KR20210110109A - Apparatus and method for mental disorder prediction for cancer patients - Google Patents

Apparatus and method for mental disorder prediction for cancer patients Download PDF

Info

Publication number
KR20210110109A
KR20210110109A KR1020200025617A KR20200025617A KR20210110109A KR 20210110109 A KR20210110109 A KR 20210110109A KR 1020200025617 A KR1020200025617 A KR 1020200025617A KR 20200025617 A KR20200025617 A KR 20200025617A KR 20210110109 A KR20210110109 A KR 20210110109A
Authority
KR
South Korea
Prior art keywords
information
disease
emotional
cancer
predicting
Prior art date
Application number
KR1020200025617A
Other languages
Korean (ko)
Other versions
KR102479649B1 (en
Inventor
허재성
Original Assignee
아주대학교산학협력단
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 아주대학교산학협력단 filed Critical 아주대학교산학협력단
Priority to KR1020200025617A priority Critical patent/KR102479649B1/en
Publication of KR20210110109A publication Critical patent/KR20210110109A/en
Application granted granted Critical
Publication of KR102479649B1 publication Critical patent/KR102479649B1/en

Links

Images

Classifications

    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/50—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for simulation or modelling of medical disorders
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H20/00—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance
    • G16H20/70—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance relating to mental therapies, e.g. psychological therapy or autogenous training

Abstract

Disclosed is a method for predicting an emotional disorder of a cancer patient. In accordance with an embodiment of the present invention, the method comprises the steps of: obtaining medical information, which is information including personal information, cancer disease information, and emotional disorder information on a plurality of cancer patients; learning an emotional disorder prediction model for predicting the emotional disorder information from the personal information and the cancer disease information on the cancer patients, on the basis of deep learning by using the medical information; and predicting the emotional disorder information on a target cancer patient by applying the personal information and the cancer disease information on the target cancer patient to the emotional disorder prediction model. The personal information includes information on the gender and age of the cancer patients, and the cancer disease information and the emotional disorder information include information on the diagnosis date. Therefore, a customized treatment in accordance with the situation of each cancer patient can be provided.

Description

암환자의 정서질환 예측 방법 및 장치{APPARATUS AND METHOD FOR MENTAL DISORDER PREDICTION FOR CANCER PATIENTS}Method and device for predicting emotional disorders in cancer patients

본 발명은 암환자에게 발생하는 정서질환에 대한 최적의 진단 시기를 예측하는 방법 및 장치에 관한 것이다.The present invention relates to a method and apparatus for predicting an optimal diagnosis time for emotional disorders occurring in cancer patients.

2010년부터 2014년까지 5년 동안 건강보험심사평가원에 등록된 전립선암 환자 32,005명을 대상으로 정서질환에 대한 분석을 시행한 결과, 전립선암 진단 전후 9.6%에 해당하는 3,074명이 정서질환을 경험한 것을 확인하였다.As a result of analyzing emotional disorders among 32,005 prostate cancer patients registered with the Health Insurance Review and Assessment Service for 5 years from 2010 to 2014, 3,074 (9.6%) experienced emotional disorders before and after diagnosis of prostate cancer. confirmed that.

일반적으로 전립선암 환자는 암 진단 전부터 암과 관련된 증상, 예를 들면 소변과 관련된 다양한 증상 등이 나타나 이로 인한 두려움이나 불안감을 느끼게 된다.In general, prostate cancer patients have symptoms related to cancer, for example, various symptoms related to urine, etc. before cancer diagnosis, and feel fear or anxiety.

정서질환 중 불안장애가 39.1%로 가장 많았고, 이어 우울장애, 신체형 장애(심리적 장애로 몸이 아픈 질환), 스트레스, 물질남용의 순이었다. 또한, 연령별로는 고령일수록 상대적으로 암 진단 전 정서질환의 진단 비율이 높았고, 특히 70세 이상의 환자가 정서질환에 걸릴 확률이 70세 미만 환자에 비해 20% 더 높게 나타나 고령일수록 정서질환으로 어려움을 겪는 것으로 나타났다. 질환별로 보면 고령에서는 불안장애보다는 우울증의 비율이 높았다.Among the emotional disorders, anxiety disorder accounted for the most at 39.1%, followed by depressive disorder, somatic disorder (a disease caused by psychological disorders), stress, and substance abuse. Also, by age, the older the age, the higher the rate of diagnosis of emotional disorders before cancer diagnosis. appeared to suffer. By disease, the rate of depression was higher than that of anxiety disorder in the elderly.

이처럼, 암진단을 받은 암환자에게 정서질환이 진단될 가능성이 높기 때문에, 암환자의 정서질환에 대한 최적의 진단 시기를 도출하여 맞춤형 치료를 제공함으로써 암환자의 삶의 질을 향상시키는 방법 및 장치에 대한 필요성이 대두되고 있다.As such, since cancer patients diagnosed with cancer are more likely to be diagnosed with emotional disorders, methods and devices for improving the quality of life of cancer patients by providing customized treatment by deriving the optimal diagnosis time for emotional disorders in cancer patients There is a need for

본 발명은 암환자의 정서질환에 대한 최적의 진단 시기를 예측하는 방법 및 장치를 제공하고자 한다.An object of the present invention is to provide a method and apparatus for predicting an optimal diagnosis time for emotional disorders in cancer patients.

본 발명이 해결하고자 하는 과제는 이상에서 언급한 과제(들)로 제한되지 않으며, 언급되지 않은 또 다른 과제(들)은 아래의 기재로부터 당업자에게 명확하게 이해될 수 있을 것이다.The problem to be solved by the present invention is not limited to the problem(s) mentioned above, and another problem(s) not mentioned will be clearly understood by those skilled in the art from the following description.

본 발명은 복수의 암환자 각각에 대한 개인정보, 암질환정보 및 정서질환정보를 포함하는 정보인 의료정보를 획득하는 단계; 상기 의료정보를 이용하여, 암환자에 대한 상기 개인정보 및 상기 암질환정보로부터 상기 정서질환정보를 예측하는 정서질환예측모델을 딥러닝 기반으로 학습시키는 단계; 및 예측 대상이 되는 암환자인 대상암환자의 상기 개인정보 및 상기 암질환정보를 상기 정서질환예측모델에 적용하여 상기 대상암환자의 상기 정서질환정보를 예측하는 단계를 포함하고, 상기 개인정보는 암환자의 성별 및 나이에 관한 정보를 포함하고, 상기 암질환정보 및 상기 정서질환정보는 진단일에 관한 정보를 포함하는 것을 특징으로 하는 암환자의 정서질환 예측 방법을 제공한다.The present invention comprises the steps of: obtaining medical information, which is information including personal information, cancer disease information, and emotional disease information for each of a plurality of cancer patients; learning, based on deep learning, an emotional disease prediction model for predicting the emotional disease information from the personal information about a cancer patient and the cancer disease information using the medical information; and predicting the emotional disease information of the target cancer patient by applying the personal information and the cancer disease information of the target cancer patient, which is a cancer patient, to the emotional disease prediction model, wherein the personal information is cancer It provides a method for predicting an emotional disease of a cancer patient, comprising information about the patient's gender and age, and wherein the cancer disease information and the emotional disease information include information on a diagnosis date.

