KR20220082869A - 진단 툴 - Google Patents
진단 툴 Download PDFInfo
- Publication number
- KR20220082869A KR20220082869A KR1020227015817A KR20227015817A KR20220082869A KR 20220082869 A KR20220082869 A KR 20220082869A KR 1020227015817 A KR1020227015817 A KR 1020227015817A KR 20227015817 A KR20227015817 A KR 20227015817A KR 20220082869 A KR20220082869 A KR 20220082869A
- Authority
- KR
- South Korea
- Prior art keywords
- patient
- data
- values
- physiological
- diagnostic
- Prior art date
Links
- 238000000034 method Methods 0.000 claims abstract description 87
- 230000037361 pathway Effects 0.000 claims description 36
- 238000003745 diagnosis Methods 0.000 claims description 18
- 238000013507 mapping Methods 0.000 claims description 14
- 238000013528 artificial neural network Methods 0.000 claims description 6
- 238000004590 computer program Methods 0.000 claims description 3
- 238000012549 training Methods 0.000 claims description 3
- 230000008569 process Effects 0.000 description 18
- 230000036541 health Effects 0.000 description 15
- 208000024891 symptom Diseases 0.000 description 12
- 238000004364 calculation method Methods 0.000 description 9
- 206010011224 Cough Diseases 0.000 description 7
- 230000004580 weight loss Effects 0.000 description 7
- 206010028980 Neoplasm Diseases 0.000 description 6
- 201000011510 cancer Diseases 0.000 description 6
- 238000010801 machine learning Methods 0.000 description 6
- 238000003066 decision tree Methods 0.000 description 5
- 230000006870 function Effects 0.000 description 5
- 206010058467 Lung neoplasm malignant Diseases 0.000 description 4
- 201000005202 lung cancer Diseases 0.000 description 4
- 208000020816 lung neoplasm Diseases 0.000 description 4
- 238000012360 testing method Methods 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 230000004596 appetite loss Effects 0.000 description 3
- 235000021266 loss of appetite Nutrition 0.000 description 3
- 208000019017 loss of appetite Diseases 0.000 description 3
- 238000007620 mathematical function Methods 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 230000004044 response Effects 0.000 description 3
- 230000035945 sensitivity Effects 0.000 description 3
- 239000000126 substance Substances 0.000 description 3
- 206010009944 Colon cancer Diseases 0.000 description 2
- 208000001333 Colorectal Neoplasms Diseases 0.000 description 2
- 230000001186 cumulative effect Effects 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 230000001747 exhibiting effect Effects 0.000 description 2
- 238000011835 investigation Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 238000012502 risk assessment Methods 0.000 description 2
- 206010033128 Ovarian cancer Diseases 0.000 description 1
- 206010061535 Ovarian neoplasm Diseases 0.000 description 1
- 208000032023 Signs and Symptoms Diseases 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 235000019789 appetite Nutrition 0.000 description 1
- 230000036528 appetite Effects 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 239000008280 blood Substances 0.000 description 1
- 210000004369 blood Anatomy 0.000 description 1
- 238000009534 blood test Methods 0.000 description 1
- 238000009535 clinical urine test Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000002405 diagnostic procedure Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 235000019800 disodium phosphate Nutrition 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000004043 responsiveness Effects 0.000 description 1
- 238000010187 selection method Methods 0.000 description 1
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
- G16H50/30—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for calculating health indices; for individual health risk assessment
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7235—Details of waveform analysis
- A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
-
- 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
-
- 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
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H10/00—ICT specially adapted for the handling or processing of patient-related medical or healthcare data
- G16H10/60—ICT specially adapted for the handling or processing of patient-related medical or healthcare data for patient-specific data, e.g. for electronic patient records
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/70—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)
- Biomedical Technology (AREA)
- General Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Pathology (AREA)
- Epidemiology (AREA)
- Primary Health Care (AREA)
- Life Sciences & Earth Sciences (AREA)
- Physics & Mathematics (AREA)
- Databases & Information Systems (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Mathematical Physics (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Veterinary Medicine (AREA)
- Psychiatry (AREA)
- Heart & Thoracic Surgery (AREA)
- Physiology (AREA)
- Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- Signal Processing (AREA)
- Fuzzy Systems (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Software Systems (AREA)
- Computational Linguistics (AREA)
- Medical Treatment And Welfare Office Work (AREA)
- Measuring And Recording Apparatus For Diagnosis (AREA)
Abstract
본 명세서에는 환자의 의학적 상태를 진단하는 방법이 개시된다. 본 방법은 환자로부터 복수의 생리학적 값들을 획득하는 단계, 상기 생리학적 값들을 기반으로 복수의 의학적 상태들 중 적어도 하나에 대한 위험 값들을 결정하도록 구성된 제1 모델을 구현하는 단계를 포함한다. 제1 모델을 구현하는 단계는 획득한 생리학적 값들 중 제1 값을 기반으로 적어도 하나의 의학적 상태에 대한 제1 위험 값을 획득하는 단계; 및 획득한 생리학적 값들 중 제2 값을 기반으로 제1 위험 값에 가중치를 부여하여 환자에 대한 적어도 하나의 의학적 상태의 총 위험 값을 결정하는 단계를 포함한다.
Description
본 개시내용은 적어도 하나 이상의 의학적 상태를 진단하기 위한 방법 및 시스템에 관한 것으로, 의학적 상태들의 위험을 식별하고 적절한 진단 경로(pathway)를 결정하기 위해 머신 러닝 기술을 사용하는 것을 포함한다.
암과 같은 특정 의학적 상태는 종래의 방식으로 진단하기가 매우 어려울 수 있다. 특정 진단에 대해 임상의에게 직접 경고하거나, 심지어 그러한 진단을 결정하기 위해 검사 또는 조사와 같은 특정 경로(pathway)를 지시하는 단일 증상이 없을 수 있다. 이러한 상태들은 고유의 징후, 증상, 및 위험 요소가 있는 수백 가지의 다양한 질병들의 세트일 수 있으며, 초기 단계에서는 모호하고 덜 심각한 상태들과 겹칠 수 있다. 따라서 증상이 처음 나타날 때, 예컨대 일반적인 진료 예약과 같은 초기 단계에서는, 상태 또는 적절한 진단 경로를 식별하는 것이 특히 어려울 수 있다.
또한, 의사가 행동 과정을 결정하거나 진단에 도달하는 데 도움이 될 수 있는 정보는 많은 상이한 출처에 포함될 수 있다. 예를 들어, 특정 상태가 나타나는 다면적인 방식을 고려할 때, 전통적으로 임상의가 그러한 결정을 즉각적으로 내리는 데 필요한 모든 정보를 갖는 것은 불가능할 수 있다.
최근 몇 년 동안 다양한 기술적 문제들을 해결하기 위해 클라우드 기반 기술과 애플리케이션 소프트웨어의 구현이 증가했다. 또한, 향상된 컴퓨팅 성능과 점점 더 많은 양의 적절한 훈련 데이터에 대한 액세스를 제공함으로써, 머신 러닝 기술들은 많은 기술적 문제에 대한 개선된 솔루션을 제공하기 위한 애플리케이션이 증가하고 있음을 발견했다. 특히, 많은 기술적 문제에 대한 깔끔하고 효과적인 솔루션을 제공하는 방법으로 신경망의 사용이 점점 보편화되고 있다. 본 개시내용의 실시예들은 상기 언급된 문제점들 중 일부 또는 전부 및 기타 기술적 문제점들을 해결할 수 있다.
본 개시의 양태들과 실시예들은 전술한 기술적 문제 및/또는 관련 문제의 적어도 일부를 해결하는 것을 목적으로 한다. 본 발명의 양태들은 독립항에 기재된 바와 같고 선택적 특징은 종속항에 기재된 바와 같다.
일 양태에서, 환자의 의학적 상태를 진단하는 방법을 제공하며, 이 방법은 상기 환자로부터 복수의 생리학적 값들을 획득하는 단계; 및 상기 생리학적 값들에 기초하여 복수의 의학적 상태 중 적어도 하나의 의학적 상태에 대한 위험 값을 결정하도록 구성된 제1 모델을 구현하는 단계를 포함하고; 상기 제1 모델을 구현하는 단계는, 획득한 상기 생리학적 값들 중 제1 값에 기초하여 상기 적어도 하나의 의학적 상태에 대한 제1 위험 값을 획득하는 단계; 및 획득한 상기 생리학적 값들 중 제2 값에 기초하여 상기 제1 위험 값에 가중치를 부여하여 상기 환자에 대한 상기 적어도 하나의 의학적 상태의 총 위험 값을 결정하는 단계를 포함한다.
일 양태에서, 환자의 의학적 상태를 진단하는 방법을 제공하며, 이 방법은 상기 환자로부터 복수의 환자 요인들을 획득하는 단계; 및 상기 환자 요인들에 기초하여 복수의 의학적 상태 중 적어도 하나의 의학적 상태에 대한 위험 값을 결정하도록 구성된 제1 모델을 구현하는 단계를 포함하고; 상기 제1 모델을 구현하는 단계는, 획득한 상기 환자 요인들에 기초하여, 상기 적어도 하나의 의학적 상태에 대한 기준 위험값(baseline risk value)에 가중치를 부여하여 상기 환자의 상기 적어도 하나의 의학적 상태에 대한 위험 값을 결정하는 단계를 포함한다.
일 양태에서, 환자의 의학적 상태를 진단하는 방법을 제공하며, 이 방법은 상기 환자로부터 복수의 생리학적 값들을 획득하는 단계; 및 상기 생리학적 값들에 기초하여 복수의 의학적 상태 중 적어도 하나의 의학적 상태에 대한 위험 값을 결정하도록 구성된 제1 모델을 구현하는 단계를 포함하고; 상기 제1 모델을 구현하는 단계는, 상기 생리학적 값들에 가중치를 부여하는 단계, 및 상기 가중치가 부여된 생리학적 값들에 기초하여 상기 적어도 하나의 의학적 상태에 대한 위험 값을 결정하는 단계를 포함한다.
각 위험 값은 환자가 해당 의학적 상태를 가질 가능성을 나타낼 수 있다.
상기 제1 모델을 구현하는 단계는, 차례로 복수의 생리학적 값 각각에 의해, 상기 기준 위험 값에 순차적으로 가중치를 부여하는 단계를 포함할 수 있다.
