KR20210112615A - 관상동맥우회술 환자의 최초 중환자실 재실시간과 최초 기도삽관시간을 이용하여 재원기간을 예측하는 방법, 시스템 및 프로그램 - Google Patents

관상동맥우회술 환자의 최초 중환자실 재실시간과 최초 기도삽관시간을 이용하여 재원기간을 예측하는 방법, 시스템 및 프로그램 Download PDF

Info

Publication number
KR20210112615A
KR20210112615A KR1020200027836A KR20200027836A KR20210112615A KR 20210112615 A KR20210112615 A KR 20210112615A KR 1020200027836 A KR1020200027836 A KR 1020200027836A KR 20200027836 A KR20200027836 A KR 20200027836A KR 20210112615 A KR20210112615 A KR 20210112615A
Authority
KR
South Korea
Prior art keywords
patient
stay
hospital stay
value
coronary artery
Prior art date
Application number
KR1020200027836A
Other languages
English (en)
Other versions
KR102310455B1 (ko
Inventor
이향열
Original Assignee
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 가톨릭대학교 산학협력단 filed Critical 가톨릭대학교 산학협력단
Priority to KR1020200027836A priority Critical patent/KR102310455B1/ko
Publication of KR20210112615A publication Critical patent/KR20210112615A/ko
Application granted granted Critical
Publication of KR102310455B1 publication Critical patent/KR102310455B1/ko

Links

Images

Classifications

    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H40/00—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices
    • G16H40/20—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices for the management or administration of healthcare resources or facilities, e.g. managing hospital staff or surgery rooms
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H10/00—ICT specially adapted for the handling or processing of patient-related medical or healthcare data
    • G16H10/60—ICT specially adapted for the handling or processing of patient-related medical or healthcare data for patient-specific data, e.g. for electronic patient records
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
    • 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
    • G16H50/50—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for simulation or modelling of medical disorders

Landscapes

  • Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Public Health (AREA)
  • Epidemiology (AREA)
  • Biomedical Technology (AREA)
  • Primary Health Care (AREA)
  • General Health & Medical Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Pathology (AREA)
  • Databases & Information Systems (AREA)
  • Business, Economics & Management (AREA)
  • General Business, Economics & Management (AREA)
  • Measuring And Recording Apparatus For Diagnosis (AREA)

Abstract

본 발명은 관상동맥우회술 환자의 재원기간을 예측하는 방법에 관한 것으로, 환자의 재원기간 예측을 위한 변수값을 재원기간 예측모델에 입력함으로써, 환자의 재원기간 예측값을 산출할 수 있는 효과가 있다.

