무증상 제2형 당뇨병 환자)의 신체 정보를 포함하는 전자의무기록(EMR) 데이터를 기초로 분석을 수행하여, 제2형 당뇨병 환자에게서 발병되는 심혈관 질환과 관련성이 있다고 판단된 연관인자를 의미한다. Here, the predictor is an analysis based on electronic medical record (EMR) data including body information of a plurality of existing patients (plural asymptomatic type 2 diabetes patients), It refers to a related factor determined to be related to cardiovascular disease.

실시예로, 예측인자는, 나이, 고혈압 여부, 뇌혈관사고 과거병력, 공복시 혈당, 수축기 혈압, 사구체 여과율, 당뇨 약제 개수 및 당뇨 유병기간 등을 포함할 수 있다. In an embodiment, the predictors may include age, high blood pressure, past history of cerebrovascular accident, fasting blood sugar, systolic blood pressure, glomerular filtration rate, number of diabetic drugs, and duration of diabetes.

자세히, 리스크 예측 서버(300)는, 위와 같은 예측인자에 각각에 대하여 환자별로 보유하고 있는 예측인자 데이터를 사용자 단말(100) 및/또는 전자의무기록(EMR) 데이터베이스(200)로부터 수신하여 획득할 수 있다. In detail, the risk prediction server 300 receives and obtains the predictor data held by each patient for each of the above predictors from the user terminal 100 and/or the electronic medical record (EMR) database 200. can

또한, 리스크 예측 서버(300)는, 사용자 단말(100) 및/또는 전자의무기록(EMR) 데이터베이스(200)를 통하여 환자의 심혈관 질환 데이터를 획득할 수 있다. In addition, the risk prediction server 300 may acquire the cardiovascular disease data of the patient through the user terminal 100 and/or the electronic medical record (EMR) database 200 .

여기서, 심혈관 질환 데이터란, 환자의 예측인자 데이터 및 그에 따른 심혈관 질환 위험도를 나타내는 정보를 의미한다. Here, the cardiovascular disease data means information indicating the patient's predictor data and the corresponding cardiovascular disease risk.

자세히, 리스크 예측 서버(300)는, 사용자 단말(100) 및/또는 전자의무기록(EMR) 데이터베이스(200)로부터 환자의 심혈관 질환 데이터를 획득할 수도 있고, 전자의무기록(EMR) 데이터베이스(200) 상에 저장된 환자의 컴퓨터 단층촬영(CT) 이미지를 기반으로 환자의 심혈관 질환 데이터를 생성하여 획득할 수도 있다. 이에 대한 자세한 설명은 후술하기로 한다. In detail, the risk prediction server 300 may acquire the patient's cardiovascular disease data from the user terminal 100 and/or the electronic medical record (EMR) database 200, and the electronic medical record (EMR) database 200 Based on the computed tomography (CT) image of the patient stored in the image, the patient's cardiovascular disease data may be generated and acquired. A detailed description thereof will be provided later.

또한, 리스크 예측 서버(300)는, 획득된 예측인자 데이터 및 심혈관 질환 데이터를 기반으로, 환자의 예측인자 데이터를 입력 데이터로하고 심혈관 질환 데이터를 출력 데이터로 제공하는 리스크 엔진(risk engine)을 학습시킬 수 있다. 즉, 리스크 예측 서버(300)는, 학습된 리스크 엔진을 통해 심혈관 질환 위험도를 예측하려는 대상 환자의 심혈관 질환 위험도를 나타내는 심혈관 질환 데이터를 획득하여 제공할 수 있다. In addition, the risk prediction server 300 learns a risk engine that uses the predictor data of the patient as input data and provides the cardiovascular disease data as output data, based on the acquired predictor data and cardiovascular disease data. can do it That is, the risk prediction server 300 may obtain and provide cardiovascular disease data indicating the cardiovascular disease risk of the target patient who is trying to predict the cardiovascular disease risk through the learned risk engine.

또한, 리스크 예측 서버(300)는, 리스크 엔진을 통해 획득된 환자의 심혈관 질환 데이터에 기반하여 해당 환자에게 컴퓨터 단층촬영(CT)이 필요한지 여부를 판단할 수 있고, 판단된 컴퓨터 단층촬영 필요여부를 사용자 단말(100)에 제공할 수 있다. In addition, the risk prediction server 300 may determine whether the patient requires computed tomography (CT) based on the patient's cardiovascular disease data obtained through the risk engine, and determines whether the determined computed tomography is required. It may be provided to the user terminal 100 .

또한, 리스크 예측 서버(300)는, 획득된 환자의 예측인자 값을 임의로 변경하여, 현재의 환자 상태뿐만 아니라 미래의 환자 상태를 기반으로 해당 환자의 심혈관 질환 위험도를 측정하여 제공할 수도 있다. In addition, the risk prediction server 300 may arbitrarily change the acquired predictor value of the patient, and measure and provide the cardiovascular disease risk of the patient based on the current patient status as well as the future patient status.

도 3은 본 발명의 실시예에 따른 심혈관 질환 위험도를 예측하는 시스템의 블록도이다. 3 is a block diagram of a system for predicting cardiovascular disease risk according to an embodiment of the present invention.

자세히, 도 3을 참조하면, 리스크 예측 서버(300)는, 사용자 단말(100) 및/또는 전자의무기록(EMR) 데이터베이스(200)와 연동할 수 있으며, 예측인자 추출부(310), 결측치(missing-data) 보충부(320), 심혈관 질환 데이터 처리부(330), 학습 데이터 생성부(340), 리스크 엔진(350: risk engine), 엔진 정확도 평가부(360), 데이터 저장부(370), 데이터 송수신부(380) 및 프로세서(390)를 포함할 수 있다. In detail, referring to FIG. 3 , the risk prediction server 300 may be linked with the user terminal 100 and/or the electronic medical record (EMR) database 200, and the predictor extractor 310, the missing value ( missing-data) supplementary unit 320 , cardiovascular disease data processing unit 330 , learning data generation unit 340 , risk engine 350 , engine accuracy evaluation unit 360 , data storage unit 370 , It may include a data transceiver 380 and a processor 390 .

여기서, 전자의무기록(EMR) 데이터베이스(200: Electronic Medical Record Database, EMR-DB)는, 병원 서버를 통해 기록된 환자의 전자의무기록(EMR)을 저장하는 데이터베이스일 수 있다. Here, the electronic medical record (EMR) database 200 (Electronic Medical Record Database, EMR-DB) may be a database for storing the electronic medical record (EMR) of a patient recorded through a hospital server.

여기서, 전자의무기록(EMR)이란, 기존에　종이차트에 기록했던 환자의 인적사항, 병력, 　건강상태, 진찰기록, 입/퇴원기록 등 환자의 진료와 관련된 모든 정보를　전산화하여 입력, 저장 및 관리하는 의료정보 시스템으로, 병원정보 시스템(HIS, Hospital　Information　System)의 일부분을 의미한다. Here, the electronic medical record (EMR) means computerized input, storage and management of all information related to the patient's treatment, such as personal information, medical history, health status, medical examination record, admission/discharge record, etc. previously recorded on paper charts. This is a medical information system that is used to describe a hospital information system (HIS, Hospital　Information System).

즉, 리스크 예측 서버(300)는, 위와 같은 전자의무기록(EMR) 데이터베이스(200)와 연동하여 환자와 관련된 전자의무기록(EMR) 데이터를 수신할 수 있고, 수신된 전자의무기록(EMR) 데이터에 기초하여 예측인자 데이터 및/또는 심혈관 질환 데이터 등을 획득할 수 있다. That is, the risk prediction server 300 may receive electronic medical record (EMR) data related to the patient by interworking with the electronic medical record (EMR) database 200 as described above, and the received electronic medical record (EMR) data Based on the , predictor data and/or cardiovascular disease data may be obtained.

한편, 자세히 리스크 예측 서버(300)의 예측인자 추출부(310)는, 전자의무기록(EMR) 데이터베이스(200)로부터 획득된 환자의 전자의무기록(EMR) 데이터에서, 예측인자 데이터만을 필터링(filtering)하여 추출할 수 있다. On the other hand, in detail, the predictor extractor 310 of the risk prediction server 300 filters only the predictor data from the patient's electronic medical record (EMR) data obtained from the electronic medical record (EMR) database 200 . ) can be extracted.

예를 들어, 예측인자 추출부(310)는, 전자의무기록(EMR) 데이터의 환자 인적사항, 병력, 　건강상태, 진찰기록 및 입/퇴원기록 데이터 중에서, 환자의 나이, 고혈압 여부, 뇌혈관사고 과거병력, 공복시 혈당, 수축기 혈압, 사구체 여과율, 당뇨 약제 개수 및 당뇨 유병기간과 관련된 데이터만을 필터링하여 추출할 수 있다. For example, the predictor factor extraction unit 310 may include, among the patient personal information, medical history, 　 health status, medical examination record, and admission/discharge record data of the electronic medical record (EMR) data, the patient's age, hypertension, cerebrovascular accident Only data related to past medical history, fasting blood sugar, systolic blood pressure, glomerular filtration rate, number of diabetic drugs, and diabetes duration can be extracted by filtering.

또한, 결측치(missing-data) 보충부(320)는, 필요한 예측인자 데이터 중에서 예측인자 추출부(310)를 통해서는 획득되지 못한 예측인자 데이터를 의미한다. In addition, the missing-data supplementary unit 320 refers to predictor data that has not been obtained through the predictor extractor 310 among the necessary predictor data.

즉, 결측치는, 필요한 예측인자 데이터인 환자의 나이, 고혈압 여부, 뇌혈관사고 과거병력, 공복시 혈당, 수축기 혈압, 사구체 여과율, 당뇨 약제 개수 및 당뇨 유병기간 데이터 중에서, 전자의무기록(EMR) 데이터에 존재하지 않는 등의 이유로 예측인자 추출부(310)가 획득하지 못한 데이터를 의미할 수 있다. That is, the missing values are the required predictor data, such as the patient's age, high blood pressure, past history of cerebrovascular accident, fasting blood sugar, systolic blood pressure, glomerular filtration rate, number of diabetic drugs, and duration of diabetes among the data on the electronic medical record (EMR) data It may mean data that the predictor extractor 310 has not acquired for reasons such as non-existence.

이러한 결측치가 존재하는 경우, 리스크 예측 서버(300)의 결측치 보충부(320)는, 일반적 통계 모델을 제공하는 외부의 서버(예컨대, 국가통계포털 KOSIS, 통계청 및/또는 통계빅데이터센터 서버 등) 및/또는 장치와 연동하여, 환자의 전자의무기록(EMR) 데이터, 예측인자 데이터 및/또는 일반적 통계 모델에 기초해 결측치의 값을 채워놓을 수 있다. 이에 대한 자세한 설명은 후술하기로 한다. If such a missing value exists, the missing value replenishment unit 320 of the risk prediction server 300 is an external server that provides a general statistical model (eg, national statistical portal KOSIS, Statistics Korea and/or statistical big data center server, etc.) and/or in conjunction with the device, filling in missing values based on the patient's electronic medical record (EMR) data, predictor data, and/or a general statistical model. A detailed description thereof will be provided later.

다음으로, 심혈관 질환 데이터 처리부(330)는, 전자의무기록(EMR) 데이터베이스(200) 및/또는 사용자 단말(100)로부터 획득되는 심혈관 질환 데이터를 관리할 수 있다. Next, the cardiovascular disease data processing unit 330 may manage the cardiovascular disease data obtained from the electronic medical record (EMR) database 200 and/or the user terminal 100 .

이때, 실시예에서 심혈관 질환 데이터 처리부(330)는, 전자의무기록(EMR) 데이터베이스(200) 및/또는 사용자 단말(100)로부터 획득될 수 있는 컴퓨터 단층촬영(CT) 이미지를 분석하여 심혈관 질환 데이터를 생성할 수도 있다. 이에 대한 자세한 설명은 후술하기로 한다.At this time, in the embodiment, the cardiovascular disease data processing unit 330 analyzes a computed tomography (CT) image that may be obtained from the electronic medical record (EMR) database 200 and/or the user terminal 100 to obtain cardiovascular disease data. can also create A detailed description thereof will be provided later.

다음으로, 학습 데이터 생성부(340)는, 획득된 예측인자 데이터 및 심혈관 질환 데이터를 기반으로 예측인자-심혈관 질환 데이터를 생성할 수 있다. Next, the learning data generator 340 may generate predictor-cardiovascular disease data based on the acquired predictor data and cardiovascular disease data.

여기서, 예측인자-심혈관 질환 데이터란, 환자로부터 획득된 예측인자 데이터와, 해당 환자 및/또는 예측인자 데이터에 대응되는 심혈관 질환 데이터를 상호 매칭하여 저장한 정보를 의미한다. 즉, 예측인자-심혈관 질환 데이터는, 해당 환자의 상태에 따른 심혈관 질환 위험도 정보를 제공할 수 있다. Here, the predictor-cardiovascular disease data refers to information stored by matching the predictor data obtained from the patient with the cardiovascular disease data corresponding to the patient and/or the predictor data. That is, the predictor-cardiovascular disease data may provide information on the risk of cardiovascular disease according to the patient's condition.

실시예에서, 이러한 예측인자-심혈관 질환 데이터는, 환자(무증상 제2형 당뇨병 환자)의 심혈관 질환 발병 위험도를 예측하는 리스크 엔진(350)에 대한 학습 데이터로 사용될 수 있다. In an embodiment, the predictor-cardiovascular disease data may be used as training data for the risk engine 350 for predicting the risk of cardiovascular disease of a patient (a patient with asymptomatic type 2 diabetes).

다음으로, 리스크 엔진(350: risk enginge)은, 생성된 예측인자-심혈관 질환 데이터를 학습 데이터로 하여 트레이닝(training)되는 장치 및/또는 서버일 수 있다. Next, the risk engine 350: risk engine 350 may be a device and/or a server that is trained using the generated predictor-cardiovascular disease data as learning data.

이때, 리스크 엔진(350)은, 리스크 예측 서버(300)에 직접 설치될 수도 있고, 리스크 예측 서버(300)와는 별도의 장치 및/또는 서버일 수도 있다. 이하에서는, 환자의 심혈관 질환 데이터를 제공하는 리스크 엔진(350)이 리스크 예측 서버(300)에 직접 설치되어 동작하는 것으로 설명하나, 이에 한정되는 것은 아니다. In this case, the risk engine 350 may be directly installed in the risk prediction server 300 , or may be a device and/or a server separate from the risk prediction server 300 . Hereinafter, it will be described that the risk engine 350 providing cardiovascular disease data of the patient is installed and operated directly in the risk prediction server 300 , but is not limited thereto.

