KR20210142238A - 딥러닝 기반의 임상 지원 시스템 및 이를 통한 진단 지원 방법 - Google Patents

딥러닝 기반의 임상 지원 시스템 및 이를 통한 진단 지원 방법 Download PDF

Info

Publication number
KR20210142238A
KR20210142238A KR1020200058815A KR20200058815A KR20210142238A KR 20210142238 A KR20210142238 A KR 20210142238A KR 1020200058815 A KR1020200058815 A KR 1020200058815A KR 20200058815 A KR20200058815 A KR 20200058815A KR 20210142238 A KR20210142238 A KR 20210142238A
Authority
KR
South Korea
Prior art keywords
image data
image
neural network
network model
drug
Prior art date
Application number
KR1020200058815A
Other languages
English (en)
Inventor
임종윤
Original Assignee
코리 컴퍼니 리미티드
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 코리 컴퍼니 리미티드 filed Critical 코리 컴퍼니 리미티드
Priority to KR1020200058815A priority Critical patent/KR20210142238A/ko
Publication of KR20210142238A publication Critical patent/KR20210142238A/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
    • 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
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/48—Other medical applications
    • A61B5/4848—Monitoring or testing the effects of treatment, e.g. of medication
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/042—Knowledge-based neural networks; Logical representations of neural networks
    • G06N3/0427—
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/0464—Convolutional networks [CNN, ConvNet]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • 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
    • G16H20/00—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance
    • G16H20/10—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance relating to drugs or medications, e.g. for ensuring correct administration to patients
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H30/00—ICT specially adapted for the handling or processing of medical images
    • G16H30/40—ICT specially adapted for the handling or processing of medical images for processing medical images, e.g. editing
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/70—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for mining of medical data, e.g. analysing previous cases of other patients
    • 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
    • G16H80/00—ICT specially adapted for facilitating communication between medical practitioners or patients, e.g. for collaborative diagnosis, therapy or health monitoring

Landscapes

  • Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Public Health (AREA)
  • General Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Primary Health Care (AREA)
  • Epidemiology (AREA)
  • Data Mining & Analysis (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Pathology (AREA)
  • Biophysics (AREA)
  • Molecular Biology (AREA)
  • Software Systems (AREA)
  • Computational Linguistics (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Databases & Information Systems (AREA)
  • Computing Systems (AREA)
  • Artificial Intelligence (AREA)
  • Mathematical Physics (AREA)
  • Evolutionary Computation (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Radiology & Medical Imaging (AREA)
  • Veterinary Medicine (AREA)
  • Chemical & Material Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Medicinal Chemistry (AREA)
  • Animal Behavior & Ethology (AREA)
  • Surgery (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Measuring And Recording Apparatus For Diagnosis (AREA)

Abstract

본 발명은 딥러닝을 이용한 임상 지원 시스템 및 처방 지원 방법에 관한 것이다. 본 발명에 따른 딥러닝 기반의 임상 지원 시스템의 진단 예측 방법은 질환 별 개인화된 약품 투약에 따른 영향 요소의 수치를 획득하고, 그래프화된 상기 수치를 미리 결정된 기준에 따른 상기 영향 요소의 순서와 간격으로 연속 배치하여 제1 이미지 데이터로 생성하는 단계; 상기 생성된 제1 이미지 데이터를 이용하여 상기 약품에 따른 개인별 호전 또는 악화 징후 간의 관계를 신경망 모델에 학습시키는 단계; 및 상기 학습된 신경망 모델을 이용하여 사용자의 약품 투약 효능 및 부작용 정보를 예측하는 단계를 포함할 수 있다. 본 발명에 따르면 다양한 환자와 질환에 따른 원격 진료와 처방을 지원해 줄 수 있다. 또한, 의료 인프라의 부족에 따른 한계성을 극복하고 의료 자원의 효율화를 지원할 수 있다.

