KR20220085256A - 뇌졸중 환자의 임상 데이터를 이용한 운동 기능 회복 예후 예측 장치 및 그 방법 - Google Patents
뇌졸중 환자의 임상 데이터를 이용한 운동 기능 회복 예후 예측 장치 및 그 방법 Download PDFInfo
- Publication number
- KR20220085256A KR20220085256A KR1020200175177A KR20200175177A KR20220085256A KR 20220085256 A KR20220085256 A KR 20220085256A KR 1020200175177 A KR1020200175177 A KR 1020200175177A KR 20200175177 A KR20200175177 A KR 20200175177A KR 20220085256 A KR20220085256 A KR 20220085256A
- Authority
- KR
- South Korea
- Prior art keywords
- motor function
- patient
- data
- score
- prognosis
- 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
- 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
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/103—Detecting, measuring or recording devices for testing the shape, pattern, colour, size or movement of the body or parts thereof, for diagnostic purposes
- A61B5/11—Measuring movement of the entire body or parts thereof, e.g. head or hand tremor, mobility of a limb
- A61B5/1118—Determining activity level
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/103—Detecting, measuring or recording devices for testing the shape, pattern, colour, size or movement of the body or parts thereof, for diagnostic purposes
- A61B5/11—Measuring movement of the entire body or parts thereof, e.g. head or hand tremor, mobility of a limb
- A61B5/112—Gait analysis
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/40—Detecting, measuring or recording for evaluating the nervous system
- A61B5/4058—Detecting, measuring or recording for evaluating the nervous system for evaluating the central nervous system
- A61B5/4064—Evaluating the brain
-
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H20/00—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance
- G16H20/30—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance relating to physical therapies or activities, e.g. physiotherapy, acupressure or exercising
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/30—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for calculating health indices; for individual health risk assessment
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/70—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
- Health & Medical Sciences (AREA)
- Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Medical Informatics (AREA)
- Public Health (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Pathology (AREA)
- Biophysics (AREA)
- Theoretical Computer Science (AREA)
- Epidemiology (AREA)
- Molecular Biology (AREA)
- Primary Health Care (AREA)
- Veterinary Medicine (AREA)
- Surgery (AREA)
- Neurology (AREA)
- Physiology (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- Animal Behavior & Ethology (AREA)
- Heart & Thoracic Surgery (AREA)
- Computing Systems (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Evolutionary Computation (AREA)
- Dentistry (AREA)
- Mathematical Physics (AREA)
- General Engineering & Computer Science (AREA)
- Physical Education & Sports Medicine (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computational Linguistics (AREA)
- Psychology (AREA)
- Neurosurgery (AREA)
- Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
Abstract
본 발명은 뇌졸중 환자의 임상 데이터를 이용한 운동 기능 회복 예후 예측 장치 및 그 방법에 관한 것이다. 본 발명에 따르면, 뇌졸중 환자의 운동 기능 회복 예후를 예측하는 장치에 있어서, 복수의 환자 별로 환자와 관련한 신체 데이터와, 발병일로부터 기준 기간 이내에 관측된 환자의 환측 사지와 관련한 복수 종류의 운동 기능 점수, 뇌졸중 유형을 포함한 임상 데이터를 수집하는 데이터 수집부와, 상기 수집된 신체 데이터 및 임상 데이터를 입력 데이터로 하고, 발병일로부터 설정 기간 경과 후에 관측된 설정 종류의 운동 기능 점수를 출력 데이터로 하여 예측 모델을 학습시키는 모델 학습부와, 분석 대상 환자에 대한 신체 데이터 및 현재 관측된 임상 데이터를 획득하는 데이터 획득부, 및 상기 획득한 신체 데이터 및 임상 데이터를 상기 예측 모델에 적용하여, 현재로부터 설정 기간 경과 후의 미래 시점의 분석 대상 환자에 대한 상기 설정 종류의 운동 기능 점수를 예측하는 예측부를 포함하는 뇌졸중 환자의 운동 기능 회복 예후 예측 장치를 제공한다.
본 발명에 따르면, 환자에 대응하여 수집된 현재의 임상 데이터를 기 학습된 예측 모델에 적용하는 것을 통하여 향후 미래 시점에 대한 환자의 운동 기능 회복 예후를 사전에 예측해낼 수 있다.
본 발명에 따르면, 환자에 대응하여 수집된 현재의 임상 데이터를 기 학습된 예측 모델에 적용하는 것을 통하여 향후 미래 시점에 대한 환자의 운동 기능 회복 예후를 사전에 예측해낼 수 있다.
Description
본 발명은 뇌졸중 환자의 임상 데이터를 이용한 운동 기능 회복 예후 예측 장치 및 그 방법에 관한 것으로서, 보다 상세하게는 환자의 현재의 임상 데이터 만으로 향후 미래 시점에 대한 환자의 운동 기능 회복 예후를 예측할 수 있는 뇌졸중 환자의 운동 기능 회복 예후 예측 장치 및 그 방법에 관한 것이다.
본 발명은 경산시에서 지원한 2020년 메디챌린저 육성사업의 지원을 받아 수행된 연구/용역의 일환으로 출원된 특허이며, 관련 사항은 아래와 같다.
[과제고유번호] 220C000565
[부처명] 경산시
[연구관리전문기관] 영남대학교 산학협력단
[연구사업명] 연구/용역
[연구과제명] 의료 빅데이터를 이용한 뇌졸중 환자의 삼킴 기능 회복 예측 인공지능 개발: 영상데이터에 기반한 개발
[주관기관] 대구경북첨단의료산업진흥재단
[연구기간] 2020.05.01~2020.12.31
뇌졸중은 가장 흔한 신경학적 질환이며 대다수의 뇌졸중 환자가 운동 기능 장애를 호소하고 있다. 이러한 운동 기능 장애는 뇌졸중 환자의 삶의 질에 절대적인 영향을 미칠 뿐만 아니라 환자의 심리적 위축과 치료 의지 약화를 유발하여 병증 악화 원인이 되기도 한다.