자세히, 예측인자-심혈관 질환 데이터를 기반으로 학습된 리스크 엔진(350)은, 실시예에서 심혈관 질환 위험도를 예측하려는 대상 환자의 예측인자 데이터를 입력 데이터로하고, 해당 대상 환자의 심혈관 질환 데이터를 출력 데이터로 제공할 수 있다. In detail, the predictor-risk engine 350 learned based on the cardiovascular disease data uses the predictor data of the target patient to predict the cardiovascular disease risk as input data, and outputs the cardiovascular disease data of the target patient in the embodiment. data can be provided.

또한, 실시예에서 리스크 엔진(350)은, 각기 다른 모델로 구현되는 복수의 리스크 엔진(351, 352, 353, 354, 355, …)을 포함할 수 있으며, 이를 통해 리스크 엔진(350)으로부터 획득되는 환자의 심혈관 질환 데이터에 대한 정확도를 향상시킬 수 있다. 이에 대한 자세한 설명은 후술하기로 한다. In addition, in an embodiment, the risk engine 350 may include a plurality of risk engines 351 , 352 , 353 , 354 , 355 , ... implemented in different models, and obtained from the risk engine 350 through this. It can improve the accuracy of the cardiovascular disease data of patients who are A detailed description thereof will be provided later.

다음으로, 엔진 정확도 평가부(360)는, 복수의 리스크 엔진(351, 352, 353, …)으로부터 출력되는 각각의 환자 심혈관 질환 데이터에 대한 정확도를 평가할 수 있고, 평가의 결과로 가장 높은 정확도의 심혈관 질환 데이터를 제공하는 리스크 엔진(350)을 선별하여 가동 리스크 엔진으로 결정되게 할 수 있다. Next, the engine accuracy evaluation unit 360 may evaluate the accuracy of each patient cardiovascular disease data output from the plurality of risk engines 351, 352, 353, ..., and as a result of the evaluation, the highest accuracy A risk engine 350 that provides cardiovascular disease data may be selected to be determined as an operational risk engine.

여기서, 가동 리스크 엔진이란, 예측인자-심혈관 질환 데이터를 기초로 학습된 복수의 리스크 엔진(351, 352, 353, …) 중, 현재 가장 높은 정확도의 출력 데이터를 제공하여, 심혈관 위험도 예측을 수행하려는 대상 환자의 예측인자 데이터를 입력해 심혈관 질환 위험도 예측 동작을 수행하기 가장 적합하다고 판단된 리스크 엔진(350)을 의미한다. Here, the operating risk engine refers to a predictor - a method for performing cardiovascular risk prediction by providing output data with the highest accuracy among a plurality of risk engines 351, 352, 353, ... learned based on predictor-cardiovascular disease data. It refers to the risk engine 350 that is determined to be most suitable for performing the cardiovascular disease risk prediction operation by inputting the predictor data of the target patient.

다음으로, 데이터 저장부(370)는, 환자의 심혈관 질환 위험도를 예측하는 서비스와 관련된 각종 데이터, 응용 프로그램 및 명령어 중 어느 하나 이상을 저장할 수 있다. Next, the data storage unit 370 may store any one or more of various data, applications, and commands related to a service for predicting a patient's cardiovascular disease risk.

이러한 데이터 저장부(370)는, ROM, RAM, EPROM, 플래시 드라이브, 하드 드라이브 등과 같은 다양한 저장기기일 수 있고, 인터넷(internet)상에서 상기 데이터 저장부(370)의 저장 기능을 수행하는 웹 스토리지(web storage)일 수도 있다.The data storage unit 370 may be various storage devices such as ROM, RAM, EPROM, flash drive, hard drive, and the like, and a web storage unit that performs a storage function of the data storage unit 370 on the Internet (internet). web storage).

다음으로, 데이터 송수신부(380)는, 환자의 심혈관 질환 위험도를 예측하는 서비스를 제공하기 위한 각종 데이터 및/또는 정보 등을 네트워크를 통해 송수신할 수 있다. Next, the data transceiver 380 may transmit/receive various data and/or information for providing a service for predicting a patient's cardiovascular disease risk through a network.

실시예에서, 데이터 송수신부(380)는, 전자의무기록(EMR) 데이터베이스(200)로부터 전자의무기록(EMR) 데이터, 심혈관 질환 데이터 및/또는 컴퓨터 단층촬영(CT) 이미지 등을 수신할 수 있다. 또한, 데이터 송수신부(380)는, 사용자 단말(100)로부터 예측요청정보 등을 수신할 수 있고, 사용자 단말(100)로 심혈관 질환 데이터를 송신할 수 있다. In an embodiment, the data transceiver 380 may receive electronic medical record (EMR) data, cardiovascular disease data, and/or computed tomography (CT) images from the electronic medical record (EMR) database 200 . . Also, the data transceiver 380 may receive prediction request information from the user terminal 100 , and transmit cardiovascular disease data to the user terminal 100 .

이러한 데이터 송수신부(380)는, 이동통신을 위한 기술표준들 또는 통신방식(예를 들어, GSM(Global System for Mobile communication), CDMA(Code Division Multi Access), HSDPA(High Speed Downlink Packet Access), HSUPA(High Speed Uplink Packet Access), LTE(Long Term Evolution), LTE-A(Long Term Evolution-Advanced) 등)에 따라 구축된 이동 통신망 상에서 기지국, 외부의 단말, 임의의 서버 중 적어도 하나와 무선 신호를 송수신할 수 있다.The data transmission/reception unit 380 includes technical standards or communication methods for mobile communication (eg, Global System for Mobile communication (GSM), Code Division Multi Access (CDMA), High Speed Downlink Packet Access (HSDPA), On a mobile communication network constructed according to HSUPA (High Speed Uplink Packet Access), LTE (Long Term Evolution), LTE-A (Long Term Evolution-Advanced), etc.), at least one of a base station, an external terminal, and an arbitrary server and a radio signal can send and receive

마지막으로, 리스크 예측 서버(300)의 프로세서(390)는, 환자의 심혈관 질환 위험도를 예측하는 서비스를 제공하기 위하여 전술한 각 구성요소의 전반적인 동작을 컨트롤할 수 있다. Finally, the processor 390 of the risk prediction server 300 may control the overall operation of each of the above-described components in order to provide a service for predicting a patient's cardiovascular disease risk.

이러한 프로세서(390)는, ASICs (application specific integrated circuits), DSPs(digital signal processors), DSPDs(digital signal processing devices), PLDs(programmable logic devices), FPGAs(field programmable gate arrays), 제어기(controllers), 마이크로 컨트롤러(micro-controllers), 마이크로 프로세스(microprocessors), 기타 기능 수행을 위한 전기적 유닛 중 적어도 하나를 이용하여 구현될 수 있다. These processors 390, ASICs (application specific integrated circuits), DSPs (digital signal processors), DSPDs (digital signal processing devices), PLDs (programmable logic devices), FPGAs (field programmable gate arrays), controllers (controllers), It may be implemented using at least one of micro-controllers, microprocessors, and other electrical units for performing functions.

- 심혈관 질환 위험도를 예측하는 방법 - How to predict cardiovascular disease risk

이하, 첨부된 도면을 참조하여 환자(무증상 제2형 당뇨병 환자)의 심혈관 질환 위험도를 예측하는 방법에 대해 상세히 설명하고자 한다. Hereinafter, a method of predicting the cardiovascular disease risk of a patient (a patient with asymptomatic type 2 diabetes) will be described in detail with reference to the accompanying drawings.

도 4는 본 발명의 실시예에 따른 심혈관 질환 위험도를 예측하는 방법을 리스크 예측 서버(300)의 관점에서 설명하기 위한 흐름도이다. 4 is a flowchart illustrating a method of predicting the risk of cardiovascular disease according to an embodiment of the present invention from the perspective of the risk prediction server 300 .

먼저, 리스크 예측 서버(300)의 관점에서 환자의 심혈관 질환 위험도를 예측하는 방법을 설명하자면, 리스크 예측 서버(300)는, 기존 환자의 예측인자 데이터를 획득할 수 있다. (S101) First, to describe a method of predicting a patient's cardiovascular disease risk from the perspective of the risk prediction server 300 , the risk prediction server 300 may acquire predictor data of an existing patient. (S101)

이때, 본 발명의 실시예에서는, 기존 환자를 무증상 제2형 당뇨병 기존 환자에 한정하여 설명한다. 그러나, 실시예에 따라서 타 질병의 기존 환자(예컨대, 제1형 당뇨병 기존 환자 등) 또한 기존 환자에 포함될 수 있다. At this time, in the embodiment of the present invention, the existing patient will be described by limiting the existing patient to asymptomatic type 2 diabetes. However, according to embodiments, existing patients with other diseases (eg, type 1 diabetes patients, etc.) may also be included in the existing patients.

자세히, 리스크 예측 서버(300)는, 전자의무기록(EMR) 데이터베이스(200)로부터 복수의 기존 환자에 대한 전자의무기록(EMR) 데이터를 수신할 수 있다. In detail, the risk prediction server 300 may receive electronic medical record (EMR) data for a plurality of existing patients from the electronic medical record (EMR) database 200 .

그리고 리스크 예측 서버(300)는, 예측인자 추출부(310)를 통해 수신된 전자의무기록(EMR) 데이터에서 예측인자 데이터만을 필터링(filtering)하여 추출할 수 있다. In addition, the risk prediction server 300 may filter and extract only the predictor data from the electronic medical record (EMR) data received through the predictor extractor 310 .

예를 들어, 리스크 예측 서버(300)는, 전자의무기록(EMR) 데이터의 환자 인적사항, 병력, 　건강상태, 진찰기록 및 입/퇴원기록 데이터 중에서, 예측인자 데이터인 환자의 나이, 고혈압 여부, 뇌혈관사고 과거병력, 공복시 혈당, 수축기 혈압, 사구체 여과율, 당뇨 약제 개수 및 당뇨 유병기간과 관련된 데이터만을 필터링하여 추출할 수 있다. For example, the risk prediction server 300 is, among the patient personal information, medical history, 　 health status, medical examination record and admission/discharge record data of the electronic medical record (EMR) data, the age of the patient, which is the predictive factor data, whether hypertension, Only data related to past history of cerebrovascular accident, fasting blood sugar, systolic blood pressure, glomerular filtration rate, number of diabetic drugs, and diabetes duration can be extracted by filtering.

이때, 전자의무기록(EMR) 데이터 상에 처음부터 존재하지 않는 등의 이유로 특정 예측인자 데이터가 예측인자 추출부(310)를 통해 추출되지 못하는 경우가 발생할 수 있다. In this case, there may be a case in which specific predictor data cannot be extracted through the predictor extractor 310 for reasons such as non-existence in the electronic medical record (EMR) data from the beginning.

이와 같이, 필요한 예측인자 데이터 중에서 예측인자 추출부(310)를 통해 획득되지 못한 예측인자 데이터인 결측치(missimg-data)가 존재하는 경우, 리스크 예측 서버(300)는, 결측치 보충부(320)를 통하여 해당 결측치에 소정의 값을 부여할 수 있다. As such, when there is a missing value (missimg-data) that is predictor data that has not been obtained through the predictor extractor 310 among the necessary predictor data, the risk prediction server 300 performs the missing value replenishment unit 320 Through this, a predetermined value can be assigned to the corresponding missing value.

즉, 리스크 예측 서버(300)는, 필요한 예측인자 데이터인 환자의 나이, 고혈압 여부, 뇌혈관사고 과거병력, 공복시 혈당, 수축기 혈압, 사구체 여과율, 당뇨 약제 개수 및 당뇨 유병기간 데이터 중에서, 전자의무기록(EMR) 데이터에 존재하지 않는 등의 이유로 획득되지 못한 결측치를 검출할 수 있고, 검출된 결측치에 소정의 값을 부여할 수 있다. That is, the risk prediction server 300, the patient's age, whether hypertension, past history of cerebrovascular accident, fasting blood sugar, systolic blood pressure, glomerular filtration rate, number of diabetic drugs and diabetes duration data, which are necessary predictive factor data, electronic medical record (EMR) It is possible to detect missing values that are not obtained due to reasons such as not being present in the data, and to assign a predetermined value to the detected missing values.

자세히, 리스크 예측 서버(300)는, 예측인자 추출부(310)를 통해 획득된 예측인자 데이터 또는 전자의무기록(EMR) 데이터베이스(200)로부터 획득된 기존 환자의 전자의무기록(EMR) 데이터 중 적어도 하나 이상의 데이터와, 외부의 서버(예컨대, 국가통계포털 KOSIS, 통계청 및/또는 통계빅데이터센터 서버 등) 및/또는 장치로부터 획득되는 일반적 통계 모델에 기반하여, 결측치에 부여할 소정의 값을 도출할 수 있다. In detail, the risk prediction server 300, the predictor data acquired through the predictor extractor 310 or the electronic medical record (EMR) data of the existing patient acquired from the electronic medical record (EMR) database 200 at least A predetermined value to be assigned to a missing value is derived based on one or more data and a general statistical model obtained from an external server (eg, the National Statistical Portal KOSIS, National Statistical Office and/or Statistics Big Data Center Server, etc.) and/or device can do.

보다 상세히, 일 실시예로 리스크 예측 서버(300)는, 획득된 예측인자 데이터 각각이 가지는 데이터 값을, 외부의 서버 및/또는 장치로부터 획득되는 일반적 통계 모델에 적용하여, 결측치에 부여할 소정의 값을 도출할 수 있다. In more detail, in one embodiment, the risk prediction server 300 applies a data value of each of the obtained predictor data to a general statistical model obtained from an external server and/or device, and applies a predetermined value to be assigned to a missing value. value can be derived.

예를 들면, 리스크 예측 서버(300)는, 획득된 예측인자 데이터인 제 1 내지 7 예측인자 데이터가 소정의 값을 가지고, 제 8 예측인자 데이터가 결측치로 존재하는 경우, 제 1 내지 7 예측인자 데이터의 값을 일반적 통계 모델에 적용할 수 있다. For example, the risk prediction server 300, when the obtained predictor data, the first to seventh predictor data, has a predetermined value, and the eighth predictor data is a missing value, the first to seventh predictors The values of the data can be applied to a general statistical model.

그리고 리스크 예측 서버(300)는, 일반적 통계 모델이 가지는 통계 데이터를 기반으로, 제 1 내지 7 예측인자 데이터의 값에 따른 제 8 예측인자 데이터의 값에 대한 일반적 통계값을 획득할 수 있고, 획득된 일반적 통계값을 기초로 제 8 예측인자 데이터에 소정의 값을 부여할 수 있다. And, the risk prediction server 300 may obtain, based on the statistical data of the general statistical model, general statistical values for the values of the eighth predictor data according to the values of the first to seventh predictor data, and obtain A predetermined value may be assigned to the eighth predictor data based on the obtained general statistical value.

