KR20220011549A - 병원의 의사결정 장치, 방법, 컴퓨터 판독 가능한 기록매체 및 컴퓨터 프로그램 - Google Patents
병원의 의사결정 장치, 방법, 컴퓨터 판독 가능한 기록매체 및 컴퓨터 프로그램 Download PDFInfo
- Publication number
- KR20220011549A KR20220011549A KR1020200090627A KR20200090627A KR20220011549A KR 20220011549 A KR20220011549 A KR 20220011549A KR 1020200090627 A KR1020200090627 A KR 1020200090627A KR 20200090627 A KR20200090627 A KR 20200090627A KR 20220011549 A KR20220011549 A KR 20220011549A
- Authority
- KR
- South Korea
- Prior art keywords
- patient
- hospital
- information
- medical
- treatment
- 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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0633—Workflow analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0637—Strategic management or analysis, e.g. setting a goal or target of an organisation; Planning actions based on goals; Analysis or evaluation of effectiveness of goals
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/10—Office automation; Time management
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/10—Office automation; Time management
- G06Q10/109—Time management, e.g. calendars, reminders, meetings or time accounting
- G06Q10/1093—Calendar-based scheduling for persons or groups
-
- 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
- G16H50/50—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)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Economics (AREA)
- Theoretical Computer Science (AREA)
- General Business, Economics & Management (AREA)
- Medical Informatics (AREA)
- Health & Medical Sciences (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Public Health (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Primary Health Care (AREA)
- General Health & Medical Sciences (AREA)
- Epidemiology (AREA)
- Data Mining & Analysis (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Educational Administration (AREA)
- Software Systems (AREA)
- Biomedical Technology (AREA)
- Artificial Intelligence (AREA)
- Pathology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Computation (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Medical Treatment And Welfare Office Work (AREA)
Abstract
일 실시예에 따른 병원의 의사결정 장치는, 환자에 대한 진료정보를 입력 받는 입출력부; 복수의 환자에 대한 진료정보가 기 정해진 구조 형식의 데이터로 변환되어 저장되어 있는 메모리; 및 상기 메모리와 전기적으로 연결되는 프로세서를 포함하며, 상기 메모리는, 상기 프로세서가, 상기 기 정해진 구조 형식의 데이터를 입력으로, 상기 복수의 환자에 대해 발생될 수 있는 적어도 하나의 의료 이벤트를 정답으로하여 학습된, 딥러닝 학습모델을 통해 상기 환자에 대한 적어도 하나의 의료 이벤트를 예측하고, 상기 예측된 상기 환자에 대한 적어도 하나의 의료 이벤트, 상기 환자에 대한 진료정보 및 병원의 상태정보를 고려하여 상기 병원의 의사결정을 수행하도록 하는 명령을 포함할 수 있다.
Description
본 발명은 병원의 의사결정 장치, 방법, 컴퓨터 판독 가능한 기록매체 및 컴퓨터 프로그램에 관한 것이다.
최근, 병원에서의 재진 적체현상으로 인하여 환자 대기시간이 늘어남에 따라, 환자들의 불편함이 증가하고 있다.
또한, 병원 내의 복수의 환자들이 진료를 접수한 시간 순서대로 진료, 입원 및 수술 등의 스케줄링을 수행할 경우, 환자 별 특성에 따라 특정 환자의 진료를 우선으로 해야 되는 경우를 고려할 수 없는 문제가 발생할 수 있었다.
따라서, 환자 별 특성을 고려하면서 환자들의 대기 시간은 최소화하고, 병원의 의료자원을 효율적으로 운영하도록 병원의 의사결정을 수행할 수 있는 기술을 필요로 하는 실정이다.
본 발명의 해결하고자 하는 과제는, 병원의 의사결정 장치, 방법, 컴퓨터 판독 가능한 기록매체 및 컴퓨터 프로그램을 제공하는 것이다.
또한, 이러한 병원의 의사결정 장치는 딥러닝 학습모델을 통해 환자의 의료 이벤트를 예측하고, 예측된 의료 이벤트, 환자에 대한 진료정보 및 병원의 상태정보를 종합적으로 고려하여 병원의 의사결정을 수행하는 것 등이 본 발명의 해결하고자 하는 과제에 포함될 수 있다.
다만, 본 발명의 해결하고자 하는 과제는 이상에서 언급한 것으로 제한되지 않으며, 언급되지 않은 또 다른 해결하고자 하는 과제는 아래의 기재로부터 본 발명이 속하는 통상의 지식을 가진 자에게 명확하게 이해될 수 있을 것이다.
일 실시예에 따른 병원의 의사결정 장치는, 환자에 대한 진료정보를 입력 받는 입출력부; 복수의 환자에 대한 진료정보가 기 정해진 구조 형식의 데이터로 변환되어 저장되어 있는 메모리; 및 상기 메모리와 전기적으로 연결되는 프로세서를 포함하며, 상기 메모리는, 상기 프로세서가, 상기 기 정해진 구조 형식의 데이터를 입력으로, 상기 복수의 환자에 대해 발생될 수 있는 적어도 하나의 의료 이벤트를 정답으로하여 학습된, 딥러닝 학습모델을 통해 상기 환자에 대한 적어도 하나의 의료 이벤트를 예측하고, 상기 예측된 상기 환자에 대한 적어도 하나의 의료 이벤트, 상기 환자에 대한 진료정보 및 병원의 상태정보를 고려하여 상기 병원의 의사결정을 수행하도록 하는 명령을 포함할 수 있다.
또한, 상기 환자에 대한 진료정보는, 상기 환자가 상기 병원을 최초 방문한 시점에 따른 진료정보, 상기 환자가 상기 병원을 최초 방문한 시점 이후에 상기 병원을 방문한 시점에 따른 진료정보 및 상기 병원 이외의 타 병원에서 획득한 진료정보 중 적어도 하나를 포함할 수 있다.
또한, 상기 의료 이벤트는, 상기 환자의 퇴원 후 소정기간 이내 사망률, 상기 환자의 퇴원 후 소정기간 이내 재입원률, 상기 환자가 재입원한 시점에서부터 퇴원시점까지의 기간 및 상기 환자의 퇴원 후 소정기간 이내 심장병의 발병률 중 적어도 하나를 포함할 수 있다.
또한, 상기 병원의 의사결정은, 상기 환자의 수술실 스케줄 결정을 포함할 수 있다.
또한, 상기 병원의 상태정보는, 상기 병원의 진료실 개수, 상기 병원의 의료진 별 사용한 진료실의 개수, 상기 의료진 별 외래 지원 인력정보, 상기 병원의 동일 진료과 내 타 의료진 요일별 세션 개설 상태정보, 상기 병원의 병실 침대정보, 상기 병원의 재원 환자 상태정보, 상기 진료과 별 상태정보, 상기 병원의 수술실의 종류와 개수, 상기 수술실별 스케줄 정보 및 상기 환자의 수술별 소요예정시간 정보 중 적어도 하나를 포함할 수 있다.
또한, 상기 프로세서는, 상기 환자에 대한 진료정보 및 상기 예측된 환자의 의료 이벤트를 기초로 상기 환자의 진료 순위를 결정하고, 상기 결정된 환자의 진료 순위 및 상기 병원의 의료진 정보를 더 고려하여 상기 환자의 진료 스케줄을 결정할 수 있다.
또한, 상기 병원의 의료진 정보는, 상기 의료진 별 진료 스케줄정보, 상기 환자 유형별 정보, 상기 환자의 진료에 의해 발생되는 시간정보, 상기 의료진 별 수술, 시술 및 연구 중 적어도 하나의 스케줄 정보, 상기 의료진 별 실적정보 및 상기 병원의 의료진 보직 여부 정보 중 적어도 하나를 포함할 수 있다.
또한, 상기 프로세서는, 상기 환자에 대한 진료정보 및 상기 예측된 환자의 의료 이벤트를 기초로 상기 환자의 병상배정 순위를 결정하고, 상기 결정된 환자의 병상 배정 순위를 더 고려하여 상기 환자의 병상배정을 결정할 수 있다.
