KR20210113042A - Device, method and program for predict hospital stay period based on patient information - Google Patents
Device, method and program for predict hospital stay period based on patient information Download PDFInfo
- Publication number
- KR20210113042A KR20210113042A KR1020210023193A KR20210023193A KR20210113042A KR 20210113042 A KR20210113042 A KR 20210113042A KR 1020210023193 A KR1020210023193 A KR 1020210023193A KR 20210023193 A KR20210023193 A KR 20210023193A KR 20210113042 A KR20210113042 A KR 20210113042A
- Authority
- KR
- South Korea
- Prior art keywords
- patient
- hospital stay
- value
- stay
- target patient
- Prior art date
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)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Epidemiology (AREA)
- Biomedical Technology (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- Pathology (AREA)
- Business, Economics & Management (AREA)
- General Business, Economics & Management (AREA)
- Medical Treatment And Welfare Office Work (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
Description
본 발명은 환자의 정보를 기반으로 환자의 재원기간을 예측하는 장치에 관한 것이다.The present invention relates to an apparatus for predicting a patient's hospital stay based on patient information.
매년 중환자실 전체 이용자가 증가하고 있으며, 특히 60세 이상이 중환자실 전체 이용자 중 60% 이상을 차지하고 있고, 고령화로 인하여 이러한 증가 추이가 계속되고 있다.The total number of intensive care unit users is increasing every year, and in particular, those aged 60 or older account for more than 60% of the total intensive care unit users, and this trend of increase is continuing due to the aging population.
병원들은 중환자실 운영으로 인하여 의료 인력 확보와 비용 증가의 부담을 안고 있다.Hospitals are burdened with securing medical personnel and increasing costs due to the operation of intensive care units.
이러한 상황에서도 병원들은 종래와 같이 의료 인력의 판단에 의지하여 환자의 퇴원 또는 전실 여부를 결정하고 있다.Even in this situation, hospitals, as in the prior art, decide whether to discharge or transfer a patient based on the judgment of the medical personnel.
따라서, 환자의 각종 정보에 기반하여 재원 기간을 예측할 수 있는 예측 모델을 구축하고, 이를 이용하여 대상 환자에 대한 정보를 입력하여 재원 기간을 예측하면, 효율적으로 병상을 운영할 수 있도록 하는 것은 물론 재원 중인 환자에게도 보다 나은 의료 서비스를 제공할 수 있을 것이라 기대되지만, 현재로서는 이러한 기술이 공개되어 있지 않은 실정이다.Therefore, by constructing a predictive model that can predict the length of stay based on the patient's various information and using this to predict the length of stay by inputting information about the target patient, the hospital bed can be operated efficiently as well as the financial resources. It is expected to be able to provide better medical services to patients who are undergoing treatment, but at present, such technology has not been disclosed.
상술한 바와 같은 문제점을 해결하기 위한 본 발명은 대상 환자의 EMR 데이터를 조회하여 대상 환자의 질환명, 진료과 및 수술 종류 중 적어도 하나를 포함하는 카테고리 정보를 체킹하고, 이를 예측 모델에 입력하여 대상 환자의 재원기간 예측을 위한 적어도 하나의 변수를 추출하고, 추출된 변수의 값을 입력하여 대상 환자의 재원기간 예측값을 산출하고자 한다.The present invention for solving the above-described problems is to check the category information including at least one of the target patient's disease name, department, and surgery type by inquiring the EMR data of the target patient, and input it into the predictive model to input the target patient At least one variable for predicting the hospital stay of
또한, 본 발명은 의료진 디바이스로부터 대상 환자의 적어도 하나의 상태 조건에 대한 수치가 입력된 상태 정보가 수신되면, 예측 모델에 변수의 값과 상태 정보를 함께 입력하여, 대상 환자의 재원기간 예측값과 대상 환자의 퇴원 가능성 또는 병동 전실 가능성을 산출하고자 한다.In addition, in the present invention, when state information in which a numerical value for at least one state condition of a target patient is input is received from a medical staff device, the variable value and state information are input together into the predictive model, and the predicted value of the patient's hospital stay and the target We want to calculate the probability of discharge or ward occupancy of a patient.
본 발명이 해결하고자 하는 과제들은 이상에서 언급된 과제로 제한되지 않으며, 언급되지 않은 또 다른 과제들은 아래의 기재로부터 통상의 기술자에게 명확하게 이해될 수 있을 것이다.The problems to be solved by the present invention are not limited to the problems mentioned above, and other problems not mentioned will be clearly understood by those skilled in the art from the following description.
상술한 과제를 해결하기 위한 본 발명의 일 실시예에 따른 환자의 정보를 기반으로 재원기간을 예측하는 장치는, 환자의 정보를 기반으로 재원기간을 예측하는 방법이 학습된 적어도 하나의 예측 모델 및 환자 정보가 저장되는 데이터베이스; 환자의 EMR 데이터를 수신하고, 의료진 디바이스와 통신하는 통신부; 및 대상 환자의 EMR 데이터를 조회하여 대상 환자의 질환명, 진료과 및 수술 종류 중 적어도 하나를 포함하는 카테고리 정보를 체킹하고, 상기 체킹된 카테고리 정보를 상기 예측 모델에 입력하여, 상기 대상 환자의 재원기간 예측을 위한 적어도 하나의 변수를 추출하고, 상기 예측 모델에 상기 추출된 적어도 하나의 변수의 값을 입력하여, 상기 대상 환자의 재원기간 예측값을 산출하는 프로세서를 포함한다.An apparatus for predicting a hospital stay period based on patient information according to an embodiment of the present invention for solving the above problems includes at least one predictive model trained to predict a hospital stay period based on patient information; a database in which patient information is stored; a communication unit for receiving the EMR data of the patient and communicating with the medical staff device; and by inquiring the EMR data of the target patient, checking the category information including at least one of the target patient's disease name, department, and surgery type, and inputting the checked category information into the predictive model, the patient's hospital stay period and a processor for extracting at least one variable for prediction and inputting a value of the extracted at least one variable into the predictive model to calculate a predicted value of the hospital stay period of the target patient.
또한, 상기 통신부는 의료진 디바이스로부터 상기 대상 환자의 적어도 하나의 상태 조건에 대한 수치가 입력된 상태 정보를 수신하고, 상기 프로세서는, 상기 예측 모델에 상기 추출된 적어도 하나의 변수의 값 및 상기 상태 정보를 입력하여, 상기 대상 환자의 재원기간 예측값과 상기 대상 환자의 퇴원 가능성 또는 병동 전실 가능성을 산출하는 것을 특징으로 한다.In addition, the communication unit receives state information in which a numerical value for at least one state condition of the target patient is input from a medical staff device, and the processor includes, the value of the at least one variable extracted to the predictive model and the state information By inputting , it is characterized in that the predicted value of the hospital stay of the target patient and the possibility of discharge or the possibility of ward occupancy of the target patient are calculated.
또한, 상기 프로세서는, 상기 추출된 적어도 하나의 변수의 값 및 상기 수신되는 상태 정보를 기 설정된 주기마다 체크하고, 상기 추출된 적어도 하나의 변수의 값 및 상기 수신되는 상태 정보 중 적어도 하나의 수치가 일정 수치 이상 변화하는 경우, 상기 대상 환자의 재원기간 예측값과 상기 대상 환자의 퇴원 가능성 또는 병동 전실 가능성을 재산출하는 것을 특징으로 한다.In addition, the processor checks the extracted value of the at least one variable and the received state information every preset period, and the value of at least one of the extracted value of the at least one variable and the received state information is When a certain value is changed or more, it is characterized in that the predicted value of the hospital stay of the target patient and the possibility of discharge or ward occupancy of the target patient are recalculated.
또한, 상기 프로세서는, 상기 수신된 상태 정보를 기반으로 상기 대상 환자에 대하여 의료기관의 가정 간호 서비스 또는 병실 입원 대체 서비스의 이용 가능성을 판단하고, 상기 대상 환자가 상기 의료기관의 가정 간호 서비스 또는 병실 입원 대체 서비스를 이용하는 경우 절감 가능한 비용을 산출할 수 있다.In addition, the processor determines the availability of a home care service of a medical institution or a hospital room replacement service for the target patient based on the received status information, and the target patient selects the home care service of the medical institution or a hospital room replacement service for the target patient When using the service, it is possible to calculate the cost that can be saved.
또한, 상기 프로세서는, 상기 대상 환자의 연령, 수술 여부, 요양일수, 건강보험과 의료 급여, 지역, 성별, 주상병 및 부상병 중 적어도 하나의 변수를 함께 고려하여 상기 절감 가능한 비용을 산출하는 것을 특징으로 한다.In addition, the processor, the age of the target patient, whether surgery, the number of days of care, health insurance and medical benefits, region, gender, at least one variable among the main and injured, and calculating the cost can be reduced by taking into account do it with
또한, 상기 장치는, 환자의 재원 기간과 해당 환자의 질환명, 진료과, 수술 종류 및 건강 상태 데이터 중 적어도 하나가 함께 입력되어 기계학습을 수행하여, 질환명, 진료과 및 수술 종류 중 적어도 하나를 포함하는 카테고리별 재원기간 예측 모델이 구축되고, 상기 구축된 카테고리별 재원기간 예측 모델은 카테고리에 따라서 재원기간에 영향을 미치는 적어도 하나의 변수를 도출하며, 도출된 변수의 값이 입력되면 해당 환자의 재원기간 예측값을 산출하는 것을 특징으로 한다.In addition, the device performs machine learning by inputting at least one of the patient's hospital stay and the patient's disease name, department, surgery type, and health state data together, including at least one of the disease name, department, and surgery type A hospital stay period prediction model for each category is constructed, and the constructed hospital stay period prediction model for each category derives at least one variable affecting the length of stay according to the category. It is characterized in that the period prediction value is calculated.