이와 같이, 리스크 예측 서버(300)는, 필요한 예측인자 데이터 중 획득되지 못한 결측치를 소정의 값으로 보충하여 이용함으로써, 환자의 심혈관 질환 위험도를 예측하는 프로세스가 보다 원활히 동작하게 할 수 있고, 예측된 심혈관 질환 위험도의 정확성을 향상시킬 수 있다. In this way, the risk prediction server 300 can make the process of predicting the cardiovascular disease risk of a patient operate more smoothly by supplementing and using the missing value that was not obtained among the necessary predictor data with a predetermined value. It can improve the accuracy of cardiovascular disease risk.

다음으로, 위와 같이 기존 환자의 예측인자 데이터를 획득한 리스크 예측 서버(300)는, 기존 환자의 심혈관 질환 데이터를 획득하여 예측인자-심혈관 질환 데이터를 생성할 수 있다. (S103) Next, the risk prediction server 300 having acquired the predictor data of the existing patient as described above may generate the predictor-cardiovascular disease data by acquiring the cardiovascular disease data of the existing patient. (S103)

여기서, 심혈관 질환 데이터는, 환자의 예측인자 데이터 및 그에 따른 심혈관 질환 위험도를 나타내는 정보를 의미한다. Here, the cardiovascular disease data means information indicating the predictor data of the patient and the cardiovascular disease risk according thereto.

또한, 예측인자-심혈관 질환 데이터는, 환자로부터 획득된 예측인자 데이터와, 해당 환자 및/또는 예측인자 데이터에 대응되는 심혈관 질환 데이터를 상호 매칭하여 저장한 정보를 의미하며, 해당 환자의 상태에 따른 심혈관 질환 위험도 정보를 제공할 수 있다. In addition, the predictor-cardiovascular disease data refers to information stored by matching the predictor data obtained from the patient with the cardiovascular disease data corresponding to the patient and/or the predictor data. Cardiovascular disease risk information can be provided.

자세히, 실시예에서 리스크 예측 서버(300)는, 전자의무기록(EMR) 데이터베이스(200)로부터 획득된 기존 환자의 전자의무기록(EMR) 데이터에 기초하여 환자의 심혈관 질환 데이터를 획득할 수 있다. In detail, in an embodiment, the risk prediction server 300 may acquire the patient's cardiovascular disease data based on the electronic medical record (EMR) data of the existing patient obtained from the electronic medical record (EMR) database 200 .

예를 들어, 리스크 예측 서버(300)는, 전자의무기록(EMR) 데이터에 포함되는 진찰기록에서, 환자를 진료한 의사가 전자 기록을 통해 생성하여 전자의무기록(EMR) 데이터베이스(200) 상에 저장한 적어도 하나 이상의 정보 중, 해당 환자의 심혈관 질환에 관련된 진단기록을 나타내는 심혈관 질환 진단정보를 획득할 수 있고, 이를 기초로 해당 환자의 심혈관 질환 데이터를 획득할 수 있다. For example, the risk prediction server 300, from the medical records included in the electronic medical record (EMR) data, the doctor who treated the patient creates through the electronic record on the electronic medical record (EMR) database 200 Among the at least one or more stored information, cardiovascular disease diagnosis information indicating a diagnosis record related to the cardiovascular disease of the patient may be acquired, and cardiovascular disease data of the patient may be acquired based on this.

다른 실시예에서, 리스크 예측 서버(300)는, 전자의무기록(EMR) 데이터베이스(200)로부터 획득되는 기존 환자의 전자의무기록(EMR) 데이터의 컴퓨터 단층촬영(CT) 이미지를 분석하여 심혈관 질환 데이터를 획득할 수 있다. In another embodiment, the risk prediction server 300 analyzes the computed tomography (CT) image of the electronic medical record (EMR) data of the existing patient obtained from the electronic medical record (EMR) database 200 to obtain cardiovascular disease data. can be obtained.

도 5는 본 발명의 실시예에 따른 적어도 둘 이상의 각기 다른 시점을 가지는 컴퓨터 단층촬영(CT) 이미지의 일례이다. 5 is an example of a computed tomography (CT) image having at least two different viewpoints according to an embodiment of the present invention.

자세히, 도 5를 참조하면, 리스크 예측 서버(300)는, 먼저 전자의무기록(EMR) 데이터의 진찰기록에서 기존 환자의 컴퓨터 단층촬영(CT) 이미지를 획득할 수 있다. 이때, 실시예에 따라서 리스크 예측 서버(300)는, 사용자 단말(100)로부터 컴퓨터 단층촬영(CT) 이미지를 획득할 수도 있다. In detail, referring to FIG. 5 , the risk prediction server 300 may first acquire a computed tomography (CT) image of an existing patient from a medical record of electronic medical record (EMR) data. In this case, according to an embodiment, the risk prediction server 300 may acquire a computed tomography (CT) image from the user terminal 100 .

또한, 컴퓨터 단층촬영(CT) 이미지를 획득한 리스크 예측 서버(300)는, 심혈관 질환 데이터 처리부(330)를 통해, 획득된 기존 환자의 컴퓨터 단층촬영(CT) 이미지를 기반으로 이미지 분석을 수행하여, 해당 기존 환자에 대한 심혈관 질환 유무를 판단할 수 있다. In addition, the risk prediction server 300 that has acquired the computed tomography (CT) image performs image analysis based on the acquired computed tomography (CT) image of the existing patient through the cardiovascular disease data processing unit 330. , it is possible to determine the presence or absence of cardiovascular disease in the existing patient.

자세히, 리스크 예측 서버(300)는, 컴퓨터 단층촬영(CT) 이미지로부터 제 1 메이저(major) 혈관 내지 제 3 메이저(major) 혈관 및 제 1 메인(main) 혈관을 검출할 수 있다. In detail, the risk prediction server 300 may detect a first major blood vessel to a third major blood vessel and a first main blood vessel from a computed tomography (CT) image.

예컨대, 제 1 메이저(major) 혈관 내지 제 3 메이저(major) 혈관은, 좌주관상동맥, 좌전하행동맥, 좌회선동맥 및 우관상동맥일 수 있고, 제 1 메인(main)혈관은 좌주관상동맥일 수 있다. For example, the first major blood vessel to the third major blood vessel may be a left coronary artery, a left anterior descending artery, a left rotator cuff, and a right coronary artery, and the first main blood vessel may be a left main coronary artery. can

그리고 리스크 예측 서버(300)는, 검출된 제 1 메이저 혈관 내지 제 3 메이저 혈관에 대한 혈관 내경의 상태를 파악하여, 해당 기존 환자에 대한 심혈관 질환 여부를 도출할 수 있다. In addition, the risk prediction server 300 may determine the state of the inner diameter of the detected first major blood vessel to the third major blood vessel, and may derive whether the existing patient has cardiovascular disease.

실시예로, 리스크 예측 서버(300)는, 제 1 메이저 혈관 내지 제 3 메이저 혈관 및 제 1 메인 혈관 각각의 혈관 내경의 상태를 파악하여, 제 1 메이저 혈관 내지 제 3 메이저 혈관 및 제 1 메인 혈관 중에서 적어도 하나의 혈관 내경이 소정의 퍼센트(%) 이하로 감소될수록 의미있는 심혈관 질환이 있다고 판단할 수 있고, 혈관 내경이 소정의 퍼센트(%) 이상으로 증가될수록 심혈관 질환 위험도가 낮아진다고 판단할 수 있다. In an embodiment, the risk prediction server 300 determines the state of the inner diameter of each of the first major blood vessels, the third major blood vessels, and the first main blood vessels, and the first major blood vessels, the third major blood vessels, and the first main blood vessels. It can be determined that there is a meaningful cardiovascular disease as the inner diameter of at least one of the vessels is reduced to a predetermined percentage (%) or less, and as the inner diameter of the vessel increases to a predetermined percentage (%) or more, it can be determined that the cardiovascular disease risk is lowered. have.

그리고 리스크 예측 서버(300)는, 판단된 심혈관 질환 동반 여부를 기초로 해당 기존 환자에 대한 심혈관 질환 데이터를 생성할 수 있다. In addition, the risk prediction server 300 may generate cardiovascular disease data for a corresponding existing patient based on the determined presence or absence of cardiovascular disease.

즉, 리스크 예측 서버(300)는, 컴퓨터 단층촬영(CT) 이미지의 제 1 메이저 혈관 내지 제 3 메이저 혈관 및 제 1 메인 혈관에 대한 분석을 통하여, 해당 기존 환자의 심혈관 질환 데이터를 획득할 수 있다. That is, the risk prediction server 300 may acquire the cardiovascular disease data of the existing patient through analysis of the first to third major blood vessels and the first main blood vessels of the computed tomography (CT) image. .

좀 더 상세히, 도 5를 더 참조하면, 컴퓨터 단층촬영(CT) 이미지의 제 1 내지 3 메이저 혈관 및 제 1 메인 혈관에 대한 분석을 수행하기 위하여 리스크 예측 서버(300)는, 먼저 제 1 내지 3 메이저 혈관 및 제 1 메인 혈관에 대한 적어도 둘 이상의 각기 다른 시점을 가지는 컴퓨터 단층촬영(CT) 이미지를 획득할 수 있다. In more detail, with reference to FIG. 5 , the risk prediction server 300 performs first to third major blood vessels and first to third major blood vessels of a computed tomography (CT) image. A computed tomography (CT) image having at least two different viewpoints for the major blood vessel and the first main blood vessel may be acquired.

그리고 리스크 예측 서버(300)는, 획득된 복수의 컴퓨터 단층촬영(CT) 이미지를 기반으로 이미지 처리를 수행하여, 적어도 둘 이상의 각기 다른 시점에서 제 1 내지 3 메이저 혈관 및 제 1 메인 혈관을 검출해 분석할 수 있고, 이를 통해 심혈관 질환 데이터를 획득할 수 있다. And the risk prediction server 300 performs image processing based on the acquired plurality of computed tomography (CT) images, and detects the first to third major blood vessels and the first main blood vessels at at least two or more different time points. can be analyzed, and cardiovascular disease data can be obtained through this.

예를 들어, 리스크 예측 서버(300)는, 복수의 컴퓨터 단층촬영(CT) 이미지 각각에 대한 영상 전처리(preprocessing)를 수행할 수 있으며, 세그먼트(segment) 및 클러스터링(clustering)을 수행하여, 배경(background)과 전경(foreground)을 분리할 수 있다. 이후, 리스크 예측 서버(300)는, 이미지 세그먼트에 의해 분리된 전경으로부터 오브젝트(즉, 제 1 내지 3 메이저 혈관 및 제 1 메인 혈관)를 검출할 수 있다. 그리고 리스크 예측 서버(300)는, 분리된 오브젝트를 분류하고(classify), 확인할 수 있다(verify). 예를 들어, 리스크 예측 서버(300)는, 뉴럴 네트워크(neural network)를 이용한 식별법, SVM(Support Vector Machine) 기법, Haar-like 특징을 이용한 AdaBoost에 의해 식별하는 기법, 또는 HOG(Histograms of Oriented Gradients) 기법 등을 사용하여 상기 오브젝트를 분류 및 확인할 수 있다. 그리고 리스크 예측 서버(300)는, 분류 및 확인된 오브젝트(제 1 내지 3 메이저 혈관 및 제 1 메인 혈관)에 대한 이미지 분석(예컨대, 이미지 명암도 분석 등)을 수행하여, 각 오브젝트 즉, 제 1 내지 3 메이저 혈관 및 제 1 메인 혈관 각각에 대한 혈관 내경을 파악할 수 있고, 파악된 혈관 내경의 상태를 기초로 심혈관 질환 위험도를 도출할 수 있다. 그리고 리스크 예측 서버(300)는, 도출된 심혈관 질환 위험도에 기초한 심혈관 질환 데이터를 생성해 획득할 수 있다. For example, the risk prediction server 300 may perform image preprocessing for each of a plurality of computed tomography (CT) images, and perform segmentation and clustering to perform background ( You can separate the background and foreground. Thereafter, the risk prediction server 300 may detect the object (ie, the first to third major blood vessels and the first main blood vessels) from the foreground separated by the image segment. And the risk prediction server 300 may classify the separated object (classify) and confirm (verify). For example, the risk prediction server 300 is an identification method using a neural network, a support vector machine (SVM) method, a method for identification by AdaBoost using a Haar-like feature, or Histograms of Oriented Gradients (HOG). ) technique can be used to classify and confirm the object. And the risk prediction server 300 performs image analysis (eg, image contrast analysis, etc.) on the classified and confirmed objects (first to third major blood vessels and first main blood vessels), and each object, that is, first to The inner diameter of each of the three major blood vessels and the first main blood vessel may be determined, and the risk of cardiovascular disease may be derived based on the state of the determined inner diameter of the blood vessel. In addition, the risk prediction server 300 may generate and acquire cardiovascular disease data based on the derived cardiovascular disease risk.

또한, 심혈관 질환 데이터를 생성한 리스크 예측 서버(300)는, 학습 데이터 생성부(340)를 통하여, 획득된 심혈관 질환 데이터와 해당 심혈관 질환 데이터에 대응되는 환자의 예측인자 데이터를 매칭하여 예측인자-심혈관 질환 데이터를 생성할 수 있다. In addition, the risk prediction server 300 that generates the cardiovascular disease data, through the learning data generator 340, matches the acquired cardiovascular disease data with the patient's predictor data corresponding to the cardiovascular disease data, so that the predictor- Cardiovascular disease data can be generated.

다음으로, 리스크 예측 서버(300)는, 생성된 예측인자-심혈관 질환 데이터를 학습 데이터로 하여 리스크 엔진(350)을 학습시킬 수 있고, 가동 리스크 엔진을 결정할 수 있다. (S105) Next, the risk prediction server 300 may learn the risk engine 350 by using the generated predictor-cardiovascular disease data as learning data, and may determine the operation risk engine. (S105)

자세히, 리스크 예측 서버(300)는, 예측인자-심혈관 질환 데이터를 리스크 엔진(350)을 트레이닝(training)시키는 학습 데이터로 이용하여, 리스크 엔진(350)이 예측인자 데이터를 입력 데이터로 하고 심혈관 질환 데이터를 출력 데이터로 하도록 학습시킬 수 있다. In detail, the risk prediction server 300 uses the predictor-cardiovascular disease data as learning data for training the risk engine 350, and the risk engine 350 uses the predictor data as input data and cardiovascular disease You can learn to use data as output data.

