KR20230007090A - Bone density change prediction Apparatus based on AI and method thereof - Google Patents

Bone density change prediction Apparatus based on AI and method thereof Download PDF

Info

Publication number
KR20230007090A
KR20230007090A KR1020210087896A KR20210087896A KR20230007090A KR 20230007090 A KR20230007090 A KR 20230007090A KR 1020210087896 A KR1020210087896 A KR 1020210087896A KR 20210087896 A KR20210087896 A KR 20210087896A KR 20230007090 A KR20230007090 A KR 20230007090A
Authority
KR
South Korea
Prior art keywords
bone density
information
values
subject
learning model
Prior art date
Application number
KR1020210087896A
Other languages
Korean (ko)
Other versions
KR102654088B1 (en
Inventor
정기진
최성준
유익동
천성태
이홍창
Original Assignee
순천향대학교 산학협력단
(주)해우기술
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 순천향대학교 산학협력단, (주)해우기술 filed Critical 순천향대학교 산학협력단
Priority to KR1020210087896A priority Critical patent/KR102654088B1/en
Publication of KR20230007090A publication Critical patent/KR20230007090A/en
Application granted granted Critical
Publication of KR102654088B1 publication Critical patent/KR102654088B1/en

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
    • G16H50/20—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
    • 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
    • G16H10/00—ICT specially adapted for the handling or processing of patient-related medical or healthcare data
    • G16H10/40—ICT specially adapted for the handling or processing of patient-related medical or healthcare data for data related to laboratory analysis, e.g. patient specimen 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
    • G16H50/30—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
    • 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
    • G16H70/00—ICT specially adapted for the handling or processing of medical references
    • G16H70/40—ICT specially adapted for the handling or processing of medical references relating to drugs, e.g. their side effects or intended usage

Landscapes

  • Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Public Health (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Epidemiology (AREA)
  • Biomedical Technology (AREA)
  • Data Mining & Analysis (AREA)
  • Databases & Information Systems (AREA)
  • Pathology (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Biophysics (AREA)
  • Software Systems (AREA)
  • Computational Linguistics (AREA)
  • Evolutionary Computation (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Chemical & Material Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Medicinal Chemistry (AREA)
  • Pharmacology & Pharmacy (AREA)
  • Toxicology (AREA)
  • Measuring And Recording Apparatus For Diagnosis (AREA)

Abstract

The present invention relates to an AI-based bone density change prediction device. According to the present invention, a bone density change prediction device comprises: a collection unit that collects diagnostic information including at least one of bone density values, personal information, lifestyle information, and blood test values of patients diagnosed with osteoporosis; a learning unit that acquires a dataset using the diagnostic information as input data and the bone density value as result data, and trains a pre-built deep learning model using the obtained dataset; and a prediction unit that inputs a subject's diagnostic information into a DNN model that has completed learning and uses the deep learning model to predict the numerical value of the subject's bone density. According to the present invention, since bone density is predicted using an AI learning model, there is no need to use expensive osteoporosis testing equipment, thereby reducing the cost burden on a measurement subject and saving time for bone density photography and testing. In addition, according to the present invention, bone density can be measured using physical information and lifestyle information such as age, gender, height, and weight of the measurement subject, so anyone can easily use it, increasing accessibility. By predicting bone density levels 3 months, 6 months, or 1 year later, the present invention can help doctors make diagnosis and prescription.

Description

AI를 기반으로 하는 골밀도 변화 예측 장치 및 그 방법{Bone density change prediction Apparatus based on AI and method thereof}Bone density change prediction Apparatus based on AI and method thereof}

본 발명은 AI를 기반으로 하는 골밀도 변화 예측 장치 및 그 방법에 관한 것으로서, 더욱 상세하게 설명하면 골밀도의 변화를 예측하는 AI 모델을 설계하고, 설계된 AI 모델을 이용하여 나이, 성별, 키, 몸무게, 국적 정보에 따른 예상 골밀도 수치를 구하여 의사의 진단 및 처방에 도움을 줄 수 있도록 하는 골밀도 변화 예측 장치 및 그 방법에 관한 것이다.The present invention relates to an AI-based bone mineral density change prediction device and method thereof. An apparatus for predicting bone density change and a method for predicting bone density change, which can help a doctor diagnose and prescribe by obtaining an expected bone density value according to nationality information.

골다공증은 여러 가지 원인으로 뼈가 약해져 작은 충격에도 쉽게 골절을 발생시키는 질환이다. Osteoporosis is a disease in which bones become weak due to various causes and easily fracture even with a small impact.