Description

관상동맥우회술 환자의 최초 중환자실 재실시간과 최초 기도삽관시간을 이용하여 재원기간을 예측하는 방법, 시스템 및 프로그램 {Method, system and program for predict length of hospital stay of coronary artery bypass surgery patient}
본 발명은 관상동맥우회술 환자의 재원기간을 예측하는 방법에 관한 것이다.
관상동맥이란 심장의 혈류를 담당하는 혈관으로, 심장에 원활하게 혈액을 보낼 수 있도록 하기 위해서 부분적으로 막혀있는 관상동맥의 일부분을 다른 혈관으로 우회하는 길을 만들어 심장에 원활하게 혈액을 보낼 수 있도록 하는 수술이다.
환자는 관상동맥우회술의 수술이 끝나면 중환자실로 이동되어 일정시간동안 집중 치료, 관리를 받게 되며 그 후에는 일반병실로 이동되어 회복 기간을 거친 후에 퇴원하게 된다.
환자들의 수술 이력, 상태정보 등과 같은 정보들을 이용하여 재원기간을 예측한다면, 환자들의 건강과 중환자실, 일반병실을 좀 더 체계적으로 관리할 수 있을 것으로 기대되지만, 현재로서는 서로 다른 환자들의 정보들을 이용하여 재원기간을 예측할 수 있는 방법이 공개되어 있지 않은 실정이다.
대한민국 공개특허공보 제10-2018-0003345호 (2018.01.09)
상술한 바와 같은 문제점을 해결하기 위한 본 발명은 환자의 재원기간 예측을 위한 변수값을 재원기간 예측모델에 입력하여 환자의 재원기간 예측값을 산출하고자 한다.
또한, 본 발명은 환자의 최초 중환자실 재실시간 정보 및 최초 기도삽관시간 정보를 이용하여 재원기간을 예측하고자 한다.
또한, 본 발명은 환자의 관상동맥우회술 환자의 당화혈색소 값, 급성심부전 여부에 대한 값, 만성심부전 여부에 대한 값, 만성폐쇄성폐질환(COPD) 여부에 대한 값, 오름 대동맥 석회화 여부에 대한 값 및 수술 후 심방 세동/조동 여부에 대한 값, 재수술 여부 등의 변수값을 이용하여 환자의 재원기간을 예측하고자 한다.
본 발명이 해결하고자 하는 과제들은 이상에서 언급된 과제로 제한되지 않으며, 언급되지 않은 또 다른 과제들은 아래의 기재로부터 통상의 기술자에게 명확하게 이해될 수 있을 것이다.
상술한 과제를 해결하기 위한 본 발명의 일 실시예에 따른 관상동맥우회술 환자의 관상동맥우회술 후의 재원기간 예측 방법은, 컴퓨터에 의해 수행되는, 관상동맥우회술 환자의 재원기간 예측 방법에 있어서, 상기 환자의 EMR 데이터로부터 상기 환자의 재원기간 예측을 위한 변수값을 로딩하되, 상기 변수값은 상기 환자의 최초 중환자실 재실시간 정보 및 최초 기도삽관시간 정보 중 적어도 하나를 포함하는, 변수값 로딩 단계; 및 재원기간 예측모델에 상기 변수값을 입력하여 상기 환자의 재원기간 예측값을 산출하는 단계를 포함하고, 상기 환자의 재원기간 예측값은, 상기 최초 중환자실 재실시간 또는 최초 기도삽관시간에 비례하여 예측되는 것을 특징으로 한다.
또한, 상기 최초 중환자실 재실시간 정보는, 상기 환자가 관상동맥우회술 수술실에서 중환자실로 도착된 시간으로부터 상기 중환자실에서 일반병실로 이동된 시간까지로 산출하고, 상기 최초 기도삽관시간 정보는, 상기 환자가 관상동맥우회술 수술실에서 출발한 시간으로부터 발관 시간까지로 산출하는 것을 특징으로 한다.
또한, 상기 재원기간 예측모델은 상기 환자의 최초 중환자실 재실시간이 변수값으로 입력되면, 하기 수학식 1을 이용하여 상기 환자의 재원기간 예측값을 산출하는 것을 특징으로 한다.
<수학식 1>
재원기간 예측값(일 단위) = 최초 중환자실 재실시간(시간 단위) x 0.09 + 6.06
또한, 상기 재원기간 예측모델은 상기 환자의 최초 기도삽관시간이 변수값으로 입력되면, 하기 수학식 2를 이용하여 상기 환자의 재원기간 예측값을 산출하는 것을 특징으로 한다.
<수학식 2>
재원기간 예측값(일 단위) = 최초 기도삽관시간(시간 단위) x 0.16 + 8.36
또한, 상기 재원기간 예측모델은, 상기 최초 중환자실 재실시간이 1시간 증가함에 따라 상기 재원기간 예측값을 0.05일씩 증가시키고, 상기 최초 기도삽관시간이 1시간 증가함에 따라 상기 재원기간 예측값을 0.06일씩 증가시키는 것을 특징으로 한다.
또한, 상기 변수값은, 상기 관상동맥우회술 환자의 당화혈색소 값, 급성심부전(Acute renal failure) 여부에 대한 값, 만성심부전(Chronic renal failure) 여부에 대한 값, 만성폐쇄성폐질환(COPD) 여부에 대한 값, 오름 대동맥 석회화(Ascending aorta calcification) 여부에 대한 값 및 수술 후 심방 세동/조동(Postoperative Atrial Fibrillation) 여부에 대한 값 중 적어도 하나를 더 포함한다.