바람직하게는, 상기 암질환정보는 암종류 및 치료방법에 관한 정보를 더 포함하고, 상기 정서질환정보는 질환종류에 관한 정보를 더 포함할 수 있다.Preferably, the cancer disease information may further include information on cancer types and treatment methods, and the emotional disease information may further include information on disease types.

바람직하게는, 상기 정서질환정보를 예측하는 단계는 정서질환이 진단될 가능성이 가장 높은 복수의 진단일을 예측할 수 있다.Preferably, the predicting of the emotional disease information may predict a plurality of diagnosis days with the highest probability of diagnosing the emotional disease.

바람직하게는, 상기 정서질환정보를 예측하는 단계는 소정의 기간 내에 정서질환이 진단될 가능성을 더 예측할 수 있다.Preferably, the predicting of the emotional disease information may further predict the possibility that the emotional disease will be diagnosed within a predetermined period.

바람직하게는, 상기 정서질환예측모델을 딥러닝 기반으로 학습시키는 단계는 상기 복수의 암환자를 나이에 따라 소정 개수의 그룹으로 나누어 학습시키고, 상기 정서질환정보를 예측하는 단계는 상기 대상암환자의 나이를 상기 소정 개수의 그룹 중 하나에 대응시켜 상기 정서질환예측모델에 적용한 후, 예측할 수 있다.Preferably, the step of learning the emotional disease prediction model based on deep learning divides the plurality of cancer patients into a predetermined number of groups according to age, and predicting the emotional disease information comprises the steps of the target cancer patient. After applying the age to one of the predetermined number of groups to apply to the emotional disease prediction model, it is possible to predict.

또한, 본 발명은 복수의 암환자 각각에 대한 개인정보, 암질환정보 및 정서질환정보를 포함하는 정보인 의료정보를 획득하는 획득부; 상기 의료정보를 이용하여, 암환자에 대한 상기 개인정보 및 상기 암질환정보로부터 상기 정서질환정보를 예측하는 정서질환예측모델을 딥러닝 기반으로 학습시키는 학습부; 및 예측 대상이 되는 암환자인 대상암환자의 상기 개인정보 및 상기 암질환정보를 상기 정서질환예측모델에 적용하여 상기 대상암환자의 상기 정서질환정보를 예측하는 예측부를 포함하고, 상기 개인정보는 암환자의 성별 및 나이에 관한 정보를 포함하고, 상기 암질환정보 및 상기 정서질환정보는 진단일에 관한 정보를 포함하는 것을 특징으로 하는 암환자의 정서질환 예측 장치를 제공한다.In addition, the present invention is a plurality of cancer patients for each of the personal information, cancer disease information, and information including emotional disease information obtaining unit for obtaining medical information; a learning unit for learning, based on deep learning, an emotional disease prediction model for predicting the emotional disease information from the personal information about a cancer patient and the cancer disease information by using the medical information; and a prediction unit for predicting the emotional disease information of the target cancer patient by applying the personal information and the cancer disease information of the target cancer patient, which is a cancer patient, to the emotional disease prediction model, wherein the personal information is cancer It provides an apparatus for predicting an emotional disease of a cancer patient, comprising information about the patient's gender and age, and wherein the cancer disease information and the emotional disease information include information on a diagnosis date.

바람직하게는, 상기 암질환정보는 암종류 및 치료방법에 관한 정보를 더 포함하고, 상기 정서질환정보는 질환종류에 관한 정보를 더 포함할 수 있다.Preferably, the cancer disease information may further include information on cancer types and treatment methods, and the emotional disease information may further include information on disease types.

바람직하게는, 상기 예측부는 정서질환이 진단될 가능성이 가장 높은 복수의 진단일을 예측할 수 있다.Preferably, the prediction unit may predict a plurality of diagnosis days with the highest probability of being diagnosed with an emotional disorder.

바람직하게는, 상기 예측부는 소정의 기간 내에 정서질환이 진단될 가능성을 더 예측할 수 있다.Preferably, the prediction unit may further predict the possibility that an emotional disorder will be diagnosed within a predetermined period.

바람직하게는, 상기 학습부는 상기 복수의 암환자를 나이에 따라 소정 개수의 그룹으로 나누어 학습시키고, 상기 예측부는 상기 대상암환자의 나이를 상기 소정 개수의 그룹 중 하나에 대응시켜 상기 정서질환예측모델에 적용한 후, 예측할 수 있다.Preferably, the learning unit divides the plurality of cancer patients into a predetermined number of groups according to their age and trains them, and the prediction unit matches the age of the target cancer patient to one of the predetermined number of groups to model the emotional disease prediction model. After applying to , it can be predicted.

본 발명은 보건 의료 분야의 빅데이터를 이용한 딥러닝 기법을 도입하여, 암환자의 정서질환에 대한 최적의 진단 시기를 예측할 수 있는 효과가 있다.The present invention has an effect of predicting the optimal diagnosis time for emotional disorders in cancer patients by introducing a deep learning technique using big data in the health care field.

또한, 본 발명은 암환자의 연령별, 성별, 암종류별 정서질환의 종류 및 진단 시점을 예측함으로써, 각 암환자의 상황에 맞는 따른 맞춤형 치료를 제공할 수 있도록 하는 효과가 있다.In addition, the present invention has the effect of providing customized treatment according to the situation of each cancer patient by predicting the type and diagnosis time of emotional disease by age, sex, and cancer type of cancer patients.

도 1은 본 발명의 일 실시예에 따른 암환자의 정서질환 예측 방법을 설명하기 위한 흐름도이다.
도 2는 본 발명의 일 실시예에 따른 암환자의 정서질환 예측 장치의 블록도이다.
도 3은 암 진단일 전후의 정서질환 진단 빈도를 나타내는 도면이다.
도 4는 본 발명의 일 실시예에 따른 딥러닝 기법을 설명하기 위한 도면이다.
도 5 및 6은 건강보험과 관련된 데이터의 구성을 설명하기 위한 도면이다.1 is a flowchart illustrating a method for predicting emotional disorders in cancer patients according to an embodiment of the present invention.
2 is a block diagram of an apparatus for predicting emotional disorders of a cancer patient according to an embodiment of the present invention.
3 is a diagram showing the frequency of diagnosis of emotional disorders before and after cancer diagnosis.
4 is a diagram for explaining a deep learning technique according to an embodiment of the present invention.
5 and 6 are diagrams for explaining the configuration of data related to health insurance.