다만, 리스크 엔진(350)이 어떠한 모델로 구현되어 있는지에 따라서 학습 데이터의 개수 등과 같은 데이터 환경의 변화에 따라 출력되는 결과값이 달라질 수 있다. 예를 들어, 제 1 리스크 엔진(350)은 학습 데이터가 100개 이하일 때 높은 정확도로 결과값을 출력하는 모델일 수 있고, 제 2 리스크 엔진(350)은 학습 데이터가 100개 초과-1000개 이하일 때 높은 정확도로 결과값을 출력하는 모델일 수 있다. However, depending on which model the risk engine 350 is implemented, the output result value may vary according to changes in the data environment, such as the number of training data. For example, the first risk engine 350 may be a model that outputs a result value with high accuracy when the number of training data is 100 or less, and the second risk engine 350 has more than 100 training data - 1000 or less. It may be a model that outputs the result value with high accuracy when

그러므로 본 발명의 실시예에서는, 심혈관 질환 위험도를 보다 정확하게 예측하기 위하여 복수의 리스크 엔진(351, 352, 353, …)을 이용하고자 한다. Therefore, in an embodiment of the present invention, a plurality of risk engines 351, 352, 353, ... are used to more accurately predict the risk of cardiovascular disease.

자세히, 리스크 예측 서버(300)는, 각기 다른 모델로 구현되는 복수의 리스크 엔진(351, 352, 353, …)을, 예측인자-심혈관 질환 데이터를 학습 데이터로 이용하여, 예측인자 데이터를 입력 데이터로 하고 심혈관 질환 데이터를 출력 데이터로 제공하는 리스크 엔진(350)으로 학습시킬 수 있다. In detail, the risk prediction server 300 uses a plurality of risk engines 351, 352, 353, ... that are implemented in different models, predictors-cardiovascular disease data as learning data, and uses predictor data as input data. and may be trained with the risk engine 350 that provides cardiovascular disease data as output data.

이후, 리스크 예측 서버(300)는, 엔진 정확도 평가부(360)를 통하여, 학습된 각 리스크 엔진(350)별 출력 정확도를 판단할 수 있다. Thereafter, the risk prediction server 300 may determine the output accuracy for each learned risk engine 350 through the engine accuracy evaluation unit 360 .

자세히, 리스크 예측 서버(300)는, 학습된 복수의 리스크 엔진(351, 352, 353, …)으로부터 출력되는 각각의 환자 심혈관 질환 데이터에 대한 정확도를 평가할 수 있고, 평가의 결과로 현재 가장 높은 정확도의 심혈관 질환 데이터를 제공하는 리스크 엔진(350)을 선별할 수 있다. In detail, the risk prediction server 300 may evaluate the accuracy of each patient cardiovascular disease data output from the learned plurality of risk engines 351, 352, 353, ..., and as a result of the evaluation, the current highest accuracy A risk engine 350 that provides cardiovascular disease data may be selected.

그리고 리스크 예측 서버(300)는, 현재 가장 높은 정확도의 출력 데이터를 제공한다고 판단된 리스크 엔진(350)을, 이후에 심혈관 질환 위험도 예측을 수행하려는 대상 환자의 예측인자 데이터를 입력할 리스크 엔진(350)인 가동 리스크 엔진으로 결정할 수 있다. In addition, the risk prediction server 300 uses the risk engine 350 determined to provide the output data with the highest accuracy at present, and the risk engine 350 for inputting predictor data of a target patient who intends to perform cardiovascular disease risk prediction thereafter. ) can be determined by the operation risk engine.

즉, 가동 리스크 엔진은, 예측인자-심혈관 질환 데이터를 기초로 학습된 복수의 리스크 엔진(351, 352, 353, …) 중, 현재 가장 높은 정확도의 출력 데이터를 제공하여, 심혈관 위험도 예측을 수행하려는 대상 환자의 예측인자 데이터를 입력하여 심혈관 질환 데이터를 획득하는데 사용되도록 선정된 리스크 엔진(350)일 수 있다. That is, the operating risk engine provides the output data with the highest accuracy among the plurality of risk engines 351, 352, 353, ... learned based on the predictor-cardiovascular disease data to perform cardiovascular risk prediction. It may be a risk engine 350 selected to be used to obtain cardiovascular disease data by inputting predictor data of a target patient.

이를 통해, 리스크 예측 서버(300)는, 모델 간 경쟁방식을 구현하여 복수의 리스크 엔진(351, 352, 353, …)을 보다 효과적으로 학습시킬 수 있고, 리스크 엔진(350)을 통해 출력되는 결과값 즉, 심혈관 질환 데이터의 정확도와 신뢰성을 증대시킬 수 있다. Through this, the risk prediction server 300 can more effectively learn a plurality of risk engines 351 , 352 , 353 , ... by implementing a competition method between models, and the result value output through the risk engine 350 . That is, it is possible to increase the accuracy and reliability of the cardiovascular disease data.

한편, 복수의 리스크 엔진(351, 352, 353, …)을 학습시키고 가동 리스크 엔진을 결정한 리스크 예측 서버(300)는, 심혈관 질환에 대한 위험도 예측을 수행하려는 대상 환자의 예측인자 데이터를 획득할 수 있다. (S107) On the other hand, the risk prediction server 300, which trains the plurality of risk engines 351, 352, 353, ... and determines the operation risk engine, may acquire predictor data of a target patient who intends to perform risk prediction for cardiovascular disease. have. (S107)

자세히, 리스크 예측 서버(300)는, 사용자 단말(100) 및/또는 외부의 서버(예컨대, 병원 서버) 등으로부터 예측요청정보를 수신할 수 있다. In detail, the risk prediction server 300 may receive prediction request information from the user terminal 100 and/or an external server (eg, a hospital server).

여기서, 예측요청정보란, 대상 환자의 예측인자 데이터와 대상 환자에 대한 심혈관 질환 위험도 예측을 요청하는 신호를 포함하는 정보일 수 있다. Here, the prediction request information may be information including predictor data of the target patient and a signal for requesting prediction of cardiovascular disease risk for the target patient.

그리고 예측요청정보를 수신한 리스크 예측 서버(300)는, 획득된 대상 환자의 예측인자 데이터를 가동 리스크 엔진에 입력하여 심혈관 질환 데이터를 도출할 수 있고, 도출된 심혈관 질환 데이터와 예측인자 데이터에 기초하여 해당 대상 환자에 대한 예측인자-심혈관 질환 데이터를 획득할 수 있다. (S109) In addition, the risk prediction server 300 receiving the prediction request information may derive cardiovascular disease data by inputting the acquired predictor data of the target patient into the operation risk engine, and based on the derived cardiovascular disease data and predictor data Thus, it is possible to obtain predictor-cardiovascular disease data for the target patient. (S109)

자세히, 리스크 예측 서버(300)는, 먼저 복수의 리스크 엔진(351, 352, 353, …) 중 현재 가장 높은 정확도로 심혈관 질환 데이터를 출력하는 가동 리스크 엔진에, 획득된 대상 환자의 예측인자 데이터를 입력할 수 있다. In detail, the risk prediction server 300 first transmits the acquired predictor data of the target patient to the operating risk engine that outputs cardiovascular disease data with the highest accuracy among the plurality of risk engines 351, 352, 353, ... can be entered.

그리고 리스크 예측 서버(300)는, 대상 환자의 예측인자 데이터가 입력된 가동 리스크 엔진으로부터, 해당 예측인자 데이터를 기반으로 예측된 해당 대상 환자의 심혈관 질환 위험도를 나타내는 심혈관 질환 데이터를 획득할 수 있다. In addition, the risk prediction server 300 may obtain, from the operating risk engine to which the predictor data of the target patient is input, cardiovascular disease data indicating the cardiovascular disease risk of the target patient predicted based on the predictor data.

또한, 리스크 예측 서버(300)는, 가동 리스크 엔진으로부터 획득된 심혈관 질환 데이터와, 해당 심혈관 질환 데이터를 도출하는데 이용된 예측인자 데이터를 매칭하여, 대상 환자에 대한 예측인자-심혈관 질환 데이터를 생성해 획득할 수 있다. In addition, the risk prediction server 300 matches the cardiovascular disease data obtained from the operating risk engine with the predictor data used to derive the cardiovascular disease data, and generates predictor-cardiovascular disease data for the target patient. can be obtained

다음으로, 대상 환자의 예측인자-심혈관 질환 데이터를 획득한 리스크 예측 서버(300)는, 획득된 대상 환자의 에측인자-심혈관 질환 데이터를 학습 데이터에 추가하여, 복수의 리스크 엔진(351, 352, 353, …) 각각을 반복 트레이닝(training)시킬 수 있고, 가동 리스크 엔진을 업데이트(update)할 수 있다. (S111) Next, the predictor of the target patient - the risk prediction server 300 having obtained the cardiovascular disease data, the obtained predictor of the target patient - the cardiovascular disease data by adding to the learning data, a plurality of risk engines (351, 352, 353, ...) each can be repeatedly trained, and the operational risk engine can be updated. (S111)

자세히, 리스크 예측 서버(300)는, 대상 환자의 예측인자-심혈관 질환 데이터가 추가된 학습 데이터를 기반으로 각 복수의 리스크 엔진(351, 352, 353, …)을 반복적으로 트레이닝할 때마다, 엔진 정확도 평가부(360)를 통하여 각 리스크 엔진(350)별 출력 정확도를 측정할 수 있다. In detail, the risk prediction server 300 is a predictor of the target patient - Each time the plurality of risk engines (351, 352, 353, ...) are repeatedly trained based on the learning data to which the cardiovascular disease data is added, the engine Output accuracy for each risk engine 350 may be measured through the accuracy evaluation unit 360 .

그리고 리스크 예측 서버(300)는, 트레이닝 시마다 갱신되는 각 리스크 엔진(350)별 출력 정확도에 기반하여, 복수의 리스크 엔진(351, 352, 353, …) 중 어느 하나로 결정되는 가동 리스크 엔진을 업데이트할 수 있다. And the risk prediction server 300, based on the output accuracy for each risk engine 350 that is updated every training time, update the operating risk engine determined by any one of the plurality of risk engines (351, 352, 353, ...) can

이처럼, 리스크 예측 서버(300)는, 대상 환자에 대한 심혈관 질환 위험도를 예측할 때마다 학습 데이터 및 리스크 엔진(350)에 대한 업데이트를 수행함으로써, 리스크 엔진(350)의 성능을 효율적으로 향상시킬 수 있고, 환자의 심혈관 질환 위험도 예측 서비스의 사용성을 증대시킬 수 있다. As such, the risk prediction server 300 performs updates to the learning data and the risk engine 350 whenever the cardiovascular disease risk for the target patient is predicted, thereby efficiently improving the performance of the risk engine 350 and , it can increase the usability of the patient's cardiovascular disease risk prediction service.

한편, 이하에서는, 첨부된 도면을 참조하여 사용자 단말(100)의 관점에서 환자의 심혈관 질환 위험도를 예측하는 방법을 설명하고자 한다. 후술되는 설명에 있어서 상술된 설명과 중복되는 기재는 요약되거나 생략될 수 있다. Meanwhile, in the following, a method of predicting the cardiovascular disease risk of a patient from the viewpoint of the user terminal 100 will be described with reference to the accompanying drawings. In the following description, descriptions overlapping with the above description may be summarized or omitted.

도 6은 본 발명의 실시예에 따른 심혈관 질환 위험도를 예측하는 방법을 사용자 단말(100)의 관점에서 설명하기 위한 흐름도이다. 6 is a flowchart illustrating a method of predicting the risk of cardiovascular disease from the perspective of the user terminal 100 according to an embodiment of the present invention.

자세히, 도 6을 참조하면, 먼저 사용자 단말(100)은, 심혈관 질환 상담 어플리케이션을 설치할 수 있다. (S201) In detail, referring to FIG. 6 , first, the user terminal 100 may install a cardiovascular disease counseling application. (S201)

자세히, 사용자 단말(100)은, 사용자 단말(100)에 의료상담 프로그램을 설치할 수 있고, 설치된 의료상담 프로그램을 실행하여 대상 환자(심혈관 질환 위험도를 예측하려는 무증상 제2형 당뇨병 환자)의 심혈관 질환 위험도를 예측하는 서비스를 제공하는 심혈관 질환 상담 어플리케이션을 구동할 수 있다. In detail, the user terminal 100 may install a medical consultation program in the user terminal 100 , and the cardiovascular disease risk of the target patient (asymptomatic type 2 diabetes patient trying to predict the cardiovascular disease risk) by executing the installed medical consultation program. A cardiovascular disease counseling application that provides a service to predict

다음으로, 사용자 단말(100)은, 설치된 심혈관 질환 상담 어플리케이션을 통하여 대상 환자의 예측인자 데이터를 입력할 수 있다. (S203) Next, the user terminal 100 may input the predictor data of the target patient through the installed cardiovascular disease counseling application. (S203)

자세히, 사용자 단말(100)은, 전자의무기록(EMR) 데이터베이스(200)에 기저장되어 있는 대상 환자의 전자의무기록(EMR) 데이터를 수신할 수 있다. In detail, the user terminal 100 may receive the electronic medical record (EMR) data of the target patient previously stored in the electronic medical record (EMR) database 200 .

그리고 사용자 단말(100)은, 수신된 대상 환자의 전자의무기록(EMR) 데이터에서 예측인자 데이터만을 필터링(filtering)하여 추출할 수 있다. In addition, the user terminal 100 may filter and extract only predictor data from the received electronic medical record (EMR) data of the target patient.

예컨대, 사용자 단말(100)은, 대상 환자에 대한 전자의무기록(EMR) 데이터의 환자 인적사항, 병력, 　건강상태, 진찰기록 및 입/퇴원기록 데이터 중에서, 예측인자 데이터인 환자의 나이, 고혈압 여부, 뇌혈관사고 과거병력, 공복시 혈당, 수축기 혈압, 사구체 여과율, 당뇨 약제 개수 및 당뇨 유병기간과 관련된 데이터만을 필터링하여 추출할 수 있다. For example, the user terminal 100 is, among the patient personal information, medical history, 　 health status, medical examination record, and admission/discharge record data of the electronic medical record (EMR) data for the target patient, the patient's age, which is the predictive factor data, whether the patient has high blood pressure or not. , past history of cerebrovascular accident, fasting blood sugar, systolic blood pressure, glomerular filtration rate, number of diabetic drugs, and diabetes duration can be extracted by filtering.

그리고 사용자 단말(100)은, 추출된 예측인자 데이터에 기초하여 심혈관 질환 상담 어플리케이션 상에 대상 환자의 예측인자 데이터가 자동으로 입력되게 할 수 있다. In addition, the user terminal 100 may automatically input the predictor data of the target patient to the cardiovascular disease counseling application based on the extracted predictor data.

또한, 사용자 단말(100)은, 심혈관 질환 상담 어플리케이션을 통하여 대상 환자에 대한 예측인자 데이터를 입력하는 예측인자 입력 인터페이스를 제공할 수 있다. Also, the user terminal 100 may provide a predictor input interface for inputting predictor data for a target patient through the cardiovascular disease counseling application.

