KR20220068181A - 건강 정보 및 투약 정보 분석 기반의 건강기능식품 섭취 정보를 제공하는 시스템 및 방법 - Google Patents

건강 정보 및 투약 정보 분석 기반의 건강기능식품 섭취 정보를 제공하는 시스템 및 방법 Download PDF

Info

Publication number
KR20220068181A
KR20220068181A KR1020210158019A KR20210158019A KR20220068181A KR 20220068181 A KR20220068181 A KR 20220068181A KR 1020210158019 A KR1020210158019 A KR 1020210158019A KR 20210158019 A KR20210158019 A KR 20210158019A KR 20220068181 A KR20220068181 A KR 20220068181A
Authority
KR
South Korea
Prior art keywords
health
information
customer
functional food
checkup
Prior art date
Application number
KR1020210158019A
Other languages
English (en)
Inventor
노정한
허정현
강수연
장재원
전윤기
정승희
Original Assignee
주식회사 투비콘
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 주식회사 투비콘 filed Critical 주식회사 투비콘
Publication of KR20220068181A publication Critical patent/KR20220068181A/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
    • G16H20/00—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance
    • G16H20/60—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance relating to nutrition control, e.g. diets
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • 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
    • G16H10/20—ICT specially adapted for the handling or processing of patient-related medical or healthcare data for electronic clinical trials or questionnaires
    • 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
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Public Health (AREA)
  • Epidemiology (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Data Mining & Analysis (AREA)
  • Software Systems (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Evolutionary Computation (AREA)
  • Nutrition Science (AREA)
  • Chemical & Material Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Medicinal Chemistry (AREA)
  • Biomedical Technology (AREA)
  • Databases & Information Systems (AREA)
  • Pathology (AREA)
  • Medical Treatment And Welfare Office Work (AREA)

Abstract

본 발명은 개인의 현재의 건강 상태에 최적화된 영양제 및 건강기능식품의 종류, 용량, 용법, 부작용등의 정보를 제공하는 방법으로, 상세하게는 개인 단말기로부터 개인의 건강 검진 데이터 및 투약/처방 데이터를 메인서버가 수신하고, 메인서버는 개인의 건강 검진 데이터 및 투약/처방 데이터를 인공지능망, 즉, 기계학습 모델에 입력하고 인공지능망에서 개인의 건강 상태와 투약 및 처방으로 복용하고 있는 약물의 드럭머거로 결핍되는 영양소를 분석하여 이를 기반으로 사용자에게 필요한 영양소 및 건강기능식품의 종류, 용량, 용법을 산출하고, 산출된 영양소 간 상호작용을 고려한 부작용 정보를 검출하고, 메인서버는 인공지능망에서 출력된 영양소 및 건강기능식품의 종류, 용량, 용법, 영양소 간 상호작용을 고려한 부작용 정보를 사용자의 개인 단말기로 제공하는, 건강 정보 및 투약 정보 분석 기반의 건강기능식품 섭취 정보를 제공하는 시스템 및 방법에 관한 것이다.
이렇게 함으로써, 본 발명의 시스템의 사용자는 본인 맞춤형 건강기능식품의 정보, 즉, 본인 맞춤형의 영양소 및 건강기능식품의 종류, 용량, 용법과, 영양소 간 상호작용을 고려한 부작용 정보를 제공 받는다.