일 실시예에 따른 병원의 의사결정 방법은, 복수의 환자에 대한 진료정보를 기 정해진 구조 형식의 데이터로 변환시키는 단계와, 상기 기 정해진 구조 형식의 데이터를 입력으로, 상기 복수의 환자에 대해 발생될 수 있는 적어도 하나의 의료 이벤트를 정답으로하여 딥러닝 학습모델을 학습시키는 단계와, 환자에 대한 진료정보를 입력 받아, 상기 딥러닝 학습모델을 통해 상기 환자에 대한 적어도 하나의 의료 이벤트를 예측하는 단계와, 상기 예측된 상기 환자에 대한 적어도 하나의 의료 이벤트, 상기 환자에 대한 진료정보 및 병원의 상태정보를 고려하여 상기 병원의 의사결정을 수행하는 단계를 포함할 수 있다.
또한, 상기 환자에 대한 진료정보는, 상기 환자가 상기 병원을 최초 방문한 시점에 따른 진료정보, 상기 환자가 상기 병원을 최초 방문한 시점 이후에 상기 병원을 방문한 시점에 따른 진료정보 및 상기 병원 이외의 타 병원에서 획득한 진료정보 중 적어도 하나를 포함할 수 있다.
또한, 상기 의료 이벤트는, 상기 환자의 퇴원 후 소정기간 이내 사망률, 상기 환자의 퇴원 후 소정기간 이내 재입원률, 상기 환자가 재입원한 시점에서부터 퇴원시점까지의 기간 및 상기 환자의 퇴원 후 소정기간 이내 심장병의 발병률 중 적어도 하나를 포함할 수 있다.
또한, 상기 병원의 의사결정은, 상기 환자의 수술실 스케줄 결정을 포함할 수 있다.
또한, 상기 병원의 상태정보는, 상기 병원의 진료실 개수, 상기 병원의 의료진 별 사용한 진료실의 개수, 상기 의료진 별 외래 지원 인력정보, 상기 병원의 동일 진료과 내 타 의료진 요일별 세션 개설 상태정보, 상기 병원의 병실 침대정보, 상기 병원의 재원 환자 상태정보, 상기 진료과 별 상태정보, 상기 병원의 수술실의 종류와 개수, 상기 수술실별 스케줄 정보 및 상기 환자의 수술별 소요예정시간 정보 중 적어도 하나를 포함할 수 있다.
상기 병원의 의사결정을 수행하는 단계는, 상기 환자에 대한 진료정보 및 상기 예측된 환자의 의료 이벤트를 기초로 상기 환자의 진료 순위를 결정하고, 상기 결정된 환자의 진료 순위 및 상기 병원의 의료진 정보를 더 고려하여 상기 환자의 진료 스케줄을 결정할 수 있다.
또한, 상기 병원의 의료진 정보는, 상기 의료진 별 진료 스케줄정보, 상기 환자 유형별 정보, 상기 환자의 진료에 의해 발생되는 시간정보, 상기 의료진 별 수술, 시술 및 연구 중 적어도 하나의 스케줄 정보, 상기 의료진 별 실적정보 및 상기 병원의 의료진 보직 여부 정보 중 적어도 하나를 포함할 수 있다.
또한, 상기 병원의 의사결정을 수행하는 단계는, 상기 환자에 대한 진료정보 및 상기 예측된 환자의 의료 이벤트를 기초로 상기 환자의 병상배정 순위를 결정하고, 상기 결정된 환자의 병상 배정 순위를 더 고려하여 상기 환자의 병상배정을 결정할 수 있다.
일 실시예에 따른 컴퓨터 판독 가능한 기록매체는, 컴퓨터 프로그램을 저장하고 있는 컴퓨터 판독 가능 기록매체로서, 상기 컴퓨터 프로그램은, 프로세서에 의해 실행되면, 복수의 환자에 대한 진료정보를 기 정해진 구조 형식의 데이터로 변환시키는 단계와, 상기 기 정해진 구조 형식의 데이터를 입력으로, 상기 복수의 환자에 대해 발생될 수 있는 적어도 하나의 의료 이벤트를 정답으로하여 딥러닝 학습모델을 학습시키는 단계와, 환자에 대한 진료정보를 입력 받아, 상기 딥러닝 학습모델을 통해 상기 환자에 대한 적어도 하나의 의료 이벤트를 예측하는 단계와, 상기 예측된 상기 환자에 대한 적어도 하나의 의료 이벤트, 상기 환자에 대한 진료정보 및 병원의 상태정보를 고려하여 상기 병원의 의사결정을 수행하는 단계를 포함하는 방법을 상기 프로세서가 수행하도록 하기 위한 명령어를 포함할 수 있다.
일 실시예에 따른 컴퓨터 프로그램은, 컴퓨터 판독 가능한 기록매체에 저장되어 있는 컴퓨터 프로그램으로서, 상기 컴퓨터 프로그램은, 프로세서에 의해 실행되면, 복수의 환자에 대한 진료정보를 기 정해진 구조 형식의 데이터로 변환시키는 단계와, 상기 기 정해진 구조 형식의 데이터를 입력으로, 상기 복수의 환자에 대해 발생될 수 있는 적어도 하나의 의료 이벤트를 정답으로하여 딥러닝 학습모델을 학습시키는 단계와, 환자에 대한 진료정보를 입력 받아, 상기 딥러닝 학습모델을 통해 상기 환자에 대한 적어도 하나의 의료 이벤트를 예측하는 단계와, 상기 예측된 상기 환자에 대한 적어도 하나의 의료 이벤트, 상기 환자에 대한 진료정보 및 병원의 상태정보를 고려하여 상기 병원의 의사결정을 수행하는 단계를 포함하는 방법을 상기 프로세서가 수행하도록 하기 위한 명령어를 포함할 수 있다.
일 실시예에 따르면 병원의 의사결정 장치는 딥러닝 학습 모델을 이용하여 의료 이벤트(예를 들어, 환자의 퇴원 후 소정기간 이내 사망률, 환자의 퇴원 후 소정기간 이내 재입원률, 환자가 재입원한 시점에서부터 퇴원시점까지의 기간 및 환자의 퇴원 후 소정기간 이내 심장병의 발병률)를 예측하고, 예측된 의료 이벤트, 환자에 대한 진료정보 및 병원의 상태정보를 종합적으로 고려하여 병원 내의 시스템을 관리할 수 있기 때문에 환자 맞춤형 병원 프로세스를 제공할 수 있다.
도 1은 일 실시예에 따른 병원의 의사결정 장치의 블록도이다.
도 2는 일 실시예에 따른 환자에 대한 진료정보의 예시를 설명하기 위한 데이터 테이블이다.
도 3은 일 실시예에 따른 복수의 환자에 대한 진료정보를 기 정해진 구조 형식의 데이터로 변환한 예를 나타낸 도면이다.
도 4a 내지 도 4b는 일 실시예에 따른 병원의 의사결정 장치의 메모리에 저장되는 복수의 환자에 대한 진료정보를 나타낸 도면이다.
도 5a 및 도 5b는 일 실시예에 따른 병원의 의사결정 장치의 메모리에 저장되는 데이터가 표준화된 구조 형식으로 변환되어 저장되는 것을 설명하기 위한 도면이다.
도 6은 일 실시예에 따른 딥러닝 학습모델을 학습시키는 것을 설명하기 위한 흐름도이다.
도 7은 일 실시예에 따른 딥러닝 학습모델에 입력되는 데이터의 예를 설명하기 위한 도면이다.
도 8은 일 실시예에 따른 병원의 의사결정을 수행하는 예를 설명하기 위한 흐름도이다.
도 9는 또 다른 실시예에 따른 병원의 의사결정을 수행하는 예를 설명하기 위한 흐름도이다.
도 10은 일 실시예에 따른 병원의 의사결정 방법에 대한 예시적인 흐름도이다.
도 2는 일 실시예에 따른 환자에 대한 진료정보의 예시를 설명하기 위한 데이터 테이블이다.
도 3은 일 실시예에 따른 복수의 환자에 대한 진료정보를 기 정해진 구조 형식의 데이터로 변환한 예를 나타낸 도면이다.
도 4a 내지 도 4b는 일 실시예에 따른 병원의 의사결정 장치의 메모리에 저장되는 복수의 환자에 대한 진료정보를 나타낸 도면이다.
도 5a 및 도 5b는 일 실시예에 따른 병원의 의사결정 장치의 메모리에 저장되는 데이터가 표준화된 구조 형식으로 변환되어 저장되는 것을 설명하기 위한 도면이다.
