KR20220111889A - 심프텀의 히스토리 추적을 통한 희귀 질병 예측 시스템 - Google Patents

심프텀의 히스토리 추적을 통한 희귀 질병 예측 시스템 Download PDF

Info

Publication number
KR20220111889A
KR20220111889A KR1020210015252A KR20210015252A KR20220111889A KR 20220111889 A KR20220111889 A KR 20220111889A KR 1020210015252 A KR1020210015252 A KR 1020210015252A KR 20210015252 A KR20210015252 A KR 20210015252A KR 20220111889 A KR20220111889 A KR 20220111889A
Authority
KR
South Korea
Prior art keywords
unit
symptom
disease
information
simptom
Prior art date
Application number
KR1020210015252A
Other languages
English (en)
Other versions
KR102501629B1 (ko
Inventor
김종명
Original Assignee
김종명
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 김종명 filed Critical 김종명
Priority to KR1020210015252A priority Critical patent/KR102501629B1/ko
Publication of KR20220111889A publication Critical patent/KR20220111889A/ko
Application granted granted Critical
Publication of KR102501629B1 publication Critical patent/KR102501629B1/ko

Links

Images

Classifications

    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/50—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
    • 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
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
    • Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation

Landscapes

  • Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Public Health (AREA)
  • Medical Informatics (AREA)
  • Biomedical Technology (AREA)
  • Data Mining & Analysis (AREA)
  • Pathology (AREA)
  • Databases & Information Systems (AREA)
  • Epidemiology (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Medical Treatment And Welfare Office Work (AREA)
  • Measuring And Recording Apparatus For Diagnosis (AREA)

Abstract

본 발명은 심프텀의 히스토리 추적을 통한 희귀 질병 예측 시스템에 관한 것으로서, 불특정 다수로부터 소정의 진단 정보를 제공받아, 각각의 질병에 따른 심프텀 정보를 셋업하는 데이터 셋업 유닛; 셋업된 심프텀 정보를 선택적으로 추출하여, 심프텀 정보로부터 발생할 수 있는 질병을 추적할 수 있도록 심프텀 브랜칭을 생성하는 트레이싱 유닛; 및 심프텀 브랜칭에 유저의 심프텀과 유저의 히스토리 심프텀을 매칭하여 유저의 질병을 예측하여 진단하는 익스펙팅 유닛을 포함하는 기술적 사상을 개시한다.