제1 모델을 구현하는 단계는 상기 생리학적 값들 각각과 관련된 위험을 결정하는 단계를 포함할 수 있고, 적어도 하나의 의학적 상태에 대한 위험 값을 제공하기 위해 관련된 위험들 각각을 결합(combine)하는 단계를 더 포함할 수 있다. 생리학적 값들에 가중치를 부여하는 단계는 상기 생리학적 값들 각각에 가중 인자(weighting factor)를 적용하는 단계를 포함할 수 있다. 예를 들어 가중 인자는 상수이거나 수학적 함수를 정의할 수 있다. 의학적 상태들 중 적어도 하나에 대한 위험 값을 결정하는 단계는 가중치가 부여된 생리학적 값들을 결합하는 단계를 포함할 수 있다. 가중 인자를 적용하는 단계는 상기 가중 인자를 포함하는 데이터를 획득하는 단계, 및/또는 예를 들어 상기 생리학적 값들에 대응하는 생리학적 파라미터들과 복수의 의학적 상태들 사이의 연관성을 나타내는 데이터를 기반으로 상기 가중 인자를 계산하는 단계를 포함할 수 있으며, 예를 들어, 상기 데이터는 데이터저장소로부터 획득될 수 있다.
가중치를 적용하는 단계는 상기 계산된 위험 값을 수정하기 위해 제2 세트 값들을 사용하는 단계를 포함할 수 있다. 예를 들어, 상기 제2 세트 값들은 추가적인 환자 정보, 예를 들어 환자에 대한 인구통계학적 데이터를 나타낼 수 있다.
매핑 데이터가 제공될 수 있으며, 예를 들어 프로세서에 의해 저장 및 획득될 수 있고, 제1 모델에 의해 사용될 수 있다. 상기 매핑 데이터는 복수의 의학적 상태 각각에 대해, 해당 상태에 대한 위험 값의 계산과 관련된 생리학적 파라미터들의 서브세트를 나타낼 수 있다. 상기 매핑 데이터는 선택된 의학적 상태인 각각의 생리학적 파라미터에 대한 의학적 상태의 서브세트를 대안적으로 또는 추가로 제공할 수 있으며, 예를 들어 생리학적 파라미터에 대해 의학적 상태들 각각에 대한 위험 평가와 관련이 있는지 여부에 대한 표시를 포함할 수 있다. 제1 모델은 상기 매핑 데이터에 기초하여 획득한 상기 생리학적 값들 각각을 관련 위험이 있는 의학적 상태들에 매핑할 수 있다. 따라서 주어진 생리학적 값 세트에 대해 의학적 상태의 서브세트만 선택될 수 있으며 해당 상태들에 대한 위험 값만 계산, 수정 및/또는 가중치가 부여될 수 있다.
데이터는 하나 이상의 의학적 상태를 가질 위험 백분율과 수치적 생리학적 값에 대응하는 생리학적 파라미터 사이의 기능적 관계의 표시(indication)를 포함하는 제1 모델에 의해 획득될 수 있고; 예를 들어 복수의 의학적 상태 중 하나 이상에 대한 위험 값은 생리학적 파라미터의 수학적 함수로서 변할 수 있다. 예를 들어 파라미터와 의학적 상태에 대한 위험 값 사이에 비례, 지수 또는 기타 수학적 관계가 있을 수 있다. 가중 데이터는 이러한 표시(indication)를 포함할 수 있다.
상기 방법은 상기 총 위험 값 각각을 선택된 문턱값과 비교하는 단계, 및 상기 총 위험 값 중 하나 이상이 해당 문턱값을 초과하는 경우, 해당 의학적 상태를 진단하기 위한 적어도 하나의 진단 경로를 선택하는 단계를 더 포함할 수 있다.
진단 경로를 선택하는 단계는 복수의 경로 파라미터 값 세트에 기초하여 복수의 가능한 진단 경로 중 적어도 하나를 선택하도록 구성된 제2 모델을 구현하는 단계를 포함할 수 있으며, 여기서 각각의 세트는 상기 진단 경로들 중 하나와 연관된다.
상기 제2 모델을 구현하는 단계는 파라미터 값들 중 하나가 문턱값을 충족하는 경우 관련 경로를 선택하는 단계를 포함할 수 있다. 상기 방법은 생리학적 값들의 세트, 및 복수의 의학적 상태 중 하나의 진단의 존재 또는 부재를 각각 식별하는 표시들의 세트를 포함하는 환자 데이터 세트를 획득하는 단계; 및 상기 환자 데이터 세트에 기초하여 제1 모델을 수정하는 단계를 포함할 수 있다.
상기 방법은 복수의 진단 경로 중 하나에 대한 진단 경로 데이터 세트를 획득하는 단계, - 상기 경로 데이터 세트는 해당 진단 경로에 대한 복수의 경로 파라미터 값을 포함함 -; 및 상기 경로 데이터 세트에 기초하여 상기 제2 모델을 수정하는 단계를 포함할 수 있다.
상기 제2 모델을 수정하는 단계는 대응하는 획득된 경로 파라미터 값에 의해, 상기 제2 모델의 해당 진단 경로와 연관된 경로 파라미터 값 각각에 가중치를 부여하는 단계를 포함할 수 있다.
상기 제1 모델 및 상기 제2 모델 중 적어도 하나는 베이지안 모델을 포함할 수 있다.
일 양태에서, 환자의 의학적 상태를 진단하는 방법이 제공되며, 상기 방법은 환자로부터 복수의 생리학적 값들을 획득하는 단계; 상기 생리학적 값들을 복수의 연관된 의학적 상태에 매핑하는 단계; 매핑된 상기 생리학적 값들에 기초하여 상기 의학적 상태들 각각에 관련된 총 위험 값을 결정하는 단계; 상기 총 위험 값 각각을 문턱값과 비교하는 단계; 및 상태에 대한 상기 총 위험 값이 상기 문턱값을 초과하는 경우, 상기 의학적 상태를 진단하기 위한 진단 경로 데이터를 출력하는 단계를 포함한다.
각각의 의학적 상태와 관련된 총 위험 값을 결정하는 단계는 각각의 생리학적 값에 대해, 매핑된 각각의 의학적 상태와 관련된 위험의 표시를 결정하는 단계를 포함할 수 있다.
상기 방법은 복수의 생리학적 파라미터와 복수의 의학적 상태 사이의 미리 결정된 연관성을 나타내는 위험 데이터를 획득하는 단계를 포함하고; 상기 생리학적 값들을 복수의 의학적 상태에 매핑하는 단계 및 각각의 의학적 상태에 대한 총 위험 값을 결정하는 단계 중 적어도 하나는 상기 위험 데이터를 기반으로 할 수 있다.
진단 경로 데이터를 출력하는 단계는 복수의 가능한 진단 경로 중 적어도 하나를 선택하는 단계를 포함할 수 있다.
상기 방법은 각각의 가능한 진단 경로들에 대해 복수의 경로 파라미터 값을 획득하는 단계를 더 포함할 수 있고; 상기 경로들 중 적어도 하나를 선택하는 단계는 상기 경로 파라미터 값들에 기초할 수 있다.
상기 복수의 가능한 진단 경로 중 적어도 하나를 선택하는 단계는, 해당 경로에 대한 파라미터 값들 중 어느 하나가 해당 문턱값을 충족하는 경우 해당 경로를 선택하는 단계를 포함할 수 있다.
상태에 대한 총 위험 값을 결정하는 단계는 이전 환자 데이터를 반복하는 단계를 포함할 수 있다. 이전 환자 데이터는 환자와 각각 관련된 복수의 데이터 세트를 포함할 수 있고, 데이터 세트 각각은 생리학적 값들의 세트; 및 상태들 중 하나의 진단의 존재 또는 부재를 각각 식별하는 표시들의 세트를 포함할 수 있다
상기 방법은 상기 이전 환자 데이터에 기초하여 상기 상태들 중 적어도 하나에 대한 상기 총 위험 값을 수정하는 단계를 추가로 포함할 수 있다.
상기 방법은 상기 이전 환자 데이터에 기초하여 상기 경로 파라미터 값들을 수정하는 단계를 추가로 포함할 수 있다.
상기 생리학적 값들은 환자 요인들 및 파라미터들의 여러 다른 클래스 중 하나 이상과 관련될 수 있다. 예를 들어, 여기에는 환자가 나타내는 징후 및 증상, 조사 또는 테스트 결과, 인구통계학적 데이터 및 위험 요인(예, 환자가 담배를 피우는지, 과체중인지 등)이 포함될 수 있지만 이에 국한되지는 않는다.
다른 양태에서, 의학적 상태를 진단하기 위한 인공 신경망을 훈련하는 방법이 제공되며, 이 방법은 신경망으로서, 생리학적 파라미터들의 세트와 복수의 의학적 상태 중 적어도 하나의 의학적 상태에 대한 위험 값 사이의 연관성을 제공하고, 상기 생리학적 파라미터들에 대응하는 획득한 생리학적 값들로부터 상기 적어도 하나의 의학적 상태에 대한 상기 총 위험의 표시를 출력하도록 구성된 제1 모델을 구현하는 단계; 환자 데이터 세트를 획득하는 단계; 및 상기 환자 데이터 세트에 기초하여 상기 제1 모델을 수정하는 단계를 포함하고; 상기 환자 데이터 세트는, 상기 생리학적 값들의 세트, 및 복수의 의학적 상태 중 하나의 진단의 존재 또는 부재를 각각 식별하는 표시들의 세트를 포함한다.
상기 방법은 복수의 상기 환자 데이터 세트를 획득하는 단계, 및 상기 환자 데이터 세트 각각에 기초하여 상기 제1 모델을 반복적으로 수정하는 단계를 더 포함할 수 있다.
상기 환자 데이터 세트는 복수의 진단 경로 중 하나에 대한 경로 데이터 세트를 더 포함할 수 있고, 상기 경로 데이터 세트는 해당 경로에 대한 복수의 경로 파라미터 값을 포함하고, 상기 방법은 신경망으로서, a) 상기 복수의 경로 파라미터 각각과 상기 복수의 진단 경로 각각 사이의 연관을 제공하고; 및 b) 수정된 제2 모델 및 획득한 생리학적 값들에 기초하여 상기 진단 경로 중 하나를 선택하도록 구성된 제2 모델을 구현하는 단계; 및 상기 경로 데이터 세트에 기초하여 상기 제2 모델을 수정하는 단계를 포함한다.