Description

건강 정보 및 투약 정보 분석 기반의 건강기능식품 섭취 정보를 제공하는 시스템 및 방법{System and method for providing health functional food intake information}
본 발명은 개인의 현재의 건강 상태에 최적화된 영양제 및 건강기능식품의 종류, 용량, 용법, 부작용등의 정보를 제공하는 방법으로, 상세하게는 개인 단말기로부터 개인의 건강 검진 데이터 및 투약/처방 데이터를 메인서버가 수신하고, 메인서버는 개인의 건강 검진 데이터 및 투약/처방 데이터를 인공지능망, 즉, 기계학습 모델에 입력하고 인공지능망에서 개인의 건강 상태와 투약 및 처방으로 복용하고 있는 약물의 드럭머거로 결핍되는 영양소를 분석하여 이를 기반으로 사용자에게 필요한 영양소 및 건강기능식품의 종류, 용량, 용법을 산출하고, 산출된 영양소 간 상호작용을 고려한 부작용 정보를 검출하고, 메인서버는 인공지능망에서 출력된 영양소 및 건강기능식품의 종류, 용량, 용법, 영양소 간 상호작용을 고려한 부작용 정보를 사용자의 개인 단말기로 제공하는, 건강 정보 및 투약 정보 분석 기반의 건강기능식품 섭취 정보를 제공하는 시스템 및 방법에 관한 것이다.
건강기능식품이란, 인체에 유용한 기능성을 가진 원료나 성분을 사용하여 제조, 가공한 식품으로 대한민국 식품의약품 안전처로부터 기능성과 안정성을 인정받은 제품을 말하며, 여기서, 기능성이란 인체의 구조 및 기능에 대하여 영양소를 조절하거나 생리학적 작용 등과 같은 보건용도에 유용한 효과를 얻는 것을 말한다.
건강기능식품의 범위에는, 건강기능식품의 제조에 사용되는 기능성을 가진 원재료를 그대로 가공하거나, 가공한 것의 추출물, 정제물, 합성물, 복합물 등이 포함된다.
소비자들의 소득 수준이 향상되고 건강한 삶에 대한 관심이 높아짐에 따라 건강기능식품 소비가 증가하고 있다. 건강기능식품에 대한 구매 경험률은 약 78.2%로, 100명 중 78명이 1년에 한 번 이상 건강기능식품을 구매하고 있다고 한다.
과거에는 소비자들이 건강기능식품으로서 주로 홍삼을 구매하는 경향을 보였으나, 최근들어 장, 혈관, 눈 등 여러 신체 부위별 기능성에 중점을 둔 건강기능식품을 찾는 경우도 증가하게 되었다. 이에 따라 건강기능식품 시장에는 장, 혈관, 눈 등 여러 신체 부위별 기능성을 고려한 다양한 원료를 사용한 건강기능식품들이 판매되고 있다. 이와같이 다양한 원료의 다양한 건강기능식품들이 시장에 나옴에 따라, 본인의 건강상태 또는 질병에 반하는 건강기능식품을 복용하는 경우도 왕왕 발생하곤 한다.
최근들어 소비자들이 건강 기능 식품(영양제)을 선택하는 기준도 까다로워 졌다. SNS 빅데이터 분석을 진행한 결과 건강기능식품을 구매할 때 가장 고려하는 것은 함유성분(82.1%)이었으며 그 뒤로 안정성(41%)으로 제품의 가격보다 그 성분과 안정성에 더 관심을 보이는 것으로 나타났으며, 또한 건강기능식품 구매 시 가장 우려하는 사항은 ‘부작용’과 ‘유해물질’로 성분의 안정성에 대한 소비자의 관심이 높다는 것을 알 수 있다.
최근들어, 전통적인 구매방식보다는 접근성 및 가격 측면에서 유리한 온라인 쇼핑몰을 통한 구매방식을 소비자들이 선호하는 것으로 나타났다. 온라인을 통해 건강기능식품에 대한 사전정보를 습득하고, 온라인을 통해 구매하는 소비패턴이 증가함에 따라서 건강기능식품으로 인한 부작용 건수 등 이상사례가 증가하고 있는 상황이며, 식품의약품안전청의 자료에 따르면 2015년 기준 502건의 건강기능식품 이상사례가 보고되었고, 2019년에는 1,132건의 이상사례 건수가 보고되고 있다.
이상사례의 발생은 건강기능식품에 대한 검증되지 않은 자료 또는 부작용에 대한 충분한 설명없이 효과만 소개하는 자료 등이 인터넷 상에서 무분별하게 소비자에게 노출되고 있고, 정보검색 또는 제품구매 과정에서 소비자와 전문가와의 접점이 점차 감소하고 있기 때문이다.
이러한 이상사례를 해결하기 위한 종래의 기술은 소비자의 연령, 성별, 키, 몸무게 등의 일반적인 정보를 사용자로부터 수신하여 건강기능식품을 추천해주는 정도에 해당하여, 인터넷을 통해 관련 정보를 습득하여 구매하는 기존의 구매방식과 비교했을 때 큰 매리트가 존재하지 않는 상황이다.
따라서, 소비자의 현재 건강상태를 정확하게 고려하여 소비자에게 필요한 건강기능식품의 종류를 도출하고, 질병의 치료, 완화 등의 목적으로 복용하고 있는 약물로 인한 드럭머거(Drug Mugger, 의약품이 체내에 있는 영양소를 강탈(결핍)시킬 수 있음)를 고려한 건강기능식품을 추천하는 개인 건강 맞춤형 영양제 및 건강기능식품 추천 및 정보제공 시스템 및 방법이 필요한 실정이다.
개인(사용자)의 건강상태에 최적화된 영양제 및 건강기능식품 정보 제공 목적으로 개인의 현재 건강 상태를 파악하기 위해 이전부터 최신까지의 건강 검진 데이터와 투약 및 처방 정보를 개인 단말기를 통해 메인서버가 수신하고, 메인서버는 수신된 건강 검진 데이터와 투약 및 처방 정보를 인공지능망의 기계학습 모델에 입력하여 개인의 건강 상태 및 현재 몸에 작용하고 있는 약물의 정보를 분석하고, 이를 기반으로 소비자가 현재 복용하고 있는 약물로 인한 드럭머거(Drug Mugger)와 같이 세부적인 소비자의 건강상태까지 고려하여 건강 증진, 결핍영양소의 충족 등을 목적으로 섭취하고자하는 영양소 및 건강기능식품의 종류, 용법, 용량, 부작용 등의 정보를 검출하여, 개인에게 최저화된 영양제 및 건강기능식품 정보를 개인 단말기로 전달하는, 건강 정보 및 투약 정보 분석 기반의 건강기능식품 섭취 정보를 제공하는 시스템 및 방법을 제안한다.
선행기술로, 국내 등록특허 제10-2124519호 '영양제 정보를 제공하는 방법, 시스템 및 컴퓨터-판독가능 매체'는 사용자가 입력정보카테고리에 대해 입력한 입력정보에 기반하여 사용자에게 필요한 영양소를 산출하되, 각각의 입력정보에 대해 필요한 1 이상의 영양소 및 상기영양소에 대한 복수의 스코어 가운데 상기 입력정보에 상응하는 특정 스코어를 로드하고, 로드된 전체의 영양소에 대해 로드된 1 이상의 스코어를 합산하여 각각의 영양소에 대한 합산스코어를 산출하고, 산출된 각각의 영양소의 합산스코어에 기초한 우선순위에 따라, 각각의 영양소 명칭 및 상기 영양소에 대한 합산스코어 혹은 합산스코어의 순위를 포함하는 필요영양소정보를 상기 사용자단말기에 송신한다. 상기 입력정보카테고리는 복용약물카테고리를 포함하고, 서비스서버에 기저장된 정보는, 상기 복용약물카테고리에 대한 입력정보에 상응하여 사용자가 복용하고 있는 복용약물에 따른 드럭머거(Drug Mugger)로 인해 결핍되는 1 이상의 영양소를 포함하고, 상기 복용약물카테고리에 대한 입력정보는, 상기 사용자가 복용하고 있는 복용약물의 명칭정보 및 상기 복용약물의 복용기간정보 혹은 상기 복용약물의 복용량정보를 포함하며, 상기 스코어 값은 복용기간정보 혹은 상기 복용량정보에 기초하여 해당 스코어의 값이 가변한다.
국내 등록특허 제10-2124519호의 경우, 사용자가 입력정보카테고리에 대해 입력한 입력정보에 기인하여 합산스코어가 결정되고 합산스코어에 따라 제공되는 영양제가 달라지며, 만약 복용약물의 복용량정보 등 1개의 정보가 누락되도 스코아 값은 크게 영향을 받아, 결과적으로, 누락되지 않았을때와 비교하여, 전혀 다른 영양제 정보를 출력하게 된다.
이를 위해 본 발명은 많은 개인의 건강 검진 데이터 및 투약/처방 데이터를 가지고 인공지능망을 학습하여 기계학습 모델을 생성하고, 그 후, 소정 개인의 건강 검진 데이터 및 투약/처방 데이터를 상기 기계학습모델을 이용하여 소정 개인 맞춤의 영양소 및 건강기능식품의 종류, 용량, 용법, 영양소 간 상호작용을 고려한 부작용 정보를 출력하는, 건강 정보 및 투약 정보 분석 기반의 건강기능식품 섭취 정보를 제공하는 시스템 및 방법을 제안한다.