또한, 상기 프로세서는, 상기 대상 환자가 관상동맥우회술 환자인 경우, 상기 대상 환자의 총 중환자실 재실시간 정보 및 총 기도삽관시간 정보 중 적어도 하나를 포함하는 변수를 추출하고, 상기 예측 모델에 상기 추출된 변수의 값을 입력하여 상기 대상 환자의 재원기간 예측값을 산출하는 것을 특징으로 한다.In addition, when the target patient is a coronary artery bypass surgery patient, the processor extracts a variable including at least one of total intensive care unit resident time information and total airway intubation time information of the target patient, and extracts the variable to the predictive model It is characterized in that the predicted value of the hospital stay of the target patient is calculated by inputting the value of the selected variable.
또한, 상기 대상 환자의 재원기간 예측값은, 상기 총 중환자실 재실시간 또는 총 기도삽관시간에 비례하여 예측되는 것을 특징으로 한다.In addition, the predicted value of the hospital stay of the target patient is characterized in that it is predicted in proportion to the total intensive care unit resident time or total airway intubation time.
또한, 상기 예측 모델은 상기 대상 환자의 총 중환자실 재실시간이 변수로 입력되면, 하기 수학식 1을 이용하여 상기 대상 환자의 재원기간 예측값을 산출하는 것을 특징으로 한다.In addition, the predictive model is characterized in that when the total intensive care unit stay time of the target patient is input as a variable, a predicted value of the hospital stay period of the target patient is calculated using Equation 1 below.
<수학식 1><Equation 1>
재원기간 예측값(일 단위) = 총 중환자실 재실시간(시간 단위) x 0.09 + 5.01Predicted length of stay (in days) = Total ICU stays (in hours) x 0.09 + 5.01
또한, 상기 예측 모델은 상기 대상 환자의 총 기도삽관시간이 변수로 입력되면, 하기 수학식 2를 이용하여 상기 대상 환자의 재원기간 예측값을 산출하는 것을 특징으로 한다.In addition, the predictive model is characterized in that when the total airway intubation time of the target patient is input as a variable, a predicted value of the hospital stay period of the target patient is calculated using
<수학식 2><
재원기간 예측값(일 단위) = 총 기도삽관시간(시간 단위) x 0.13 + 8.26Estimated length of stay (in days) = Total airway intubation time (in hours) x 0.13 + 8.26
또한, 상기 예측 모델은, 상기 총 중환자실 재실시간이 1시간 증가함에 따라 상기 재원기간 예측값을 0.06일씩 증가시키고, 상기 총 기도삽관시간이 1시간 증가함에 따라 상기 재원기간 예측값을 0.07일씩 증가시키는 것을 특징으로 한다.In addition, the predictive model increases the hospital stay forecast value by 0.06 days as the total intensive care unit stay time increases by 1 hour, and increases the hospital stay forecast value by 0.07 days as the total airway intubation time increases by 1 hour characterized.
또한, 상기 변수의 값은, 상기 관상동맥우회술 환자의 당화혈색소 값, 급성심부전(Acute renal failure) 여부에 대한 값, 만성심부전(Chronic renal failure) 여부에 대한 값, 만성 폐쇄성 폐질환(COPD) 여부에 대한 값, 오름 대동맥 석회화(Ascending aorta calcification) 여부에 대한 값 중 적어도 하나를 더 포함할 수 있다.In addition, the values of the variables include the glycated hemoglobin value of the coronary artery bypass surgery patient, a value for acute renal failure, a value for chronic renal failure, and chronic obstructive pulmonary disease (COPD). It may further include at least one of a value for and a value for whether ascending aorta calcification is performed.
또한, 상기 예측 모델은, 상기 대상 환자의 당화혈색소 값이 7.0 이상인 경우 상기 재원기간 예측값을 3.19일 만큼 증가시키고, 상기 대상 환자가 급성심부전이 있는 경우 상기 재원기간 예측값을 13.57일 만큼 증가시키고, 상기 대상 환자가 만성심부전이 있는 경우 상기 재원기간 예측값을 4.81일 만큼 증가시키고, 상기 대상 환자가 만성폐쇄성폐질환이 있는 경우 상기 재원기간 예측값을 7.87일 만큼 증가시키고, 상기 대상 환자가 오름 대동맥 석회화가 있는 경우 상기 재원기간 예측값을 3.48일 만큼 증가시키는 것을 특징으로 한다.In addition, the predictive model increases the predicted length of stay by 3.19 days when the glycated hemoglobin value of the target patient is 7.0 or higher, and increases the predicted length of stay by 13.57 days when the target patient has acute heart failure; When the target patient has chronic heart failure, the predicted length of stay is increased by 4.81 days, and when the target patient has chronic obstructive pulmonary disease, the predicted length of stay is increased by 7.87 days, and the target patient has ascending aortic calcification In this case, it is characterized in that the predicted value of the hospital stay period is increased by 3.48 days.
또한, 상기 변수의 값은, 상기 대상 환자가 재수술을 시행하였는지 여부를 더 포함하고, 상기 재원기간 예측 모델은, 상기 대상 환자가 금번 관상동맥우회술 후 재원기간 내에 재수술을 시행하였을 경우 상기 재원기간 예측값을 9.33일 만큼 증가시키는 것을 특징으로 한다.In addition, the value of the variable further includes whether the target patient underwent reoperation, and the hospital stay prediction model is the hospital stay prediction value when the target patient performs reoperation within the hospital stay after the current coronary artery bypass surgery. It is characterized by increasing by 9.33 days.
또한, 상술한 과제를 해결하기 위한 본 발명의 일 실시예에 따른 환자의 정보를 기반으로 재원기간을 예측하는 방법은, 컴퓨터에 의해 수행되는 방법으로, 대상 환자의 EMR 데이터를 조회하여 대상 환자의 질환명, 진료과 및 수술 종류 중 적어도 하나를 포함하는 카테고리 정보를 체킹하는 단계; 예측 모델에 상기 체킹된 카테고리 정보를 입력하여, 상기 대상 환자의 재원기간 예측을 위한 적어도 하나의 변수를 추출하는 단계; 및 상기 예측 모델에 상기 추출된 적어도 하나의 변수의 값을 입력하여, 상기 대상 환자의 재원기간 예측값을 산출하는 단계를 포함하며, 상기 컴퓨터는, 환자의 정보를 기반으로 재원기간을 예측하는 방법이 학습된 적어도 하나의 예측 모델 및 환자 정보가 저장되는 데이터베이스; 및 환자의 EMR 데이터를 수신하고 의료진 디바이스와 통신하는 통신부를 포함한다.In addition, the method of estimating the hospital stay based on the patient's information according to an embodiment of the present invention for solving the above-mentioned problems is a method performed by a computer, and the EMR data of the target patient is inquired by the target patient. checking category information including at least one of a disease name, a department, and a type of surgery; inputting the checked category information into a predictive model, and extracting at least one variable for predicting a hospital stay of the target patient; and inputting the value of the extracted at least one variable into the predictive model, and calculating a predicted value of the hospital stay period of the target patient, wherein the computer provides a method of predicting the hospital stay period based on the patient's information. a database in which at least one learned predictive model and patient information are stored; and a communication unit that receives EMR data of the patient and communicates with the medical staff device.
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.In addition to this, another method for implementing the present invention, another system, and a computer-readable recording medium for recording a computer program for executing the method may be further provided.
상기와 같은 본 발명에 따르면, 대상 환자의 EMR 데이터를 조회하여 대상 환자의 질환명, 진료과 및 수술 종류 중 적어도 하나를 포함하는 카테고리 정보를 체킹하고, 이를 예측 모델에 입력하여 대상 환자의 재원기간 예측을 위한 적어도 하나의 변수를 추출하고, 추출된 변수의 값을 입력하여 대상 환자의 재원기간 예측값을 산출할 수 있는 효과가 있다.According to the present invention as described above, category information including at least one of the target patient's disease name, department, and surgery type is checked by inquiring the EMR data of the target patient, and inputted into the prediction model to predict the length of stay of the target patient There is an effect of extracting at least one variable for , and inputting the value of the extracted variable to calculate the predicted value of the patient's hospital stay.
또한, 본 발명에 따르면, 의료진 디바이스로부터 대상 환자의 적어도 하나의 상태 조건에 대한 수치가 입력된 상태 정보가 수신되면, 예측 모델에 변수의 값과 상태 정보를 함께 입력하여, 대상 환자의 재원기간 예측값과 대상 환자의 퇴원 가능성 또는 병동 전실 가능성을 산출할 수 있는 효과가 있다.In addition, according to the present invention, when the state information in which the numerical value of at least one state condition of the target patient is input is received from the medical staff device, the value of the variable and the state information are input together into the predictive model, and the patient's hospital stay forecast value It has the effect of calculating the possibility of discharge of the target patient or the possibility of moving to the ward.
본 발명의 효과들은 이상에서 언급된 효과로 제한되지 않으며, 언급되지 않은 또 다른 효과들은 아래의 기재로부터 통상의 기술자에게 명확하게 이해될 수 있을 것이다.Effects of the present invention are not limited to the effects mentioned above, and other effects not mentioned will be clearly understood by those skilled in the art from the following description.
도 1은 병원 내에서 수술을 받은 환자의 이동 경로를 예시한 도면이다.
도 2는 본 발명의 실시예에 따른 재원기간 예측 시스템의 블록도이다.
도 3은 본 발명의 실시예에 따른 재원기간 예측 방법의 흐름도이다.
도 4는 본 발명의 실시예에 따른 재원기간 예측 모델을 구축하는 방법을 예시한 도면이다.
도 5는 관상동맥우회술 환자의 총 중환자실 재실시간과 재원기간 예측값의 상관관계를 나타낸 도면이다.
도 6은 관상동맥우회술 환자의 총 기도삽관시간과 재원기간 예측값의 상관관계를 나타낸 도면이다.
도 7은 관상동맥우회술 환자의 각종 변수값에 따라 재원기간 예측값이 산출되는 것을 도시한 도면이다.1 is a diagram illustrating a movement path of a patient undergoing surgery in a hospital.
2 is a block diagram of a system for predicting a stay period according to an embodiment of the present invention.
3 is a flowchart of a method for predicting a hospital stay period according to an embodiment of the present invention.