도 6은 일 실시예에 따른 딥러닝 학습모델을 학습시키는 것을 설명하기 위한 흐름도이다.
도 7은 일 실시예에 따른 딥러닝 학습모델에 입력되는 데이터의 예를 설명하기 위한 도면이다.
도 8은 일 실시예에 따른 병원의 의사결정을 수행하는 예를 설명하기 위한 흐름도이다.
도 9는 또 다른 실시예에 따른 병원의 의사결정을 수행하는 예를 설명하기 위한 흐름도이다.
도 10은 일 실시예에 따른 병원의 의사결정 방법에 대한 예시적인 흐름도이다.
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 한정되는 것이 아니라 서로 다른 다양한 형태로 구현될 수 있으며, 단지 본 실시예들은 본 발명의 개시가 완전하도록 하고, 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자에게 발명의 범주를 완전하게 알려주기 위해 제공되는 것이며, 본 발명은 청구항의 범주에 의해 정의될 뿐이다.
본 발명의 실시예들을 설명함에 있어서 공지 기능 또는 구성에 대한 구체적인 설명이 본 발명의 요지를 불필요하게 흐릴 수 있다고 판단되는 경우에는 그 상세한 설명을 생략할 것이다. 그리고 후술되는 용어들은 본 발명의 실시예에서의 기능을 고려하여 정의된 용어들로서 이는 사용자, 운용자의 의도 또는 관례 등에 따라 달라질 수 있다. 그러므로 그 정의는 본 명세서 전반에 걸친 내용을 토대로 내려져야 할 것이다.
도 1은 일 실시예에 따른 병원의 의사결정 장치(100)의 블록도이다.
도 1을 참조하면, 일 실시예에 따른 병원의 의사결정 장치(100)는 입출력부(101), 통신부(102), 메모리(110) 및/또는 프로세서(120)를 포함할 수 있다.
입출력부(101)는, 예를 들면, 사용자 또는 다른 외부 기기로부터 입력된 명령 또는 데이터를 일 실시예에 따른 병원의 의사결정 장치(100)의 다른 구성요소(들)에 전달하거나, 또는 일 실시예에 따른 병원의 의사결정 장치(100)의 다른 구성요소(들)로부터 수신된 명령 또는 데이터를 사용자 또는 다른 외부 기기로 출력할 수 있다.
일 실시예로서, 입출력부(101)는 환자에 대한 진료정보를 입력 받을 수 있다.
여기서, 환자에 대한 진료정보는 환자가 병원을 최초 방문한 시점에 따른 진료정보와 환자가 병원을 최초 방문한 시점 이후에 병원을 방문한 시점에 따른 진료정보를 포함할 수 있다. 즉, 환자에 대한 진료정보는 환자의 과거 진료정보와 환자의 현재 진료정보를 포함할 수 있다.
또한, 환자에 대한 진료정보는, 환자가 현재 진료정보를 획득한 병원 이외의 타 병원에서의 진료정보를 포함할 수도 있다.
이하, 입출력부(101)에서 입력 받는 환자에 대한 진료정보에 대한 예시를 도 2를 참조하여 설명하도록 한다.
도 2는 일 실시예에 따른 환자에 대한 진료정보의 예시를 설명하기 위한 데이터 테이블이다.
도 2를 참조하면, 입출력부(101)에 입력되는 환자에 대한 진료정보는 병원 방문정보(방문 테이블) 및 투약정보(투약 테이블)를 포함할 수 있다.
이때, 병원 방문정보는 환자의 내원번호, 내원구분(예를 들어, 외래, 입원, 응급으로 구분될 수 있음), 입원시간 및 퇴원시간에 관한 정보를 포함하거나, 이 중(환자의 내원번호, 내원구분, 입원시간 및 퇴원시간에 관한 정보) 일부를 포함할 수 있다.
투약정보(투약 테이블)는 환자의 내원번호, 약물 처방날짜, 약물종류 및 약물의 용량에 관한 정보를 포하거나, 이 중(환자의 내원번호, 약물 처방날짜, 약물종류 및 약물의 용량에 관한 정보) 일부를 포함할 수 있다.
통신부(102)는 병원의 의사결정 장치(100)와 외부 장치와의 유선 또는 무선 통신 채널의 수립, 및 수립된 통신 채널을 통한 통신 수행을 지원할 수 있다.
메모리(110)는 병원의 의사결정 장치(100)의 적어도 하나의 구성요소(프로세서(120), 입출력부(101) 및/또는 통신부(102))에 의해 사용되는 다양한 데이터, 예를 들어, 소프트웨어(예: 프로그램) 및, 이와 관련된 명령에 대한 입력 데이터 또는 출력 데이터를 저장할 수 있다. 메모리(110)는, 휘발성 메모리 또는 비휘발성 메모리를 포함할 수 있다.
일 실시예로서, 메모리(110)는 복수의 환자에 대한 진료정보가 기 정해진 구조 형식의 데이터로 변환되어 저장되어 있을 수 있다.
이때, 복수의 환자에 대한 진료정보는 입출력부(101)에서 입력 받은 환자에 대한 진료정보의 누적 데이터일 수 있다.
이하, 도 2 내지 도 5를 통해 메모리(110)에 저장되는 복수의 환자에 대한 진료정보가 기 정해진 구조 형식의 데이터로 변환되어 저장되는 것에 대하여 설명하도록 한다.
도 3은 일 실시예에 따른 복수의 환자에 대한 진료정보를 기 정해진 구조 형식의 데이터로 변환한 예를 나타낸 도면이다.
일 실시예에 따른 병원의 의사결정 장치(100)는 복수의 환자에 대한 진료정보를 기 정해진(또는, 표준화된) 구조 형식의 데이터로 변환시켜 메모리(110)에 저장할 수 있다.
도 3을 참조하면, 복수의 환자에 대한 진료정보에 포함된 문자 데이터가 숫자 데이터로 표준화될 수 있다.
예를 들어, 도 2에서 내원구분 정보를 "외래", "입원" 및 "응급"으로 나눈 것을 각각 "373864002", "416800000" 및 "4525004"로 변환시킬 수 있고, 약물정보를 "stain", "lnsulin" 및 "aspirin"으로 나눈 것을 각각 "1158753", "106892" 및 "315431"으로 변환시킬 수 있다.
이때, 복수의 환자에 대한 진료정보는 linkage database를 이용하여 표준화된 구조 형식의 데이터로 변환될 수 있으나, 이에 한정되는 것은 아니다.
도 4a 내지 도 4b는 일 실시예에 따른 병원의 의사결정 장치(100)의 메모리(110)에 저장되는 복수의 환자에 대한 진료정보를 나타낸 도면이다.
도 4a를 참조하면, 메모리(110)에 저장되는 복수의 환자에 대한 정보는 방문 시점(방문 1 내지 방문 5) 및 진료구분(예를 들어,"입원", "검사", "투약" 및 "수술"로 구분될 수 있음)에 따라 데이터가 정렬될 수 있다.
이때, 일 실시예에 따른 병원의 의사결정 장치(100)는 도 4b에서 도시된 바와 같이, 저장된 데이터(복수의 환자에 대한 진료정보)를 방문 시점(방문 1 내지 방문 5)이 인접한 다른 데이터(복수의 환자에 대한 진료정보)와의 상관관계를 임베딩할 수 있다. 이때, 이와 같이 각 데이터의 시간이 인접한 다른 데이터와의 상관관계를 임베딩하는 것을 과거 인식(history-aware) 임베딩이라고 한다.
도 5a 및 도 5b는 일 실시예에 따른 병원의 의사결정 장치(100)의 메모리(110)에 저장되는 데이터가 표준화된 구조형식으로 변환되어 저장되는 것을 설명하기 위한 도면이다.
도 5a 에서 도시된 바와 같이, 메모리(110)에 저장되는 복수의 환자에 대한 정보는 방문 시점(방문 1 내지 방문 5) 및 진료구분(예를 들어,"입원", "검사", "투약" 및 "수술"로 구분될 수 있음)에 따라 데이터가 정렬되며, 복수의 환자에 대한 정보는 "○"로 저장될 수 있다.
이때, 복수의 환자에 대한 정보가 표준화된 구조 형식으로 변환되어 저장될 경우, 도 5b에서 도시된 바와 같이, 복수의 환자에 대한 정보는"○"에서 "□"으로 변경될 수 있다.