상기 기계학습 모델은 1~2개의 정보가 누락되어도, 누락되지 않은 경우와 같게 출력하도록 훈련되어 있어, 사용자별로 소정 데이터가 누락되어도 정확한 결과를 얻을 수 있다.
본 발명이 해결하고자 하는 기술적 과제는, 개인 단말기로부터 개인의 건강 검진 데이터 및 투약/처방 데이터를 메인서버가 수신하고, 메인서버는 개인의 건강 검진 데이터 및 투약/처방 데이터를 인공지능망, 즉, 기계학습 모델에 입력하고 인공지능망에서 개인의 건강 상태와 투약 및 처방으로 복용하고 있는 약물의 드럭머거로 결핍되는 영양소를 분석하여 이를 기반으로 사용자에게 필요한 영양소 및 건강기능식품의 종류, 용량, 용법을 산출하고, 산출된 영양소 간 상호작용을 고려한 부작용 정보를 검출하고, 메인서버는 인공지능망에서 출력된 영양소 및 건강기능식품의 종류, 용량, 용법, 영양소 간 상호작용을 고려한 부작용 정보를 사용자의 개인 단말기로 제공하는, 건강 정보 및 투약 정보 분석 기반의 건강기능식품 섭취 정보를 제공하는 시스템 및 방법을 제공하는 것이다.
본 발명이 해결하고자 하는 다른 기술적 과제는, 많은 개인의 건강 검진 데이터 및 투약/처방 데이터와, 전문가가 처방한 건강기능식품 데이터를 가지고 인공지능망을 학습하여 기계학습 모델을 생성하고, 그 후, 소정 개인의 건강 검진 데이터 및 투약/처방 데이터를 입력정보로서 상기 기계학습모델에 적용하고, 기계학습모델로부터 소정 개인 맞춤의 영양소 및 건강기능식품의 종류, 용량, 용법, 영양소 간 상호작용을 고려한 부작용 정보를 출력정보로서 출력하게 하는, 건강 정보 및 투약 정보 분석 기반의 건강기능식품 섭취 정보를 제공하는 시스템 및 방법을 제공하는 것이다.
본 발명이 해결하고자 하는 또다른 기술적 과제는, 상기 기계학습 모델에 1~2개의 입력정보가 누락되어도, 누락되지 않은 경우와 같은 출력정보를 출력하도록, 상기 기계학습 모델이 훈련되어 있어, 사용자별로 소정 데이터가 누락되어도 정확한 결과를 얻을 수 있는, 건강 정보 및 투약 정보 분석 기반의 건강기능식품 섭취 정보를 제공하는 시스템 및 방법을 제공하는 것이다.
상기 기술적 과제를 해결하기 위해, 본 발명의 건강기능식품 섭취 정보를 제공하는 시스템은, 입력된 고객의 개인 건강관련정보를 메인서버로 전송하고, 메인서버로부터 수신된 개인맞춤의 건강기능식품 정보를 출력하는, 개인단말기; 고객의 개인 건강관련정보를, 기계학습모델 입력으로서, 기 학습된 인공지능망인 기계학습모델에 입력하고, 기계학습모델로부터 출력된 기계학습모델 출력으로서, 건강기능식품 정보를 개인단말기로 전송하는, 메인서버;를 포함하여 이루어진 것을 특징으로 한다.
상기 고객이 메인서버에 등재되지 않은 고객일 경우, 또는 상기 고객이 메인서버에 등재된 고객이되, 데이터베이스에 고객의 건강검진 이력이 저장되어 있지 않은 경우, 고객의 개인 건강관련정보는, 소정의 건강관련 설문들에 따라 고객이 답변한, 설문 답변정보이며, 메인서버는 상기 설문 답변정보로부터 인공지능망을 통해 건강검진 정보를 검출하고, 검출된 건강검진 정보를 기계학습모델 입력으로서 기계학습모델에 적용한다.
만약, 상기 고객이 메인서버에 등재된 고객이되, 데이터베이스에 고객의 건강검진 이력과, 투약 또는 처방 정보를 저장하고 있다면, 메인서버는 고객의 투약 또는 처방 정보에 따른 드럭머거를 데이터 베이스로부터 읽어들여 드럭머거 리스트를 작성하고, 고객의 건강검진 데이터를 데이터 베이스로부터 읽어들이고, 고객의 건강검진관련 데이터들 중에 기 설정된 정상범위를 초과하는 건강검진 데이터들의 리스트인, 검진이상 리스트를 작성하고, 메인서버는 고객의 건강검진 데이터, 드럭머거 리스트, 검진이상 리스트를 기계학습모델 입력으로서 기계학습모델에 적용한다.
건강검진 데이터는, 성별, 연령, 신장, 체중, 허리둘레, 수축기혈압, 이완기혈압, 식전혈당(공복혈당), 총콜레스테롤, 트리글리세라이드(중성지방), HDL콜레스테롤, LDL콜레스테롤, 혈색소, 요단백, 혈청크레아티닌, (혈청지오티)AST, (혈청지오티)ALT, 감마지티피, 흡연상태, 음주여부, 구강검진수검여부, 치아우식증 유무, 치아관련 정보 중 6개 이상을 포함할 수 있다.
만약 상기 고객이 메인서버에 등재된 고객이되, 데이터베이스에 고객의 건강검진 이력을 저장하고 있으나, 투약 또는 처방 정보를 저장하고 있지 않다면, 고객의 건강검진 데이터를 데이터 베이스로부터 읽어들이고, 고객의 건강검진관련 데이터들 중에 기 설정된 정상범위를 초과하는 건강검진 데이터들의 리스트인, 검진이상 리스트를 작성하고, 메인서버는 고객의 건강검진 데이터와, 검진이상 리스트를, 기계학습모델 입력으로서 기계학습모델에 적용한다.
기계학습모델은 인공지능망에서 다수의 개인 건강검진 데이터를 이용하여 사전에 학습되어 생성된 모델이다.
본 발명의 건강기능식품 섭취 정보를 제공하는 시스템의 구동방법에 있어서, 메인서버는 상기 고객이 메인서버에 등재된 고객인지 여부를 판단하여, 만약 등재되지 않은 고객이라면, 건강상태확인 설문조사단계로 가는, 로그인 단계; 고객의 개인단말기는 소정의 건강관련 설문들을 출력하고, 상기 건강관련 설문들에 따라 고객이 답변한, 설문별 답변정보를 메인서버로 전송하여 데이터베이스에 저장하는, 건강상태확인 설문조사단계; 메인서버는, 건강상태확인 설문조사단계에서 저장된 설문별 답변정보에 따라, 건강상태 특징 파라미터를 추출하고, 이를 건강 검진 정보로서 데이터베이스에 저장하는, 설문 결과에 따른 건강상태 특징 구성단계; 메인서버는, 데이터베이스로부터 읽어들인 건강검진 정보를 포함하는 기계학습모델 입력을, 기계학습 모델에 입력하고, 기계학습 모델로부터 출력되는 기계학습모델 출력을 고객의 개인단말기로 전송하는, 건강기능식품 선출단계;를 포함하는 것을 특징으로 한다.
건강기능식품 섭취 정보를 제공하는 시스템의 구동방법은, 로그인 단계에서 상기 고객이 메인서버에 등재된 고객이라면, 메인서버는 데이터베이스에 고객의 건강검진 이력이 보유되어 있는지를 판단하고, 만약 보유되어 있지 않다고 하면, 제1 투약/처방 정보 보유 여부판단단계로 가는, 건강검진 이력보유 판단단계; 메인서버는, 데이터베이스에 고객의 투약/처방 정보를 보유하고 있는 지를 판단하고, 만약 보유되어있다면, 드럭머거 리스트 작성단계로 가고, 만약 보유되어 있지 않다고 하면, 건강상태확인 설문조사단계로 가는, 제1 투약/처방 정보 보유 여부판단단계; 메인서버는, 데이터베이스로부터 고객의 투약/처방 정보를 읽어들이고, 투약/처방 정보에 따른 기저장된 드럭머거를 데이터베이스로부터 읽어들여 드럭머거 리스트를 작성하고, 건강기능식품 선출단계로 가는, 드럭머거 리스트 작성단계;를 더 포함할 수 있으며, 이 경우의 건강기능식품 선출단계에서 기계학습모델 입력은, 더 드럭머거 리스트를 포함할 수 있다.
건강기능식품 섭취 정보를 제공하는 시스템의 구동방법은, 건강검진 이력보유 판단단계에서 데이터베이스에 고객의 건강검진 이력이 보유되어 있다고 하면, 메인서버는, 데이터베이스로부터 고객의 건강검진 이력관련 데이터를 읽어들이고, 이들 데이터들이 정상범위를 초과하는지를 판단하고, 만약 정상범위를 초과한다면 건강에 이상이 있는 것으로, 제2 투약/처방 정보 보유 여부판단단계로 가고, 만약 정상범위를 초과하지 않는다면, 제1 투약/처방 정보 보유 여부판단단계로 가는, 건강이상 여부판단단계; 메인서버는, 데이터베이스에 고객의 투약/처방 정보를 보유하고 있는 지를 판단하고, 만약 보유되어 있지 않다고 하면, 검진이상 리스트 작성단계로 가는, 제2 투약/처방 정보 보유 여부판단단계; 건강이상 여부판단단계의 고객의 건강검진 이력관련 데이터들 중 정상범위를 초과하는 건강검진 파라미터들의 리스트인, 검진이상 리스트를 작성하고, 건강기능식품 선출단계로 가는, 검진이상 리스트 작성단계;를 더 포함할 수 있으며, 이 경우에, 건강기능식품 선출단계에서 기계학습모델 입력은, 검진이상 리스트를 포함한다.