또한, 상기 재원기간 예측모델은, 상기 환자의 당화혈색소 값이 7.0 이상인 경우 상기 재원기간 예측값을 3.34일 만큼 증가시키고, 상기 환자가 급성심부전이 있는 경우 상기 재원기간 예측값을 13.56일 만큼 증가시키고, 상기 환자가 만성심부전이 있는 경우 상기 재원기간 예측값을 4.79일 만큼 증가시키고, 상기 환자가 만성폐쇄성폐질환이 있는 경우 상기 재원기간 예측값을 8.35일 만큼 증가시키고, 상기 환자가 오름 대동맥 석회화가 있는 경우 상기 재원기간 예측값을 4.20일 만큼 증가시키고, 상기 환자가 수술 후 심방 세동/조동 증상이 있는 경우 상기 재원기간 예측값을 2.71일 만큼 증가시키는 것을 특징으로 한다.
또한, 상기 변수값은, 상기 환자의 금번 관상동맥우회술이 재수술에 해당하는지 여부를 더 포함하고, 상기 재원기간 예측모델은, 상기 환자의 금번 관상동맥우회술이 재수술에 해당하는 경우 상기 재원기간 예측값을 7.67일 만큼 증가시키는 것을 특징으로 한다.
또한, 상술한 과제를 해결하기 위한 본 발명의 일 실시예에 따른 관상동맥우회술 환자의 재원기간 예측 시스템은, 상기 환자의 EMR 데이터로부터 상기 환자의 재원기간 예측을 위한 변수값을 로딩하되, 상기 변수값은 상기 환자의 최초 중환자실 재실시간 정보 및 최초 기도삽관시간 정보 중 적어도 하나를 포함하는, 변수값 로딩부; 및 재원기간 예측모델에 상기 변수값을 입력하여 상기 환자의 재원기간 예측값을 산출하는 산출부를 포함하고, 상기 환자의 재원기간 예측값은, 상기 최초 중환자실 재실시간 또는 최초 기도삽관시간에 비례하여 예측되는 것을 특징으로 한다.
이 외에도, 본 발명을 구현하기 위한 다른 방법, 다른 시스템 및 상기 방법을 실행하기 위한 컴퓨터 프로그램을 기록하는 컴퓨터 판독 가능한 기록 매체가 더 제공될 수 있다.
상기와 같은 본 발명에 따르면, 환자의 재원기간 예측을 위한 변수값을 재원기간 예측모델에 입력함으로써, 환자의 재원기간 예측값을 산출할 수 있는 효과가 있다.
또한, 본 발명에 따르면, 환자의 최초 중환자실 재실시간 정보 및 최초 기도삽관시간 정보를 변수값으로 입력함으로써, 환자의 재원기간 예측값을 산출할 수 있는 효과가 있다.
또한, 본 발명에 따르면, 환자의 관상동맥우회술 환자의 당화혈색소 값, 급성심부전 여부에 대한 값, 만성심부전 여부에 대한 값, 만성폐쇄성폐질환(COPD) 여부에 대한 값, 오름 대동맥 석회화 여부에 대한 값 및 수술 후 심방 세동/조동 여부에 대한 값, 재수술 여부 등과 같은 다양한 변수값을 이용하여 환자의 재원기간을 정확하게 예측할 수 있는 효과가 있다.
본 발명의 효과들은 이상에서 언급된 효과로 제한되지 않으며, 언급되지 않은 또 다른 효과들은 아래의 기재로부터 통상의 기술자에게 명확하게 이해될 수 있을 것이다.
도 1은 관상동맥우회술의 수술을 받은 환자의 이동경로를 예시한 도면이다.
도 2는 본 발명의 실시예에 따른 관상동맥우회술 환자의 재원기간 예측 방법의 흐름도이다.
도 3은 관상동맥우회술 환자의 최초 중환자실 재실시간과 재원기간의 상관관계를 나타낸 도면이다.
도 4는 관상동맥우회술 환자의 최초 기도삽관시간과 재원기간의 상관관계를 나타낸 도면이다.
도 5는 관상동맥우회술 환자의 각종 변수값에 따라 재원기간 예측값이 산출되는 것을 도시한 도면이다.
도 6은 본 발명의 실시예에 따른 관상동맥우회술 환자의 재원기간 예측 시스템의 블록도이다.
본 발명의 이점 및 특징, 그리고 그것들을 달성하는 방법은 첨부되는 도면과 함께 상세하게 후술되어 있는 실시예들을 참조하면 명확해질 것이다. 그러나, 본 발명은 이하에서 개시되는 실시예들에 제한되는 것이 아니라 서로 다른 다양한 형태로 구현될 수 있으며, 단지 본 실시예들은 본 발명의 개시가 완전하도록 하고, 본 발명이 속하는 기술 분야의 통상의 기술자에게 본 발명의 범주를 완전하게 알려주기 위해 제공되는 것이며, 본 발명은 청구항의 범주에 의해 정의될 뿐이다.
본 명세서에서 사용된 용어는 실시예들을 설명하기 위한 것이며 본 발명을 제한하고자 하는 것은 아니다. 본 명세서에서, 단수형은 문구에서 특별히 언급하지 않는 한 복수형도 포함한다. 명세서에서 사용되는 "포함한다(comprises)" 및/또는 "포함하는(comprising)"은 언급된 구성요소 외에 하나 이상의 다른 구성요소의 존재 또는 추가를 배제하지 않는다. 명세서 전체에 걸쳐 동일한 도면 부호는 동일한 구성 요소를 지칭하며, "및/또는"은 언급된 구성요소들의 각각 및 하나 이상의 모든 조합을 포함한다. 비록 "제1", "제2" 등이 다양한 구성요소들을 서술하기 위해서 사용되나, 이들 구성요소들은 이들 용어에 의해 제한되지 않음은 물론이다. 이들 용어들은 단지 하나의 구성요소를 다른 구성요소와 구별하기 위하여 사용하는 것이다. 따라서, 이하에서 언급되는 제1 구성요소는 본 발명의 기술적 사상 내에서 제2 구성요소일 수도 있음은 물론이다.
다른 정의가 없다면, 본 명세서에서 사용되는 모든 용어(기술 및 과학적 용어를 포함)는 본 발명이 속하는 기술분야의 통상의 기술자에게 공통적으로 이해될 수 있는 의미로 사용될 수 있을 것이다. 또한, 일반적으로 사용되는 사전에 정의되어 있는 용어들은 명백하게 특별히 정의되어 있지 않는 한 이상적으로 또는 과도하게 해석되지 않는다.
