KR20220113563A - 건강검진 정보와 유전자 정보 기반의 뉴럴 네트워크를 이용한 당뇨 관리 서비스 방법 및 그 시스템 - Google Patents

건강검진 정보와 유전자 정보 기반의 뉴럴 네트워크를 이용한 당뇨 관리 서비스 방법 및 그 시스템 Download PDF

Info

Publication number
KR20220113563A
KR20220113563A KR1020210016599A KR20210016599A KR20220113563A KR 20220113563 A KR20220113563 A KR 20220113563A KR 1020210016599 A KR1020210016599 A KR 1020210016599A KR 20210016599 A KR20210016599 A KR 20210016599A KR 20220113563 A KR20220113563 A KR 20220113563A
Authority
KR
South Korea
Prior art keywords
user
diabetes
neural network
information
probability
Prior art date
Application number
KR1020210016599A
Other languages
English (en)
Other versions
KR102670199B1 (ko
Inventor
안태진
정윤성
강은희
Original Assignee
주식회사 헤리트헬스케어
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 주식회사 헤리트헬스케어 filed Critical 주식회사 헤리트헬스케어
Priority to KR1020210016599A priority Critical patent/KR102670199B1/ko
Publication of KR20220113563A publication Critical patent/KR20220113563A/ko
Application granted granted Critical
Publication of KR102670199B1 publication Critical patent/KR102670199B1/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
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/145—Measuring characteristics of blood in vivo, e.g. gas concentration, pH value; Measuring characteristics of body fluids or tissues, e.g. interstitial fluid, cerebral tissue
    • A61B5/14532—Measuring characteristics of blood in vivo, e.g. gas concentration, pH value; Measuring characteristics of body fluids or tissues, e.g. interstitial fluid, cerebral tissue for measuring glucose, e.g. by tissue impedance measurement
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/48—Other medical applications
    • A61B5/4869—Determining body composition
    • C—CHEMISTRY; METALLURGY
    • C12—BIOCHEMISTRY; BEER; SPIRITS; WINE; VINEGAR; MICROBIOLOGY; ENZYMOLOGY; MUTATION OR GENETIC ENGINEERING
    • C12Q—MEASURING OR TESTING PROCESSES INVOLVING ENZYMES, NUCLEIC ACIDS OR MICROORGANISMS; COMPOSITIONS OR TEST PAPERS THEREFOR; PROCESSES OF PREPARING SUCH COMPOSITIONS; CONDITION-RESPONSIVE CONTROL IN MICROBIOLOGICAL OR ENZYMOLOGICAL PROCESSES
    • C12Q1/00—Measuring or testing processes involving enzymes, nucleic acids or microorganisms; Compositions therefor; Processes of preparing such compositions
    • C12Q1/68—Measuring or testing processes involving enzymes, nucleic acids or microorganisms; Compositions therefor; Processes of preparing such compositions involving nucleic acids
    • C12Q1/6869—Methods for sequencing
    • 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
    • G16B—BIOINFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR GENETIC OR PROTEIN-RELATED DATA PROCESSING IN COMPUTATIONAL MOLECULAR BIOLOGY
    • G16B40/00—ICT specially adapted for biostatistics; ICT specially adapted for bioinformatics-related machine learning or data mining, e.g. knowledge discovery or pattern finding
    • G16B40/20—Supervised data analysis
    • 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
    • G16H50/30—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

  • Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Public Health (AREA)
  • General Health & Medical Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Physics & Mathematics (AREA)
  • Biomedical Technology (AREA)
  • Epidemiology (AREA)
  • Pathology (AREA)
  • Biophysics (AREA)
  • Primary Health Care (AREA)
  • Databases & Information Systems (AREA)
  • Theoretical Computer Science (AREA)
  • Chemical & Material Sciences (AREA)
  • Software Systems (AREA)
  • Molecular Biology (AREA)
  • Proteomics, Peptides & Aminoacids (AREA)
  • Evolutionary Computation (AREA)
  • Organic Chemistry (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Biotechnology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Computing Systems (AREA)
  • Veterinary Medicine (AREA)
  • Mathematical Physics (AREA)
  • Animal Behavior & Ethology (AREA)
  • Surgery (AREA)
  • General Physics & Mathematics (AREA)
  • Wood Science & Technology (AREA)
  • Zoology (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Computational Linguistics (AREA)
  • Bioethics (AREA)
  • Genetics & Genomics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)

Abstract

건강검진 정보와 유전자 정보 기반의 뉴럴 네트워크를 이용한 당뇨 관리 서비스 방법 및 그 시스템이 개시된다. 본 발명의 일 실시예에 따른 뉴럴 네트워크를 이용한 당뇨 관리 서비스 방법은 사용자의 건강검진 정보를 수신하는 단계; 상기 사용자의 건강검진 정보에 포함된 결측 데이터를 보정하는 단계; 및 상기 결측 데이터가 보정된 사용자의 건강검진 정보를 입력으로 하는 시간에 따른 당뇨 발병 확률 예측 모델 기반의 뉴럴 네트워크를 이용하여 미리 설정된 기간 후에 상기 사용자가 당뇨에 걸릴 당뇨 발병 확률을 계산하는 단계를 포함한다.