프로세서(120)(제어부, 제어 장치 또는 제어 회로라고도 함)는 연결된 병원의 의사결정 장치(100)의 적어도 하나의 다른 구성요소(예: 하드웨어 구성 요소(예: 입출력 부(101), 통신부(102) 및/또는 메모리(110)) 또는 소프트웨어 구성요소)를 제어할 수 있고, 다양한 데이터 처리 및 연산을 수행할 수 있다.
일 실시예로서, 프로세서(120)는 메모리(110)에 저장되어 있는 정보(복수의 환자에 대한 진료정보가 표준화된 구조 형식으로 변환된 데이터)를 입력으로, 복수의 환자에 대해 발생될 수 있는 적어도 하나의 의료 이벤트를 정답으로하여 학습된, 딥러닝 학습모델을 통해 환자에 대한 적어도 하나의 의료 이벤트를 예측할 수 있다.
이하, 프로세서(120)에서 딥러닝 학습모델을 학습시키는 것에 대하여 도 6 및 도 7을 참조하여 설명하도록 한다.
도 6은 일 실시예에 따른 딥러닝 학습모델을 학습시키는 것을 설명하기 위한 흐름도이다.
도 6을 참조하면, 먼저 딥러닝 학습모델을 학습하기 위하여 복수의 환자에 대한 진료정보를 입력으로, 상기 복수의 환자에 대해 발생될 수 있는 적어도 하나의 의료 이벤트를 정답으로 하여 딥러닝 학습 모델을 학습시킬 수 있다(단계 S1).
이후, 학습된 딥러닝 학습모델은 딥러닝 학습모델의 정확성을 평가하기 위해, 딥러닝 학습 모델에 복수의 환자에 대한 진료정보 중 일부를 입력으로 넣고, 원하는 의료 이벤트가 출력되는지를 확인할 수 있다(단계 S2).
이때, 딥러닝 학습모델에서 출력되는 의료 이벤트의 오차값이 기 설정된 값 이하인지 확인(단계 S3)할 수 있으며, 딥러닝 학습모델에서 출력되는 의료 이벤트의 오차값이 기 설정된 값을 초과할 경우, 딥러닝 학습모델은 다시 단계 S2에서 학습될 수 있다.
한편, 딥러닝 학습모델에서 출력되는 의료 이벤트의 오차값이 기 설정된 값 이하일 경우에는, 딥러닝 학습모델이 저장될 수 있다(단계 S4).
이후, 새로운 데이터(예를 들어, 환자의 진료정보)가 유입되었는지 확인(단계 S5)할 수 있으며, 이때 새로운 데이터(예를 들어, 환자의 진료정보)가 유입될 경우에는 단계 S1으로 가서, 딥러닝 학습모델을 학습시키기 위한 입력 데이터로 새로운 데이터를 입력할 수 있다. 하지만, 새로운 데이터가 유입되지 않을 경우에는 종료될 수 있다.
한편, 도 7에서 도시된 바와 같이, 딥러닝 학습모델의 입력데이터로서, 복수의 환자에 대한 진료정보가 입력될 수 있으며, 이때 복수의 환자에 대한 진료정보는 환자가 현재 진료정보를 획득한 병원(기관 A) 이외의 타 병원에서의 진료정보(기관 B)를 포함할 수 있다.
다시 도 1을 참조하여, 프로세서(120)는 환자의 진료정보를 딥러닝 학습모델에 입력하여 환자에 대한 적어도 하나의 의료 이벤트를 예측할 수 있다.
여기서, 의료 이벤트는 환자의 퇴원 후 소정기간 이내 사망률, 환자의 퇴원 후 소정기간(예를 들어, 30일일 수 있음) 이내 재입원률, 환자가 재입원한 시점에서부터 퇴원시점까지의 기간 및 환자의 퇴원 후 소정기간(예를 들어, 30일일 수 있음) 이내 심장병의 발병률 중 적어도 하나를 포함할 수 있다.
보다 상세히, 환자의 퇴원 후 소정기간 이내 사망률은 원내 사망(in-hospital death) 및 암에 의한 사망을 포함할 수 있다.
또한, 환자의 퇴원 후 소정기간 이내 사망률은 하기 표 1에 도시된 바와 같이, 병원 내의 전체 환자수(전체 입원 건수)와 병원 내의 전체 환자 중 퇴원 시점에서 30일 이내 사망 환자수(퇴원 시점에서 30일 이내 사망 환자수)를 이용하여 계산될 수 있다.
[표 1]
이때, 상기 표 1에서 AUROC는 딥러닝 학습모델을 통해 예측된 환자의 퇴원 후 소정기간 이내 사망률의 정확도를 나타낸 값이다. 예를 들어, 딥러닝 학습모델을 통해 예측된 환자의 퇴원 후 소정기간 이내 사망률의 정확도는 AUROC의 값에 100을 곱하여, 92.39%라고 할 수 있다.
환자의 퇴원 후 소정기간(예를 들어, 30일일 수 있음) 이내 재입원률은 입원 전과 입원 중의 환자들의 진료 정보를 고려하여 환자의 퇴원 시점에서 30일 이내 재입원에 대한 정보이다. 이때, 재입원은 병원에 한번 이상 입원한 기록이 있는 환자에 한하여 퇴원 시점에서 다시 입원한 시간이 30일 이내인 경우를 의미한다.
또한, 환자의 퇴원 후 소정기간(예를 들어, 30일일 수 있음) 이내 재입원된 환자 중 장기 입원된 환자율은 하기 표 2에 도시된 바와 같이, 병원 내의 전체 환자 중 30일 이내 재입원한 환자의 수(30일 이내 재입원 건수)와 병원 내의 전체 환자 중 재입원 시점부터 퇴원 시점까지의 기간이 7일을 초과한 환자의 수(재입원 중 장기 입원 건수 (7일 초과))를 이용하여 계산할 수 있다.
[표 2]
이때, 상기 표 2에서의 AUROC는 딥러닝 학습모델을 통해 예측된 환자의 퇴원 후 소정기간(예를 들어, 30일일 수 있음) 이내 재입원된 환자 중 장기 입원된 환자율의 정확도를 나타낸 값이다. 예를 들어, 딥러닝 학습모델을 통해 환자의 퇴원 후 소정기간(예를 들어, 30일일 수 있음) 이내 재입원된 환자 중 장기 입원된 환자율의 정확도는 AUROC의 값에 100을 곱하여, 81.26%라고 할 수 있다.
아래 표 3에서는, 환자가 퇴원한 후 30일 이내에 재입원한 환자에 대한 데이터를 나타내며, 그 중 환자가 재입원한 시점에서부터 퇴원시점까지의 기간이 소정 기간 이하인지 여부를 나타내는 표이다. 여기서 소정 기간은 10일로 예시적으로 표현되어 있다.
또한, 환자가 재입원한 시점에서부터 퇴원시점까지의 기간은 하기 표 3에 도시된 바와 같이, 병원 내의 전체 환자 중 30일 이내 재입원한 환자의 수(30일 이내 재입원 건수)와 병원 내의 전체 환자 중 30일 이내 재입원한 환자 중 10일 미만의 기간으로 입원한 환자의 수(그 중 10일 미만 입원한 건수)를 이용하여 계산할 수 있다.
[표 3]
이때, 상기 표 3에서 R^2은 입원일수 혹은 입원기간을 얼마나 정확하게 예측했는지를 확인할 수 있는 지수이다. 또한, Mean Absolute Error는 예측된 환자가 재입원한 시점에서부터 퇴원시점까지의 기간의 오차율을 의미할 수 있다.
환자의 퇴원 후 소정기간(예를 들어, 30일일 수 있음) 이내 심장병의 발병률은 병원 내의 전체 환자 중 퇴원한 후에 심장병이 30일 이내에 발생하는지를 예측한 이벤트이다. 여기서, 심장병은 사망, 재개통(revascularization), 심근경색, 뇌졸중 중 적어도 하나를 포함하며, 30일 이내에 가장 먼저 발생한 사건이 고려된다.
또한, 환자의 퇴원 후 소정기간(예를 들어, 30일일 수 있음) 이내 심장병의 발병률은 하기 표 4에 도시된 바와 같이, 병원 내의 전체 환자 중 퇴원 후 다시 병원을 방문한 환자의 수(전체 방문 건수)와 병원 내의 전체 환자 중 심장병(예를 들어, 사망, 재개통(revascularization), 심근경색, 뇌졸중)이 발생한 환자의 수(그 중 주요 심장 사건이 발생한 건수)를 이용하여 계산할 수 있다.