본 발명은 다양한 변경을 가할 수 있고 여러 가지 실시예를 가질 수 있는 바, 특정 실시예들을 도면에 예시하고 상세한 설명에 상세하게 설명하고자 한다. 그러나, 이는 본 발명을 특정한 실시 형태에 대해 한정하려는 것이 아니며, 본 발명의 사상 및 기술 범위에 포함되는 모든 변경, 균등물 내지 대체물을 포함하는 것으로 이해되어야 한다. 각 도면을 설명하면서 유사한 참조부호를 유사한 구성요소에 대해 사용하였다.Since the present invention can have various changes and can have various embodiments, specific embodiments are illustrated in the drawings and described in detail in the detailed description. However, this is not intended to limit the present invention to specific embodiments, and it should be understood to include all modifications, equivalents and substitutes included in the spirit and scope of the present invention. In describing each figure, like reference numerals have been used for like elements.

제1, 제2, A, B 등의 용어는 다양한 구성요소들을 설명하는데 사용될 수 있지만, 상기 구성요소들은 상기 용어들에 의해 한정되어서는 안 된다. 상기 용어들은 하나의 구성요소를 다른 구성요소로부터 구별하는 목적으로만 사용된다. 예를 들어, 본 발명의 권리 범위를 벗어나지 않으면서 제1 구성요소는 제2 구성요소로 명명될 수 있고, 유사하게 제2 구성요소도 제1 구성요소로 명명될 수 있다. 및/또는 이라는 용어는 복수의 관련된 기재된 항목들의 조합 또는 복수의 관련된 기재된 항목들 중의 어느 항목을 포함한다.Terms such as first, second, A, and B may be used to describe various elements, but the elements should not be limited by the terms. The above terms are used only for the purpose of distinguishing one component from another. For example, without departing from the scope of the present invention, a first component may be referred to as a second component, and similarly, a second component may also be referred to as a first component. and/or includes a combination of a plurality of related listed items or any of a plurality of related listed items.

어떤 구성요소가 다른 구성요소에 "연결되어" 있다거나 "접속되어" 있다고 언급된 때에는, 그 다른 구성요소에 직접적으로 연결되어 있거나 또는 접속되어 있을 수도 있지만, 중간에 다른 구성요소가 존재할 수도 있다고 이해되어야 할 것이다. 반면에, 어떤 구성요소가 다른 구성요소에 "직접 연결되어" 있다거나 "직접 접속되어" 있다고 언급된 때에는, 중간에 다른 구성요소가 존재하지 않는 것으로 이해되어야 할 것이다.When a component is referred to as being “connected” or “connected” to another component, it is understood that the other component may be directly connected or connected to the other component, but other components may exist in between. it should be On the other hand, when it is said that a certain element is "directly connected" or "directly connected" to another element, it should be understood that no other element is present in the middle.

본 출원에서 사용한 용어는 단지 특정한 실시예를 설명하기 위해 사용된 것으로, 본 발명을 한정하려는 의도가 아니다. 단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 복수의 표현을 포함한다. 본 출원에서, "포함하다" 또는 "가지다" 등의 용어는 명세서상에 기재된 특징, 숫자, 단계, 동작, 구성요소, 부품 또는 이들을 조합한 것이 존재함을 지정하려는 것이지, 하나 또는 그 이상의 다른 특징들이나 숫자, 단계, 동작, 구성요소, 부품 또는 이들을 조합한 것들의 존재 또는 부가 가능성을 미리 배제하지 않는 것으로 이해되어야 한다.The terms used in the present application are only used to describe specific embodiments, and are not intended to limit the present invention. The singular expression includes the plural expression unless the context clearly dictates otherwise. In the present application, terms such as “comprise” or “have” are intended to designate that a feature, number, step, operation, component, part, or combination thereof described in the specification exists, but one or more other features It should be understood that this does not preclude the existence or addition of numbers, steps, operations, components, parts, or combinations thereof.

다르게 정의되지 않는 한, 기술적이거나 과학적인 용어를 포함해서 여기서 사용되는 모든 용어들은 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자에 의해 일반적으로 이해되는 것과 동일한 의미를 가지고 있다. 일반적으로 사용되는 사전에 정의되어 있는 것과 같은 용어들은 관련 기술의 문맥 상 가지는 의미와 일치하는 의미를 가지는 것으로 해석되어야 하며, 본 출원에서 명백하게 정의하지 않는 한, 이상적이거나 과도하게 형식적인 의미로 해석되지 않는다. Unless defined otherwise, all terms used herein, including technical and scientific terms, have the same meaning as commonly understood by one of ordinary skill in the art to which this invention belongs. Terms such as those defined in commonly used dictionaries should be interpreted as having a meaning consistent with the meaning in the context of the related art, and should not be interpreted in an ideal or excessively formal meaning unless explicitly defined in the present application. does not

이하, 첨부된 도면을 참조하여 본 발명의 바람직한 실시예를 상세하게 설명한다.Hereinafter, preferred embodiments of the present invention will be described in detail with reference to the accompanying drawings.

도 1은 본 발명의 일 실시예에 따른 암환자의 정서질환 예측 방법을 설명하기 위한 흐름도이다.1 is a flowchart illustrating a method for predicting emotional disorders in cancer patients according to an embodiment of the present invention.

단계 S110에서는, 정서질환 예측 장치가 복수의 암환자 각각에 대한 개인정보, 암질환정보 및 정서질환정보를 포함하는 정보인 의료정보를 획득한다.In step S110, the emotional disease prediction apparatus acquires medical information, which is information including personal information, cancer disease information, and emotional disease information for each of a plurality of cancer patients.

이때, 개인정보는 암환자의 성별 및 나이에 관한 정보를 포함하고, 암질환정보 및 정서질환정보는 각각 암질환과 정서질환의 진단일에 관한 정보를 포함한다.In this case, the personal information includes information on the sex and age of the cancer patient, and the cancer disease information and emotional disease information includes information on the diagnosis date of cancer disease and emotional disease, respectively.