Description

건강검진 정보와 유전자 정보 기반의 뉴럴 네트워크를 이용한 당뇨 관리 서비스 방법 및 그 시스템 {Diabetes management service method using neural network based on health checkup information and genetic information, and system therefore}
본 발명은 건강검진 정보와 유전자 정보 기반의 뉴럴 네트워크를 이용한 당뇨 관리 서비스 기술에 관한 것으로서, 보다 상세하게는 건강검진 정보와 유전자 정보를 기반으로 학습된 학습 모델의 뉴럴 네트워크를 이용하여 특정 시간이 지난 미래의 당뇨 발병 확률을 예측하고, 사용자 맞춤형 당뇨 개선 서비스를 제공할 수 있는 당뇨 관리 서비스 방법 및 그 시스템에 관한 것이다.
당뇨병은 유전적, 환경적 원인에 의해 인슐린 분비 감소 및 저항성 등과 같이 인슐린 분비에 문제가 있거나 인슐린 기능에 이상이 생겨 혈당이 세포로 전달되지 못하고 혈당이 지나치게 많아져 수치가 정상인보다 높아지는 고혈당증 증상을 보이는 대사질환이다. 당뇨병은 합병증을 포함하여 현재 대한민국 사망원인 중 4 번째로 높은 것으로 알려져 있을 만큼 현대에 접어들면서 일반적으로 발생하는 만성 질병이다.
기존 당뇨병 진단은 당화혈색소 (HbA1c) test, FPG (fasting plasma glucose) test, OGTT (oral glucose test) 등을 통해 이루어짐. 가이드라인에서는 당화혈색소 6.5% 이상, 8 시간 이상의 공복 혈장 혈당 126 mg/dL 이상, 75g 경구당부하검사 후 2시간 혈장 혈당 200 mg/dL 이상 가운데 한 항목에 해당하면 당뇨병으로 진단 할 수 있다.
그러나, 경구당부하검사와 관련해서는 검사방법이 상대적으로 번거롭고 시간이 많이 소요되며 재현성, 검사비용, 1차 의료기관에서 활용도가 낮은 문제점이 있다. 또한 한국인의 당뇨병은 서양인에 비해 비비만형이 많고 인슐린 분비능이 상대적으로 떨어지기 때문에 공복혈당만으로는 상당수의 당뇨병을 진단하지 못할 수 있으며 인종 특성에 따른 진단의 한계가 있다.
본 발명의 실시예들은, 건강검진 정보와 유전자 정보를 기반으로 학습된 학습 모델의 뉴럴 네트워크를 이용하여 특정 시간이 지난 미래의 당뇨 발병 확률을 예측하고, 사용자 맞춤형 당뇨 개선 서비스를 제공할 수 있는 당뇨 관리 서비스 방법 및 그 시스템을 제공한다.
본 발명의 일 실시예에 따른 뉴럴 네트워크를 이용한 당뇨 관리 서비스 방법은 사용자의 건강검진 정보를 수신하는 단계; 상기 사용자의 건강검진 정보에 포함된 결측 데이터를 보정하는 단계; 및 상기 결측 데이터가 보정된 사용자의 건강검진 정보를 입력으로 하는 시간에 따른 당뇨 발병 확률 예측 모델 기반의 뉴럴 네트워크를 이용하여 미리 설정된 기간 후에 상기 사용자가 당뇨에 걸릴 당뇨 발병 확률을 계산하는 단계를 포함한다.
나아가, 본 발명의 일 실시예에 따른 뉴럴 네트워크를 이용한 당뇨 관리 서비스 방법은 상기 설정된 기간 후의 상기 사용자의 나이를 포함하는 사용자 정보와 상기 계산된 당뇨 발병 확률을 화면에 디스플레이하는 단계; 상기 사용자의 입력에 기초하여 상기 계산된 당뇨 발병 확률을 미리 설정된 제1 당뇨 확률로 떨어뜨리기 위하여, 섭취 칼로리, 체중, 수면시간, 스트레스 지수와 일일 걸음수를 포함하는 습관 관리를 위한 사용자 맞춤형 건강개선 시뮬레이션을 제공하는 단계; 상기 사용자 맞춤형 건강개선 시뮬레이션을 통해 입력된 일별 습관 관리 항목 각각에 대하여 점수화하는 단계; 및 상기 점수화된 일별 습관 관리 항목에 기초하여 상기 사용자의 당뇨 습관 관리를 평가하는 단계를 더 포함할 수 있다.
상기 수신하는 단계는 상기 사용자의 미리 설정된 개수의 유전자 정보를 추가로 수신하고, 상기 보정하는 단계는 상기 유전자 정보에 포함된 결측 데이터를 보정하며, 상기 계산하는 단계는 상기 결측 데이터가 보정된 사용자의 건강검진 정보와 유전자 정보를 입력으로 하는 상기 뉴럴 네트워크를 이용하여 상기 미리 설정된 기간 후에 상기 사용자의 당뇨 발병 확률을 계산할 수 있다.
상기 건강검진 정보는 30개의 건강검진 데이터를 포함하고, 상기 유전자 정보는 rs10811661, rs1799884, rs9939609, rs10830963, rs762551, rs780094, rs7034200와 rs17782313를 포함하는 71개의 유전자 정보를 포함할 수 있다.
상기 보정하는 단계는 GAIN 모델 기반의 뉴럴 네트워크를 이용하여 상기 사용자의 건강검진 정보에 포함된 결측 데이터를 보정할 수 있다.
더 나아가, 본 발명의 일 실시예에 따른 뉴럴 네트워크를 이용한 당뇨 관리 서비스 방법은 상기 사용자의 유전자 정보에 기초하여 상기 계산된 당뇨 발병 확률을 일정 수치까지 떨어뜨리기 위하여, 상기 사용자의 습관 관리를 위한 액션 정보를 제공하는 단계를 더 포함할 수 있다.
본 발명의 일 실시예에 따른 뉴럴 네트워크를 이용한 당뇨 관리 서비스 시스템은 사용자의 건강검진 정보를 수신하는 수신부; 상기 사용자의 건강검진 정보에 포함된 결측 데이터를 보정하는 보정부; 및 상기 결측 데이터가 보정된 사용자의 건강검진 정보를 입력으로 하는 시간에 따른 당뇨 발병 확률 예측 모델 기반의 뉴럴 네트워크를 이용하여 미리 설정된 기간 후에 상기 사용자가 당뇨에 걸릴 당뇨 발병 확률을 계산하는 연산부를 포함한다.
나아가, 본 발명의 일 실시예에 따른 뉴럴 네트워크를 이용한 당뇨 관리 서비스 시스템은 상기 설정된 기간 후의 상기 사용자의 나이를 포함하는 사용자 정보와 상기 계산된 당뇨 발병 확률을 화면에 디스플레이하고, 상기 사용자의 입력에 기초하여 상기 계산된 당뇨 발병 확률을 미리 설정된 제1 당뇨 확률로 떨어뜨리기 위하여, 섭취 칼로리, 체중, 수면시간, 스트레스 지수와 일일 걸음수를 포함하는 습관 관리를 위한 사용자 맞춤형 건강개선 시뮬레이션을 제공하는 제공부; 및 상기 사용자 맞춤형 건강개선 시뮬레이션을 통해 입력된 일별 습관 관리 항목 각각에 대하여 점수화하고, 상기 점수화된 일별 습관 관리 항목에 기초하여 상기 사용자의 당뇨 습관 관리를 평가하는 관리부를 더 포함할 수 있다.
상기 수신부는 상기 사용자의 미리 설정된 개수의 유전자 정보를 추가로 수신하고, 상기 보정부는 상기 유전자 정보에 포함된 결측 데이터를 보정하며, 상기 연산부는 상기 결측 데이터가 보정된 사용자의 건강검진 정보와 유전자 정보를 입력으로 하는 상기 뉴럴 네트워크를 이용하여 상기 미리 설정된 기간 후에 상기 사용자의 당뇨 발병 확률을 계산할 수 있다.
상기 건강검진 정보는 30개의 건강검진 데이터를 포함하고, 상기 유전자 정보는 rs10811661, rs1799884, rs9939609, rs10830963, rs762551, rs780094, rs7034200와 rs17782313를 포함하는 71개의 유전자 정보를 포함할 수 있다.
상기 보정부는 GAIN 모델 기반의 뉴럴 네트워크를 이용하여 상기 사용자의 건강검진 정보에 포함된 결측 데이터를 보정할 수 있다.
더 나아가, 본 발명의 일 실시예에 따른 뉴럴 네트워크를 이용한 당뇨 관리 서비스 시스템은 상기 사용자의 유전자 정보에 기초하여 상기 계산된 당뇨 발병 확률을 일정 수치까지 떨어뜨리기 위하여, 상기 사용자의 습관 관리를 위한 액션 정보를 제공하는 제공부를 더 포함할 수 있다.
본 발명의 실시예들에 따르면, 건강검진 정보와 유전자 정보를 기반으로 학습된 학습 모델의 뉴럴 네트워크를 이용하여 특정 시간이 지난 미래의 당뇨 발병 확률을 예측하고, 당뇨 발병 가능성을 줄이기 위한 사용자 맞춤형 당뇨 개선 서비스를 제공할 수 있다.
본 발명의 실시예들에 따르면, 사용자 맞춤형 당뇨 개선 서비스를 제공함으로써, 사용자의 습관을 관리하고, 이를 통해 사용자의 당뇨 발병 확률을 낮출 수 있다.
본 발명의 실시예들에 따르면, 사용자의 유전자 정보를 반영하여 유전자 정보에 따라 사용자의 당뇨 발병 확률을 낮출 수 있는 습관 관리를 위한 액션 정보를 추천하거나 제공함으로써, 상이한 유전자 정보에 따른 맞춤형 액션 정보를 제공할 수 있다.
도 1은 본 발명의 일 실시예에 따른 뉴럴 네트워크를 이용한 당뇨 관리 서비스 방법에 대한 동작 흐름도를 나타낸 것이다.
도 2는 건강검진 정보에 대한 일 예시도를 나타낸 것이다.
도 3은 본 발명의 방법에서 당뇨 발병 확률을 설명하기 위한 일 예시도를 나타낸 것이다.
도 4는 사용자의 습관 관리를 설명하기 위한 일 예시도를 나타낸 것이다.
도 5는 본 발명의 일 실시예에 따른 뉴럴 네트워크를 이용한 당뇨 관리 서비스 시스템에 대한 구성을 나타낸 것이다.