골다공증은 증상이 없으므로 골밀도를 측정하여 진단한다. 일반적으로 골밀도 검사는 방사선 흡수법(DXA; Dual energy X-ray Absorptiometry)을 이용하여 골밀도를 측정하며, 세계보건기구의 골다공증 진단 기준에 따라 T-값을 이용해 진단을 내리게 된다. 부연하자면, 정상은 -1 이내, 골감소증은 -1에서 -2.5 이내, 골다공증은 -2.5 이하, 심한 골다공증은 -2.5 이하이면서 동시에 한 곳 이상의 비외상성 골절이 동반된 상태로 나타낸다. Since osteoporosis has no symptoms, it is diagnosed by measuring bone density. In general, a bone density test measures bone density using dual energy X-ray absorptiometry (DXA), and a diagnosis is made using a T-value according to the World Health Organization's criteria for diagnosing osteoporosis. To elaborate, normal is within -1, osteopenia is within -1 to -2.5, osteoporosis is below -2.5, and severe osteoporosis is below -2.5 and is accompanied by one or more non-traumatic fractures.

골다공증은 음주, 흡연과 같은 생활습과 또는 연령이 증가함에 따라 발생활률이 높아진다. 현재 초고령사회 진입을 앞두고, 골다공증이 심각한 사회 문제로 대두되고 있지만, 국내 골다공증 진단율과 약물 치료율은 매우 저조한 편이다. The incidence rate of osteoporosis increases with lifestyle habits such as drinking and smoking, or with age. Currently, ahead of entering a super-aged society, osteoporosis is emerging as a serious social problem, but the rate of diagnosis and drug treatment of osteoporosis in Korea is very low.

부연하자면, 2018년에 발표된 "골다공증 및 공다공증 골절 FACT SHEET"에 의하면 골절 발생 위험은 매년 4%씩 증가하고, 골다공증 골절 후 1년 내 사망률 또한 증가하고 있다. To elaborate, according to "Osteoporosis and Porous Fracture FACT SHEET" published in 2018, the risk of fracture increases by 4% every year, and the mortality rate within 1 year after osteoporotic fracture is also increasing.

국내 골밀도 검사비용은 2010년 330억원에서 2019년 927억원까지 급증하고 있으며, 60세 이상 환자가 전체의 78%정도를 차지하고 있다. 그러나, 국내 골다공증 진단율과 약물 치료율은 매우 저조한 편이다. 이에 학계와 의료계에서는 효과적인 골다공증 관리를 위하여 진료 환경을 개선할 수 있는 기술을 개발하고자 하였다. The cost of bone density testing in Korea is rapidly increasing from 33 billion won in 2010 to 92.7 billion won in 2019, and patients over the age of 60 account for 78% of the total. However, domestic osteoporosis diagnosis rates and drug treatment rates are very low. Accordingly, the academic and medical circles have tried to develop a technology that can improve the medical treatment environment for effective osteoporosis management.

본 발명의 배경이 되는 기술은 한국등록특허 제 10-2158197호(2020.9.21. 공고)에 개시되어 있다.The background technology of the present invention is disclosed in Korean Patent Registration No. 10-2158197 (2020.9.21. Notice).

이와 같이 본 발명에 따르면, 골밀도의 변화를 예측하는 AI 모델을 설계하고, 설계된 AI 모델을 이용하여 나이, 성별, 키, 몸무게, 국적 정보에 따른 예상 골밀도 수치를 구하여 의사의 진단 및 처방에 도움을 줄 수 있도록 하는 골밀도 변화 예측 장치 및 그 방법를 제공하기 위한 것이다.As described above, according to the present invention, an AI model that predicts changes in bone density is designed, and the predicted bone density value according to age, gender, height, weight, and nationality information is obtained using the designed AI model to help doctors diagnose and prescribe. It is to provide a bone density change prediction device and method that can be given.

이러한 기술적 과제를 이루기 위한 본 발명의 실시예에 따르면 AI를 기반으로 하는 골밀도 변화 예측 장치에 있어서, 골다공증을 진단받은 환자들의 골밀도 수치, 인적 정보, 생활 습관 정보 및 혈액검사 수치값 중에서 적어도 하나를 포함하는 진단 정보를 수집하는 수집부, 상기 진단 정보를 입력데이터로 하고, 상기 골밀도 수치를 결과데이터로 하는 데이터셋을 획득하고, 획득한 데이터셋을 이용하여 기 구축된 딥러닝 모델을 학습시키는 학습부, 그리고 피검자의 진단 정보를 학습이 완료된 딥러닝 모델에 입력하여 상기 딥러닝 모델로 하여금 피검자의 골밀도에 대한 수치값을 예측하는 예측부를 포함한다. According to an embodiment of the present invention for achieving this technical problem, in an AI-based bone density change prediction device, including at least one of bone density values, personal information, lifestyle information, and blood test numerical values of patients diagnosed with osteoporosis A collection unit that collects diagnostic information, a learning unit that acquires a dataset using the diagnostic information as input data and the bone density value as result data, and learns a previously built deep learning model using the obtained dataset. and a predictor for inputting the subject's diagnosis information to the trained deep learning model and predicting a numerical value for the subject's bone density by the deep learning model.