상기 방법은 상기 환자 데이터 세트들 각각에 기초하여 상기 제2 모델을 반복적으로 수정하는 단계를 더 포함할 수 있다.
일 양태에서, 설명된 방법들 중 어느 하나 것을 수행하도록 프로세서를 프로그래밍하도록 구성된 프로그램 명령들을 포함하는 컴퓨터 프로그램 제품이 제공된다.
상기 양태들과 실시예들은 그들이 나타내는 특정 생리학적 값의 범위에 기초하여 다수의 상이한 의학적 상태가 발병하는 환자의 위험을 결정하는 보다 효율적인 방법을 제공할 수 있고, 또한 상태의 진단을 위한 권장 조치 과정을 보다 효율적으로 제공할 수 있다. 또한 환자가 위험에 처한 상태를 보다 효과적으로 식별하고 특정 보건 당국이나 임상의의 개별 요구 사항에 따라 권장되는 치료 경로를 제공할 수 있다.
본 발명의 실시예들은 첨부된 도면을 참조하여 아래에 상세히 설명된다.
도 1은 임상의에게 하나 이상의 의학적 상태에 대한 위험 및 진단 경로를 제공하기 위한 예시적인 프로세스의 개요이다.
도 2는 환자 생리학적 값들에 기초하여 하나 이상의 의학적 상태에 대한 진단 경로를 제공하기 위한 프로세스의 일 예를 도시한다.
도 3은 임상의에게 위험 및 진단 정보를 제공하기 위한 예시적인 프로세스를 도시한다.
도 4는 기계 학습을 사용하여 하나 이상의 의학적 상태에 대한 진단 경로를 제공하기 위한 예시적인 프로세스를 도시한다.
도 5는 기계 학습을 사용하여 임상의에게 위험 및 진단 정보를 제공하는 또 다른 예시 프로세스를 보여준다.
도 1은 임상의에게 하나 이상의 의학적 상태에 대한 위험 및 진단 경로를 제공하기 위한 예시적인 프로세스의 개요이다.
도 2는 환자 생리학적 값들에 기초하여 하나 이상의 의학적 상태에 대한 진단 경로를 제공하기 위한 프로세스의 일 예를 도시한다.
도 3은 임상의에게 위험 및 진단 정보를 제공하기 위한 예시적인 프로세스를 도시한다.
도 4는 기계 학습을 사용하여 하나 이상의 의학적 상태에 대한 진단 경로를 제공하기 위한 예시적인 프로세스를 도시한다.
도 5는 기계 학습을 사용하여 임상의에게 위험 및 진단 정보를 제공하는 또 다른 예시 프로세스를 보여준다.
도 1은 의학적 상태를 진단하기 위한 진단 경로를 선택하기 위해 사용될 수 있는 프로세스(100)의 일반적인 개요를 제공한다. 이러한 프로세스는 임상의가 환자로부터 얻은 데이터와 임상의가 속한 특정 건강 서비스의 관련 규칙 및 가이드라인을 기반으로, 하나 이상의 의학적 상태를 가진 환자의 위험과 이러한 상태를 진단하기 위한 권장 경로에 관한 정보를 효율적으로 수신할 수 있다. 설명된 각 단계는 예를 들어 관련 데이터가 입력될 수 있는 복수의 장치에, 예를 들어, WAN(Wide Area Network)을 통해 연결될 수 있는 서버의 컨트롤러에 의해 수행될 수 있다.
본 예에서, 첫번째 단계로서, 예를 들어 프로세서에 의해 환자에 대한 데이터가 획득된다(101). 예를 들어, 이 데이터는 아래에서 더 자세히 설명되는 바와 같이, 환자와 관련된 생리학적 값들과 같은 환자 요인을 포함할 수 있다. 이 데이터는 환자를 진찰하는 임상의에 의해 PC, 스마트폰 또는 태블릿과 같은 컴퓨팅 장치에 입력되어 외부 서버로 전송될 수 있다. 이들 데이터는 수집된 값들을 기반으로 환자가 가질 수 있는 여러 상태에 대한 백분율 위험과 같은 하나 이상의 의학적 상태에 대한 위험 값을 결정하는 데 사용된다(102). 만약, 환자가 하나 이상의 상태의 위험을 갖는 경우, 예를 들어, 환자가 선택된 위험 문턱값보다 더 높게 계산된 위험을 갖는 것으로 결정되면, 그 상태를 진단하기 위해 하나 이상의 적합한 진단 경로가 선택된다(103). 이 정보, 예를 들어 환자가 위험에 처한 상태 및 선택된 진단 경로는 이후 임상의의 장치에 다시 제공되어 예컨대 표시될 수 있다. 이러한 각 단계는 다음 도면을 참조하여 아래에서 더 자세히 설명된다.
도 2는 환자가 하나 이상의 특정 의학적 상태를 가질 위험과 그러한 상태를 진단하기 위한 적절한 진단 경로 둘 다를 결정하기 위해 컴퓨팅 장치의 컨트롤러에 의해 수행되는 예시적인 프로세스(200)를 도시한다. 본 예에서, 먼저, 환자에 대한 생리학적 값들이 획득된다(201). 이 생리학적 값들은 환자가 보이는 증상과 징후, 조사 또는 검사 결과 및 위험 요인들(예컨대, 환자의 흡연 유무, 과체중 등), 및/또는 인구통계학적 데이터를 포함하는 파라미터들 및 환자요인들의 하나 이상의 상이한 클래스와 관련될 수 있는 것으로 이해될 수 있으나 이에 한정되지는 않는다. 이러한 값들은 임상의가 예를 들어 애플리케이션을 사용하여 자신의 장치의 사용자 인터페이스를 통해 컴퓨팅 장치에 입력할 수 있다. 예를 들어, 이 값들은 진료 예약에서 나타난 징후 또는 증상의 존재 또는 부재에 관한 긍정적 또는 부정적 표시; 특정 물질의 유무를 나타내는 특정 임상 시험(혈액, 소변 검사 등)의 결과 또는 특정 물질의 농도를 나타내는 수치 값; 체중, 키, BMI 및 연령 값, 환자의 병력 표시 - 예컨대, 진단을 받은 이전 상태에 대한 이전 진단 및 기타 인구 통계학적 데이터 일 수 있다.
이 생리학적 값 데이터의 일부 또는 전부는 임상의에 의해 기록되고 환자와의 검사 또는 예약 시 장치에 입력될 수 있다. 대안적으로, 이들 데이터는 미리 기록되어 데이터 저장소에 저장될 수 있다. 임상의의 장치에 입력된 생리학적 값들은 이와 같은 네트워크를 통해 원격 서버로 전송될 수 있으며 여기에 설명된 계산(calculations)은 서버에서 수행될 수 있다. 생리학적 값 데이터가 데이터 저장소에 저장되는 경우, 그러한 저장소는 서버에 로컬이거나 대안적으로 WAN과 같은 네트워크를 통해 액세스할 수 있으므로 서버의 컨트롤러가 데이터 저장소로부터 생리학적 값들을 획득 및/또는 추출할 수 있다. 이 값들은 이후 복수의 의학적 상태 중 적어도 하나에 대한 위험 값을 결정하는 데 사용된다. 복수의 의학적 상태는 미리 결정된 상태들의 세트를 포함할 수 있고, 여기서 위험 값들은 이 세트에서 각 상태에 대해 획득될 수 있다. 일 예로서, 복수의 의학적 상태는 여러 다른 유형의 암에 해당할 수 있다.
위험 값은 환자가 해당 의학적 상태를 가질 가능성을 나타내는 것으로 이해될 수 있다. 예를 들어 주어진 생리학적 값들의 조합(combination)에 대해 의학적 상태에 대한 6% 위험 값이 계산된 경우, 생리학적 값의 특정 조합을 나타내는 환자 100명 중 6명이 해당 상태를 가질 것으로 예상됨을 나타낸다.
이러한 위험 값들은 획득된 값에 대응하는 파라미터와 복수의 상태 사이의 알려진 및/또는 예측된 연관(associations)에 기초하여 제1 모델에 의해 산출될 수 있다. 예를 들어, 제1 모델은 결정-트리 로직을 포함할 수 있고, 각각의 획득된 생리학적 값은 각각의 의학적 상태에 대한 위험 값을 계산하기 위해 결정-트리 로직전반에 걸쳐 상호-참조될 수 있다. 사용되는 의사결정 트리 로직은 사용자가 예컨대 임상의가 소속된 특정 의료서비스 제공자(예: 임상 위탁 그룹)에 따라 다를 수 있다. 특히, 위에 주어진 예와 같은 파라미터와 특정 의학적 상태를 가질 가능성 사이의 연관성을 나타내는 데이터가 획득될 수 있다. 이 데이터는 임상 가이드라인과 같은 하나 이상의 저장된 데이터 세트에 기초한 통계적 상관관계(correlations)를 포함할 수 있다. 예를 들어, 가이드라인 세트는 생리학적 값들 각각에 대해, 복수의 의학적 상태에 대한 진단 가능성을 나타내는 백분율 위험 세트를 제공할 수 있다. 예를 들어, 생리학적 값이 단순히 특정 증상의 존재를 나타내는 경우, 그 값과 관련된 복수의 의학적 상태 중 하나 이상에 대한 위험이 증가할 수 있다. 대안적으로, 생리학적 값이 수치 값인 경우, 하나 이상의 의학적 상태를 가질 위험 백분율과 해당 숫자 값과 관련된 파라미터 사이에 함수적 상관관계가 있을 수 있다. 예를 들어 상태들 중 하나에 대한 위험 값은 생리학적 파라미터의 수학적 함수로서 가변될 수 있다. 예를 들어 의학적 상태에 대한 위험 값과 파라미터 사이에 비례, 지수 또는 기타 수학적 관계가 있을 수 있다. 일 예로, 생리학적 값이 혈액 검사에서 검출된 물질의 농도와 같이 수치적 생리학적 파라미터와 연관된 경우, 가이드라인 데이터에 의해 정의된 특정 기능적 관계에 따라, 그 농도가 증가함에 따라 환자가 주어진 상태를 가질 위험이 증가할 수 있다.