Description

심프텀의 히스토리 추적을 통한 희귀 질병 예측 시스템{System for predicting rare disease through tracing history of symptom}
본 발명은 심프텀의 히스토리 추적을 통한 희귀 질병 예측 시스템에 관한 것이다. 보다 자세하게는, 불특정 다수의 진단 정보를 제공받아, 희귀 질병에 따른 심프텀 정보를 발현 순서에 따라 솔팅하여 셋업하며, 셋업된 심프텀 정보로부터 발생 가능성이 높은 희귀 질병을 역으로 추적하여 유저의 현재 심프텀과 과거의 히스토리 심프텀 정보를 매칭시킴에 따라서 유저의 희귀 질병을 조기 진단할 수 있도록 하는 시스템에 관한 기술분야이다.
소득수준 상승에 따른 건강에 대한 관심 증가와 고급 의료서비스 수요 증가 역시 의료비 상승의 주요 원인이다. 이는 국민의료비가 소득 탄력적이라는 결과를 보여주는 대부분의 국민의료비 소득탄력성 추계 연구를 통해 확인되고 있다.
의료의 첨단화에 따른 의료서비스 공급비용 증가 역시 의료비 지출 증 대의 원인이 되고 있다. 특히 최근 들 어서는 원격의료, E-Health 등 IT와 보건의료의 결합으로 고비용형 첨단 기술의 개발이 늘어나고 있다.
의료 기술의 발달은 그 종류에 따라 의료비 절감을 가져오는 경우와 의료비 증가를 가져오는 경우로 나눌 수 있는데, 소아마비 백신의 경우는 전자의 예에 해당하고 신장투석 처치의 개발로 인한 의료비 증가는 후자의 예에 속할 수 있다.
의료기술의 개발 역시 고비용 신기술의 출현과 이에 이 은 동종효과의 저비용 신기술의 개발이라는 일반적인 기술발전 과정을 따르게 되므로 첨단의료기술 개발에 따 른 의료비 증가는 계속될 것으로 전망된다. 이와 같이 노령화 진전과 중급 의료기술 발전에 따른 의료비 증가, 소득 증대에 따른 고급 의료서비스 수요의 증가, 첨단의료기술 개발에 따른 의료비 증가 등이 복합적으로 작용하여 국민경제 중 의료산업의 비중 증가 추세는 가속화될 것으로 전망되는데, 이에 따라 보건의료 분야에서의 자원배분의 효율성 달성 압력은 더욱 커질 것으로 보인다.
“모듈화된 강화학습을 통한 질병 진단 시스템(등록번호 제10-1884609호, 특허문헌1)”이 존재한다.
특허문헌1에 따른 발명의 경우, 의료영상, 병력, 건강수치, 가족력, 성별, 인종 등의 의료정보를 기반으로 심플 러닝(simple learning)을 통해 생성한 초기 학습데이터를 의사의 의견을 반영하여 정제하고, 정제한 최종 학습데이터를 토대로 기계학습을 수행하여 예측모델을 생성함으로써, 학습데이터의 생성 및 정제를 수행하는 과정에서 양질의 학습 데이터를 최대한 확보하여 기계학습이 이루어지도록 하고, 이를 통해 생성한 예측모델의 예측 성능을 향상시킬 수 있도록 하는 모듈화된 강화학습을 통한 질병 진단 시스템에 관한 것이다.
아울러 “딥 러닝을 이용하여 환자의 진단 이력으로부터 질병 예후를 예측하는 방법 및 시스템(등록번호 제10-1869438호, 특허문헌2)”도 존재한다.
특허문헌2에 따른 발명의 경우, 딥 러닝을 이용하여 환자의 진단 이력으로부터 질병 예후를 예측하는 방법 및 시스템이 개시된다. 질병 예후 예측 방법은, 환자의 진단 이력을 나타내는 진단 분류 코드를 단어 시퀀스(sequence) 형태로 표현함으로써 시퀀스 데이터를 생성하는 단계; 상기 시퀀스 데이터에 대해 RNN(Recurrent Neural Networks)을 이용한 단어 시퀀스 학습을 통해 학습데이터를 생성하는 단계; 및 상기 학습데이터를 이용하여 질병 예후를 예측하는 단계를 포함할 수 있다.
특허문헌1 및 2에 따르는 경우, 특정 징후 즉, 증상에 대한 빅 데이터의 히스토리의 결과의 관점에서 질병을 진단 혹은 예측하는 기능을 수행하지 못하며, 과거의 수십년 혹은 기타 동종의 질병을 진단받은 자들로부터 희귀 병의 진단을 정확하게 예측하지 못하는 문제점이 존재한다.
등록번호 제10-1884609호 등록번호 제10-1869438호
본 발명에 따른 심프텀의 히스토리 추적을 통한 희귀 질병 예측 시스템은 상기한 바와 같은 종래 문제점을 해결하기 위해 안출된 것으로서, 다음과 같은 해결하고자 하는 과제를 제시한다.
첫째, 불특정 다수의 진단 정보를 수집하여 수많은 질병과 질병에 따른 증상 정보를 셋업하고 축적하고자 한다.
둘째, 축적된 증상 정보를 활용하여 증상에 따라 나타날 수 있는 질병의 경우의 수를 역으로 추적하여 도식화하고자 한다.
셋째, 유저의 현재 증상과 과거 증상에 대한 정보를 획득하여, 도식화된 데이터에 적용함에 따라 유저의 질병을 정확하게 예측하여 진단하고자 한다.
본 발명의 해결 과제는 이상에서 언급된 것들에 한정되지 않으며, 언급되지 아니한 다른 해결과제들은 아래의 기재로부터 당업자에게 명확하게 이해될 수 있을 것이다.
본 발명에 따른 심프텀의 히스토리 추적을 통한 희귀 질병 예측 시스템은 상기의 해결하고자 하는 과제를 위하여 다음과 같은 과제 해결 수단을 가진다.
본 발명에 따른 심프텀의 히스토리 추적을 통한 희귀 질병 예측 시스템은 불특정 다수로부터 소정의 진단 정보를 제공받아, 상기 소정의 진단 정보로부터 각각의 질병에 따른 심프텀(symptom) 정보를 셋업하는 데이터 셋업 유닛(data set-up unit); 상기 데이터 셋업 유닛으로부터 셋업된 상기 심프텀 정보를 선택적으로 추출하여, 상기 심프텀 정보로부터 발생할 수 있는 질병을 추적할 수 있도록 심프텀 브랜칭(symptom branching)을 생성하는 트레이싱 유닛(tracing unit); 및 상기 트레이싱 유닛으로부터 생성된 상기 심프텀 브랜칭에 유저의 심프텀과 유저의 히스토리 심프텀을 매칭하여 상기 유저의 질병을 예측하여 진단하는 익스펙팅 유닛(expecting unit)을 포함하는 것을 특징으로 할 수 있다.
본 발명에 따른 심프텀의 히스토리 추적을 통한 희귀 질병 예측 시스템의 상기 데이터 셋업 유닛은, 서버로부터 상기 불특정 다수의 상기 소정의 진단 정보를 수집하는 게더링(gathering)부; 상기 게더링부로부터 수집된 상기 소정의 진단 정보를 질병에 따라 분류하여 정렬하는 디지즈 솔팅(disease sorting)부; 상기 디지즈 솔팅부로부터 질병에 따라 분류된 각각의 상기 소정의 진단 정보를 상기 심프텀의 발현 순서에 따라 타임라인화 하는 타임라인(timeline)부; 및 상기 타임라인화 된 상기 소정의 진단 정보를 미리 설정된 기준에 따라 그룹화하는 그룹핑(grouping)부를 포함하는 것을 특징으로 할 수 있다.