Description

딥러닝 기반의 임상 지원 시스템 및 이를 통한 진단 지원 방법{Clinical support system based on deep learning and decision support method using the system}
본 발명은 딥러닝을 이용한 임상 지원 시스템 및 처방 지원 방법에 관한 것이다.
정보통신과 보건의료 기술의 발전으로 다양한 스마트 헬스 기술들이 출현되고 있다. 나아가 환경의 변화로 인한 신종 및 만성질환도 증가하고 있어 보다 능동적인 대처가 필요한 상황이다.
특히 최근의 인공지능 기술을 통해 발달된 정보처리 및 저장 기술을 이용하여 댜양한 데이터를 수집하고 이를 처리함으로써 환자의 질병을 예측 및 진단을 지원하고 최종적인 처방 결정을 지원하는 등의 새로운 시스템의 구축이 필요로 된다.
이에 따라 의료기술과 IT 기술을 융합한 임상의사결정지원시스템(Clinical Decision Support System(CDSS)) 이 개발되고 있으며 이를 통해 지단 지원, 처방 결정 지원, 정보의 검색 및 의료 영상의 분석을 통한 지원이 이루어지고 있다.
또한 최근에는 자연어 처리 기술(Natural Language Processing(NLP))을 기반으로 의료분야 빅데이터를 학습하고 자연어 질문에 대한 답변을 근거와 함께 제공하는 기술들이 개발되고 있다.
실질적인 임상의사결정의 지원을 위해서는 의료데이터로부터 추정되는 질환과 처방 들 각각에 대한 스코어링을 수행하되, 예측된 가설의 신뢰도 평가 및 우선 순위화를 통해 보다 정확하고 안정적인 결과의 출력이 수행되어야 한다.
따라서, 보다 많은 빅데이터를 통한 추론을 위해서 의사결정의 판단 근거로 이용되는 다양한 형식들의 의료 데이터 이용 기준이 정립될 필요가 있으며 이를 통한 구체적인 인공지능 기술의 학습 방법이 개발될 필요가 있다.
본 발명은 임상의사결정 지원을 위해 질환에 대해 투약되는 약품의 효능을 분석하고 처방을 지원하기 위한 데이터의 정제 기준 및 이를 이용한 학습 방법을 제공하는 것을 목적으로 한다.
또한, 본 발명은 데이터를 통해 학습된 투약 효능을 통해 사용자의 질환에 따른 처방을 지원하고 예후를 예측하는 시스템을 제공하는 것을 목적으로 한다.
상기 기술적 과제를 해결하기 위한 본 발명에 따른 딥러닝 기반의 임상 지원 시스템의 진단 예측 방법은 질환 별 개인화된 약품 투약에 따른 영향 요소의 수치를 획득하고, 그래프화된 상기 수치를 미리 결정된 기준에 따른 상기 영향 요소의 순서와 간격으로 연속 배치하여 제1 이미지 데이터로 생성하는 단계; 상기 생성된 제1 이미지 데이터를 이용하여 상기 약품에 따른 개인별 호전 또는 악화 징후 간의 관계를 신경망 모델에 학습시키는 단계; 및 상기 학습된 신경망 모델을 이용하여 사용자의 약품 투약 효능 및 부작용 정보를 예측하는 단계를 포함할 수 있다.
상기 생성하는 단계는 상기 질환의 유사도에 따라 투약자를 그룹화하고, 그룹화된 이미지를 생성하는 것이 가능하다.
상기 생성하는 단계는, 상기 영향 요소의 수치를 투약 시간에 따른 변화를 고려하여 제1 이미지 데이터로 생성하는 것이 가능하다.
상기 신경망 모델은 상기 생성된 이미지에 대하여 의사의 임상학적 판단 정보를 레이블링한 학습 데이터를 이용하여 상기 약품과 개인별 호전 또는 악화 징후 간의 관계를 학습하는 것이 가능하다.
상기 예측하는 단계는 상기 사용자의 약품 투약 효능 또는 부작용 정보에 따라 약품 처방을 위한 추천 정보를 생성하는 것이 가능하다.
상기 생성하는 단계는 상기 그룹화된 이미지로 개인화된 상기 이미지를 상기 투약자에 따른 제2 기준으로 재배열하여 확장된 제2 이미지 데이터를 생성하고, 상기 학습시키는 단계는 제2 이미지를 이용하여 상기 약품에 따른 유사 질환별 호전 또는 악화 징후 간의 관계를 신경망 모델에 학습시키는 것이 가능하다.
상기 기술적 과제를 해결하기 위한 본 발명에 따른 딥러닝 기반의 임상 지원 시스템은 질환 별 개인화된 약품 투약에 따른 영향 요소의 수치를 획득하고, 그래프화된 상기 수치를 미리 결정된 기준에 따른 상기 영향 요소의 순서와 간격으로 연속 배치하여 제1 이미지 데이터로 생성하는 이미지 생성부; 상기 생성된 제1 이미지 데이터를 이용하여 상기 약품에 따른 개인별 호전 또는 악화 징후 간의 관계를 신경망 모델에 학습시키는 학습부; 및 상기 학습된 신경망 모델을 이용하여 사용자의 약품 투약 효능 및 부작용 정보를 예측하여 제공하는 제공부를 할 수 있다.
본 발명에 따르면 다양한 환자와 질환에 따른 원격 진료와 처방을 지원해 줄 수 있다. 또한, 의료 인프라의 부족에 따른 한계성을 극복하고 의료 자원의 효율화를 지원할 수 있다.
또한, 격리가 필요한 특정 질환에 대해서도 보다 안정적인 진단과 처방이 가능하다.
또한, 디지털 헬스 기반의 플랫폼을 통해 처방에 따른 약품의 제공과 투약 가이드를 일원화하여 제공할 수 있다.
도 1은 본 발명의 일 실시예에 따른 임상 지원 시스템의 구성을 나타내는 도이다.
도 2는 본 발명의 일 실시예에 따른 임상 지원 시스템의 사용자 정보 입력을 위한 인터페이스 구성을 나타내는 도이다.
도 3은 본 발명의 일 실시예에 따른 임상 지원 시스템의 처방 정보 입력을 위한 인터페이스 구성을 나타내는 도이다.
도 4는 본 발명의 일 실시예에 따른 임상 지원 시스템의 진단 지원 방법을 나타내는 도이다.