제1 모델은 획득한 생리학적 값들에 기초하여 하나 이상의 의학적 상태에 대한 위험 값을 산출하는데 이 데이터(예, 가이드라인으로부터의)를 사용할 수 있다. 예를 들어, 이 모델은, 획득한 생리학적 값들 각각에 대해, 가이드라인 데이터를 사용하여, 상응하는 개별 생리학적 값과 관련된 복수의 의학적 상태들 각각에 대한 위험 값을 결정할 수 있다. 제1 모델은 이후, 추가적으로 이들 위험값 각각을 결합할 수 있으며, 이에 의해 복수의 의학적 상태들 각각에 대한 총 위험 값이 획득한 생리학적 값들의 특정 조합에 대해서 결정될 수 있다.
아래의 표 1은 여러가지 다양한 유형의 암에 대한 백분율 위험을 결정하는 데 사용할 수 있는 생리학적 값의 조합, 이 경우 나타난 증상들의 조합의 일 예를 보여준다.
| No. | 요인 조합(Factor combination) | 산출된 위험 | 암 유형 |
| 1 | 설명불가한 기침만 있는 경우 | 0.1% | 폐암 |
| 2 | 체중 감소만 있는 경우 | 2.5% | 대장암 |
| 4 | 식욕 감소만 있는 경우 | 2.1% | 난소암 |
| 5 | 설명불가한 기침 및 체중감소 | 3.2% | 폐암 |
| 6 | 체중 감소 및 식욕감소 | 5.2% | 대장암 |
| 7 | 식욕감소 및 설명불가한 기침 | 2.8% | 폐암 |
| 8 | 식욕감소, 설명불가한 기침 및 체중감소 | 8.4% | 폐암 |
제1 모델은 각각의 생리학적 값에 대한 위험 값을 결합하여 가이드라인 데이터를 기반으로 각 상태들에 대한 총 위험 값을 제공한다. 예를 들어, 각 의학적 상태에 대해 일반적으로 전체 인구에서 해당 상태의 알려진 또는 추정된 유병률에 해당하는 기준 위험 값이 있을 수 있다. 이 데이터는 서버에 저장되고 컨트롤러에 의해 액세스되어 계산이 수행할 수 있다. 예를 들어, 룩업 테이블은 복수의 의학적 상태들 각각에 대한 기준 위험을 나타낼 수 있다. 제1 모델은 이후 위에서 설명한 생리학적 값들을 획득하는 것에 대한 응답으로 이 생리학적 값들에 기반해서 기준 위험 값들을 수정할 수 있다. 예를 들어, 이 모델은 획득한 각각의 생리학적 값들에 의해 각각의 상태에 대한 기준 위험 값들 각각에 가중치를 부여할 수 있다.
복수의 의학적 상태들 각각에 대해, 기준 위험을 나타내는 데이터를 획득하고, 획득한 생리학적 값들에 기초하여 순차적으로 수정할 수 있다. 예를 들어, 위에서 설명한 가이드라인 데이터는 기준 위험 데이터를 포함할 수 있다. 획득된 각각의 생리학적 값은 복수의 가중 인자(weighting factor)와 연관될 수 있으며, 이들 각각은 의학적 상태 중 하나에 대응할 수 있다. 특정 생리학적 값을 얻는 것에 대한 응답으로, 제1 모델은 생리학적 값과 관련된 가중 인자 각각에 기초하여 각 의학적 상태에 대한 기준 위험을 수정할 수 있다(예: 위험에 가중치를 곱할 수 있음). 이 후, 이 프로세스는 표 1과 같이, 각각의 획득된 생리학적 값에 대해 순차적으로 반복될 수 있다. 이러한 위험 값들의 순차적인 수정은 단순한 선형 가산을 포함하지 않을 수 있으며, 제1 모델은 획득된 생리학적 값들의 전체 조합에 기초하여 위험 값들을 수정하기 위해 추가적인 가중 인자들을 획득 및 적용할 수도 있는 것으로 이해되어야 한다. 가이드라인 데이터는 전술한 모든 가중 인자를 포함할 수 있거나, 대안적으로 가중 인자들은 가이드라인 데이터로부터 획득된 정보에 기초하여 결정될 수도 있다.
일부 예에서, 전술한 위험 값 계산을 수행하는 데 사용하기 위해, 복수의 데이터 소스, 예를 들어 가이드라인 데이터의 다중 세트로부터 데이터가 획득되고 제1 모델에 의해 결합된다. 예를 들어, 가이드라인 데이터의 각 세트는 상술한 바와 같이 생리학적 파라미터들과 복수의 의학적 상태들 사이의 통계적 상관관계를 제공할 수 있고, 제1 모델은 각 데이터 소스들로부터의 데이터(예: 각 가이드라인의 데이터)를 결합함으로써 생리학적 파라미터들과 의학적 상태들 사이의 새로운 상관관계를 결정할 수 있다. 예를 들어 이 모델은 생리학적 값들과 의학적 상태들 사이의 관계를 제공하기 위해 각각의 데이터 소스들에 의해 제공된 데이터에 가중치를 부여할 수 있는데. 예를 들어, 그들이 데이터 소스에 부여하는 상대적 중요성으로 인해 임상의 및/또는 광범위한 의료 서비스에 의해 선택될 수 있는 사전에 선택된 가중치를 사용할 수 있다. 예를 들어 서로 다른 소스의 데이터 또는 다양한 가이드라인의 세트가 생리학적 파라미터와 의학적 상태들 중 하나에 대한 위험 값 사이에 다양한 수치적 관계를 제공하는 경우, 둘 이상의 데이터 세트가 결합될 수 있다. 예를 들어, 상관관계를 나타내는 함수들이나 값들은 평균화될 수 있고, 이 평균은 각 데이터 세트에 적용된 가중 인자에 의해 가중치가 부여될 수 있다. 예를 들어, 데이터 세트가 선호하는 소스에서 가져온 상관관계 데이터를 제공하는 경우, 이 데이터는 덜 선호하는 소스의 데이터보다 더 많이 가중치가 부여될 수 있다. 이 가중치 데이터(weighting data)는 서버에 저장될 수도 있다.
각 의학적 상태에 대한 위험 값을 계산하기 위해 제1 모델에 의해 사용된 전술한 가중 인자들은 가이드라인 데이터의 다양한 세트로부터 획득된 가중 인자들의 평균에 기초하여 계산될 수 있다. 예를 들어, 2개 이상의 가이드라인 세트가 생리학적 값과 특정 의학적 상태에 대한 가중 인자를 제공하는 경우, 위험 값들에 적용할 제1 모델에 대해 새로운 가중 인자를 얻기 위해 두 인자를 평균화할 수 있다. 이러한 평균은 가중 평균일 수 있으며, 예를 들어 이 평균은 가이드라인 데이터의 소스를 기반으로 가중될 수 있다 - 예컨대, 더 신뢰할 수 있거나 선호하는 가이드라인 데이터 소스는 덜 선호하는 것에 비해 더 많은 가중치를 가질 수 있다.
일부 예들에서, 가이드라인 데이터는 매핑 데이터를 더 포함한다. 이 매핑 데이터는 복수의 의학적 상태 각각에 대해 해당 상태에 대한 위험 값의 계산과 관련이 있는 생리학적 파라미터들을 나타낼 수 있다. 일부 예에서 매핑 데이터는 선택된 의학적 상태인 각 생리학적 파라미터에 대해 의학적 상태들 각각에 대한 위험 평가와 관련이 있는지 여부에 대한 표시(indication)를 대안적으로 또는 추가로 포함할 수 있다. 따라서 제1 모델은 이 매핑 데이터를 사용하여, 획득된 생리학적 값들 각각을 관련 위험이 있는 의학적 상태에 매핑할 수 있다. 따라서, 주어진 생리학적 값들의 세트에 대해, 의학적 상태들의 서브세트만 선택될 수 있고, 해당 상태에 대한 기준 위험 값만 수정될 수 있으며, 예컨대, 이는 전술한 가중치 요인들을 기반으로 한다.
매핑 데이터는 예를 들어 서버에 룩업 테이블로 저장될 수 있다. 따라서 컨트롤러는 획득된 생리학적 값들을 기반으로, 그 값들을 관련된 특정 상태에 매핑하고, 파라미터들과 상태들 사이의 저장된 통계적 상관관계를 기반으로 기준 위험을 수정할 수 있다.
다른 예에서, 위험 값들의 전체 세트는 모든 생리학적 값에 대해 결정될 수 있으며, 예를 들어 모든 의학적 상태(예를 들어, 그 세트의 모든 의학적 상태)와 관련된 위험 값이 각각의 생리학적 값에 대해 결정될 수 있다. 이 계산은 전술한 가이드라인 데이터를 기반으로 할 수 있다. 매핑 데이터를 획득 또는 사용할 수 없는 경우, 예를 들어 생리학적 값이 상태들 중 하나의 위험 결정과 관련이 없는 경우라도(예: 해당 상태에 대한 가중 인자가 0임), 그 상태에 대한 위험 값은 여전히 계산된다.
계산의 작업 순서는 다양한 예에서 상이할 수 있다. 예를 들어, 각각의 생리학적 값이 먼저 복수의 상태에 매핑될 수 있고, 각 상태들에 대한 위험 값은 해당 상태에 대한 기준 위험을 수정함으로써 계산될 수 있다. 이는 획득된 생리학적 값마다 반복 수행되어, 획득된 생리학적 값 각각에 대해 각 위험 값이 순차적으로 수정되도록 하여, 획득된 생리학적 값들의 특정 조합에 대한 상태들 각각에 대한 누적 위험값을 결정할 수 있게 해준다,
다른 예에서 위험 값은 차례로 각각의 의학적 상태들에 대해 결정될 수 있다. 예를 들어, 생리학적 값들 중 적어도 하나가 매핑되는 제1 건강 상태에 대한 제1 위험 값은 생리학적 값의 조합에 기초하여 결정될 수 있고, 이어서 제2 건강 상태 등이 뒤따라 수행될 수 있다.
계산된 위험 값들은 일부 예에서는 인구 통계학적 데이터와 같은 추가 요인에 의해 가중치가 부여되어 계산된 위험 값이 수정될 수 있다(203). 이러한 데이터는 전술한 서버 또는 외부 장치의 데이터 저장소로부터 획득할 수 있다. 일 예로서, 이 가중치 데이터는 환자에 대한 지리적 데이터를 포함할 수 있는데, 예를 들어 해당 지역의 환경적 특성을 기반으로, 일 위치에서 하나의 세트의 증상을 나타내는 환자에 대한 상태 진단의 위험이 다른 위치에서 동일한 증상을 나타내는 다른 환자와 다를 수 있기 때문이다. 가중치 데이터에는 예를 들어 연령, 성별 및 민족성 데이터도 포함될 수 있다. 다른 예에서, 이 데이터는 단계 201에서 설명한 대로, 획득한 생리학적 값들의 일부로서 대신 제공될 수 있다. 이 경우 이러한 요인들은 모델에 의해 단일 스텝으로 증상 등과 같은 다른 생리학적 값들과 단순 결합되어 각 의학적 상태들에 대한 위험값들을 결정할 수 있다.