상기 인적 정보는, 환자의 성별, 나이 및 체중 중에서 적어도 하나를 포함하며, 상기 생활 습관 정보는, 흡연여부, 음주 여부, 신체활동, 비만, 폐경 여부, 수면 상태 및 복용중인 약 정보 중에서 적어도 하나를 포함하며, 상기 혈액검사 수치값은, 혈액칼슘, 비타민 D, 갑상선 및 부갑상선 수치, 단백질수치, 성호르몬 수치, 알칼리인산분해효소 중에서 적어도 하나를 포함할 수 있다. The personal information includes at least one of the patient's gender, age, and weight, and the lifestyle information includes at least one of smoking, drinking, physical activity, obesity, menopause, sleep status, and current medication information. The blood test numerical value may include at least one of blood calcium, vitamin D, thyroid and parathyroid gland levels, protein levels, sex hormone levels, and alkaline phosphatase.

상기 예측부는, 피검자로부터 획득한 인적 정보, 생활 습관 정보 및 혈액검사 수치값 중에서 적어도 하나를 포함하는 진단 정보를 이용하여 현재 시점에서 예측된 골밀도 수치를 출력할 수 있다. The prediction unit may output a predicted bone density value at a current point in time using diagnostic information including at least one of personal information, lifestyle information, and blood test numerical values acquired from the subject.

상기 예측부는, 출력된 골밀도 수치에 대응하여 적용 가능한 약 종류에 대한 정보를 도출하고, 상기 도출된 약을 이용하여 치료를 수행하였을 때의 골밀도 수치와 치료를 수행하지 않았을 때의 골밀도 수치를 각각 예측할 수 있다. The prediction unit derives information on applicable types of medicines corresponding to the output bone density values, and predicts the bone density values when treatment is performed and the bone density values when treatment is not performed using the derived drugs, respectively. can

상기 학습부는, 골다공증을 진단받은 환자의 골밀도 수치와, 투약하고 있는 약 정보를 포함하는 입력데이터와, 기 설정된 기간이 경과한 후의 골밀도 수치 정보를 포함하는 출력데이터를 이용하여 상기 딥러닝 모델을 더 학습시킬 수 있다. The learning unit further builds the deep learning model by using input data including bone density values of a patient diagnosed with osteoporosis and information on medications being administered, and output data including bone density value information after a predetermined period of time has elapsed. can be learned

상기 예측부는, 피검자의 골밀도 수치와, 투약하고 있는 약의 종류, 투약 기간, 하루에 투약하는 횟수를 이용하여 기 설정된 기간이 경과된 시점에서 예측되는 골밀도 수치를 출력할 수 있다. The prediction unit may output a predicted bone density value when a predetermined period elapses using the subject's bone density value, the type of drug being administered, the duration of administration, and the number of times of administration per day.

또한, 본 발명의 다른 실시예에 따르면 골밀도 변화 예측 장치를 이용한 골밀도 변화 예측 방법에 있어서, 골다공증을 진단받은 환자들의 골밀도 수치, 인적 정보, 생활 습관 정보 및 혈액검사 수치값 중에서 적어도 하나를 포함하는 진단 정보를 수집하는 단계, 상기 진단 정보를 입력데이터로 하고, 상기 골밀도 수치를 결과데이터로 하는 데이터셋을 획득하고, 획득한 데이터셋을 이용하여 기 구축된 딥러닝 모델을 학습시키는 단계, 그리고 피검자의 진단 정보를 학습이 완료된 딥러닝 모델에 입력하여 상기 딥러닝 모델로 하여금 피검자의 골밀도에 대한 수치값을 예측하는 단계를 포함한다. In addition, according to another embodiment of the present invention, in the bone density change prediction method using the bone density change prediction device, diagnosis including at least one of bone density values, personal information, lifestyle information, and blood test numerical values of patients diagnosed with osteoporosis Collecting information, acquiring a dataset having the diagnostic information as input data and the bone density value as result data, and learning a pre-built deep learning model using the obtained dataset, and and inputting diagnostic information to a deep learning model that has been trained and predicting a numerical value for bone density of the subject by the deep learning model.

이와 같이 본 발명의 실시예에 따르면, AI 학습모델을 이용하여 골밀도 수치를 예측하므로, 고가의 골다공증 검사 장비를 이용하지 않아도 되어 측정 대상자로 하여금 비용적 부담을 감소시킬 수 있으며, 골밀도 촬영 및 검사 시간에 따른 시간을 절약할 수 있다. As described above, according to an embodiment of the present invention, since the bone density value is predicted using an AI learning model, it is not necessary to use expensive osteoporosis test equipment, so the cost burden can be reduced for the measurement subject, and the time required for bone density imaging and examination is reduced. can save you time.