즉, 사용자 단말(100)은, 심혈관 질환 상담 어플리케이션에서 제공하는 예측인자 입력 인터페이스를 이용하여, 사용자(의사)가 직접 대상 환자의 예측인자 데이터를 심혈관 질환 상담 어플리케이션 상에 입력하게 할 수 있다. That is, the user terminal 100 may allow the user (physician) to directly input the predictor data of the target patient into the cardiovascular disease counseling application by using the predictor input interface provided by the cardiovascular disease counseling application.

이때, 전자의무기록(EMR) 데이터 상에 처음부터 존재하지 않는 등의 이유로 특정 예측인자 데이터가 획득되지 못하는 경우가 발생할 수 있다. In this case, there may be a case in which specific predictor data cannot be obtained for reasons such as non-existence in the electronic medical record (EMR) data from the beginning.

이와 같이, 필요한 예측인자 데이터 중에서 획득되지 못한 예측인자 데이터인 결측치(missimg-data)가 존재하는 경우, 사용자 단말(100)은, 해당 결측치에 소정의 값을 부여하여 심혈관 질환 상담 어플리케이션 상에 입력시키는 결측치 보충 입력을 수행할 수 있다. As such, when there is a missing value (missimg-data), which is predictor data that has not been obtained among the necessary predictor data, the user terminal 100 assigns a predetermined value to the missing value and inputs it to the cardiovascular disease counseling application. You can perform missing-value supplementary input.

즉, 사용자 단말(100)은, 필요한 예측인자 데이터인 환자의 나이, 고혈압 여부, 뇌혈관사고 과거병력, 공복시 혈당, 수축기 혈압, 사구체 여과율, 당뇨 약제 개수 및 당뇨 유병기간 데이터 중에서, 전자의무기록(EMR) 데이터에 존재하지 않는 등의 이유로 획득되지 못한 결측치를 검출할 수 있고, 검출된 결측치에 소정의 값을 부여하여 결측치 보충 입력을 수행할 수 있다. That is, the user terminal 100, the patient's age, whether hypertension, past history of cerebrovascular accident, fasting blood sugar, systolic blood pressure, glomerular filtration rate, the number of diabetic drugs and the duration of diabetes among the necessary predictive factor data, electronic medical record ( EMR) It is possible to detect missing values that are not obtained for reasons such as non-existence in data, and to perform missing values supplementation input by assigning a predetermined value to the detected missing values.

실시예로, 사용자 단말(100)은, 자동 입력 및/또는 사용자 입력을 통해 획득된 예측인자 데이터 또는 대상 환자의 전자의무기록(EMR) 데이터 중 적어도 하나 이상의 데이터와, 외부의 서버(예컨대, 국가통계포털 KOSIS, 통계청 및/또는 통계빅데이터센터 서버 등) 및/또는 장치로부터 획득되는 일반적 통계 모델에 기반하여, 결측치에 부여할 소정의 값을 도출할 수 있다. In an embodiment, the user terminal 100 includes at least one of predictor data obtained through automatic input and/or user input or electronic medical record (EMR) data of a target patient, and an external server (eg, country Based on a general statistical model obtained from the statistical portal KOSIS, Statistics Korea, and/or statistical big data center server, etc.) and/or a device, a predetermined value to be assigned to a missing value may be derived.

보다 상세히, 일 실시예로 사용자 단말(100)은, 획득된 예측인자 데이터 각각이 가지는 데이터 값을, 외부의 서버 및/또는 장치로부터 획득되는 일반적 통계 모델에 적용하여, 결측치에 부여할 소정의 값을 도출할 수 있다. In more detail, in one embodiment, the user terminal 100 applies a data value of each of the obtained predictor data to a general statistical model obtained from an external server and/or device, and a predetermined value to be assigned to a missing value. can be derived.

그리고 사용자 단말(100)은, 도출된 소정의 값을 기반으로 결측치에 값을 부여함으로써 결측치 보충 입력을 수행할 수 있다. In addition, the user terminal 100 may perform a missing value supplementation input by assigning a value to the missing value based on the derived predetermined value.

이와 같이, 사용자 단말(100)은, 필요한 예측인자 데이터 중 획득되지 못한 결측치를 소정의 값으로 보충하여, 환자의 심혈관 질환 위험도를 예측하는 프로세스가 안정적으로 동작하게 할 수 있고, 예측된 심혈관 질환 위험도의 정확도를 향상시킬 수 있다. In this way, the user terminal 100 can make the process of predicting the cardiovascular disease risk of a patient operate stably by supplementing the missing value that is not obtained among the necessary predictor data with a predetermined value, and the predicted cardiovascular disease risk can improve the accuracy of

위와 같이, 전자의무기록(EMR) 데이터에 기반한 자동 입력, 예측인자 입력 인터페이스에 기초한 사용자 입력 및/또는 결측치 보충 입력을 통하여, 심혈관 질환 상담 어플리케이션에 대상 환자의 예측인자 데이터를 입력한 사용자 단말(100)은, 입력된 예측인자 데이터에 기초한 심혈관 질환 데이터를 획득하여 출력할 수 있다. (S205) As described above, through automatic input based on electronic medical record (EMR) data, user input based on predictor input interface, and/or missing value supplementation input, the user terminal 100 that inputs the predictor data of the target patient to the cardiovascular disease counseling application ) may obtain and output cardiovascular disease data based on the input predictor data. (S205)

자세히, 사용자 단말(100)은, 먼저 입력된 예측인자 데이터를 리스크 예측 서버(300)로 송신할 수 있다. In detail, the user terminal 100 may transmit the predictor data input first to the risk prediction server 300 .

이때, 사용자 단말(100)은, 대상 환자의 예측인자 데이터와, 해당 대상 환자에 대한 심혈관 질환 위험도 예측을 요청하는 신호를 포함하는 예측요청정보를 생성할 수 있고, 생성된 예측요청정보를 리스크 예측 서버(300)로 송신할 수 있다. In this case, the user terminal 100 may generate prediction request information including the predictor data of the target patient and a signal for requesting the prediction of cardiovascular disease risk for the target patient, and use the generated prediction request information to predict the risk. It can be transmitted to the server 300 .

또한, 여기서 사용자 단말(100)로부터 예측요청정보를 수신한 리스크 예측 서버(300)는, 수신된 예측요청정보의 예측인자 데이터를 가동 리스크 엔진에 입력할 수 있다. 그리고 예측인자 데이터를 입력받은 가동 리스크 엔진은, 입력된 예측인자 데이터에 따른 출력 데이터로서 해당 대상 환자에 대한 심혈관 질환 데이터를 제공할 수 있다. 그리고 리스크 예측 서버(300)는, 가동 리스크 엔진으로부터 획득된 해당 대상 환자에 대한 심혈관 질환 데이터를 사용자 단말(100)로 송신할 수 있다. In addition, here, the risk prediction server 300 receiving the prediction request information from the user terminal 100 may input the prediction factor data of the received prediction request information to the operation risk engine. In addition, the operation risk engine receiving the predictor data may provide cardiovascular disease data for the target patient as output data according to the input predictor data. In addition, the risk prediction server 300 may transmit cardiovascular disease data for the target patient obtained from the operation risk engine to the user terminal 100 .

계속해서, 사용자 단말(100)은, 리스크 예측 서버(300)로부터 대상 환자의 예측인자 데이터에 기반한 심혈관 질환 데이터를 수신할 수 있다. Subsequently, the user terminal 100 may receive cardiovascular disease data based on the predictor data of the target patient from the risk prediction server 300 .

또한, 사용자 단말(100)은, 수신된 대상 환자에 대한 심혈관 질환 데이터에 기반하여, 대상 환자의 심혈관 질환과 관련된 각종 정보를 제공하는 심혈관 질환 의료상담 보조 콘텐츠를 도 7a 및 7b와 같이 디스플레이(display)할 수 있다. In addition, the user terminal 100 displays, as shown in FIGS. 7A and 7B , cardiovascular disease medical consultation auxiliary contents that provide various information related to the cardiovascular disease of the target patient, based on the received cardiovascular disease data for the target patient. )can do.

여기서, 심혈관 질환 의료상담 보조 콘텐츠는, 환자의 심혈관 질환과 관련된 의료관련 이미지, 동영상, 애니메이션 또는 텍스트들의 조합으로 형성될 수 있으며, 사용자 단말(100)을 통해 디스플레이되어 사용자(의사) 및/또는 환자에게 제공될 수 있다. Here, the cardiovascular disease medical consultation auxiliary content may be formed of a combination of medical images, videos, animations, or texts related to a patient's cardiovascular disease, and displayed through the user terminal 100 to a user (doctor) and/or a patient. can be provided to

실시예에서, 도 7a 및 7b를 더 참조하면, 이러한 심혈관 질환 의료상담 보조 콘텐츠는, 환자의 나이, 고혈압 여부, 뇌혈관사고 과거병력, 공복시 혈당, 수축기 혈압, 사구체 여과율, 당뇨 약제 개수 및 당뇨 유병기간 정보를 포함하는 현재 상태정보와, 환자의 현재 상태정보에 포함되는 예측인자 데이터를 기반으로 심혈관 질환 위험도를 판단한 결과 정보를 나타내는 요약 정보를 포함할 수 있다. In an embodiment, with further reference to FIGS. 7A and 7B , these cardiovascular disease medical consultation auxiliary contents include the patient's age, high blood pressure, past history of cerebrovascular accident, fasting blood sugar, systolic blood pressure, glomerular filtration rate, number of diabetic drugs, and diabetes prevalence. It may include current status information including period information and summary information representing information about a result of determining the risk of cardiovascular disease based on predictor data included in the patient's current status information.

이와 같이, 대상 환자의 심혈관 질환과 관련된 각종 정보를 제공하는 심혈관 질환 의료상담 보조 콘텐츠를 통하여, 사용자(의사)는, 해당 대상 환자의 심혈관 위험도가 어느 정도인지 확인할 수 있고, 이를 통해 해당 대상 환자에게 컴퓨터 단층촬영(CT)과 같은 추가적인 정밀 검사나 조치가 필요한지를 사전에 판단하여 적절한 조치를 취할 수 있다. As described above, through the cardiovascular disease medical consultation auxiliary content that provides various information related to the cardiovascular disease of the target patient, the user (doctor) can check what the cardiovascular risk of the target patient is, and through this, Appropriate measures can be taken by determining in advance whether additional detailed examinations or measures such as computed tomography (CT) are required.

즉, 사용자 단말(100)은, 대상 환자의 예측인자 데이터에 따라서 도출된 해당 대상 환자의 심혈관 질환 데이터에 기반하여 심혈관 질환 의료상담 보조 콘텐츠를 생성해 디스플레이함으로써, 대상 환자의 심혈관 질환 발병 위험을 조기에 인지하게 할 수 있고, 이를 통해 급성 심혈관 사건을 사전에 예방하는 적절한 검사나 치료를 수행하게 하여, 환자(무증상 제2형 당뇨병 환자)의 심혈관 질환으로 인한 이완율과 사망률을 감소시킬 수 있다. That is, the user terminal 100 generates and displays cardiovascular disease medical consultation auxiliary contents based on the cardiovascular disease data of the target patient derived according to the predictor data of the target patient, thereby reducing the risk of cardiovascular disease of the target patient early. It is possible to reduce the relaxation rate and mortality due to cardiovascular disease in patients (asymptomatic type 2 diabetes patients) by performing appropriate tests or treatment to prevent acute cardiovascular events in advance.

한편, 일반적으로 환자의 신체 상태는, 시간이 지남에 따라 자연적 변화(예컨대, 나이의 증가) 또는 의도적 변화(예컨대, 당뇨 약제갯수의 증감)를 나타내게 된다. 그러나, 현재의 환자 상태에 따른 예측인자 데이터만으로는, 환자의 신체 상태 변화에 따른 미래의 심혈관 질환 위험도를 파악하기에 어려움이 있을 수 있다. On the other hand, in general, the patient's physical condition shows a natural change (eg, increase in age) or intentional change (eg, increase or decrease in the number of diabetic drugs) over time. However, with only predictor data according to the current patient condition, it may be difficult to determine the future risk of cardiovascular disease due to the change in the patient's physical condition.

도 8은 본 발명의 실시예에 따른 미래 심혈관 질환 데이터를 그래픽 이미지로 디스플레이하는 모습의 일례이다. 8 is an example of displaying future cardiovascular disease data as a graphic image according to an embodiment of the present invention.

그리하여, 도 8을 참조하면, 본 발명의 실시예에 따른 사용자 단말(100)은, 디스플레이된 심혈관 질환 의료상담 콘텐츠를 기반으로, 변화 가능한 예측인자(이하, 변화 예측인자)의 변경에 따른 미래 심혈관 질환 데이터를 획득해 출력할 수 있다. (S207) Thus, referring to FIG. 8 , the user terminal 100 according to an embodiment of the present invention provides a future cardiovascular system according to a change in a variable predictor (hereinafter, a change predictor) based on the displayed cardiovascular disease medical consultation content. You can obtain and output disease data. (S207)

여기서, 미래 심혈관 질환 데이터는, 변화된 예측인자를 반영한 예측인자 데이터(이하, 변화 예측인자 데이터)를 기반으로 도출되는 심혈관 질환 데이터를 의미할 수 있다. Here, the future cardiovascular disease data may refer to cardiovascular disease data derived based on the predictor data reflecting the changed predictor (hereinafter, the change predictor data).

자세히, 사용자 단말(100)은, 심혈관 질환 의료상담 콘텐츠 상에서 변화 예측인자의 데이터 값을 변경할 수 있는 인자값 변경 인터페이스를 제공할 수 있다. In detail, the user terminal 100 may provide a factor value change interface capable of changing the data value of the change predictor on the cardiovascular disease medical consultation content.

또한, 사용자 단말(100)은, 제공된 인자값 변경 인터페이스를 통한 사용자의 입력을 기반으로, 변화 예측인자 데이터 값에 대한 변경을 수행할 수 있다. Also, the user terminal 100 may change the change predictor data value based on a user input through the provided factor value change interface.

그리고 사용자 단말(100)은, 변화 예측인자 데이터 값의 변경에 따라서 변화하는 예측인자인 종속 예측인자의 데이터 값 변화를 파악할 수 있다. In addition, the user terminal 100 may recognize a change in the data value of a dependent predictor that is a predictor that changes according to a change in the change predictor data value.

자세히, 사용자 단말(100)은, 먼저 변화 예측인자 데이터에 기초하여 예측요청정보를 생성할 수 있다. In detail, the user terminal 100 may first generate prediction request information based on the change predictor data.

그리고 사용자 단말(100)은, 생성된 예측요청정보를 리스크 예측 서버(300)로 송신할 수 있다. And the user terminal 100 may transmit the generated prediction request information to the risk prediction server 300 .