4 is a diagram illustrating a method of constructing a hospital stay prediction model according to an embodiment of the present invention.
5 is a diagram showing the correlation between the total intensive care unit stay time and the length of stay in patients with coronary artery bypass surgery.
6 is a diagram showing the correlation between the total airway intubation time and the predicted length of stay in patients with coronary artery bypass surgery.
7 is a diagram illustrating the calculation of a hospital stay prediction value according to various variable values of patients with coronary artery bypass surgery.
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.Advantages and features of the present invention and methods of achieving them will become apparent with reference to the embodiments described below in detail in conjunction with the accompanying drawings. However, the present invention is not limited to the embodiments disclosed below, but may be implemented in various different forms, and only these embodiments allow the disclosure of the present invention to be complete, and those of ordinary skill in the art to which the present invention pertains. It is provided to fully understand the scope of the present invention to those skilled in the art, and the present invention is only defined by the scope of the claims.
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.The terminology used herein is for the purpose of describing the embodiments and is not intended to limit the present invention. As used herein, the singular also includes the plural unless specifically stated otherwise in the phrase. As used herein, “comprises” and/or “comprising” does not exclude the presence or addition of one or more other components in addition to the stated components. Like reference numerals refer to like elements throughout, and "and/or" includes each and every combination of one or more of the recited elements. Although "first", "second", etc. are used to describe various elements, these elements are not limited by these terms, of course. These terms are only used to distinguish one component from another. Accordingly, it goes without saying that the first component mentioned below may be the second component within the spirit of the present invention.
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.Unless otherwise defined, all terms (including technical and scientific terms) used herein will have the meaning commonly understood by those of ordinary skill in the art to which this invention belongs. In addition, terms defined in a commonly used dictionary are not to be interpreted ideally or excessively unless specifically defined explicitly.
이하, 첨부된 도면을 참조하여 본 발명의 실시예를 상세하게 설명한다.Hereinafter, embodiments of the present invention will be described in detail with reference to the accompanying drawings.
도 1은 병원 내에서 수술을 받은 환자의 이동 경로를 예시한 도면이다.1 is a diagram illustrating a movement path of a patient undergoing surgery in a hospital.
도 1을 참조하면, 일반적으로 병원 내에서 수술을 받은 환자는 수술이 끝나면 중환자실로 이동되어 일정시간동안 집중 치료, 관리를 받게 되며 그 후에는 일반병실로 이동되어 회복 기간을 거친 후에 퇴원하게 된다.Referring to FIG. 1 , in general, a patient who has undergone surgery in a hospital is moved to the intensive care unit after the operation and received intensive treatment and management for a certain period of time.
본 발명의 실시예에서 재원기간은 환자가 수술을 마친 시간으로부터 퇴원하기까지의 시간으로, 수술 후의 재원기간을 의미한다.In an embodiment of the present invention, the hospital stay period is the time from the time the patient completes the operation to the discharge, and means the hospital stay period after the operation.
몇몇 실시예에서 재원기간은 환자가 수술을 마친 후 중환자실에 머무른 시간, 중환자실에서 일반병실로 이동하는데 소요된 시간, 일반병실에서 퇴원하기까지 머무른 시간들의 총 합이 될 수도 있다.In some embodiments, the hospital stay may be the sum of the time the patient stays in the intensive care unit after surgery, the time it takes to move from the intensive care unit to the general ward, and the time it takes to be discharged from the general ward.
도 2는 본 발명의 실시예에 따른 재원기간 예측 시스템(10)의 블록도이다.2 is a block diagram of a hospital
도 3은 본 발명의 실시예에 따른 재원기간 예측 방법의 흐름도이다.3 is a flowchart of a method for predicting a hospital stay period according to an embodiment of the present invention.
도 4는 본 발명의 실시예에 따른 재원기간 예측 모델을 구축하는 방법을 예시한 도면이다.4 is a diagram illustrating a method of constructing a hospital stay prediction model according to an embodiment of the present invention.
도 2 내지 도 4를 참조하여, 본 발명의 실시예에 따른 재원기간 예측 장치(100), 방법에 대해서 설명하도록 한다.2 to 4 , an
본 발명의 실시예에 따른 재원기간 예측 장치(100)는 컴퓨터, 정보처리수단으로 실시, 구현될 수 있으며, 몇몇 실시예에서 재원기간 예측 서버로 구현될 수도 있다.The hospital
본 발명의 실시예에 따른 재원기간 예측 장치(100)는 프로세서(110), 통신부(120), 데이터베이스(130)를 포함하며, 몇몇 실시예에서 입출력부(140)를 구성으로 더 포함할 수 있다.The hospital
또한, 몇몇 실시예에서 재원기간 예측 장치(100)는 도 2에 도시된 구성요소보다 더 적은 수의 구성요소나 더 많은 구성요소를 포함할 수도 있다.Also, in some embodiments, the hospital
재원기간 예측 장치(100)는 입출력부(140)를 구성으로 더 포함하는 경우, 입력부를 통해서 관리자, 의료진으로부터 환자에 대한 각종 정보, 또는 요청 신호를 입력받을 수 있다.When the hospital
또한, 재원기간 예측 장치(100)는 입출력부(140)를 구성으로 더 포함하는 경우, 환자의 상태 정보, 중증도, 재원기간 예측값, 의료기관의 가정 간호 서비스 또는 병실 입원 대체 서비스의 이용 가능성, 그리고 절감 가능한 비용 등과 같은 각종 정보들을 출력부를 통해서 출력할 수 있다.In addition, when the hospital
데이터베이스(130)는 환자의 정보를 기반으로 재원기간을 예측하는 방법이 학습된 적어도 하나의 예측 모델 및 환자 정보가 저장된다.The
먼저, 재원기간 예측 장치(100)는 환자의 재원 기관과 해당 환자의 질환명, 진료과, 수술 종류 및 건강 상태 데이터 중 적어도 하나가 함께 입력되면 입력된 데이터를 기반으로 학습 데이터셋을 구축한다.First, the hospital
그리고, 재원기간 예측 장치(100)는 구축된 학습 데이터셋을 기반으로 기계학습을 수행함으로써, 질환명, 진료과 및 수술 종류 중 적어도 하나를 포함하는 카테고리별 재원기간 예측 모델을 구축한다.In addition, the hospital
이와 같이 구축된 예측 모델은 카테고리에 따라서 재원기간에 영향을 미치는 적어도 하나의 변수의 도출이 가능하며, 도출된 변수의 값이 입력되면 대상 환자의 재원기간 예측값을 산출할 수 있다.The predictive model constructed in this way can derive at least one variable that affects the length of stay according to the category, and when the value of the derived variable is input, it is possible to calculate the predicted value of the hospital stay of the target patient.
통신부(120)는 EMR 서버(70), 병원 서버와 통신하여 환자의 진료정보, EMR 데이터를 수신하며, 의료진 디바이스(50)와 통신한다.The
구체적으로, 통신부(120)는 의료진 디바이스(50)로부터 특정 환자의 재원기간 예측 요청을 수신할 수 있고, 산출된 예측값을 의료진 디바이스(50)로 전송할 수 있다.Specifically, the
또한, 통신부(120)는 실시예에 따라 환자의 상태 조건에 대하여 의료진으로부터 수치가 입력된 상태 정보를 수신할 수 있다.Also, according to an embodiment, the
다음으로, 구체적인 실시예에 대해서 흐름도를 참조하여 설명하도록 한다.Next, a specific embodiment will be described with reference to a flowchart.
프로세서(110)가 대상환자의 EMR 데이터를 조회하여 대상 환자의 질환명, 진료과 및 수술 종류 중 적어도 하나를 포함하는 카테고리 정보를 체킹한다. (S110)The processor 110 checks the EMR data of the target patient to check category information including at least one of the target patient's disease name, department, and surgery type. (S110)
구체적으로, 프로세서(110)는 기 설정된 주기마다 병원 내 환자들을 대상 환자로 선정하여 프로세스를 시작할 수도 있고, 의료진 디바이스(50)로부터 특정 환자에 대한 재원기간 예측이 요청되면 해당 환자를 대상 환자로 선정하여 프로세스를 시작할 수도 있다.Specifically, the processor 110 may start the process by selecting patients in the hospital as target patients every preset cycle, and when a hospital stay period prediction for a specific patient is requested from the
또한, 프로세서(110)는 이와 같은 프로세스가 시작되면 통신부(120)를 통해 EMR 서버(70)와 통신하여 대상 환자의 EMR 데이터를 조회하거나, 데이터베이스(130) 내에 저장된 대상 환자의 정보를 조회할 수도 있다.In addition, when such a process is started, the processor 110 communicates with the
몇몇 실시예에서, 프로세서(110)는 대상 환자의 EMR 데이터를 조회하여 질환명, 진료과 및 수술 종류 중에서 조회되는 항목을 모두 카테고리 정보에 포함시킬 수 있다.In some embodiments, the processor 110 may inquire the EMR data of the target patient and include all items inquired from among the disease name, department, and surgery type in the category information.
S110 다음으로, 프로세서(110)가 S110에서 체킹된 카테고리 정보를 예측 모델에 입력하여, 대상 환자의 재원기간 예측을 위한 적어도 하나의 변수를 추출한다. (S130) S110 Next, the processor 110 inputs the category information checked in S110 to the predictive model, and extracts at least one variable for predicting the hospital stay of the target patient. (S130)
전술한 바와 같이, 예측 모델은 학습 데이터셋이 입력되어 기계학습을 수행하여 구축되었기 때문에, 카테고리 정보가 입력되면, 대상 환자의 재원기간 예측을 위해 필요한 적어도 하나의 변수를 추출할 수 있다.As described above, since the predictive model is constructed by performing machine learning by inputting a learning dataset, when category information is input, at least one variable necessary for predicting the hospital stay of the target patient may be extracted.