다른 예들에서 이 가중치 데이터는 생리학적 값들의 도입 전에 사용되어 복수의 상태들 각각에 대한 기준 위험 값을 수정하는데 사용된다.
가중치(예: 인구 통계) 데이터뿐만 아니라 해당 환자에 대해 획득한 모든 생리학적 값들을 나열하는 룩업 테이블이 각 환자에 대해 생성될 수 있다. 그런 다음, 이 테이블의 각 항목은 복수의 의학적 상태들 각각에 대해 대응하는 위험 값과 각 상태가 결합된 특정 세트 값들에 연관되어, 각각의 상태들에 대한 총 위험 값을 제공할 수 있다.
각 상태들에 대해 계산된 총 위험 값 각각은 이후 문턱값과 비교된다(204). 이러한 문턱값은 임상의 또는 보다 광범위한 의료 서비스의 선호도 및/또는 요구사항에 기초하여 미리 결정된 값일 수 있다. 문턱값을 나타내는 데이터는 서버에 저장될 수 있고 컨트롤러에 의해 획득되어 각 의학적 상태에 대해 계산된 위험 값에 예컨대, 필터로서 적용할 수 있다. 계산된 위험 값이 문턱값들보다 크면 해당 상태가 선택되어 나머지 프로세스로 이월되고, 계산된 위험 값이 문턱값보다 작은 모든 상태들은 제거되거나 폐기된다(205).
서비스에 접속하는 사용자가 속한 의료서비스 제공자에 따라 상이한 문턱값을 선택하여 적용할 수 있다. 예를 들어, 임상의와 같은 사용자는 예컨대, 그룹 식별자와 같이 연관된 사용자 식별자를 가진 특정 의료 제공자에 속할 수 있다. 임상의가 서비스를 사용하는 이러한 방식에서는, 예를 들어 자신의 장치에서 애플리케이션에 로그온하고, 전술한 바와 같이 값들을 입력하면, 서버가 장치로부터 획득한 데이터에 식별자가 포함될 수 있다. 이와 같이 해당 의료 제공자에 대한 관련 문턱값이 선택되어 환자에 대해 계산된 위험 값에 적용될 수 있다.
결정된 위험 값이 문턱값보다 큰 하나 이상의 상태에 대해 특정 진단 경로가 결정된다(206). 이러한 경로는 저장된 데이터, 예를 들어, 사용자가 속한 특정 의료서비스 제공자에 대한 특정 상태에 대한 선호 진단 경로를 나타내는 전술한 가이드라인 및 데이터 소스들을 기반으로 결정될 수 있다. 예를 들어, 데이터 저장소는 각각의 의학적 상태에 대해 예컨대 룩업 테이블 형태의 하나 이상의 이용 가능한 경로 목록을 포함할 수 있다. 전술한 바와 같이 의학적 상태들 중 하나가 선택되면, 컨트롤러는 상기 테이블로부터 해당 진단 경로를 나타내는 데이터를 획득할 수 있다.
대안적으로 또는 추가적으로, 상기 경로는 획득된 생리학적 값들과 경로 파라미터의 세트에 기초하여 결정될 수 있으며, 여기서 각 경로는 각 경로 파라미터들에 대해 연관된 파라미터 값들의 세트를 갖는다. 이러한 값들은 데이터 저장소, 예컨대, 원격 서버 또는 장치에 저장될 수 있다. 대안적으로, 이들 값들은 저장된 데이터 및 획득된 생리학적 값들에 기초하여 계산될 수 있다. 아래의 표 2는 생리학적 값들의 특정 조합에 대한 세 가지 다른 진단 경로에 대한 이러한 데이터의 일 예를 보여준다.
| 요인 조합 (Factor combination) |
테스트 또는 진료의뢰 (test or referral) |
비용 (cost) |
완료까지의 시간 (Time to completion) |
진단까지의 시간 (Time to diagnosis) |
치료까지의시간 (Time to treatment) |
민감도 (Sensitivity) |
특이성 (Specificity) |
| 설명불가한 기침 및 체중감소 | Chest x-ray | ￡15 | 2.1 days | 34.3 days | 65.2 days | 61.3 % | 73.4% |
| 설명불가한 기침 및 체중감소 | CT chest | ￡150 | 7.4 days | 24.1 days | 52.1 days | 95.2 % | 92.3 % |
| 설명불가한 기침 및 체중감소 | Chest referral | ￡250 | 13.2 days | 27.6 days | 61.9 days | 92.1 % | 98.1 % |
문턱값은 이러한 파라미터들 중 하나 이상에 대해, 예를 들어, 최대 완료 시간, 최대 진단 시간, 최대 치료 시간, 최대 비용, 최소 민감도 및/또는 최소 특이성에 대해 설정될 수 있다. 모든 관련 문턱값을 충족하는 각 경로가 선택될 수 있다. 대안적으로, 경로들 중 하나는 생리학적 값들과 경로 파라미터 값들 각각의 결합에 기초하여 선택될 수 있다. 예를 들어, 가중치가 경로 파라미터들 각각에 적용될 수 있고, 각 경로에 대한 파라미터 값들은 가중치를 기반으로 결합되어 각 경로에 대한 등급 또는 점수를 제공할 수 있으며, 최상의 등급을 갖는 경로가 선택될 수 있다. 대안으로, 파라미터들 중 하나에 대해 최하위 값 또는 최상위 값을 갖는 이용 가능한 경로들 중 하나가 선택될 수 있다. 대안적으로, 전술한 선택 방법을 조합해서 상태를 진단하기 위한 하나 이상의 경로를 선택하는데 사용할 수 있다.
진단 경로의 선택은 예컨대, 사용자가 서비스에 로그온할 때 사용자의 장치로부터 서버가 획득한 데이터와 같이 전술한 획득된 사용자 식별자 데이터에 기초할 수도 있다. 예를 들어, 사용자 식별자는 사용자가 속한 의료서비스 제공자를 나타낼 수 있다. 서버는 장치로부터 사용자 식별자를 획득할 수 있고, 이에 응답하여 의료서비스 제공자에 관한 데이터를 획득할 수 있다(예를 들어, 서버의 데이터 저장소로부터). 예를 들어, 해당 제공자의 이용 가능한 진단 경로를 나타내는 데이터 및/또는 전술한 경로 파라미터 문턱값들을 나타내는 데이터가 획득될 수 있다. 따라서 이 데이터를 기반으로 진단 경로가 선택될 수 있다.
다른 예들에서, 사용자 식별자 데이터는 그 자체가 그 제공자가 이용할 수 있는 진단 경로의 표시를 포함할 수 있고, 전술한 경로 파라미터 문턱값들을 나타내는 데이터를 더 포함할 수 있으므로, 이 데이터는 사용자의 장치로부터 서버에 의해 직접 획득된다.
하나 이상의 경로가 선택되면, 이를 식별하는 표시(indication)가 임상의와 같은 사용자에게 출력된다(107). 예를 들어, 전술한 단계들이 서버에서 수행되는 경우, 이 표시는 네트워크를 통해 임상의에게 디스플레이될 수 있는 임상의의 컴퓨팅 장치에 제공될 수 있으며, 이때 임상의는 적절한 조치를 취할 수 있다. 임상의의 장치로 전송되는 데이터에는 다음이 포함될 수 있다:
도 3은 애플리케이션을 사용하여 임상의에게 환자 위험 및 권장 경로 정보를 제공하기 위한 프로세스(300)의 또 다른 예를 나타낸다. 본 방법에서 임상의는 처음에 PC, 스마트폰 또는 태블릿 컴퓨터와 같은 장치에서 애플리케이션에 로그인한다(301). 이것이 수행되면 임상의에게 전술한 바와 같이, 예컨대 위험 인자들, 증상들, 징후들, 조사 결과들을 포함할 수 있는 생리학적 값들과 같이 환자와 관련된 데이터를 입력(302)할 수 있는 필드들이 있는 폼과 같은 사용자 인터페이스가 제공된다. 그런 다음, 이 데이터는 제1 모델에 의해 얻어지고, 환자가 예컨대, 서로 다른 유형의 암과 같은 복수의 상태들 각각을 가질 위험을 결정하는 데 사용되며, 전술한 바와 같이, 이러한 위험 중 어느 것이 해당 상태에 대한 문턱값을 충족하는지를 검출한다. 예를 들어, 제1 모델은 임상의 및/또는 환자가 일부인 특정 의료 서비스(예: 임상 위탁 그룹)에 대한 의사결정-트리 로직을 포함할 수 있고, 생리학적 값 데이터는 의사결정-트리 로직 전반에 걸쳐 상호 참조되어 위험 값들을 산출할 수 있다(303). 이러한 결정은 설명한 방법 중 하나 또는 다른 방법에 따라 수행될 수 있다. 이러한 상호-참조 및 계산은 원격 서버 또는 장치에서 수행될 수 있으며, 원격 서버 또는 장치는 전술한 바와 같이 장치로부터 임상의에 의해 입력된 데이터를 획득한다. 진단경로는 전술한 바와 같이 문턱값을 만족하는 하나 이상의 상태를 진단하기 위해 결정되거나 및/또는 관련 의료 서비스에서 제공한 가이드라인 및/또는 데이터에 기반할 수도 있다. 환자가 위험에 처한 상태 및 권장 경로가 일단 식별되면, 이는 임상의의 장치의 사용자 인터페이스에서 임상의에게 표시된다(304). 예를 들어 이 정보를 나타내는 데이터는 서버에서 장치로 다시 전송될 수 있다.
도 4는 의학적 상태들에 대한 위험 값들의 결정을 개선하고 상태를 진단하기 위한 경로의 선택을 개선하기 위해 기계 학습을 구현하는 프로세스(400)의 일 예를 보여준다.