건강기능식품 섭취 정보를 제공하는 시스템의 구동방법은, 제2 투약/처방 정보 보유 여부판단단계에서, 데이터베이스에 고객의 투약/처방 정보를 보유하고 있다고 하면, 메인서버는, 데이터베이스로부터 고객의 투약/처방 정보를 읽어들이고, 투약/처방 정보에 따른 기저장된 드럭머거를 읽어들여 드럭머거 리스트를 작성하고, 또한, 건강이상 여부판단단계의 고객의 건강검진 이력관련 데이터들 중 정상범위를 초과하는 건강검진 파라미터들의 리스트인, 검진이상 리스트를 작성하고, 건강기능식품 선출단계로 가는, 검진이상 리스트 및 드럭머거 리스트 작성단계;를 더 포함할 수 있으며, 이 경우는, 건강기능식품 선출단계에서 기계학습모델 입력은, 검진이상 리스트 및 드럭머거 리스트를 포함한다.
상기 기계학습모델은 500개 건강 케이스 학습 모델를 포함하되, 500개 건강 케이스 학습 모델은, 성별, 연령을 포함하는 수진자 기본정보 및 가입자 일련번호로 이루어진 제1 건강검진 데이터 변수들과, 키, 몸무게를 포함하는 건강검진결과와, 음주여부를 포함하는 설문(문진) 결과로 이루어진 제2 건강검진 데이터변수들을 포함하는, 건강 검진 데이터 변수를 이용하여, 당뇨를 포함하는 500개 건강 케이스(질병)일 확률을 검출하는 기계학습모델이다.
상기 건강기능식품 선출단계는, 메인서버는, 제1 건강검진 데이터 변수들과 제2 건강검진 데이터변수들을 포함하는 건강 검진 데이터 변수와, 의료전문인에 의해 기 처방된 투약 또는 처방 데이터 간의 상관계수를 구하는 단계; 메인서버는, 구하여진 상관계수가 기 지정된 상관관계 문턱치를 초과하는 상관계수를 가진 건강검진 데이터변수들을 검출하고, 검출된 건강검진 데이터변수들의 상관계수에 따라 기설정된 가중치를 부여하되, 상기 가중치를 '중요도'로하는 단계; 메인서버는, 상관관계가 높은 건강검진 데이터변수와 중요도를 입력벡터로, 기계학습된 500개 건강 케이스 학습 모델에 적용하고, 500개의 각 건강 케이스 학습 모델에서, 그 건강 케이스에 해당할 확률을 출력하고, 출력된 활률이 소정 확률 기준치를 초과하는 건강 케이스들을, '투약과 처방에 영향을 미치는 데이터'로 하는 단계; 투약과 처방에 영향을 미치는 데이터로부터, 소프트맥스 회귀(Softmax Regression) 알고리즘 적용하여, 건강기능식품 종류 또는 건강기능식품 명칭, 복용량, 복용주기를 포함하는 건강기능식품 정보를 검출하는 단계를 포함하여 이루어진다.
본 발명의 건강 정보 및 투약 정보 분석 기반의 건강기능식품 섭취 정보를 제공하는 시스템 및 방법은, 개인 단말기로부터 개인의 건강 검진 데이터 및 투약/처방 데이터를 메인서버가 수신하고, 메인서버는 개인의 건강 검진 데이터 및 투약/처방 데이터를 인공지능망, 즉, 기계학습 모델에 입력하고 인공지능망에서 개인의 건강 상태와 투약 및 처방으로 복용하고 있는 약물의 드럭머거로 결핍되는 영양소를 분석하여 이를 기반으로 사용자에게 필요한 영양소 및 건강기능식품의 종류, 용량, 용법을 산출하고, 산출된 영양소 간 상호작용을 고려한 부작용 정보를 검출하고, 메인서버는 인공지능망에서 출력된 영양소 및 건강기능식품의 종류, 용량, 용법, 영양소 간 상호작용을 고려한 부작용 정보를 사용자의 개인 단말기로 제공한다. 이렇게 함으로써, 본 발명의 시스템의 사용자는 본인 맞춤형 건강기능식품의 정보, 즉, 본인 맞춤형의 영양소 및 건강기능식품의 종류, 용량, 용법과, 영양소 간 상호작용을 고려한 부작용 정보를 제공 받는다.
또한, 본 발명은, 많은 개인의 건강 검진 데이터 및 투약/처방 데이터와, 전문가가 처방한 건강기능식품 데이터를 가지고 인공지능망을 학습하여 기계학습 모델을 생성하고, 그 후, 소정 개인의 건강 검진 데이터 및 투약/처방 데이터를 입력정보로서 상기 기계학습모델에 적용하고, 기계학습모델로부터 소정 개인 맞춤의 영양소 및 건강기능식품의 종류, 용량, 용법, 영양소 간 상호작용을 고려한 부작용 정보를 출력정보로서 출력하게 한다. 이렇게 함으로써, 정밀, 정확도를 높인 본인 맞춤형의 영양소 및 건강기능식품의 종류, 용량, 용법과, 영양소 간 상호작용을 고려한 부작용 정보를 제공 받을 수 있다.
또한, 본 발명은, 상기 기계학습 모델에 1~2개의 입력정보가 누락되어도, 누락되지 않은 경우와 같은 출력정보를 출력하도록, 상기 기계학습 모델이 훈련되어 있어, 사용자별로 소정 데이터가 누락되어도 정확한 결과를 얻을 수 있다.
본 발명의 효과를 정리하면, 첫번째로, 사용자 검진정보 및 투약 처방 정보의 기계학습 모델에 적용한 결과 값 및 설문정보 분석을 통한 결과 값을 기반으로 하여 1개 이상의 영양소 및 관련된 건강기능식품을 도출하고, 영양소간 상호작용, 부작용 및 개인 건강 상태에 맞춰 용량/용법을 결정하여 개인별로 보다 적합한 섭취할 건강기능식품을 추천받을 수 있다.
둘째로, 사용자의 검진정보 정보를 기계학습 모델에 적용한 결과 값에 기초하여 사용자 건강상태에 대한 필요 영양소에 정보를 도출하고, 결핍되는 영양소를 포함하는 영양제를 추천하여 사용자에게 필요한 영양제를 추천할 수 있다.
셋째로, 사용자의 투약 처방 정보를 기계학습 모델에 적용한 결과 값 및 설문정보 분석을 통한 결과 값에 기초하여 복용약물로 인해 발생하는 결핍되는 영양소에 대한 정보를 도출하고, 결핍되는 영양소를 포함하는 영양제를 추천하여 사용자에게 더욱 적합한 영양제를 추천할 수 있다.
넷째로, 사용자의 검진정보 및 투약 처방 정보의 기계학습 모델에 적용방법과 설문정보 분석을 통한 입력값에 기초하여 사용자의 복용 약물의 정보, 복용기간, 복용일자, 복용량 정보를 분석하여, 더욱 정밀하게 필요한 영양소 및 그 복용정보를 도출할 수 있다.
다섯째로, 영양제를 추천하는 데 있어서 사용자로부터 섭취하고자 하는 영양제 종류의 개수 및 필수영양소정보 가운데 섭취하고자 하는 영양소에 대한 선택정보를 수신하여 영양제를 추천하므로, 사용자 친화적으로 영양제를 추천할 수 있다.
여섯째로, 사용자가 입력한 입력정보에 따라 도출된 사용자에게 필요한 영양소에 대해 기존에 섭취하고 있는 영양제의 적합도를 산출하여 제공하므로, 사용자가 섭취하고 있는 기존의 영양제가 필요한 영양소를 어느 정도 포함하고 있는지를 용이하게 파악할 수 있다.
일곱째로, 사용자가 기존에 섭취하고 있는 영양제와 추천된 영양제 사이의 상호작용을 고려하여 제공하므로, 사용자가 각 영양제 사이의 상호작용을 쉽게 파악할 수 있고, 적합도를 고려하여 영양제 섭취 여부를 용이하게 판단할 수 있다.
도 1은 본 발명의 건강 정보 및 투약 정보 분석 기반의 건강기능식품 섭취 정보를 제공하는 시스템 및 방법을 개략적으로 설명하는 모식도이다.
도 2는 도 1의 메인서버(200)의 구동방법의 일 실시예를 개략적으로 설명하기 위한 흐름도이다.
도 3은 본 발명에서 상관관계가 높은 데이터와, 그 데이터의 중요도를 건강 케이스 학습 모델에 적용하는 과정을 나타내는 프로그램의 일예이다.
도 4는 프트맥스 회귀(SoftMax Regression)을 통해 오차로부터 발생한 가중치(weight)와 바이어스(bias)를 업데이트 하며, 원핫(one-hot) 인코딩을 행하는 과정을 나타내는 흐름도(설명도)이다.