예컨대, 정서질환 예측 장치는 건강보험심사평가원의 데이터베이스로부터 복수의 암환자에 대한 건강보험 데이터를 획득할 수 있다. 보다 구체적으로, 정서질환 예측 장치는 도 5를 참조하면, 질병에 관한 정보인 주상병(MAIN_SICK), 부상병(SUB_SICK), 진단일에 관한 정보인 요양개시일자(RECU_FR_DD), 나이에 관한 정보인 수진자연령(age), 성별에 관한 정보인 성별구분(gen)의 정보를 획득할 수 있다. 또한, 정서질환 예측 장치는 도 6을 참조하면, 진료 내역에 포함된 치료방법에 관한 정보(예, 수술, 항암(약물), 방사선치료)인 일반명코드(GNL_NM_CD)에 관한 정보를 획득할 수 있다. 이때, 도 5와 6의 구조를 갖는 데이터베이스는 공통된 속성인 명세서 연결코드(KEYCODE)를 통해 연결될 수 있다.For example, the emotional disease prediction apparatus may obtain health insurance data for a plurality of cancer patients from the database of the Health Insurance Review and Assessment Service. More specifically, referring to FIG. 5 for the apparatus for predicting emotional disease, the main injury disease (MAIN_SICK), the injured disease (SUB_SICK), which are information about the disease, the start date (RECU_FR_DD), which is information about the diagnosis date, and the examinee who is information about the age Information on age and gender, which is information on gender, can be obtained. In addition, the emotional disease prediction device can obtain information about the generic name code (GNL_NM_CD), which is information about the treatment method (eg, surgery, anticancer (drug), radiation therapy) included in the medical history, referring to FIG. 6 . have. In this case, the database having the structure of FIGS. 5 and 6 may be connected through a specification connection code (KEYCODE), which is a common attribute.

단계 S120에서는, 정서질환 예측 장치가 그 의료정보를 이용하여, 암환자에 대한 개인정보 및 암질환정보로부터 정서질환정보를 예측하는 정서질환예측모델을 딥러닝 기반으로 학습시킨다.In step S120, the emotional disease prediction device uses the medical information to learn the emotional disease prediction model for predicting emotional disease information from the personal information about the cancer patient and the cancer disease information based on deep learning.

이때, 딥러닝(deep learning)은 비선형 변환기법의 조합을 통해 높은 수준의 추상화를 시도하는 기계학습 알고리즘의 집합이다. In this case, deep learning is a set of machine learning algorithms that attempt high-level abstraction through a combination of nonlinear transformation methods.

특히, 정서질환 예측 장치는, 도 4를 참조하면, 심층신경망(deep neural network, DNN)을 이용할 수 있다. 일반적으로 심층신경망은 입력층(input layer)과 출력층(output layer) 사이에 여러 개의 은닉층(hidden layer)들로 이뤄진 인공신경망(artificial neural network, ANN)이며, 다른 인공신경망과 마찬가지로 복잡한 비선형 관계(non-linear relationship)들을 모델링할 수 있는 이점이 있다.In particular, the emotional disorder prediction apparatus may use a deep neural network (DNN) with reference to FIG. 4 . In general, a deep neural network is an artificial neural network (ANN) consisting of several hidden layers between an input layer and an output layer, and like other artificial neural networks, complex non-linear relationships (non-linear) It has the advantage of being able to model linear relationships.

즉, 정서질환예측모델은 심층신경망 기법을 이용하여 복수의 암환자 각각에 대한 개인정보 및 암질환정보를 입력으로 하고, 정서질환정보를 출력으로 하여, 학습될 수 있다.That is, the emotional disease prediction model can be learned by using the deep neural network technique to input personal information and cancer disease information for each of a plurality of cancer patients, and to output emotional disease information.

보다 구체적으로, 정서질환예측모델은 암환자의 성별, 나이, 암의 진단일에 대한 정보를 입력으로 하고, 정서질환의 진단일에 대한 정보를 출력으로 하여 학습될 수 있다. 이때, 암환자의 나이는 암의 진단일을 기준으로 하는 나이일 수 있다.More specifically, the emotional disease prediction model may be learned by inputting information on the sex, age, and diagnosis date of cancer of a cancer patient as input and outputting information on the diagnosis date of emotional disease. In this case, the age of the cancer patient may be an age based on the date of diagnosis of cancer.

한편, 심층신경망 기법은 과적합(overfitting)과 높은 시간 복잡도의 문제가 발생할 수 있는데, 과적합을 극복하기 위하여 dropout 정칙화 방법이 이용될 수 있으며, 행렬 및 벡터 계산에 특화된 GPU를 이용하도록 함으로써 학습 속도 향상을 꾀할 수 있다.On the other hand, the deep neural network technique may have problems of overfitting and high time complexity. To overcome overfitting, a dropout regularization method may be used, and learning by using a GPU specialized for matrix and vector calculations. speed can be improved.

마지막으로 단계 S130에서는, 정서질환 예측 장치가 예측 대상이 되는 암환자인 대상암환자의 개인정보 및 암질환정보를 정서질환예측모델에 적용하여 그 대상암환자의 정서질환정보를 예측한다.Finally, in step S130, the emotional disease prediction device predicts the emotional disease information of the target cancer patient by applying the personal information and cancer disease information of the target cancer patient, which is the target cancer patient, to the emotional disease prediction model.

즉, 정서질환 예측 장치는 정서질환정보를 예측하고자 하는 대상암환자의 나이, 성별, 암의 진단일을 학습된 정서질환예측모델에 입력함으로써, 그 대상암환자의 정서질환의 진단일에 관한 정보를 포함하는 정서질환정보를 예측할 수 있다.That is, the emotional disease prediction device inputs the age, sex, and cancer diagnosis date of the target cancer patient for which the emotional disease information is to be predicted into the learned emotional disease prediction model, thereby providing information on the emotional disease diagnosis date of the target cancer patient. It is possible to predict emotional disease information, including

예컨대, 정서질환 예측 장치는 정서질환의 진단일을 개월 단위로 예측할 수 있다. 보다 구체적으로, 정서질환 예측 장치는 암의 진단일이 3월 23일인 경우에, 정서질환의 진단일을 암의 진단일을 기준으로 3개월 뒤인 6월 23일로 예측할 수 있다.For example, the emotional disease prediction apparatus may predict the diagnosis date of the emotional disease in units of months. More specifically, when the diagnosis date of cancer is March 23, the emotional disease prediction apparatus may predict the diagnosis date of emotional disease as June 23, three months after the diagnosis date of cancer.

이때, 정서질환은 감기 등의 일반 질환과는 다르게 단기적인 증상 호전을 기대하기 어려우며, 긴 치료 기간을 요하기 때문에, 첫 진단의 시점을 정확하게 예측하고 맞춤형 치료를 진행하는 것이 무엇보다 중요할 수 있다.At this time, unlike general diseases such as colds, emotional disease is difficult to expect short-term symptom improvement and requires a long treatment period.