본 발명의 이점 및 특징, 그리고 그것들을 달성하는 방법은 첨부되는 도면과 함께 상세하게 후술되어 있는 실시예들을 참조하면 명확해질 것이다. 그러나, 본 발명은 이하에서 개시되는 실시예들에 한정되는 것이 아니라 서로 다른 다양한 형태로 구현될 것이며, 단지 본 실시예들은 본 발명의 개시가 완전하도록 하며, 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자에게 발명의 범주를 완전하게 알려주기 위해 제공되는 것이며, 본 발명은 청구항의 범주에 의해 정의될 뿐이다.
본 명세서에서 사용된 용어는 실시예들을 설명하기 위한 것이며, 본 발명을 제한하고자 하는 것은 아니다. 본 명세서에서, 단수형은 문구에서 특별히 언급하지 않는 한 복수형도 포함한다. 명세서에서 사용되는 "포함한다(comprises)" 및/또는 "포함하는(comprising)"은 언급된 구성요소, 단계, 동작 및/또는 소자는 하나 이상의 다른 구성요소, 단계, 동작 및/또는 소자의 존재 또는 추가를 배제하지 않는다.
다른 정의가 없다면, 본 명세서에서 사용되는 모든 용어(기술 및 과학적 용어를 포함)는 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자에게 공통적으로 이해될 수 있는 의미로 사용될 수 있을 것이다. 또한, 일반적으로 사용되는 사전에 정의되어 있는 용어들은 명백하게 특별히 정의되어 있지 않는 한 이상적으로 또는 과도하게 해석되지 않는다.
이하, 첨부한 도면들을 참조하여, 본 발명의 바람직한 실시예들을 보다 상세하게 설명하고자 한다. 도면 상의 동일한 구성요소에 대해서는 동일한 참조 부호를 사용하고 동일한 구성요소에 대해서 중복된 설명은 생략한다.
본 발명의 실시예들은, 건강검진 정보와 유전자 정보를 기반으로 학습된 학습 모델의 뉴럴 네트워크를 이용하여 특정 시간이 지난 미래의 당뇨 발병 확률을 예측하고, 사용자 맞춤형 당뇨 개선 서비스를 제공하는 것을 그 요지로 한다.
이 때, 본 발명에서 사용되는 당뇨 발병 확률을 예측하기 위한 학습 모델은 건강검진 정보 예를 들어, 30개의 건강검진 데이터만을 포함하는 트레이닝 데이터셋을 이용하여 학습될 수도 있고, 건강검진 정보와 일정 개수의 유전자 정보 예를 들어, 71개의 유전자 정보를 포함하는 트레이닝 데이터셋을 이용하여 학습될 수도 있다. 이러한 뉴럴 네트워크는 비용 함수가 최적화되도록 학습될 수 있다.
나아가, 본 발명은 일정 기간 예를 들어, 2년이 지난 후의 사용자의 당뇨 발병 확률을 예측하고, 사용자의 당뇨 발병 확률을 떨어뜨리기 위한 사용자 맞춤형 건강개선 시뮬레이션을 제공할 수도 있다. 여기서, 사용자 맞춤형 건강개선 시뮬레이션은 건강검진 데이터만을 이용하여 제공할 수도 있고, 사용자의 유전자 정보가 있는 경우에는 유전자 정보를 반영한 사용자 맞춤형 건강개선 시뮬레이션을 제공할 수도 있다. 물론, 사람의 유전자 정보가 당뇨에 미치는 영향이 다를 수 있기 때문에 사용자의 유전자 정보에 따라 당뇨 발병 확률을 일정 수치까지 떨어뜨리기 위한 사용자의 습관 관리용 액션 정보를 추가적으로 제공할 수도 있다.
이러한 본 발명은 서비스 제공 서버에서 이루어질 수도 있으며, 어플리케이션 형태로 제공되여 사용자 단말기를 통해 수행될 수도 있다. 물론, 본 발명은 서버와 단말기를 포함하는 시스템으로 한정되거나 제한되지 않으며, 스마트 폰과 같은 사용자 단말기에서 어플리케이션 형태로 제공될 수도 있다.
도 1은 본 발명의 일 실시예에 따른 뉴럴 네트워크를 이용한 당뇨 관리 서비스 방법에 대한 동작 흐름도를 나타낸 것이다.
도 1을 참조하면, 본 발명의 발명의 일 실시예에 따른 뉴럴 네트워크를 이용한 당뇨 관리 서비스 방법은 사용자의 건강검진 정보를 수신하고, 수신된 사용자의 건강검진 정보에 포함된 결측 데이터를 보정한다(S110, S120).
이 때, 단계 S110은 사용자의 당뇨 발병 확률을 예측하기 위하여 건강검진 정보만을 수신할 수도 있지만, 필요에 따라 사용자의 유전자 정보 또한 수신할 수도 있다. 단계 S110에서 수신되는 건강검진 정보는 도 2에 도시된 바와 같이 30개의 건강검진 정보 또는 건강검진 데이터를 수신할 수도 있고, 단계 S110에서 수신되는 유전자 정보는 rs10811661, rs1799884, rs9939609, rs10830963, rs762551, rs780094, rs7034200와 rs17782313를 포함하는 71개의 유전자 정보를 수신할 수 있다.
나아가, 단계 S120은 미리 학습된 학습 모델의 뉴럴 네트워크 예를 들어, GAIN 모델 기반의 뉴럴 네트워크를 이용하여 건강검진 정보 나아가 유전자 정보에 포함된 결측 데이터를 보정함으로써, 결측 데이터가 보정된 건강검진 정보 나아가 결측 데이터가 보정된 유전자 정보를 제공할 수 있다.
아래 <표 1>은 71개의 유전자 정보에 대한 상세한 내용을 나타낸 것으로, 유전자 정보에 따른 액션 정보(action) 등을 포함한다.
SNP gene risk_allele allele category supplement action DOI OR/beta 발병률(risk allele 보유시)
rs1883025 ABCA1 T C HDL 콜레스테롤 세포 내에서 세포 밖으로 콜레스테롤을 배출 HDL콜레스테롤 수치를 높일 수 있는
유산소운동, 체중감량, 금연, 과일채소 섭취 등을 권장		 　 　 세포 내에서 세포 밖으로 HDL콜레스테롤의 배출량이 감소함(변이당 혈중 HDL콜레스테롤 수치가 0.76~1.12mg/dl낮아질 수 있음)
rs635634 ABO T C LDL 콜레스테롤 혈중 지방분해 효소의 기능을 증가시킴 콜레스테롤이 많은 음식 섭취를 줄이는 식사를 권장 　 　 혈중 LDL콜레스테롤의 분해속도를 감소시킴(변이당 혈중 LDL콜레스테롤 수치가 1.8~2.8mg/dl높아질 수 있음)
rs10885122 ADRA2A G T 대사건강인자 혈당상승 혈당 수치 적절히 조절할 것 　 　 혈당 수치의 상승 성향이 높음
rs2070600 AGER T C 피부노화 당화 산물 분해 효소 유전자 당분 섭취량을 줄일 것을 권장 　 　 당화에 의한 주름생성을 촉진함 / 피부의 콜라겐이나 탄력섬유의 당화가 더 잘생김, 피부의 조기 노화위험을 높일 수 있음
rs10889353 ANGPTL3 A C 중성지방농도 혈중 중성지방을 지방세포에 흡수 중성지방을 낮출 수 있는 견과류 or 녹차 등 섭취를 권장 　 　 혈중 중성지방량 증가(변이당 혈중 중성지방 수치가 4.9mg/dl높아질 수 있음)
rs515135 APOB A G 대사건강인자 LDL콜레스테롤상승 트랜스 지방 함유율이 높은 식품과 가공 식품 섭취 　 　 LDL 콜레스테롤 수치가 130mg/dl 이상으로 증가(그 중 17%는 160mg/dl 이상)
rs17249754 ATP2B1 G A 혈압 혈관 근육세포의 칼슘이온 조절을 통해 혈관을 수축시킴 혈액순환 개선을 통한 혈압조절이 필요 　 　 혈관확장기능의 이상에 의한 혈압조절 이상이 발생 (변이당 수축기 혈압이 1.03mmHg 높아질 수 있음) - 한국인, 동아시아인에서 가장 혈압과 상관성이 높은 유전변이
rs12934922 BCMO1 T A 영양요구량 비타민A 건강식 지속하기 　 　 여성일때 베타카로틴이 비타민 A로 전환하는데 문제가 있음
rs7501331 BCMO1 T C 영양요구량 비타민A 건강식 지속하기 　 　 여성일때 베타카로틴이 비타민 A로 전환하는데 문제가 있음
rs6265 BDNF C T 체질량지수 사회적인 스트레스나 우울증에 의한 보상작용으로 음식 섭취조절 과식이나 폭식에 주의할 것을 권장 　 　 사회적으로 스트레스를 받게 되면, 보상작용으로 식욕이 증가될 수 있음
rs10946398 CDKAL1 C A 　 인슐린 분비 감소 -> CDK5 활동 억제 　 10.18240/ijo.2016.05.12 p<0.05 　
rs7754840 CDKAL1 C G 　 베타세포기능저하 --> 인슐린분비저하 (시간) 　 10.1210 / jc.2007-2218 p=0.023 　
rs10811661 CDKN2A/B T C 혈당 췌장의 인슐린 생성세포 성장을 조절 식사량을 평소보다 2/3으로 줄이기
일일 활동량을 늘릴 것을 권장
당분섭취에 주의 필요 		　 　 인슐린 생성세포의 성장조절 이상에 따라
Figure pat00001
포도당 대사에 필수적인 인슐린 생산이 감소함
rs12740374 CELSR2 T G 대사건강인자 LDL콜레스테롤상승 트랜스 지방 함유율이 높은 식품과 가공 식품 섭취 　 　 LDL 콜레스테롤 수치가 130mg/dl 이상으로 증가(그 중 17%는 160mg/dl 이상)
rs1532624 CETP C A HDL 콜레스테롤 식사로 섭취한 콜레스테롤을 우리 몸이 사용 가능하도록 바꿔줌 HDL콜레스테롤 수치를 높일 수 있는
유산소운동, 체중감량, 금연, 과일채소 섭취 등을 권장		 　 　 CETP유전자의 기능이 증가함 / 혈중 HDL 콜레스테롤 양이 감소함 / 고지혈증 치료제인 Statin의 치료반응이 낮아질 수 있음