도 5는 본 발명에서의 기계학습 모델을 나타낸다.
이하, 본 발명의 건강 정보 및 투약 정보 분석 기반의 건강기능식품 섭취 정보를 제공하는 시스템 및 방법을 첨부된 도면을 참조하여 상세히 설명한다.
도 1은 본 발명의 건강 정보 및 투약 정보 분석 기반의 건강기능식품 섭취 정보를 제공하는 시스템을 개략적으로 설명하는 모식도이다.
건강 정보 및 투약 정보 분석 기반의 건강기능식품 섭취 정보를 제공하는 시스템은, 개인 단말기(100)로부터 개인의 건강 검진 데이터 및 투약/처방 데이터를 메인서버(200)가 수신하고, 메인서버(200)의 연산처리부(미도시)는 개인의 건강 검진 데이터 및 투약/처방 데이터를 인공지능망, 즉, 기계학습 모델에 입력하고 인공지능망에서 개인의 건강 상태와 투약 및 처방으로 복용하고 있는 약물의 드럭머거로 결핍되는 영양소를 분석하여 이를 기반으로 사용자에게 필요한 영양소 및 건강기능식품의 종류, 용량, 용법을 산출하고, 산출된 영양소 간 상호작용을 고려한 부작용 정보를 검출하고, 메인서버(200)는 인공지능망에서 출력된 영양소 및 건강기능식품의 종류, 용량, 용법, 영양소 간 상호작용을 고려한 부작용 정보를 사용자의 개인 단말기(100)로 제공한다. 이렇게 함으로써, 사용자는 정확도 및 정밀도를 높인, 본인 맞춤형 건강기능식품의 정보, 즉, 본인 맞춤형의 영양소 및 건강기능식품의 종류, 용량, 용법과, 영양소 간 상호작용을 고려한 부작용 정보를 제공 받을 수 있다.
여기서, 개인 단말기(100)는 회원으로 가입된 고객의 개인 단말기로, 스마트폰, 개인용 컴퓨터, 노트북 등일 수 있으며, 소정 응용프로그램이 설치되어 있다.
건강 검진 데이터는 총 34개의 변수로, 가입자 일련번호와 수진자 기본정보(성별, 연령과 같은 기본정보) 건강검진결과 및 문진정보(신장, 몸무게, 허리둘레 등 신체사이즈 정보와, 혈압, 혈당, 콜레스테롤, 요단백, 감마지피티와 같은 병리검사결과 시력과 청력, 구강검사와 같은 진단검사결과 그 외 음주와 흡연 여부에 대한 문진결과)로 구성될 수 있다.
즉, 건강 검진 데이터는, 기준년도(건강검진한 날짜), 일련번호, 성별, 연령대, 신장, 체중, 허리둘레, 수축기혈압, 이완기혈압, 식전혈당(공복혈당), 총콜레스테롤, 트리글리세라이드(중성지방), HDL콜레스테롤, LDL콜레스테롤, 혈색소, 요단백, 혈청크레아티닌, (혈청지오티)AST, (혈청지오티)ALT, 감마지티피, 흡연상태, 음주여부, 구강검진수검여부, 치아우식증 유무, 치아관련 정보를 포함한다.
투약 및 처방 정보는, 기본정보(성, 연령대 등)과 의약품처방전별 개별 의약품에 대한 처방내역(요양개시일자, 1회 투약량, 1일 투약량, 총 투여 일수 등)으로 구성될 수 있다.
본 발명에서는, 공공DB 저장된 건강검진 빅데이터, 투약/처방 빅데이터, 가족력, 생활습관 빅데이터를 분석하여 개인 건강 상태를 고려한 건강기능식품(영양제) 정보 제공을 위한 기계학습 모델을 구축하였다.
사용자의 1년 내의 건강 검진 데이터를 기계학습 모델에 적용하여, 첫 번째로, 개인의 현재 건강상태 정보, 개인의 현재 건강상태를 고려한 영양소 정보를 도출하고, 두 번째로, 사용자의 6개월 내의 투약/처방 데이터를 기계학습 모델에 적용하여 개인의 복용약물를 분석하여 “소모되거나 합성이 안되는 영양소 정보”(드럭머거)와 개인의 복용약물 정보를 고려한 영양소 정보를 도출하고, 세 번째로, 첫 번째와 두 번째의 분석정보를 통합(merge)하여 개인에 최적화된 영양소 정보를 도출하고, 상기 정보를 고려하여 최종적으로 건강기능식품 종류, 복용량, 복용시기, 복용횟수, 영양소간 상호작용 데이터, 부작용 데이터를 도출하여 사용자에게 정보 제공을 하도록 이루어진다.
도 2는 도 1의 메인서버(200)의 구동 방법의 일 실시예를 개략적으로 설명하기 위한 흐름도이다.
로그인 단계(S100)로, 메인서버(200)는, 개인정보(개인식별정보)를 입력하고, 기 설정된 공인인증서의 보유 여부를 판단하고(S110), 만약 기설정된 공인인증서가 없는 비회원인 고객은, 건강상태확인 설문조사단계(S120)로 가고, 만약 기 설정된 공인인증서를 보유한 회원인 고객은 공인인증서를 통해 로그인을 행하고, 건강검진 이력보유 판단단계(S130)로 간다.
건강상태확인 설문조사단계(S120)로, 메인서버(200)는, 기 저장된 건강상태확인 설문별로 고객이 입력한 정보를 데이터베이스(미도시)에 저장한다.
건강검진 이력보유 판단단계(S130)로, 데이터베이스(미도시)에 1년내 고객의 건강검진 이력이 보유되어 있는지를 판단하고, 만약 보유되어 있지 않다고 하면, 제1 투약/처방 정보 보유 여부판단단계(S150)으로 가고, 만약 보유되어있다면, 건강이상 여부판단단계(S140)로 간다.
건강이상 여부판단단계(S140)로, 건강검진 이력보유 판단단계(S130)에서 1년내 고객의 건강검진 이력이 보유되어 있다면, 메인서버(200)는, 데이터베이스(미도시)로부터 1년내 고객의 건강검진 이력관련 데이터를 읽어들이고, 이들 데이터들이 정상범위를 초과하는지를 판단하고(S150), 만약 정상범위를 초과한다면 건강에 이상이 있는 것으로, 제2 투약/처방 정보 보유 여부판단단계(S180)로 가고, 만약 정상범위를 초과하지 않는다면 건강에 이상이 없는 것으로, 제1 투약/처방 정보 보유 여부판단단계(S150)로 간다.
제1 투약/처방 정보 보유 여부판단단계(S150)로, 메인서버(200)는, 데이터베이스(미도시)에 고객의 투약/처방 정보를 보유하고 있는 지를 판단하고, 만약 보유되어있다면, 드럭머거 리스트 작성단계(S160)으로 가고, 만약 보유되어 있지 않다고 하면, 건강상태확인 설문조사단계(S120)로 간다.
드럭머거 리스트 작성단계(S160)로, 제1 투약/처방 정보 보유 여부판단단계(S150)에서 고객의 투약/처방 정보를 보유하고 있다면, 메인서버(200)는, 데이터베이스(미도시)로부터 고객의 투약/처방 정보를 읽어들이고, 투약/처방 정보에 따른 기저장된 드럭머거를 읽어들여 드럭머거 리스트를 작성하고, 건강기능식품 선출단계(S210)으로 간다.
설문 결과에 따른 구성단계(S170)로, 메인서버(200)는, 건강상태확인 설문조사단계(S120)에서 저장된 설문별 답변에 따라, 건강상태 특징 파라미터를 추출하고, 이를 건강 검진 파라미터로서 데이터베이스에 저장하고, 건강기능식품 선출단계(S210)으로 간다.
제2 투약/처방 정보 보유 여부판단단계(S180)로, 메인서버(200)는, 데이터베이스(미도시)에 고객의 투약/처방 정보를 보유하고 있는 지를 판단하고, 만약 보유되어있다면, 검진이상 리스트 및 드럭머거 리스트 작성단계(S200)로 가고, 만약 보유되어 있지 않다고 하면, 검진이상 리스트 작성단계(S190)으로 간다.
검진이상 리스트 작성단계(S190)로, 제2 투약/처방 정보 보유 여부판단단계(S180)에서, 데이터베이스(미도시)에 고객의 투약/처방 정보를 보유하고 있지 않다면, 건강이상 여부판단단계(S140)에서, 1년내 고객의 건강검진 이력관련 데이터들 중 정상범위를 초과하는 건강검진 파라미터들의 리스트, 즉, 검진이상 리스트를 작성하고, 건강기능식품 선출단계(S210)으로 간다.
검진이상 리스트 및 드럭머거 리스트 작성단계(S200)로, 제2 투약/처방 정보 보유 여부판단단계(S180)에서, 데이터베이스(미도시)에 고객의 투약/처방 정보를 보유하고 있다면, 메인서버(200)는, 데이터베이스(미도시)로부터 고객의 투약/처방 정보를 읽어들이고, 투약/처방 정보에 따른 기저장된 드럭머거를 읽어들여 드럭머거 리스트를 작성하고, 또한, 건강이상 여부판단단계(S140)에서, 1년내 고객의 건강검진 이력관련 데이터들 중 정상범위를 초과하는 건강검진 파라미터들의 리스트, 즉, 검진이상 리스트를 작성하고, 건강기능식품 선출단계(S210)으로 간다.