도 5는 본 발명의 일 실시예에 따른 임상 지원 시스템의 이미지 데이터 생성의 기준이 되는 영향 요소를 나타내는 도이다.
도 6 및 7은 본 발명의 일 실시예에 따른 임상 지원 시스템의 이미지 데이터 생성 예를 나타내는 도이다.
도 8 및 9는 본 발명의 일 실시예에 따른 임상 지원 시스템의 신경망 모델의 구성을 나타내는 도이다.
도 10은 본 발명의 일 실시예에 따른 임상 지원 시스템의 학습을 위한 이미지 데이터의 예를 나타내는 도이다.
도 11는 본 발명의 일 실시예에 따른 임상 지원 시스템의 구성을 나타내는 도이다.
이하의 내용은 단지 발명의 원리를 예시한다. 그러므로 당업자는 비록 본 명세서에 명확히 설명되거나 도시 되지 않았지만 발명의 원리를 구현하고 발명의 개념과 범위에 포함된 다양한 장치를 발명할 수 있는 것이다. 또한, 본 명세서에 열거된 모든 조건부 용어 및 실시 예들은 원칙적으로, 발명의 개념이 이해되도록 하기 위한 목적으로만 명백히 의도되고, 이외같이 특별히 열거된 실시 예들 및 상태들에 제한적이지 않는 것으로 이해되어야 한다.
상술한 목적, 특징 및 장점은 첨부된 도면과 관련한 다음의 상세한 설명을 통하여 보다 분명해질 것이며, 그에 따라 발명이 속하는 기술분야에서 통상의 지식을 가진 자가 발명의 기술적 사상을 용이하게 실시할 수 있을 것이다.
또한, 발명을 설명함에 있어서 발명과 관련된 공지 기술에 대한 구체적인 설명이 발명의 요지를 불필요하게 흐릴 수 있다고 판단되는 경우에 그 상세한 설명을 생략하기로 한다. 이하에는 첨부한 도면을 참조하여 본 발명의 바람직한 실시 예에 대해 상세하게 설명한다.
도 1은 본 발명의 일 실시예에 따른 임상 지원 시스템(100)의 구성을 나타내는 도이다.
본 발명에 따른 임상 지원 시스템(100)은 사용자 단말을 통해 자신의 증상과 신상 정보를 입력하는 사용자(10)들로부터 임상 결정에 필요한 사용자(10) 정보들을 수집할 수 있다.
예를 들어 개별적인 사용자(10)로부터 개개인의 정보를 입력 받는 것도 가능하며, 또는 유사 질환으로 구성되는 사용자(10) 그룹(코호트, 10-1, 10-2)으로부터 정보를 수집하는 것도 가능하다.
또한, 임상 지원 시스템(100)은 병원이나 기타 의료 기관(300)으로부터 처방 정보 및 처방에 따른 환자들의 상태 정보를 수집할 수 있다.
임상 지원 시스템(100)은 수집된 사용자(10) 정보를 이용하여 사용자(10)들의 증상에 따른 진단과 처방을 직접 사용자(10)에게 제공해 줄 수 있다. 또는 사용자(10) 정보를 처방 정보와 함께 병원이나 의료기관(300)에게 제공하고 이를 통해 의료진들의 사용자(10)에 대한 임상적인 판단에 도움을 주는 것도 가능하다.
즉, 임상 지원 시스템(100)은 사용자(10)가 직접 처방을 받는 것도 가능하며 의료진에게 처방을 위한 보조 정보를 제공하는 것도 가능하다.
따라서, 임상 지원 시스템(100)은 처방 정보를 제공하기 위하여 기존의 진료 이력을 학습할 수 있다.
진료 이력으로 환자의 신상 정보와 투여된 약품의 정보 및 약품 투여에 따른 다양한 환자 상태 정보의 변화 정보를 이용할 수 있다.
구체적으로 임상 지원 시스템(100)에 내재된 딥러닝 기반의 신경망 모델은 다양한 진료 이력을 정규화하여 학습함으로써 새롭게 입력되는 사용자(10)들의 증상 정보를 토대로 질병을 진단하거나, 사용자(10)에게 맞는 투약 정보 및 투약 정보에 따른 부작용의 발생 가능성 등의 위험성을 판단할 수 있다.
도 2를 참조하면 사용자(10)는 임상 지원 시스템(100)에서 웹이나 사용자(10) 단말의 어플리케이션 등을 통해 제공되는 사용자(10) 인터페이스(220)를 이용하여 자신의 증상 정보를 입력할 수 있다. 입력되는 증상은 문진항목과 서브항목으로 구분되며 자신의 상태를 정형화된 데이터로 입력할 수 있다.
또한, 추가적인 인터페이스(222)로 사용자(10)의 건강 상태를 보조 기구를 이용하여 입력 받는 것도 가능하다. 예를 들어 사용자(10)가 웨어러블 디바이스를 착용하거나, 별도의 진단 장비를 이용하여 맥박, 산소포화도, 혈압, 체온, 호흡과 같은 정보들을 측정하면 측정된 정보를 사용자(10) 단말을 통해 전달받을 수 있다.
이상의 과정을 통해 입력된 사용자(10)의 상태 정보를 통해 임상 지원 시스템(100)은 진단과 처방 정보를 생성할 수 있다.
도 3을 참조하면, 도 3은 의료진(30)을 위한 인터페이스(230)를 나타내는 것으로 의료진은 질병의 분류와 질병에 따른 검사 항목을 지정할 수 있다. 또한, 질병에 따른 약품과 약품의 투약 유형을 결정하고 그에 따른 환자의 상태 정보를 시간별로 인터페이스(232)로 제공받을 수 있다.
또한 환자의 상태 정보는 다양한 검사 요소에 따라 측정될 수 있으며 검사 요소별 환자의 상태 정보도 그래프화 되어 인터페이스(234)로 제공될 수 있다.
그 외에도 동일하거나 유사한 질환 또는 증상에 대하여 집단화(코호트화)된 정보를 제공받을 수 있다. 개인화된 정보 외에도 동일한 질환에 대하여 처방된 약품에 대하여 집단에 대한 상태 변화를 제공받는 것도 가능하다.
또는 성분이 같더라도 다양한 약품 제조사의 약품 사용에 따른 상태 변화를 제공받음으로 써 특정 약품에 대한 투약 효능의 분석도 가능하도록 한다.
즉, 의사는 자신이 담당하는 환자 개인의 현재 처방 약품에 따른 상태정보를 확인할 수 있으며 이와 함께 유사할 것으로 예상되는 집단에 대한 상태정보를 파악하고 특이성을 보이는 상태를 체크할 수 있다.