이하, 첨부된 도면을 참조하여 본 발명의 실시예를 상세하게 설명한다.
도 1은 관상동맥우회술의 수술을 받은 환자의 이동경로를 예시한 도면이다.
도 1을 참조하면, 일반적으로 관상동맥우회술의 수술을 받은 환자는 수술이 끝나면 중환자실로 이동되어 일정시간동안 집중 치료, 관리를 받게 되며 그 후에는 일반병실로 이동되어 회복 기간을 거친 후에 퇴원하게 된다.
본 발명의 실시예에서 재원기간은 환자가 관상동맥우회술 수술을 마친 시간으로부터 퇴원하기까지의 시간으로서, 관상동맥우회술 후의 재원기간을 의미한다.
보다 상세하게는, 본 발명의 실시예에서 재원기간은 환자가 관상동맥우회술의 수술을 마친 후 중환자실에 머무른 시간, 중환자실에서 일반병실로 이동하는데 소요된 시간, 일반병실에서 퇴원하기까지 머무른 시간들의 총 합이 될 수도 있다.
도 2는 본 발명의 실시예에 따른 관상동맥우회술 환자의 재원기간 예측 방법의 흐름도이며, 도 3은 관상동맥우회술 환자의 최초 중환자실 재실시간과 재원기간 예측값의 상관관계를 나타낸 도면이고, 도 4는 관상동맥우회술 환자의 최초 기도삽관시간과 재원기간 예측값의 상관관계를 나타낸 도면이며, 도 5는 관상동맥우회술 환자의 각종 변수값에 따라 재원기간 예측값이 산출되는 것을 도시한 도면이다.
이하, 도 1 내지 도 5을 참조하여, 본 발명의 실시예에 따른 관상동맥우회술 환자의 재원기간 예측 방법에 대해서 설명하도록 한다.
본 발명의 실시예에 따른 관상동맥우회술 환자의 재원기간 예측 방법은 컴퓨터(100)에 의해 수행되며, 컴퓨터(100)는 재원기간 예측 장치, 재원기간 예측 서버 등과 같이 실시될 수 있다.
먼저, 컴퓨터(100)의 변수값 로딩부(110)가 환자의 EMR 데이터로부터 환자의 재원기간 예측을 위한 변수값을 로딩한다. (S100단계)
바람직하게는, 컴퓨터(100)는 통신부를 통해 병원 서버 또는 EMR 서비스 서버에 접속하고, 환자의 진료정보, 전자의무기록을 수신할 수 있다.
그리고, 변수값 로딩부(110)는 수신된 정보 중에서, 환자의 재원기간 예측에 영향을 미치는 값들을 특정하여 로딩할 수 있다.
이때, 변수값은 환자의 최초 중환자실 재실시간 정보, 최초 기도삽관시간 정보, 당화혈색소 값, 급성심부전(Acute renal failure) 여부에 대한 값, 만성심부전(Chronic renal failure) 여부에 대한 값, 만성폐쇄성폐질환(COPD) 여부에 대한 값, 오름 대동맥 석회화(Ascending aorta calcification) 여부에 대한 값 및 수술 후 심방 세동/조동(Postoperative Atrial Fibrillation) 여부에 대한 값 등이 해당될 수 있다.
컴퓨터(100)는 수신된 진료정보, 전자의무기록에 별도로 최초 중환자실 재실시간 정보, 최초 기도삽관시간 정보가 입력되어 있지 않을 수 있으므로, 이에 대한 산출 단계를 더 수행할 수 있다.
변수값 로딩부(110)는 환자가 관상동맥우회술 수술실에서 중환자실로 도착된 시간으로부터 중환자실에서 일반병실로 이동된 시간까지의 시간차를 통해 최초 중환자실 재실시간을 산출할 수 있다.
이때, 환자가 중환자실에서 일반병실로 이동된 시간은 환자가 중환자실에서 퇴실된 시간이 이용될 수도 있다.
그리고, 변수값 로딩부(110)는 환자가 관상동맥우회술 수술실에서 출발한 시간으로부터 발관시간까지의 시간차를 통해 최초 기도삽관시간을 산출할 수 있다.
본 발명의 실시예에서 최초 기도삽관시간은 환자의 관상동맥우회술의 수술 후에 마취가 끝난 시간에서부터 중환자실 입원 후 환자가 마취에서 깨어나 자가호흡이 가능한 시간이 되어 발관한 시간까지를 의미한다.
다음으로, 산출부(130)가 재원기간 예측모델에 변수값을 입력하여 해당 환자의 재원기간 예측값을 산출한다. (S200단계)
이때, 산출부(130)는 재원기간 예측모델에 위에서 예시된 변수값을 모두 입력할 수도 있고, 이중 일부만을 입력하여 재원기간 예측값을 산출할 수도 있다.
도 3은 관상동맥우회술 환자의 최초 중환자실 재실시간과 재원기간의 상관관계를 나타낸 도면이다.
도 3은 439명의 환자들을 대상으로 최초 중환자실 재실시간과 재원기간 사이의 상관관계를 구하기 위해서, 다른 변수값들은 고려하지 않고 각 환자들의 변수값으로 최초 중환자실 재실시간만을 고려하여 재원기간과의 관계를 도트로 도시한 것이다.
본 발명의 실험예에서는 피어슨 상관계수, 단변량/다변량 회귀 분석을 이용하였다.
도 3를 참조하면, 다수의 환자들 각각에 대한 최초 중환자실 재실시간에 따른 재원기간이 도트로 도시되어 있으며 이에 대한 통계를 분석한 결과, 환자의 최초 중환자실 재실시간 정보를 변수값으로 입력하면 하기 수학식 1을 이용하여 환자의 재원기간 예측값을 산출할 수 있는 것으로 확인되었다. 여기서, 수학식 1은 최초 중환자실 재실시간만을 변수로 하는 단변량 예측모델이다.