본 발명에 따른 심프텀의 히스토리 추적을 통한 희귀 질병 예측 시스템의 상기 타임라인부는, 발현 순서에 따라 나열된 각각의 상기 심프텀 정보를 임의의 셀에 입력하고 상기 임의의 셀에 소정의 영역을 설정하는 영역 설정부; 및 상기 심프텀 정보가 입력된 상기 임의의 셀의 상기 소정의 영역의 크기는 소정의 기준에 따라 결정되어 가변적으로 할당되는 어사이닝부를 포함하는 것을 특징으로 할 수 있다.
본 발명에 따른 심프텀의 히스토리 추적을 통한 희귀 질병 예측 시스템의 상기 그룹핑부는, 상기 디지즈 솔팅부로부터 질병에 따라 분류된 각각의 상기 소정의 진단 정보를 연령에 따라 분류하여 그룹화하는 에이징 그룹(aging group)부; 상기 디지즈 솔팅부로부터 질병에 따라 분류된 각각의 상기 소정의 진단 정보를 성별에 따라 분류하여 그룹화하는 젠더 그룹(gender group)부; 및 상기 디지즈 솔팅부로부터 질병에 따라 분류된 각각의 상기 소정의 진단 정보를 임의의 조건에 따라 분류하여 그룹화하는 컨디션 그룹(condition group)부를 포함하는 것을 특징으로 할 수 있다.
본 발명에 따른 심프텀의 히스토리 추적을 통한 희귀 질병 예측 시스템의 상기 트레이싱 유닛은, 상기 데이터 셋업부로부터 정렬된 상기 심프텀 정보 중 메인 심프텀을 임의 선택하는 메인 셀렉팅부; 상기 데이터 셋업부로부터 정렬된 상기 심프텀 정보 중 상기 메인 심프텀으로부터 파생될 수 있는 서브 심프텀을 임의 선택하는 서브 셀렉팅부; 및 상기 메인 셀렉팅부로부터 임의 선택된 상기 메인 심프텀과, 상기 서브 셀렉팅부로부터 임의 선택된 상기 서브 심프텀을 미리 생성된 브랜칭 구조에 입력하여 상기 심프텀 브랜칭을 생성하는 크리에이팅부를 포함하는 것을 특징으로 할 수 있다.
본 발명에 따른 심프텀의 히스토리 추적을 통한 희귀 질병 예측 시스템의 상기 심프텀 셀렉팅부는, 상기 타임라인부로부터 타임라인화된 상기 소정의 진단 정보 중, 중복되는 심프텀 정보를 선택적으로 추출하는 오버랩 심프텀(overlap symptom)부; 및 상기 타임라인부로부터 타임라인화된 상기 소정의 진단 정보 중, n번째에 심프텀 정보를 선택적으로 추출하는 오더링 심프텀(ordering symptom)부를 포함하는 것을 특징으로 할 수 있다.
본 발명에 따른 심프텀의 히스토리 추적을 통한 희귀 질병 예측 시스템의 상기 크리에이팅부는, 독립적인 상위 레이어를 생성하여, 상기 상위 레이어에 상기 메인 심프텀을 입력하는 하이 랭크(high rank)부; 상기 하이 랭크부로부터 생성된 상기 상위 레이어에 종속되는 복수 개의 하위 레이어를 생성하여, 상기 복수 개의 하위 레이어에 상기 서브 심프텀을 랜덤하게 입력하는 로우 랭크(low rank)부; 및 상기 상위 레이어의 상기 메인 심프텀으로부터 상기 하위 레이어의 상기 서브 심프텀을 연결하고, 상기 상위 레이어로부터 상기 하위 레이어의 방향으로 추적하여 나올 수 있는 질병 정보를 선택적으로 도출하는 아웃컴(outcome)부를 포함하는 것을 특징으로 할 수 있다.
본 발명에 따른 심프텀의 히스토리 추적을 통한 희귀 질병 예측 시스템의 상기 익스펙팅 유닛은, 상기 유저의 심프텀을 입력하는 메인 인풋부; 및 상기 유저의 히스토리 심프텀을 입력하는 서브 인풋부를 포함하는 것을 특징으로 할 수 있다.
본 발명에 따른 심프텀의 히스토리 추적을 통한 희귀 질병 예측 시스템의 상기 익스펙팅 유닛은, 상기 크리에이팅부로부터 생성된 상기 미리 생성된 브랜칭 구조에 상기 유저의 심프텀을 선택적으로 매칭하는 심프텀 매칭부를 더 포함하는 것을 특징으로 할 수 있다.
본 발명에 따른 심프텀의 히스토리 추적을 통한 희귀 질병 예측 시스템의 상기 익스펙팅 유닛은, 상기 심프텀 매칭부에서 매칭된 상기 미리 생성된 브랜칭 구조에 상기 유저의 히스토리 심프텀을 선택적으로 대입하여, 상기 유저의 질병을 예측하는 디지즈 프레딕팅부를 더 포함하는 것을 특징으로 할 수 있다.
이상과 같은 구성의 본 발명에 따른 심프텀의 히스토리 추적을 통한 희귀 질병 예측 시스템은 다음과 같은 효과를 제공한다.
첫째, 불특정 다수의 진단 정보를 제공받아, 수많은 질병에 따른 심프텀 정보를 셋업하고 증상의 발현 순서에 따라 솔팅할 수 있게 된다.
둘째, 셋업된 심프텀 정보로부터 심프텀 브랜칭을 생성하여, 심프텀에 따라 발생 가능성이 높은 질병을 역으로 추적할 수 있게 된다.
셋째, 유저의 현재 심프텀과 과거의 히스토리 심프텀 정보를 획득하여 심프텀 브랜칭에 매칭시킴에 따라서 유저의 질병을 정확하게 예측할 수 있게 된다.
본 발명의 효과는 이상에서 언급한 것들에 한정되지 않으며, 언급되지 아니한 다른 효과들은 아래의 기재로부터 당업자에게 명확하게 이해될 수 있을 것이다.
도1은 본 발명의 일 실시예에 따른 심프텀의 히스토리 추적을 통한 희귀 질병 예측 시스템의 개념도이다.
도2는 본 발명의 일 실시예에 따른 심프텀의 히스토리 추적을 통한 희귀 질병 예측 시스템의 게더링부와 디지즈 솔팅부의 개념도이다.
도3은 본 발명의 일 실시예에 따른 심프텀의 히스토리 추적을 통한 희귀 질병 예측 시스템의 타임라인부의 개념도이다.
도4는 본 발명의 일 실시예에 따른 심프텀의 히스토리 추적을 통한 희귀 질병 예측 시스템의 영역 설정부와 어사이닝부의 개념도이다.
도5는 본 발명의 일 실시예에 따른 심프텀의 히스토리 추적을 통한 희귀 질병 예측 시스템의 그룹핑부의 개념도이다.
도6은 본 발명의 일 실시예에 따른 심프텀의 히스토리 추적을 통한 희귀 질병 예측 시스템의 데이터 셋업 유닛의 블록도이다.
도7은 본 발명의 일 실시예에 따른 심프텀의 히스토리 추적을 통한 희귀 질병 예측 시스템의 메인 셀렉팅부의 개념도이다.
도8은 본 발명의 일 실시예에 따른 심프텀의 히스토리 추적을 통한 희귀 질병 예측 시스템의 크리에이팅부의 개념도이다.
도9는 본 발명의 일 실시예에 따른 심프텀의 히스토리 추적을 통한 희귀 질병 예측 시스템의 트레이싱 유닛의 블록도이다.
도10은 본 발명의 일 실시예에 따른 심프텀의 히스토리 추적을 통한 희귀 질병 예측 시스템의 익스펙팅 유닛의 개념도이다.
도11은 본 발명의 일 실시예에 따른 심프텀의 히스토리 추적을 통한 희귀 질병 예측 시스템의 익스펙팅 유닛의 블록도이다.
본 발명에 따른 심프텀의 히스토리 추적을 통한 희귀 질병 예측 시스템은 다양한 변경을 가할 수 있고 여러 가지 실시예를 가질 수 있는바, 특정 실시예들을 도면에 예시하고 상세한 설명에 상세하게 설명하고자 한다. 그러나, 이는 본 발명을 특정한 실시 형태에 대해 한정하려는 것이 아니며, 본 발명의 기술적 사상 및 기술 범위에 포함되는 모든 변경, 균등물 내지 대체물을 포함하는 것으로 이해되어야 한다.