S130 다음으로, 프로세서(110)가 예측 모델에 S130에서 추출된 적어도 하나의 변수의 값을 입력하여, 대상 환자의 재원기간 예측값을 산출한다. (S150) S130 Next, the processor 110 inputs the value of the at least one variable extracted in S130 to the predictive model, and calculates a predicted value of the patient's hospital stay. (S150)
일 실시예로, 프로세서(110)는 예측 모델에 변수의 값을 모두 입력할 수도 있고, 이 중 적어도 일부의 변수의 값을 입력하여 재원기간 예측값을 산출할 수도 있다.In an embodiment, the processor 110 may input all values of the variables into the predictive model, or input values of at least some of the variables to calculate the length of stay predicted value.
상세하게는, 프로세서(110)는 S130에서 대상 환자의 재원기간 예측을 위한 적어도 하나의 변수가 추출되면, 통신부(120) 또는 데이터베이스(130)를 통해 대상 환자의 해당 변수의 값을 검색하여 수신한다.In detail, when at least one variable for predicting the patient's hospital stay is extracted in S130 , the processor 110 searches for and receives the value of the corresponding variable of the target patient through the
그리고, 예측 모델에 S130에서 추출된 적어도 하나의 변수의 값을 입력하면, 예측 모델이 대상 환자의 재원기간 예측값을 산출하게 된다.Then, when the value of the at least one variable extracted in S130 is input to the predictive model, the predictive model calculates the predicted value of the patient's hospital stay.
재원기간 예측 장치(100)는 S110 내지 S150을 수행함으로써 대상 환자에 대한 정량적 평가를 진행하여 재원기간 예측값을 산출하게 된다.The hospital
일 실시예로, 재원기간 예측 장치(100)는 통신부(120)를 통해 의료진 디바이스(50)로부터 대상 환자의 적어도 하나의 상태 조건에 대한 수치가 입력된 상태 정보를 수신한다.In an embodiment, the hospital
상세하게는, 의료진은 병원 내에 있는 환자들에 대하여 주기적으로 상태를 체크하여 정성적 평가를 수행하게 된다.In detail, the medical staff periodically checks the status of the patients in the hospital to perform a qualitative evaluation.
일 예로, 환자에 대한 정성적 평가는 아래와 같은 방법들이 적용될 수 있다.As an example, the following methods may be applied to the qualitative evaluation of the patient.
환자의 호흡 기능 및 순환 상태 중 적어도 하나를 말초혈관 혈류의 산소포화도 SpO2 값을 통해 주기적으로 저산소혈증(Hypoxia) 여부를 평가하거나, 환자에 대하여 24시간 EKG 모니터링을 통해서 심장 박동 리듬의 정상 여부를 평가할 수 있다.At least one of the patient's respiratory function and circulatory status is periodically evaluated for hypoxia based on the oxygen saturation SpO 2 value of peripheral vascular blood flow, or whether the heartbeat rhythm is normal through 24-hour EKG monitoring for the patient. can be evaluated
이때, 재원기간 예측 장치(100)는 의료진 디바이스(50)로 환자에 대한 적어도 하나의 상태 조건에 대하여 수치 또는 등급을 입력하도록 요청하고, 의료진 디바이스(50)로 입력된 데이터를 수신할 수 있다.In this case, the hospital
또한, 상태 조건에 대한 수치 또는 등급은 절대적인 수치 또는 등급이 적용될 수도 있지만, 해당 환자의 이전 상태 조건과 비교하는 상대적인 수치 또는 등급이 적용될 수도 있다.In addition, as for the numerical value or grade for the condition condition, an absolute value or grade may be applied, but a relative value or grade compared with the previous condition condition of the patient may be applied.
이와 같이, 재원기간 예측 장치(100), 또는 재원기간 예측 서비스에서 의료진 디바이스(50)로 환자에 대한 적어도 하나의 상태 조건에 대하여 수치 또는 등급을 입력하도록 요청하는 요청폼을 전송할 수도 있지만, 병원 내에서 사용하는 상태 조건 입력폼이 수신되면 프로세서(110)가 이를 분석하여 활용할 수도 있다.In this way, the hospital
일 실시예로, 재원기간 예측 장치(100)는 의료진 디바이스(50)로 입력되어 수신되는 상태 조건 입력폼을 분석하여 해당 환자의 상태 정보를 도출할 수 있는 정성 평가 모듈(미도시)을 더 포함할 수 있다.In one embodiment, the hospital
상세하게는, 프로세서(110)는 의료진 디바이스(50)로부터 대상 환자의 적어도 하나의 상태 조건에 대한 수치가 입력되어 수신되면, 정성 평가 모듈을 통해 상태 정보를 생성할 수 있다.In detail, when a numerical value for at least one state condition of a target patient is input and received from the
그리고, 프로세서(110)는 예측 모델에 S130에서 추출된 적어도 하나의 변수의 값 및 상태 정보를 입력하여, 대상 환자의 재원기간 예측값 및 대상 환자의 퇴원 가능성 또는 병동 전실 가능성을 산출할 수 있다.Then, the processor 110 may input the value and state information of the at least one variable extracted in S130 to the prediction model, and calculate the predicted value of the patient's hospital stay and the possibility of discharge or the possibility of occupancy of the target patient.
일 실시예로, 예측 모델은 환자의 중증도를 산출하는 방법이 학습되어 있으며, 프로세서(110)는 예측 모델을 이용하여 환자의 중증도를 산출할 수 있다.In an embodiment, the predictive model is trained to calculate the severity of the patient, and the processor 110 may calculate the severity of the patient by using the predictive model.
상세하게는, 프로세서(110)는 예측 모델에 S130에서 추출된 적어도 하나의 변수의 값 및 상태 정보를 입력하여, 환자의 중증도를 산출한다.In detail, the processor 110 inputs the value and state information of at least one variable extracted in S130 to the predictive model, and calculates the severity of the patient.
그리고, 프로세서(110)는 실시간으로 산출된 입원 환자의 중증도와 입원 예정 환자의 중증도를 비교하여 중증도에 따른 치료 서비스를 제공하도록 병상을 배정할 수 있다.In addition, the processor 110 may allocate a bed to provide a treatment service according to the severity by comparing the calculated severity of the inpatient and the severity of the expected patient in real time.
이를 위해서, 데이터베이스(130)는 병원 내 병상에 따라서 제공할 수 있는 치료 서비스, 치료 등급, 치료 모드 중 적어도 하나에 대한 정보가 저장될 수 있다.To this end, the
또한, 프로세서(110)는 S130에서 추출된 적어도 하나의 변수의 값 및 수신되는 상태 정보를 기 설정된 주기마다 체크할 수 있다.In addition, the processor 110 may check the value of the at least one variable extracted in S130 and the received state information every preset period.
그리고, 프로세서(110)는 추출된 적어도 하나의 변수의 값 및 수신되는 상태 정보 중 적어도 하나의 수치가 일정 수치 이상 변화하는 경우, 대상 환자의 재원기간 예측값과 대상환자의 퇴원 가능성 또는 병동 전실 가능성을 재산출할 수 있다.And, when at least one of the extracted value of the at least one variable and the received state information changes by a predetermined value or more, the processor 110 calculates the predicted value of the patient's hospital stay and the possibility of discharge or ward of the target patient. can be recalculated.
상세하게는, 대상 환자의 재원기간 예측을 위하여 추출된 적어도 하나의 변수의 값 및 상태 정보(정성적 평가 결과) 중 적어도 하나의 수치가 급격하게 변화한 경우에는, 대상 환자의 재원기간 예측값과 대상환자의 퇴원 가능성 또는 병동 전실 가능성이 크게 달라졌을 가능성이 있기 때문이다.In detail, when at least one of the values of at least one variable extracted for predicting the patient's hospital stay and the state information (the result of qualitative evaluation) changes rapidly, the predicted value of the patient's hospital stay and the target This is because there is a possibility that the possibility of discharge of the patient or the possibility of moving to the ward has changed significantly.
일 실시예로, 프로세서(110)는 수신된 상태 정보를 기반으로 대상 환자에 대하여 의료기관의 가정 간호 서비스 또는 병실 입원 대체 서비스의 이용 가능성을 판단한다.In an embodiment, the processor 110 determines the availability of a home care service of a medical institution or an alternative service for hospitalization for a target patient based on the received status information.
그리고, 프로세서(110)는 대상 환자가 의료기관의 가정 간호 서비스 또는 병실 입원 대체 서비스를 이용하는 경우 절감 가능한 비용을 산출한다.In addition, the processor 110 calculates a cost that can be reduced when the target patient uses a home care service of a medical institution or an alternative service for hospitalization.
하나의 예시로, 프로세서(110)는 예측 모델을 이용하여 대상 환자의 중증도를 산출할 수 있고, 중증도를 기반으로 대상 환자에 대하여 의료기관의 가정 간호 서비스 또는 병실 입원 대체 서비스의 이용 가능성을 판단할 수 있다.As an example, the processor 110 may calculate the severity of the target patient by using the predictive model, and based on the severity, determine the availability of home care service of a medical institution or an alternative service to hospitalization for the target patient. have.
예를 들어, 대상 환자의 중증도가 기 설정된 수치 이하로 산출되는 경우에는 대상 환자가 의료기관의 가정 간호 서비스 또는 병실 입원 대체 서비스의 이용이 가능한 것으로 판단할 수 있다.For example, when the severity of the target patient is calculated to be less than or equal to a preset value, it may be determined that the target patient can use a home care service of a medical institution or an alternative service for hospitalization.
역으로, 대상 환자의 중증도가 기 설정된 수치 이상으로 산출되는 경우에는 아직 대상 환자가 의료기관의 가정 간호 서비스 또는 병실 입원 대체 서비스의 이용이 불가능한 것으로 판단할 수 있다.Conversely, when the severity of the target patient is calculated to be greater than or equal to a preset value, it may be determined that the target patient is not yet able to use the home care service of a medical institution or an alternative service for hospitalization.
또한, 프로세서(110)는 가능 여부 또는 가능성을 판단하는 것 이외에도, 가능한 것으로 판단되는 경우에는 해당 서비스를 이용할 경우 예상되는 절감 가능 비용을 산출하게 된다.In addition, in addition to determining whether or not the processor 110 is possible or possible, if it is determined that it is possible, the processor 110 calculates an expected cost savings when using the corresponding service.