[수학식 1]
재원기간 예측값(일 단위) = 최초 중환자실 재실시간(시간 단위) × 0.09 + 6.06
도 4는 관상동맥우회술 환자의 최초 기도삽관시간과 재원기간의 상관관계를 나타낸 도면이다.
도 4는 439명의 환자들을 대상으로 최초 기도삽관시간과 재원기간과 재원기간 사이의 상관관계를 구하기 위해서, 다른 변수값들은 고려하지 않고 각 환자들의 변수값으로 최초 기도삽관시간만을 고려하여 재원기간과의 관계를 도트로 도시한 것이다.
본 발명의 실험예에서는 피어슨 상관계수, 단변량/다변량 회귀 분석을 이용하였다.
도 4를 참조하면, 다수의 환자들 각각에 대한 최초 기도삽관시간에 따른 재원기간이 도트로 도시되어 있으며 이에 대한 통계를 분석한 결과, 환자의 최초 기도삽관시간 정보를 변수값으로 입력하면 하기 수학식 2를 이용하여 환자의 재원기간 예측값을 산출할 수 있는 것으로 확인되었다. 여기서, 수학식 2는 최초 기도삽관시간을 변수로 하는 단변량 예측모델이다.
[수학식 2]
재원기간 예측값(일 단위) = 최초 기도삽관시간(시간 단위) x 0.16 + 8.36
도 3, 도 4, 그리고 수학식 1과 2를 통해서 관상동맥우회술 환자의 재원기간 예측값은 최초 중환자실 재실시간 또는 최초 기도삽관시간에 비례하여 예측되는 것을 특징으로 한다.
도 5는 관상동맥우회술 환자의 각종 변수값에 따라 재원기간 예측값이 산출되는 것을 도시한 도면이다.
도 3와 도 4를 통해서는 환자의 최초 중환자실 재실시간 정보, 최초 기도삽관시간 정보 각각이 환자의 재원기간 예측값에 미치는 상관관계를 설명하는 것이었으며, 이와 같이 각각이 재원기간 예측값 산출에 활용될 수도 있지만, 실제로는 위에서 예시한 바와 같이 다양한 변수값이 적용되어 보다 정확하게 환자의 재원기간 예측값을 산출할 수도 있다. 즉, 도 5는 관상동맥우회술 후의 재원기간에 유의미한 복수의 변수에 기초한 다변량 예측모델이다.
변수값은 환자의 최초 중환자실 재실시간 정보(First ICU stay), 최초 기도삽관시간 정보(First intubation time), 당화혈색소(HbA1c) 값, 급성심부전(Acute renal failure) 여부에 대한 값, 만성심부전(Chronic renal failure) 여부에 대한 값, 만성폐쇄성폐질환(COPD) 여부에 대한 값, 오름 대동맥 석회화(Ascending aorta calcification) 여부에 대한 값 및 수술 후 심방 세동/조동(Postoperative Atrial Fibrillation) 여부에 대한 값 등이 해당될 수 있다.
도 5를 참조하여, 재원기간 예측모델이 각각의 변수값에 따라서 관상동맥우회술 환자의 재원기간을 산출하는 것에 대해서 설명하도록 한다.
재원기간 예측모델은 해당 환자의 최초 중환자실 재실시간이 1시간 증가함에 따라서 재원기간 예측값을 0.05일씩 증가시킨다.
재원기간 예측모델은 해당 환자의 최초 기도삽관시간이 1시간 증가함에 따라서 재원기간 예측값을 0.06일씩 증가시킨다.
재원기간 예측모델은 해당 환자의 기도삽관 횟수가 2회 이상인 경우에는 재원기간 예측값을 3.27일 만큼 감소시킨다.
이는, 기도삽관을 계속해서 유지하는 것보다 필요시에 삽입하는 것이 환자의 재원기간 감소가 기대되기 때문이다.
재원기간 예측모델은 해당 환자의 당화혈색소 수치가 7.0 이상인 경우, 재원기간 예측값을 3.34일 만큼 증가시킨다.
재원기간 예측모델은 해당 환자가 급성 심부전이 있는 경우, 재원기간 예측값을 13.56일 만큼 증가시킨다.
재원기간 예측모델은 해당 환자가 만성 심부전이 있는 경우, 재원기간 예측값을 4.79일 만큼 증가시킨다.
재원기간 예측모델은 해당 환자가 만성 폐쇄성 폐질환이 있는 경우, 재원기간 예측값을 8.35일 만큼 증가시킨다.
재원기간 예측모델은 해당 환자가 오름 대동맥 석회화가 있는 경우, 재원기간 예측값을 4.20일 만큼 증가시킨다.
재원기간 예측모델은 해당 환자에게 수술 후 심방 세동/조동 현상이 있는 경우, 재원기간 예측값을 2.71일 만큼 증가시킨다.
재원기간 예측모델은 해당 환자에게 인슐린 의존성 당뇨병이 있는 경우, 재원기간 예측값을 0.43일 만큼 증가시킨다.
재원기간 예측모델은 해당 환자에게 심박출량이 있는 경우, 재원기간 예측값을 0.03일 만큼 증가시킨다.
재원기간 예측모델은 해당 환자에게 심근경색이 있는 경우, 재원기간 예측값을 0.61일 만큼 증가시킨다.
재원기간 예측모델은 해당 환자의 금번 관상동맥우회술 수술이 재수술에 해당되는 경우, 재원기간 예측값을 7.67일 만큼 증가시킨다.
재원기간 예측모델은 해당 환자의 대동맥 내에 풍선펌프가 삽입된 경우, 재원기간 예측값을 4.24일 만큼 증가시킨다.
이와 같이, 산출부(130)는 재원기간 예측모델에 환자에게 해당하는 변수값을 입력함으로써, 정확한 재원기간 예측값을 산출할 수 있게 된다.
도 6은 본 발명의 실시예에 따른 관상동맥우회술 환자의 재원기간 예측 시스템(10)의 블록도이다.