도1은 본 발명의 일 실시예에 따른 심프텀의 히스토리 추적을 통한 희귀 질병 예측 시스템의 개념도이다. 도2는 본 발명의 일 실시예에 따른 심프텀의 히스토리 추적을 통한 희귀 질병 예측 시스템의 게더링부와 디지즈 솔팅부의 개념도이다. 도3은 본 발명의 일 실시예에 따른 심프텀의 히스토리 추적을 통한 희귀 질병 예측 시스템의 타임라인부의 개념도이다. 도4는 본 발명의 일 실시예에 따른 심프텀의 히스토리 추적을 통한 희귀 질병 예측 시스템의 영역 설정부와 어사이닝부의 개념도이다. 도5는 본 발명의 일 실시예에 따른 심프텀의 히스토리 추적을 통한 희귀 질병 예측 시스템의 그룹핑부의 개념도이다. 도6은 본 발명의 일 실시예에 따른 심프텀의 히스토리 추적을 통한 희귀 질병 예측 시스템의 데이터 셋업 유닛의 블록도이다. 도7은 본 발명의 일 실시예에 따른 심프텀의 히스토리 추적을 통한 희귀 질병 예측 시스템의 메인 셀렉팅부의 개념도이다. 도8은 본 발명의 일 실시예에 따른 심프텀의 히스토리 추적을 통한 희귀 질병 예측 시스템의 크리에이팅부의 개념도이다. 도9는 본 발명의 일 실시예에 따른 심프텀의 히스토리 추적을 통한 희귀 질병 예측 시스템의 트레이싱 유닛의 블록도이다. 도10은 본 발명의 일 실시예에 따른 심프텀의 히스토리 추적을 통한 희귀 질병 예측 시스템의 익스펙팅 유닛의 개념도이다. 도11은 본 발명의 일 실시예에 따른 심프텀의 히스토리 추적을 통한 희귀 질병 예측 시스템의 익스펙팅 유닛의 블록도이다.
본 발명에 따른 심프텀의 히스토리 추적을 통한 희귀 질병 예측 시스템의 경우, 도1에 도시된 바와 같이, 불특정 다수의 진단 정보를 제공받아, 수많은 질병에 따른 심프텀 정보를 발현 순서에 따라 솔팅하여 데이터를 축적 및 셋업하며, 셋업된 심프텀 정보로부터 발생 가능성이 높은 질병을 역으로 추적하는 심프텀 브랜칭을 생성하여, 유저의 현재 심프텀과 과거의 히스토리 심프텀 정보를 매칭시킴에 따라서 유저의 질병을 정확하게 예측하는 기술을 개시하게 된다.
여기서 말하는 불특정 타수의 진단 정보는 병원에 방문한 환자의 성명, 주소, 생년월일, 연령, 성, 직업, 현재 병력, 과거력, 가족력, 주증상, 검사소견, 치료내용, 경과, 예후 등이 진료 기록 정보로서, 환자로부터 사전 동의된 진료 기록만을 제공받는 것이 바람직하다. 또한, 심프텀 정보는 건강상의 이상 또는 신체 부위 내에 이상이 발생했을 때, 나타나는 증상과 과거에 진단 기록으로부터의 증상, 그리고 환자의 기본 생체 정보과 환경 정보에 등으로 정의할 수 있다.
본 발명에 따른 심프텀의 히스토리 추적을 통한 희귀 질병 예측 시스템은 초기에는 아무런 증상이 없으며, 피로감, 식욕감퇴, 두통, 구토, 체중 감소 등의 특징적이지 못한 증상으로 인해 다른 병과 혼동되는 희귀 질병을 조기에 발견하기 위해, 기존에 희귀 질병에 걸렸던 환자들의 사례를 타임라인화 하여 추적하는 시스템에 관한 것이다.
본 발명에 따른 심프텀의 히스토리 추적을 통한 희귀 질병 예측 시스템의 경우, 도1에 도시된 바와 같아, 데이터 셋업 유닛(data set-up unit, 100), 트레이싱 유닛(tracing unit, 200) 및 익스펙팅 유닛(expecting unit, 300)을 포함하게 된다.
먼저, 데이터 셋업 유닛(100)의 경우, 불특정 다수로부터 소정의 진단 정보를 제공받아, 소정의 진단 정보로부터 각각의 질병에 따른 심프텀 정보를 셋업하여 축적하는 구성이다.
본 발명에 따른 심프텀의 히스토리 추적을 통한 희귀 질병 예측 시스템의 데이터 셋업 유닛(100)의 경우, 도2 내지 도6에 도시된 바와 같이, 게더링(gathering)부(110), 디지즈 솔팅(disease sorting)부(120), 타임라인(time-line)부(130), 및 그룹핑 (grouping)부(140)을 포함하게 된다.
먼저, 게더링부(110)의 경우, 도2에 도시된 바와 같이, 서버로부터 불특정 다수의 소정의 진단 정보를 수집하는 구성이다.
게더링부(110)는 위에서 상술한 바와 같이, 서버에 저장된 진료 기록 중, 환자로부터 사전 동의된 진료 기록만을 자동으로 수집하여 취득할 수 있도록 한다.
또한, 게더링부(110)는 불특정 다수의 소정의 진단 정보를 진료과에 분류하여 수집하는 것이 바람직하다. 예컨대, 소화기내과, 심장내과, 호흡기내과, 내분비내과, 신장내과, 감염내과, 류마티스 내과, 외과, 정형외과, 신경외과, 흉부외과, 삼부인과, 피부과와 같은 진료과와, 심뇌혈관질환센터, 당뇨병센터, 암센터, 신장센터, 희귀 질환 센터, 와 같은 전문적인 치료가 필요한 전문 진료 센터로 분류하여 정보를 체계적으로 수집하는 것이 바람직하다.
아울러, 게더링부(110)로는 새로 업데이트되는 불특정 다수의 소정의 진단 정보를 자동으로 수집할 수 있도록 한다.
디지즈 솔팅부(120)의 경우, 도2에 도시된 바와 같이, 게더링부(110)로부터 수집된 소정의 진단 정보를 질병에 따라 분류하여 정렬하는 구성이다.
먼저, 디지즈 솔팅부(120)에서는 질병의 종류에 따라 분류하기 위해서 진료과 별로 데이터를 정렬할 수 있도록 한다. 예컨대, 게더링부(110)에서 수집된 소정의 진단 정보 중, 호흡기 내과에 대한 정보를 수집하면, 디지즈 솔팅부(120)에서는 감기, 코로나19, 독감, 폐렴, 천식, 결핵, 만성 폐질환, 폐암, 식도암 등의 질병에 따라 소정의 진단 정보를 분류할 수 있게 된다. 또한, 게더링부(110)에서 희귀 질환에 대한 정보를 수집할 경우, 디지즈 솔팅부(120)에서는, 루푸스, 베체트병, 사르코이드증, 혈관종, 쇼그렌증후군, 류마티스 질환, 에반스 증후군, 넬슨 증후군, 등의 질병에 따라 소정의 진단 정보를 분류할 수 있도록 한다.
타임라인부(130)의 경우, 디지즈 솔팅부(120)로부터 질병에 따라 분류된 각각의 소정의 진단 정보를 심프텀의 발현 순서에 따라 타임라인화 하는 구성이다.
타임라인부(130)에서는 심프텀의 발현 순서를 타임라인 다이어그램으로 도식화하여 타임라인화 하는 것이 바람직하다.
예컨대, 타임라인부(130)는 디지즈 솔팅부(120)로부터 분류된 질병이 루푸스일 경우, 불특정 다수 중 루푸스 판정을 받은 환자의 소정의 진단 정보를 타임라인 다이어그램으로 생성할 수 있게 된다. 도3에 도시된 바와 같이, 루푸스 환자 A의 경우, 10대에 자외선에 과다 노출되었고, 이로 인해, 피부 발진 증상이 있었으며, 20대에는 빈혈 증상, 30대에는 구강궤양과 체중 감소, 40대에는 관절염 증상으로 여러 검진을 실시한 결과, 최종적으로 루푸스 판정을 받게 되었으며, 이를 타임라인 다이어그램으로 나타낼 수 있다.
또 다른 예로, 타임라인부(130)은 도3에 도시된 바와 같이, 사르코이드증 환자 B의 경우, 10대 이전에는 10대에는 마른 기침과 그로 인해 호흡곤란, 가슴 통증의 증상이 있었으며, 20대에는 안구 염증과 피부 발진, 30대에는 협착음의 증상으로 인해 정밀 검진을 받은 결과, 사르코이드증의 판정을 받게 되었다.