[표 4]
한편, 의료 이벤트를 예측하는데 사용되는 딥러닝 학습모델은 부스팅된 시간-인식(Time-aware) 임베딩(또는 피처(feature))를 갖는 피드 포워드 모델(FFNN: Feed-forward Neural Network)과 그래디언트 부스팅 트리 모델(GBM: Gradient Boosting Machine) 중 적어도 하나의 모델일 수 있다.
프로세서(120)는 예측된 환자의 의료 이벤트, 입출력부(101)에서 입력 받은 환자에 대한 진료정보 및 병원(환자가 진료받은 병원일 수 있음)의 상태정보를 고려하여 병원의 의사결정을 수행할 수 있다.
여기서, 병원의 상태정보는 병원의 진료실 개수, 병원의 의료진 별 사용한 진료실의 개수, 의료진 별 외래 지원 인력정보, 병원의 동일 진료과 내 타 의료진 요일별 세션 개설 상태정보, 병원의 병실 침대정보, 병원의 재원 환자 상태정보, 진료과 별 상태정보, 수술실의 종류와 개수, 수술실별 스케줄 정보 및 환자의 수술별 소요예정시간 정보 중 적어도 하나를 포함할 수 있으나, 이에 한정되는 것은 아니다.
병원의 의사결정은 환자의 진료 스케줄 결정, 환자의 수술실 스케줄 결정 및 환자의 병상배정 결정 중 적어도 하나를 포함할 수 있다.
일 실시예로서, 프로세서(120)는 환자에 대한 진료정보 및 딥러닝 학습 모델을 이용하여 예측된 환자의 의료 이벤트를 기초로 환자의 진료순위를 결정할 수 있다.
예를 들어, 프로세서(120)는 딥러닝 학습 모델을 이용하여 예측된 환자의 의료 이벤트, 환자에 대한 진료정보, 병원의 상태정보, 환자의 진료순위 및 병원의 의료진 정보를 고려하여 병원의 의사결정을 수행할 수 있다.
여기서, 병원의 의료진 정보는 의료진 별 진료 스케줄정보, 환자 유형별 정보, 환자의 진료에 의해 발생되는 시간정보, 의료진 별 수술, 시술 및 연구 중 적어도 하나의 스케줄 정보, 의료진 별 실적정보 및 병원의 의료진 보직 여부 정보 중 적어도 하나를 포함할 수 있으나, 이에 한정되는 것은 아니다.
또 다른 실시예로서, 프로세서(120)는 환자에 대한 진료정보 및 딥러닝 학습 모델을 이용하여 예측된 환자의 의료 이벤트를 기초로 환자의 병상배정 순위를 결정할 수 있다.
예를 들어, 프로세서(120)는 딥러닝 학습 모델을 이용하여 예측된 환자의 의료 이벤트, 환자에 대한 진료정보, 병원의 상태정보 및 환자의 병상(또는 병실)배정 순위를 고려하여 병원의 의사결정을 수행할 수 있다.
이하, 일 실시예에 따른 병원의 의사결정 장치(100)를 이용하여 병원의 의사결정을 수행하는 예(또는 시나리오)를 설명하도록 한다.
도 8은 일 실시예에 따른 병원의 의사결정을 수행하는 예를 설명하기 위한 흐름도이다.
도 8을 참조하면, 일 실시예에 따른 병원의 의사결정 장치(100)는 먼저 입출력부(101)를 통해 환자의 진료정보를 입력 받을 수 있다(단계 S11).
이때, 일 실시예에 따른 병원의 의사결정 장치(100)는 환자의 진료정보에 환자가 진료정보를 획득한 병원 외 타 병원을 포함한 과거의 환자의 진료정보(예를 들어, 환자의 입원내역 기록)가 존재하지 여부를 확인할 수 있다(단계 S12).
만약 환자의 환자의 진료정보에 환자가 진료정보를 획득한 병원 외 타 병원을 포함한 과거의 환자의 진료정보(예를 들어, 환자의 입원내역 기록)가 존재하지 않으면, 환자의 진료 순위를 유지할 수 있다.
이때, 환자의 초기 진료순위는 병원 내 전체 환자의 진료순위 중 제일 마지막 순위로 설정되어 있을 수 있으나, 이에 한정되는 것은 아니다.
이후, 환자의 진료정보에 환자가 진료정보를 획득한 병원 외 타 병원을 포함한 과거의 환자의 진료정보(예를 들어, 환자의 입원내역 기록)가 존재하면, 환자의 진료정보에 대하여 딥러닝 학습모델을 통해 의료 이벤트 중 환자의 퇴원 후 소정기간 이내 사망률을 예측하고, 예측된 환자의 퇴원 후 소정기간 이내 사망률이 기 설정된 확률을 초과하는지 확인할 수 있다(단계 S13).
이 경우, 예측된 환자의 퇴원 후 소정기간 이내 사망률이 기 설정된 확률 이하이면 환자의 진료 순위는 그대로 유지될 수 있다.
이때, 예측된 환자의 퇴원 후 소정기간 이내 사망률이 기 설정된 확률을 초과할 경우, 환자의 진료 순위는 상승할 수 있다(단계 S14).
이후, 환자의 진료 순위에 따라 일 실시예에 따른 병원의 의사결정 장치(100)는 예측된 환자의 의료 이벤트, 환자에 대한 진료정보, 병원의 상태정보, 환자의 진료순위 및 병원의 의료진 정보를 고려하여 병원의 의사결정 중 환자의 진료 스케줄을 결정할 수 있다(단계 S15).
이때, 단계 S15에서 환자의 진료 스케줄을 결정하는데 있어 사용되는 정보 중 환자에 대한 진료정보는 환자의 퇴원 후 소정 기간 이내 사망률 및 병원의 방문 기준 시점 이전의 병원 방문 횟수, 진료 대기시간 및 진료 소요시간, 진단 정보, 투약력 정보, 수술/시술/처치 정보 및 신체계측 정보 중 적어도 하나의 정보를 포함한 병원 방문정보 중 적어도 하나의 정보를 포함할 수 있다.
또한, 의료진측 정보는 진료 스케줄(예를 들어, 주별 개설 횟수, 요일, 오전오후, 총 진료시간, 타임당 환자 정원, 외래 회송률(휴진율, 추가진료율)정보일 수 있음), 환자 유형별 정보(예를 들어, 환자 유형비율, 정원, 재진료율, 예약율, 예약 대비 실진료율, 미내원율, 중증환자의 비율 정보일 수 있음), 환자 별 평균 대기 시간, 환자의 진료 소요시간, 환자 종료 지연시간정보, 의료진 수술/시술/연구의 스케쥴, 수술/시술/연구의 실적 건수, 외래 후 수술 연계비율 및 보직여부 정보 중 적어도 하나의 정보를 포함할 수 있다.
또한, 병원 상태정보는 진료과의 진료실 개수, 의료진별/진료과별 진료실 사용 개수, 의료진별 외래 지원 인력 및 동일 진료과 내 타 의료진 요일별 세션 개설 현황 정보 중 적어도 하나의 정보를 포함할 수 있다.
한편, 단계 S15 이후, 환자는 결정된 환자의 진료스케줄에 따라 진료를 받을 수 있다.
도 9는 또 다른 실시예에 따른 병원의 의사결정을 수행하는 예를 설명하기 위한 흐름도이다.
도 9를 참조하면, 먼저, 일 실시예에 따른 병원의 의사결정 장치(100)는 환자에 대한 진료정보 중 입원 예약 환자 리스트에 대한 정보를 입력 받을 수 있다(단계 S21).
이후, 일 실시예에 따른 병원의 의사결정 장치(100)는 환자의 진료정보(예약 환자 리스트 정보)에 대하여 딥러닝 학습모델을 통해 의료 이벤트 중 환자의 퇴원 후 소정기간 이내 심장병의 발병률을 예측하고, 예측된 환자의 퇴원 후 소정기간 이내 심장병의 발병률이 기 설정된 확률을 초과하는지 확인(단계 S22)할 수 있으며, 예측된 환자의 퇴원 후 소정기간 이내 심장병의 발병률이 기 설정된 확률 이하일 경우, 환자의 병상(또는 병실)배정 순위는 그대로 유지될 수 있다.