그리고, 의료진은 이와 같이 산출된 절감 가능 비용과 대상 환자의 상태 정보, 중증도의 정보를 대상 환자에게 안내함으로써, 대상 환자의 상태가 많이 호전되었으며, 퇴원 후에 의료기관의 가정 간호 서비스 또는 병실 입원 대체 서비스를 이용할 경우, 상당한 금액을 절감할 수 있음을 제안할 수 있다.And, by guiding the target patient with the calculated cost savings, the patient's status information, and the severity of the cost, the medical staff improved the patient's condition a lot, and after being discharged from the hospital, they were able to provide home care services at medical institutions or alternative hospitalization services. If used, it can be suggested that significant savings can be made.
일 실시예로, 프로세서(110)는 대상 환자의 연령, 수술 여부, 요양 일수, 건강 보험과 의료 급여, 지역, 성별, 주상병 및 부상병 중 적어도 하나의 변수를 함께 고려하여 절감 가능한 금액을 산출할 수 있다.In one embodiment, the processor 110 calculates the amount that can be saved by considering at least one variable of the target patient's age, whether surgery or not, the number of days of care, health insurance and medical benefits, region, gender, and injuries. can
재원기간 예측 장치(100)는 이와 같은 변수들을 함께 고려하여 절감 가능한 금액을 산출하게 되면, 더 상세한 금액 산출이 가능하게 된다.When the hospital
또한, 위와 같이 절감 가능한 금액을 산출하기 위해서, 재원기간 예측 장치(100)의 데이터베이스(130)에는 병원 내 병실의 이용금액, 의료기관의 가정 간호 서비스의 이용금액, 병실 입원 대체 서비스에 대한 이용금액에 대한 수가표 데이터가 저장되어 있다.In addition, in order to calculate the amount that can be saved as described above, in the
종래에는, 반드시 입원을 해야 하는 신규 환자들이 있는 상황에서 퇴원이 가능한 것으로 판단되는 환자들에게 퇴원을 권유하는 것이 아주 까다로운 일이었다.Conventionally, it has been very difficult to recommend discharge to patients who are determined to be able to be discharged in a situation where there are new patients who must be hospitalized.
이는, 환자에게 퇴원을 할 수 있는 정확한 근거 자료와 퇴원을 하게 되는 경우 환자가 얻을 수 있는 이득에 대한 부분을 정확하게 제시하지 못하였다는 것에 문제점이 있었다.This had a problem in that it did not accurately present the correct evidence for the patient to be discharged and the part of the benefit that the patient could obtain when the patient was discharged.
하지만, 상술한 바와 같은 본 발명의 실시예에 따른 재원기간 예측 장치(100)는 산출된 근거 자료와 절감 가능한 금액을 객관적으로 산출하여 제공함으로써, 재원 환자 중 퇴원 가능한 환자에게 또 다른 서비스를 제안하고, 긴박한 환자들을 신규로 입원시킬 수 있는 효과를 발휘하게 된다.However, the hospital
이때, 또 다른 서비스는 입원 대체 서비스로 의료기관에서 제공하는 재택 의료(예: 가정 간호 서비스) 또는 지역사회 내에서 전문 간호를 제공하는 요양시설 등이 연계되어 적용될 수 있다.In this case, another service may be applied in connection with home care (eg, home care service) provided by a medical institution as an alternative service to hospitalization or a nursing facility that provides skilled nursing care within the community.
도 5 내지 도 7은 대상 환자가 관상동맥우회술 환자인 경우를 예시로 설명하기 위한 각종 도면이다.5 to 7 are various views for explaining the case where the target patient is a coronary artery bypass surgery patient as an example.
이상으로, 도 2 내지 도 4를 통해서 본 발명의 실시예에 따른 재원기간 예측 장치(100)를 설명하였으며, 아래에서는 도 5 내지 도 7을 참조하여, 대상 환자가 관상동맥우회술 환자인 경우를 예로 들어 설명하도록 한다.As described above, the hospital
하지만, 대상 환자가 관상동맥우회술 환자인 것으로 한정되는 것은 아니며, 본 발명의 실시예에 따른 재원기간 예측 장치(100)를 더 상세하게 설명하기 위한 것이다.However, the target patient is not limited to being a coronary artery bypass surgery patient, and the hospital
일 실시예로, 프로세서(110)는 대상 환자가 관상동맥우회술 환자인 경우, 대상 환자의 총 중환자실 재실시간 정보 및 총 기도삽관시간 정보 중 적어도 하나를 포함하는 변수를 추출한다.In one embodiment , when the target patient is a coronary artery bypass surgery patient, the processor 110 extracts a variable including at least one of total intensive care unit resident time information and total airway intubation time information of the target patient .
그리고, 프로세서(110)는 예측 모델에 추출된 변수의 값을 입력하여 대상 환자의 재원기간 예측값을 산출한다.Then, the processor 110 inputs the value of the extracted variable to the predictive model to calculate the predicted value of the hospital stay of the target patient .
이때, 대상 환자의 재원기간 예측값은, 상기 총 중환자실 재실시간 또는 총 기도삽관시간에 비례하여 예측되는 것을 특징으로 한다.In this case, the predicted value of the patient's hospital stay is characterized in that it is predicted in proportion to the total intensive care unit resident time or total airway intubation time.
이때, 변수는 관상동맥우회술 환자의 당화혈색소, 급성심부전(Acute renal failure) 여부, 만성심부전(Chronic renal failure) 여부, 만성 폐쇄성 폐질환(COPD) 여부, 오름 대동맥 석회화(Ascending aorta calcification) 여부 중 적어도 하나를 더 포함할 수 있다.At this time, the variable was at least one of glycated hemoglobin, acute renal failure, chronic renal failure, chronic obstructive pulmonary disease (COPD), and ascending aorta calcification in patients with coronary artery bypass surgery. It may include one more.
따라서, 변수의 값은 추가 변수와 동일하게 관상동맥우회술 환자의 당화혈색소 값, 급성심부전(Acute renal failure) 여부에 대한 값, 만성심부전(Chronic renal failure) 여부에 대한 값, 만성 폐쇄성 폐질환(COPD) 여부에 대한 값, 오름 대동맥 석회화(Ascending aorta calcification) 여부에 대한 값 중 적어도 하나를 더 포함할 수 있다.Therefore, the values of the variables are the same as the additional variables: the glycated hemoglobin value of patients with coronary artery bypass surgery, the value of acute renal failure, the value of chronic renal failure, and the value of chronic obstructive pulmonary disease (COPD). ) may further include at least one of a value for whether or not, and a value for whether ascending aorta calcification.
프로세서(110)는 통신부(120)를 통해 수신된 진료 정보, 전자의무기록(EMR)에 별도로 총 중환자실 재실시간 정보, 총 기도삽관시간 정보가 입력되어 있지 않은 경우에는, 이에 대한 산출 단계를 더 수행할 수 있다.If the total intensive care unit occupancy time information and the total airway intubation time information are not separately input to the medical treatment information received through the
프로세서(110)는 환자가 관상동맥우회술 수술실에서 중환자실로 도착된 시간으로부터 중환자실에서 일반병실 이동을 위해 퇴실된 시간까지의 시간차를 통해 개별 중환자실 재실시간을 산출할 수 있다.The processor 110 may calculate the individual intensive care unit occupancy time through a time difference from the time the patient arrives at the intensive care unit from the coronary artery bypass surgery operating room to the time the patient leaves the intensive care unit to move from the intensive care unit to the general ward.
그리고, 프로세서(110)는 산출된 개별 중환자실 재실시간을 모두 합하여 총 중환자실 재실시간을 산출한다.Then, the processor 110 calculates the total intensive care unit resident time by summing all the calculated individual intensive care unit resident time.
프로세서(110)는 대상 환자가 관상동맥우회술 수술실에서 출발한 시간으로부터 발관시간까지의 시간차를 통해서 개별 기도삽관시간을 산출할 수 있다.The processor 110 may calculate the individual airway intubation time through the time difference from the time the target patient departs from the coronary artery bypass surgery room to the extubation time.
프로세서(110)는 산출된 개별 기도삽관시간을 모두 합하여 총 기도삽관시간을 산출한다.The processor 110 calculates the total airway intubation time by adding up the calculated individual airway intubation time.
본 발명의 실시예에서 개별 기도삽관시간은 환자의 관상동맥우회술의 수술 후에 마취가 끝난 시간에서부터 중환자실 입원 후 환자가 마취에서 깨어나 자가호흡이 가능한 시간이 되어 발관한 시간까지를 의미하며, 총 기도삽관시간은 이를 모두 합한 시간을 의미한다.In the embodiment of the present invention, the individual airway intubation time refers to the time from the time the anesthesia is finished after the coronary artery bypass surgery of the patient to the time when the patient wakes up from anesthesia and is able to breathe on its own after being admitted to the intensive care unit and extubates the total airway. The intubation time means the total time.
도 5는 관상동맥우회술 환자의 총 중환자실 재실시간과 재원기간 예측값의 상관관계를 나타낸 도면이다.5 is a diagram showing the correlation between the total intensive care unit stay time and the length of stay in patients with coronary artery bypass surgery.
도 5는 439명의 환자들을 대상으로 총 중환자실 재실시간과 재원기간 사이의 상관관계를 구하기 위해서, 다른 변수값들은 고려하지 않고 각 환자들의 변수값으로 총 중환자실 재실시간만을 고려하여 재원기간과의 관계를 도트로 도시한 것이다.Figure 5 shows the relationship between the total intensive care unit stay time and the hospital stay period for 439 patients by considering only the total intensive care unit stay time as the variable value of each patient without considering other variable values. The relationship is illustrated with dots.
본 발명의 실험예에서는 피어슨 상관계수, 단변량/다변량 회귀 분석을 이용하였다.In the experimental example of the present invention, Pearson's correlation coefficient and univariate/multivariate regression analysis were used.