즉, 타임라인부(130)에서 질병에 종류에 따라서 수많은 타임라인 다이어그램을 생성할 수 있게 된다. 또한, 하나의 질병에 대해 개개인의 증상이 조금씩 다르기 때문에 각각의 질병과 증상에 대한 타임라인 다이어그램의 빅데이터를 축적할 수 있게 된다.
또한, 타임라인부(130)는 영역 설정부(131)와 어사이닝부(132)를 포함하게 된다.
영역 설정부(131)의 경우, 발현 순서에 따라 나열된 각각의 심프텀 정보를 임의의 셀에 입력하고, 임의의 셀에 소정의 영역을 설정하는 구성이다.
영역 설정부(131)는 도4에 도시된 바와 같이, 동일한 크기로 형성된 임의의 셀에 피부 발진, 빈혈, 구강 궤양, 체중 감소, 관절염 등의 루푸스 증상을 입력하게 된다.
어사이닝부(132)는 도4에 도시된 바와 같이, 심프텀 정보가 입력된 임의의 셀의 소정의 영역의 크기를 소정의 기준에 따라 결정되어 가변적으로 할당되는 구성이다.
이때, 소정의 영역의 크기를 결정하는 소정의 기준은 심프텀 정보에 따라 결정된다. 예컨대, 소정의 진단 정보에서 질병의 주요한 원인이 되는 심프텀 정보에 높은 가중치를 부여하고, 소정의 진단 정보에서 질병의 보조 원인이 되는 심프텀 정보에는 낮은 가중치를 부여한다. 그리고 이러한 기준이 소정의 기준으로 적용하여, 질병의 주요한 원인이 되는 심프텀 정보가 입력된 소정의 영역의 크기는 증가하고, 질병의 보조 원인이 되는 심프텀 정보가 입력된 소정의 영역의 크기는 감소하도록 각각의 심프텀 정보에 따라 임의의 셀의 소정의 영역은 가변적으로 할당될 수 있게 된다.
예컨대, 도4에 도시된 바와 같이, 루푸스 증상 중 피부 발진은 루푸스의 주된 증상이므로, 피부 발진이 입력된 셀의 크기는 증가(a->
Figure pat00001
)하며, 루푸스 증상 중 빈혈과 체중 감소와 같은 일반적인 증상의 셀의 크기는 감소시킬 수 있게 된다. 각각의 증상이 입력된 셀의 크기를 통해, 질병의 주된 원인을 한 눈에 파악할 수 있게 되는 효과가 발생한다.
그룹핑부(140)의 경우, 도5에 도시된 바와 같이, 타임라인화 된 소정의 진단 정보를 미리 설정된 기준에 따라 그룹화하는 구성이다.
그룹핑부(140)는 에이징 그룹(aging group)부(141), 젠더 그룹(gender group)부(142), 및 컨디션 그룹(condition group)부(143)를 포함하게 된다.
먼저, 에이징 그룹부(141)의 경우, 디지즈 솔팅부(120)로부터 질병에 따라 분류된 각각의 소정의 진단 정보를 연령에 따라 분류하여 그룹화하는 것이다.
예컨대, 디지즈 솔팅부(120)에서 분류된 질병 중, 감기에 대해 10대부터 90대까지의 연령대 별로 그룹을 지정하여 분류할 수 있다. 이를 통해 10대부터 90대까지의 각각의 연령에 따른 감기의 심프텀 정보를 셋업할 수 있게 된다.
젠더 그룹부(142)의 경우, 디지즈 솔팅부(120)로부터 질병에 따라 분류된 각각의 소정의 진단 정보를 성별에 따라 분류하여 그룹화하는 것이다.
예컨대, 같은 질병이라 하더라도 남자와 여자에 따라 질병에 걸리는 원인과 증상, 치료가 상이하기 때문에 성별에 따라서 진단 정보를 분류하는 것이 바람직하다.
컨디션 그룹부(143)의 경우, 디지즈 솔팅부(120)로부터 질병에 따라 분류된 각각의 소정의 진단 정보를 임의의 조건에 따라 분류하여 그룹화하는 구성이다.
컨디션 그룹부(143)에서 소정의 진단 정보를 분류하는 임의의 조건에는 다양한 조건이 함유되어 있다. 예컨대, 임의의 조건에는 환자의 생체 조건(체중, 신장, 체성분, 혈액형, 체질, 배뇨, 유전)이나 환경 조건(섭취 음식, 식습관, 운동량, 특정 행위, 수면, 거주 지역, 날씨, 온도, 습도, 기압, 미세먼지, 꽃가루) 등의 심프텀 정보가 될 수 있다.
컨디션 그룹부(143)는 주요 심프텀 뿐만 아니라 다양한 외부적 요인과 유전적 요인에 따라 질병을 예측할 수 있도록 임의의 조건에 따라 분류하고자 한다.
트레이싱 유닛(200)의 경우, 데이터 셋업 유닛(100)으로부터 셋업된 심프텀 정보를 선택적으로 추출하여 심프텀 정보로부터 발생할 수 있는 질병을 추적하도록 심프텀 브랜칭(symptom branching)을 생성하는 구성이다.
트레이싱 유닛(200)은 데이터 셋업 유닛(100)으로부터 축적된 소정의 진단 정보의 빅데이터를 활용하여 증상에 따라 나타날 수 있는 질병을 알 수 있도록 하는 심프텀 브랜칭을 생성하게 된다.
이때, 심프텀 브랜칭은 트리 구조 형태의 그래프의 일종으로, 심프텀 정보를 계층적으로 나열하고, 각각의 심프텀 정보가 나뭇가지처럼 연결될 수 있도록 구성된 것이다. 즉, 심프텀 정보와 심프텀 정보를 나뭇가지처럼 연결하여 계층적으로 나열하며 이때, 상위 심프텀 정보는 하나 이상의 하위 심프텀 정보를 가질 수 있으나 하위 심프텀 정보는 반드시 하나의 상위 심프텀 정보를 갖도록 하는 것이 바람직하다.
본 발명에 따른 심프텀의 히스토리 추적을 통한 희귀 질병 예측 시스템의 트레이싱 유닛(200)의 경우, 도7 내지 도9에 도시된 바와 같이, 메인 셀렉팅(main selecting)부(210), 서브 셀렉팅(sub selecting)부(220), 크리에이팅(creating)부(230)를 포함하게 된다.
먼저, 메인 셀렉팅부(210)의 경우, 도7에 도시된 바와 같이, 데이터 셋업 유닛(100)으로부터 타임라인에 따라 정렬된 심프텀 정보 중 메인 심프텀을 임의로 선택하는 구성이다.
메인 셀렉팅부(210)에서 임의로 선택하고자 하는 메인 심프텀은 심프텀 브랜칭의 상위 심프텀을 선택하기 위함이다. 즉, 메인 심프텀은 심프텀 브랜칭을 생성하는데 있어서 기준이 되는 심프텀 정보를 뜻한다.
메인 셀렉팅부(210)는 오버랩 심프텀부(211)와 오더링 심프텀부(212)를 포함하게 된다.
먼저, 오버랩 심프텀부(211)의 경우, 도7에 도시된 바와 같이, 타임라인부(130)로부터 질병에 따라 타임라인화된 복수 개의 소정의 진단 정보 중에서 중복되는 심프텀 정보만을 선택적으로 추출하는 구성이다.
오버랩 심프텀부(211)에서 선택적으로 추출된 중복되는 심프텀 정보를 메인 심프텀으로 설정할 수 있게 된다.
오더링 심프텀부(212)의 경우, 도7에 도시된 바와 같이, 타임라인부(130)로부터 질병에 따라 타임라인화된 복수 개의 소정의 진단 정보 중, n번째의 심프텀 정보가 같을 경우 해당 심프텀 정보를 선택적으로 추출하는 구성이다.
마찬가지로, 오더링 심프텀부(212)에서 선택적으로 추출된 n번째 심프텀 정보를 메인 심프텀으로 설정할 수 있게 된다.
오버랩 심프텀부(211)와 오더링 심프텀부(212)로부터 메인 심프텀을 설정하는 것은 상호 연관성이 높은 진단 정보를 활용하여 미리 생성된 브랜칭 구조에 대입하기 위함이다.