건강기능식품 선출단계(S210)로, 메인서버(200)는, 데이터베이스로부터 읽어들인 건강검진 데이터, 또는 검진이상 리스트, 또는 드럭머거 리스트를 인공지능망, 즉 기 학습된 기계학습 모델에 입력하고, 인공지능망으로부터 출력되는 건강기능식품 정보, 즉, 건강기능식품 종류(또는 명칭), 복용량, 복용정보(복용주기), 건강기능식품 정보들 간의 상호작용 정보, 건강기능식품 정보의 부작용 리스트를 고객의 개인단말기(100)로 전송한다.
이하, 건강기능식품 선출단계(S210)의 기계학습 모델에 대해 설명한다.
본 발명의 건강 정보 및 투약 정보 분석 기반의 건강기능식품 섭취 정보를 제공하는 시스템을 위한 데이터의 분석을 위해, 정형화 정도에 따른 의료데이터를 분류하고, 정형(Structured) 데이터, 반정형(Semi-structured) 데이터, 비정형(unstructured) 데이터로 구분하고 의료 전문의 자문을 통해 데이터 정규화 기준을 수립하였다. 사용자 1명당 다음 표1의 정형, 비정형 및 반정형 데이터로 확보 가능하며, 규격화를 통해 학습이 가능한 형태의 데이터로 가공하여 모델 개발에 활용하였다.
Figure pat00001
이들 데이터는, 건강 검진 데이터 총 34개의 변수로, 가입자 일련번호와 수진자 기본정보(성, 연령과 같은 기본정보), 건강검진결과 및 문진정보(신체(키), 몸무게, 허리둘레 등 신체사이즈 정보와 혈압, 혈당, 콜레스테롤, 요단백, 감마지피티와 같은 병리검사결과, 시력과 청력, 구강검사와 같은 진단검사결과, 그 외 음주와 흡연 여부에 대한 문진결과)로 구성하였다. 34개의 사용자 건강 관련 데이터 변수의 중요도를 분석하고, 건강 데이터 변수와 투약/처방 데이터 간 상관관계 분석을 통한 34개의 사용자 건강 관련 데이터 카테고리 분류한다. 즉, 34개의 건강 데이터 변수와 투약/처방 데이터 간 상관관계 분석하여, 기 지정된 상관관계 문턱치를 기반으로 건강 데이터 변수 중 상관관계가 높은 데이터(즉, 건강 관련 데이터 변수)와, 그 데이터의 중요도를 추출하고, 투약과 처방에 영향을 미치는 데이터를 도출한다.
여기서 중요도는 상관관계 문턱치를 초과하는 건강 관련 데이터 변수를 검진이상 리스트로 분류하고, 건강 관련 데이터 변수와 투약/처방 데이터와의 상관도(상관계수)의 크기에 따라, 기설정된 가중치를 부여하며, 이 가중치를 중요도라 한다.
또한, 투약과 처방에 영향을 미치는 데이터 등의 추출을 위해, 상관관계 문턱치를 초과하는 건강검진 데이터, 검진 이상 리스트, 설문 결과 정보를 입력벡터로, 기계학습된 500개 건강 케이스 학습 모델에 적용하고, 500개의 각 건강 케이스 학습 모델에서, 그 건강 케이스(질병)에 해당할 확률을 출력하고, 출력된 활률이 소정 확률 기준치를 초과하는 건강 케이스들을 구한다.
본 발명에서는 360명 22개 분과 전문의의 자문 기반으로 500개 건강 케이스 학습 모델 설계하였으며, 34개의 건강 관련 데이터 기반의 지도학습 방식의 다항 로지스틱 회귀 분석(Multiple Logistic Regression Analysis)을 통해 500개(K)의 클래스로 분류하고 입력 벡터 x가 각 클래스로 분류될 확률(P)를 수학식 1에 의해 구한다.
Figure pat00002
여기서 Y는 클래스를나타내며, K는 500개 건강 케이스 학습 모델이며, X는 34개의 사용자 건강 관련 데이터 변수를 나타내며 β는 로지스틱 다중 회귀 계수이다.
본 발명은, 기본정보(성, 연령과 같은 기본정보) 건강검진결과 및 문진정보(신체, 몸무게, 허리둘레 등 신체사이즈 정보와 혈압, 혈당, 콜레스테롤, 요단백, 감마지파티와 같은 병리검사결과 시력과 청력, 구강검사와 같은 진단검사결과 그외 음주와 흡연여부에 대한 문진결과 등의 34개 변수의 변수를 이용하는 500개 건강 케이스 학습 모델를 구축했다.
도 3은, 상관관계가 높은 데이터와, 그 데이터의 중요도를 건강 케이스 학습 모델에 적용하고 그 모델을 수행하는 과정을 나타낸다.
본 발명은, AI 학습 모델인 500개 건강 케이스 학습 모델를, 기 구축된 데이터셋을 이용하여 학습하되, 학습을 위한 인공신경망 구축 시, 즉, 건강 케이스 학습 모델 구축시, 최종 출력층에서 단순 이진화 분류가 아닌 확률적 추론을 위한 소프트맥스 회귀(Softmax Regression) 알고리즘 적용한다.
즉, 소프트맥스 회귀(Softmax Regression) 알고리즘 적용하여, 상술한, 도출된 투약과 처방에 영향을 미치는 데이터로부터, 건강기능식품 정보, 즉, 건강기능식품 종류(또는 명칭), 복용량, 복용정보(복용주기) 등을 추출한다.
일반적으로 로지스틱 회귀는 sidmoid 함수를 거친 결과를 가지고 이진 분류를 하며, 2개의 클래스가 아닌 여러개의 클래스로 분류를 하기 위해서는 소프트맥스 회귀를 사용해야한다. 소프트맥스 회귀를 거치면 모두 0~1 사이의 값을 가지고 모든합이 1이 되는 결과들이 나온다. 이는 각 클래스에 해당하는 확률을 의미한다.
본 발명에서, 소프트맥스 회귀(SoftMax Regression)을 통해 오차로부터 발생한 가중치(weight)와 바이어스(bias)를 업데이트 하며, 원핫(one-hot) 인코딩을 통해 해당 21개의 영양제에 대한 500개 건강 케이스 별 추천/비추천을 분류한다.
도 4는 프트맥스 회귀(SoftMax Regression)을 통해 오차로부터 발생한 가중치(weight)와 바이어스(bias)를 업데이트 하며, 원핫(one-hot) 인코딩을 행하는 과정을 나타내는 흐름도(설명도)이다.
학습 모델의 정확성 평가를 위해 학습 데이터 중, 8(학습 데이터) : 2(평가 데이터)로 나누어 성능 평가 진행하였으며, 모델의 영양제 추천 성능 평가는 360명 22개 분과 전문의의 영양제 추천 결과 대비 약 87.2%로 매칭되었다.
본 발명의 기계학습의 성능평가결과의 예는 표 2와 같다.
Figure pat00003
본 발명은 학습 모델의 확률에 기반하여 복용량 추천 항목 리스트를 구성하며, 결과는 의사의 소견을 포함하지 않으며, 통계에 의해 적합한 복용량을 제공한다.
도 5는 본 발명에서의 기계학습 모델을 나타낸다. 500개 건강 케이스 별 추천되는 21개의 영양제에 대한 추천/비추천 결과, 복용량을 기준으로하여 영양소강도(드럭머거리스트)를 기존의 정보를 이용하여 건강기능 식품과 매칭하여 정보로 제공한다.
본 발명은 학습 모델에 대하여 5-폴드 교차 검증(5-Fold Cross Validation)에서 데이터 셋의 서로 다른 부분 집합에 대해 모델을 평가하고 여러 개의 모델 품질 척도를 획득하였다.
또한, 본 발명은 교차 검증 과정을 계속 반복해서 모든 폴드를 홀드아웃 셋으로 사용하고, 이를 종합하여 데이터의 100%가 홀드아웃으로 사용되게 되며, 데이터의 모든 행을 대상으로 한 학습 모델 성능 측정 및 검증하였다.
이상에서는, 본 발명을 특정의 바람직한 실시예에 대해서 도시하고 설명하였다. 그러나 본 발명은 상술한 실시 예에만 한정되는 것은 아니며, 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자라면 이하의 청구범위에 기재된 본 발명의 기술적 사상의 요지를 벗어남이 없이 얼마든지 다양하게 변경 실시할 수 있을 것이다.
100: 개인 단말기
200: 메인서버