예를 들어 의사는 특이성을 보이는 지점으로 각 그래프의 변곡점을 지정하고 지정 정보는 데이터화 되어 환자의 상태 정보와 함께 레이블링 될 수 있다.
나아가 레이블링된 데이터는 신경망 모델의 학습에 이용될 수 있다.
이하, 도 4를 참조하여 본 실시예에 따른 임상 지원 시스템(100)의 진단 예측 방법에 대하여 설명한다.
먼저, 질환 별 개인화된 약품 투약에 따른 영향 요소의 수치를 획득할 수 있다.
본 실시예에서 영향 요소는 환자의 상태의 호전이나 악화에 영향을 줄 수 있는 대상으로 미리 결정될 수 있으며 다양한 검사 방법으로 수치값 형태로 획득될 수 있다.
획득된 수치값들은 특정 시점이나 주기마다 수집되며 테이블 형태로 분류되어 저장될 수 있다.
도 5를 참조하면, 영향 요소는 혼수척도, 활력징후, 혈액검사 수치, 혈액가스 분석 내 이온 농도, 전해질 검사, 신장기능 검사, 요화학 검사, 신체 검사, 미생물 검사, 약품농도 검사, 간접 영양 측정법, 분자 진단 검사, 약품 남용 검사 등의 정보들을 포함할 수 있다.
영향 요소는 특정 질환에 따라 선택되거나 추가될 수 있으며, 주기적으로 수집될 수 있다.
임상 지원 시스템(100)은 수집된 수치를 그래프화하고 그래프화된 수치를 재배열할 수 있다. 예를 들어, 학습을 위한 데이터로 활용하기 위해 그래프를 연속적으로 배열하여 이미지 데이터로 생성할 수 있다(S100).
즉, 본 실시예에서 임상 지원 시스템(100)은 소정의 기준에 따른 상기 영향 요소의 순서와 간격으로 그래프들을 연속 배치하여 제1 이미지 데이터로 생성할 수 있다.
또한, 이때의 그래프는 수치에 따라 다른 색상을 갖도록 결정될 수 있으며 예를 들어 일반적인 이미지 데이터의 표현 방식인 RGB 채널에 따른 값들로 정의될 수 있다.
본 실시예에서 임상 지원 시스템(100)은 수집된 수치 정보가 아닌 수치 정보를 이미지화하여 시각적으로 쉽게 인식이 가능한 정보로 바꾸어 학습에 이용하도록 한다.
따라서 신경망 모델은 수치 정보의 변화를 직접 학습하는 것이 아니라, 시각적으로 표현된 정보를 학습할 수 있다(S200). 즉 일반적으로 이미지 분석에 강인한 성능을 갖는 신경망 모델들을 직접 이용할 수 있도록 한다.
또한, 진료를 수행하는 의료진의 경우에도 수치 정보를 직접 확인하는 것 외에, 시각화된 정보를 이용함으로써 보다 이상상황의 발생을 직관적으로 판단할 수 있으며 생성된 제1 이미지 데이터는 도 6 또는 7과 같은 인터페이스로 제공될 수 있다.
임상 지원 시스템(100)은 복수의 영향 요소에 따른 값들을 하나의 이미지 데이터 내에 포함하기 위하여 영향 요소 별 그래프들을 배치할 순서를 결정할 수 있다.
도 6을 참조하면, 영향 요소를 특정 순서별로 배치하며 따라서 각 그래프들은 일렬로 나열될 수 있다. 이때 그래프들은 수치와 함께 요소별 정상 범위를 기준으로 색상이 결정될 수 있다.
본 실시예에서 영향 요소는 검사 요소와 환자의 활력 상태를 나타내는 활력 징후 항목으로 구성될 수 있다. 구체적으로 활력 징후 항목은 체온, 혈압, 산소포화도, 맥박, 호흡수를 포함한다.
영향 요소에 대한 검사 결과는 도 6과 같은 형태의 복수의 수치 그래프로 표현될 수 있으며, 해당 그래프는 위험도에 따라 색상을 가질 수 있으며 색상은 후술하는 도 7의 이미지 생성 시에 이용될 수 있다.
즉, 도 6은 실제 검사 결과에 따른 수치 값을 포함하는 데이터일 수 있으나 도 7은 이를 다른 인덱스 기준에 따라 색상화하여 실제 검사 결과를 간소화한 데이터일 수 있다.
나아가 각 그래프의 배치 순서도 학습을 통해 결정될 수 있다. 예를 들어 A라는 질환에 대하여 n가지 영향 요소 중 i번째 요소와 k(k=i+5)번째 요소의 결과 값이 떨어져 있으나 증상의 호전이나 악화에 유사한 변화 양상을 보이는 것으로 그래프 상에 표현되는 경우 k번째 요소의 순서를 i번째 요소와 인접하도록 순서를 변경하여 이미지 데이터의 특징점이 보다 강조되도록 하는 것도 가능하다.
이상의 본 실시예에서 이미지 데이터의 생성 기준이 되는 영향 요소는 질병의 특징에 따라 결정된 검사 항목에 따라 선택될 수 있으며, 상술한 영향 요소 중 일부 및 다른 영향 요소를 통해 구성될 수 있다.
또한, 이미지 데이터 내 각 그래프들의 간격도 조절될 수 있다.
본 실시예에서 이미지 데이터는 도 6을 기준으로 수평축의 요소들은 서로 독립적인 측정방식에 의해 측정되는 값이나, 임상학적으로 서로 연관성을 가질 수 있다. 즉, 상술한 바와 같이 영향 요소의 순서를 결정할 때 이러한 연관성을 기준으로 결정할 수 있으며 추가적으로 그래프 간의 간격을 더욱 고려하는 것도 가능하다.
즉, 연관성이 강한 연관 관계인지 약한 연관 관계인지에 따라 그래프 간의 간격을 달리 결정할 수 있으며 강한 연관 관계의 경우 이미지 데이터 내 특징 점들이 보다 밀집될 수 있도록 영향 요소별 그래프 들의 간격을 조절할 수 있다.
또한, 약한 연관 관계의 경우 그래프들의 간격을 보다 넓게 조절하고 이미지 분석에서 특징 값을 갖지 못하는 배경적인 요소로 인식될 수 있도록 간격을 설정하는 것도 가능하다.
나아가, 사용자(10)들의 투약에 따른 영향을 파악하기 위해서는 기간 별 이력을 판단해야하므로 이러한 결과는 요약되어 도 7과 같은 형태의 이미지로 생성될 수 있다.
예를 들어, 현재를 기준으로 이전 주기의 측정 값들에 대한 그래프를 색상으로 정리하여 이미지화할 수 있다.