서브 셀렉팅부(220)의 경우, 데이터 셋업부로부터 정렬된 심프텀 정보 중 메인 심프텀으로부터 파생될 수 있는 서브 심프텀을 임의로 선택하는 구성이다.
서브 셀렉팅부(220)에서 선택되는 서브 심프텀의 경우, 메인 심프텀과 관련되어 파생될 수 있는 심프텀 정보로서, 심프텀 브랜칭의 가지에 위치하는 복수 개의 심프텀 정보를 뜻한다.
크리에이팅부(230)의 경우, 도8에 도시된 바와 같이, 메인 셀렉팅부(210)로부터 임의 선택된 메인 심프텀과 서브 셀렉팅부(220)로부터 임의 선택된 서브 심프텀을 미리 생성된 브랜칭 구조에 입력하여 심프텀 브랜칭을 생성하는 구성이다.
미리 생성된 브랜칭 구조는 도8에 도시된 바와 같이 형성되어, 상위 레이어에 메인 심프텀을 입력하고 상위 레이어로부터 파생된 하위 레이어에 복수 개의 서브 심프텀을 입력하여 할 수 있도록 한다.
이때, 소정의 진단 정보로부터 축적되는 모든 심프텀 정보는 메인 심프텀이 될 수 있으므로, 심프텀 브랜칭은 무제한으로 생성될 수 있다.
크리에이팅부(230)의 경우는 하이 랭크(high rank)부(231), 로우 랭크(row rank)부(232), 아웃컴(outcome)부(233)를 포함하게 된다.
먼저, 하이 랭크부(231)는 독립적인 상위 레이어를 생성하여, 상위 레이어에 메인 심프텀을 입력하는 구성이다.
하이 랭크부(231)는 심프텀 브랜칭의 상위 레이어를 생성하는 기능을 수행하며, 이때 상위 레이어는 독립적인 형태로 생성되는 것이 바람직하다
하이 랭크부(231)에서는 상위 레이어를 생성하는 동시에 메인 셀렉팅부(210)에서 임의 선택된 메인 심프텀을 입력하도록 한다.
로우 랭크부(232)에서는 하이 랭크부(231)로부터 생성된 상위 레이어에 종속되는 복수 개의 하위 레이어를 생성하여, 복수 개의 하위 레이어에 서브 심프텀을 선택적으로 입력하는 구성이다.
로우 랭크부(232)는 심프텀 브랜칭의 하위 레이어를 생성하는 기능을 수행하며, 이때 하위 레이어는 상위 레이어에 종속된 형태로서 생성되는 것이 바람직하다.
로우 랭크부(232)는 상위 레이어에 종속되도록 적어도 하나 이상의 하위 레이어를 생성하는 동시에 서브 셀렉팅부(220)에서 임의 선택된 서브 심프텀을 랜덤하게 입력하도록 한다.
아웃컴부(233)의 경우, 상위 레이어에 입력된 메인 심프텀으로부터 하위 레이어에 입력된 서브 심프텀을 연결하고, 상위 레이어로부터 하위 레이어의 방향으로 추적하여 나올 수 있는 질병 정보를 선택적으로 도출하는 구성이다.
아웃컴부(233)에서는 메인 심프텀으로부터 파생된 복수 개의 서브 심프텀을 순서대로 연결하여 복수 개의 심프텀 경로를 형성한 후, 상위 레이어에 위치한 메인 심프텀을 기준으로 하위 방향으로 추적하여, 메인 심프텀과 복수 개의 서브 심프텀의 조합으로부터 최종적으로 나올 수 있는 질병 정보를 도출하는 기능을 수행한다.
예컨대, 도8에 도시된 바와 같이, 메인 심프텀이 피부 발진일 경우, 피부 발진으로부터 파생되는 서브 심프텀을 랜덤하게 입력하면, 루푸스, 베체트병, 사르코이드, 혈관종, 쇼그렌증후군, 건선, HS 자반증과 같은 다양한 질병을 도출할 수 있게 된다.
익스펙팅 유닛(300)의 경우, 도10에 도시된 바와 같이, 트레이싱 유닛(200)으로부터 생성된 심프텀 브랜칭에 유저의 심프텀과 유저의 히스토리 심프텀을 매칭하여 유저의 질병을 예측하여 진단하는 구성이다.
본 발명에 따른 심프텀의 히스토리 추적을 통한 희귀 질병 예측 시스템의 익스펙팅 유닛(300)의 경우, 도10 및 도11에 도시된 바와 같이, 메인 인풋(main input)부(310), 서브 인풋(sub input)부(320), 심프텀 매칭(symptom matching)부(330), 및 디지즈 프레딕팅(disease predicting)부(340)를 포함하게 된다.
메인 인풋부(310)의 경우, 유저의 심프텀을 입력하는 구성이다.
이때, 메인 인풋부(310)로 입력되는 유저의 심프텀은 유저가 병원을 방문한 원인이 되는 주요 증상을 뜻한다. 예컨대, 유저의 주된 증상이 피부 발진일 경우, 메인 인풋부(310)에 입력되는 유저의 심프텀은 피부 발진이 되는 것이 바람직하다.
서브 인풋부(320)는 유저의 히스토리 심프텀을 입력하는 구성이다.
여기서 말하는 히스토리 심프텀은 주된 증상뿐만 아니라, 유저의 생체 정보, 유저의 환경정보, 유저의 과거 진단 정보를 뜻한다.
서브 인풋부(320)는 유저와 관련된 모든 기록을 서버로부터 전달받아, 입력하는 것이 바람직하다.
아울러, 메인 인풋부(310)와 서브 인풋부(320)로 입력된 유저의 심프텀 정보를 현재로 기점으로 과거에 해당되는 히스토리 심프텀을 타임라인 다이어그램으로 생성하는 것이 바람직하다.
심프텀 매칭부(330)의 경우, 크리에이팅부(230)의 미리 생성된 브랜칭 구조에 유저의 심프텀과 선택적으로 매칭하는 구성이다.
먼저, 심프텀 매칭부(330)는 미리 생성된 브랜칭 구조 중, 상위 레이어에 입력된 메인 심프텀과 유저의 심프텀을 매칭시켜, 유저의 심프텀과 동일한 상위 레이어를 가진 브랜칭 구조를 찾는 기능을 수행한다. 이는 유저의 현재 상황과 유사한 미리 생성된 브랜칭 구조를 찾아 질병의 예측하는 확률을 높이기 위함이다.
디지즈 프레딕팅부(340)의 경우, 심프텀 매칭부(330)에서 유저의 심프텀이 매칭된 미리 생성된 브랜칭 구조에 유저의 히스토리 심프텀을 선택적으로 대입하여, 유저의 질병을 예측하는 구성이다.
디지즈 프레딕팅부(340)에서는 유저의 심프텀이 매칭된 미리 생성된 브랜칭 구조의 하위 레이어에 존재하는 복수 개의 서브 심프텀과 유저의 히스토리 심프텀을 비교 대조하며 최종적으로 유저의 심프텀과 유저의 히스토리 심프텀을 조합하여 나올 수 있는 질병을 찾는 기능을 수행하게 된다.
본 발명의 권리 범위는 특허청구범위에 기재된 사항에 의해 결정되며, 특허 청구범위에 사용된 괄호는 선택적 한정을 위해 기재된 것이 아니라, 명확한 구성요소를 위해 사용되었으며, 괄호 내의 기재도 필수적 구성요소로 해석되어야 한다.
100: 데이터 셋업 유닛 110: 게더링부
120: 디지즈 솔팅부 130: 타임라인부
131: 영역 설정부 132: 어사이닝부
140: 그룹핑부 141: 에이징 그룹부
142: 젠더 그룹부 143: 컨디션 그룹부
200: 트레이싱 유닛 210: 메인 셀렉팅부
211: 오버랩 심프텀부 212: 오더링 심프텀부
220: 서브 셀렉팅부 230: 크리에이팅부
231: 하이 랭크부 232: 로우 랭크부
233: 아웃컴부 300: 익스펙팅 유닛
310: 메인 인풋부 320: 서브 인풋부
330: 심프텀 매칭부 340: 디지즈 프레딕팅부