이때, 환자의 초기 병상(또는 병실)배정 순위는 병원 내 전체 환자의 병상(또는 병실)배정 순위 중 제일 마지막 순위로 설정되어 있을 수 있으나, 이에 한정되는 것은 아니다.
한편, 예측된 환자의 퇴원 후 소정기간 이내 심장병의 발병률이 기 설정된 확률을 초과할 경우, 환자의 병상(또는 병실)배정 순위는 상승할 수 있다(단계 S23).
이후, 일 실시예에 따른 병원의 의사결정 장치(100)는 환자의 병상(또는 병실)배정 순위에 따라 예측된 환자의 의료 이벤트, 환자에 대한 진료정보, 병원의 상태정보 및 환자의 병상(또는 병실)배정 순위를 고려하여 병원의 의사결정 중 환자의 병상배정을 결정할 수 있다(단계 S24).
이때, 단계 S24에서 환자의 병상배정을 결정하는데 있어 사용되는 정보 중 환자에 대한 진료정보는 환자의 등록번호(또는 내원번호), 성명, 성별, 나이, 환자의 유형(신/초/재진) 등을 포함한 기본 정보, 진단명, 진료과, 담당의 등을 포함한 진단 정보, 중증등급, 주의사항, 특기사항, 격리종류/접수일/필요기간 등을 포함한 환자의 상태정보, 시술/수술명, 수술예정일자, 집도의, 마취종류 등을 포함한 환자의 수술 정보, 입원기간내의 약, 재료의 종류/처방/처치 등을 포함한 환자의 처치 정보 및 각종 진단검사 및 영상검사의 결과 정보 중 적어도 하나의 정보를 포함할 수 있다.
또한, 병원 상태 정보는 병동, 병실, 병상의 이름/번호/개수 등을 포함한 전체 침대(total bed)의 정보, 현재 모든 재원 환자가 사용하고 있는 침대(bed)의 병동/병실/병상 별 개수, 재원 환자 상태(입원기간, 수술/시술/처치 여부 등), 진료과 별 병동/병실/병상 현황, 수술실 종류와 개수, 수술실 별 스케줄 현황 (수술명, 수술 시간표) 및 수술 별 수술 소요예정시간 중 적어도 하나의 정보를 포함할 수 있다.
더 나아가, 단계 S24에서 환자의 병상배정을 결정하는데 있어서, 입원 시점에 입원 기간 예측 값이 31일 이상인 총 환자의 수(입원 기간이 장기간인 총 환자의 수), 입원 시점에 입원 기간 예측 값이 30일 보다 작은 소정 값 N일 이내로 입원기간이(예를 들어, N은 3일) 예측되는 총 환자의 수(입원 기간이 단기간인 총 환자의 수) 및 30일 이내 재 입원 가능성이 있는 총 환자의 수의 정보 중 적어도 하나의 정보가 고려될 수 있으나, 이에 한정되는 것은 아니다.
한편, 단계 S24 이후 환자의 병상 배정이 성공 또는 실패할 수 있고, 환자의 병상 배정이 성공할 경우, 환자는 결정된 병상 배정에 따라 입원절차를 수행할 수 있다.
도 10은 일 실시예에 따른 병원의 의사결정 방법에 대한 예시적인 흐름도이다. 도 10에 도시된 병원의 의사결정 방법은 도 1에 도시된 병원의 의사결정 장치(100)에 의해 수행 가능하다. 아울러, 도 10에 도시된 병원의 의사결정 방법은 예시적인 것에 불과하다.
먼저, 일 실시예에 따른 병원의 의사결정 장치(100)는 복수의 환자에 대한 진료정보를 기 정해진 구조 형식의 데이터로 변환시킬 수 있다(단계 S100).
이후, 병원의 의사결정 장치(100)는 기 정해진 구조 형식의 데이터를 입력으로, 복수의 환자에 대해 발생될 수 있는 적어도 하나의 의료 이벤트를 정답으로 하여 딥러닝 학습모델을 학습시킬 수 있다(단계 S200).
환자에 대한 진료정보를 입력 받아, 딥러닝 학습 모델을 통해 환자에 대한 적어도 하나의 의료 이벤트를 예측할 수 있다(단계 S300).
예측된 환자에 대한 적어도 하나의 의료 이벤트, 환자에 대한 진료정보 및 병원의 상태정보를 고려하여 병원의 의사결정을 수행할 수 있다(단계 S400).
이상에서 살펴본 바와 같이, 일 실시예에 따르면 병원의 의사결정 장치는 딥러닝 학습 모델을 이용하여 의료 이벤트(예를 들어, 환자의 퇴원 후 소정기간 이내 사망률, 환자의 퇴원 후 소정기간 이내 재입원률, 환자가 재입원한 시점에서부터 퇴원시점까지의 기간 및 환자의 퇴원 후 소정기간 이내 심장병의 발병률)를 예측하고, 예측된 의료 이벤트, 환자에 대한 진료정보 및 병원의 상태정보를 종합적으로 고려하여 병원 내의 시스템을 관리할 수 있기 때문에 환자 맞춤형 병원 프로세스를 제공할 수 있다.
본 발명에 첨부된 블록도의 각 블록과 흐름도의 각 단계의 조합들은 컴퓨터 프로그램 인스트럭션들에 의해 수행될 수도 있다. 이들 컴퓨터 프로그램 인스트럭션들은 범용 컴퓨터, 특수용 컴퓨터 또는 기타 프로그램 가능한 데이터 프로세싱 장비의 인코딩 프로세서에 탑재될 수 있으므로, 컴퓨터 또는 기타 프로그램 가능한 데이터 프로세싱 장비의 인코딩 프로세서를 통해 수행되는 그 인스트럭션들이 블록도의 각 블록 또는 흐름도의 각 단계에서 설명된 기능들을 수행하는 수단을 생성하게 된다. 이들 컴퓨터 프로그램 인스트럭션들은 특정 방법으로 기능을 구현하기 위해 컴퓨터 또는 기타 프로그램 가능한 데이터 프로세싱 장비를 지향할 수 있는 컴퓨터 이용 가능 또는 컴퓨터 판독 가능 메모리에 저장되는 것도 가능하므로, 그 컴퓨터 이용가능 또는 컴퓨터 판독 가능 메모리에 저장된 인스트럭션들은 블록도의 각 블록 또는 흐름도 각 단계에서 설명된 기능을 수행하는 인스트럭션 수단을 내포하는 제조 품목을 생산하는 것도 가능하다. 컴퓨터 프로그램 인스트럭션들은 컴퓨터 또는 기타 프로그램 가능한 데이터 프로세싱 장비 상에 탑재되는 것도 가능하므로, 컴퓨터 또는 기타 프로그램 가능한 데이터 프로세싱 장비 상에서 일련의 동작 단계들이 수행되어 컴퓨터로 실행되는 프로세스를 생성해서 컴퓨터 또는 기타 프로그램 가능한 데이터 프로세싱 장비를 수행하는 인스트럭션들은 블록도의 각 블록 및 흐름도의 각 단계에서 설명된 기능들을 실행하기 위한 단계들을 제공하는 것도 가능하다.
또한, 각 블록 또는 각 단계는 특정된 논리적 기능(들)을 실행하기 위한 하나 이상의 실행 가능한 인스트럭션들을 포함하는 모듈, 세그먼트 또는 코드의 일부를 나타낼 수 있다. 또, 몇 가지 대체 실시예들에서는 블록들 또는 단계들에서 언급된 기능들이 순서를 벗어나서 발생하는 것도 가능함을 주목해야 한다. 예컨대, 잇달아 도시되어 있는 두 개의 블록들 또는 단계들은 사실 실질적으로 동시에 수행되는 것도 가능하고 또는 그 블록들 또는 단계들이 때때로 해당하는 기능에 따라 역순으로 수행되는 것도 가능하다.