다른 실시예에서는, 암질환정보는 암종류 및 치료방법에 관한 정보를 더 포함하고, 정서질환정보는 질환종류에 관한 정보를 더 포함할 수 있다.In another embodiment, the cancer disease information may further include information on cancer types and treatment methods, and the emotional disease information may further include information on disease types.

이때, 암질환정보가 암종류 및 치료방법에 관한 정보를 더 포함하고, 정서질환정보가 질환종류에 관한 정보를 더 포함하는 것은, 암종류별로, 치료방법별로, 정서질환의 질환종류별로 암환자의 정서질환 특성이 달라질 수 있기 때문이다.At this time, the cancer disease information further includes information on cancer types and treatment methods, and the emotional disease information further includes information on disease types, cancer patients by cancer type, treatment method, and disease type of emotional disease. This is because the characteristics of emotional disorders may be different.

예컨대, 암종류는 유방암, 위암, 대장암, 직장암 및 전립선암 등이 있고, 치료방법은 수술, 항암치료(약물), 방사선치료 등이 있고, 정서질환의 종류는 불안, 우울증, 스트레스 반응/조정 장애, 물질 남용 등이 있다.For example, cancer types include breast cancer, stomach cancer, colorectal cancer, rectal cancer, and prostate cancer, treatment methods include surgery, chemotherapy (drugs), radiation therapy, etc., and emotional disease types include anxiety, depression, and stress response/modulation. disability and substance abuse.

한편, 이와 같이 암질환정보와 정서질환정보가 추가적인 정보를 더 포함하여 정서질환예측모델이 보다 정교하게 학습될 수 있으므로, 정서질환 예측 장치는 보다 정확하게 암환자의 정서질환정보를 예측할 수 있게 된다.On the other hand, since the cancer disease information and emotional disease information further include additional information and the emotional disease prediction model can be learned more precisely, the emotional disease prediction apparatus can more accurately predict the emotional disease information of the cancer patient.

예컨대, 암환자의 성별에 따라 정서질환 발생 위험도가 달라질 수 있으며, 여성이 남성보다 발생 위험도가 더 높게 나타날 수 있다. 또한, 암환자의 암종류별로 정서질환의 발생 빈도가 달라질 수 있으며, 특히 유방암에서 발생 빈도가 더 높게 나타날 수 있다. 또한, 암환자의 나이에 따라 정서질환의 질환종류가 달라질 수 있으며, 특히 고령일수록 불안의 비중이 더 높게 나타날 수 있다. 또한, 정서질환 중에서도 불안, 우울증, 스트레스 반응/조정 장애, 물질 남용의 특정이 달라질 수 있다.For example, the risk of developing an emotional disease may vary depending on the sex of a cancer patient, and women may have a higher risk than men. In addition, the incidence of emotional disorders may vary according to cancer type of cancer patients, and in particular, the incidence may be higher in breast cancer. Also, depending on the age of cancer patients, the types of emotional disorders may vary, and in particular, the older the age, the higher the proportion of anxiety. In addition, among emotional disorders, the characteristics of anxiety, depression, stress response/coordination disorder, and substance abuse may be different.

나아가, 정서질환 예측 장치는 암의 진단일 1년 전부터 정서질환의 발생률을 분석하고 시간 순서에 따라 정서질환의 발생 패턴을 확인할 수 있다. 이처럼, 암의 진단일 이전의 시기에도 주목을 하는 이유는 암으로 진단을 받기 전 암의 확진을 위한 다양한 혈액검사, 조직검사 및 영상검사를 시행하는 기간 동안 해당 암환자의 정서질환의 발생 빈도가 증가하는 특성을 반영하기 위함이다. 또한, 변비나 혈변등의 관련 증상을 진단 6개월 이전부터 호소하면서 이러한 증상이 정서적인 스트레스로 이어질 수 있기 때문이다.Furthermore, the apparatus for predicting emotional disorders may analyze the incidence rate of emotional diseases from one year before the diagnosis date of cancer and confirm the occurrence patterns of emotional diseases in chronological order. As such, the reason for paying attention to the period before the date of diagnosis of cancer is that the frequency of occurrence of emotional disorders in the cancer patient during the period of performing various blood tests, biopsies, and imaging tests to confirm cancer before being diagnosed with cancer. to reflect the increasing characteristics. In addition, while complaining of related symptoms such as constipation or bloody stool 6 months before diagnosis, these symptoms can lead to emotional stress.

또 다른 실시예에서는, 정서질환 예측 장치가 정서질환정보를 예측할 때, 정서질환이 진단될 가능성이 가장 높은 복수의 진단일을 예측할 수 있다.In another embodiment, when the emotional disease prediction apparatus predicts emotional disease information, it is possible to predict a plurality of diagnosis days with the highest probability of being diagnosed with an emotional disease.

즉, 정서질환 예측 장치는 정서질환이 진단될 가능성이 가장 높은 복수의 진단일을 예측할 수 있고, 나아가 그 복수의 진단일 각각에 대응되는 절대적 또는 상대적 가능성에 관한 정보를 추가적으로 제공할 수 있다.That is, the apparatus for predicting an emotional disorder may predict a plurality of diagnosis days with the highest probability of being diagnosed with an emotional disorder, and further may additionally provide information on absolute or relative probabilities corresponding to each of the plurality of diagnosis days.

예컨대, 정서질환 예측 장치는 암의 진단일이 3월 23일인 경우에, 정서질환의 가장 가능성 높은 제1 진단일을 암의 진단일을 기준으로 3개월 뒤인 6월 23일로 예측하고, 두번째로 가능성 높은 제2 진단일을 9월 23일로 예측할 수 있다.For example, when the diagnosis date of cancer is March 23, the emotional disease prediction device predicts the most likely first diagnosis date of emotional disease as June 23, three months after the diagnosis date of cancer, and the second possibility A high second diagnosis date can be predicted as September 23rd.

또 다른 실시예에서는, 정서질환 예측 장치가 정서질환정보를 예측할 때, 소정의 기간 내에 정서질환이 진단될 가능성을 더 예측할 수 있다.In another embodiment, when the emotional disease prediction apparatus predicts the emotional disease information, it is possible to further predict the possibility that the emotional disease will be diagnosed within a predetermined period.

즉, 정서질환 예측 장치는 정서질환정보를 미리 예측하면서, 정서질환이 진단될 일자뿐만 아니라 그 가능성에 대하여도 추가적으로 예측할 수 있다.That is, while predicting emotional disease information in advance, the emotional disease predicting apparatus may additionally predict not only the date when the emotional disease will be diagnosed but also the possibility thereof.