Claims (10)

  1. 불특정 다수로부터 소정의 진단 정보를 제공받아, 상기 소정의 진단 정보로부터 각각의 질병에 따른 심프텀(symptom) 정보를 셋업하는 데이터 셋업 유닛(data set-up unit);
    상기 데이터 셋업 유닛으로부터 셋업된 상기 심프텀 정보를 선택적으로 추출하여, 상기 심프텀 정보로부터 발생할 수 있는 질병을 추적할 수 있도록 심프텀 브랜칭(symptom branching)을 생성하는 트레이싱 유닛(tracing unit); 및
    상기 트레이싱 유닛으로부터 생성된 상기 심프텀 브랜칭에 유저의 심프텀과 유저의 히스토리 심프텀을 매칭하여 상기 유저의 질병을 예측하여 진단하는 익스펙팅 유닛(expecting unit)을 포함하는 것을 특징으로 하는, 심프텀의 히스토리 추적을 통한 희귀 질병 예측 시스템.
  2. 제1항에 있어서, 상기 데이터 셋업 유닛은,
    서버로부터 상기 불특정 다수의 상기 소정의 진단 정보를 수집하는 게더링(gathering)부;
    상기 게더링부로부터 수집된 상기 소정의 진단 정보를 질병에 따라 분류하여 정렬하는 디지즈 솔팅(disease sorting)부;
    상기 디지즈 솔팅부로부터 질병에 따라 분류된 각각의 상기 소정의 진단 정보를 상기 심프텀의 발현 순서에 따라 타임라인화 하는 타임라인(timeline)부; 및
    상기 타임라인화 된 상기 소정의 진단 정보를 미리 설정된 기준에 따라 그룹화하는 그룹핑(grouping)부를 포함하는 것을 특징으로 하는, 심프텀의 히스토리 추적을 통한 희귀 질병 예측 시스템.
  3. 제2항에 있어서, 상기 타임라인부는,
    발현 순서에 따라 나열된 각각의 상기 심프텀 정보를 임의의 셀에 입력하고 상기 임의의 셀에 소정의 영역을 설정하는 영역 설정부; 및
    상기 심프텀 정보가 입력된 상기 임의의 셀의 상기 소정의 영역의 크기는 소정의 기준에 따라 결정되어 가변적으로 할당되는 어사이닝부를 포함하는 것을 특징으로 하는, 심프텀의 히스토리 추적을 통한 희귀 질병 예측 시스템.
  4. 제2항에 있어서, 상기 그룹핑부는,
    상기 디지즈 솔팅부로부터 질병에 따라 분류된 각각의 상기 소정의 진단 정보를 연령에 따라 분류하여 그룹화하는 에이징 그룹(aging group)부;
    상기 디지즈 솔팅부로부터 질병에 따라 분류된 각각의 상기 소정의 진단 정보를 성별에 따라 분류하여 그룹화하는 젠더 그룹(gender group)부; 및
    상기 디지즈 솔팅부로부터 질병에 따라 분류된 각각의 상기 소정의 진단 정보를 임의의 조건에 따라 분류하여 그룹화하는 컨디션 그룹(condition group)부를 포함하는 것을 특징으로 하는, 심프텀의 히스토리 추적을 통한 희귀 질병 예측 시스템.
  5. 제2항에 있어서, 상기 트레이싱 유닛은,
    상기 데이터 셋업부로부터 정렬된 상기 심프텀 정보 중 메인 심프텀을 임의 선택하는 메인 셀렉팅부;
    상기 데이터 셋업부로부터 정렬된 상기 심프텀 정보 중 상기 메인 심프텀으로부터 파생될 수 있는 서브 심프텀을 임의 선택하는 서브 셀렉팅부; 및
    상기 메인 셀렉팅부로부터 임의 선택된 상기 메인 심프텀과, 상기 서브 셀렉팅부로부터 임의 선택된 상기 서브 심프텀을 미리 생성된 브랜칭 구조에 입력하여 상기 심프텀 브랜칭을 생성하는 크리에이팅부를 특징으로 하는, 심프텀의 히스토리 추적을 통한 희귀 질병 예측 시스템.
  6. 제5항에 있어서, 상기 심프텀 셀렉팅부는,
    상기 타임라인부로부터 타임라인화된 상기 소정의 진단 정보 중, 중복되는 심프텀 정보를 선택적으로 추출하는 오버랩 심프텀(overlap symptom)부; 및
    상기 타임라인부로부터 타임라인화된 상기 소정의 진단 정보 중, n번째에 심프텀 정보를 선택적으로 추출하는 오더링 심프텀(ordering symptom)부를 포함하는 것을 특징으로 하는, 심프텀의 히스토리 추적을 통한 희귀 질병 예측 시스템.
  7. 제6항에 있어서, 상기 크리에이팅부는,
    독립적인 상위 레이어를 생성하여, 상기 상위 레이어에 상기 메인 심프텀을 입력하는 하이 랭크(high rank)부;
    상기 하이 랭크부로부터 생성된 상기 상위 레이어에 종속되는 복수 개의 하위 레이어를 생성하여, 상기 복수 개의 하위 레이어에 상기 서브 심프텀을 랜덤하게 입력하는 로우 랭크(low rank)부; 및
    상기 상위 레이어의 상기 메인 심프텀으로부터 상기 하위 레이어의 상기 서브 심프텀을 연결하고, 상기 상위 레이어로부터 상기 하위 레이어의 방향으로 추적하여 나올 수 있는 질병 정보를 선택적으로 도출하는 아웃컴(outcome)부를 포함하는 것을 특징으로 하는, 심프텀의 히스토리 추적을 통한 희귀 질병 예측 시스템.
  8. 제7항에 있어서, 상기 익스펙팅 유닛은,
    상기 유저의 심프텀을 입력하는 메인 인풋부; 및
    상기 유저의 히스토리 심프텀을 입력하는 서브 인풋부를 포함하는 것을 특징으로 하는, 심프텀의 히스토리 추적을 통한 희귀 질병 예측 시스템.
  9. 제8항에 있어서, 상기 익스펙팅 유닛은,
    상기 크리에이팅부로부터 생성된 상기 미리 생성된 브랜칭 구조에 상기 유저의 심프텀을 선택적으로 매칭하는 심프텀 매칭부를 더 포함하는 것을 특징으로 하는, 심프텀의 히스토리 추적을 통한 희귀 질병 예측 시스템.
  10. 제9항에 있어서, 상기 익스펙팅 유닛은,
    상기 심프텀 매칭부에서 상기 유저의 심프텀이 매칭된 상기 미리 생성된 브랜칭 구조에 상기 유저의 히스토리 심프텀을 선택적으로 대입하여, 상기 유저의 질병을 예측하는 디지즈 프레딕팅부를 더 포함하는 것을 특징으로 하는, 심프텀의 히스토리 추적을 통한 희귀 질병 예측 시스템.
KR1020210015252A 2021-02-03 2021-02-03 심프텀의 히스토리 추적을 통한 희귀 질병 예측 시스템 KR102501629B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020210015252A KR102501629B1 (ko) 2021-02-03 2021-02-03 심프텀의 히스토리 추적을 통한 희귀 질병 예측 시스템