본 방법에서 제1 모델은, 실질적으로 전술한 바와 같이, 생리학적 값들 및 가중치 데이터에 기초하여, 환자에 대해 복수의 의학적 상태들에 대한 위험 값들을 결정하고, 선택된 문턱값을 초과하는 상태들을 결정하도록 구현된다(401). 하지만 위에서 설명한 방법에서 제1 모델이 제공하는 통계적 상관 관계는 하나 이상의 임상 가이드라인 세트를 기반으로 할 수 있지만, 본 방법에서는 생리학적 값들과 의학적 상태들 사이의 통계적 상관 관계는 여기에 설명하는 프로세스(400)에 의해 수집된 이전의 환자 데이터에 대신에 또는 추가적으로 기반할 수 있다. 특히, 제1 모델은 후술하는 이전 환자 데이터에 의해 수정된다.
관련 의학적 상태들이 제1 모델에 의해 식별되면, 제2 모델은, 예를 들어 위에서 설명된 바와 같은 생리학적 값들 및 경로 파라미터 값들에 기초하여, 진단 경로를 선택하도록 구현된다(402). 하지만, 제1 모델에서와 같이 각 경로와 연관된 파라미터 값들이 미리 결정된 저장된 데이터에서 도출되는 대신에 또는 이에 더하여, 프로세스(400)에 의해 수집된 데이터에 기초하거나 업데이트되거나 수정될 수 있다.
경로가 선택되면, 환자의 진행 상황이 추적될 수 있고, 경로 파라미터들의 값들이 획득되고 진단 결과(양성 또는 음성)가 기록된다. 이에 따라 다음의 표시(indications)를 포함하는 환자 데이터 세트가 획득된다(403):
제1 모델은 이 데이터에 기초하여 수정될 수 있다(404). 예를 들어, 다양한 생리학적 파라미터들과 의학적 상태의 위험 간의 연관성은 해당 환자에 대해 획득한 생리학적 데이터 및 진단 결과를 기반으로 업데이트될 수 있다. 예를 들어, 제1 모델은 주어진 생리학적 값 또는 생리학적 값들의 조합과 관련된 의학적 상태 위험 값들을 수정하기 위해 베이지안 정리(Bayes' theorem)를 구현하는 베이지안 모델을 포함할 수 있다. 더 구체적으로, 베이지안 정리는 다음과 같다:
이 경우, P(A|B)는, 특정 생리학적 값 또는 이 값들의 조합이 있는 경우, 환자가 특정 의학적 상태를 가질 확률에 해당할 수 있고; P(A)는 환자가 개별적으로 특정 의학적 상태를 가질 확률(예: 의학적 상태의 기준 위험)에 해당할 수 있고; P(B)는 환자가 특정 생리학적 값들 또는 생리학적 값들의 조합을 나타내는 일반적인 가능성에 해당할 수 있고; 및 P(B|A)는 환자가 특정 생리학적 값 또는 값들의 조합을 나타내는 특정 의학적 상태를 가질 확률에 해당할 수 있다. 따라서 환자들의 결과 데이터와 그들이 나타낸 초기 생리학적 값들을 기록함으로써, 확률들이 업데이트될 수 있으므로, 특정 생리학적 값 또는 값들의 조합이 있는 경우 환자가 특정 의학적 상태를 가질 가능성(즉, P(A|B))은 업데이트 될 수 있다. 이 프로세스는 반복적으로 수행될 수 있으며, 이에 새로운 환자의 데이터가 기록될 때마다 이 확률이 업데이트된다.
유사하게, 제2 모델은 이 데이터에 기초하여 수정될 수 있다(405). 예를 들어, 특정 경로에 대한 파라미터 값들이 해당 특정 환자에 대해 사용된 경로에 대해 기록된 해당 값들을 기반으로 업데이트될 수 있다. 이 경우, (전술한) 각 진단 경로들과 관련된 경로 파라미터 값들은, 환자가 해당 경로를 사용할 때 각 진단 경로에 대해 기록된 값을 기반으로 수정될 수 있다. 제2 모델은 베이지안 모델을 포함할 수도 있다.
이 프로세스는 프로세스(400)가 수행되는 각 환자에 대해 업데이트된 제1 모델 및 제2 모델 모두를 사용하여 반복적으로 수행될 수 있다.
도 5는 기계 학습 기술을 사용하여 임상의에게 환자 위험 및 권장 경로 정보를 제공하는 또 다른 프로세스(500)를 도시한다. 본 방법에서, 제1 단계(501)로서, 환자 생리학적 값들이 전술한 바와 같이 애플리케이션에 입력될 수 있고, 원격 서버 또는 장치에 제공될 수 있다. 대안적으로 또는 추가적으로 이러한 데이터는 전자 건강 기록(electronic health record)과 같은 데이터 저장소로부터 서버에 의해 획득될 수 있다. 이 값이 획득되면, 획득한 값들의 특정 조합을 기반으로, 예를 들어 전술한 방법을 사용하여, 하나 이상의 상태들에 대한 초기 위험이 계산된다. 인구통계학적 데이터는 임상의에 의해 자신의 장치에 입력되거나, 이 데이터가 이전에 기록되어 데이터 저장소로부터 획득될 수 있다.
이러한 초기 위험은 제1 베이지안 모델을 적용하여 수정된다(503). 특히, 위험 값들을 계산하는 데 사용되는 통계적 상관 관계들이 환자로부터의 실제 생리학적 값들에 기반하여 업데이트되도록, 이전 환자 데이터가 하나 이상의 데이터베이스로부터 획득되고 이를 반복한다. 이전 환자 데이터는 위험을 계산할 하나 이상의 상태들이 있거나 없는 환자들에 대한 생리학적 값들이 포함한다. 이러한 데이터베이스들은 서버에 로컬인 데이터 저장소로부터 획득되어 저장되거나, WAN과 같은 네트워크를 통해 다른 데이터 소스로부터 획득될 수 있다. 복수의 상태들 각각에 대한 초기 위험 값은 이 데이터에 대해 반복함으로써 업데이트될 수 있다. 예를 들어, 각 데이터 포인트가 위험 값들을 계산하는 데 사용되는 파라미터들을 수정하기 위해 제1 모델에 의해 순차적으로 사용될 수 있으며, 따라서 업데이트된 위험 값은 반복되는 각 데이터 포인트에 대해 계산된다. 세트의 모든 이전 환자 데이터가 반복되면, 하나 이상의 상태들에 대한 최종 누적 위험 값이 제공될 수 있다.
검출을 위한 문턱값은 관련 보건 당국의 요구사항에 기초하여 설정될 수 있다(504). 예를 들어, 보건 당국이 특정 의학적 상태를 가질 위험이 3% 이상인 모든 환자가 진단을 받기를 원하는 경우 문턱값은 3%로 설정될 것이다.
예를 들어, 이 문턱값의 표시(indication)는 서버에 저장되고 위험 값들이 계산되면 모델에서 액세스할 수 있다. 검출 문턱값은 예를 들어 특정 보건 당국의 요구 사항에 따라 수정될 수 있다. 예를 들어 문턱값을 나타내는 저장된 데이터는 원격 장치로부터 수신된 데이터에 기초하여 수정될 수 있다.
그런 다음 수정된 위험 값들은 문턱값과 비교된다(505). 그 다음, 이러한 상태들, 예를 들어 계산된 위험 값이 문턱값보다 큰 암 유형들이 제시된다. 예를 들어, 이러한 상태들을 나타내는 데이터가 임상의의 장치로 전송되어 표시된다. 위험 값이 어떤 상태들에 대한 문턱값보다 크지 않은 생리학적 값들의 조합에 대해서는 추가 분석에서 제외한다(506).
각 상태들에 대해 사용 가능한 진단 경로들은 보건 당국들의 정보에 기반해서 설정될 수 있다(507). 예를 들어, 주어진 상태에 대해 여러 개의 시험 또는 진료의뢰(referrals)를 사용할 수 있다. 이 데이터는 서버에 저장되고 위험 값이 계산되면 모델에 의해 액세스될 수도 있다. 또한, 이 데이터는 예를 들어 원격 장치로부터 수신된 데이터를 기반으로 수정될 수도 있다. 이후, 생리학적 값들의 조합, 이용 가능한 경로들을 나타내는 데이터, 및 이전 환자 데이터에 기초하여, 제2 베이지안 모델(508)이 적용될 수 있다. 특히, 이전 환자 데이터는 위에 명시된 대로 데이터베이스에 저장될 수 있으며, 각 환자에 대해 전술한 정보 외에, 환자가 겪은 진단 경로의 표시 및 해당 진단 경로와 관련된 경로 파라미터 값들도 포함할 수 있다. 이러한 경로 데이터는 위 표 2에 도시된 바와 같이, 비용, 완료까지의 시간, 진단까지의 시간, 치료까지의 시간, 민감도 및 경로의 특이성 중 어느 하나 이상을 포함할 수 있으나, 이에 한정되는 것은 아니다. 제2 모델은 이러한 경로 파라미터들에 기초하여, 환자가 위험에 처한 하나 이상의 상태들을 치료하기 위한 하나 이상의 적절한 경로를 결정하도록 구성된다. 여기서 이 모델은 예를 들어 이전 환자 데이터 포인트를 기반으로 각 경로와 관련된 파라미터 값을 순차적으로 수정함으로써 이전 환자 데이터에 기초하여 반복적으로 업데이트된다.
업데이트된 모델은 이전 환자 데이터를 기반으로 각 경로의 비용, 시간 및 정확도와 같은 업데이트된 파라미터값들의 세트를 나타내기 위해, 진단 과정을 거치는 다른 환자들에게 소급 적용할 수 있다(509).
권장 경로를 결정하기 위해, 예를 들어 보건 당국의 요구 사항들에 기반해서, 각 경로 파라미터들에 대한 문턱값들을 나타내는 데이터를 설정할 수 있다(510). 예를 들어 각 파라미터 문턱값(즉, 최소 및/또는 최대)은 다이얼과 같이 설정되어, 각 파라미터에 대한 요건을 충족하는 경로가 권장 경로로 선택될 수 있다. 하나 이상의 권장 경로들이 선택되면, 예를 들어 환자가 위험 상태에 있는 상태들의 표시와 함께 임상의에게 제시된다(511). 예를 들어, 권장 경로를 나타내는 데이터는 전술한 계산이 수행되는 서버로부터 예를 들어 WAN을 통해 임상의의 장치로 전송될 수 있다.