이상의 설명은 본 발명의 기술 사상을 예시적으로 설명한 것에 불과한 것으로서, 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자라면 본 발명의 본질적인 품질에서 벗어나지 않는 범위에서 다양한 수정 및 변형이 가능할 것이다. 따라서, 본 발명에 개시된 실시예들은 본 발명의 기술 사상을 한정하기 위한 것이 아니라 설명하기 위한 것이고, 이러한 실시예에 의하여 본 발명의 기술 사상의 범위가 한정되는 것은 아니다. 본 발명의 보호 범위는 아래의 청구범위에 의하여 해석되어야 하며, 그와 균등한 범위 내에 있는 모든 기술사상은 본 발명의 권리범위에 포함되는 것으로 해석되어야 할 것이다.
100: 병원 의사결정 시스템
101: 입출력부
102: 통신부
110: 메모리
120: 프로세서
101: 입출력부
102: 통신부
110: 메모리
120: 프로세서
Claims (18)
- 환자에 대한 진료정보를 입력 받는 입출력부;
복수의 환자에 대한 진료정보가 기 정해진 구조 형식의 데이터로 변환되어 저장되어 있는 메모리; 및
상기 메모리와 전기적으로 연결되는 프로세서를 포함하며, 상기 메모리는, 상기 프로세서가,
상기 기 정해진 구조 형식의 데이터를 입력으로, 상기 복수의 환자에 대해 발생될 수 있는 적어도 하나의 의료 이벤트를 정답으로하여 학습된, 딥러닝 학습모델을 통해 상기 환자에 대한 적어도 하나의 의료 이벤트를 예측하고, 상기 예측된 상기 환자에 대한 적어도 하나의 의료 이벤트, 상기 환자에 대한 진료정보 및 병원의 상태정보를 고려하여 상기 병원의 의사결정을 수행하도록 하는 명령을 포함하는
병원의 의사결정 장치. - 제 1 항에 있어서,
상기 환자에 대한 진료정보는,
상기 환자가 상기 병원을 최초 방문한 시점에 따른 진료정보, 상기 환자가 상기 병원을 최초 방문한 시점 이후에 상기 병원을 방문한 시점에 따른 진료정보 및 상기 병원 이외의 타 병원에서 획득한 진료정보 중 적어도 하나를 포함하는
병원의 의사결정 장치. - 제 1 항에 있어서,
상기 의료 이벤트는,
상기 환자의 퇴원 후 소정기간 이내 사망률, 상기 환자의 퇴원 후 소정기간 이내 재입원률, 상기 환자가 재입원한 시점에서부터 퇴원시점까지의 기간 및 상기 환자의 퇴원 후 소정기간 이내 심장병의 발병률 중 적어도 하나를 포함하는
병원의 의사결정 장치. - 제 1 항에 있어서,
상기 병원의 의사결정은,
상기 환자의 수술실 스케줄 결정을 포함하는
병원의 의사결정 장치. - 제 1 항에 있어서,
상기 병원의 상태정보는,
상기 병원의 진료실 개수, 상기 병원의 의료진 별 사용한 진료실의 개수, 상기 의료진 별 외래 지원 인력정보, 상기 병원의 동일 진료과 내 타 의료진 요일별 세션 개설 상태정보, 상기 병원의 병실 침대정보, 상기 병원의 재원 환자 상태정보, 상기 진료과 별 상태정보, 상기 병원의 수술실의 종류와 개수, 상기 수술실별 스케줄 정보 및 상기 환자의 수술별 소요예정시간 정보 중 적어도 하나를 포함하는
병원의 의사결정 장치. - 제 1 항에 있어서,
상기 프로세서는,
상기 환자에 대한 진료정보 및 상기 예측된 환자의 의료 이벤트를 기초로 상기 환자의 진료 순위를 결정하고,
상기 결정된 환자의 진료 순위 및 상기 병원의 의료진 정보를 더 고려하여 상기 환자의 진료 스케줄을 결정하는
병원의 의사결정 장치. - 제 6 항에 있어서,
상기 병원의 의료진 정보는,
상기 의료진 별 진료 스케줄정보, 상기 환자 유형별 정보, 상기 환자의 진료에 의해 발생되는 시간정보, 상기 의료진 별 수술, 시술 및 연구 중 적어도 하나의 스케줄 정보, 상기 의료진 별 실적정보 및 상기 병원의 의료진 보직 여부 정보 중 적어도 하나를 포함하는
병원의 의사결정 장치. - 제 1 항에 있어서,
상기 프로세서는,
상기 환자에 대한 진료정보 및 상기 예측된 환자의 의료 이벤트를 기초로 상기 환자의 병상배정 순위를 결정하고,
상기 결정된 환자의 병상 배정 순위를 더 고려하여 상기 환자의 병상배정을 결정하는
병원의 의사결정 장치. - 복수의 환자에 대한 진료정보를 기 정해진 구조 형식의 데이터로 변환시키는 단계와,
상기 기 정해진 구조 형식의 데이터를 입력으로, 상기 복수의 환자에 대해 발생될 수 있는 적어도 하나의 의료 이벤트를 정답으로하여 딥러닝 학습모델을 학습시키는 단계와,
환자에 대한 진료정보를 입력 받아, 상기 딥러닝 학습모델을 통해 상기 환자에 대한 적어도 하나의 의료 이벤트를 예측하는 단계와,
상기 예측된 상기 환자에 대한 적어도 하나의 의료 이벤트, 상기 환자에 대한 진료정보 및 병원의 상태정보를 고려하여 상기 병원의 의사결정을 수행하는 단계를 포함하는
병원의 의사결정 방법. - 제 9 항에 있어서,
상기 환자에 대한 진료정보는,
상기 환자가 상기 병원을 최초 방문한 시점에 따른 진료정보, 상기 환자가 상기 병원을 최초 방문한 시점 이후에 상기 병원을 방문한 시점에 따른 진료정보 및 상기 병원 이외의 타 병원에서 획득한 진료정보 중 적어도 하나를 포함하는
병원의 의사결정 방법. - 제 9 항에 있어서,
상기 의료 이벤트는,
상기 환자의 퇴원 후 소정기간 이내 사망률, 상기 환자의 퇴원 후 소정기간 이내 재입원률, 상기 환자가 재입원한 시점에서부터 퇴원시점까지의 기간 및 상기 환자의 퇴원 후 소정기간 이내 심장병의 발병률 중 적어도 하나를 포함하는
병원의 의사결정 방법. - 제 9 항에 있어서,
상기 병원의 의사결정은,
상기 환자의 수술실 스케줄 결정을 포함하는
병원의 의사결정 방법. - 제 9 항에 있어서,
상기 병원의 상태정보는,
상기 병원의 진료실 개수, 상기 병원의 의료진 별 사용한 진료실의 개수, 상기 의료진 별 외래 지원 인력정보, 상기 병원의 동일 진료과 내 타 의료진 요일별 세션 개설 상태정보, 상기 병원의 병실 침대정보, 상기 병원의 재원 환자 상태정보, 상기 진료과 별 상태정보, 상기 병원의 수술실의 종류와 개수, 상기 수술실별 스켈줄 정보 및 상기 환자의 수술별 소요예정시간 정보 중 적어도 하나를 포함하는
병원의 의사결정 방법. - 제 9 항에 있어서,
상기 병원의 의사결정을 수행하는 단계는,
상기 환자에 대한 진료정보 및 상기 예측된 환자의 의료 이벤트를 기초로 상기 환자의 진료 순위를 결정하고,
상기 결정된 환자의 진료 순위 및 상기 병원의 의료진 정보를 더 고려하여 상기 환자의 진료 스케줄을 결정하는
병원의 의사결정 방법. - 제 14 항에 있어서,
상기 병원의 의료진 정보는,
상기 의료진 별 진료 스케줄정보, 상기 환자 유형별 정보, 상기 환자의 진료에 의해 발생되는 시간정보, 상기 의료진 별 수술, 시술 및 연구 중 적어도 하나의 스케줄 정보, 상기 의료진 별 실적정보 및 상기 병원의 의료진 보직 여부 정보 중 적어도 하나를 포함하는
병원의 의사결정 방법. - 제 9 항에 있어서,
상기 병원의 의사결정을 수행하는 단계는,
상기 환자에 대한 진료정보 및 상기 예측된 환자의 의료 이벤트를 기초로 상기 환자의 병상배정 순위를 결정하고,
상기 결정된 환자의 병상 배정 순위를 더 고려하여 상기 환자의 병상배정을 결정하는
병원의 의사결정 방법. - 컴퓨터 프로그램을 저장하고 있는 컴퓨터 판독 가능 기록매체로서,
상기 컴퓨터 프로그램은, 프로세서에 의해 실행되면,
복수의 환자에 대한 진료정보를 기 정해진 구조 형식의 데이터로 변환시키는 단계와,
상기 기 정해진 구조 형식의 데이터를 입력으로, 상기 복수의 환자에 대해 발생될 수 있는 적어도 하나의 의료 이벤트를 정답으로하여 딥러닝 학습모델을 학습시키는 단계와,
환자에 대한 진료정보를 입력 받아, 상기 딥러닝 학습모델을 통해 상기 환자에 대한 적어도 하나의 의료 이벤트를 예측하는 단계와,
상기 예측된 상기 환자에 대한 적어도 하나의 의료 이벤트, 상기 환자에 대한 진료정보 및 병원의 상태정보를 고려하여 상기 병원의 의사결정을 수행하는 단계를 포함하는 방법을 상기 프로세서가 수행하도록 하기 위한 명령어를 포함하는
컴퓨터 판독 가능한 기록매체. - 컴퓨터 판독 가능한 기록매체에 저장되어 있는 컴퓨터 프로그램으로서,
상기 컴퓨터 프로그램은, 프로세서에 의해 실행되면,
복수의 환자에 대한 진료정보를 기 정해진 구조 형식의 데이터로 변환시키는 단계와,
상기 기 정해진 구조 형식의 데이터를 입력으로, 상기 복수의 환자에 대해 발생될 수 있는 적어도 하나의 의료 이벤트를 정답으로하여 딥러닝 학습모델을 학습시키는 단계와,
환자에 대한 진료정보를 입력 받아, 상기 딥러닝 학습모델을 통해 상기 환자에 대한 적어도 하나의 의료 이벤트를 예측하는 단계와,
상기 예측된 상기 환자에 대한 적어도 하나의 의료 이벤트, 상기 환자에 대한 진료정보 및 병원의 상태정보를 고려하여 상기 병원의 의사결정을 수행하는 단계를 포함하는 방법을 상기 프로세서가 수행하도록 하기 위한 명령어를 포함하는
컴퓨터 프로그램.