Claims (16)

  1. 입력된 고객의 개인 건강관련정보를 메인서버로 전송하고, 메인서버로부터 수신된 개인맞춤의 건강기능식품 정보를 출력하는, 개인단말기;
    고객의 개인 건강관련정보를, 기계학습모델 입력으로서, 기 학습된 인공지능망인 기계학습모델에 입력하고, 기계학습모델로부터 출력된 기계학습모델 출력으로서, 건강기능식품 정보를, 개인단말기로 전송하는, 메인서버;
    를 포함하는 것을 특징으로 하는, 건강기능식품 섭취 정보를 제공하는 시스템.
  2. 제1항에 있어서,
    상기 고객이 메인서버에 등재되지 않은 고객일 경우, 또는 상기 고객이 메인서버에 등재된 고객이되, 데이터베이스에 고객의 건강검진 이력이 저장되어 있지 않은 경우,
    고객의 개인 건강관련정보는, 소정의 건강관련 설문들에 따라 고객이 답변한, 설문 답변정보이며,
    메인서버는 상기 설문 답변정보로부터 인공지능망을 통해 건강검진 정보를 검출하고, 검출된 건강검진 정보를 기계학습모델 입력으로서 기계학습모델에 적용하는 것을 특징으로 하는, 건강기능식품 섭취 정보를 제공하는 시스템.
  3. 제1항에 있어서,
    상기 고객이 메인서버에 등재된 고객이되, 데이터베이스에 고객의 건강검진 이력과, 투약 또는 처방 정보를 저장하고 있다면,
    고객의 투약 또는 처방 정보에 따른 드럭머거를 데이터 베이스로부터 읽어들여 드럭머거 리스트를 작성하고,
    고객의 건강검진 데이터를 데이터 베이스로부터 읽어들이고, 고객의 건강검진관련 데이터들 중에 기 설정된 정상범위를 초과하는 건강검진 데이터들의 리스트인, 검진이상 리스트를 작성하고,
    메인서버는 고객의 건강검진 데이터, 드럭머거 리스트, 검진이상 리스트를 기계학습모델 입력으로서 기계학습모델에 적용하는 것을 특징으로 하는, 건강기능식품 섭취 정보를 제공하는 시스템.
  4. 제1항에 있어서,
    건강검진 데이터는, 성별, 연령, 신장, 체중, 허리둘레, 수축기혈압, 이완기혈압, 식전혈당(공복혈당), 총콜레스테롤, 트리글리세라이드(중성지방), HDL콜레스테롤, LDL콜레스테롤, 혈색소, 요단백, 혈청크레아티닌, (혈청지오티)AST, (혈청지오티)ALT, 감마지티피, 흡연상태, 음주여부, 구강검진수검여부, 치아우식증 유무, 치아관련 정보 중 6개 이상을 포함하는 것을 특징으로 하는, 건강기능식품 섭취 정보를 제공하는 시스템.
  5. 제1항에 있어서,
    제1항에 있어서,
    상기 고객이 메인서버에 등재된 고객이되, 데이터베이스에 고객의 건강검진 이력을 저장하고 있으나, 투약 또는 처방 정보를 저장하고 있지 않다면,
    고객의 건강검진 데이터를 데이터 베이스로부터 읽어들이고, 고객의 건강검진관련 데이터들 중에 기 설정된 정상범위를 초과하는 건강검진 데이터들의 리스트인, 검진이상 리스트를 작성하고,
    메인서버는 고객의 건강검진 데이터와, 검진이상 리스트를, 기계학습모델 입력으로서 기계학습모델에 적용하는 것을 특징으로 하는, 건강기능식품 섭취 정보를 제공하는 시스템.
  6. 제1항 내지 제5항 중 어느 한항에 있어서,
    기계학습모델은 인공지능망에서 다수의 개인 건강검진 데이터를 이용하여 사전에 학습되어 생성된 모델인 것을 특징으로 하는, 건강기능식품 섭취 정보를 제공하는 시스템.
  7. 고객의 개인단말기로부터 수신되어 데이터베이스에 저장된 개인 건강관련정보를, 메인서버가, 기계학습모델 입력으로서, 기 학습된 인공지능망인 기계학습모델에 입력하고, 기계학습모델로부터 출력된 기계학습모델 출력으로서, 건강기능식품 정보를, 고객의 개인단말기로 전송하는, 건강기능식품 섭취 정보를 제공하는 시스템의 구동방법에 있어서,
    메인서버는 상기 고객이 메인서버에 등재된 고객인지 여부를 판단하여, 만약 등재되지 않은 고객이라면, 건강상태확인 설문조사단계로 가는, 로그인 단계;
    고객의 개인단말기는 소정의 건강관련 설문들을 출력하고, 상기 건강관련 설문들에 따라 고객이 답변한, 설문별 답변정보를 메인서버로 전송하여 데이터베이스에 저장하는, 건강상태확인 설문조사단계;
    메인서버는, 건강상태확인 설문조사단계에서 저장된 설문별 답변정보에 따라, 건강상태 특징 파라미터를 추출하고, 이를 건강 검진 정보로서 데이터베이스에 저장하는, 설문 결과에 따른 건강상태 특징 구성단계;
    메인서버는, 데이터베이스로부터 읽어들인 건강검진 정보를 포함하는 기계학습모델 입력을, 기계학습 모델에 입력하고, 기계학습 모델로부터 출력되는 기계학습모델 출력을 고객의 개인단말기로 전송하는, 건강기능식품 선출단계;
    를 포함하는 것을 특징으로 하는, 건강기능식품 섭취 정보를 제공하는 시스템의 구동방법.
  8. 제7항에 있어서,
    메인서버는, 로그인 단계에서 상기 고객이 메인서버에 등재된 고객이라면, 메인서버는 데이터베이스에 고객의 건강검진 이력이 보유되어 있는지를 판단하고, 만약 보유되어 있지 않다고 하면, 제1 투약/처방 정보 보유 여부판단단계로 가는, 건강검진 이력보유 판단단계;
    메인서버는, 데이터베이스에 고객의 투약/처방 정보를 보유하고 있는 지를 판단하고, 만약 보유되어있다면, 드럭머거 리스트 작성단계로 가고, 만약 보유되어 있지 않다고 하면, 건강상태확인 설문조사단계로 가는, 제1 투약/처방 정보 보유 여부판단단계;
    메인서버는, 데이터베이스로부터 고객의 투약/처방 정보를 읽어들이고, 투약/처방 정보에 따른 기저장된 드럭머거를 데이터베이스로부터 읽어들여 드럭머거 리스트를 작성하고, 건강기능식품 선출단계로 가는, 드럭머거 리스트 작성단계;
    를 포함하는 것을 특징으로 하는, 건강기능식품 섭취 정보를 제공하는 시스템의 구동방법.
  9. 제8항에 있어서,
    건강기능식품 선출단계에서 기계학습모델 입력은, 더 드럭머거 리스트를 포함하는 것을 특징으로 하는, 건강기능식품 섭취 정보를 제공하는 시스템의 구동방법.
  10. 제8항에 있어서,
    메인서버는, 건강검진 이력보유 판단단계에서 데이터베이스에 고객의 건강검진 이력이 보유되어 있다고 하면, 메인서버는, 데이터베이스로부터 고객의 건강검진 이력관련 데이터를 읽어들이고, 이들 데이터들이 정상범위를 초과하는지를 판단하고, 만약 정상범위를 초과한다면 건강에 이상이 있는 것으로, 제2 투약/처방 정보 보유 여부판단단계로 가고, 만약 정상범위를 초과하지 않는다면, 제1 투약/처방 정보 보유 여부판단단계로 가는, 건강이상 여부판단단계;
    메인서버는, 데이터베이스에 고객의 투약/처방 정보를 보유하고 있는 지를 판단하고, 만약 보유되어 있지 않다고 하면, 검진이상 리스트 작성단계로 가는, 제2 투약/처방 정보 보유 여부판단단계;
    메인서버는, 건강이상 여부판단단계의 고객의 건강검진 이력관련 데이터들 중 정상범위를 초과하는 건강검진 파라미터들의 리스트인, 검진이상 리스트를 작성하고, 건강기능식품 선출단계로 가는, 검진이상 리스트 작성단계;
    를 포함하는 것을 특징으로 하는, 건강기능식품 섭취 정보를 제공하는 시스템의 구동방법.
  11. 제10항에 있어서,
    건강기능식품 선출단계에서 기계학습모델 입력은, 검진이상 리스트를 포함하는 것을 특징으로 하는, 건강기능식품 섭취 정보를 제공하는 시스템의 구동방법.
  12. 제10항에 있어서,
    제2 투약/처방 정보 보유 여부판단단계에서, 데이터베이스에 고객의 투약/처방 정보를 보유하고 있다고 하면, 메인서버는, 데이터베이스로부터 고객의 투약/처방 정보를 읽어들이고, 투약/처방 정보에 따른 기저장된 드럭머거를 읽어들여 드럭머거 리스트를 작성하고, 또한, 건강이상 여부판단단계의 고객의 건강검진 이력관련 데이터들 중 정상범위를 초과하는 건강검진 파라미터들의 리스트인, 검진이상 리스트를 작성하고, 건강기능식품 선출단계로 가는, 검진이상 리스트 및 드럭머거 리스트 작성단계;
    를 포함하는 것을 특징으로 하는, 건강기능식품 섭취 정보를 제공하는 시스템의 구동방법.
  13. 제12항에 있어서,
    건강기능식품 선출단계에서 기계학습모델 입력은, 검진이상 리스트 및 드럭머거 리스트를 포함하는 것을 특징으로 하는, 건강기능식품 섭취 정보를 제공하는 시스템의 구동방법.
  14. 제7항 내지 제13항 중 어느 한 항에 있어서,
    기계학습모델은 500개 건강 케이스 학습 모델를 포함하되,
    500개 건강 케이스 학습 모델은,
    성별, 연령을 포함하는 수진자 기본정보 및 가입자 일련번호로 이루어진 제1 건강검진 데이터 변수들과,
    키, 몸무게를 포함하는 건강검진결과와, 음주여부를 포함하는 설문(문진) 결과로 이루어진 제2 건강검진 데이터변수들을 포함하는, 건강 검진 데이터 변수를 이용하여,
    당뇨를 포함하는 500개 건강 케이스일 확률을 검출하는 기계학습모델인 것을 특징으로 하는, 건강기능식품 섭취 정보를 제공하는 시스템의 구동방법.
  15. 제14항에 있어서, 건강기능식품 선출단계는,
    메인서버는, 제1 건강검진 데이터 변수들과 제2 건강검진 데이터변수들을 포함하는 건강 검진 데이터 변수와, 의료전문인에 의해 기 처방된 투약 또는 처방 데이터 간의 상관계수를 구하는 단계;
    메인서버는, 구하여진 상관계수가 기 지정된 상관관계 문턱치를 초과하는 상관계수를 가진 건강검진 데이터변수들을 검출하고, 검출된 건강검진 데이터변수들의 상관계수에 따라 기설정된 가중치를 부여하되, 상기 가중치를 '중요도'로하는 단계;
    메인서버는, 상관관계가 높은 건강검진 데이터변수와 중요도를 입력벡터로, 기계학습된 500개 건강 케이스 학습 모델에 적용하고, 500개의 각 건강 케이스 학습 모델에서, 그 건강 케이스에 해당할 확률을 출력하고, 출력된 활률이 소정 확률 기준치를 초과하는 건강 케이스들을, '투약과 처방에 영향을 미치는 데이터'로 하는 단계;
    를 포함하는 것을 특징으로 하는, 건강기능식품 섭취 정보를 제공하는 시스템의 구동방법.
  16. 제15항에 있어서, 건강기능식품 선출단계는,
    투약과 처방에 영향을 미치는 데이터로부터, 소프트맥스 회귀(Softmax Regression) 알고리즘 적용하여, 건강기능식품 종류 또는 건강기능식품 명칭, 복용량, 복용주기를 포함하는 건강기능식품 정보를 검출하는 단계를 더 포함하는 것을 특징으로 하는, 건강기능식품 섭취 정보를 제공하는 시스템의 구동방법.
KR1020210158019A 2020-11-16 2021-11-16 건강 정보 및 투약 정보 분석 기반의 건강기능식품 섭취 정보를 제공하는 시스템 및 방법 KR20220068181A (ko)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
KR20200152599 2020-11-16
KR1020200152599 2020-11-16