도면에 도시된 실시예들은 단지 예시적인 것일 뿐이며, 본 명세서에 기재되고 청구항에 제출된 같이 일반화되거나 제거 또는 대체될 수 있는 특징들을 포함한다는 것이 상기 논의로부터 이해될 것이다. 도면을 일반적으로 참조하면, 본 명세서에 기재된 시스템 및 장치의 기능을 나타내기 위해 모식적인 기능 블록 다이어그램이 이용된 것으로 이해될 것이다. 또한, 프로세싱 기능은 전자 장치에 의해 지원되는 장치들에 의해 제공될 수 있다. 그러나 기능성을 이러한 방식으로 나눌 필요는 없으며, 아래에서 설명되고 주장되는 하드웨어 이외의 특정 구조를 암시하는 것으로 간주해서는 안 된다는 것이 이해될 것이다. 도면에 도시된 하나 이상의 요소의 기능은 본 발명의 장치 전체에 더 세분화 및/또는 분산될 수 있다. 일부 실시예들에서, 도면에 도시된 하나 이상의 요소들의 기능은 단일 기능 단위로 통합될 수 있다.
본 발명의 맥락에서 숙달된 독자들이 이해할 수 있는 바와 같이, 본 명세서에 설명된 각각의 실시예들은 다양한 상이한 방법으로 구현될 수 있다. 본 발명의 임의의 양태의 모든 특징은 본 발명의 다른 양태와 결합될 수 있다. 예를 들어, 방법 측면은 장치 측면과 결합될 수 있으며, 그러한 특정 유형의 장치를 사용하지 않는 방법으로 장치의 특정 요소의 작동과 관련하여 설명되는 특징들이 제공될 수 있다. 또한, 각 실시예들의 각각의 특징들은, 그것의 동작에 있어서 어떤 다른 특징들이 필수적이라고 명시적으로 명시되지 않는 한, 결합하여 설명되는 특징들과 분리될 수 있는 것으로 의도되어 있다. 이러한 분리 가능한 특징들 각각은 물론, 설명된 실시예의 다른 특징들 중 어느 하나와 결합될 수도 있고, 본 명세서에 설명된 다른 실시예들의 다른 특징들의 조합 또는 다른 특징들 중 임의의 것과 결합될 수도 있다. 또한, 상술하지 않은 등가물 및 변형도 본 발명을 벗어나지 않고 채용될 수있다.
본 명세서에 기재된 방법들의 특정 특징들은 하드웨어에서 구현될 수 있으며, 상기 장치의 하나 이상의 기능들은 방법 단계에서 구현될 수 있다. 본 발명의 맥락에서, 본 명세서에 기재된 방법들은 기재된 순서대로 수행될 필요가 없거나, 도면에 기재된 순서대로 수행될 필요가 없다는 것도 이해될 것이다. 따라서, 제품 또는 장치와 관련하여 설명되는 본 발명의 양태들 또한 방법으로서 구현될 수 있고, 그 반대의 경우도 마찬가지이다. 본 명세서에 설명된 방법들은 컴퓨터 프로그램들, 또는 하드웨어들 또는 이들의 임의의 결합으로 구현될 수 있다.
일부 예에서, 컨트롤러는, 예를 들어, 본 명세서에 기재된 것 중 어느 하나에 따른 방법을 수행하도록 구성될 수 있는 범용 프로세서에 의해 제공될 수 있다. 일부 예에서 컨트롤러는 필드 프로그래머블 게이트 어레이, FPGA, 애플리케이션별 집적회로, ASIC, 디지털 신호 프로세서, DSP, 또는 기타 적절한 하드웨어와 같은 디지털 로직을 포함할 수 있다. 일부 예에서, 하나 이상의 메모리 요소들은 본 명세서에 설명된 동작들을 구현하기 위해 사용되는 데이터 및/또는 프로그램 명령들을 저장할 수 있다. 본 발명의 실시예들은 프로세서가 본 명세서에 기재 및/또는 청구된 방법들 중 어느 하나 이상을 수행하도록 프로그래밍할 수 있는 프로그램 명령 및 본 명세서에 기재 및/또는 청구된 바와 같은 데이터 처리 장치를 제공하기 위해 동작 가능한 프로그램 명령들을 포함하는 유형적이고 비과도적인 저장 매체를 제공한다. 컨트롤러는 이러한 제어 기능의 적어도 일부를 제공하는 아날로그 제어 회로를 포함할 수 있다. 실시예는 본 명세서에 설명된 방법 중 하나 이상을 수행하도록 구성된 아날로그 제어 회로를 제공한다.
일부 예에서, 하나 이상의 메모리 요소들은 본 명세서에 설명된 동작들을 구현하기 위해 사용되는 데이터 및/또는 프로그램 명령들을 저장할 수 있다. 본 발명의 실시예들은 프로세서가 본 명세서에 기재 및/또는 청구된 방법들 중 어느 하나 이상을 수행하도록 프로그래밍할 수 있는 프로그램 명령 및 본 명세서에 기재 및/또는 청구된 바와 같은 데이터 처리 장치를 제공하기 위해 동작 가능한 프로그램 명령들을 포함하는 유형적이고 비과도적인 저장 매체를 제공한다.
본 개시의 다른 예시들 및 변형들은 본 개시의 맥락에서 숙련된 수신자에게 명백할 것이다.
Claims (15)
- 환자의 의학적 상태를 진단하는 방법에 있어서,
상기 환자로부터 복수의 생리학적 값들을 획득하는 단계; 및
상기 생리학적 값들에 기초하여 복수의 의학적 상태 중 적어도 하나의 의학적 상태에 대한 위험 값을 결정하도록 구성된 제1 모델을 구현하는 단계를 포함하고;
상기 제1 모델을 구현하는 단계는,
획득한 상기 생리학적 값들 중 제1 값에 기초하여 상기 적어도 하나의 의학적 상태에 대한 제1 위험 값을 획득하는 단계; 및
획득한 상기 생리학적 값들 중 제2 값에 기초하여 상기 제1 위험 값에 가중치를 부여하여 상기 환자에 대한 상기 적어도 하나의 의학적 상태의 총 위험 값을 결정하는 단계를 포함하는 것을 특징으로 하는 환자의 의학적 상태를 진단하는 방법.
- 제1항에 있어서,
상기 제1 모델을 구현하는 단계는, 차례로 상기 복수의 생리학적 값들 각각에 의해, 상기 적어도 하나의 의학적 상태에 대한 상기 위험 값에 순차적으로 가중치를 부여하는 단계를 포함하는 것을 특징으로 하는 환자의 의학적 상태를 진단하는 방법.
- 제1항 또는 제2항에 있어서,
상기 총 위험 값 각각을 선택된 문턱값과 비교하는 단계, 및 상기 총 위험 값 중 하나 이상이 대응하는 상기 문턱값을 초과하는 경우, 상응하는 상기 의학적 상태를 진단하기 위한 적어도 하나의 진단 경로를 선택하는 단계를 더 포함하는 것을 특징으로 하는 환자의 의학적 상태를 진단하는 방법.
- 제3항에 있어서,
상기 진단 경로를 선택하는 단계는, 경로 파라미터 값들의 복수의 세트에 기초하여 복수의 가능한 진단 경로들 중 적어도 하나를 선택하도록 구성된 제2 모델을 구현하는 단계를 포함하고, 상기 세트 각각은 상기 진단 경로들 중 하나와 연관되며; 선택적으로, 상기 제2 모델을 구현하는 단계는 상기 경로 파라미터 값들 중 하나가 문턱값을 충족하는 경우, 연관된 진단 경로를 선택하는 단계를 포함하는 것을 특징으로 하는 환자의 의학적 상태를 진단하는 방법.
- 선행하는 청구항 중 어느 하나의 항에 있어서,
환자 데이터 세트를 획득하는 단계; 및
상기 환자 데이터 세트에 기초하여 상기 제1 모델을 수정하는 단계를 더 포함하고;
상기 환자 데이터 세트는 상기 생리학적 값들의 세트, 및 상기 복수의 의학적 상태 중 하나의 진단의 존재 또는 부재를 각각 식별하는 표시들의 세트를 포함하는 것을 특징으로 하는 환자의 의학적 상태를 진단하는 방법.
- 제4항, 또는 제4항을 인용하는 제5항에 있어서,
복수의 진단 경로들 중 하나에 대한 진단 경로 데이터 세트를 획득하는 단계; 및
상기 경로 데이터 세트에 기초하여 상기 제2 모델을 수정하는 단계를 포함하고, 상기 경로 데이터 세트는 해당 진단 경로에 대한 복수의 경로 파라미터 값들을 포함하며; 선택적으로, 상기 제2 모델을 수정하는 단계는, 대응하는 획득한 경로 파라미터 값에 의해, 상기 제2 모델에서 해당 진단 경로와 연관된 경로 파라미터 값들 각각에 가중치를 부여하는 단계를 포함하는 것을 특징으로 하는 환자의 의학적 상태를 진단하는 방법.
- 환자의 의학적 상태를 진단하는 방법에 있어서,
상기 환자로부터 복수의 생리학적 값들을 획득하는 단계;
상기 생리학적 값들을 연관된 복수의 의학적 상태들에 매핑하는 단계;
매핑된 상기 생리학적 값들에 기초하여 상기 의학적 상태들 각각에 연관된 총 위험 값을 결정하는 단계;
상기 총 위험 값 각각을 문턱값과 비교하는 단계; 및
상기 총 위험 값이 상기 문턱값을 초과하는 경우, 상기 의학적 상태를 진단하기 위한 진단 경로 데이터를 출력하는 단계를 포함하는 것을 특징으로 하는 환자의 의학적 상태를 진단하는 방법.