도 7은 현재를 시점으로 48시간 이전 동안의 각 영향 요소 별 측정 값을 이미지화하여 나타낸 것일 수 있다.
즉, 도 6은 현재의 영향 요소에 대한 세부적인 측정 값이라고 한다면, 도 7은 과거의 측정 값들을 수치대신 색상화된 값으로 변형하여 표시하는 이미지일 수 있다.
이때 색상은 무지개 색을 이용하여 7가지 인덱스로 구분될 수 있으며 위험도에 따라 1(Red) 부터 7(Violet)까지의 색상으로 나타낼 수 있다.
따라서, 본 실시예에서 신경망 모델은 특정 기간 동안의 투약 시간에 따른 영향 요소 별 수치들에 대한 정보를 시각화한 이미지 데이터를 이용하여 학습을 수행한다. 학습을 위해서는 이러한 이미지 데이터가 의미하는 임상학적 특징에 대한 레이블링이 필요하므로 추가적으로 의료진이 특정 시점의 수치 중 부작용이나 개선 점을 보이는 시기를 지정하면 이를 이미지 데이터에 대한 레이블 정보로 이용할 수 있다.
이하 도 8을 참조하여 본 실시예에 따른 신경망 모델의 학습방법에 대하여 보다 상세히 설명한다.
신경망 모델(122)은 일반적인 딥러닝 모델과 같이 입력층과 출력층 및 연산을 수행하는 은닉층으로 구성될 수 있다.
입력층은 입력되는 데이터에 대한 특징 값들을 수집하며, 수집된 특징 값들은 연산을 위해 입력될 수 있다. 본 실시예에서 입력층은 도 6 또는 7에 따라 생성된 이미지 데이터를 입력 받고, 각 이미지 내 픽셀의 위치와 색상 정보를 특징 값으로 입력 받을 수 있다.
입력층으로 입력된 값들은 은닉층 내부의 각각의 레이어들을 통과하며 행렬 연산을 수행하도록 한다.
예를 들어 본 실시예에서 신경망 모델은 CNN(Convolution Neural Network) 형태로 구성되어 내부의 은닉층에서 반복적인 합성곱 연산을 수행할 수 있다.
각 층마다 결정된 필터를 통해 특징값들은 합성곱 연산되어 새로운 행렬로 구성되며, 최종 출력 값은 활성화 함수와 완전 연결 레이어를 통해 출력 될 수 있다.
본 실시예에서는 구체적으로 임상학적으로 특징 징후를 보이는 상태들이 이미지 데이터 상에 레이블링 되어 있으므로 신경망 모델은 각 영향 요소별 치료 약품에 따른 환자 상태의 호전 징후나 악화 징후를 갖는 이미지 데이터 상의 패턴을 학습할 수 있다(S200).
레이블링은 이미지 전체에 대해서 소정의 시간 이후 호전이나 악화 또는 약품 부작용의 징후를 보인 환자에 대한 과거 이력 이미지에 대해 수행될 수 있다. 또는 이미지의 특정 부분에 대해서 영역과, 영역에 대한 징후로 수행될 수 있다. 또한 레이블링은 영향 요소 중 활력 징후 항목에 대해서 독립적으로 수행될 수 있다. 따라서 신경망 모델은 활력 징후 항목의 호전 또는 악화 여부와 그 외 영향 요소의 변화 추이들의 관계를 학습하는 것도 가능하다.
신경망 모델은 이미지 데이터를 통해 상태 변화 요인을 학습하고 현재 사용자(10)의 투약 약품에 대한 영향 요소 수치 값의 변화 추이로부터 호전되거나 악화될 가능성을 판단할 수 있다.
나아가, 도 9를 참조하면 본 실시예에서 신경망 모델(124)은 개인화된 투약 정보를 학습하는 것 외에 유사 질병의 그룹을 통해 그룹화된 투약 정보를 학습하는 것도 가능하다.
예를 들어 특정 질병에 따른 환자들을 그룹화하고, 각 환자들의 투약 정보에 대한 이미지 데이터(도 7에 따른 제1 이미지 데이터)를 순서대로 배열하여 그룹화된 제2 이미지 데이터를 생성하는 것도 가능하다.
즉, 신경망 모델은 그룹화된 환자들의 투약 정보의 이미지 데이터를 학습할 수 있다.
이때 그룹은 환자들의 나이나, 연령, 성별, 인종 등 다양한 정보에 따라 구분될 수 있으며 신경망 모델은 동일 질병에 대한 특정 약품에 대한 그룹별 변화 양상을 이미지로 학습할 수 있다.
그룹화된 이미지 데이터를 생성시 개인별 이미지 데이터들의 배열 순서는 미리 결정될 수 있으며 따라서 신경망 모델은 그룹화된 이미지 데이터 내 특이 정보를 갖는 패턴들을 학습할 수 있다.
예를 들어, 특정 질환의 경우 전염성에 의해 격리가 필요로 하며 격리된 상황에서 집단 치료를 수행하는 경우 각 집단 별 투약 정보에 따른 변화 양상을 학습시킴으로써 다른 집단에 대한 투약 정보 양상이나 격리의 필요성 등의 판단을 수행할 수 있다.
도 10을 참조하면, 본 발명에 따른 그룹화된 환자들의 이미지 데이터를 생성하기 위해 동일 질병, 2주 이상 입원, 입원 중 유증상 (악화/완치) 또는 퇴원 후 유증상(악화/완치) 환자 들에 대한 개인 별 이미지 데이터를 수집하여 생성할 수 있다.
이상의 과정을 통해 생성된 이미지로 학습된 신경망 모델을 이용하여 현재 진료 중인 환자의 상태 정보와 투약 정보에 따라 호전이나 악화 여부, 부작용의 발생 여부를 예측하고 이에 대한 정보를 생성할 수 있다(S300).
또한, 신경망 모델의 학습에 이용되는 이미지 데이터는 투약 약품에 따라 생성되므로, 현재 상태에 따라 호전 양상을 보이게 되는 투약 약품 정보를 가이드하기 위한 정보를 제공할 수 있다(S400).
따라서, 의료진의 경우는 제공된 정보를 이용하여 임상학적 진단을 수행하는 데 보조 정보로 활용할 수 있다.
또한, 본 실시예에서는 수치화된 측정 정보 그대로를 이용하여 추론을 수행하는 것이 아니라 이미지화된 정보를 이용하므로 효율적인 데이터관리와 학습이 가능하다.
이하 도 11을 참조하여 본 실시예에 따른 임상 지원 시스템(100)의 구성에 대하여 설명한다.
본 실시예에 따른 임상 지원 시스템(100)은 이미지 생성부(110), 학습부(120) 및 제공부(130)를 포함할 수 있다.