rs1160312 Chr20p11_1 A G 탈모 남성형 탈모의 원인인 디하이드로테스토스테론의 생성량 조절 탈모예방관리 / 피부과 상담 권장 　 　 남성형 탈모의 조기발생을 유도 / 안드로겐성 탈모의 위험성이 1.6배 증가 가능
rs2180439 Chr20p11_2 T C 탈모 남성형 탈모의 원인인 디하이드로테스토스테론의 생성량 조절 탈모예방관리 / 피부과 상담 권장 　 　 남성형 탈모의 조기발생을 유도 / 안드로겐성 탈모의 위험성이 1.82배 증가
rs11605924 CRY2 A C 대사건강인자 혈당상승 혈당 수치 적절히 조절할 것 　 　 혈당 수치의 상승 성향이 높음
rs1378942 CSK C A 혈압 혈관 세포의 성장, 분화 조절 혈관세포의 성장조절 이상에 따라 혈압 상승 　 　 혈관 세포의 성장조절 이상에 따라 혈압이 상승(변이당 수축기 혈압 0.4mmHg높아질 수 있음) - 한국인과 동아시아인에서 두번째로 혈압과 상관성이 높은 유전변이
rs1004467 CYP17A1 T C 혈압 콜레스테롤과 스테로이드 합성 조절 혈액순환 개선을 통한 혈압조절 필요 　 　 혈중 콜레스테롤 양의 증가에 따른 혈액 점도 상승 및 혈압
rs762551 CYP1A2 C A 식이요법 음식물반응-카페인대사 하루에 총 카페인 섭취량을 200mg 이하로 유지
카페인 함량이 적은 녹차나 홍차로 바꾸는 것을 권장		 　 　 카페인 대사 속도 감소
rs2191349 DGKB T G 혈당 혈중 포도당에 대한 인슐린 반응 속도 조절 식사량을 평소보다 2/3으로 줄이기
일일 활동량을 늘릴 것을 권장
당분섭취에 주의 필요 		　 　 인슐린 분비 속도의 감소에 따라 혈당증가 / 동시에 비만도가 높다면 혈당이 더욱 높아질 수 있음
rs3827760 EDAR A G 모발굵기 아시아인 특이적인 모발굵기 조절 두피의 상태를 청결하게 유지함 　 　 모발이 가늘어짐
rs5370 EDN1 T G 운동 운동에따른혈압반응 운동 적극 권장 　 　 심폐능력이 좋지 않은 사람에게서 고혈압 발생 가능성 증가
rs174547 FADS1 C T 식이요법 오메가-6,-3수치 오메가-3 지방 섭취량 늘리기 　 　 　
rs174550 FADS1 T C 대사건강인자 혈당상승 혈당 수치 적절히 조절할 것 　 　 혈당 수치의 상승 성향이 높음
rs1458038 FGF5 T C 혈압 심혈관 세포의 성장과 이동에 영향을 줌 체중감소, 운동, 저지방/저염분 식사를 권장 　 　 혈압상승(변이당 수축기 혈압이 0.4mmHg높아질 수 있음)
rs1121980 FTO T C 운동 운동에따른체중감소반응 건강에 좋은 수준의 체중을 유지하기 위해 운동 권장 　 　 과체중 성향과 연관, 신체질량지수(BMI) 및 허리둘레 증가와 연관되어 있음
rs9939609 FTO A T 신체와체중/식이요법 비만/남는 열량을 지방으로 저장/포만감/적합한 식이요법 올바른 식사, 운동 및 스트레스 감소
탄수화물, 단백질이 고르게 결합되고 칼로리가 낮은 균형식 섭취
식사 시, 섬유소 섭취량을 늘리고 식사량과 간식량 균형 유지
저지방 식사 권장		 　 　 남는 열량을 과도하게 지방으로 저장하여, 비만이 될 위험이 높음/포만감을 느끼기 어려움
rs2282679 GC G T 영양요구량 비타민D 식사와 직사광선 노출 주의하기 　 　 체내 비타민 D 수송 능력이 감소해 혈중 비타민 D 수치가 낮아지기 쉬움
rs1799884 GCK T C 혈당 포도당을 에너지로 바꾸는 첫 번째 단계에 관여 식사량을 평소보다 2/3으로 줄이기
일일 활동량을 늘릴 것을 권장
당분섭취에 주의 필요 		　 　 포도당의 에너지 대사속도의 감소에 따라 혈당 증가
rs4607517 GCK A G 대사건강인자 혈당상승 혈당 수치 적절히 조절할 것 　 　 혈당 수치의 상승 성향이 높음
rs780094 GCKR A C 대사건강인자 혈당상승/중성지방 농도(혈중 포도당 대사 조절) 혈당 수치 적절히 조절할 것
중성지방을 낮출 수 있는 견과류 or 녹차 등 섭취를 권장
음식조절, 생활습관 개선
식사량을 평소보다 2/3으로 줄이기
일일 활동량을 늘릴 것을 권장
당분섭취에 주의 필요 		　 　 중성지방 생성량 증가(변이당 혈중 중성지방 수치가 평균 8.6mg/dl높아질 수 있음) / 특히 비만인 사람은 위험/포도당의 에너지 대사속도와 감소에 따라 혈당증가/혈당 수치의 상승 성향이 높음
rs7034200 GLIS3 A T/C 대사건강인자/혈당 혈당상승/췌장의 인슐린 생성세포 성장에 관여 식사량을 평소보다 2/3으로 줄이기
일일 활동량을 늘릴 것을 권장
당분섭취에 주의 필요 		　 　 인슐린 생성세포의 성장조절 이상에 따라 포도당 대사에 필수적인 인슐린 생산이 감소/혈당 수치의 상승 성향이 높음
rs13139571 GUCY1A3 C A 혈압 산화질소에 반응하여 혈관확장에 영향을 미침 혈액순환 개선을 통한 혈압조절이 필요 　 　 혈관 확장 기능의 이상에 의한 혈압조절 이상이 발생 (변이당 수축기 혈압이 0.3mmHg 높아질 수 있음)
rs11066280 HECTD4 T A 혈압 혈압 조절에 관련되는 단백질을 분해 체중감소, 운동, 저지방/저염분 식사를 권장 　 　 혈압상승(변이당 수축기 혈압 1.56mmHg높아질 수 있음)
rs1111875 HHEX T C 　 대장암과 당뇨병과의 연관성 　 10.18632/oncotarget.8865 p<0.019 　
rs9275572 HLA-DQB1 G A 탈모 면역 반응 담당 유전자 탈모 예방관리 / 피부과 상담 / 스트레스 관리 권장 　 　 모근 줄기세포의 자가면역성 사멸을 유도해 모발이 빠짐 / 원형탈모 위험성이 2.21배 증가 가능
rs12654264 HMGCR T A LDL 콜레스테롤 혈중 콜레스테롤 양에 반응하여 간의 콜레스테롤 생성속도를 조절 콜레스테롤이 많은 음식 섭취를 줄이는 식사를 권장 　 　 간의 콜레스테롤 생성속도 증가에 따른 혈중 콜레스테롤 농도가 높음
rs3846663 HMGCR T C 대사건강인자 LDL콜레스테롤상승 트랜스 지방 함유율이 높은 식품과 가공 식품 섭취 　 　 LDL 콜레스테롤 수치가 130mg/dl 이상으로 증가(그 중 17%는 160mg/dl 이상)
rs2650000 HNF1A T C 대사건강인자 LDL콜레스테롤상승 트랜스 지방 함유율이 높은 식품과 가공 식품 섭취 　 　 LDL 콜레스테롤 수치가 130mg/dl 이상으로 증가(그 중 17%는 160mg/dl 이상)
rs4430796 HNF1B G A 신체활동 신체활동에 따른 포도당 조절 운동 적극 권장 10.2337/db08-1623 0.02(A 기준) -> beta 　
rs4402960 IGF2BP2 T G 　 인슐린 분비 장애 -> 레파글리니드 약물 처방 　 10.1038/aps.2010.47 p<0.05 　
rs1470579 IGF2BP2 C A 　 인슐린 분비 장애 -> 레파글리니드 약물 처방 　 10.1038/aps.2010.47 p<0.05 　
rs3118470 IL2RA C T 탈모 면역 반응 담당 유전자 탈모예방관리 / 피부과 상담 / 스트레스 관리 권장 　 　 모근 줄기세포의 자가면역성 사멸을 유도해 모발이 빠짐 / 유전자 발현 억제되어 T 인자를 가진 사람보다 원형탈모 위험성이 1.41배 증가 가능
rs7566605 INSIG2 C G 운동 근력훈련 보통 수준의 근력 훈련이 권장됨 　 　 12주 저항 훈련에 참여한 후 지방량이 증가될 가능성이 높음(근력 훈련의 효과 적음)
rs7578326 IRS1 A G 　 TG level증가 / 인슐린 활성 감소 　 10.1155/2015/613236 1.27(T2D),3.4(TG) -> beta 　
rs2237892 KCNQ1 C T 　 베타세포기능저하 --> 인슐린분비저하 & FTG상승 　 10.1038/jhg.2012.16 2.61 　
rs2237895 KCNQ1 C T 　 베타세포기능저하 --> 인슐린 생성 및 분비저하 　 10.2337/db09-0246 1.23 　
rs1800588 LIPC C T 식이요법/운동 적합한 식이요법/운동에 따른 인슐린 감수성 반응 탄수화물, 단백질이 고르게 결합되고
칼로리가 낮은 균형식 섭취 / 운동이 권장됨 		　 　 인슐린 감수성 증가(신체의 당분 대사 능력이 더 좋음)
rs4939883 LIPG T C HDL 콜레스테롤 혈관 속의 콜레스테롤이나 지방을 분해 HDL콜레스테롤 수치를 높일 수 있는
유산소운동, 체중감량, 금연, 과일채소 섭취 등을 권장		 　 　 혈중 HDL콜레스테롤 양이 감소함(변이당 혈중 HDL콜레스테롤 수치가 0.14mg/dl낮아질 수 있음)
rs6102059 MAFB T C 대사건강인자 LDL콜레스테롤상승 트랜스 지방 함유율이 높은 식품과 가공 식품 섭취 　 　 LDL 콜레스테롤 수치가 130mg/dl 이상으로 증가(그 중 17%는 160mg/dl 이상)
rs885479 MC1R G A 색소침착 멜라닌 색소 생성 유전자 자외선 차단과 미백관리, 비타민 C 섭취를 권장 　 　 멜라닌 세포에서 멜라닌 색소 생성을 촉진 / 아시아인 집단에서 더 민감(색소침착 or 반점이 더 잘 생길 수 있음)