- 제7항에 있어서,
상기 의학적 상태들 각각에 연관된 상기 총 위험 값을 결정하는 단계는, 각 생리학적 값에 대해서, 맵핑되는 상기 의학적 상태들 각각에 연관된 위험의 표시를 결정하는 단계를 포함하고; 및/또는
상기 방법은, 복수의 생리학적 파라미터들과 상기 복수의 의학적 상태들 사이의 미리 결정된 연관성을 나타내는 위험 데이터를 획득하는 단계를 더 포함하고;
상기 생리학적 값들을 상기 복수의 의학적 상태들에 매핑하는 단계, 및 상기 의학적 상태들 각각에 대한 상기 총 위험 값을 결정하는 단계는, 상기 위험 데이터를 기반으로 하며; 및/또는
상기 진단 경로 데이터를 출력하는 단계는, 복수의 가능한 진단 경로들 중 적어도 하나를 선택하는 단계를 포함하고;
상기 방법은, 선택적으로, 상기 가능한 진단 경로들 각각에 대해, 복수의 경로 파라미터 값들을 획득하는 단계를 더 포함하고;
상기 경로들 중 적어도 하나를 선택하는 단계는 상기 경로 파라미터 값들에 기초하고; 선택적으로, 상기 복수의 가능한 진단 경로들 중 적어도 하나를 선택하는 단계는, 해당 경로에 대한 파라미터 값들 중 어느 하나가 대응하는 문턱값을 충족하는 경우 상기 경로를 선택하는 단계를 포함하는 것을 특징으로 하는 환자의 의학적 상태를 진단하는 방법.
- 제7항 또는 제8항에 있어서,
상태에 대한 상기 총 위험 값을 결정하는 단계는 이전 환자 데이터에 대해 반복하는 단계를 포함하고; 선택적으로, 상기 이전 환자 데이터는 환자와 각각 관련된 복수의 데이터 세트를 포함하고,
각 데이터 세트는 상기 생리학적 값들의 세트; 및
상기 의학적 상태들 중 하나의 진단의 존재 또는 부재를 각각 식별하는 표시들의 세트를 포함하고;
상기 방법은 선택적으로, 상기 이전 환자 데이터에 기초하여 상기 의학적 상태들 중 적어도 하나에 대한 상기 총 위험 값을 수정하는 단계를 더 포함하는 것을 특징으로 하는 환자의 의학적 상태를 진단하는 방법.
- 제8항을 인용하는 제9항에 있어서,
상기 이전 환자 데이터에 기초하여 상기 경로 파라미터 값들을 수정하는 단계를 더 포함하는 특징으로 하는 환자의 의학적 상태를 진단하는 방법.
- 의학적 상태를 진단하기 위한 인공 신경망을 훈련시키는 방법에 있어서,
생리학적 파라미터들의 세트, 및 복수의 의학적 상태들 중 적어도 하나의 의학적 상태에 대한 위험 값 사이의 연관성을 제공하고, 상기 생리학적 파라미터들에 대응하는 획득한 생리학적 값들로부터 상기 적어도 하나의 의학적 상태에 대한 총 위험의 표시를 출력하도록 구성된 제1 모델을, 인공 신경망으로 구현하는 단계;
환자 데이터 세트를 획득하는 단계; 및
상기 환자 데이터 세트에 기초하여 상기 제1 모델을 수정하는 단계를 포함하고;
상기 환자 데이터 세트는 상기 생리학적 값들의 세트, 및 상기 복수의 의학적 상태들 중 하나의 진단의 존재 또는 부재를 각각 식별하는 표시들의 세트를 포함하는 것을 특징으로 하는 환자의 의학적 상태를 진단하는 방법.
- 제11항에 있어서,
복수의 상기 환자 데이터 세트를 획득하는 단계, 및 상기 환자 데이터 세트 각각에 기초하여 상기 제1 모델을 반복적으로 수정하는 단계를 더 포함하는 것을 특징으로 하는 환자의 의학적 상태를 진단하는 방법.
- 제11항 또는 제12항에 있어서,
상기 환자 데이터 세트는 복수의 진단 경로들 중 하나에 대한 경로 데이터 세트를 추가로 포함하고, 상기 경로 데이터 세트는 해당 경로에 대한 복수의 경로 파라미터 값들을 포함하고,
상기 방법은: 신경망으로서, a) 상기 복수의 경로 파라미터 각각과 상기 복수의 진단 경로들 각각 사이의 연관성을 제공하고; b) 수정된 제2 모델과 상기 획득한 생리학적 값들에 기초하여 상기 진단 경로들 중 하나를 선택하도록 구성된 상기 제2 모델을 구현하는 단계; 및
상기 경로 데이터 세트에 기초하여 상기 제2 모델을 수정하는 단계를 더 포함하는 것을 특징으로 하는 환자의 의학적 상태를 진단하는 방법.
- 제12항을 인용하는 제13항에 있어서,
상기 환자 데이터 세트 각각에 기초하여 상기 제2 모델을 반복적으로 수정하는 단계를 더 포함하는 것을 특징으로 하는 환자의 의학적 상태를 진단하는 방법.
- 선행하는 청구항 중 어느 한 항의 방법을 수행하도록 프로세서를 프로그래밍하도록 구성된 프로그램 명령들을 포함하는 컴퓨터 프로그램 제품.
Applications Claiming Priority (3)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| EP19202792.8A EP3806107A1 (en) | 2019-10-11 | 2019-10-11 | Diagnostic tool |
| EP19202792.8 | 2019-10-11 | ||
| PCT/EP2020/052896 WO2021069105A1 (en) | 2019-10-11 | 2020-02-05 | Diagnostic tool |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| KR20220082869A true KR20220082869A (ko) | 2022-06-17 |
Family
ID=68280878
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020227015817A KR20220082869A (ko) | 2019-10-11 | 2020-02-05 | 진단 툴 |
Country Status (5)
| Country | Link |
|---|---|
| US (2) | US20240055121A1 (ko) |
| EP (1) | EP3806107A1 (ko) |
| JP (1) | JP2022551325A (ko) |
| KR (1) | KR20220082869A (ko) |
| WO (1) | WO2021069105A1 (ko) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20230140186A (ko) * | 2022-03-29 | 2023-10-06 | 가톨릭대학교 산학협력단 | 의료 정보 제공 장치, 방법 및 시스템 |
Family Cites Families (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US7487134B2 (en) * | 2005-10-25 | 2009-02-03 | Caterpillar Inc. | Medical risk stratifying method and system |
| US8744870B2 (en) * | 2010-12-10 | 2014-06-03 | Infosys Limited | Method and system for forecasting clinical pathways and resource requirements |
| US20120310667A1 (en) * | 2011-06-03 | 2012-12-06 | Roy Altman | Dynamic clinical pathways |
| WO2016094330A2 (en) * | 2014-12-08 | 2016-06-16 | 20/20 Genesystems, Inc | Methods and machine learning systems for predicting the liklihood or risk of having cancer |
| CN104951894B (zh) * | 2015-06-25 | 2018-07-03 | 成都厚立信息技术有限公司 | 医院疾病管理智能分析和评估系统 |
| US20170286621A1 (en) * | 2016-03-29 | 2017-10-05 | International Business Machines Corporation | Evaluating Risk of a Patient Based on a Patient Registry and Performing Mitigating Actions Based on Risk |
| JP2019537130A (ja) * | 2016-10-19 | 2019-12-19 | ピーチ インテリヘルス プライベート リミティド | 人工知能及び機械学習を使用して連続臓器不全評価（ｓｏｆａ）スコアを予測するシステム及び方法 |
| JP6893480B2 (ja) * | 2018-01-18 | 2021-06-23 | 株式会社日立製作所 | 分析装置および分析方法 |
-
2019
- 2019-10-11 EP EP19202792.8A patent/EP3806107A1/en active Pending
-
2020
- 2020-02-05 WO PCT/EP2020/052896 patent/WO2021069105A1/en active Application Filing
- 2020-02-05 JP JP2022521723A patent/JP2022551325A/ja active Pending
- 2020-02-05 US US17/766,661 patent/US20240055121A1/en active Pending
- 2020-02-05 KR KR1020227015817A patent/KR20220082869A/ko unknown
-
2022
- 2022-11-03 US US17/980,327 patent/US20230060794A1/en active Pending
Also Published As
| Publication number | Publication date |
|---|---|
| JP2022551325A (ja) | 2022-12-08 |
| EP3806107A1 (en) | 2021-04-14 |
| US20240055121A1 (en) | 2024-02-15 |
| WO2021069105A1 (en) | 2021-04-15 |
| US20230060794A1 (en) | 2023-03-02 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Djulbegovic et al. | Uncertainty in clinical medicine | |
| US7487134B2 (en) | Medical risk stratifying method and system | |
| Shung et al. | Machine learning to predict outcomes in patients with acute gastrointestinal bleeding: a systematic review | |
| US11923094B2 (en) | Monitoring predictive models | |
| CA2464613A1 (en) | Patient data mining for lung cancer screening | |
| JP2008077603A (ja) | 検査項目選定装置、検査項目選定方法、及び検査項目選定プログラム | |
| US20210082577A1 (en) | System and method for providing user-customized prediction models and health-related predictions based thereon | |
| JP2019526869A (ja) | Ｃａｄシステム推薦に関する確信レベル指標を提供するためのｃａｄシステムパーソナライゼーションの方法及び手段 | |
| CN111291131A (zh) | 数据处理方法、装置、存储介质及电子设备 | |
| Lipsett et al. | Development of the novel pneumonia risk score to predict radiographic pneumonia in children | |
| US20230060794A1 (en) | Diagnostic Tool | |
| US20220108801A1 (en) | Diagnosis and treatment support system | |
| WO2019235367A1 (ja) | 断層画像予測装置および断層画像予測方法 | |
| US11848075B2 (en) | Biomarker detection method, disease assessment method, biomarker detection device, and computer readable medium | |
| Lee et al. | Localization-adjusted diagnostic performance and assistance effect of a computer-aided detection system for pneumothorax and consolidation | |
| CN116682565B (zh) | 一种数字化医疗信息在线监测方法、终端及介质 | |
| Hubbard et al. | A semiparametric censoring bias model for estimating the cumulative risk of a false-positive screening test under dependent censoring | |
| Andrews et al. | Examining the causal mediating role of brain pathology on the relationship between diabetes and cognitive impairment: the Cardiovascular Health Study | |
| KR20130104883A (ko) | 관상동맥석회화 수준 변화 예측장치 및 예측방법 | |
| US20180101658A1 (en) | Method of and system for determining risk of an individual to contract clostridium difficile infection | |
| JP2022044023A (ja) | 医用情報処理システム及び方法 | |
| Anai et al. | Deep Learning Models to Predict Fatal Pneumonia Using Chest X‐Ray Images | |
| EP3686897A1 (en) | Method and data processing unit for selecting a risk assessment computer program | |
| Ong Ly et al. | Shortcut learning in medical AI hinders generalization: method for estimating AI model generalization without external data | |
| CN111128330A (zh) | 电子病例报告表自动录入方法、装置以及相关设备 |