이미지 생성부(110)는 질환 별 개인화된 약품 투약에 따른 영향 요소의 수치를 획득하고, 그래프화된 수치를 미리 결정된 기준에 따른 영향 요소의 순서와 간격으로 연속 배치하여 제1 이미지 데이터로 생성한다.
이미지 생성부(110)는 질환의 유사도에 따라 투약자를 그룹화하고, 그룹화된 이미지를 생성하는 것도 가능하다. 즉, 제1 이미지 데이터를 미리 결정된 순서와 간격에 따라 재배열하여 보다 확장된 이미지 데이터를 생성하는 것도 가능하다.
이를 통해 제1 신경망 모델(122)은 개인별 투약 약품에 대한 변화를 학습하고 제2 신경망 모델(124)은 집단별 투약 약품에 대한 변화 정보를 독립적으로 학습할 수 있다.
이때 학습에 이용되는 이미지 데이터는 영향 요소의 수치를 투약 시간에 따른 변화를 고려하여 생성될 수 있다.
즉, 주기적인 측정에 의해 나타나는 그래프의 색상 값을 평면 상의 이미지 데이터로 구성하여 학습에 이용할 수 있다.
이상의 과정을 통해 생성된 제1 이미지 데이터를 이용하여 학습부(120)는 약품에 따른 개인별 호전 또는 악화 징후 간의 관계를 신경망 모델(122, 124)에 학습시킨다.
학습부(120)는 구체적을 학습을 위해 입력된 이미지 데이터를 제1 신경망 모델(122)에 입력함과 동시에 이미지 데이터를 재배열하여 확장된 제2 이미지 데이터로 구성하여 제2 신경망 모델(124)의 학습에 이용할 수 있다.
제1 신경망 모델(122)은 생성된 이미지에 대하여 의사의 임상학적 판단 정보를 레이블링한 학습 데이터를 이용하여 약품과 개인별 호전 또는 악화 징후 간의 관계를 학습한다.
다음 제공부(130)는 학습된 신경망 모델(122)을 이용하여 사용자(10)의 약품 투약 효능 및 부작용 정보를 예측하여 제공한다.
또한 제공부(130)는 사용자(10)의 약품 투약 효능 또는 부작용 정보에 따라 약품 처방을 위한 추천 정보를 생성하는 것도 가능하다.
나아가 상술한 바와 같이 제2 신경망 모델(124)은 동일 질환에 대한 그룹에 대한 정보를 학습하는 것도 가능한데, 이미지 생성부(110)는 그룹화된 이미지로 개인화된 이미지를 투약자에 따른 제2 기준으로 재배열하여 확장된 제2 이미지 데이터를 생성할 수 있다.
학습부(120)는 제2 이미지 데이터를 이용하여 약품에 따른 유사 질환 별 호전 또는 악화 징후 간의 관계를 제2 신경망 모델(124)에 더욱 학습시키고, 그룹별 증상의 변화 정도를 에측할 수 있다.
예를 들어 특정 질환의 경우 격리 치료가 필요하며, 격리된 상태의 그룹 내 다수의 호전 효과를 보이는 약품과 악화 효과를 보이는 약품의 구분을 통해 보다 안전한 처방을 수행하도록 한다.
이상의 본 발명에 따르면 다양한 환자와 질환에 따른 원격 진료와 처방을 지원해 줄 수 있다. 또한, 의료 인프라의 부족에 따른 한계성과 의료 자원의 효율화를 꾀할 수 있다.
또한, 격리가 필요한 특정 질환에 대해서도 보다 안정적인 진단과 처방이 가능하다. 또한, 디지털 헬스 기반의 플랫폼을 통해 처방에 따른 약품의 제공과 투약 가이드를 일원화하여 제공할 수 있다.
나아가, 여기에 설명되는 다양한 실시예는 예를 들어, 소프트웨어, 하드웨어 또는 이들의 조합된 것을 이용하여 컴퓨터 또는 이와 유사한 장치로 읽을 수 있는 기록매체 내에서 구현될 수 있다.
하드웨어적인 구현에 의하면, 여기에 설명되는 실시예는 ASICs (application specific integrated circuits), DSPs (digital signal processors), DSPDs (digital signal processing devices), PLDs (programmable logic devices), FPGAs (field programmable gate arrays, 프로세서(processors), 제어기(controllers), 마이크로 컨트롤러(micro-controllers), 마이크로 프로세서(microprocessors), 기타 기능 수행을 위한 전기적인 유닛 중 적어도 하나를 이용하여 구현될 수 있다. 일부의 경우에 본 명세서에서 설명되는 실시예들이 제어 모듈 자체로 구현될 수 있다.
소프트웨어적인 구현에 의하면, 본 명세서에서 설명되는 절차 및 기능과 같은 실시예들은 별도의 소프트웨어 모듈들로 구현될 수 있다. 상기 소프트웨어 모듈들 각각은 본 명세서에서 설명되는 하나 이상의 기능 및 작동을 수행할 수 있다. 적절한 프로그램 언어로 씌여진 소프트웨어 어플리케이션으로 소프트웨어 코드가 구현될 수 있다. 상기 소프트웨어 코드는 메모리 모듈에 저장되고, 제어모듈에 의해 실행될 수 있다.
이상의 설명은 본 발명의 기술 사상을 예시적으로 설명한 것에 불과한 것으로서, 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자라면 본 발명의 본질적인 특성에서 벗어나지 않는 범위 내에서 다양한 수정, 변경 및 치환이 가능할 것이다.
따라서, 본 발명에 개시된 실시 예 및 첨부된 도면들은 본 발명의 기술 사상을 한정하기 위한 것이 아니라 설명하기 위한 것이고, 이러한 실시 예 및 첨부된 도면에 의하여 본 발명의 기술 사상의 범위가 한정되는 것은 아니다. 본 발명의 보호 범위는 아래의 청구 범위에 의하여 해석되어야 하며, 그와 동등한 범위 내에 있는 모든 기술 사상은 본 발명의 권리 범위에 포함되는 것으로 해석되어야 할 것이다.