Publications (1)

Publication Number Publication Date
KR20220068181A true KR20220068181A (ko) 2022-05-25

Family

ID=81796830

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020210158019A KR20220068181A (ko) 2020-11-16 2021-11-16 건강 정보 및 투약 정보 분석 기반의 건강기능식품 섭취 정보를 제공하는 시스템 및 방법

Country Status (1)

Country Link
KR (1) KR20220068181A (ko)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102569889B1 (ko) * 2023-05-16 2023-08-28 주식회사 다니엘0220 뉴럴 네트워크를 이용하여 사용자 단말에게 건강기능식품에 대한 추천 정보를 제공하는 방법 및 장치

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102569889B1 (ko) * 2023-05-16 2023-08-28 주식회사 다니엘0220 뉴럴 네트워크를 이용하여 사용자 단말에게 건강기능식품에 대한 추천 정보를 제공하는 방법 및 장치

Similar Documents

Publication Publication Date Title
Reiss et al. Philosophy of medicine
Quoidbach et al. Emodiversity and the emotional ecosystem.
Klonoff et al. The surveillance error grid
Ross et al. National survey of yoga practitioners: Mental and physical health benefits
EP2804119A2 (en) Analysis System and Health Business Support Method
CN112890816A (zh) 一种个人用户的健康指数评分方法和装置
Stankevitz et al. Perceived barriers to healthy eating and physical activity among participants in a workplace obesity intervention
US11972469B2 (en) System and machine-readable media for selection of regulated products
Versace et al. The reality of “food porn”: Larger brain responses to food‐related cues than to erotic images predict cue‐induced eating
Ha et al. Fluoridated water modifies the effect of breastfeeding on dental caries
Kichler et al. Exploratory analysis of the relationships among different methods of assessing adherence and glycemic control in youth with type 1 diabetes mellitus.
Park Gauging the emerging plus-size footwear market an anthropometric approach
Pearsall et al. Dietary advice for people with schizophrenia
Rasche et al. Satisfying product features of a fall prevention smartphone app and potential users’ willingness to pay: Web-based survey among older adults
Kocher et al. Conceptions of pregnancy health and motivations for healthful behavior change among women in American Samoa
Campos-Náñez et al. Effect of BGM accuracy on the clinical performance of CGM: an in-silico study
Lertwannawit et al. Metrosexual identification: Gender identity and beauty-related behaviors
Buckell et al. Weight loss interventions on health‐related quality of life in those with moderate to severe obesity: findings from an individual patient data meta‐analysis of randomized trials
KR20220068181A (ko) 건강 정보 및 투약 정보 분석 기반의 건강기능식품 섭취 정보를 제공하는 시스템 및 방법
Hyldelund et al. Food Pleasure Profiles—An Exploratory Case Study of the Relation between Drivers of Food Pleasure and Lifestyle and Personality Traits in a Danish Consumer Segment
Abeywickrema et al. Olfactory and gustatory supra-threshold sensitivities are linked to ad libitum snack choice
Epstein et al. Determinants and consequences of adherence to the DASH diet in African American and white adults with high blood pressure: results from the ENCORE trial
KR102467340B1 (ko) 챗봇 기반의 질의응답 및 생체표지자 데이터를 이용한 맞춤형 영양 관리 시스템
Orquin et al. A meta-analytical and experimental examination of blood glucose effects on decision making under risk
KR20200036168A (ko) 개인의 신체 리듬 맞춤형 작물 매칭 시스템