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020210015252A KR102501629B1 (ko) 2021-02-03 2021-02-03 심프텀의 히스토리 추적을 통한 희귀 질병 예측 시스템

Publications (2)

Publication Number Publication Date
KR20220111889A true KR20220111889A (ko) 2022-08-10
KR102501629B1 KR102501629B1 (ko) 2023-02-17

Family

ID=82846975

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020210015252A KR102501629B1 (ko) 2021-02-03 2021-02-03 심프텀의 히스토리 추적을 통한 희귀 질병 예측 시스템

Country Status (1)

Country Link
KR (1) KR102501629B1 (ko)

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101869438B1 (ko) 2016-11-22 2018-06-20 네이버 주식회사 딥 러닝을 이용하여 환자의 진단 이력으로부터 질병 예후를 예측하는 방법 및 시스템
KR101884609B1 (ko) 2017-05-08 2018-08-02 (주)헬스허브 모듈화된 강화학습을 통한 질병 진단 시스템
WO2020045245A1 (ja) * 2018-08-31 2020-03-05 日本電信電話株式会社 状態遷移予測装置、予測モデル学習装置、方法およびプログラム

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101869438B1 (ko) 2016-11-22 2018-06-20 네이버 주식회사 딥 러닝을 이용하여 환자의 진단 이력으로부터 질병 예후를 예측하는 방법 및 시스템
KR101884609B1 (ko) 2017-05-08 2018-08-02 (주)헬스허브 모듈화된 강화학습을 통한 질병 진단 시스템
WO2020045245A1 (ja) * 2018-08-31 2020-03-05 日本電信電話株式会社 状態遷移予測装置、予測モデル学習装置、方法およびプログラム

Also Published As

Publication number Publication date
KR102501629B1 (ko) 2023-02-17

Similar Documents

Publication Publication Date Title
Suo et al. Personalized disease prediction using a CNN-based similarity learning method
Suo et al. Deep patient similarity learning for personalized healthcare
CN111292853B (zh) 基于多参数的心血管疾病风险预测网络模型及其构建方法
Jabbar et al. Intelligent heart disease prediction system using random forest and evolutionary approach
CN108511056A (zh) 基于脑卒中患者相似性分析的治疗方案推荐方法及系统
Wijesinghe et al. A smart telemedicine system with deep learning to manage diabetic retinopathy and foot ulcers
Mohammedqasim et al. Real-time data of COVID-19 detection with IoT sensor tracking using artificial neural network
Khanna et al. Radiologist-level two novel and robust automated computer-aided prediction models for early detection of COVID-19 infection from chest X-ray images
Kirubakaran et al. Echo state learned compositional pattern neural networks for the early diagnosis of cancer on the internet of medical things platform
Wu et al. Breast cancer risk prediction using electronic health records
Baskaran et al. Predicting breast screening attendance using machine learning techniques
Hakim et al. An efficient modified bagging method for early prediction of brain stroke
Razavi et al. Predicting metastasis in breast cancer: comparing a decision tree with domain experts
Madrid-García et al. Understanding the role and adoption of artificial intelligence techniques in rheumatology research: an in-depth review of the literature
CN114783580A (zh) 一种医疗数据质量评估方法及系统
Singh Prediction of Thyroid Disease using Deep Learning Techniques
Johari et al. Smart self-checkup for early disease prediction
KR20220111889A (ko) 심프텀의 히스토리 추적을 통한 희귀 질병 예측 시스템
Goodman et al. Emergency department frequent user subgroups: Development of an empirical, theory-grounded definition using population health data and machine learning.
Vutakuri et al. Breast cancer diagnosis using a Minkowski distance method based on mutual information and genetic algorithm
Wang et al. Imbalanced learning for hospital readmission prediction using national readmission database
Giordano et al. An AI-based framework for supporting large scale automated analysis of video capsule endoscopy
Mayhew et al. Optimization of genomic classifiers for clinical deployment: Evaluation of Bayesian optimization to select predictive models of acute infection and in-hospital mortality
Hsu et al. Predicting thorax diseases with NIH chest X-rays
Tsai et al. Tuberculosis Detection Based on Multiple Model Ensemble in Chest X-ray Image

Legal Events

Date Code Title Description
E902 Notification of reason for refusal
E701 Decision to grant or registration of patent right
GRNT Written decision to grant