rs17782313 MC4R C T 신체와체중 비만/식욕 억제를 통한 에너지 섭취 균형 조절 올바른 식사, 운동 및 스트레스 감소
간식 섭취를 줄이는 것을 권장		 　 　 식탐이 많아짐 / 간식을 자주 섭취하여 비만이 될 위험이 높음/극히 드문 유전형 비만 유발
rs17145738 MLXIPL G A 중성지방농도 혈중 포도당량에 반응하여 인슐린 분비 촉진, 간에 중성지방으로 저장 중성지방을 낮출 수 있는 견과류 or 녹차 등 섭취를 권장 　 　 간에 축적되는 지방의 양이 증가함(변이당 혈중 중성지방 수치가 8.2mg/dl높아질 수 있음)
rs1801133 MTHFR T C 영양요구량 비타민B2/엽산 건강식 지속하기 　 　 심장혈관 질환과 뇌졸중의 위험인자인 호모시스테인 수치가 증가할 가능성이 높음(비타민 B2 수치가 낮을 수록 높음)/혈액 내 엽산 감소
rs10830963 MTNR1B G C 대사건강인자/혈당 혈당상승/혈중 포도당 농도의 항상성 유지를 위해 밤과 낮에 분비되는 인슐린 분비량 조절 혈당 수치 적절히 조절할 것 　 　 변이당 혈당이 1.01~1.75mg/dl높음 / 동시에 비만도가 높다면 혈당이 더욱 높아질 수 있음/혈당 수치의 상승 성향이 높음
rs12229654 MYL2 G T HDL 콜레스테롤 근육세포 수축을 위한 필수 단백질 HDL콜레스테롤 수치를 높일 수 있는
유산소운동, 체중감량, 금연, 과일채소 섭취 등을 권장		 　 　 한국인에서 HDL콜레스테롤 양을 감소시킴 & 대사증후군 위험도가 증가됨 (변이당 혈중 HDL콜레스테롤 수치가 0.023~0.033mg/dl 낮아질 수 있음)
rs4654748 NBPF3 C T 영양요구량 비타민B6 건강식 지속하기 　 　 비타민 B6 수치가 낮음
rs1051168 NMB T G 식이요법 섭식행동유전소인-공복감 공복감에 대한 민감성은 낮은 편 　 　 공복감에 대한 민감성 증가
rs1173771 NPR3 G A 혈압 소변으로 나트륨 배출 및 혈압을 감소 체중감소, 운동, 저지방/저염분 식사를 권장 　 　 혈액량의 증가로 인해 혈압 상승 (변이당 수축기 혈압이 0.5mmHg 높아질 수 있음)
rs11191548 NT5C2 T C 혈압 뉴클레오타이드 분해를 통해 요산을 생성 요산 개선에 좋은 식품(알로에, 양배추) 섭취를 권장 　 　 요산 증가로 인해 혈압 상승 및 심혈관 질환 위험성 증가 (변이당 수축기 혈압이 0.6mmHg 높음)
rs11206510 PCSK9 T C 대사건강인자 LDL콜레스테롤상승 트랜스 지방 함유율이 높은 식품과 가공 식품 섭취 　 　 LDL 콜레스테롤 수치가 130mg/dl 이상으로 증가(그 중 17%는 160mg/dl 이상)
rs2016520 PPARD G A 운동 운동에따른HDL콜레스테롤반응 지구력 훈련을 계속하기 　 　 운동을 통해 HDL 수치의 효과가 향상될 가능성 높음
rs8192678 PPARGC1A A G 운동 유산소능력 보통 수준의 유산소 능력 요구됨 　 　 VO2max 감소
rs340874 PROX1 C T 대사건강인자 혈당상승 혈당 수치 적절히 조절할 것 　 　 혈당 수치의 상승 성향이 높음
rs646776 SORT1 T C LDL 콜레스테롤 간에서 혈중으로 콜레스테롤을 이동 콜레스테롤이 많은 음식 섭취를 줄이는 식사를 권장 　 　 혈중 LDL콜레스테롤양이 상대적으로 높음(변이당 혈중 LDL 콜레스테롤 수치가 2.9mg/dl높아질 수 있음)
rs35744813 TAS1R3 G A 식이요법 음식물반응-단맛 설탕이 들어가 있는 음식 줄일 것 　 　 설탕의 단맛에 대한 감수성이 보통/ 남성일 경우 더 많이 증가가능 / 혈관내에 콜레스테롤 축적에 의한 혈관 건강문제의 위험을 높일 수 있음
rs1726866 TAS2R38 T C 식이요법 섭식행동유전소인-섭식무절제/음식물반응-쓴맛 맛있는 음식과 같은 자극에 대한 반응을 낮출 것
염분 섭취량을 조절할 것 		　 　 사탕류와 설탕이 든 음식을 더 많이 섭취할 가능성 증가/쓴 맛을 가려주는 고염분 식품을 더욱 선호
rs713598 TAS2R38 G C 식이요법 음식물반응-쓴맛 염분 섭취량을 조절할 것 　 　 쓴 맛을 가려주는 고염분 식품을 더욱 선호
rs896854 TP53INP1 T C 　 TG증가(인슐린내성) & HDL-C level 감소 / T2D 위험 증가 　 10.1016/j.diabres.2018.02.039 0.0342(TG), 0.015(HDL-C) 　
단계 S120에 의해 사용자의 건강검진 정보, 나아가 사용자의 71개의 유전자 정보에 포함된 결측 데이터가 보정되면, 결측 데이터가 보정된 건강검진 정보 나아가 결측 데이터가 보정된 유전자 정보를 입력으로 하는 시간에 따른 당뇨 발병 확률 예측 모델 기반의 뉴럴 네트워크를 이용하여 미리 설정된 기간 예를 들어, 2년 후에 사용자가 당뇨에 걸릴 당뇨 발병 확률을 계산한다(S130).
여기서, 뉴럴 네트워크는 건강검진 트레이닝 데이터셋 예를 들어, 10350개의 트레이닝 데이터를 이용하여 학습될 수 있으며, 트레이닝 데이터에 포함된 결측 데이터를 GAIN 모델 기반의 뉴럴 네트워크를 이용하여 보정 한 후 이렇게 보정된 트레이닝 데이터를 통해 해당 뉴럴 네트워크를 학습함으로써, 당뇨 발병 확률 예측 모델을 생성할 수 있다. 이러한 당뇨 발병 확률 예측 모델은 트레이닝 데이터 중 마스킹 값이 0인 부분을 복원하였을 때 실제 값과의 MSE(mean square error), 트레이닝 데이터 중 마스킹 값이 1인 부분을 복원하였을 때 실제 값과의 MSE, 테스트 데이터 중 마스킹 값이 1인 부분을 복원하였을 때 실제 값과의 MSE 등을 통해 그 성능을 확인할 수 있다. 물론, 트레이닝 데이터셋에 유전자 정보가 포함되는 경우에는 건강검진 트레이닝 데이터와 유전자 정보 트레이닝 데이터를 이용하여 뉴럴 네트워크를 학습함으로써, 당뇨 발병 확률 예측 모델을 생성할 수 있다. 즉, 본 발명에서 당뇨 발병 확률 예측 모델은 건강검진 트레이닝 데이터셋에 의해 학습될 수도 있고, 건강검진 트레이닝 데이터셋과 유전자 정보 트레이닝 데이터셋에 의해 학습될 수도 있다.
단계 S130에 의해 사용자가 일정 기간 이후에 당뇨에 걸릴 당뇨 발병 확률이 계산되면, 사용자에 대한 정보 예를 들어, 사용자의 나이, 이름 등과 단계 S130에서 계산된 당뇨 발병 확률을 화면에 디스플레이한다(S140).
예컨대, 도 3a에 도시된 바와 같이, 나이에 따른 혈당이 높은 사람에 대한 그래프, 나이에 따른 혈당이 낮은 사람의 그래프, 중앙값에 대한 그래프 및 사용자의 건강검진 혈당 수치를 화면에 디스플레이하면서, 2년 후 사용자의 당뇨 발병 확률(도 3a에서는 99.9%)을 함께 디스플레이한다.
단계 S140에 의해 사용자의 당뇨 발병 확률이 화면에 디스플레이되면, 사용자의 입력에 기초하여 일정 기간이 지난 후의 당뇨 발병 확률을 미리 설정된 제1 당뇨 확률로 떨어뜨리기 위하여, 섭취 칼로리, 체중, 수면시간, 스트레스 지수와 일일 걸음수를 포함하는 습관 관리를 위한 사용자 맞춤형 건강개선 시뮬레이션을 제공한다(S150).
예컨대, 도 3a의 화면에 표시된 일정 영역의 버튼이 사용자에 의해 선택되면 도 3b에 도시된 바와 같이, 사용자의 혈당 수치를 낮추기 위한 사용자 맞춤형 건강개선 시뮬레이션을 제공할 수 있다.
여기서, 제공되는 건강개선 시뮬레이션은 당뇨 발병 확률을 일정 확률 예를 들어, 40~50%로 떨어뜨리기 위한, 식습관, 체중, 수면 시간, 스트레스, 운동 등에 대한 습관 관리에 대한 시뮬레이션으로, 해당 시뮬레이션을 사용자 맞춤형으로 제공할 수 있다. 물론, 제공되는 건강개선 시뮬레이션은 당뇨 발병 확률을 떨어뜨리기 위한 다양한 개선 방안 예를 들어, 운동량 조절, 먹는약 등에 대한 정보를 제공할 수도 있다. 즉, 본 발명의 방법은 이러한 사용자 맞춤형 건강개선 시뮬레이션을 제공함으로써, 당뇨 확률을 떨어뜨리기 위한 사용자의 습관을 관리할 수 있도록 한다.
단계 S150에서 제공되는 사용자 맞춤형 건강개선 시뮬레이션을 통해 사용자에 의해 입력되거나 자동 측정되는 일별 습관 관리 항목 각각에 대하여 점수화하고, 점수화된 일별 습관 관리 항목에 기초하여 사용자의 당뇨 습관 관리를 평가한다(S160).
예를 들어, 단계 S160은 도 4a에 도시된 바와 같이, 사용자 맞춤형 건강개선 시뮬레이션을 통해 오늘 하루 걸은 걸음수, 측정된 혈당, 섭취 칼로리량, 체중, 수면시간, 교육 등이 자동 측정되거나 사용자 입력을 통해 수신되면, 사용자 맞춤형 건강개선 시뮬레이션에서 제공하는 목표량과 사용자 성취량을 비교하여 당일 성취한 성취량을 점수화하여 제공할 수 있다. 물론, 이러한 각 항목의 점수는 도 4b에 도시된 바와 같이 각각의 항목에 대하여 점수화되어 제공되며, 항목별로 제공되는 점수를 통해 사용자가 집중해야 하는 습관과 습관이 잘되어 있는 항목 등을 시각적으로 확인할 수 있다. 즉, 본 발명의 방법은 습관 관리를 위한 사용자 맞춤형 건강개선 시뮬레이션을 통해 잠을 잘 자는지, 운동량을 적절하게 유지하는지, 혈당 체크를 주기적으로 하고 있는지 등을 종합하여 점수화함으로써, 당뇨 관리가 잘되고 있는지 알 수 있다.