또한, 본 발명의 실시예에 따르면 측정 대상자의 나이, 성별, 키, 몸무게 등의 신체 정보와 생활 습관정보를 이용하여 골밀도 측정이 가능하므로 누구나 손쉽게 사용할 수 있어 접근성을 높일 수 있으며, 3개월, 6개월 또는 1년 후의 골밀도 수치를 예측하므로 의사들로 하여금 진단 및 처방하는데 도움을 줄 수 있다. In addition, according to an embodiment of the present invention, since bone density can be measured using body information such as age, gender, height, weight, and lifestyle information of a subject to be measured, anyone can use it easily and increase accessibility. It can help doctors diagnose and prescribe because it predicts bone density levels after months or a year.

도 1은 본 발명의 실시예에 따른 골밀도 변화 예측 장치에 관한 구성도이다.
도 2는 본 발명의 실시예에 따른 골밀도 변화 예측 장치를 이용한 골밀도 변화 예측 방법을 설명하기 위한 순서도이다.
도 3은 도 2에 도시된 S210단계에서 생활 습관 정보를 획득하기 위한 건강설문조사 항목을 나타내는 예시도이다.
도 4는 도 2에 도시된 S230단계에서 구축된 DNN 모델을 설명하기 위한 예시도이다.
도 5는 본 발명의 실시예에 따른 DNN 모델의 다른 예를 설명하기 위한 예시도이다. 1 is a block diagram of an apparatus for predicting changes in bone density according to an embodiment of the present invention.
2 is a flowchart illustrating a method for predicting a change in bone density using an apparatus for predicting a change in bone density according to an embodiment of the present invention.
FIG. 3 is an exemplary diagram illustrating health survey items for obtaining lifestyle information in step S210 shown in FIG. 2 .
FIG. 4 is an exemplary diagram for explaining the DNN model built in step S230 shown in FIG. 2 .
5 is an exemplary diagram for explaining another example of a DNN model according to an embodiment of the present invention.

이하 첨부된 도면을 참조하여 본 발명에 따른 바람직한 실시예를 상세히 설명하기로 한다. 이 과정에서 도면에 도시된 선들의 두께나 구성요소의 크기 등은 설명의 명료성과 편의상 과장되게 도시되어 있을 수 있다. Hereinafter, preferred embodiments according to the present invention will be described in detail with reference to the accompanying drawings. In this process, the thickness of lines or the size of components shown in the drawings may be exaggerated for clarity and convenience of explanation.

또한 후술되는 용어들은 본 발명에서의 기능을 고려하여 정의된 용어들로서, 이는 사용자, 운용자의 의도 또는 관례에 따라 달라질 수 있다. 그러므로 이러한 용어들에 대한 정의는 본 명세서 전반에 걸친 내용을 토대로 내려져야 할 것이다.In addition, terms to be described later are terms defined in consideration of functions in the present invention, which may vary according to the intention or custom of a user or operator. Therefore, definitions of these terms will have to be made based on the content throughout this specification.

이하에서는 도 1을 이용하여 본 발명의 실시예에 따른 골밀도 변화 예측 장치(100)에 대하여 더욱 상세하게 설명한다. Hereinafter, the apparatus 100 for predicting changes in bone density according to an embodiment of the present invention will be described in more detail with reference to FIG. 1 .

도 1은 본 발명의 실시예에 따른 골밀도 변화 예측 장치에 관한 구성도이다. 1 is a block diagram of an apparatus for predicting changes in bone density according to an embodiment of the present invention.

도 1에 도시된 바와 같이, 본 발명의 실시예에 따른 골밀도 변화 예측 장치(100)는 수집부(110), 학습부(120) 및 예측부(130)를 포함한다. As shown in FIG. 1 , the apparatus 100 for predicting changes in bone density according to an embodiment of the present invention includes a collection unit 110 , a learning unit 120 and a prediction unit 130 .

먼저 수집부(110)는 골다공증을 진단받은 환자에 대한 진단 정보를 수집한다. 여기서 진단 정보는 골밀도 수치, 인적 정보, 생활 습관 정보 및 혈액검사 수치값 중에서 적어도 하나를 포함한다. First, the collection unit 110 collects diagnostic information about a patient diagnosed with osteoporosis. Here, the diagnosis information includes at least one of bone density values, personal information, lifestyle information, and blood test numerical values.

그 다음, 학습부(120)는 수집된 진단 정보를 이용하여 구축된 딥러닝 모델 즉, DNN(Deep Neural Network) 모델을 학습시킨다. Next, the learning unit 120 learns a deep learning model, that is, a Deep Neural Network (DNN) model built using the collected diagnostic information.

부연하자면, 학습부(120)는 진단 정보 중에서 인적 정보, 생활 습관 정보 및 혈액검사 수치값을 입력 데이터로 하고, 골밀도 수치를 출력 데이터로 하는 데이터 셋을 생성한다. To elaborate, the learning unit 120 generates a data set using personal information, lifestyle information, and blood test numerical values as input data and bone density values as output data among diagnostic information.

그리고, 학습부(120)는 생성된 데이터셋을 DNN 모델에 입력하여 학습시킨다. Then, the learning unit 120 inputs the generated dataset to the DNN model and trains it.