한편, 정서질환 예측 장치는 암진단이 암환자의 정서질환 발생에 영향을 미치는 소정의 기간을 설정하여, 그 기간 내에 정서질환이 진단될 가능성을 예측할 수 있다. 반대로, 그 기간 이후에 암환자에게 정서질환이 진단된 경우, 그 정서질환이 암진단과 직접적인 관련성이 있다고 보기 어려울 수 있기 때문이다.Meanwhile, the apparatus for predicting emotional disease may set a predetermined period during which cancer diagnosis affects the occurrence of emotional disease in cancer patients, and may predict the possibility that an emotional disease will be diagnosed within the period. Conversely, if an emotional disorder is diagnosed in a cancer patient after that period, it may be difficult to see that the emotional disorder is directly related to the cancer diagnosis.

또 다른 실시예에서는, 정서질환 예측 장치가 정서질환예측모델을 딥러닝 기반으로 학습시킬 때, 복수의 암환자를 나이에 따라 소정 개수의 그룹으로 나누어 학습시키고, 그 후 정서질환정보를 예측할 때, 대상암환자의 나이를 그 소정 개수의 그룹 중 하나에 대응시켜 정서질환예측모델에 적용한 후, 예측할 수 있다.In another embodiment, when the emotional disease prediction device learns the emotional disease prediction model based on deep learning, a plurality of cancer patients are divided into a predetermined number of groups according to their age and learned, and then when predicting emotional disease information, After applying the age of the target cancer patient to one of the predetermined number of groups and applying it to the emotional disease prediction model, it can be predicted.

예컨대, 정서질환 예측 장치는 복수의 암환자의 데이터에서 나이별로 데이터 수량의 편차가 심한 경우에 또는 학습되는 데이터량을 줄이기 위한 경우에, 복수의 암환자를 나이에 따라 소정 개수의 그룹으로 나누어 학습시킬 수 있다. For example, the emotional disease prediction apparatus divides the plurality of cancer patients into a predetermined number of groups according to their age and learns them when there is a large variation in the amount of data by age in the data of a plurality of cancer patients or in order to reduce the amount of data to be learned. can do it

보다 구체적으로, 정서질환 예측 장치는 0~5세(1그룹), 6~10세(2그룹), 11~15세(3그룹), 16~20세(4그룹), 21~25세(5그룹) 등과 같이 5년 단위로 그룹을 구성하여 학습을 수행하여 데이터량의 편차 문제를 완화하거나, 학습되는 데이터량을 감소시킬 수 있다.More specifically, the emotional disease prediction device is 0-5 years old (group 1), 6-10 years old (group 2), 11-15 years old (group 3), 16-20 years old (group 4), 21-25 years old (group 2) 5), etc., by forming a group in units of 5 years and performing learning, it is possible to alleviate the problem of deviation in the amount of data or to reduce the amount of data to be learned.

또한, 정서질환 예측 장치는 대상암환자의 나이를 앞서 구성한 그룹에 대응시킨 후, 정서질환예측모델에 적용하여 정서질환정보를 예측할 수 있다.In addition, the emotional disease prediction apparatus may predict emotional disease information by matching the age of the target cancer patient to the previously configured group and then applying it to the emotional disease prediction model.

이와 같이, 본 발명의 일 실시예에 따른 암환자의 정서질환 예측 방법은 보건 의료 분야의 빅데이터를 이용한 딥러닝 기법을 도입하여, 암환자의 정서질환에 대한 최적의 진단 시기를 예측할 수 있는 효과가 있다.As described above, the method for predicting emotional disorders of cancer patients according to an embodiment of the present invention introduces a deep learning technique using big data in the health care field, thereby predicting the optimal diagnosis time for emotional disorders in cancer patients. there is

도 2는 본 발명의 일 실시예에 따른 암환자의 정서질환 예측 장치의 블록도이다.2 is a block diagram of an apparatus for predicting emotional disorders of a cancer patient according to an embodiment of the present invention.

도 2를 참조하면, 본 발명의 일 실시예에 따른 암환자의 정서질환 예측 장치(200)는 획득부(210), 학습부(220) 및 예측부(230)를 포함한다.Referring to FIG. 2 , the apparatus 200 for predicting an emotional disease of a cancer patient according to an embodiment of the present invention includes an acquisition unit 210 , a learning unit 220 , and a prediction unit 230 .

한편, 본 발명의 일 실시예에 따른 암환자의 정서질환 예측 장치(200)는 데스크탑PC, 노트북PC, 서버컴퓨터, 스마트폰 및 태블릿 등에 탑재될 수 있다.Meanwhile, the apparatus 200 for predicting emotional disease of a cancer patient according to an embodiment of the present invention may be mounted on a desktop PC, a notebook PC, a server computer, a smart phone, a tablet, and the like.

획득부(210)는 복수의 암환자 각각에 대한 개인정보, 암질환정보 및 정서질환정보를 포함하는 정보인 의료정보를 획득한다.The acquisition unit 210 acquires medical information that is information including personal information, cancer disease information, and emotional disease information for each of a plurality of cancer patients.

학습부(220)는 그 의료정보를 이용하여, 암환자에 대한 개인정보 및 암질환정보로부터 정서질환정보를 예측하는 정서질환예측모델을 딥러닝 기반으로 학습시킨다.The learning unit 220 uses the medical information to learn an emotional disease prediction model for predicting emotional disease information from personal information and cancer disease information about a cancer patient based on deep learning.

마지막으로 예측부(230)는 예측 대상이 되는 암환자인 대상암환자의 개인정보 및 암질환정보를 정서질환예측모델에 적용하여 그 대상암환자의 정서질환정보를 예측한다.Finally, the prediction unit 230 predicts the emotional disease information of the target cancer patient by applying the personal information and cancer disease information of the target cancer patient, which is the target cancer patient, to the emotional disease prediction model.

이때, 개인정보는 암환자의 성별 및 나이에 관한 정보를 포함하고, 암질환정보 및 정서질환정보는 진단일에 관한 정보를 포함한다.In this case, the personal information includes information on the sex and age of the cancer patient, and the cancer disease information and emotional disease information includes information on the date of diagnosis.

다른 실시예에서는, 암질환정보는 암종류 및 치료방법에 관한 정보를 더 포함하고, 정서질환정보는 질환종류에 관한 정보를 더 포함할 수 있다.In another embodiment, the cancer disease information may further include information on cancer types and treatment methods, and the emotional disease information may further include information on disease types.