도 5를 참조하면, 다수의 환자들 각각에 대한 총 중환자실 재실시간에 따른 재원기간이 도트로 도시되어 있으며 이에 대한 통계를 분석한 결과, 환자의 총 중환자실 재실시간 정보를 변수값으로 입력하면 하기 수학식 1을 이용하여 환자의 재원기간 예측값을 산출할 수 있는 것으로 확인되었다. 여기서, 수학식 1은 총 중환자실 재실시간만을 변수로 하는 단변량 예측 모델이다.Referring to FIG. 5 , the hospital stay according to the total intensive care unit occupancy time for each of a plurality of patients is shown as a dot. It was confirmed that the predicted value of the patient's hospital stay could be calculated using Equation 1 below. Here, Equation 1 is a univariate prediction model using only the total intensive care unit occupancy time as a variable.
도 6은 관상동맥우회술 환자의 총 기도삽관시간과 재원기간의 상관관계를 나타낸 도면이다.6 is a diagram showing the correlation between total airway intubation time and hospital stay in patients with coronary artery bypass surgery.
도 6은 439명의 환자들을 대상으로 총 기도삽관시간과 재원기간과 재원기간 사이의 상관관계를 구하기 위해서, 다른 변수값들은 고려하지 않고 각 환자들의 변수값으로 총 기도삽관시간만을 고려하여 재원기간과의 관계를 도트로 도시한 것이다.6 shows the total airway intubation time for 439 patients, and the total airway intubation time only considering the total airway intubation time as the variable value of each patient, without considering other variable values, in order to obtain the correlation between the total airway intubation time and the length of stay and the length of stay. The relationship is shown with dots.
본 발명의 실험예에서는 피어슨 상관계수, 단변량/다변량 회귀 분석을 이용하였다.In the experimental example of the present invention, Pearson's correlation coefficient and univariate/multivariate regression analysis were used.
도 6을 참조하면, 다수의 환자들 각각에 대한 총 기도삽관시간에 따른 재원기간이 도트로 도시되어 있으며 이에 대한 통계를 분석한 결과, 환자의 총 기도삽관시간 정보를 변수값으로 입력하면 하기 수학식 2를 이용하여 환자의 재원기간 예측값을 산출할 수 있는 것으로 확인되었다. 여기서, 수학식 2는 총 기도삽관시간을 변수로 하는 단변량 예측 모델이다.Referring to FIG. 6 , the hospital stay according to the total airway intubation time for each of a plurality of patients is shown as a dot, and as a result of analyzing the statistics, when the patient's total airway intubation time information is input as a variable value, the following mathematics It was confirmed that the predicted value of the patient's hospital stay could be calculated using
도 5 및 도 6 그리고 수학식 1과 2를 통해서 관상동맥우회술 환자의 재원기간 예측값은 총 중환자실 재실시간 또는 총 기도삽관시간에 비례하여 예측되는 것을 확인할 수 있다.5 and 6 and
도 7은 관상동맥우회술 환자의 각종 변수값에 따라 재원기간 예측값이 산출되는 것을 도시한 도면이다.7 is a diagram illustrating the calculation of a hospital stay prediction value according to various variable values of patients with coronary artery bypass surgery.
도 5 및 도 6을 통해서는 환자의 총 중환자실 재실시간 정보, 총 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 7은 관상동맥우회술 후의 재원기간에 유의미한 복수의 변수에 기초한 다변량 예측 모델이다.5 and 6, the correlation between the patient's total intensive care unit stay time information and total airway intubation time information was explained on the predicted value of the patient's hospital stay. However, in reality, various variable values may be applied as exemplified above to more accurately calculate the patient's hospital stay prediction value. That is, FIG. 7 is a multivariate prediction model based on a plurality of variables that are significant in hospital stay after coronary artery bypass surgery.
변수값은 환자의 총 중환자실 재실시간 정보(First ICU stay), 총 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.The variable values were the patient's total intensive care unit stay (First ICU stay), total airway intubation time (First intubation time), HbA1c (HbA1c) value, acute renal failure, chronic heart failure ( A value for chronic renal failure, a value for chronic obstructive pulmonary disease (COPD), a value for ascending aorta calcification, and a value for postoperative atrial fibrillation. This may apply.
도 7을 참조하여, 예측 모델이 각각의 변수값에 따라서 관상동맥우회술 환자의 재원기간을 산출하는 것에 대해서 설명하도록 한다.Referring to FIG. 7 , it will be described that the predictive model calculates the hospital stay of the coronary artery bypass surgery patient according to each variable value.
예측 모델은 해당 환자의 총 중환자실 재실시간이 1시간 증가함에 따라서 재원기간 예측값을 0.06일씩 증가시킨다.The predictive model increases the estimated length of stay by 0.06 days as the total intensive care unit stay time of the patient increases by 1 hour.
예측 모델은 해당 환자의 총 기도삽관시간이 1시간 증가함에 따라서 재원기간 예측값을 0.07일씩 증가시킨다.The predictive model increases the estimated length of stay by 0.07 days as the patient's total airway intubation time increases by 1 hour.
예측 모델은 해당 환자의 기도삽관 횟수가 2회 이상인 경우에는 재원기간 예측값을 8.71일 만큼 감소시킨다.The predictive model reduces the estimated length of stay by 8.71 days when the patient has been intubated twice or more.
이는, 기도삽관을 계속해서 유지하는 것보다 필요시에 삽입하는 것이 환자의 재원기간 감소가 기대되기 때문이다.This is because, rather than continuously maintaining the airway intubation, it is expected that the patient's hospital stay will be reduced by inserting it when necessary.
이는, 일반병실로 이동되어 회복기간에 있는 환자의 상태가 악화되어 다시 수술실로 이동된 것을 의미하기 때문에, 환자의 재원기간이 증가하는 요인이 된다.This means that the patient's condition deteriorated after being moved to the general ward and moved to the operating room, which increases the patient's hospital stay.
예측 모델은 해당 환자의 당화혈색소 수치가 7.0 이상인 경우, 재원기간 예측값을 3.19일 만큼 증가시킨다.The predictive model increases the predicted length of hospital stay by 3.19 days when the patient's glycated hemoglobin level is 7.0 or higher.
예측 모델은 해당 환자가 급성 심부전이 있는 경우, 재원기간 예측값을 13.57일 만큼 증가시킨다.The predictive model increases the predictive length of hospital stay by 13.57 days if the patient has acute heart failure.
예측 모델은 해당 환자가 만성 심부전이 있는 경우, 재원기간 예측값을 4.81일 만큼 증가시킨다.The predictive model increases the predictive length of hospital stay by 4.81 days if the patient has chronic heart failure.
예측 모델은 해당 환자가 만성 폐쇄성 폐질환이 있는 경우, 재원기간 예측값을 7.87일 만큼 증가시킨다.The predictive model increases the predicted length of hospital stay by 7.87 days if the patient has chronic obstructive pulmonary disease.
예측 모델은 해당 환자가 오름 대동맥 석회화가 있는 경우, 재원기간 예측값을 3.48일 만큼 증가시킨다.The predictive model increases the predicted length of stay by 3.48 days if the patient has ascending aortic calcification.
일 실시예로, 변수의 값은 환자가 재수술을 시행하였는지 여부가 더 포함될 수 있으며,In one embodiment, the value of the variable may further include whether the patient performed reoperation,
상세하게는, 예측 모델은 해당 환자가 금번 관상동맥우회술 후 재원기간 내에 재수술을 시행하였을 경우, 재원기간 예측값을 9.33일 만큼 증가시킨다.In detail, the predictive model increases the predicted length of stay by 9.33 days when the patient undergoes reoperation within the hospital stay after the current coronary artery bypass surgery.
이와 같이, 산출부(130)는 예측 모델에 환자에게 해당하는 변수값을 입력함으로써, 정확한 재원기간 예측값을 산출할 수 있게 된다.In this way, the
이상에서 전술한 본 발명의 일 실시예에 따른 방법은, 하드웨어인 서버와 결합되어 실행되기 위해 프로그램(또는 어플리케이션)으로 구현되어 매체에 저장될 수 있다.The method according to an embodiment of the present invention described above may be implemented as a program (or application) to be executed in combination with a server, which is hardware, and stored in a medium.
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.The above-described program is C, C++, JAVA, machine language, etc. that a processor (CPU) of the computer can read through a device interface of the computer in order for the computer to read the program and execute the methods implemented as a program It may include code (Code) coded in the computer language of Such code may include functional code related to functions defining functions necessary for executing the methods, etc. can do. In addition, the code may further include additional information necessary for the processor of the computer to execute the functions or code related to memory reference for which location (address address) in the internal or external memory of the computer should be referenced. have. In addition, when the processor of the computer needs to communicate with any other computer or server located remotely in order to execute the functions, the code uses the communication module of the computer to determine how to communicate with any other computer or server remotely. It may further include a communication-related code for whether to communicate and what information or media to transmit and receive during communication.
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.The storage medium is not a medium that stores data for a short moment, such as a register, a cache, a memory, etc., but a medium that stores data semi-permanently and can be read by a device. Specifically, examples of the storage medium include, but are not limited to, ROM, RAM, CD-ROM, magnetic tape, floppy disk, and optical data storage device. That is, the program may be stored in various recording media on various servers accessible by the computer or in various recording media on the computer of the user. In addition, the medium may be distributed in a computer system connected by a network, and a computer readable code may be stored in a distributed manner.
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.The steps of a method or algorithm described in relation to an embodiment of the present invention may be implemented directly in hardware, as a software module executed by hardware, or by a combination thereof. A software module may contain random access memory (RAM), read only memory (ROM), erasable programmable ROM (EPROM), electrically erasable programmable ROM (EEPROM), flash memory, hard disk, removable disk, CD-ROM, or It may reside in any type of computer-readable recording medium well known in the art to which the present invention pertains.
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.As mentioned above, although embodiments of the present invention have been described with reference to the accompanying drawings, those skilled in the art to which the present invention pertains can realize that the present invention can be embodied in other specific forms without changing its technical spirit or essential features. you will be able to understand Therefore, it should be understood that the embodiments described above are illustrative in all respects and not restrictive.