마지막으로 예측부(130)는 학습이 완료된 DNN 모델에 피검자의 진단 정보를 입력하여 DNN 모델로 하여금 피검자의 골밀도에 대한 수치값을 예측하게 한다. Finally, the prediction unit 130 inputs the subject's diagnostic information to the DNN model on which learning has been completed, and causes the DNN model to predict a numerical value for the subject's bone density.

이를 다시 설명하면, 예측부(130)는 피검자의 인적 정보, 생활 습관 정보 및 혈액검사 수치값 중에서 적어도 하나를 포함하는 진단 정보를 DNN 모델에 입력한다. 그러면, DNN 모델은 입력된 진단 정보를 이용하여 현재 시점에서 예측된 골밀도 수치를 출력한다. To explain this again, the prediction unit 130 inputs diagnostic information including at least one of the subject's personal information, lifestyle information, and blood test numerical values to the DNN model. Then, the DNN model outputs a predicted bone density value at the current time point using the input diagnosis information.

그리고, 예측부(130)를 출력된 골밀도 수치에 대응하여 적용 가능한 약 종류에 대한 정보를 도출하며, 도출된 약을 이용하여 치료를 수행하였을 경우와, 치료를 수행하지 않았을 때의 경우에 예측되는 각각의 골밀도 수치를 출력한다. In addition, the prediction unit 130 derives information on the type of applicable medicine in response to the output bone density value, and predicts whether treatment is performed using the derived medicine or when treatment is not performed. Output each bone density value.

이하에서는 도 2 내지 도 5를 이용하여 골밀도 변화 예측 장치(100)를 이용한 골밀도 변화 예측 방법에 대해 더욱 상세하게 설명한다. Hereinafter, a bone density change prediction method using the bone density change predicting apparatus 100 will be described in more detail with reference to FIGS. 2 to 5 .

도 2는 본 발명의 실시예에 따른 골밀도 변화 예측 장치를 이용한 골밀도 변화 예측 방법을 설명하기 위한 순서도이고, 도 3은 도 2에 도시된 S210단계에서 생활 습관 정보를 획득하기 위한 건강설문조사 항목을 나타내는 예시도이다. Figure 2 is a flow chart for explaining a bone density change prediction method using a bone density change prediction device according to an embodiment of the present invention, Figure 3 is a health questionnaire for obtaining lifestyle information in step S210 shown in Figure 2 It is an example showing

도 2에 도시된 바와 같이, 본 발명의 실시예에 따른 골밀도 변화 예측 장치(100)는 골다공증을 진단받은 복수의 환자들의 진단 정보를 수집한다(S210). As shown in FIG. 2 , the apparatus 100 for predicting changes in bone density according to an embodiment of the present invention collects diagnostic information of a plurality of patients diagnosed with osteoporosis (S210).

수집부(110)는 특정 병원에서 기 설정된 기간 동안 치료한 골다공증 환자에 대한 차트를 이용하여 구축된 골밀도측정기(Dual Energy X-ray Absorptiometry,　DEXA) 데이터베이스에 저장된 자료를 전달받아 수집한다. The collection unit 110 receives and collects data stored in a bone density measuring instrument (Dual Energy X-ray Absorptiometry, 　DEXA) database built using a chart for osteoporosis patients treated for a predetermined period at a specific hospital.

이를 다시 설명하면, 수집부(110)는 환자의 나이, 성별, 키, 몸무게, 국적 정보 및 기존 검사된 골밀도 데이터가 저장된 DEXA 데이터베이스로부터 진단정보를 전달받아 수집할 수도 있다. To explain this again, the collection unit 110 may receive and collect diagnosis information from the DEXA database in which the patient's age, gender, height, weight, nationality information, and previously examined bone density data are stored.

여기서 진단 정보는 환자들의 골밀도 수치, 인적 정보, 생활 습관 정보 및 혈액검사 수치값 중에서 적어도 하나를 포함하며, 인적 정보는 환자의 성별, 나이 및 체중 중에서 적어도 하나를 포함한다. Here, the diagnostic information includes at least one of the patient's bone mineral density, personal information, lifestyle information, and blood test numerical value, and the personal information includes at least one of the patient's sex, age, and weight.

또한, 생활 습관 정보는 흡연여부, 음주 여부, 신체활동, 비만, 폐경 여부, 수면 상태 및 복용중인 약 정보 중에서 적어도 하나를 포함하고, 혈액검사 수치값은 혈액칼슘, 비타민 D, 갑상선 및 부갑상선 수치, 단백질수치, 성호르몬 수치, 알칼리인산분해효소 중에서 적어도 하나를 포함한다. In addition, the lifestyle information includes at least one of smoking status, drinking status, physical activity, obesity, menopause status, sleep status, and information on medications being taken, and blood test values include blood calcium, vitamin D, thyroid and parathyroid levels, It includes at least one of protein levels, sex hormone levels, and alkaline phosphatase.