나아가, 본 발명의 방법은 사용자의 유전자 정보에 따른 맞춤형 정보를 제공할 수도 있다. 예를 들어, 유전자 정보 중 특정 유전자는 혈당에 영향을 줄 수 있는데, 특정 유전자가 강한 사용자가 있을 수 있고, 약한 사용자가 있을 수 있기 때문에 이러한 특정 유전자에 대한 정보에 기초하여 사용자별로 혈당에 도움이 되는 액션 정보 예를 들어, 표 1에 기재된 액션 정보를 사용자에게 제공할 수도 있다. 이러한 사용자의 유전자 정보를 반영함으로써, 사용자의 유전자 정보에 따른 액션 정보 나아가 건강개선 시뮬레이션이 달라질 수 있다. 즉, 유전자 정보에 따른 사용자의 습관 관리가 상이하게 달라질 수 있다.
이와 같이, 본 발명의 실시예에 따른 방법은 건강검진 정보와 유전자 정보를 기반으로 학습된 학습 모델의 뉴럴 네트워크를 이용하여 특정 시간이 지난 미래의 당뇨 발병 확률을 예측하고, 당뇨 발병 가능성을 줄이기 위한 사용자 맞춤형 당뇨 개선 서비스를 제공할 수 있다.
또한, 본 발명의 실시예에 따른 방법은 사용자 맞춤형 당뇨 개선 서비스를 제공함으로써, 사용자의 습관을 관리하고, 이를 통해 사용자의 당뇨 발병 확률을 낮출 수 있다.
또한, 본 발명의 실시예에 따른 방법은 사용자의 유전자 정보를 반영하여 유전자 정보에 따라 사용자의 당뇨 발병 확률을 낮출 수 있는 습관 관리를 위한 액션 정보를 추천하거나 제공함으로써, 상이한 유전자 정보에 따른 맞춤형 액션 정보 나아가 건강개선 시뮬레이션을 제공할 수 있다.
도 5는 본 발명의 일 실시예에 따른 뉴럴 네트워크를 이용한 당뇨 관리 서비스 시스템에 대한 구성을 나타낸 것으로, 도 1 내지 도 4의 방법을 수행하는 시스템에 대한 개념적인 구성을 나타낸 것이다.
도 5를 참조하면, 본 발명의 실시예에 따른 당뇨 관리 서비스 시스템(500)은 수신부(510), 보정부(520), 연산부(530), 제공부(540) 및 관리부(550)를 포함한다.
수신부(510)는 사용자의 건강검진 정보 또는 필요에 따라 사용자의 유전자 정보를 수신한다.
이 때, 수신부(510)는 30개의 건강검진 정보 및 rs10811661, rs1799884, rs9939609, rs10830963, rs762551, rs780094, rs7034200와 rs17782313를 포함하는 71개의 유전자 정보를 수신할 수 있다.
보정부(520)는 사용자의 건강검진 정보 나아가 유전자 정보에 포함된 결측 데이터를 보정한다.
이 때, 보정부(520)는 미리 학습된 학습 모델의 뉴럴 네트워크 예를 들어, GAIN 모델 기반의 뉴럴 네트워크를 이용하여 건강검진 정보 나아가 유전자 정보에 포함된 결측 데이터를 보정함으로써, 결측 데이터가 보정된 건강검진 정보 나아가 결측 데이터가 보정된 유전자 정보를 제공할 수 있다.
연산부(530)는 결측 데이터가 보정된 건강검진 정보 나아가 결측 데이터가 보정된 유전자 정보를 입력으로 하는 시간에 따른 당뇨 발병 확률 예측 모델 기반의 뉴럴 네트워크를 이용하여 미리 설정된 기간 예를 들어, 2년 후에 사용자가 당뇨에 걸릴 당뇨 발병 확률을 계산한다.
제공부(540)는 일정 기간 후의 사용자의 나이를 포함하는 사용자 정보와 계산된 당뇨 발병 확률을 화면에 디스플레이하고, 사용자의 입력에 기초하여 계산된 당뇨 발병 확률을 미리 설정된 제1 당뇨 확률로 떨어뜨리기 위하여, 섭취 칼로리, 체중, 수면시간, 스트레스 지수와 일일 걸음수를 포함하는 습관 관리를 위한 사용자 맞춤형 건강개선 시뮬레이션을 제공한다.
나아가, 제공부(540)는 사용자의 유전자 정보에 기초하여 계산된 당뇨 발병 확률을 일정 수치까지 떨어뜨리기 위하여, 사용자의 습관 관리를 위한 액션 정보를 추가적으로 제공할 수도 있다.
관리부(550)는 사용자 맞춤형 건강개선 시뮬레이션을 통해 입력된 일별 습관 관리 항목 각각에 대하여 점수화하고, 점수화된 일별 습관 관리 항목에 기초하여 사용자의 당뇨 습관 관리를 평가한다.
비록, 도 5의 시스템에서 그 설명이 생략되었더라도, 본 발명에 따른 장치는 상기 도 1 내지 도 4에서 설명한 모든 내용을 포함할 수 있다는 것은 이 기술 분야에 종사하는 당업자에게 있어서 자명하다.
이상에서 설명된 시스템 또는 장치는 하드웨어 구성요소, 소프트웨어 구성요소, 및/또는 하드웨어 구성요소 및 소프트웨어 구성요소의 조합으로 구현될 수 있다. 예를 들어, 실시예들에서 설명된 시스템, 장치 및 구성요소는, 예를 들어, 프로세서, 컨트롤러, ALU(arithmetic logic unit), 디지털 신호 프로세서(digital signal processor), 마이크로컴퓨터, FPA(field programmable array), PLU(programmable logic unit), 마이크로프로세서, 또는 명령(instruction)을 실행하고 응답할 수 있는 다른 어떠한 장치와 같이, 하나 이상의 범용 컴퓨터 또는 특수 목적 컴퓨터를 이용하여 구현될 수 있다. 처리 장치는 운영 체제(OS) 및 상기 운영 체제 상에서 수행되는 하나 이상의 소프트웨어 애플리케이션을 수행할 수 있다. 또한, 처리 장치는 소프트웨어의 실행에 응답하여, 데이터를 접근, 저장, 조작, 처리 및 생성할 수도 있다. 이해의 편의를 위하여, 처리 장치는 하나가 사용되는 것으로 설명된 경우도 있지만, 해당 기술분야에서 통상의 지식을 가진 자는, 처리 장치가 복수 개의 처리 요소(processing element) 및/또는 복수 유형의 처리 요소를 포함할 수 있음을 알 수 있다. 예를 들어, 처리 장치는 복수 개의 프로세서 또는 하나의 프로세서 및 하나의 컨트롤러를 포함할 수 있다. 또한, 병렬 프로세서(parallel processor)와 같은, 다른 처리 구성(processing configuration)도 가능하다.
소프트웨어는 컴퓨터 프로그램(computer program), 코드(code), 명령(instruction), 또는 이들 중 하나 이상의 조합을 포함할 수 있으며, 원하는 대로 동작하도록 처리 장치를 구성하거나 독립적으로 또는 결합적으로(collectively) 처리 장치를 명령할 수 있다. 소프트웨어 및/또는 데이터는, 처리 장치에 의하여 해석되거나 처리 장치에 명령 또는 데이터를 제공하기 위하여, 어떤 유형의 기계, 구성요소(component), 물리적 장치, 가상 장치(virtual equipment), 컴퓨터 저장 매체 또는 장치, 또는 전송되는 신호 파(signal wave)에 영구적으로, 또는 일시적으로 구체화(embody)될 수 있다. 소프트웨어는 네트워크로 연결된 컴퓨터 시스템 상에 분산되어서, 분산된 방법으로 저장되거나 실행될 수도 있다. 소프트웨어 및 데이터는 하나 이상의 컴퓨터 판독 가능 기록 매체에 저장될 수 있다.
실시예들에 따른 방법은 다양한 컴퓨터 수단을 통하여 수행될 수 있는 프로그램 명령 형태로 구현되어 컴퓨터 판독 가능 매체에 기록될 수 있다. 상기 컴퓨터 판독 가능 매체는 프로그램 명령, 데이터 파일, 데이터 구조 등을 단독으로 또는 조합하여 포함할 수 있다. 상기 매체에 기록되는 프로그램 명령은 실시예를 위하여 특별히 설계되고 구성된 것들이거나 컴퓨터 소프트웨어 당업자에게 공지되어 사용 가능한 것일 수도 있다. 컴퓨터 판독 가능 기록 매체의 예에는 하드 디스크, 플로피 디스크 및 자기 테이프와 같은 자기 매체(magnetic media), CD-ROM, DVD와 같은 광기록 매체(optical media), 플롭티컬 디스크(floptical disk)와 같은 자기-광 매체(magneto-optical media), 및 롬(ROM), 램(RAM), 플래시 메모리 등과 같은 프로그램 명령을 저장하고 수행하도록 특별히 구성된 하드웨어 장치가 포함된다. 프로그램 명령의 예에는 컴파일러에 의해 만들어지는 것과 같은 기계어 코드뿐만 아니라 인터프리터 등을 사용해서 컴퓨터에 의해서 실행될 수 있는 고급 언어 코드를 포함한다. 상기된 하드웨어 장치는 실시예의 동작을 수행하기 위해 하나 이상의 소프트웨어 모듈로서 작동하도록 구성될 수 있으며, 그 역도 마찬가지이다.
이상과 같이 실시예들이 비록 한정된 실시예와 도면에 의해 설명되었으나, 해당 기술분야에서 통상의 지식을 가진 자라면 상기의 기재로부터 다양한 수정 및 변형이 가능하다. 예를 들어, 설명된 기술들이 설명된 방법과 다른 순서로 수행되거나, 및/또는 설명된 시스템, 구조, 장치, 회로 등의 구성요소들이 설명된 방법과 다른 형태로 결합 또는 조합되거나, 다른 구성요소 또는 균등물에 의하여 대치되거나 치환되더라도 적절한 결과가 달성될 수 있다.
그러므로, 다른 구현들, 다른 실시예들 및 특허청구범위와 균등한 것들도 후술하는 특허청구범위의 범위에 속한다.