10: 재원기간 예측 시스템
50: 의료진 디바이스
70 EMR 서버
100: 재원기간 예측 장치
110: 프로세서
120: 통신부
130: 데이터베이스
140: 입출력부10: Hospital stay prediction system
50: medical staff device
70 EMR Server
100: hospital stay prediction device
110: processor
120: communication department
130: database
140: input/output unit
Claims (16)
환자의 EMR 데이터를 수신하고, 의료진 디바이스와 통신하는 통신부; 및
대상 환자의 EMR 데이터를 조회하여 대상 환자의 질환명, 진료과 및 수술 종류 중 적어도 하나를 포함하는 카테고리 정보를 체킹하고,
상기 체킹된 카테고리 정보를 상기 예측 모델에 입력하여, 상기 대상 환자의 재원기간 예측을 위한 적어도 하나의 변수를 추출하고,
상기 예측 모델에 상기 추출된 적어도 하나의 변수의 값을 입력하여, 상기 대상 환자의 재원기간 예측값을 산출하는 프로세서를 포함하는,
환자의 정보를 기반으로 재원기간을 예측하는 장치.
a database in which at least one predictive model trained to predict a hospital stay period based on patient information and patient information is stored;
a communication unit for receiving the EMR data of the patient and communicating with the medical staff device; and
Inquiring the EMR data of the target patient and checking the category information including at least one of the target patient's disease name, department, and type of surgery,
inputting the checked category information into the predictive model, extracting at least one variable for predicting the length of stay of the target patient;
and a processor configured to input a value of the extracted at least one variable into the predictive model to calculate a predicted value of the hospital stay of the target patient,
A device that predicts the length of hospital stay based on patient information.
상기 통신부는 의료진 디바이스로부터 상기 대상 환자의 적어도 하나의 상태 조건에 대한 수치가 입력된 상태 정보를 수신하고,
상기 프로세서는,
상기 예측 모델에 상기 추출된 적어도 하나의 변수의 값 및 상기 상태 정보를 입력하여, 상기 대상 환자의 재원기간 예측값과 상기 대상 환자의 퇴원 가능성 또는 병동 전실 가능성을 산출하는 것을 특징으로 하는,
환자의 정보를 기반으로 재원기간을 예측하는 장치.
According to claim 1,
The communication unit receives state information in which a numerical value for at least one state condition of the target patient is input from a medical staff device,
The processor is
By inputting the extracted value of the at least one variable and the state information into the predictive model, the predicted value of the hospital stay of the target patient and the possibility of discharge or the possibility of occupancy of the target patient are calculated,
A device that predicts the length of hospital stay based on patient information.
상기 프로세서는,
상기 추출된 적어도 하나의 변수의 값 및 상기 수신되는 상태 정보를 기 설정된 주기마다 체크하고,
상기 추출된 적어도 하나의 변수의 값 및 상기 수신되는 상태 정보 중 적어도 하나의 수치가 일정 수치 이상 변화하는 경우,
상기 대상 환자의 재원기간 예측값과 상기 대상 환자의 퇴원 가능성 또는 병동 전실 가능성을 재산출하는 것을 특징으로 하는,
환자의 정보를 기반으로 재원기간을 예측하는 장치.
3. The method of claim 2,
The processor is
Checking the extracted value of the at least one variable and the received state information every preset period,
When at least one of the extracted value of the at least one variable and the received state information changes by a predetermined value or more,
Characterized in recalculating the predicted value of the hospital stay of the target patient and the possibility of discharge or ward occupancy of the target patient,
A device that predicts the length of hospital stay based on patient information.
상기 프로세서는,
상기 수신된 상태 정보를 기반으로 상기 대상 환자에 대하여 의료기관의 가정 간호 서비스 또는 병실 입원 대체 서비스의 이용 가능성을 판단하고,
상기 대상 환자가 상기 의료기관의 가정 간호 서비스 또는 병실 입원 대체 서비스를 이용하는 경우 절감 가능한 비용을 산출하는,
환자의 정보를 기반으로 재원기간을 예측하는 장치.
3. The method of claim 2,
The processor is
Determining the availability of a home care service of a medical institution or an alternative service for inpatient hospitalization for the target patient based on the received status information,
Calculating the cost that can be saved when the target patient uses the home care service of the medical institution or an alternative service for inpatient hospitalization,
A device that predicts the length of hospital stay based on patient information.
상기 프로세서는,
상기 대상 환자의 연령, 수술 여부, 요양일수, 건강보험과 의료 급여, 지역, 성별, 주상병 및 부상병 중 적어도 하나의 변수를 함께 고려하여 상기 절감 가능한 비용을 산출하는 것을 특징으로 하는,
환자의 정보를 기반으로 재원기간을 예측하는 장치.
5. The method of claim 4,
The processor is
Computing the possible cost savings by taking into account at least one of the target patient's age, whether surgery or not, the number of days of care, health insurance and medical benefit, region, gender, and at least one variable among injuries and illnesses,
A device that predicts the length of hospital stay based on patient information.
상기 장치는,
환자의 재원 기간과 해당 환자의 질환명, 진료과, 수술 종류 및 건강 상태 데이터 중 적어도 하나가 함께 입력되어 기계학습을 수행하여, 질환명, 진료과 및 수술 종류 중 적어도 하나를 포함하는 카테고리별 재원기간 예측 모델이 구축되고,
상기 구축된 카테고리별 재원기간 예측 모델은 카테고리에 따라서 재원기간에 영향을 미치는 적어도 하나의 변수를 도출하며, 도출된 변수의 값이 입력되면 해당 환자의 재원기간 예측값을 산출하는 것을 특징으로 하는,
환자의 정보를 기반으로 재원기간을 예측하는 장치.
According to claim 1,
The device is
The patient's hospital stay and at least one of the patient's disease name, department, surgery type, and health status data are input together and machine learning is performed to predict the length of stay for each category including at least one of the disease name, department, and surgery type the model is built,
The constructed hospital stay period prediction model for each category derives at least one variable that affects the hospital stay period according to the category, and when the derived variable value is input, the patient's hospital stay forecast value is calculated,
A device that predicts the length of hospital stay based on patient information.
상기 프로세서는,
상기 대상 환자가 관상동맥우회술 환자인 경우,
상기 대상 환자의 총 중환자실 재실시간 정보 및 총 기도삽관시간 정보 중 적어도 하나를 포함하는 변수를 추출하고,
상기 예측 모델에 상기 추출된 변수의 값을 입력하여 상기 대상 환자의 재원기간 예측값을 산출하는 것을 특징으로 하는,
환자의 정보를 기반으로 재원기간을 예측하는 장치.
According to claim 1,
The processor is
When the target patient is a coronary artery bypass surgery patient,
extracting a variable including at least one of total intensive care unit residence time information and total airway intubation time information of the target patient;
Inputting the value of the extracted variable to the predictive model, characterized in that calculating the predicted value of the hospital stay of the target patient,
A device that predicts the length of hospital stay based on patient information.
상기 대상 환자의 재원기간 예측값은,
상기 총 중환자실 재실시간 또는 총 기도삽관시간에 비례하여 예측되는 것을 특징으로 하는,
환자의 정보를 기반으로 재원기간을 예측하는 장치.
8. The method of claim 7,
The predicted value of the hospital stay of the target patient is,
Characterized in that it is predicted in proportion to the total intensive care unit occupancy time or total airway intubation time,
A device that predicts the length of hospital stay based on patient information.
상기 예측 모델은 상기 대상 환자의 총 중환자실 재실시간이 변수로 입력되면, 하기 수학식 1을 이용하여 상기 대상 환자의 재원기간 예측값을 산출하는 것을 특징으로 하는,
환자의 정보를 기반으로 재원기간을 예측하는 장치.
<수학식 1>
재원기간 예측값(일 단위) = 총 중환자실 재실시간(시간 단위) x 0.09 + 5.01
8. The method of claim 7,
The predictive model is characterized in that when the total intensive care unit resident time of the target patient is input as a variable, a predicted value of the hospital stay period of the target patient is calculated using Equation 1 below,
A device that predicts the length of hospital stay based on patient information.
<Equation 1>
Predicted length of stay (in days) = Total ICU stays (in hours) x 0.09 + 5.01
상기 예측 모델은 상기 대상 환자의 총 기도삽관시간이 변수로 입력되면, 하기 수학식 2를 이용하여 상기 대상 환자의 재원기간 예측값을 산출하는 것을 특징으로 하는,
환자의 정보를 기반으로 재원기간을 예측하는 장치.
<수학식 2>
재원기간 예측값(일 단위) = 총 기도삽관시간(시간 단위) x 0.13 + 8.26
8. The method of claim 7,
The predictive model is characterized in that when the total airway intubation time of the target patient is input as a variable, a predicted value of the hospital stay period of the target patient is calculated using Equation 2 below,
A device that predicts the length of hospital stay based on patient information.
<Equation 2>
Estimated length of stay (in days) = Total airway intubation time (in hours) x 0.13 + 8.26
상기 예측 모델은,
상기 총 중환자실 재실시간이 1시간 증가함에 따라 상기 재원기간 예측값을 0.06일씩 증가시키고,
상기 총 기도삽관시간이 1시간 증가함에 따라 상기 재원기간 예측값을 0.07일씩 증가시키는 것을 특징으로 하는,
환자의 정보를 기반으로 재원기간을 예측하는 장치.
8. The method of claim 7,
The predictive model is
As the total intensive care unit stay time increases by 1 hour, the hospital stay forecast value is increased by 0.06 days,
Characterized in that, as the total airway intubation time increases by 1 hour, the predicted length of stay is increased by 0.07 days,
A device that predicts the length of hospital stay based on patient information.