한편, 도 3에 도시된 바와 같이, 생활 습관 정보는 질병관리 본부에서 발간되는 국민건강영양조사를 바탕으로 획득할 수 있다. On the other hand, as shown in Figure 3, lifestyle information can be obtained based on the National Health and Nutrition Survey published by the Centers for Disease Control and Prevention.

S210단계가 완료되면, 학습부(120)는 수집된 진단정보를 이용하여 데이터 셋을 생성한다(S220).When step S210 is completed, the learning unit 120 creates a data set using the collected diagnostic information (S220).

부연하자면, 학습부(120)는 복수의 골다공증 환자로부터 획득한 진단 정보를 이용하여 연령별, 성별 및 생활 습관 별로 분류한다. 그 다음, 학습부(120)는 분류된 복수의 진단 정보로부터 무작위로 추출한 데이터 셋을 획득한다. To elaborate, the learning unit 120 classifies by age, sex, and lifestyle by using diagnostic information obtained from a plurality of osteoporosis patients. Then, the learning unit 120 obtains a data set randomly extracted from the classified plurality of diagnosis information.

이때, 데이터 셋은 인적 정보, 생활 습관 정보 및 혈액검사 수치값 중에서 적어도 하나를 입력 데이터로 구성되고, 환자들의 골밀도 수치를 출력 데이터로 구성된다. In this case, the data set includes at least one of personal information, lifestyle information, and blood test numerical values as input data, and includes patients' bone density values as output data.

그 다음, 학습부(120)는 획득한 데이터셋을 기 구축된 DNN 모델에 입력하여, DNN 모델을 학습시킨다(S230).Next, the learning unit 120 inputs the obtained dataset to the pre-built DNN model to learn the DNN model (S230).

도 4는 도 2에 도시된 S230단계에서 구축된 DNN 모델을 설명하기 위한 예시도이다. FIG. 4 is an exemplary diagram for explaining the DNN model built in step S230 shown in FIG. 2 .

도 4에 도시된 바와 같이, DNN 모델은 입력층과 출력층 사이에 다수의 은닉층을 포함하며, 입력 데이터와 출력 데이터를 이용하여 지도 학습된다. 즉, DNN 모델은 인적 정보, 생활 습관 정보 및 혈액검사 수치값 중에서 적어도 하나를 입력받을 경우에 그에 대응하는 골밀도 수치값을 출력한다. As shown in FIG. 4, the DNN model includes a plurality of hidden layers between an input layer and an output layer, and is supervised using input data and output data. That is, the DNN model outputs a bone density numerical value corresponding to at least one of personal information, lifestyle information, and blood test numerical value.

S230단계에서 DNN 모델의 학습이 완료되면, 골밀도 변화 예측 장치(100)는 피검자로부터 진단 정보를 입력받는다(S240).When learning of the DNN model is completed in step S230, the apparatus 100 for predicting changes in bone density receives diagnostic information from the subject (S240).

이때 피검자로부터 입력받은 진단 정보는 인적 정보, 생활 습관 정보 및 혈액검사 수치값 중에서 적어도 하나를 포함한다. At this time, the diagnostic information input from the examinee includes at least one of personal information, lifestyle information, and blood test numerical values.

이를 다시 설명하면, 검사자는 사용자 단말을 통해 피검자의 인적 사항과, 생활 습관 등을 입력한다. 이때, 생활 습관 정보는 질병관리청에서 제공하는 국민 건강영양조사에 따른 항목에 따라 작성된 정보를 나타낸다. 또한, 검사자는 피검자에 대한 혈액검사 수치값을 입력할 수도 있다. In other words, the examiner inputs the examinee's personal information, lifestyle, and the like through the user terminal. At this time, the lifestyle information represents information prepared according to items according to the national health and nutrition survey provided by the Korea Centers for Disease Control and Prevention. In addition, the examiner may input a blood test numerical value for the test subject.

그리고 입력된 진단 정보는 DNN 모델에 입력되며, DNN 모델은 입력된 진단 정보를 이용하여 현재 시점에서의 피검자에 대한 골밀도 수치값을 예측한다(S250).Then, the input diagnostic information is input to the DNN model, and the DNN model predicts a bone mineral density value for the subject at the current time point using the input diagnostic information (S250).

예측부(130)는 검사자로부터 입력된 피검자의 진단 정보를 획득하고, 획득한 진단 정보를 학습이 완료된 DNN 모델에 입력한다. The prediction unit 130 obtains the diagnostic information of the subject input from the examiner, and inputs the obtained diagnostic information to the DNN model that has been trained.

그러면, DNN 모델은 인적 정보, 생활 습관 정보 및 혈액검사 수치값 중에서 적어도 하나의 정보로부터 골밀도에 대한 수치값을 예측한다. Then, the DNN model predicts a numerical value for bone density from at least one of personal information, lifestyle information, and blood test numerical value.

그 다음, 예측부(130)는 출력된 골밀도에 대한 수치값에 대응하여 복용 가능한 약 또는 치료 정보를 출력한다(S260). Next, the prediction unit 130 outputs information on medications or treatments that can be taken in response to the output numerical value of the bone density (S260).