Claims (12)

  1. 사용자의 건강검진 정보를 수신하는 단계;
    상기 사용자의 건강검진 정보에 포함된 결측 데이터를 보정하는 단계; 및
    상기 결측 데이터가 보정된 사용자의 건강검진 정보를 입력으로 하는 시간에 따른 당뇨 발병 확률 예측 모델 기반의 뉴럴 네트워크를 이용하여 미리 설정된 기간 후에 상기 사용자가 당뇨에 걸릴 당뇨 발병 확률을 계산하는 단계
    를 포함하는 뉴럴 네트워크를 이용한 당뇨 관리 서비스 방법.
  2. 제1항에 있어서,
    상기 설정된 기간 후의 상기 사용자의 나이를 포함하는 사용자 정보와 상기 계산된 당뇨 발병 확률을 화면에 디스플레이하는 단계;
    상기 사용자의 입력에 기초하여 상기 계산된 당뇨 발병 확률을 미리 설정된 제1 당뇨 확률로 떨어뜨리기 위하여, 섭취 칼로리, 체중, 수면시간, 스트레스 지수와 일일 걸음수를 포함하는 습관 관리를 위한 사용자 맞춤형 건강개선 시뮬레이션을 제공하는 단계;
    상기 사용자 맞춤형 건강개선 시뮬레이션을 통해 입력된 일별 습관 관리 항목 각각에 대하여 점수화하는 단계; 및
    상기 점수화된 일별 습관 관리 항목에 기초하여 상기 사용자의 당뇨 습관 관리를 평가하는 단계
    를 더 포함하는 것을 특징으로 하는 뉴럴 네트워크를 이용한 당뇨 관리 서비스 방법.
  3. 제1항에 있어서,
    상기 수신하는 단계는
    상기 사용자의 미리 설정된 개수의 유전자 정보를 추가로 수신하고,
    상기 보정하는 단계는
    상기 유전자 정보에 포함된 결측 데이터를 보정하며,
    상기 계산하는 단계는
    상기 결측 데이터가 보정된 사용자의 건강검진 정보와 유전자 정보를 입력으로 하는 상기 뉴럴 네트워크를 이용하여 상기 미리 설정된 기간 후에 상기 사용자의 당뇨 발병 확률을 계산하는 것을 특징으로 하는 뉴럴 네트워크를 이용한 당뇨 관리 서비스 방법.
  4. 제1항에 있어서,
    상기 건강검진 정보는
    30개의 건강검진 데이터를 포함하고,
    상기 유전자 정보는
    rs10811661, rs1799884, rs9939609, rs10830963, rs762551, rs780094, rs7034200와 rs17782313를 포함하는 71개의 유전자 정보를 포함하는 것을 특징으로 하는 뉴럴 네트워크를 이용한 당뇨 관리 서비스 방법.
  5. 제1항에 있어서,
    상기 보정하는 단계는
    GAIN 모델 기반의 뉴럴 네트워크를 이용하여 상기 사용자의 건강검진 정보에 포함된 결측 데이터를 보정하는 것을 특징으로 하는 뉴럴 네트워크를 이용한 당뇨 관리 서비스 방법.
  6. 제1항에 있어서,
    상기 사용자의 유전자 정보에 기초하여 상기 계산된 당뇨 발병 확률을 일정 수치까지 떨어뜨리기 위하여, 상기 사용자의 습관 관리를 위한 액션 정보를 제공하는 단계
    를 더 포함하는 것을 특징으로 하는 뉴럴 네트워크를 이용한 당뇨 관리 서비스 방법.
  7. 사용자의 건강검진 정보를 수신하는 수신부;
    상기 사용자의 건강검진 정보에 포함된 결측 데이터를 보정하는 보정부; 및
    상기 결측 데이터가 보정된 사용자의 건강검진 정보를 입력으로 하는 시간에 따른 당뇨 발병 확률 예측 모델 기반의 뉴럴 네트워크를 이용하여 미리 설정된 기간 후에 상기 사용자가 당뇨에 걸릴 당뇨 발병 확률을 계산하는 연산부
    를 포함하는 뉴럴 네트워크를 이용한 당뇨 관리 서비스 시스템.
  8. 제7항에 있어서,
    상기 설정된 기간 후의 상기 사용자의 나이를 포함하는 사용자 정보와 상기 계산된 당뇨 발병 확률을 화면에 디스플레이하고, 상기 사용자의 입력에 기초하여 상기 계산된 당뇨 발병 확률을 미리 설정된 제1 당뇨 확률로 떨어뜨리기 위하여, 섭취 칼로리, 체중, 수면시간, 스트레스 지수와 일일 걸음수를 포함하는 습관 관리를 위한 사용자 맞춤형 건강개선 시뮬레이션을 제공하는 제공부; 및
    상기 사용자 맞춤형 건강개선 시뮬레이션을 통해 입력된 일별 습관 관리 항목 각각에 대하여 점수화하고, 상기 점수화된 일별 습관 관리 항목에 기초하여 상기 사용자의 당뇨 습관 관리를 평가하는 관리부
    를 더 포함하는 것을 특징으로 하는 뉴럴 네트워크를 이용한 당뇨 관리 서비스 시스템.
  9. 제7항에 있어서,
    상기 수신부는
    상기 사용자의 미리 설정된 개수의 유전자 정보를 추가로 수신하고,
    상기 보정부는
    상기 유전자 정보에 포함된 결측 데이터를 보정하며,
    상기 연산부는
    상기 결측 데이터가 보정된 사용자의 건강검진 정보와 유전자 정보를 입력으로 하는 상기 뉴럴 네트워크를 이용하여 상기 미리 설정된 기간 후에 상기 사용자의 당뇨 발병 확률을 계산하는 것을 특징으로 하는 뉴럴 네트워크를 이용한 당뇨 관리 서비스 시스템.
  10. 제7항에 있어서,
    상기 건강검진 정보는
    30개의 건강검진 데이터를 포함하고,
    상기 유전자 정보는
    rs10811661, rs1799884, rs9939609, rs10830963, rs762551, rs780094, rs7034200와 rs17782313를 포함하는 71개의 유전자 정보를 포함하는 것을 특징으로 하는 뉴럴 네트워크를 이용한 당뇨 관리 서비스 시스템.
  11. 제7항에 있어서,
    상기 보정부는
    GAIN 모델 기반의 뉴럴 네트워크를 이용하여 상기 사용자의 건강검진 정보에 포함된 결측 데이터를 보정하는 것을 특징으로 하는 뉴럴 네트워크를 이용한 당뇨 관리 서비스 시스템.
  12. 제7항에 있어서,
    상기 사용자의 유전자 정보에 기초하여 상기 계산된 당뇨 발병 확률을 일정 수치까지 떨어뜨리기 위하여, 상기 사용자의 습관 관리를 위한 액션 정보를 제공하는 제공부
    를 더 포함하는 것을 특징으로 하는 뉴럴 네트워크를 이용한 당뇨 관리 서비스 시스템.
KR1020210016599A 2021-02-05 2021-02-05 건강검진 정보와 유전자 정보 기반의 뉴럴 네트워크를 이용한 당뇨 관리 서비스 방법 및 그 시스템 KR102670199B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020210016599A KR102670199B1 (ko) 2021-02-05 2021-02-05 건강검진 정보와 유전자 정보 기반의 뉴럴 네트워크를 이용한 당뇨 관리 서비스 방법 및 그 시스템