이때, 사용자 단말(100)로부터 예측요청정보를 수신한 리스크 예측 서버(300)는, 수신된 예측요청정보의 변화 예측인자 데이터를 가동 리스크 엔진에 입력할 수 있다. 그리고 변화 예측인자 데이터를 입력받은 가동 리스크 엔진은, 입력된 변화 예측인자 데이터에 따른 미래 심혈관 질환 데이터를 제공할 수 있다. 그리고 리스크 예측 서버(300)는, 가동 리스크 엔진으로부터 획득된 미래 심혈관 질환 데이터를 사용자 단말(100)로 송신할 수 있다. At this time, the risk prediction server 300 receiving the prediction request information from the user terminal 100 may input the change predictor data of the received prediction request information to the operation risk engine. In addition, the operation risk engine receiving the change predictor data may provide future cardiovascular disease data according to the input change predictor data. In addition, the risk prediction server 300 may transmit future cardiovascular disease data obtained from the operation risk engine to the user terminal 100 .

계속해서, 사용자 단말(100)은, 리스크 예측 서버(300)로부터 대상 환자의 변화 예측인자 데이터에 기반한 미래 심혈관 질환 데이터를 수신할 수 있다. Subsequently, the user terminal 100 may receive future cardiovascular disease data based on the change predictor data of the target patient from the risk prediction server 300 .

그리고 사용자 단말(100)은, 수신된 대상 환자의 미래 심혈관 질환 데이터와, 해당 대상 환자의 예측인자 데이터를 기반으로 생성되어 있는 기존의 심혈관 질환 데이터를 비교하여, 변화 예측인자의 변경에 따른 종속 예측인자의 변화를 파악할 수 있다. In addition, the user terminal 100 compares the received future cardiovascular disease data of the target patient with the existing cardiovascular disease data generated based on the predictor data of the target patient, and predicts dependent prediction according to the change of the change predictor. Changes in factors can be detected.

또한, 사용자 단말(100)은, 수신된 대상 환자에 대한 미래 심혈관 질환 데이터와, 해당 대상 환자의 심혈관 질환 데이터 및 변화 예측인자의 변화에 따른 종속 예측인자의 변화를 기반으로, 해당 대상 환자의 예측인자 변화에 따라서 예측되는 미래의 심혈관 질환과 관련된 각종 정보를 제공하는 미래 심혈관 질환 의료상담 보조 콘텐츠를 생성해 도 8과 같이 디스플레이할 수 있다. In addition, the user terminal 100 is, based on the received future cardiovascular disease data for the target patient, the cardiovascular disease data of the target patient, and the change in the dependent predictor according to the change in the change predictor, the prediction of the target patient A future cardiovascular disease medical consultation auxiliary content that provides various information related to a predicted future cardiovascular disease according to a change in a factor may be generated and displayed as shown in FIG. 8 .

예를 들어, 사용자 단말(100)은, 제 1 예측인자(예컨대, 당뇨 유병기간)가 변경된 변화 예측인자 데이터를 가동 리스크 엔진에 입력하여, 제 1 예측인자의 변경에 따라 변화하는 종속 예측인자인 제 2 예측인자(예컨대, 공복시 혈당)와 제 3 예측인자(예컨대, 수축기 혈압)가 변화된 상태로 형성되는 미래 심혈관 질환 데이터를 획득할 수 있다. For example, the user terminal 100 inputs the change predictor data in which the first predictor (eg, diabetes duration) is changed to the operation risk engine, and is a dependent predictor that changes according to the change of the first predictor. Future cardiovascular disease data in which the second predictor (eg, fasting blood sugar) and the third predictor (eg, systolic blood pressure) are changed may be acquired.

이때, 예측인자 간 변화되는 상관관계는, 일반적 통계 모델을 기반으로 기설정될 수 있으며, 본 발명의 실시예에서는 이에 대한 알고리즘 자체를 한정하거나 제한하지는 않는다. In this case, the changing correlation between the predictors may be preset based on a general statistical model, and the embodiment of the present invention does not limit or limit the algorithm itself.

또한, 사용자 단말(100)은, 획득된 미래 심혈관 질환 데이터와, 제 1 예측인자가 변경되기 이전에 생성된 심혈관 질환 데이터를 비교하여, 제 2 및 3 예측인자의 변화값을 파악할 수 있다. Also, the user terminal 100 may compare the acquired future cardiovascular disease data with the cardiovascular disease data generated before the first predictor is changed to determine the change values of the second and third predictors.

그리고 사용자 단말(100)은, 파악된 변화값, 심혈관 질환 데이터 및 미래 심혈관 질환 데이터에 기초하여, 대상 환자의 예측인자 변화에 따른 미래 심혈관 질환 의료상담 보조 콘텐츠를 생성해 디스플레이할 수 있다. In addition, the user terminal 100 may generate and display future cardiovascular disease medical consultation auxiliary content according to the change in the predictor of the target patient, based on the identified change value, the cardiovascular disease data, and the future cardiovascular disease data.

이때, 사용자 단말(100)은, 대상 환자의 미래 심혈관 질환 데이터를 기반으로 생성된 미래 심혈관 질환 의료상담 보조 콘텐츠를 디스플레이할 시, 해당 대상 환자의 변화 예측인자 변경에 따른 종속 예측인자의 변화를 그래픽 이미지로 표시하여 제공할 수 있다. At this time, the user terminal 100 graphically displays the change of the dependent predictor according to the change of the change predictor of the target patient when displaying the future cardiovascular disease medical consultation auxiliary content generated based on the future cardiovascular disease data of the target patient. It can be provided as an image.

자세히, 사용자 단말(100)은, 미래 심혈관 질환 의료상담 보조 콘텐츠 상에, 변화된 변화 예측인자를 나타내는 소정의 기호 및/또는 변화 예측인자의 변경에 따라 변화되는 종속 예측인자를 나타내는 소정의 기호를 표시하여, 변화된 변화 예측인자 및/또는 종속 예측인자를 직관적으로 인식하게 할 수 있다. In detail, the user terminal 100 displays a predetermined symbol indicating a change predictor and/or a predetermined symbol indicating a dependent predictor changed according to a change in the change predictor on the future cardiovascular disease medical consultation auxiliary content. Thus, it is possible to intuitively recognize the changed predictor of change and/or the dependent predictor.

예를 들어, 도 8을 더 참조하면, 사용자 단말(100)은, 제 1 예측인자인 당뇨 유병기간이 변화된 변화 예측인자일 경우, 당뇨 유병기간 예측인자에 변화된 변화 예측인자임을 나타내는 소정의 기호(예컨대, 사각형)를 표시할 수 있다. For example, with further reference to FIG. 8 , when the first predictor, the diabetes prevalence period, is a change predictor, the user terminal 100 displays a predetermined symbol ( For example, a rectangle) may be displayed.

이때, 사용자 단말(100)은, 변화된 변화 예측인자가 변경된 정도를 나타내는 소정의 기호(예컨대, 화살표)를 더 표시할 수도 있다. In this case, the user terminal 100 may further display a predetermined symbol (eg, an arrow) indicating the degree to which the changed change predictor is changed.

또한, 사용자 단말(100)은, 제 2 예측인자인 공복시 혈당과 제 3 예측인자인 수축기 혈압이, 제 1 예측인자인 당뇨 유병기간의 변경에 따라 변화되는 종속 예측인자일 경우, 공복시 혈당 및 수축기 혈압 예측인자에 종속 예측인자임을 나타내는 소정의 기호(예컨대, 원형)를 표시할 수 있다. In addition, the user terminal 100, when the second predictor, fasting blood sugar, and the third predictor, systolic blood pressure, are dependent predictors that change according to the change in the diabetes prevalence period, which is the first predictor, fasting blood sugar and systolic blood pressure. A predetermined symbol (eg, a circle) indicating that the blood pressure predictor is a dependent predictor may be displayed.

이때, 사용자 단말(100)은, 종속 예측인자에 대한 데이터 값을 표시할 시, 해당 종속 예측인자의 변화 이전 데이터 값과 변화 이후 데이터 값을 함께 표시할 수 있다. In this case, when displaying the data value for the dependent predictor, the user terminal 100 may display the data value before and after the change of the dependent predictor together.

예를 들면, 사용자 단말(100)은, 제 2 예측인자인 공복시 혈당의 변화 이전 데이터 값인 '(-Inf, 120]'과, 변화 이후 데이터 값인 '(160, Inf]'을 동시에 표시할 수 있다. For example, the user terminal 100 may simultaneously display '(-Inf, 120]', which is the data value before the change in fasting blood sugar, which is the second predictor, and '(160, Inf]', which is the data value after the change. .

여기서, 사용자 단말(100)은, 변화 이전 데이터 값과 변화 이후 데이터 값을 서로 다른 소정의 기호로 표시하여, 변화 이전 데이터 값과 변화 이후 데이터 값을 직관적으로 구분하게 할 수 있다. Here, the user terminal 100 may display the data values before the change and the data values after the change with different predetermined symbols to intuitively distinguish the data values before the change and the data values after the change.

예컨대, 사용자 단말(100)은, 제 2 예측인자인 공복시 혈당의 변화 이전 데이터 값인 '(-Inf, 120]'는, 변화 이전 데이터임을 나타내는 소정의 기호(예컨대, 원형 체크박스)로 표시하고, 변화 이후 데이터 값인 '(160, Inf]'는, 변화 이후 데이터임을 나타내는 소정의 기호(예컨대, 체크 기호)로 표시할 수 있다. For example, the user terminal 100 displays '(-Inf, 120], which is the data value before the change in fasting blood glucose, which is the second predictor, with a predetermined symbol (eg, a circular check box) indicating that it is the data before the change, The '(160, Inf]', which is the data value after the change, may be displayed with a predetermined symbol (eg, a check symbol) indicating that the data is data after the change.

더하여, 사용자 단말(100)은, 미래 심혈관 질환 의료상담 보조 콘텐츠의 요약정보에서 제공하는 심혈관 질환 위험도 그래프 상에서, 대상 환자의 예측인자 변화에 따라서 예상되는 심혈관 질환 위험도의 변화량을, 소정의 기호로 표시하여 나타낼 수 있다. In addition, the user terminal 100, on the cardiovascular disease risk graph provided by the summary information of the future cardiovascular disease medical consultation auxiliary content, displays the amount of change in the cardiovascular disease risk expected according to the change in the predictor of the target patient with a predetermined symbol can be expressed as

자세히, 사용자 단말(100)은, 심혈관 질환 위험도 그래프 상에, 예측인자가 변화되기 이전에 측정된 심혈관 질환 위험도와 예측인자가 변화된 이후에 측정된 심혈관 질환 위험도를 표시할 수 있다. In detail, the user terminal 100 may display the cardiovascular disease risk measured before the predictor is changed and the cardiovascular disease risk measured after the predictor is changed on the cardiovascular disease risk graph.

이때, 사용자 단말(100)은, 예측인자가 변화되기 이전에 측정된 심혈관 질환 위험도와 예측인자가 변화된 이후에 측정된 심혈관 질환 위험도를 서로 다른 소정의 기호로 표시하여 직관적으로 구분하게 할 수 있다. In this case, the user terminal 100 may display the cardiovascular disease risk measured before the predictor change and the cardiovascular disease risk measured after the predictor change by using different predetermined symbols to intuitively distinguish them.

예를 들면, 사용자 단말(100)은, 심혈관 질환 위험도 그래프 상에서, 예측인자가 변화되기 이전에 측정된 심혈관 질환 위험도를 검정색 막대바(bar)로 표시하고, 예측인자가 변화된 이후에 측정된 심혈관 질환 위험도를 빨간색 막대바로 표시할 수 있다. 이때, 사용자 단말(100)은, 심혈관 질환 위험도가 소정의 제 1 값(변화되기 이전에 측정된 심혈관 질환 위험도)에서 소정의 제 2 값(변화된 이후에 측정된 심혈관 질환 위험도)으로 변경되었음을 직관적으로 인식시킬 수 있는 소정의 기호(예컨대, 화살표)를 더 표시할 수도 있다. 또한, 사용자 단말(100)은, 측정된 심혈관 질환 위험도를 숫자로 표시할 수도 있다. For example, the user terminal 100 displays, on the cardiovascular disease risk graph, the cardiovascular disease risk measured before the predictor is changed as a black bar, and the cardiovascular disease measured after the predictor is changed. The level of risk can be indicated by a red bar. At this time, the user terminal 100 intuitively changes the cardiovascular disease risk from a first predetermined value (cardiovascular disease risk measured before the change) to a predetermined second value (cardiovascular disease risk measured after the change). A predetermined symbol (eg, an arrow) that can be recognized may be further displayed. In addition, the user terminal 100 may display the measured cardiovascular disease risk as a number.

이와 같이, 사용자 단말(100)은, 대상 환자의 미래 심혈관 질환 의료상담 보조 콘텐츠를 디스플레이할 시, 해당 대상 환자의 예측인자가 변화되기 이전과 이후를 함께 표시하며, 이를 소정의 기호를 통해 직관적으로 구분하게 함으로써, 예측인자의 변화에 따라서 예상되는 미래의 심혈관 질환 위험도를 보다 쉽고 명백하게 인지하도록 할 수 있다. As such, when the user terminal 100 displays the content of the target patient's future cardiovascular disease medical consultation assistance content, it displays both before and after the predictor of the target patient changes, and intuitively through a predetermined symbol. By making the classification, it is possible to more easily and clearly recognize the predicted future risk of cardiovascular disease according to the change in the predictor.

한편, 미래 심혈관 질환 데이터를 기반으로 미래 심혈관 질환 의료상담 보조 콘텐츠를 출력한 사용자 단말(100)은, 사용자 단말(100)에 설치된 심혈관 질환 상담 어플리케이션을 통하여, 미래 심혈관 질환 데이터를 수정할 수 있는 사용자 수정 인터페이스를 제공할 수 있다. On the other hand, the user terminal 100 that outputs the future cardiovascular disease medical consultation auxiliary content based on the future cardiovascular disease data, through the cardiovascular disease consultation application installed in the user terminal 100, the user can modify the future cardiovascular disease data interface can be provided.

자세히, 사용자 단말(100)은, 제공된 사용자 수정 인터페이스를 통한 사용자의 입력을 기반으로, 미래 심혈관 질환 의료상담 보조 콘텐츠를 통해 제공되는 대상 환자의 미래 심혈관 질환 데이터를 수정할 수 있다. In detail, the user terminal 100 may modify future cardiovascular disease data of a target patient provided through future cardiovascular disease medical consultation auxiliary content based on a user input through the provided user modification interface.