하지만 실제 임상에서 의료진이 뇌졸중 환자의 운동 기능의 예후를 정확하게 평가하지 못하는 경우가 많으며, 이로 인하여 환자 개인별 재활 프로그램의 계획을 수립하는데 많은 어려움을 겪고 있다.
본 발명의 배경이 되는 기술은 한국공개특허 제10-2019-0132710(2019.11.29 공개)에 개시되어 있다.
본 발명은 환자의 현재 임상 데이터를 미리 학습된 예측 모델에 적용하여 향후 미래 시점에 대한 환자의 운동 기능 회복 예후를 사전 예측할 수 있는 뇌졸중 환자의 임상 데이터를 이용한 운동 기능 회복 예후 예측 장치 및 그 방법을 제공하는데 목적이 있다.
본 발명은, 뇌졸중 환자의 운동 기능 회복 예후를 예측하는 장치에 있어서, 복수의 환자 별로 환자와 관련한 신체 데이터와, 발병일로부터 기준 기간 이내에 관측된 환자의 환측 사지와 관련한 복수 종류의 운동 기능 점수, 뇌졸중 유형을 포함한 임상 데이터를 수집하는 데이터 수집부와, 상기 수집된 신체 데이터 및 임상 데이터를 입력 데이터로 하고, 발병일로부터 설정 기간 경과 후에 관측된 설정 종류의 운동 기능 점수를 출력 데이터로 하여 예측 모델을 학습시키는 모델 학습부와, 분석 대상 환자에 대한 신체 데이터 및 현재 관측된 임상 데이터를 획득하는 데이터 획득부, 및 상기 획득한 신체 데이터 및 임상 데이터를 상기 예측 모델에 적용하여, 현재로부터 설정 기간 경과 후의 미래 시점의 분석 대상 환자에 대한 상기 설정 종류의 운동 기능 점수를 예측하는 예측부를 포함하는 뇌졸중 환자의 운동 기능 회복 예후 예측 장치를 제공한다.
또한, 상기 뇌졸중 환자의 운동 기능 회복 예후 예측 장치는, 상기 예측된 운동 기능 점수를 임계값과 비교하여 해당 종류의 운동 기능에 대한 회복 가능성 여부를 분류하는 분류부를 더 포함할 수 있다.
또한, 상기 기준 기간은 30일 이내이고, 상기 설정 기간은 6개월 이상일 수 있다.
또한, 상기 임상 데이터는, 단무지외전근과 전경골근의 운동유발전위 존재 유무를 더 포함할 수 있다.
또한, 상기 예측 모델의 입력 데이터로 사용된 복수 종류의 운동 기능 점수는, 관절 점수(MRC; Medical Research Council), 보행 점수(FAC; Functional Ambulation Category) 및 상지 움직임 점수(MBC; Modified Brunnstrom classification)를 포함하며, 상기 예측 모델의 출력 데이터로 사용된 설정 종류의 운동 기능 점수는, 상기 보행 점수(FAC) 및 상기 상지 움직임 점수(MBC)를 포함할 수 있다.
또한, 상기 뇌졸중 환자의 운동 기능 회복 예후 예측 장치는, 상기 보행 점수 및 상지 움직임 점수를 기 설정된 각각의 임계 값과 비교하여, 설정 기간 경과 후의 미래 시점에 대한 분석 대상 환자의 보행 기능 및 상지 움직임 기능의 회복 가능성 여부를 개별 분류하는 분류부를 더 포함할 수 있다.
또한, 상기 예측 모델은, 심층 신경망(DNN) 알고리즘을 통하여 학습될 수 있다.
그리고, 본 발명은, 뇌졸중 환자의 운동 기능 회복 예후 예측 장치를 이용한 운동 기능 회복 예후 예측 장치에 있어서, 복수의 환자 별로 환자와 관련한 신체 데이터와, 발병일로부터 기준 기간 이내에 관측된 환자의 환측 사지와 관련한 복수 종류의 운동 기능 점수, 뇌졸중 유형을 포함한 임상 데이터를 수집하는 단계와, 상기 수집된 신체 데이터 및 임상 데이터를 입력 데이터로 하고, 발병일로부터 설정 기간 경과 후에 관측된 설정 종류의 운동 기능 점수를 출력 데이터로 하여 예측 모델을 학습시키는 단계와, 분석 대상 환자에 대한 신체 데이터 및 현재 관측된 임상 데이터를 획득하는 단계, 및 상기 획득한 신체 데이터 및 임상 데이터를 상기 예측 모델에 적용하여, 현재로부터 설정 기간 경과 후의 미래 시점의 분석 대상 환자에 대한 상기 설정 종류의 운동 기능 점수를 예측하는 단계를 포함하는 뇌졸중 환자의 운동 기능 회복 예후 예측 방법을 제공한다.
본 발명에 따르면, 환자에 대응하여 수집된 현재의 임상 데이터를 기 학습된 예측 모델에 적용하는 것을 통하여 향후 미래 시점에 대한 환자의 운동 기능 회복 예후를 사전에 예측해낼 수 있다.
아울러, 예측된 운동 기능 회복 예후 결과를 기반으로 의료진으로 하여금 환자 개인 별로 향후 치료/재활 프로그램의 계획을 보다 효율적으로 수립하고 병증 악화에 대비할 수 있도록 함은 물론 질병의 진행 억제 및 효율적 질병 관리가 가능하도록 한다.
도 1은 본 발명의 실시예에 따른 뇌졸중 환자의 임상 데이터를 이용한 운동 기능 회복 예후 예측 장치의 구성을 나타낸 도면이다.
도 2는 도 1의 각 부의 기능과 데이터 흐름을 간략히 설명한 도면이다.
도 3은 도 1의 장치를 이용한 뇌졸중 환자의 운동 기능 회복 예후 예측 방법을 설명하는 도면이다.
도 4는 본 발명의 실시예에 따른 예측 모델의 학습에 사용된 세부 인자를 예시적으로 나타낸 도면이다.