도 6을 참조하면, 본 발명의 실시예에 따른 관상동맥우회술 환자의 재원기간을 예측하는 컴퓨터(100)는 변수값 로딩부(110), 산출부(130), 변수값 선택부(150), 예측값 평가부(170)를 포함한다.
다만, 몇몇 실시예에서 서버는 도 6에 도시된 구성요소보다 더 적은 수의 구성요소나 더 많은 구성요소를 포함할 수도 있다.
변수값 로딩부(110)는 환자의 EMR 데이터로부터 환자의 재원기간 예측을 위한 변수값을 로딩한다.
산출부(130)는 재원기간 예측모델에 변수값을 입력하여 환자의 재원기간 예측값을 산출한다.
변수값 선택부(150)는 변수값 로딩부(110)를 통해 로딩된 변수값 중에서 재원기간 예측모델에 입력할 변수값을 선택할 수 있다.
보다 상세하게는, 각 환자의 상태, 상황에 따라서 모든 변수값을 선택하여 재원기간 예측모델에 입력할 수도 있고, 그 중 변수값 중 몇 개를 선택하여 재원기간 예측모델에 입력할 수도 있다.
예측값 평가부(170)는 이후 해당 환자가 병원에서 퇴원한 후 실제 재원기간 정보를 수신하며, 이를 이용하여 산출부(130)가 산출한 재원기간 예측값과 비교하여 정확도를 판단하게 된다.
이상으로 설명한 본 발명의 실시예에 따른 관상동맥우회술 환자의 재원기간 예측 시스템(10)은 도 1 내지 도 5를 통해 설명한 관상동맥우회술 환자의 재원기간 예측 방법과 발명의 카테고리만 다를 뿐, 동일한 내용이므로 중복되는 설명, 예시는 생략하도록 한다.
이상에서 전술한 본 발명의 일 실시예에 따른 방법은, 하드웨어인 서버와 결합되어 실행되기 위해 프로그램(또는 어플리케이션)으로 구현되어 매체에 저장될 수 있다.
상기 전술한 프로그램은, 상기 컴퓨터가 프로그램을 읽어 들여 프로그램으로 구현된 상기 방법들을 실행시키기 위하여, 상기 컴퓨터의 프로세서(CPU)가 상기 컴퓨터의 장치 인터페이스를 통해 읽힐 수 있는 C, C++, JAVA, 기계어 등의 컴퓨터 언어로 코드화된 코드(Code)를 포함할 수 있다. 이러한 코드는 상기 방법들을 실행하는 필요한 기능들을 정의한 함수 등과 관련된 기능적인 코드(Functional Code)를 포함할 수 있고, 상기 기능들을 상기 컴퓨터의 프로세서가 소정의 절차대로 실행시키는데 필요한 실행 절차 관련 제어 코드를 포함할 수 있다. 또한, 이러한 코드는 상기 기능들을 상기 컴퓨터의 프로세서가 실행시키는데 필요한 추가 정보나 미디어가 상기 컴퓨터의 내부 또는 외부 메모리의 어느 위치(주소 번지)에서 참조되어야 하는지에 대한 메모리 참조관련 코드를 더 포함할 수 있다. 또한, 상기 컴퓨터의 프로세서가 상기 기능들을 실행시키기 위하여 원격(Remote)에 있는 어떠한 다른 컴퓨터나 서버 등과 통신이 필요한 경우, 코드는 상기 컴퓨터의 통신 모듈을 이용하여 원격에 있는 어떠한 다른 컴퓨터나 서버 등과 어떻게 통신해야 하는지, 통신 시 어떠한 정보나 미디어를 송수신해야 하는지 등에 대한 통신 관련 코드를 더 포함할 수 있다.
상기 저장되는 매체는, 레지스터, 캐쉬, 메모리 등과 같이 짧은 순간 동안 데이터를 저장하는 매체가 아니라 반영구적으로 데이터를 저장하며, 기기에 의해 판독(reading)이 가능한 매체를 의미한다. 구체적으로는, 상기 저장되는 매체의 예로는 ROM, RAM, CD-ROM, 자기 테이프, 플로피디스크, 광 데이터 저장장치 등이 있지만, 이에 제한되지 않는다. 즉, 상기 프로그램은 상기 컴퓨터가 접속할 수 있는 다양한 서버 상의 다양한 기록매체 또는 사용자의 상기 컴퓨터상의 다양한 기록매체에 저장될 수 있다. 또한, 상기 매체는 네트워크로 연결된 컴퓨터 시스템에 분산되어, 분산방식으로 컴퓨터가 읽을 수 있는 코드가 저장될 수 있다.
본 발명의 실시예와 관련하여 설명된 방법 또는 알고리즘의 단계들은 하드웨어로 직접 구현되거나, 하드웨어에 의해 실행되는 소프트웨어 모듈로 구현되거나, 또는 이들의 결합에 의해 구현될 수 있다. 소프트웨어 모듈은 RAM(Random Access Memory), ROM(Read Only Memory), EPROM(Erasable Programmable ROM), EEPROM(Electrically Erasable Programmable ROM), 플래시 메모리(Flash Memory), 하드 디스크, 착탈형 디스크, CD-ROM, 또는 본 발명이 속하는 기술 분야에서 잘 알려진 임의의 형태의 컴퓨터 판독가능 기록매체에 상주할 수도 있다.
이상, 첨부된 도면을 참조로 하여 본 발명의 실시예를 설명하였지만, 본 발명이 속하는 기술분야의 통상의 기술자는 본 발명이 그 기술적 사상이나 필수적인 특징을 변경하지 않고서 다른 구체적인 형태로 실시될 수 있다는 것을 이해할 수 있을 것이다. 그러므로, 이상에서 기술한 실시예들은 모든 면에서 예시적인 것이며, 제한적이 아닌 것으로 이해해야만 한다.
10: 관상동맥우회술 환자의 재원기간 예측 시스템
100: 컴퓨터
110: 변수값 로딩부
130: 산출부
150: 변수값 선택부
170: 예측값 평가부