예를 들어, 사용자 단말(100)은, 변화된 예측인자인 제 1 예측인자의 종속 예측인자인 제 2 및 3 예측인자의 변화 이후 데이터 값을, 미래 심혈관 질환 의료상담 보조 콘텐츠 상에서 제공되는 사용자 수정 인터페이스에 대한 입력에 따라서 변경할 수 있다. For example, the user terminal 100 may set the data values after the change of the second and third predictors, which are dependent predictors of the first predictor, which is the changed predictor, the user modification interface provided on the future cardiovascular disease medical consultation auxiliary content. It can be changed according to the input to .

그리고 사용자 단말(100)은, 사용자 입력에 의해 수정되어 새롭게 획득된 미래 심혈관 질환 데이터를 별도로 저장 및 관리할 수 있다. In addition, the user terminal 100 may separately store and manage future cardiovascular disease data newly acquired after being modified by a user input.

즉, 사용자 단말(100)은, 가동 리스크 엔진을 통하여 획득된 예측인자의 변화에 따른 미래 심혈관 질환 데이터를, 사용자(의사)의 인지적 판단을 기반으로 수정하게 할 수 있고, 이를 통해 대상 환자에 대한 미래 심혈관 질환 데이터의 정확성을 향상시킬 수 있다. That is, the user terminal 100 may modify the future cardiovascular disease data according to the change of the predictive factor acquired through the operation risk engine based on the cognitive judgment of the user (doctor), and through this, It can improve the accuracy of future cardiovascular disease data.

다른 실시예에서, 사용자 단말(100)은, 대상 환자의 변화 예측인자 데이터에 기반한 미래 심혈관 질환 데이터를, 사용자(의사)의 입력에 기반하여 획득할 수도 있다. In another embodiment, the user terminal 100 may acquire future cardiovascular disease data based on the change predictor data of the target patient based on the user's (doctor's) input.

자세히, 사용자 단말(100)은, 먼저 심혈관 질환 상담 어플리케이션을 통하여, 대상 환자의 변화 예측인자 데이터를 기반으로 예측되는 미래 심혈관 질환 위험도와 관련된 각종 정보를 입력가능한 예측 입력 인터페이스를 제공할 수 있다. In detail, the user terminal 100 may first provide a prediction input interface capable of inputting various information related to the risk of future cardiovascular disease predicted based on the change predictor data of the target patient through the cardiovascular disease counseling application.

그리고 사용자 단말(100)은, 제공된 예측 입력 인터페이스를 통한 사용자 입력에 의하여, 사용자(의사)가 변화 예측인자 변경에 따른 종속 예측인자의 변화 및 심혈관 질환 위험도를 진단한 심혈관 질환 진단정보를 획득할 수 있다. In addition, the user terminal 100 may obtain cardiovascular disease diagnosis information in which the user (physician) diagnoses the change in the dependent predictor and the risk of cardiovascular disease according to the change in the predictor of change, by the user input through the provided predictive input interface. have.

이때, 사용자 단말(100)은, 획득된 심혈관 질환 진단정보를 전자의무기록(EMR) 데이터베이스(200) 상에 저장하여 관리할 수 있다. 이후, 사용자 단말(100)은, 리스크 예측 서버(300)의 요청 시 전자의무기록(EMR) 데이터베이스(200) 상에 저장된 심혈관 질환 진단정보를 제공할 수 있다. In this case, the user terminal 100 may store and manage the acquired cardiovascular disease diagnosis information on the electronic medical record (EMR) database 200 . Thereafter, the user terminal 100 may provide cardiovascular disease diagnosis information stored in the electronic medical record (EMR) database 200 upon request of the risk prediction server 300 .

또한, 사용자 단말(100)은, 획득된 심혈관 질환 진단정보를 기반으로 미래 심혈관 질환 데이터를 생성할 수 있고, 생성된 미래 심혈관 질환 데이터에 기초한 미래 심혈관 질환 의료상담 보조 콘텐츠를 디스플레이할 수 있다. Also, the user terminal 100 may generate future cardiovascular disease data based on the acquired cardiovascular disease diagnosis information, and may display future cardiovascular disease medical consultation auxiliary content based on the generated future cardiovascular disease data.

다음으로, 사용자 단말(100)은, 획득된 미래 심혈관 질환 데이터를 리스크 예측 서버(300)로 송신하여 피드백(feedback)할 수 있다. (S209) Next, the user terminal 100 may transmit the acquired future cardiovascular disease data to the risk prediction server 300 to provide feedback. (S209)

자세히, 사용자 단말(100)은, 가동 리스크 엔진을 통해 획득된 미래 심혈관 질환 데이터가 사용자 수정 인터페이스를 통해 수정되어 새롭게 획득된 미래 심혈관 질환 데이터 및/또는 예측 입력 인터페이스를 통해 생성된 미래 심혈관 질환 데이터를, 리스크 예측 서버(300)로 송신하여 피드백을 제공할 수 있다. In detail, the user terminal 100 may modify the future cardiovascular disease data obtained through the operation risk engine through the user modification interface, so that the newly acquired future cardiovascular disease data and/or the future cardiovascular disease data generated through the prediction input interface , may be transmitted to the risk prediction server 300 to provide feedback.

여기서, 사용자 단말(100)로부터 미래 심혈관 질환 데이터를 수신한 리스크 예측 서버(300)는, 실시예에 따라서 수신된 미래 심혈관 질환 데이터를 심혈관 질환 데이터에 포함시켜 학습 데이터로 이용할 수 있는 등 다양하게 활용할 수 있다. Here, the risk prediction server 300 that has received the future cardiovascular disease data from the user terminal 100 may use the received future cardiovascular disease data in the cardiovascular disease data according to the embodiment to be used as learning data, etc. can

이상, 본 발명의 실시예에 따른 심혈관 질환 위험도 예측 방법 및 시스템은, 환자의 심혈관 질환 위험도를 조기에 예측해 제공함으로써, 급성 심혈관 사건을 사전에 예방하는 적절한 치료를 수행할 수 있고, 이를 통해 심혈관 질환으로 인한 이완율과 사망률을 감소시킬 수 있는 효과가 있다. As described above, the method and system for predicting cardiovascular disease risk according to an embodiment of the present invention provides an early prediction of the cardiovascular disease risk of a patient, so that an appropriate treatment for preventing an acute cardiovascular event can be performed in advance, and thereby cardiovascular disease It has the effect of reducing the relaxation rate and mortality due to the

또한, 본 발명의 실시예에 따른 심혈관 질환 위험도 예측 방법 및 시스템은, 환자의 예측인자 데이터와 심혈관 질환 데이터를 기반으로 복수의 리스크 엔진(350: risk engine)을 학습시키고, 학습된 복수의 리스크 엔진(351, 352, 353, …) 중 가장 정확도가 높은 리스크 엔진(350)을 선택하여 환자의 심혈관 질환 위험도를 예측함으로써, 예측된 환자의 심혈관 질환 위험도의 정확도 및 신뢰성을 향상시킬 수 있는 효과가 있다. In addition, the cardiovascular disease risk prediction method and system according to an embodiment of the present invention learns a plurality of risk engines 350 based on the patient's predictor data and cardiovascular disease data, and the learned plurality of risk engines (351, 352, 353, ...) by selecting the risk engine 350 with the highest accuracy and predicting the patient's cardiovascular disease risk, there is an effect of improving the accuracy and reliability of the predicted patient's cardiovascular disease risk. .

또한, 본 발명의 실시예에 따른 심혈관 질환 위험도 예측 방법 및 시스템은, 환자의 심혈관 질환 데이터를 컴퓨터 단층촬영(CT) 이미지에 기초해 획득가능함으로써, 다각화된 방식으로 환자의 심혈관 질환 데이터를 획득할 수 있는 효과가 있다. In addition, the cardiovascular disease risk prediction method and system according to an embodiment of the present invention can acquire the patient's cardiovascular disease data based on a computed tomography (CT) image, thereby acquiring the patient's cardiovascular disease data in a diversified manner. can have an effect.

또한, 본 발명의 실시예에 따른 심혈관 질환 위험도 예측 방법 및 시스템은, 학습된 리스크 엔진(350)을 통해 획득된 환자의 심혈관 질환 위험도를 기반으로, 해당 환자에게 컴퓨터 단층촬영(CT)과 같은 추가적인 정밀 검사나 조치가 필요한지를 사전에 판단하여 제공함으로써, 꼭 필요한 경우에 추가적인 검사나 조치를 수행하게 할 수 있는 효과가 있다. In addition, the cardiovascular disease risk prediction method and system according to the embodiment of the present invention, based on the cardiovascular disease risk of the patient obtained through the learned risk engine 350, additionally, such as computed tomography (CT) to the patient By judging in advance whether a close inspection or action is necessary and providing it, there is an effect that an additional inspection or action can be performed when absolutely necessary.

또한, 본 발명의 실시예에 따른 심혈관 질환 위험도 예측 방법 및 시스템은, 환자의 예측인자 값을 예상가능한 미래의 값으로 임의 변경하여, 현재의 환자 상태뿐만 아니라 미래의 환자 상태를 기반으로 해당 환자의 심혈관 질환 위험도를 측정해 제공함으로써, 시간이 지남에 따라 자연적 또는 의도적으로 변화를 나타내는 환자의 상태에 기초한 미래의 심혈관 질환 위험도를 사전에 파악할 수 있고, 이에 대한 조기 처방을 수행할 수 있는 동시에 환자의 예측인자가 긍정적인 방향으로 변화하도록 환자를 교육시킬 수 있는 효과가 있다. In addition, the cardiovascular disease risk prediction method and system according to an embodiment of the present invention arbitrarily changes the predictive factor value of the patient to a predictable future value, and based on the current patient status as well as the future patient status, By measuring and providing cardiovascular disease risk, future cardiovascular disease risk based on the patient's condition that shows natural or intentional changes over time can be identified in advance, and early treatment can be performed, and at the same time, the patient's It has the effect of educating patients to change predictors in a positive direction.

또한, 이상에서 설명된 본 발명에 따른 실시예는 다양한 컴퓨터 구성요소를 통하여 실행될 수 있는 프로그램 명령어의 형태로 구현되어 컴퓨터 판독 가능한 기록 매체에 기록될 수 있다. 상기 컴퓨터 판독 가능한 기록 매체는 프로그램 명령어, 데이터 파일, 데이터 구조 등을 단독으로 또는 조합하여 포함할 수 있다. 상기 컴퓨터 판독 가능한 기록 매체에 기록되는 프로그램 명령어는 본 발명을 위하여 특별히 설계되고 구성된 것이거나 컴퓨터 소프트웨어 분야의 당업자에게 공지되어 사용 가능한 것일 수 있다. 컴퓨터 판독 가능한 기록 매체의 예에는, 하드 디스크, 플로피 디스크 및 자기 테이프와 같은 자기 매체, CD-ROM 및 DVD와 같은 광기록 매체, 플롭티컬 디스크(floptical disk)와 같은 자기-광 매체(magneto-optical medium), 및 ROM, RAM, 플래시 메모리 등과 같은, 프로그램 명령어를 저장하고 실행하도록 특별히 구성된 하드웨어 장치가 포함된다. 프로그램 명령어의 예에는, 컴파일러에 의하여 만들어지는 것과 같은 기계어 코드뿐만 아니라 인터프리터 등을 사용하여 컴퓨터에 의해서 실행될 수 있는 고급 언어 코드도 포함된다. 하드웨어 장치는 본 발명에 따른 처리를 수행하기 위하여 하나 이상의 소프트웨어 모듈로 변경될 수 있으며, 그 역도 마찬가지이다.In addition, the embodiments according to the present invention described above may be implemented in the form of program instructions that can be executed through various computer components and recorded in a computer-readable recording medium. The computer-readable recording medium may include program instructions, data files, data structures, etc. alone or in combination. The program instructions recorded on the computer-readable recording medium may be specially designed and configured for the present invention, or may be known and used by those skilled in the computer software field. Examples of the computer-readable recording medium include hard disks, magnetic media such as floppy disks and magnetic tapes, optical recording media such as CD-ROMs and DVDs, and magneto-optical media such as floppy disks. medium), and hardware devices specially configured to store and execute program instructions, such as ROM, RAM, flash memory, and the like. Examples of program instructions include not only machine language codes such as those generated by a compiler, but also high-level language codes that can be executed by a computer using an interpreter or the like. A hardware device may be converted into one or more software modules to perform processing in accordance with the present invention, and vice versa.

본 발명에서 설명하는 특정 실행들은 일 실시 예들로서, 어떠한 방법으로도 본 발명의 범위를 한정하는 것은 아니다. 명세서의 간결함을 위하여, 종래 전자적인 구성들, 제어 시스템들, 소프트웨어, 상기 시스템들의 다른 기능적인 측면들의 기재는 생략될 수 있다. 또한, 도면에 도시된 구성 요소들 간의 선들의 연결 또는 연결 부재들은 기능적인 연결 및/또는 물리적 또는 회로적 연결들을 예시적으로 나타낸 것으로서, 실제 장치에서는 대체 가능하거나 추가의 다양한 기능적인 연결, 물리적인 연결, 또는 회로 연결들로서 나타내어질 수 있다. 또한, “필수적인”, “중요하게” 등과 같이 구체적인 언급이 없다면 본 발명의 적용을 위하여 반드시 필요한 구성 요소가 아닐 수 있다.The specific implementations described in the present invention are only examples, and do not limit the scope of the present invention in any way. For brevity of the specification, descriptions of conventional electronic components, control systems, software, and other functional aspects of the systems may be omitted. In addition, the connection or connection members of the lines between the components shown in the drawings exemplarily represent functional connections and/or physical or circuit connections, and in an actual device, various functional connections, physical connections that are replaceable or additional may be referred to as connections, or circuit connections. In addition, unless there is a specific reference such as “essential” or “important”, it may not be a necessary component for application of the present invention.

또한 설명한 본 발명의 상세한 설명에서는 본 발명의 바람직한 실시 예를 참조하여 설명하였지만, 해당 기술 분야의 숙련된 당업자 또는 해당 기술분야에 통상의 지식을 갖는 자라면 후술할 특허청구범위에 기재된 본 발명의 사상 및 기술 영역으로부터 벗어나지 않는 범위 내에서 본 발명을 다양하게 수정 및 변경시킬 수 있음을 이해할 수 있을 것이다. 따라서, 본 발명의 기술적 범위는 명세서의 상세한 설명에 기재된 내용으로 한정되는 것이 아니라 특허청구범위에 의해 정하여져야만 할 것이다.In addition, although the detailed description of the present invention has been described with reference to a preferred embodiment of the present invention, those skilled in the art or those having ordinary knowledge in the art will appreciate the spirit of the present invention described in the claims to be described later. And it will be understood that various modifications and variations of the present invention can be made without departing from the technical scope. Accordingly, the technical scope of the present invention should not be limited to the contents described in the detailed description of the specification, but should be defined by the claims.