도 5는 사용된 세 가지 알고리즘의 성능 결과를 비교한 도면이다.
도 2는 도 1의 각 부의 기능과 데이터 흐름을 간략히 설명한 도면이다.
도 3은 도 1의 장치를 이용한 뇌졸중 환자의 운동 기능 회복 예후 예측 방법을 설명하는 도면이다.
도 4는 본 발명의 실시예에 따른 예측 모델의 학습에 사용된 세부 인자를 예시적으로 나타낸 도면이다.
도 5는 사용된 세 가지 알고리즘의 성능 결과를 비교한 도면이다.
그러면 첨부한 도면을 참고로 하여 본 발명의 실시 예에 대하여 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자가 용이하게 실시할 수 있도록 상세히 설명한다. 그러나 본 발명은 여러 가지 상이한 형태로 구현될 수 있으며 여기에서 설명하는 실시 예에 한정되지 않는다. 그리고 도면에서 본 발명을 명확하게 설명하기 위해서 설명과 관계없는 부분은 생략하였으며, 명세서 전체를 통하여 유사한 부분에 대해서는 유사한 도면 부호를 붙였다.
명세서 전체에서, 어떤 부분이 다른 부분과 "연결"되어 있다고 할 때, 이는 "직접적으로 연결"되어 있는 경우뿐 아니라, 그 중간에 다른 소자를 사이에 두고 "전기적으로 연결"되어 있는 경우도 포함한다. 또한 어떤 부분이 어떤 구성요소를 "포함"한다고 할 때, 이는 특별히 반대되는 기재가 없는 한 다른 구성요소를 제외하는 것이 아니라 다른 구성요소를 더 포함할 수 있는 것을 의미한다.
본 발명은 뇌졸중 환자의 임상 데이터를 이용한 운동 기능 회복 예후 예측 장치 장치 및 방법으로, 환자의 현재 임상 데이터를 미리 학습된 예측 모델에 적용하여 향후 미래 시점에 대한 환자의 운동 기능 회복 예후를 예측할 수 있는 기법을 제안한다.
도 1은 본 발명의 실시예에 따른 뇌졸중 환자의 임상 데이터를 이용한 운동 기능 회복 예후 예측 장치의 구성을 나타낸 도면이고, 도 2는 도 1의 각 부의 기능과 데이터 흐름을 간략히 설명한 도면이다.
도 1 및 도 2를 참조하면, 본 발명의 실시예에 따른 뇌졸중 환자의 운동 기능 회복 예후 예측 장치(100)(이하, 예측 장치)는 데이터 수집부(110), 모델 학습부(120), 데이터 획득부(130), 예측부(140), 분류부(150), 출력부(160)를 포함한다.
여기서 각 부(110~160)의 동작 및 각 부 간의 데이터 흐름은 제어부(미도시)에 의해 제어될 수 있다.
데이터 수집부(110)는 복수의 환자 별로 환자와 관련한 신체 데이터와, 발병일로부터 기준 기간(예: 7일, 30일) 이내에 관측된 환자의 환측 사지와 관련한 복수 종류의 운동 기능 점수, 뇌졸중 유형을 포함한 임상 데이터를 수집한다. 여기서 기준 기간은 30일 이내의 기간 중에 해당할 수 있다.
데이터 수집부(110)는 복수의 환자(뇌졸중 환자)에 대한 신체 및 임상 데이터를 포함한 기초 데이터를 수집하여 빅데이터를 구축할 수 있다. 이러한 데이터 수집부(110)는 환자의 의료 정보를 관리 및 저장하는 EMR 또는 이와 연동하는 병원 서버 등으로부터 환자의 기초 데이터를 수집할 수 있다.
전자의무기록시스템인 EMR은 병원 서버에 포함되거나 병원 서버와 상호 연계하여 동작될 수 있다. EMR 또는 병원 서버는 환자의 개인 정보, 신체 정보, 과거 수개월 혹은 수년간 진료 기록, 각종 검사 정보 등을 포함한 환자의 의료 정보(의료 정보 DB) 이력을 시간 별로 관리할 수 있다. 이처럼 환자 별 기초 데이터는 EMR, 병원 서버 등을 통하여 수집될 수 있고 이로부터 예측 모델 학습에 필요한 빅데이터를 구축할 수 있다.
데이터 수집부(110)는 뇌졸중 발병일과 입원일(또는 전과일) 사이 기간이 7 ~ 30일 이내(early stage)에 임상 데이터가 수집된 환자를 대상으로 기초 데이터를 수집할 수 있다.
여기서 물론, 기초 데이터의 선정은 뇌졸중을 처음으로 진단받은 자, 20살 이상인 자(미성년자 미포함), 발병일 내지 입원일 사이의 기간이 7~30일 이내이고 그 사이에 임상 데이터가 수집된 자, 발병일로부터 7 ~ 30일 이내의 MBC 점수가 설정값(예: 4) 이하이고 FAC 점수가 설정값(예: 3) 이하인 자, 발병 초기부터 마지막 평가 시까지 폐렴이나 심장 관련 문제 등의 심각한 합병증이 없었던 자를 대상으로 수행될 수 있고, 이를 통해 예측 모델의 효율성, 정확도 및 유효성을 높인다.
본 발명의 실시예에서 수집되는 환자별 기초 데이터는 신체 데이터 및 임상 데이터를 포함할 수 있다. 신체 데이터는 환자의 나이, 성별 등을 포함할 수 있다. 임상 데이터는 환자의 뇌졸중 유형(경색/출혈), 환측 사지(견관절 외전근, 주관절 굴곡근, 수지 굴곡근, 수지 신전근, 고관절 굴곡근, 슬관절 신전근, 족관절 배측굴곡근)와 관련한 복수 종류의 운동 기능 점수, 단무지외전근과 전경골근의 운동유발전위 존재 여부 등을 포함할 수 있다.