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020210016599A KR102670199B1 (ko) 2021-02-05 2021-02-05 건강검진 정보와 유전자 정보 기반의 뉴럴 네트워크를 이용한 당뇨 관리 서비스 방법 및 그 시스템

Publications (2)

Publication Number Publication Date
KR20220113563A true KR20220113563A (ko) 2022-08-16
KR102670199B1 KR102670199B1 (ko) 2024-05-31

Family

ID=83064102

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020210016599A KR102670199B1 (ko) 2021-02-05 2021-02-05 건강검진 정보와 유전자 정보 기반의 뉴럴 네트워크를 이용한 당뇨 관리 서비스 방법 및 그 시스템

Country Status (1)

Country Link
KR (1) KR102670199B1 (ko)

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20180058159A (ko) * 2016-11-23 2018-05-31 주식회사 셀바스에이아이 질환 발병 예측 방법 및 장치
KR20200015315A (ko) * 2018-08-03 2020-02-12 서울대학교병원 기계 학습을 이용하여 비만하지 않은 대상자의 대사증후군 발생 가능성을 예측하는 방법 및 장치

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20180058159A (ko) * 2016-11-23 2018-05-31 주식회사 셀바스에이아이 질환 발병 예측 방법 및 장치
KR20200015315A (ko) * 2018-08-03 2020-02-12 서울대학교병원 기계 학습을 이용하여 비만하지 않은 대상자의 대사증후군 발생 가능성을 예측하는 방법 및 장치

Also Published As

Publication number Publication date
KR102670199B1 (ko) 2024-05-31

Similar Documents

Publication Publication Date Title
Ludwig et al. The carbohydrate-insulin model of obesity: beyond “calories in, calories out”
US7137951B2 (en) Method of food and insulin dose management for a diabetic subject
St-Onge et al. Meal timing and frequency: implications for cardiovascular disease prevention: a scientific statement from the American Heart Association
Müller et al. Recent advances in understanding body weight homeostasis in humans
Ewald et al. Risk factors in adolescent hypertension
Doucet et al. Relation between appetite ratings before and after a standard meal and estimates of daily energy intake in obese and reduced obese individuals
Pejovic et al. Leptin and hunger levels in young healthy adults after one night of sleep loss
Maugeri et al. Association between eating time interval and frequency with ideal cardiovascular health: Results from a random sample Czech urban population
Schlögl et al. Energy expenditure responses to fasting and overfeeding identify phenotypes associated with weight change
Pedersen et al. How to prevent type 2 diabetes in women with previous gestational diabetes? A systematic review of behavioural interventions
US20060122468A1 (en) Nutritional counseling method and server
Bener et al. The role of vitamin D, obesity and physical exercise in regulation of glycemia in Type 2 Diabetes Mellitus patients
Vasan et al. A prospective assessment of dietary patterns in Muslim subjects with type 2 diabetes who undertake fasting during Ramadan
Lin et al. Time-restricted eating without calorie counting for weight loss in a racially diverse population: a randomized controlled trial
Booth et al. Linking performance and chronic disease risk: indices of physical performance are surrogates for health
US20170100635A1 (en) Exercise suggestion device, exercise suggestion method, and exercise suggestion program
Elbarbary Effectiveness of the low‐glucose suspend feature of insulin pump during fasting during Ramadan in type 1 diabetes mellitus
Costa et al. High sodium intake adversely affects oxidative-inflammatory response, cardiac remodelling and mortality after myocardial infarction
Kaur et al. The impact of a low glycemic index (GI) breakfast and snack on daily blood glucose profiles and food intake in young Chinese adult males
Rizk et al. Perceptions of food healthiness among free-living women
Appelhans Circulating leptin moderates the effect of stress on snack intake independent of body mass
Mayra et al. The feasibility and preliminary efficacy of early time-restricted eating on diet quality in college students: A randomized study
KR102670199B1 (ko) 건강검진 정보와 유전자 정보 기반의 뉴럴 네트워크를 이용한 당뇨 관리 서비스 방법 및 그 시스템
Marsh et al. State of the art reviews: glycemic index, obesity, and chronic disease
Sumithran et al. Combining biological and psychosocial baseline variables did not improve prediction of outcome of a very‐low‐energy diet in a clinic referral population

Legal Events

Date Code Title Description
E902 Notification of reason for refusal
AMND Amendment
E902 Notification of reason for refusal
E601 Decision to refuse application
AMND Amendment
X701 Decision to grant (after re-examination)