Claims (10)

리스크 예측 서버에서 리스크 엔진을 학습시켜 대상 환자의 심혈관 질환 위험도를 예측하는 방법으로서,
기존 환자의 예측인자 데이터를 획득하는 단계;
상기 기존 환자의 심혈관 질환 데이터를 획득하는 단계;
상기 예측인자 데이터와 상기 심혈관 질환 데이터를 매칭하여 예측인자-심혈관 질환 데이터를 생성하는 단계;
상기 예측인자-심혈관 질환 데이터를 학습 데이터로 상기 리스크 엔진을 학습시키는 단계;
상기 대상 환자의 예측인자 데이터를 획득하는 단계; 및
상기 획득된 대상 환자의 예측인자 데이터를 상기 리스크 엔진에 입력하여 상기 대상 환자의 심혈관 질환 데이터를 도출하는 단계를 포함하는
심혈관 질환 위험도 예측방법. A method of predicting the cardiovascular disease risk of a target patient by learning a risk engine from a risk prediction server, the method comprising:
acquiring predictor data of an existing patient;
acquiring cardiovascular disease data of the existing patient;
generating predictor-cardiovascular disease data by matching the predictor data with the cardiovascular disease data;
learning the risk engine using the predictor-cardiovascular disease data as learning data;
obtaining predictor data of the target patient; and
inputting the obtained predictor data of the target patient into the risk engine and deriving the cardiovascular disease data of the target patient
Cardiovascular disease risk prediction method. 제 1 항에 있어서,
상기 기존 환자의 예측인자 데이터를 획득하는 단계는,
전자의무기록 데이터베이스로부터 획득된 상기 기존 환자의 전자의무기록 데이터(EMR)를 필터링하는 단계를 포함하는
심혈관 질환 위험도 예측방법.The method of claim 1,
The step of acquiring the predictor data of the existing patient,
Filtering the electronic medical record data (EMR) of the existing patient obtained from the electronic medical record database
Cardiovascular disease risk prediction method. 제 2 항에 있어서,
상기 기존 환자의 예측인자 데이터를 획득하는 단계는,
상기 예측인자 데이터 중 결측치(missing-data)가 존재하는 경우, 일반적 통계 모델에 따라서 상기 결측치를 소정의 값으로 보충하는 단계를 더 포함하는
심혈관 질환 위험도 예측방법.3. The method of claim 2,
The step of acquiring the predictor data of the existing patient,
When missing-data exists among the predictor data, the method further comprising the step of supplementing the missing value with a predetermined value according to a general statistical model
Cardiovascular disease risk prediction method. 제 1 항에 있어서,
상기 기존 환자의 심혈관 질환 데이터를 획득하는 단계는,
전자의무기록 데이터베이스로부터 획득되는 상기 기존 환자의 전자의무기록 데이터 내의 컴퓨터 단층촬영 이미지를 기초로 상기 심혈관 질환 데이터를 획득하는 단계를 포함하는
심혈관 질환 위험도 예측방법.The method of claim 1,
The step of acquiring the cardiovascular disease data of the existing patient,
and acquiring the cardiovascular disease data based on a computed tomography image in the electronic medical record data of the existing patient obtained from an electronic medical record database.
Cardiovascular disease risk prediction method. 제 4 항에 있어서,
상기 컴퓨터 단층촬영 이미지를 기초로 상기 심혈관 질환 데이터를 획득하는 단계는,
상기 컴퓨터 단층촬영 이미지로부터 제 1 메이저(major) 혈관 내지 제 3 메이저(major) 혈관 및 제 1 메인(main) 혈관을 검출하고, 검출된 상기 제 1 메이저 혈관 내지 제 3 메이저 혈관 및 제 1 메인 혈관에 대한 혈관 내경의 상태를 파악하여, 상기 기존 환자에 대한 상기 심혈관 질환 위험도를 도출하는 단계를 포함하는
심혈관 질환 위험도 예측방법.5. The method of claim 4,
Acquiring the cardiovascular disease data based on the computed tomography image includes:
First major blood vessels to third major blood vessels and first main blood vessels are detected from the computed tomography image, and the detected first major blood vessels to third major blood vessels and first main blood vessels are detected. Comprising the step of determining the state of the inner diameter of the blood vessel, and deriving the cardiovascular disease risk for the existing patient
Cardiovascular disease risk prediction method. 제 1 항에 있어서,
상기 리스크 엔진을 학습시키는 단계는,
서로 다른 모델로 형성된 복수의 상기 리스크 엔진을 학습시키는 단계와,
상기 서로 다른 모델로 형성된 복수의 상기 리스크 엔진 중 정확도가 가장 높은 리스크 엔진을 가동 리스크 엔진으로 결정하는 단게를 포함하는
심혈관 질환 위험도 예측방법.The method of claim 1,
Learning the risk engine comprises:
Learning a plurality of the risk engines formed with different models;
including the step of determining the risk engine with the highest accuracy among the plurality of risk engines formed with the different models as the operating risk engine
Cardiovascular disease risk prediction method. 제 1 항에 있어서,
상기 대상 환자의 예측인자 데이터와 상기 대상 환자의 심혈관 질환 데이터를 매칭하여 상기 대상 환자의 예측인자-심혈관 질환 데이터를 생성하는 단계와,
상기 생성된 대상 환자의 예측인자-심혈관 질환 데이터를 상기 학습 데이터에 추가하여 상기 복수의 리스크 엔진을 반복 트레이닝하는 단계와,
상기 복수의 리스크 엔진 중 하나를 가동 리스크 엔진으로 업데이트하는 단계를 더 포함하는
심혈관 질환 위험도 예측방법.The method of claim 1,
generating predictor-cardiovascular disease data of the target patient by matching the predictor data of the target patient with the cardiovascular disease data of the target patient;
Repeat training of the plurality of risk engines by adding the generated predictor of the target patient-cardiovascular disease data to the learning data;
and updating one of the plurality of risk engines to an operational risk engine.
Cardiovascular disease risk prediction method. 사용자 단말에서 리스크 엔진을 이용하여 환자의 심혈관 질환 위험도를 예측하는 방법으로서,
상기 심혈관 질환 위험도를 예측하고자 하는 환자인 대상 환자의 예측인자 데이터를 획득하는 단계;
상기 획득된 예측인자 데이터를 기반으로 상기 대상 환자에 대한 심혈관 질환 데이터를 획득하는 단계;
상기 획득된 심혈관 질환 데이터를 기반으로, 상기 대상 환자의 심혈관 질환과 관련된 각종 정보를 제공하는 심혈관 질환 의료상담 보조 콘텐츠를 생성하여 디스플레이하는 단계;
상기 디스플레이된 심혈관 질환 의료상담 보조 콘텐츠 상에서 상기 예측인자 데이터를 변경하는 인자값 변경 인터페이스를 제공하는 단계;
상기 인자값 변경 인터페이스를 통한 사용자 입력을 기반으로 상기 예측인자 데이터를 변경하고, 상기 예측인자 데이터의 변경에 따른 미래 심혈관 질환 데이터를 획득하는 단계; 및
상기 획득된 미래 심혈관 질환 데이터를 기반으로, 상기 심혈관 질환 의료상담 보조 콘텐츠를 생성하여 디스플레이하는 단계를 포함하고,
상기 미래 심혈관 질환 데이터는,
상기 인자값 변경 인터페이스를 통해 변화된 상기 예측인자 데이터를 기반으로 도출되는 미래의 상기 대상 환자에 대한 상기 심혈관 질환 위험도를 나타내는 정보인
심혈관 질환 위험도 예측방법.A method of predicting a patient's cardiovascular disease risk using a risk engine in a user terminal, comprising:
acquiring predictor data of a target patient who is a patient for whom the cardiovascular disease risk is to be predicted;
acquiring cardiovascular disease data for the target patient based on the acquired predictor data;
generating and displaying cardiovascular disease medical consultation auxiliary content providing various information related to the cardiovascular disease of the target patient based on the obtained cardiovascular disease data;
providing a factor value change interface for changing the predictor data on the displayed cardiovascular disease medical consultation auxiliary content;
changing the predictor data based on a user input through the factor value change interface, and acquiring future cardiovascular disease data according to the change of the predictor data; and
Based on the acquired future cardiovascular disease data, comprising the step of generating and displaying the cardiovascular disease medical consultation auxiliary content,
The future cardiovascular disease data is,
Information representing the cardiovascular disease risk for the target patient in the future derived based on the predictor data changed through the factor value change interface
Cardiovascular disease risk prediction method. 제 8 항에 있어서,
상기 획득된 예측인자 데이터를 기반으로 상기 대상 환자에 대한 심혈관 질환 데이터를 획득하는 단계는,
상기 예측인자 데이터를 상기 리스크 엔진에 입력하여 상기 대상 환자에 대한 심혈관 질환 데이터를 획득하는 단계를 포함하는
심혈관 질환 위험도 예측방법.9. The method of claim 8,
The step of obtaining cardiovascular disease data for the target patient based on the obtained predictor data includes:
and inputting the predictor data into the risk engine to obtain cardiovascular disease data for the target patient.
Cardiovascular disease risk prediction method. 제 8 항에 있어서,
상기 심혈관 질환 의료상담 보조 콘텐츠는,
상기 환자의 심혈관 질환과 관련된 의료관련 이미지, 동영상, 애니메이션 및 텍스트 중 적어도 하나 이상의 조합으로 형성되고,
상기 환자의 나이, 고혈압 여부, 뇌혈관사고 과거병력, 공복시 혈당, 수축기 혈압, 사구체 여과율, 당뇨 약제 개수 및 당뇨 유병기간 정보를 포함하는 현재 상태정보와, 상기 현재 상태정보에 포함되는 상기 예측인자 데이터를 기반으로 상기 심혈관 질환 위험도를 판단한 결과 정보를 나타내는 요약 정보를 포함하는
심혈관 질환 위험도 예측방법.9. The method of claim 8,
The cardiovascular disease medical consultation auxiliary content,
Formed by a combination of at least one or more of medical-related images, videos, animations and texts related to the patient's cardiovascular disease,
Current status information including the patient's age, whether hypertension, past history of cerebrovascular accident, fasting blood sugar, systolic blood pressure, glomerular filtration rate, number of diabetic drugs and diabetes duration information, and the predictor data included in the current status information including summary information indicating the result information of determining the risk of cardiovascular disease based on
Cardiovascular disease risk prediction method.
KR1020190177543A 2019-12-30 2019-12-30 Method and system for predicting cardiovascular disease risk KR102427749B1 (en)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020190177543A KR102427749B1 (en) 2019-12-30 2019-12-30 Method and system for predicting cardiovascular disease risk

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020190177543A KR102427749B1 (en) 2019-12-30 2019-12-30 Method and system for predicting cardiovascular disease risk

Publications (2)

Publication Number Publication Date
KR20210084979A true KR20210084979A (en) 2021-07-08
KR102427749B1 KR102427749B1 (en) 2022-08-01

Family

ID=76893377

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020190177543A KR102427749B1 (en) 2019-12-30 2019-12-30 Method and system for predicting cardiovascular disease risk

Country Status (1)

Country Link
KR (1) KR102427749B1 (en)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2024063271A1 (en) * 2022-09-20 2024-03-28 전남대학교산학협력단 Method and program for predicting risk of major adverse cerebro-cardiovascular events after acute ischemic stroke

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20180036229A (en) * 2016-09-30 2018-04-09 주식회사 셀바스에이아이 Method and apparatus for predicting probability of the outbreak of a disease
KR101839910B1 (en) 2015-01-09 2018-05-08 재단법인 아산사회복지재단 Method of predicting cardiovascular disease risk using cardiovascular disease risk factors
KR20190069047A (en) * 2017-12-11 2019-06-19 한림대학교 산학협력단 Apparatus and method for predicting disease
KR20190074477A (en) * 2017-12-20 2019-06-28 주식회사 메디웨일 Method for predicting cardio-cerebrovascular disease using eye image

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101839910B1 (en) 2015-01-09 2018-05-08 재단법인 아산사회복지재단 Method of predicting cardiovascular disease risk using cardiovascular disease risk factors
KR20180036229A (en) * 2016-09-30 2018-04-09 주식회사 셀바스에이아이 Method and apparatus for predicting probability of the outbreak of a disease
KR20190069047A (en) * 2017-12-11 2019-06-19 한림대학교 산학협력단 Apparatus and method for predicting disease
KR20190074477A (en) * 2017-12-20 2019-06-28 주식회사 메디웨일 Method for predicting cardio-cerebrovascular disease using eye image

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2024063271A1 (en) * 2022-09-20 2024-03-28 전남대학교산학협력단 Method and program for predicting risk of major adverse cerebro-cardiovascular events after acute ischemic stroke

Also Published As

Publication number Publication date
KR102427749B1 (en) 2022-08-01

Similar Documents

Publication Publication Date Title
US11779292B2 (en) Systems, methods, and devices for medical image analysis, diagnosis, risk stratification, decision making and/or disease tracking
KR101818074B1 (en) Artificial intelligence based medical auto diagnosis auxiliary method and system therefor
Sardar et al. Impact of artificial intelligence on interventional cardiology: from decision-making aid to advanced interventional procedure assistance
US11967078B2 (en) Systems, methods, and devices for medical image analysis, diagnosis, risk stratification, decision making and/or disease tracking
Bharati et al. A review on explainable artificial intelligence for healthcare: why, how, and when?
KR102289277B1 (en) Medical image diagnosis assistance apparatus and method generating evaluation score about a plurality of medical image diagnosis algorithm
CA3182660A1 (en) Systems, methods, and devices for medical image analysis, diagnosis, risk stratification, decision making and/or disease tracking
Chakraborty et al. From machine learning to deep learning: An advances of the recent data-driven paradigm shift in medicine and healthcare
Javed et al. Artificial intelligence for cognitive health assessment: State-of-the-art, open challenges and future directions
KR102427749B1 (en) Method and system for predicting cardiovascular disease risk
CN113349810B (en) Cerebral hemorrhage focus identification and hematoma expansion prediction system and device
CA3227901A1 (en) Systems, methods, and devices for medical image analysis, diagnosis, risk stratification, decision making and/or disease tracking
KR102348157B1 (en) Method for recommending diabetic medicine based on deep-learning
US20240071621A1 (en) Method and system for predicting risk of occurrence of lesions
Gabrani et al. Revolutionizing Healthcare: Impact of Artificial Intelligence in Disease Diagnosis, Treatment, and Patient Care
Mathur et al. Demystifying the Role of Artificial Intelligence in Neurodegenerative Diseases
Ang et al. Healthcare Data Handling with Machine Learning Systems: A Framework
Vityarubbasiri Detection of Pancreatic Cancer Cells at Early Stage and Recommend the Treatment Process
Roy et al. The Advent of Artificial Intelligence in Diabetes Diagnosis: Current Practices and building blocks for future prospects

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