여기서, 환측 사지와 관련한 복수 종류의 운동 기능 점수는 관절 점수(MRC; Medical Research Council), 보행 점수(FAC; Functional Ambulation Category), 상지 움직임 점수(MBC; Modified Brunnstrom classification)를 포함한다.
각각의 운동 기능 점수(MRC, FAC, MBC)의 평가 기준은 아래 표 1 내지 표 3과 같다. 평가 점수가 높을수록 운동 기능이 양호함을 의미한다. 이들 운동 기능 점수는 의사, 재활치료사 등과 같은 의료진에 의해 평가된 후 병원 서버나 전자의무기록 시스템에 저장될 수 있다.
| 점수 | MRC |
| 5 | 중력과 강한 저항에 대하여 완전한 관절운동범위(ROM) 가동 가능 (정상) |
| 4 | 중력과 중등도의 저항에 대하여 완전한 ROM |
| 3 | 중력에 대하여 완전한 ROM |
| 2 | 중력이 작용하지 않을 때 완전한 ROM |
| 1 | 약한 근수축은 있으나 관절운동은 없는 상태 |
| 0 | 근수축이 없는 상태 |
| 점수 | FAC |
| 0 | 보행 불가 |
| 1 | 1인의 지속적인 지지가 필요함 |
| 2 | 1인의 간헐적인 지지가 필요함 |
| 3 | 구두 감독이 필요함 |
| 4 | 계단이나 경사대, 울퉁불퉁한 바닥면에서는 도움이 필요함 |
| 5 | 어디서나 독립적으로 보행 가능함 |
| 점수 | MBC |
| 1 | 자발적으로 손가락을 움직일 수 없음 |
| 2 | 자발적으로 손가락을 움직임 수 있음 |
| 3 | 환측 손을 자발적으로 닫을 수 있지만 펼 수는 없음 |
| 4 | 엄지와 검지의 안쪽면으로 카드를 잡을 수 있으며, 손가락을 약간 펼 수 있음 |
| 5 | 유리잔을 들고 잡을 수 있으며 손가락을 펼 수 있음 |
| 6 | 거의 정상에 가깝게 공을 잡고 던질 수 있으며 셔츠 단추를 잠그고 풀 수 있음 |
데이터 수집부(110)는 모델 학습을 위하여, 발병일로부터 설정 기간(예: 6개월, 1년) 경과 후에 관측된 설정 종류의 운동 기능 점수를 추가로 수집하고 저장할 수 있다. 이때, 설정 종류의 운동 기능 점수란, 관절 점수(MRC)를 제외한 보행 점수(FAC) 및 상지 움직임 점수(MBC)에 해당한다. 설정 기간은 6개월 이상의 기간 중에서 선택될 수 있다.
데이터 수집부(110)에서 수집한 환자별 데이터들은 환자의 운동 기능 회복 예후를 예측하는 모델을 구축하기 위한 학습 데이터로 사용된다. 수집된 데이터 중 발병일과 입원일 사이의 30일 이내에 수집된 초기 데이터들은 예측 모델의 학습 시에 입력 데이터로 활용되고 6개월 경과 후의 데이터들은 출력 데이터로 활용된다. 예측 모델은 이들 입력 데이터와 출력 데이터 간의 관계를 머신 러닝을 기반으로 학습하게 된다.
구체적으로, 모델 학습부(120)는 앞서 수집된 환자의 신체 데이터와 임상 데이터를 입력 데이터로 하고, 발병일로부터 설정 기간(예: 6개월) 경과 후에 해당 환자에게서 관측된 설정 종류의 운동 기능 점수(FAC, MBC)를 출력 데이터로 하여 예측 모델을 학습시킨다.
이러한 모델 학습부(120)는 인공지능 기반의 러닝 분석을 통하여 뇌졸중 환자의 운동 기능 회복 예후를 예측하기 위한 예측 모델을 생성할 수 있다.
예측 모델 생성에는 다양한 기법이 사용될 수 있는데, 심층신경망(Deep neural network, DNN), 로지스틱 회귀(logistic regression), 랜덤 포레스트(random forest) 알고리즘이 사용될 수 있다.
본 발명의 실시예는 심층 신경망(DNN)을 이용한 것을 대표 예시로 한다. 딥 러닝이란 여러 비선형 변환기법의 조합을 통해 높은 수준의 추상화를 시도하는 기계 학습 알고리즘의 집합이다. 딥 러닝에는 다양한 종류의 신경망이 존재하는데 본 발명의 실시예는 심층 신경망을 이용하였고, 뇌졸중 환자의 초기 임상데이터와 6개월 이후의 데이터를 이용하여 뇌졸중 환자의 6개월 이후 운동 회복 결과 예측 모델을 구현하였다.
예측 모델의 입력 데이터는 환자의 신체 데이터(나이, 성별 등), 뇌졸중 유형, 뇌졸중 발병일과 입원일 사이의 30일 이내 관측된 환측 사지 관련한 운동 기능 점수(MRC, FAC, MBC), 그리고 단무지외전근과 전경골근의 운동유발전위 존재 여부를 포함한다. 또한, 출력 데이터는 발병일로부터 6개월 경과 후에 관측된 환자의 운동 기능 점수(FAC, MBC)를 포함한다.
예측 모델은 뇌졸중 발병 초기에 관측된 환자의 초기 임상 데이터와, 그에 대응하여 관측된 6개월 후의 운동 기능 점수(FAC, MBC) 간의 관계를 머신 러닝을 통하여 학습할 수 있다. 즉, 예측 모델은 환자의 기본 신체 데이터와 초기 임상 데이터의 입력에 대응하여 그로부터 예상되는 향후 6개월 후의 환자의 보행 점수와 상지 움직임 점수를 출력으로 도출하도록 학습된다.
모델 학습부(120)는 환자 별로 수집된 복수의 인자(변수)와 그에 대응하여 예측되는 출력 인자 간의 관계를 지도 학습을 기반으로 지속적으로 머신 러닝 분석하고 업데이트할 수 있고 심층 신경망 내 가중치를 수정 및 최적화할 수 있다. 물론 그 과정에서 오차가 임계치 이하에 들어올 때까지 학습을 수행할 수 있다.