또 다른 실시예에서는, 예측부(230)는 정서질환이 진단될 가능성이 가장 높은 복수의 진단일을 예측할 수 있다.In another embodiment, the prediction unit 230 may predict a plurality of diagnosis days with the highest probability of being diagnosed with an emotional disorder.

또 다른 실시예에서는, 예측부(230)는 소정의 기간 내에 정서질환이 진단될 가능성을 더 예측할 수 있다.In another embodiment, the prediction unit 230 may further predict the possibility that an emotional disorder will be diagnosed within a predetermined period.

또 다른 실시예에서는, 학습부(220)는 복수의 암환자를 나이에 따라 소정 개수의 그룹으로 나누어 학습시키고, 예측부(230)는 대상암환자의 나이를 그 소정 개수의 그룹 중 하나에 대응시켜 정서질환예측모델에 적용한 후, 예측할 수 있다.In another embodiment, the learning unit 220 divides the plurality of cancer patients into a predetermined number of groups according to their age and trains them, and the prediction unit 230 sets the age of the target cancer patient to one of the predetermined number of groups. It can be predicted after applying it to the emotional disease prediction model.

이제까지 본 발명에 대하여 그 바람직한 실시 예들을 중심으로 살펴보았다. 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자는 본 발명이 본 발명의 본질적인 특성에서 벗어나지 않는 범위에서 변형된 형태로 구현될 수 있음을 이해할 수 있을 것이다. 따라서, 본 발명의 범위는 전술한 실시 예에 한정되지 않고 특허 청구범위에 기재된 내용과 동등한 범위 내에 있는 다양한 실시 형태가 포함되도록 해석되어야 할 것이다.So far, the present invention has been looked at with respect to preferred embodiments thereof. Those of ordinary skill in the art to which the present invention pertains will understand that the present invention can be implemented in a modified form without departing from the essential characteristics of the present invention. Accordingly, the scope of the present invention is not limited to the above-described embodiments, and should be construed to include various embodiments within the scope equivalent to the content described in the claims.

Claims (10)

복수의 암환자 각각에 대한 개인정보, 암질환정보 및 정서질환정보를 포함하는 정보인 의료정보를 획득하는 단계;
상기 의료정보를 이용하여, 암환자에 대한 상기 개인정보 및 상기 암질환정보로부터 상기 정서질환정보를 예측하는 정서질환예측모델을 딥러닝 기반으로 학습시키는 단계; 및
예측 대상이 되는 암환자인 대상암환자의 상기 개인정보 및 상기 암질환정보를 상기 정서질환예측모델에 적용하여 상기 대상암환자의 상기 정서질환정보를 예측하는 단계
를 포함하고,
상기 개인정보는 암환자의 성별 및 나이에 관한 정보를 포함하고, 상기 암질환정보 및 상기 정서질환정보는 진단일에 관한 정보를 포함하는 것을 특징으로 하는 암환자의 정서질환 예측 방법.obtaining medical information, which is information including personal information, cancer disease information, and emotional disease information for each of a plurality of cancer patients;
learning, based on deep learning, an emotional disease prediction model for predicting the emotional disease information from the personal information about a cancer patient and the cancer disease information using the medical information; and
Predicting the emotional disease information of the target cancer patient by applying the personal information and the cancer disease information of the target cancer patient, which is a cancer patient, to the emotional disease prediction model
including,
The personal information includes information about the sex and age of the cancer patient, and the cancer disease information and the emotional disease information include information on a diagnosis date. 제1항에 있어서,
상기 암질환정보는 암종류 및 치료방법에 관한 정보를 더 포함하고,
상기 정서질환정보는 질환종류에 관한 정보를 더 포함하는 것을 특징으로 하는 암환자의 정서질환 예측 방법.According to claim 1,
The cancer disease information further includes information about cancer types and treatment methods,
The emotional disease information is a cancer patient's emotional disease prediction method, characterized in that it further comprises information on the type of disease. 제2항에 있어서,
상기 정서질환정보를 예측하는 단계는
정서질환이 진단될 가능성이 가장 높은 복수의 진단일을 예측하는 것을 특징으로 하는 암환자의 정서질환 예측 방법.3. The method of claim 2,
Predicting the emotional disease information
A method for predicting emotional disease in cancer patients, characterized in that predicting a plurality of diagnosis days with the highest probability of being diagnosed with an emotional disease. 제2항에 있어서,
상기 정서질환정보를 예측하는 단계는
소정의 기간 내에 정서질환이 진단될 가능성을 더 예측하는 것을 특징으로 하는 암환자의 정서질환 예측 방법.3. The method of claim 2,
Predicting the emotional disease information
A method for predicting emotional disease in cancer patients, characterized in that it further predicts the possibility that an emotional disease will be diagnosed within a predetermined period. 제1항에 있어서,
상기 정서질환예측모델을 딥러닝 기반으로 학습시키는 단계는
상기 복수의 암환자를 나이에 따라 소정 개수의 그룹으로 나누어 학습시키고,
상기 정서질환정보를 예측하는 단계는
상기 대상암환자의 나이를 상기 소정 개수의 그룹 중 하나에 대응시켜 상기 정서질환예측모델에 적용한 후, 예측하는 것을 특징으로 하는 암환자의 정서질환 예측 방법.According to claim 1,
The step of learning the emotional disease prediction model based on deep learning is
The plurality of cancer patients are divided into a predetermined number of groups according to their age,
Predicting the emotional disease information
Method for predicting emotional disease of a cancer patient, characterized in that the age of the target cancer patient is applied to the emotional disease prediction model by corresponding to one of the predetermined number of groups, and then predicted. 복수의 암환자 각각에 대한 개인정보, 암질환정보 및 정서질환정보를 포함하는 정보인 의료정보를 획득하는 획득부;
상기 의료정보를 이용하여, 암환자에 대한 상기 개인정보 및 상기 암질환정보로부터 상기 정서질환정보를 예측하는 정서질환예측모델을 딥러닝 기반으로 학습시키는 학습부; 및
예측 대상이 되는 암환자인 대상암환자의 상기 개인정보 및 상기 암질환정보를 상기 정서질환예측모델에 적용하여 상기 대상암환자의 상기 정서질환정보를 예측하는 예측부
를 포함하고,
상기 개인정보는 암환자의 성별 및 나이에 관한 정보를 포함하고, 상기 암질환정보 및 상기 정서질환정보는 진단일에 관한 정보를 포함하는 것을 특징으로 하는 암환자의 정서질환 예측 장치.an acquisition unit for obtaining medical information that is information including personal information, cancer disease information, and emotional disease information for each of a plurality of cancer patients;
a learning unit for learning, based on deep learning, an emotional disease prediction model for predicting the emotional disease information from the personal information about the cancer patient and the cancer disease information by using the medical information; and
A prediction unit for predicting the emotional disease information of the target cancer patient by applying the personal information and the cancer disease information of the target cancer patient, which is a cancer patient, to the emotional disease prediction model
including,
The personal information includes information about the sex and age of the cancer patient, and the cancer disease information and the emotional disease information includes information on a diagnosis date. 제6항에 있어서,
상기 암질환정보는 암종류 및 치료방법에 관한 정보를 더 포함하고,
상기 정서질환정보는 질환종류에 관한 정보를 더 포함하는 것을 특징으로 하는 암환자의 정서질환 예측 장치.7. The method of claim 6,
The cancer disease information further includes information about cancer types and treatment methods,
The emotional disease information is an emotional disease prediction device for cancer patients, characterized in that it further comprises information on the type of disease. 제7항에 있어서,
상기 예측부는
정서질환이 진단될 가능성이 가장 높은 복수의 진단일을 예측하는 것을 특징으로 하는 암환자의 정서질환 예측 방법.8. The method of claim 7,
the prediction unit
A method for predicting emotional disorders in cancer patients, characterized in that predicting a plurality of diagnosis days with the highest probability of being diagnosed with an emotional disorder. 제7항에 있어서,
상기 예측부는
소정의 기간 내에 정서질환이 진단될 가능성을 더 예측하는 것을 특징으로 하는 암환자의 정서질환 예측 방법.8. The method of claim 7,
the prediction unit
A method for predicting emotional disease in cancer patients, characterized in that it further predicts the possibility that an emotional disease will be diagnosed within a predetermined period. 제6항에 있어서,
상기 학습부는
상기 복수의 암환자를 나이에 따라 소정 개수의 그룹으로 나누어 학습시키고,
상기 예측부는
상기 대상암환자의 나이를 상기 소정 개수의 그룹 중 하나에 대응시켜 상기 정서질환예측모델에 적용한 후, 예측하는 것을 특징으로 하는 암환자의 정서질환 예측 방법.
7. The method of claim 6,
the learning unit
The plurality of cancer patients are divided into a predetermined number of groups according to their age,
the prediction unit
Method for predicting emotional disease of a cancer patient, characterized in that the age of the target cancer patient is applied to the emotional disease prediction model by corresponding to one of the predetermined number of groups, and then predicted.
KR1020200025617A 2020-02-28 2020-02-28 Apparatus and method for mental disorder prediction for cancer patients KR102479649B1 (en)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020200025617A KR102479649B1 (en) 2020-02-28 2020-02-28 Apparatus and method for mental disorder prediction for cancer patients