Priority Applications (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020200090627A KR102501195B1 (ko) | 2020-07-21 | 2020-07-21 | 병원의 의사결정 장치, 방법, 컴퓨터 판독 가능한 기록매체 및 컴퓨터 프로그램 |
| PCT/KR2021/008298 WO2022019514A1 (ko) | 2020-07-21 | 2021-06-30 | 병원의 의사결정 장치, 방법 및 컴퓨터 판독 가능한 기록매체 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020200090627A KR102501195B1 (ko) | 2020-07-21 | 2020-07-21 | 병원의 의사결정 장치, 방법, 컴퓨터 판독 가능한 기록매체 및 컴퓨터 프로그램 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| KR20220011549A true KR20220011549A (ko) | 2022-01-28 |
| KR102501195B1 KR102501195B1 (ko) | 2023-02-21 |
Family
ID=79729277
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020200090627A KR102501195B1 (ko) | 2020-07-21 | 2020-07-21 | 병원의 의사결정 장치, 방법, 컴퓨터 판독 가능한 기록매체 및 컴퓨터 프로그램 |
Country Status (2)
| Country | Link |
|---|---|
| KR (1) | KR102501195B1 (ko) |
| WO (1) | WO2022019514A1 (ko) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116052887B (zh) * | 2023-03-01 | 2023-06-27 | 联仁健康医疗大数据科技股份有限公司 | 一种过度检查的检测方法、装置、电子设备及存储介质 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR101834993B1 (ko) | 2009-01-19 | 2018-03-06 | 비오메리으 | 환자가 병원감염에 걸릴 가능성을 결정하고 패혈 증후군 진행의 예후를 결정하는 방법 |
| KR20200003407A (ko) * | 2017-07-28 | 2020-01-09 | 구글 엘엘씨 | 전자 건강 기록으로부터 의료 이벤트를 예측 및 요약하기 위한 시스템 및 방법 |
| US20200066397A1 (en) * | 2018-08-23 | 2020-02-27 | General Electric Company | Multifactorical, machine-learning based prioritization framework for optimizing patient placement |
Family Cites Families (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR101261177B1 (ko) * | 2011-11-29 | 2013-05-09 | 삼성에스디에스 주식회사 | 임상 의사결정 지원 시스템 및 방법 |
| KR102558021B1 (ko) * | 2016-06-10 | 2023-07-24 | 한국전자통신연구원 | 임상 의사결정 지원 앙상블 시스템 및 이를 이용한 임상 의사결정 지원 방법 |
| JP2020003862A (ja) * | 2018-06-25 | 2020-01-09 | 清水建設株式会社 | スケジュール生成装置、医療施設管理システム、プログラム、スケジュール生成方法、医療施設管理方法、人工知能の学習方法 |
-
2020
- 2020-07-21 KR KR1020200090627A patent/KR102501195B1/ko active IP Right Grant
-
2021
- 2021-06-30 WO PCT/KR2021/008298 patent/WO2022019514A1/ko active Application Filing
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR101834993B1 (ko) | 2009-01-19 | 2018-03-06 | 비오메리으 | 환자가 병원감염에 걸릴 가능성을 결정하고 패혈 증후군 진행의 예후를 결정하는 방법 |
| KR20200003407A (ko) * | 2017-07-28 | 2020-01-09 | 구글 엘엘씨 | 전자 건강 기록으로부터 의료 이벤트를 예측 및 요약하기 위한 시스템 및 방법 |
| US20200066397A1 (en) * | 2018-08-23 | 2020-02-27 | General Electric Company | Multifactorical, machine-learning based prioritization framework for optimizing patient placement |
Also Published As
| Publication number | Publication date |
|---|---|
| WO2022019514A1 (ko) | 2022-01-27 |
| KR102501195B1 (ko) | 2023-02-21 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US11264128B2 (en) | Machine-learning framework for coordinating and optimizing healthcare resource utilization and delivery of healthcare services across an integrated healthcare system | |
| US11783134B2 (en) | Gap in care determination using a generic repository for healthcare | |
| US11935634B2 (en) | System and method for predicting and summarizing medical events from electronic health records | |
| US10438694B2 (en) | Management of medical workflow | |
| US7664659B2 (en) | Displaying clinical predicted length of stay of patients for workload balancing in a healthcare environment | |
| US20060143060A1 (en) | Integrated scheduling system for health care providers | |
| RU2554522C2 (ru) | Рабочий процесс с обратной связью | |
| US20180358122A1 (en) | System, device and method for guiding a patient in a hospital setup | |
| US20060143044A1 (en) | Characteristic-based health care resource scheduling method and apparatus | |
| US20130132117A1 (en) | Graphical tool for managing a longitudinal patient episode | |
| US20180226141A1 (en) | Patient coordination system and method | |
| JP7011339B2 (ja) | 医療情報処理システム | |
| CN112908452A (zh) | 事件数据建模 | |
| Reece et al. | Determining future capacity for an ambulatory surgical center with discrete event simulation | |
| Copenhaver et al. | Health system innovation: Analytics in action | |
| KR102501195B1 (ko) | 병원의 의사결정 장치, 방법, 컴퓨터 판독 가능한 기록매체 및 컴퓨터 프로그램 | |
| JP7044111B2 (ja) | 医療機関リソース利用を最適化するための方法、コンピューティングシステム、及びプログラム | |
| US20200219599A1 (en) | Systems and Methods of Generating Patient Notes with Inherited Preferences | |
| US20230154599A1 (en) | System and method for identifying optimal appointment times of patients | |
| Khalifa | Reducing emergency department crowding using health analytics methods: designing AnEvidence based decision algorithm | |
| Al-Hawari et al. | A simulation-based framework for evaluation of healthcare systems with interacting factors and correlated performance measures | |
| US20200152319A1 (en) | Scheduling a task for a medical professional | |
| CN113744897A (zh) | 网络问诊方法、计算机装置和存储介质 | |
| CN111837193A (zh) | 路径信息 | |
| KR101634781B1 (ko) | 진료 프로세스 분석을 통한 원내 의료서비스 예약 자동화방법 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| E902 | Notification of reason for refusal | ||
| AMND | Amendment | ||
| E601 | Decision to refuse application | ||
| AMND | Amendment | ||
| X701 | Decision to grant (after re-examination) | ||
| GRNT | Written decision to grant |