학습을 통하여 예측 모델이 완성되면, 임의의 분석 대상 환자(예: 초기 뇌졸증 환자, 뇌졸증 의심 환자)에 대한 현재 관측 데이터를 해당 모델에 적용하는 것만으로도 해당 환자에 대한 향후 6개월 후의 보행 점수 및 상지 움직임 점수를 예상할 수 있다.
이를 위해, 데이터 획득부(130)는 분석 대상 환자에 대한 신체 데이터 및 현재 관측된 임상 데이터를 획득한다. 데이터 획득부(130)는 EMR 또는 병원 서버, 시스템 등과 연동하여 분석 대상 환자의 데이터를 획득할 수 있고, 의료진 등의 관리자로부터 해당 환자와 관련한 파라미터를 입력 인터페이스를 통해 입력받을 수 있다. 또한 데이터 획득부(130)는 EMR에 네트워크 연결되어 분석 대상 환자에 대한 신체 정보, 임상 정보 등을 포함한 의료 정보를 검색, 조회 및 로딩할 수 있다.
예측부(140)는 분석 대상 환자에 대응하여 획득한 신체 데이터 및 임상 데이터를 예측 모델에 적용하여, 현재로부터 설정 기간(예: 6개월) 경과 후의 미래 시점의 분석 대상 환자에 대한 운동 기능 점수(MBC, FAC)를 예측하여 제공한다.
예를 들어 예측부(140)는 현재 시점에서 분석 대상 환자에 대응하여 수집된 각 인자들을 예측 모델에 입력 파라미터로 적용하여 향후 6개월 후에 예상되는 환자의 MBC 및 FAC 점수를 도출하여 제공할 수 있다.
따라서, 본 발명의 실시예에 따른 예측 모델에 의하면, 분석 대상 환자의 현재 수집 데이터에 대응하여 6개월 후의 운동 기능 점수를 예측하여 제공하며, 이를 통해 현재로부터의 상지 및 하지 운동 기능의 악화, 호전 혹은 유지 상황을 사전 예측할 수 있다.
여기서, 모델 학습부(120)와 예측부(140)는 도 2와 같이 프로세서(Processor)에 포함 또는 내장될 수 있다. 이러한 프로세서는 인공지능을 이용한 예측 모델을 탑재하고 운동 기능 예후 예측 결과를 제공할 수 있으며, 외부 플랫폼 및 의료 정보 시스템등에 연결되어 인공지능 학습 데이터 및 예측 모델을 업데이트 및 갱신할 수 있다.
또한 프로세서는 인공지능 알고리즘을 내장하고 머신러닝에 기반한 연산을 수행할 수 있다. 예를 들어 프로세서는 알고리즘의 사전 학습에 있어 고도로 다층화된 인공 신경망에 근거한 머신러닝 알고리즘을 사용할 수 있다. 프로세서는 인공지능 알고리즘을 통해 사전 학습된 가중치를 기반으로 현재 분석 대상이 되는 환자의 입력 데이터에 대응하여 미래에 시점에 예상되는 환자의 운동 기능 점수를 예측해 낼 수 있다.
분류부(150)는 예측된 운동 기능 점수를 임계값과 비교하여 해당 종류의 운동 기능에 대한 회복 가능성 여부를 분류한다.
구체적으로, 분류부(150)는 보행 점수(FAC) 및 상지 움직임 점수(MBC)를 기 설정된 각각의 임계 값과 비교하여, 설정 기간 경과 후의 미래 시점에 대한 분석 대상 환자의 보행 기능 및 상지 움직임 기능의 회복 가능성 여부를 개별 분류한다.
예를 들어, 뇌졸중 발병 6개월 후에 예상된 보행 점수(FAC)가 4점 이상이면, 환자의 하지 운동 기능의 회복 가능성이 높음으로 분류하고, 4점 미만이면 회복 가능성이 낮음으로 분류한다. 또한, 6개월 후 예상된 상지 움직임 점수(MBC)가 5점 이상이면, 6개월 후의 환자의 상지 운동 기능의 회복 예후가 좋은 것으로 분류하고 5점 미만이면 환자의 상지 운동 기능의 회복 예후가 나쁜 것으로 분류할 수 있다.
출력부(160)는 예측 모델을 통하여 도출된 운동 기능 점수 예측 결과 및 그에 따른 회복 가능성 분류 결과를 디스플레이 등을 통하여 출력하여 제공한다.
이와 같이 예측 장치(100)는 운동 기능 회복 예후 예측과 관련한 프로세스를 실행시키고 해당 결과를 제공함으로써, 환자의 진료, 상담, 처방, 치료 및 효율적 예후 관리가 가능하도록 한다.
이상과 같이, 본 발명은 뇌졸중 환자의 초기 임상 데이터와 설정 기간 후에 관측된 환측 사지의 운동 기능 점수를 학습한 예측 모델을 기반으로 분석 대상 환자에 대한 현재의 몇 가지 임상 데이터 만으로 향후 미래 시점에 대한 환자의 운동 기능 회복 예후를 사전에 편리하게 예측하여 제공할 수 있다.
본 발명의 실시예에 따른 예측 장치(100)는 뇌졸중 환자의 운동 기능 회복 예후 예측을 수행하는 서버 그 자체 일수도 있고, 의료진 측의 단말 장치(PC, 데스크탑, 스마트폰, 노트북, 패드 등) 또는 사용자 단말(200) 상에 구현되는 어플리케이션(Application)에 해당할 수도 있다. 따라서 각 단말은 관련 어플리케이션(응용 프로그램)이 실행된 상태에서 예측 장치(100)와 네트워크 접속되어 관련 서비스를 제공받을 수 있다.
도 3은 도 1의 장치를 이용한 뇌졸중 환자의 운동 기능 회복 예후 예측 방법을 설명하는 도면이다.