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020200025617A KR102479649B1 (en) 2020-02-28 2020-02-28 Apparatus and method for mental disorder prediction for cancer patients

Publications (2)

Publication Number Publication Date
KR20210110109A true KR20210110109A (en) 2021-09-07
KR102479649B1 KR102479649B1 (en) 2022-12-21

Family

ID=77797456

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020200025617A KR102479649B1 (en) 2020-02-28 2020-02-28 Apparatus and method for mental disorder prediction for cancer patients

Country Status (1)

Country Link
KR (1) KR102479649B1 (en)

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101710752B1 (en) * 2014-06-24 2017-02-28 경희대학교 산학협력단 System and method of emergency telepsychiatry using emergency psychiatric mental state prediction model
JP2018121749A (en) * 2017-01-30 2018-08-09 株式会社リコー Diagnostic apparatus, program, and diagnostic system
KR20190009166A (en) * 2017-07-18 2019-01-28 사회복지법인 삼성생명공익재단 Method, Apparatus and Program for Predicting Prognosis of Ovarian Cancer Using Machine Learning

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101710752B1 (en) * 2014-06-24 2017-02-28 경희대학교 산학협력단 System and method of emergency telepsychiatry using emergency psychiatric mental state prediction model
JP2018121749A (en) * 2017-01-30 2018-08-09 株式会社リコー Diagnostic apparatus, program, and diagnostic system
KR20190009166A (en) * 2017-07-18 2019-01-28 사회복지법인 삼성생명공익재단 Method, Apparatus and Program for Predicting Prognosis of Ovarian Cancer Using Machine Learning

Also Published As

Publication number Publication date
KR102479649B1 (en) 2022-12-21

Similar Documents

Publication Publication Date Title
Rutledge et al. Association of neural and emotional impacts of reward prediction errors with major depression
Kao et al. The relationship between method of physician payment and patient trust
Vega et al. Lifetime prevalence of DSM-III-R psychiatric disorders among urban and rural Mexican Americans in California
Qin et al. Suicide risk in relation to psychiatric hospitalization: evidence based on longitudinal registers
Greenhalgh The applications of PROs in clinical practice: what are they, do they work, and why?
Kessler et al. Screening for serious mental illness in the general population
Mason et al. Disparities by sex and race and ethnicity in death rates due to opioid overdose among adults 55 years or older, 1999 to 2019
US20120221251A1 (en) Systems and methods for selecting, ordering, scheduling, administering, storing, interpreting and transmitting a plurality of psychological, neurobehavioral and neurobiological tests
Zhang et al. Using artificial intelligence to improve pain assessment and pain management: a scoping review
Augsburger et al. Impact of delayed treatment in growing posterior uveal melanomas
Steenland et al. Association of Medicaid expansion with postpartum depression treatment in Arkansas
Deng et al. The effectiveness of a modified advance care planning programme
French et al. Classification and staging of dementia of the Alzheimer type: a comparison between neural networks and linear discriminant analysis
Ravindranath et al. Social determinants of health and perceived barriers to care in diabetic retinopathy screening
Raugi et al. Photosensitivity from men's colognes
Bailey Jr Out of the black box: Expansion of a theory-based intervention to self-manage the uncertainty associated with active surveillance (AS) for prostate cancer
Mollica Assessment of trauma in primary care
Stephenson CDC report reveals “considerably elevated” mental health toll from COVID-19 stresses
Navari et al. Preferences of patients with advanced cancer for hospice care
KR102479649B1 (en) Apparatus and method for mental disorder prediction for cancer patients
Prasad et al. Use of recommendation engine and chatbot for depression consultancy platforms
Whiteneck et al. SCIRehab: a model for rehabilitation research using comprehensive person, process and outcome data
Ashwinkumar et al. A web-based patient support system using artificial intelligence to improve health monitoring and quality of life
Lu et al. Application of telemedicine system on the management of general patient in quarantine
KR102450646B1 (en) Diagnosis system and method for emergency department patient using deep learning model based on big data

Legal Events

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