Claims (14)

  1. 딥러닝 기반의 임상 지원 시스템의 진단 예측 방법에 있어서,
    질환 별 개인화된 약품 투약에 따른 영향 요소의 수치를 획득하고, 그래프화된 상기 수치를 미리 결정된 기준에 따른 상기 영향 요소의 순서와 간격으로 연속 배치하여 제1 이미지 데이터로 생성하는 단계;
    상기 생성된 제1 이미지 데이터를 이용하여 상기 약품에 따른 개인별 호전 또는 악화 징후 간의 관계를 신경망 모델에 학습시키는 단계; 및
    상기 학습된 신경망 모델을 이용하여 사용자의 약품 투약 효능 및 부작용 정보를 예측하는 단계를 포함하는 것을 특징으로 하는 진단 예측 방법.
  2. 제 1 항에 있어서,
    상기 생성하는 단계는 상기 질환의 유사도에 따라 투약자를 그룹화하고, 그룹화된 이미지를 생성하는 것을 특징으로 하는 진단 예측 방법.
  3. 제 1 항에 있어서,
    상기 생성하는 단계는,
    상기 영향 요소의 수치를 투약 시간에 따른 변화를 고려하여 제1 이미지 데이터로 생성하는 것을 특징으로 하는 진단 예측 방법.
  4. 제 3 항에 있어서,
    상기 신경망 모델은 상기 생성된 이미지에 대하여 의사의 임상학적 판단 정보를 레이블링한 학습 데이터를 이용하여 상기 약품과 개인별 호전 또는 악화 징후 간의 관계를 학습하는 것을 특징으로 하는 진단 예측 방법.
  5. 제 1 항에 있어서,
    상기 예측하는 단계는 상기 사용자의 약품 투약 효능 또는 부작용 정보에 따라 약품 처방을 위한 추천 정보를 생성하는 것을 특징으로 하는 진단 예측 방법.
  6. 제 2 항에 있어서,
    상기 생성하는 단계는 상기 그룹화된 이미지로 개인화된 상기 이미지를 상기 투약자에 따른 제2 기준으로 재배열하여 확장된 제2 이미지 데이터를 생성하고,
    상기 학습시키는 단계는 제2 이미지를 이용하여 상기 약품에 따른 유사 질환별 호전 또는 악화 징후 간의 관계를 신경망 모델에 학습시키는 것을 특징으로 하는 진단 예측 방법.
  7. 딥러닝 기반의 임상 지원 시스템에 있어서,
    질환 별 개인화된 약품 투약에 따른 영향 요소의 수치를 획득하고, 그래프화된 상기 수치를 미리 결정된 기준에 따른 상기 영향 요소의 순서와 간격으로 연속 배치하여 제1 이미지 데이터로 생성하는 이미지 생성부;
    상기 생성된 제1 이미지 데이터를 이용하여 상기 약품에 따른 개인별 호전 또는 악화 징후 간의 관계를 신경망 모델에 학습시키는 학습부; 및
    상기 학습된 신경망 모델을 이용하여 사용자의 약품 투약 효능 및 부작용 정보를 예측하여 제공하는 제공부를 포함하는 것을 특징으로 하는 임상 지원 시스템.
  8. 제 7 항에 있어서,
    상기 이미지 생성부는 상기 질환의 유사도에 따라 투약자를 그룹화하고, 그룹화된 이미지를 생성하는 것을 특징으로 하는 임상 지원 시스템.
  9. 제 7 항에 있어서,
    상기 이미지 생성부는 상기 영향 요소의 수치를 투약 시간에 따른 변화를 고려하여 제1 이미지 데이터로 생성하는 것을 특징으로 하는 임상 지원 시스템.
  10. 제 9 항에 있어서,
    상기 신경망 모델은 상기 생성된 이미지에 대하여 의사의 임상학적 판단 정보를 레이블링한 학습 데이터를 이용하여 상기 약품과 개인별 호전 또는 악화 징후 간의 관계를 학습하는 것을 특징으로 하는 임상 지원 시스템.
  11. 제 7 항에 있어서,
    상기 제공부는 상기 사용자의 약품 투약 효능 또는 부작용 정보에 따라 약품 처방을 위한 추천 정보를 생성하는 것을 특징으로 하는 임상 지원 시스템.
  12. 제 8 항에 있어서,
    상기 이미지 생성부는 상기 그룹화된 이미지로 개인화된 상기 이미지를 상기 투약자에 따른 제2 기준으로 재배열하여 확장된 제2 이미지 데이터를 생성하고,
    상기 학습부는 제2 이미지를 이용하여 상기 약품에 따른 유사 질환별 호전 또는 악화 징후 간의 관계를 신경망 모델에 학습시키는 것을 특징으로 하는 임상 지원 시스템.
  13. 딥러닝 기반의 임상 지원 시스템의 진단 예측 방법에 있어서,
    질환 별 개인화된 약품 투약에 따른 영향 요소의 수치를 획득하고, 그래프화된 상기 수치를 미리 결정된 기준에 따른 상기 영향 요소의 순서와 간격으로 연속 배치하여 제1 이미지 데이터로 생성하는 단계;
    상기 생성된 제1 이미지 데이터를 이용하여 상기 약품에 따른 개인별 호전 또는 악화 징후 간의 관계를 신경망 모델에 학습시키는 단계; 및
    상기 학습된 신경망 모델을 이용하여 사용자의 약품 투약 효능 및 부작용 정보를 예측하는 단계를 포함하는 것을 특징으로 하는 진단 예측 방법을 수행하는 프로그램이 저장된 컴퓨터 판독 가능한 기록 매체.
  14. 딥러닝 기반의 임상 지원 시스템의 진단 예측 방법에 있어서,
    질환 별 개인화된 약품 투약에 따른 영향 요소의 수치를 획득하고, 그래프화된 상기 수치를 미리 결정된 기준에 따른 상기 영향 요소의 순서와 간격으로 연속 배치하여 제1 이미지 데이터로 생성하는 단계;
    상기 생성된 제1 이미지 데이터를 이용하여 상기 약품에 따른 개인별 호전 또는 악화 징후 간의 관계를 신경망 모델에 학습시키는 단계; 및
    상기 학습된 신경망 모델을 이용하여 사용자의 약품 투약 효능 및 부작용 정보를 예측하는 단계를 포함하는 것을 특징으로 하는 진단 예측 방법을 수행하는 컴퓨터 판독 가능한 기록 매체에 저장된 프로그램.
KR1020200058815A 2020-05-18 2020-05-18 딥러닝 기반의 임상 지원 시스템 및 이를 통한 진단 지원 방법 KR20210142238A (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020200058815A KR20210142238A (ko) 2020-05-18 2020-05-18 딥러닝 기반의 임상 지원 시스템 및 이를 통한 진단 지원 방법