먼저, 데이터 수집부(110)는 복수의 환자(뇌졸중 환자) 별로 환자와 관련한 신체 데이터와, 발병일로부터 기준 기간(예: 30일) 이내에 관측된 환자의 환측 사지와 관련한 복수 종류의 운동 기능 점수(MRC, FAC, MBC), 뇌졸중 유형을 포함한 임상 데이터를 수집한다(S310).
또한, 데이터 수집부(110)는 발병일로부터 설정 기간(예: 6개월) 후에 환자로부터 관측된 설정 종류의 운동 기능 점수(FAC, MBC)도 수집한다. 데이터 수집부(110)는 이를 기반으로 모델 학습을 위한 빅데이터를 구축한다.
다음, 모델 학습부(120)는 인공지능 알고리즘에 기반한 프로세서를 이용하여, 환자 별 수집된 신체 데이터 및 임상 데이터를 입력 데이터로 하고, 발병일로부터 설정 기간 경과 후에 관측된 운동 기능 점수(FAC, MBC)를 출력 데이터로 하는 학습 데이터 세트를 기반으로 예측 모델을 학습시킨다(S320).
이때, 모델 학습부(120)는 심층 신경망(DNN)을 이용하여 모델을 학습시킬 수 있으며, 관련 환자들에 대한 빅데이터의 학습을 통하여 모델의 신뢰성을 높일 수 있다.
학습이 완료된 이후부터는, 분석 대상 환자에 대한 현재의 인자들에 대응하여 미래 시점의 운동 기능 점수를 예측한 값을 제공할 수 있다.
구체적으로, 데이터 획득부(130)는 분석 대상 환자에 대한 신체 데이터 및 현재 관측된 임상 데이터를 획득하고(S330), 이를 예측부(140)로 전달한다. 데이터 획득부(130)는 병원 서버, EMR, 의료진 측 단말 장치 중 적어도 하나와 연동하여 관련 데이터를 획득하거나 입력받을 수 있다.
예측부(140)는 분석 대상 환자에 대응하여 수신한 신체 데이터 및 임상 데이터를 예측 모델에 적용하여, 현재로부터 설정 기간 경과 후의 미래 시점의 분석 대상 환자에 대한 운동 기능 점수(FAC, MBC)를 도출한다(S340).
이후, 분류부(150)는 예측된 운동 기능 점수를 임계값과 비교하여 해당 종류의 운동 기능에 대한 회복 가능성 여부를 분류한다(S350).
예를 들어, FAC가 임계값(예: 4점) 이상이면 6개월 후의 분석 대상 환자에 대한 하지 운동 기능의 회복 예후가 좋다고 판별할 수 있고, 그 미만이면 예후가 나쁜 것으로 판단할 수 있다. 또한, MBC가 임계값(예: 5점) 이상인지 여부에 따라서 6개월 후의 환자의 상지 운동 기능의 회복 예후 가능성을 분류하여 제공할 수 있다. 물론 각 경우에 대해 다단의 임계값을 부여하여 회복 예후를 다단(상, 중, 하 등)으로 분류하는 것도 가능하다.
이후, 출력부(160)는 운동 기능 점수 예측 결과 및 이에 기반한 회복 가능성 분류 결과를 디스플레이 등을 통하여 출력할 수 있다(S360).
다음은 예측 모델 생성에 사용된 머신 러닝 알고리즘의 종류에 따른 예측 성능을 비교한 결과를 설명한다.
우선, 도 4는 본 발명의 실시예에 따른 예측 모델의 학습에 사용된 세부 인자를 예시적으로 나타낸 도면이다. 그리고, 도 5는 사용된 세 가지 알고리즘의 성능 결과를 비교한 도면이다.
세 가지 알고리즘은 심층신경망(DNN), 로지스틱 회귀(logistic regression), 랜덤 포레스트(random forest) 알고리즘을 포함하며 이들 각각에 대한 성능 결과는 도 5를 통하여 확인할 수 있다.
세 가지 알고리즘은 모두 파이썬(python) 프로그램으로 구현되었으며, TensorFlow 2.3.0 및 scikit-learn toolkit 0.23.2을 사용하여 학습하였다. 데이터 셋은 훈련용 데이터 셋 70%, 검증용 데이터 셋 21%, 테스트용 데이터 셋 9%로 나누었다. 통계 분석은 receiver operating characteristic curve (ROC curve) 분석을 수행하였고, scikit-learn을 사용하여 area under the curve(AUC)를 계산하였다.
도 5에서 좌측과 우측은 각각 MBC 점수와 FAC 점수에 관한 예측 성능 데이터를 나타낸다. 알고리즘별 Validation AUC 값을 비교해 보면, MBC 점수 예측의 경우 DNN은 0.996, logistic regression은 0.874, random forest은 0.882로 나타났고, FAC 점수 예측의 경우 DNN은 0.882, logistic regression은 0.765, random forest은 0.802로 나타났다. 도 5의 결과로부터 DNN, random forest, logistic regression 알고리즘의 순으로 좋은 성능을 보였고, 특히 DNN 알고리즘을 이용하여 예측 모델을 구성한 경우가 가장 우수한 성능을 나타내었다.
이상과 같은 본 발명에 따르면, 환자에 대응하여 수집된 현재의 임상 데이터를 기 학습된 예측 모델에 적용하는 것을 통하여 향후 미래 시점에 대한 환자의 운동 기능 회복 예후를 사전에 예측해낼 수 있다.
아울러, 예측된 운동 기능 회복 예후 결과를 기반으로 의료진으로 하여금 환자 개인 별로 향후 치료/재활 프로그램의 계획을 보다 효율적으로 수립하고 병증 악화에 대비할 수 있도록 함은 물론 질병의 진행 억제 및 효율적 질병 관리가 가능하도록 한다.