Claims (10)

  1. 컴퓨터에 의해 수행되는, 관상동맥우회술 환자의 관상동맥우회술 후의 재원기간 예측 방법에 있어서,
    상기 환자의 EMR 데이터로부터 상기 환자의 재원기간 예측을 위한 변수값을 로딩하되, 상기 변수값은 상기 환자의 최초 중환자실 재실시간 정보 및 최초 기도삽관시간 정보 중 적어도 하나를 포함하는, 변수값 로딩 단계; 및
    재원기간 예측모델에 상기 변수값을 입력하여 상기 환자의 재원기간 예측값을 산출하는 단계를 포함하고,
    상기 환자의 재원기간 예측값은,
    상기 최초 중환자실 재실시간 또는 최초 기도삽관시간에 비례하여 예측되는 것을 특징으로 하는, 관상동맥우회술 환자의 재원기간 예측 방법.
  2. 제1항에 있어서,
    상기 최초 중환자실 재실시간 정보는,
    상기 환자가 관상동맥우회술 수술실에서 중환자실로 도착된 시간으로부터 상기 중환자실에서 일반병실로 이동된 시간까지로 산출하고,
    상기 최초 기도삽관시간 정보는,
    상기 환자가 관상동맥우회술 수술실에서 출발한 시간으로부터 발관 시간까지로 산출하는 것을 특징으로 하는, 관상동맥우회술 환자의 재원기간 예측 방법.
  3. 제2항에 있어서,
    상기 재원기간 예측모델은 상기 환자의 최초 중환자실 재실시간이 변수값으로 입력되면, 하기 수학식 1을 이용하여 상기 환자의 재원기간 예측값을 산출하는 것을 특징으로 하는, 관상동맥우회술 환자의 재원기간 예측 방법.
    <수학식 1>
    재원기간 예측값(일 단위) = 최초 중환자실 재실시간(시간 단위) x 0.09 + 6.06
  4. 제2항에 있어서,
    상기 재원기간 예측모델은 상기 환자의 최초 기도삽관시간이 변수값으로 입력되면, 하기 수학식 2를 이용하여 상기 환자의 재원기간 예측값을 산출하는 것을 특징으로 하는, 관상동맥우회술 환자의 재원기간 예측 방법.
    <수학식 2>
    재원기간 예측값(일 단위) = 최초 기도삽관시간(시간 단위) x 0.16 + 8.36
  5. 제2항에 있어서,
    상기 재원기간 예측모델은,
    상기 최초 중환자실 재실시간이 1시간 증가함에 따라 상기 재원기간 예측값을 0.05일씩 증가시키고,
    상기 최초 기도삽관시간이 1시간 증가함에 따라 상기 재원기간 예측값을 0.06일씩 증가시키는 것을 특징으로 하는, 관상동맥우회술 환자의 재원기간 예측 방법.
  6. 제5항에 있어서,
    상기 변수값은,
    상기 관상동맥우회술 환자의 당화혈색소 값, 급성심부전(Acute renal failure) 여부에 대한 값, 만성심부전(Chronic renal failure) 여부에 대한 값, 만성폐쇄성폐질환(COPD) 여부에 대한 값, 오름 대동맥 석회화(Ascending aorta calcification) 여부에 대한 값 및 수술 후 심방 세동/조동(Postoperative Atrial Fibrillation) 여부에 대한 값 중 적어도 하나를 더 포함하는, 관상동맥우회술 환자의 재원기간 예측 방법.
  7. 제6항에 있어서,
    상기 재원기간 예측모델은,
    상기 환자의 당화혈색소 값이 7.0 이상인 경우 상기 재원기간 예측값을 3.34일 만큼 증가시키고,
    상기 환자가 급성심부전이 있는 경우 상기 재원기간 예측값을 13.56일 만큼 증가시키고,
    상기 환자가 만성심부전이 있는 경우 상기 재원기간 예측값을 4.79일 만큼 증가시키고,
    상기 환자가 만성폐쇄성폐질환이 있는 경우 상기 재원기간 예측값을 8.35일 만큼 증가시키고,
    상기 환자가 오름 대동맥 석회화가 있는 경우 상기 재원기간 예측값을 4.20일 만큼 증가시키고,
    상기 환자가 수술 후 심방 세동/조동 증상이 있는 경우 상기 재원기간 예측값을 2.71일 만큼 증가시키는 것을 특징으로 하는, 관상동맥우회술 환자의 재원기간 예측 방법.
  8. 제7항에 있어서,
    상기 변수값은,
    상기 환자의 금번 관상동맥우회술이 재수술에 해당하는지 여부를 더 포함하고,
    상기 재원기간 예측모델은,
    상기 환자의 금번 관상동맥우회술이 재수술에 해당하는 경우 상기 재원기간 예측값을 7.67일 만큼 증가시키는 것을 특징으로 하는, 관상동맥우회술 환자의 재원기간 예측 방법.
  9. 관상동맥우회술 환자의 재원기간 예측 시스템에 있어서,
    상기 환자의 EMR 데이터로부터 상기 환자의 재원기간 예측을 위한 변수값을 로딩하되, 상기 변수값은 상기 환자의 최초 중환자실 재실시간 정보 및 최초 기도삽관시간 정보 중 적어도 하나를 포함하는, 변수값 로딩부; 및
    재원기간 예측모델에 상기 변수값을 입력하여 상기 환자의 재원기간 예측값을 산출하는 산출부를 포함하고,
    상기 환자의 재원기간 예측값은,
    상기 최초 중환자실 재실시간 또는 최초 기도삽관시간에 비례하여 예측되는 것을 특징으로 하는, 관상동맥우회술 환자의 재원기간 예측 시스템.
  10. 하드웨어인 컴퓨터와 결합되어, 제1항 내지 제8항 중 어느 한 항의 방법을 실행시키기 위하여 매체에 저장된, 관상동맥우회술 환자의 재원기간 예측 프로그램.
KR1020200027836A 2020-03-05 2020-03-05 관상동맥우회술 환자의 최초 중환자실 재실시간과 최초 기도삽관시간을 이용하여 재원기간을 예측하는 방법, 시스템 및 프로그램 KR102310455B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020200027836A KR102310455B1 (ko) 2020-03-05 2020-03-05 관상동맥우회술 환자의 최초 중환자실 재실시간과 최초 기도삽관시간을 이용하여 재원기간을 예측하는 방법, 시스템 및 프로그램