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020200058815A KR20210142238A (ko) 2020-05-18 2020-05-18 딥러닝 기반의 임상 지원 시스템 및 이를 통한 진단 지원 방법

Publications (1)

Publication Number Publication Date
KR20210142238A true KR20210142238A (ko) 2021-11-25

Family

ID=78745827

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020200058815A KR20210142238A (ko) 2020-05-18 2020-05-18 딥러닝 기반의 임상 지원 시스템 및 이를 통한 진단 지원 방법

Country Status (1)

Country Link
KR (1) KR20210142238A (ko)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102456205B1 (ko) * 2022-06-03 2022-10-19 주식회사 원스글로벌 의약품 부작용 예측 방법 및 이러한 방법을 수행하는 장치
KR102456208B1 (ko) * 2022-06-08 2022-10-19 주식회사 원스글로벌 의약품 부작용 예측을 기반으로 한 의약품 부작용 관리 시스템 제공 방법 및 이러한 방법을 수행하는 장치
KR102542675B1 (ko) * 2022-04-11 2023-06-14 주식회사 올라운드닥터스 항암제의 부작용 치료를 위한 원격 치료 서버 및 그에 관한 방법
WO2023182785A1 (ko) * 2022-03-21 2023-09-28 주식회사 타이로스코프 학습된 모델을 이용한 질병 진단 방법 및 이를 수행하는 시스템

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2023182785A1 (ko) * 2022-03-21 2023-09-28 주식회사 타이로스코프 학습된 모델을 이용한 질병 진단 방법 및 이를 수행하는 시스템
KR102542675B1 (ko) * 2022-04-11 2023-06-14 주식회사 올라운드닥터스 항암제의 부작용 치료를 위한 원격 치료 서버 및 그에 관한 방법
KR102456205B1 (ko) * 2022-06-03 2022-10-19 주식회사 원스글로벌 의약품 부작용 예측 방법 및 이러한 방법을 수행하는 장치
KR102456208B1 (ko) * 2022-06-08 2022-10-19 주식회사 원스글로벌 의약품 부작용 예측을 기반으로 한 의약품 부작용 관리 시스템 제공 방법 및 이러한 방법을 수행하는 장치

Similar Documents

Publication Publication Date Title
US11468998B2 (en) Methods and systems for software clinical guidance
KR20210142238A (ko) 딥러닝 기반의 임상 지원 시스템 및 이를 통한 진단 지원 방법
US20190374160A1 (en) Hierarchical health decision support system and method
ITMI20142149A1 (it) Apparato di diagnosi differenziale in medicina adattato per determinare la sequenza di test ottimale atta ad identificare una patologia secondo criteri di appropriatezza diagnostica
CN109310317A (zh) 用于自动医学诊断的系统和方法
Sun et al. Artificial intelligence in psychiatry research, diagnosis, and therapy
US20220037039A1 (en) Robotic medical system having human collaborative modes
CN111863238A (zh) 一种基于平行智能的慢病诊疗系统及诊疗方法
Gerdes et al. Conceptualization of a personalized ecoach for wellness promotion
KR102598101B1 (ko) 딥 뉴럴 네트워크 기반 실시간 중환자실 환자 상태 분석 시스템 및 방법
US20190147352A1 (en) Causation-Based Knowledge System With Test Overlays and Loop Solution
CN112837804A (zh) 人工智能个性化慢病健康管疗的方法
Thilakarathne et al. Artificial Intelligence-Enabled IoT for Health and Wellbeing Monitoring
Sherimon et al. A systematic review of clinical decision support systems in Alzheimer’s disease domain
CN116705302A (zh) 一种用于早期判断心脏术后急性肾损伤风险的XGBoost机器学习模型构建方法
CN116543917A (zh) 一种针对异构时间序列数据的信息挖掘方法
Fortier et al. Development of a mobile cardiac wellness application and integrated wearable sensor suite
Chakraborty et al. Interactional Resource Adoption: A Bridging Solution to Healthcare Service Divide in India
Sahu et al. Application of fuzzy logic to healthcare industry
Devries et al. Integrating management and expertise in a computerised system for hypertensive patients
Hackenberger Tensors all around us
KR102380027B1 (ko) 바이오 빅 데이터 시각화 방법을 이용한 환자 건강진단 단말
Selcuk et al. Advancing home healthcare through machine learning: Predicting service time for enhanced patient care
Weber THIS ARTICLE HAS BEEN RETRACTED Critical care nurse practitioners and clinical nurse specialists interface patterns with computer-based decision support systems
Matamoros et al. Expert system for the preeclampsia prevention program