본 발명은 도면에 도시된 실시 예를 참고로 설명되었으나 이는 예시적인 것에 불과하며, 본 기술 분야의 통상의 지식을 가진 자라면 이로부터 다양한 변형 및 균등한 다른 실시 예가 가능하다는 점을 이해할 것이다. 따라서, 본 발명의 진정한 기술적 보호 범위는 첨부된 특허청구범위의 기술적 사상에 의하여 정해져야 할 것이다.
100: 운동 기능 회복 예후 예측 장치
110: 데이터 수집부 120: 모델 학습부
130: 데이터 획득부 140: 예측부
150: 분류부 160: 출력부
110: 데이터 수집부 120: 모델 학습부
130: 데이터 획득부 140: 예측부
150: 분류부 160: 출력부
Claims (14)
- 뇌졸중 환자의 운동 기능 회복 예후를 예측하는 장치에 있어서,
복수의 환자 별로 환자와 관련한 신체 데이터와, 발병일로부터 기준 기간 이내에 관측된 환자의 환측 사지와 관련한 복수 종류의 운동 기능 점수, 뇌졸중 유형을 포함한 임상 데이터를 수집하는 데이터 수집부;
상기 수집된 신체 데이터 및 임상 데이터를 입력 데이터로 하고, 발병일로부터 설정 기간 경과 후에 관측된 설정 종류의 운동 기능 점수를 출력 데이터로 하여 예측 모델을 학습시키는 모델 학습부;
분석 대상 환자에 대한 신체 데이터 및 현재 관측된 임상 데이터를 획득하는 데이터 획득부; 및
상기 획득한 신체 데이터 및 임상 데이터를 상기 예측 모델에 적용하여, 현재로부터 설정 기간 경과 후의 미래 시점의 분석 대상 환자에 대한 상기 설정 종류의 운동 기능 점수를 예측하는 예측부를 포함하는 뇌졸중 환자의 운동 기능 회복 예후 예측 장치. - 청구항 1에 있어서,
상기 예측된 운동 기능 점수를 임계값과 비교하여 해당 종류의 운동 기능에 대한 회복 가능성 여부를 분류하는 분류부를 더 포함하는 뇌졸중 환자의 운동 기능 회복 예후 예측 장치. - 청구항 1에 있어서,
상기 기준 기간은 30일 이내이고, 상기 설정 기간은 6개월 이상인 뇌졸중 환자의 운동 기능 회복 예후 예측 장치. - 청구항 1에 있어서,
상기 임상 데이터는,
단무지외전근과 전경골근의 운동유발전위 존재 유무를 더 포함하는 뇌졸중 환자의 운동 기능 회복 예후 예측 장치. - 청구항 1에 있어서,
상기 예측 모델의 입력 데이터로 사용된 복수 종류의 운동 기능 점수는,
관절 점수(MRC; Medical Research Council), 보행 점수(FAC; Functional Ambulation Category) 및 상지 움직임 점수(MBC; Modified Brunnstrom classification)를 포함하며,
상기 예측 모델의 출력 데이터로 사용된 설정 종류의 운동 기능 점수는,
상기 보행 점수(FAC) 및 상기 상지 움직임 점수(MBC)를 포함하는 뇌졸중 환자의 운동 기능 회복 예후 예측 장치. - 청구항 5에 있어서,
상기 보행 점수 및 상지 움직임 점수를 기 설정된 각각의 임계 값과 비교하여, 설정 기간 경과 후의 미래 시점에 대한 분석 대상 환자의 보행 기능 및 상지 움직임 기능의 회복 가능성 여부를 개별 분류하는 분류부를 더 포함하는 뇌졸중 환자의 운동 기능 회복 예후 예측 장치. - 청구항 1에 있어서,
상기 예측 모델은,
심층 신경망(DNN) 알고리즘을 통하여 학습된 뇌졸중 환자의 운동 기능 회복 예후 예측 장치. - 뇌졸중 환자의 운동 기능 회복 예후 예측 장치를 이용한 운동 기능 회복 예후 예측 장치에 있어서,
복수의 환자 별로 환자와 관련한 신체 데이터와, 발병일로부터 기준 기간 이내에 관측된 환자의 환측 사지와 관련한 복수 종류의 운동 기능 점수, 뇌졸중 유형을 포함한 임상 데이터를 수집하는 단계;
상기 수집된 신체 데이터 및 임상 데이터를 입력 데이터로 하고, 발병일로부터 설정 기간 경과 후에 관측된 설정 종류의 운동 기능 점수를 출력 데이터로 하여 예측 모델을 학습시키는 단계;
분석 대상 환자에 대한 신체 데이터 및 현재 관측된 임상 데이터를 획득하는 단계; 및
상기 획득한 신체 데이터 및 임상 데이터를 상기 예측 모델에 적용하여, 현재로부터 설정 기간 경과 후의 미래 시점의 분석 대상 환자에 대한 상기 설정 종류의 운동 기능 점수를 예측하는 단계를 포함하는 뇌졸중 환자의 운동 기능 회복 예후 예측 방법. - 청구항 8에 있어서,
상기 예측된 운동 기능 점수를 임계값과 비교하여 해당 종류의 운동 기능에 대한 회복 가능성 여부를 분류하는 단계를 더 포함하는 뇌졸중 환자의 운동 기능 회복 예후 예측 방법. - 청구항 8에 있어서,
상기 기준 기간은 30일 이내이고, 상기 설정 기간은 6개월 이상인 뇌졸중 환자의 운동 기능 회복 예후 예측 방법. - 청구항 8에 있어서,
상기 임상 데이터는,
단무지외전근과 전경골근의 운동유발전위 존재 유무를 더 포함하는 운동 기능 회복 예후 예측 장치. - 청구항 8에 있어서,
상기 예측 모델의 입력 데이터로 사용된 복수 종류의 운동 기능 점수는,
관절 점수(MRC; Medical Research Council), 보행 점수(FAC; Functional Ambulation Category) 및 상지 움직임 점수(MBC; Modified Brunnstrom classification)를 포함하며,
상기 예측 모델의 출력 데이터로 사용된 설정 종류의 운동 기능 점수는,
상기 보행 점수(FAC) 및 상기 상지 움직임 점수(MBC)를 포함하는 뇌졸중 환자의 운동 기능 회복 예후 예측 방법. - 청구항 12에 있어서,
상기 보행 점수 및 상지 움직임 점수를 기 설정된 각각의 임계 값과 비교하여, 설정 기간 경과 후의 미래 시점에 대한 분석 대상 환자의 보행 기능 및 상지 움직임 기능의 회복 가능성 여부를 개별 분류하는 단계를 더 포함하는 뇌졸중 환자의 운동 기능 회복 예후 예측 방법. - 청구항 8에 있어서,
상기 예측 모델은,
심층 신경망(DNN) 알고리즘을 통하여 학습된 뇌졸중 환자의 운동 기능 회복 예후 예측 방법.