부연하자면, 본 발명의 실시예에 따른 골밀도 변화 예측 장치(100)는 골다공증 환자들에게 투약 가능한 약에 대한 종류 및 골다공증 환자에게 약을 투약했을 때의 골밀도 수치 변화와 약을 투약하지 않았을 때의 골밀도 수치 변화를 획득한다. To elaborate, the apparatus 100 for predicting changes in bone density according to an embodiment of the present invention measures the types of medicines that can be administered to osteoporosis patients, changes in bone density when the medicine is administered to osteoporosis patients, and bone density when the medicine is not administered to the osteoporosis patients. Acquire numerical change.

그 다음, 골밀도 변화 예측 장치(100)는 획득한 투약 가능한 약에 대한 종류와 치료 여부에 따른 골밀도 수치 변화를 DNN 모델에 입력하여 학습시킨다. 자세히는, 골밀도 변화 예측 장치(100)는 골밀도 수치값을 입력데이터로 하고, 투약 가능한 약에 대한 종류와 치료 여부에 따른 골밀도 수치값을 출력데이터로 하는 데이터셋을 생성한다. 그 다음, 골밀도 변화 예측 장치(100)는 생성된 데이터셋을 DNN 모델에 입력하여 학습시킨다.Next, the apparatus for predicting changes in bone density 100 inputs and learns changes in bone density values depending on the type of the acquired medication and treatment or not into the DNN model. In detail, the apparatus 100 for predicting changes in bone density generates a dataset having numerical values of bone density as input data and numerical values of bone density according to types of medicines that can be administered and treatment or not as output data. Then, the apparatus 100 for predicting changes in bone density inputs the generated data set to a DNN model and trains it.

DNN 모델에 대한 학습이 완료되면, 예측부(130)는 S250단계에서 예측된 골밀도에 대한 수치값을 DNN 모델에 입력한다. 그러면, DNN 모델은 입력된 골밀도에 대한 수치값에 대응하여 투약 가능한 약 종류를 출력한다. 또한, DNN 모델은 출력된 약 종류를 투약하여 치료를 수행하였을 때에 획득할 수 있는 골밀도에 대한 수치값과, 치료를 수행하지 않았을 때에 획득할 수 있는 골밀도에 대한 수치값을 각각 예측하여 출력한다. When learning of the DNN model is completed, the prediction unit 130 inputs a numerical value for the predicted bone mineral density to the DNN model in step S250. Then, the DNN model outputs the types of medicines that can be administered in response to the input numerical value of the bone density. In addition, the DNN model predicts and outputs a numerical value for bone density that can be obtained when treatment is performed by administering the output type of drug and a numerical value for bone density that can be obtained when no treatment is performed, respectively.

본 발명의 실시예에 따른 골밀도 변화 예측 장치(100)는 골다공증 검사 장비(Dexa)를 이용하지 않더라도 피검자의 진단 정보를 이용하여 피검자의 골밀도에 대한 수치값을 출력한다. 그러면, 검사자는 출력된 골밀도에 대한 수치값을 이용하여 피검자에게 실질적으로 골밀도 검사를 받도록 유도한다. The apparatus 100 for predicting changes in bone density according to an embodiment of the present invention outputs a numerical value for the subject's bone density by using the subject's diagnosis information even without using the osteoporosis test equipment (Dexa). Then, the examiner induces the examinee to actually undergo a bone density test by using the output numerical value of the bone density.

한편, 피검자가 골다공증을 진단받은 환자일 경우, 골밀도 변화 예측 장치(100)는 현재 시점에서 측정된 피검자의 골밀도 수치와 투약하고 있는 약 정보를 이용하여 기 설정된 기간이 경과한 후의 골밀도를 예측할 수도 있다. On the other hand, if the subject is a patient diagnosed with osteoporosis, the bone density change predicting apparatus 100 may predict the bone density after a predetermined period of time has elapsed by using the subject's bone density value measured at the current point in time and information on the medication being administered. .

부연하자면, 수집부(110)는 골다공증을 진단받은 환자의 골밀도 수치와, 투약하고 있는 약 정보를 수집한다. 여기서 약 정보는 투약하고 있는 약의 종류, 투약 기간, 하루에 투약하는 횟수 중에서 적어도 하나를 포함한다. To elaborate, the collection unit 110 collects the bone density value of a patient diagnosed with osteoporosis and information on medications being administered. Here, the medicine information includes at least one of the type of medicine being administered, the administration period, and the number of times of administration per day.

그리고, 수집된 골밀도 수치 및 약 정보는 DNN 모델에 입력된다. Then, the collected bone density values and drug information are input to the DNN model.

도 5은 본 발명의 실시예에 따른 DNN 모델의 다른 예를 설명하기 위한 예시도이다. 5 is an exemplary diagram for explaining another example of a DNN model according to an embodiment of the present invention.