상기 변수의 값은,
상기 관상동맥우회술 환자의 당화혈색소 값, 급성심부전(Acute renal failure) 여부에 대한 값, 만성심부전(Chronic renal failure) 여부에 대한 값, 만성 폐쇄성 폐질환(COPD) 여부에 대한 값, 오름 대동맥 석회화(Ascending aorta calcification) 여부에 대한 값 중 적어도 하나를 더 포함하는,
환자의 정보를 기반으로 재원기간을 예측하는 장치.
12. The method of claim 11,
The value of the variable is
The glycated hemoglobin value of the coronary artery bypass surgery patient, a value for acute renal failure, a value for chronic renal failure, a value for chronic obstructive pulmonary disease (COPD), ascending aortic calcification ( Ascending aorta calcification) further comprising at least one of the values for whether
A device that predicts the length of hospital stay based on patient information.
상기 예측 모델은,
상기 대상 환자의 당화혈색소 값이 7.0 이상인 경우 상기 재원기간 예측값을 3.19일 만큼 증가시키고,
상기 대상 환자가 급성심부전이 있는 경우 상기 재원기간 예측값을 13.57일 만큼 증가시키고,
상기 대상 환자가 만성심부전이 있는 경우 상기 재원기간 예측값을 4.81일 만큼 증가시키고,
상기 대상 환자가 만성폐쇄성폐질환이 있는 경우 상기 재원기간 예측값을 7.87일 만큼 증가시키고,
상기 대상 환자가 오름 대동맥 석회화가 있는 경우 상기 재원기간 예측값을 3.48일 만큼 증가시키는 것을 특징으로 하는,
환자의 정보를 기반으로 재원기간을 예측하는 장치.
13. The method of claim 12,
The predictive model is
If the glycated hemoglobin value of the target patient is 7.0 or higher, the predicted length of stay is increased by 3.19 days;
If the subject patient has acute heart failure, increase the predicted length of stay by 13.57 days,
If the subject patient has chronic heart failure, increase the predicted length of stay by 4.81 days,
When the target patient has chronic obstructive pulmonary disease, the predicted length of stay is increased by 7.87 days,
When the target patient has ascending aortic calcification, characterized in that the predicted length of stay is increased by 3.48 days,
A device that predicts the length of hospital stay based on patient information.
상기 변수의 값은,
상기 대상 환자가 재수술을 시행하였는지 여부를 더 포함하고,
상기 예측 모델은,
상기 대상 환자가 금번 관상동맥우회술 후 재원기간 내에 재수술을 시행하였을 경우 상기 재원기간 예측값을 9.33일 만큼 증가시키는 것을 특징으로 하는,
환자의 정보를 기반으로 재원기간을 예측하는 장치.
14. The method of claim 13,
The value of the variable is
Further including whether the target patient has undergone reoperation,
The predictive model is
When the target patient undergoes reoperation within the hospital stay period after this coronary artery bypass surgery, the hospital stay forecast value is increased by 9.33 days,
A device that predicts the length of hospital stay based on patient information.
대상 환자의 EMR 데이터를 조회하여 대상 환자의 질환명, 진료과 및 수술 종류 중 적어도 하나를 포함하는 카테고리 정보를 체킹하는 단계;
예측 모델에 상기 체킹된 카테고리 정보를 입력하여, 상기 대상 환자의 재원기간 예측을 위한 적어도 하나의 변수를 추출하는 단계; 및
상기 예측 모델에 상기 추출된 적어도 하나의 변수의 값을 입력하여, 상기 대상 환자의 재원기간 예측값을 산출하는 단계를 포함하며,
상기 컴퓨터는,
환자의 정보를 기반으로 재원기간을 예측하는 방법이 학습된 적어도 하나의 예측 모델 및 환자 정보가 저장되는 데이터베이스; 및
환자의 EMR 데이터를 수신하고 의료진 디바이스와 통신하는 통신부를 포함하는,
환자의 정보를 기반으로 재원기간을 예측하는 방법.
A method performed by a computer, comprising:
checking the EMR data of the target patient and checking category information including at least one of the target patient's disease name, department, and surgery type;
inputting the checked category information into a predictive model, and extracting at least one variable for predicting a hospital stay of the target patient; and
Comprising the step of inputting the value of the extracted at least one variable into the predictive model, and calculating a predicted value of the hospital stay of the target patient,
the computer,
a database in which at least one predictive model trained to predict a hospital stay period based on patient information and patient information is stored; and
Comprising a communication unit for receiving the patient's EMR data and communicating with the medical staff device,
A method of predicting hospital stay based on patient information.
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| PCT/KR2021/002289 WO2021177644A2 (en) | 2020-03-05 | 2021-02-24 | Device, method and program for predicting length of hospital stay on the basis of patient information |
Applications Claiming Priority (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR20200027837 | 2020-03-05 | ||
| KR1020200027837 | 2020-03-05 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| KR20210113042A true KR20210113042A (en) | 2021-09-15 |
| KR102510992B1 KR102510992B1 (en) | 2023-03-16 |
Family
ID=77793477
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020210023193A KR102510992B1 (en) | 2020-03-05 | 2021-02-22 | Device, method and program for predict hospital stay period based on patient information |
Country Status (1)
| Country | Link |
|---|---|
| KR (1) | KR102510992B1 (en) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2023085674A1 (en) * | 2021-11-11 | 2023-05-19 | 재단법인 아산사회복지재단 | Device and method for predicting discharge of inpatient |
| KR102600493B1 (en) | 2023-03-21 | 2023-11-08 | 경북대학교 산학협력단 | Apparatus and method for predicting length of stay and mortality rate of patients in intensive care unit |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20130232103A1 (en) * | 2010-11-08 | 2013-09-05 | Koninklijke Philips Electronics N.V. | Method of continuous prediction of patient severity of illness, mortality, and length of stay |
| KR20180003345A (en) | 2016-06-30 | 2018-01-09 | 삼성에스디에스 주식회사 | Apparatus and method for providing information of medical cost and lengh of stay of patient |
| WO2019044620A1 (en) * | 2017-08-30 | 2019-03-07 | 日本電気株式会社 | Medical information processing system |
| US20200013490A1 (en) * | 2017-03-03 | 2020-01-09 | Rush University Medical Center | Patient predictive admission, discharge, and monitoring tool |
-
2021
- 2021-02-22 KR KR1020210023193A patent/KR102510992B1/en active IP Right Grant
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20130232103A1 (en) * | 2010-11-08 | 2013-09-05 | Koninklijke Philips Electronics N.V. | Method of continuous prediction of patient severity of illness, mortality, and length of stay |
| KR20180003345A (en) | 2016-06-30 | 2018-01-09 | 삼성에스디에스 주식회사 | Apparatus and method for providing information of medical cost and lengh of stay of patient |
| US20200013490A1 (en) * | 2017-03-03 | 2020-01-09 | Rush University Medical Center | Patient predictive admission, discharge, and monitoring tool |
| WO2019044620A1 (en) * | 2017-08-30 | 2019-03-07 | 日本電気株式会社 | Medical information processing system |
Non-Patent Citations (2)
| Title |
|---|
| 김선희 외 1인. "뇌졸중 환자의 결과지표에 영향을 주는 요인: 다변량 회귀분석과 다수준분석 비교". 보건행정학회지 2015. 제25권, 제1호, pp.31-39, 2015년 공개 1부.* * |
| 임지영. "뇌혈관질환자에서의 가정간호이용시와 병원입원시 비용 비교". 대한간호학회지. 제33권, 제2호, pp246-255, 2003년 3월 공개 1부.* * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2023085674A1 (en) * | 2021-11-11 | 2023-05-19 | 재단법인 아산사회복지재단 | Device and method for predicting discharge of inpatient |
| KR102600493B1 (en) | 2023-03-21 | 2023-11-08 | 경북대학교 산학협력단 | Apparatus and method for predicting length of stay and mortality rate of patients in intensive care unit |
Also Published As
| Publication number | Publication date |
|---|---|
| KR102510992B1 (en) | 2023-03-16 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US6061657A (en) | Techniques for estimating charges of delivering healthcare services that take complicating factors into account | |
| Knaus et al. | The SUPPORT prognostic model: Objective estimates of survival for seriously ill hospitalized adults | |
| REIS MIRANDA et al. | Monitoring costs in the ICU: a search for a pertinent methodology | |
| US8744867B2 (en) | Method for selecting a clinical treatment plan tailored to patient defined health goals | |
| US20030101076A1 (en) | System for supporting clinical decision making through the modeling of acquired patient medical information | |
| KR101261177B1 (en) | Clinical decision support system and method | |
| US11923094B2 (en) | Monitoring predictive models | |
| JP2012221508A (en) | System and computer readable medium for predicting patient outcomes | |
| KR102510992B1 (en) | Device, method and program for predict hospital stay period based on patient information | |
| CN111553478B (en) | Community old people cardiovascular disease prediction system and method based on big data | |
| CN112447270A (en) | Medication recommendation method, device, equipment and storage medium | |
| EP3718116B1 (en) | Apparatus for patient data availability analysis | |
| US20210407676A1 (en) | Patient ventilator asynchrony detection | |
| Brennan et al. | A method to account for variation in congenital heart surgery length of stay | |
| Speroff et al. | Lens Model Analysis of Hemodynamic status in the critically III | |
| CN109994211B (en) | Modeling method for chronic kidney disease worsening risk based on EHR data | |
| WO2023050668A1 (en) | Clustering model construction method based on causal inference and medical data processing method | |
| WO2023226369A1 (en) | Method, apparatus and device for predicting weaning from mechanical ventilation, and storage medium | |
| US20140372146A1 (en) | Determining a physiologic severity of illness score for patients admitted to an acute care facility | |
| KR102310455B1 (en) | Method, system and program for predict length of hospital stay of coronary artery bypass surgery patient | |
| US20220399122A1 (en) | Risk prediction apparatus, risk prediction method, and computer program | |
| Cheng et al. | Extubation decision making with predictive information for mechanically ventilated patients in ICU | |
| US11081217B2 (en) | Systems and methods for optimal health assessment and optimal preventive program development in population health management | |
| EP4202952A1 (en) | Copd monitoring | |
| US20230207127A1 (en) | Copd monitoring |
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 |