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020200175177A KR102511511B1 (ko) | 2020-12-15 | 2020-12-15 | 뇌졸중 환자의 임상 데이터를 이용한 운동 기능 회복 예후 예측 장치 및 그 방법 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020200175177A KR102511511B1 (ko) | 2020-12-15 | 2020-12-15 | 뇌졸중 환자의 임상 데이터를 이용한 운동 기능 회복 예후 예측 장치 및 그 방법 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| KR20220085256A true KR20220085256A (ko) | 2022-06-22 |
| KR102511511B1 KR102511511B1 (ko) | 2023-03-17 |
Family
ID=82216471
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020200175177A KR102511511B1 (ko) | 2020-12-15 | 2020-12-15 | 뇌졸중 환자의 임상 데이터를 이용한 운동 기능 회복 예후 예측 장치 및 그 방법 |
Country Status (1)
| Country | Link |
|---|---|
| KR (1) | KR102511511B1 (ko) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116884623A (zh) * | 2023-09-06 | 2023-10-13 | 西南医科大学附属医院 | 基于激光扫描成像的医疗康复预测系统 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20150128471A (ko) * | 2014-05-09 | 2015-11-18 | 삼성전자주식회사 | 뇌 손상 환자를 위한 재활 치료 지원 장치 및 방법 |
| KR20190122189A (ko) * | 2019-10-21 | 2019-10-29 | 성균관대학교산학협력단 | 뇌졸중 환자의 운동 회복 예측 모델 |
-
2020
- 2020-12-15 KR KR1020200175177A patent/KR102511511B1/ko active IP Right Grant
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20150128471A (ko) * | 2014-05-09 | 2015-11-18 | 삼성전자주식회사 | 뇌 손상 환자를 위한 재활 치료 지원 장치 및 방법 |
| KR20190122189A (ko) * | 2019-10-21 | 2019-10-29 | 성균관대학교산학협력단 | 뇌졸중 환자의 운동 회복 예측 모델 |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116884623A (zh) * | 2023-09-06 | 2023-10-13 | 西南医科大学附属医院 | 基于激光扫描成像的医疗康复预测系统 |
| CN116884623B (zh) * | 2023-09-06 | 2023-12-15 | 西南医科大学附属医院 | 基于激光扫描成像的医疗康复预测系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| KR102511511B1 (ko) | 2023-03-17 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Boukhennoufa et al. | Wearable sensors and machine learning in post-stroke rehabilitation assessment: A systematic review | |
| Caruana et al. | Case-based explanation of non-case-based learning methods. | |
| JP2021508518A (ja) | ユーザの精神／感情状態をモデリングする方法およびシステム | |
| Kim et al. | The use of wearable sensors to assess and treat the upper extremity after stroke: a scoping review | |
| KR20170061222A (ko) | 건강데이터 패턴의 일반화를 통한 건강수치 예측 방법 및 그 장치 | |
| US11622729B1 (en) | Biomechanics abnormality identification | |
| Bach et al. | Case representation and similarity assessment in the self back decision support system | |
| Tsang et al. | Application of machine learning to support self-management of asthma with mHealth | |
| Vidya et al. | Parkinson’s disease diagnosis and stage prediction based on gait signal analysis using EMD and CNN–LSTM network | |
| Moon et al. | Artificial neural networks in neurorehabilitation: A scoping review | |
| Dorschky et al. | Perspective on “in the wild” movement analysis using machine learning | |
| CN109545374A (zh) | 一种基于人体步态特征大数据的疾病自动跟踪、治疗及推送系统 | |
| KR102511511B1 (ko) | 뇌졸중 환자의 임상 데이터를 이용한 운동 기능 회복 예후 예측 장치 및 그 방법 | |
| Vishal et al. | A comparative analysis of prediction of autism spectrum disorder (ASD) using machine learning | |
| Prusty et al. | Comparative analysis and prediction of coronary heart disease | |
| KR102381219B1 (ko) | 뇌졸중 환자의 단하지 보조기 필요 여부를 판단하기 위한 운동 기능 예측 장치 및 그 방법 | |
| CN114202772B (zh) | 基于人工智能和智慧医疗的参考信息生成系统及方法 | |
| Chen et al. | Designing compact features for remote stroke rehabilitation monitoring using wearable accelerometers | |
| Lim et al. | Developing a mobile wellness management system for healthy lifestyle by analyzing daily living activities | |
| WO2021240275A1 (en) | Real-time method of bio big data automatic collection for personalized lifespan prediction | |
| Nithin et al. | Sensor-Based Human Activity Recognition for Elderly In-patients with a Luong Self-Attention Network | |
| Mishra et al. | Detection of heart disease employing Recurrent CONVoluted neural networks (Rec-CONVnet) for effectual classification process in smart medical application | |
| Patil et al. | An osteoarthritis classifier using back propagation neural network | |
| Kim et al. | Examining cross-validation strategies for predictive modeling of anterior cruciate ligament reinjury | |
| Youssef et al. | Overlapping gait pattern recognition using regression learning for elderly patient monitoring |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| E902 | Notification of reason for refusal | ||
| E902 | Notification of reason for refusal | ||
| E701 | Decision to grant or registration of patent right | ||
| GRNT | Written decision to grant |