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020200027836A KR102310455B1 (ko) 2020-03-05 2020-03-05 관상동맥우회술 환자의 최초 중환자실 재실시간과 최초 기도삽관시간을 이용하여 재원기간을 예측하는 방법, 시스템 및 프로그램

Publications (2)

Publication Number Publication Date
KR20210112615A true KR20210112615A (ko) 2021-09-15
KR102310455B1 KR102310455B1 (ko) 2021-10-07

Family

ID=77793572

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020200027836A KR102310455B1 (ko) 2020-03-05 2020-03-05 관상동맥우회술 환자의 최초 중환자실 재실시간과 최초 기도삽관시간을 이용하여 재원기간을 예측하는 방법, 시스템 및 프로그램

Country Status (1)

Country Link
KR (1) KR102310455B1 (ko)

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5809477A (en) * 1995-09-21 1998-09-15 Children's Research Institute Method, apparatus and medium for allocating beds in a pediatric intensive care unit and for evaluating quality of care
WO2012063166A1 (en) * 2010-11-08 2012-05-18 Koninklijke Philips Electronics N.V. Method of continuous prediction of patient severity of illness, mortality, and length of stay
KR20180003345A (ko) 2016-06-30 2018-01-09 삼성에스디에스 주식회사 환자의 재원 일수 및 의료 비용 정보 제공 장치 및 방법
US20200013490A1 (en) * 2017-03-03 2020-01-09 Rush University Medical Center Patient predictive admission, discharge, and monitoring tool

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5809477A (en) * 1995-09-21 1998-09-15 Children's Research Institute Method, apparatus and medium for allocating beds in a pediatric intensive care unit and for evaluating quality of care
WO2012063166A1 (en) * 2010-11-08 2012-05-18 Koninklijke Philips Electronics N.V. Method of continuous prediction of patient severity of illness, mortality, and length of stay
KR20180003345A (ko) 2016-06-30 2018-01-09 삼성에스디에스 주식회사 환자의 재원 일수 및 의료 비용 정보 제공 장치 및 방법
US20200013490A1 (en) * 2017-03-03 2020-01-09 Rush University Medical Center Patient predictive admission, discharge, and monitoring tool

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
PhD. Mahesh외 5인. "Prolonged Stay in Intensive Care Unit Is a Powerful Predictor of Adverse Outcomes After Cardiac Operations". The Society of Thoracic Surgeons. 제94권, pp.109-116, 2012년 공개 1부.* *
김선희외 1인. "뇌졸중 환자의 결과지표에 영향을 주는 요인: 다변량 회귀분석과 다수준분석 비교". 보건행정학회지 2015. 제25권, 제1호, pp.31-39, 2015년 공개 1부.* *

Also Published As

Publication number Publication date
KR102310455B1 (ko) 2021-10-07

Similar Documents

Publication Publication Date Title
Chase et al. Next-generation, personalised, model-based critical care medicine: a state-of-the art review of in silico virtual patient models, methods, and cohorts, and how to validation them
US6810495B2 (en) Method and system for software rejuvenation via flexible resource exhaustion prediction
US6061657A (en) Techniques for estimating charges of delivering healthcare services that take complicating factors into account
US20130325515A1 (en) Clinical decision support system for predictive discharge planning
JP2005328924A (ja) 血糖値予測装置、血糖値予測モデル作成装置、およびプログラム
KR102510992B1 (ko) 환자의 정보를 기반으로 재원기간을 예측하는 장치, 방법 및 프로그램
Varanasi et al. Self-improved COOT optimization-based LSTM for patient waiting time prediction
KR102310455B1 (ko) 관상동맥우회술 환자의 최초 중환자실 재실시간과 최초 기도삽관시간을 이용하여 재원기간을 예측하는 방법, 시스템 및 프로그램
EP3718116B1 (en) Apparatus for patient data availability analysis
US20190357853A1 (en) Diabetes risk engine and methods thereof for predicting diabetes progression and mortality
US20240013920A1 (en) Medical event prediction using a personalized dual-channel combiner network
CN109994211B (zh) 一种基于ehr数据的慢性肾脏病恶化风险的建模方法
CN115101211A (zh) 传染病人数预测方法、装置、电子设备及介质
CN113782192A (zh) 基于因果推断的分群模型构建方法和医疗数据处理方法
Jiang et al. Dynamic logistic state space prediction model for clinical decision making
JP7400828B2 (ja) 患者状態予測装置、患者状態予測方法、及びコンピュータプログラム
Cheng et al. Extubation decision making with predictive information for mechanically ventilated patients in ICU
WO2021084747A1 (ja) リスク予測装置、リスク予測方法、及びコンピュータプログラム
EP4202952A1 (en) Copd monitoring
US20220223284A1 (en) Systems and methods for modelling a human subject
US20230207127A1 (en) Copd monitoring
US20230105348A1 (en) System for adaptive hospital discharge
US20220076827A1 (en) Systems and methods for modelling a human subject
KR102450417B1 (ko) 인공지능 기반의 고혈압 및 당뇨 환자의 운동 처방 효과 예측 방법, 컴퓨팅장치 및 컴퓨터-판독가능 매체
US20220415509A1 (en) Systems and methods for modelling a human subject

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