도 5에 도시된 바와 같이, 학습부(120)는 골밀도 수치 및 약 정보를 입력데이터로 하고, 기 설정된 기간이 결과한 후의 골밀도 수치를 출력데이터로 하여 DNN 모델을 학습시킨다. As shown in FIG. 5 , the learning unit 120 trains the DNN model by taking bone density values and medicine information as input data and using bone density values after a predetermined period of time as output data.

이때, 기 설정된 기간은 1개월, 3개월, 6개월 중에서 적어도 하나일 수도 있고, 6개월 이상일 수도 이다. In this case, the preset period may be at least one of 1 month, 3 months, and 6 months, or may be 6 months or more.

학습이 완료되면, 예측부(130)는 피검자의 골밀도 수치 및 약 정보를 DNN 모델에 입력하여 기 설정된 기간이 경과된 후에 예측된 골밀도에 대한 수치값을 획득한다. When the learning is completed, the prediction unit 130 inputs the subject's bone density value and drug information to the DNN model to obtain a numerical value for the predicted bone density after a predetermined period has elapsed.

검사자는 기 설정된 기간이 경과된 후의 골밀도에 대한 수치값을 이용하여 피검자로 하여금 올바른 투약 및 관리를 유도한다. The examiner induces the examinee to take correct medication and management by using the numerical value of the bone density after a predetermined period has elapsed.

이와 같이 본 발명의 실시예에 따른 골밀도 변화 예측 장치는 AI 학습모델을 이용하여 골밀도 수치를 예측하므로, 고가의 골다공증 검사 장비를 이용하지 않아도 되어 측정 대상자로 하여금 비용적 부담을 감소시킬 수 있으며, 골밀도 촬영 및 검사 시간에 따른 시간을 절약할 수 있다. As described above, since the bone density change prediction device according to an embodiment of the present invention predicts the bone density value using an AI learning model, it is not necessary to use expensive osteoporosis test equipment, and the cost burden can be reduced for the measurement subject, and the bone density Time can be saved according to shooting and inspection time.

또한, 본 발명의 실 실시예에 따른 골밀도 변화 예측 장치는 대상자의 나이, 성별, 키, 몸무게 등의 신체 정보와 생활 습관정보를 이용하여 골밀도 측정이 가능하므로 누구나 손쉽게 사용할 수 있어 접근성을 높일 수 있으며, 3개월, 6개월 또는 1년 후의 골밀도 수치를 예측하므로 의사들로 하여금 진단 및 처방하는데 도움을 줄 수 있다. In addition, the apparatus for predicting changes in bone density according to an embodiment of the present invention can measure bone density by using body information such as age, sex, height, and weight of a subject and lifestyle information, so anyone can easily use it, thereby increasing accessibility. , it predicts the BMD level after 3 months, 6 months or 1 year, so it can help doctors diagnose and prescribe.

본 발명은 도면에 도시된 실시예를 참고로 하여 설명되었으나 이는 예시적인 것에 불과하며, 당해 기술이 속하는 분야에서 통상의 지식을 가진 자라면 이로부터 다양한 변형 및 균등한 타 실시예가 가능하다는 점을 이해할 것이다. 따라서 본 발명의 진정한 기술적 보호범위는 아래의 특허청구범위의 기술적 사상에 의하여 정해져야 할 것이다.Although the present invention has been described with reference to the embodiments shown in the drawings, this is only exemplary, and those skilled in the art will understand that various modifications and equivalent other embodiments are possible therefrom. will be. Therefore, the true technical protection scope of the present invention should be determined by the technical spirit of the claims below.

100: 골밀도 변화 예측 장치
110 : 수집부
120 : 학습부
130 : 예측부100: bone density change prediction device
110: collection unit
120: learning unit
130: prediction unit

Claims (12)

AI를 기반으로 하는 골밀도 변화 예측 장치에 있어서,
골다공증을 진단받은 환자들의 골밀도 수치, 인적 정보, 생활 습관 정보 및 혈액검사 수치값 중에서 적어도 하나를 포함하는 진단 정보를 수집하는 수집부,
상기 진단 정보를 입력데이터로 하고, 상기 골밀도 수치를 결과데이터로 하는 데이터셋을 획득하고, 획득한 데이터셋을 이용하여 기 구축된 딥러닝 모델을 학습시키는 학습부, 그리고
피검자의 진단 정보를 학습이 완료된 딥러닝 모델에 입력하여 상기 딥러닝 모델로 하여금 피검자의 골밀도에 대한 수치값을 예측하는 예측부를 포함하는 골밀도 변화 예측 장치.In the AI-based bone density change prediction device,
A collection unit that collects diagnostic information including at least one of bone density values, personal information, lifestyle information, and blood test values of patients diagnosed with osteoporosis;
A learning unit that obtains a dataset having the diagnostic information as input data and the bone density value as result data, and learns a pre-built deep learning model using the obtained dataset; and
A bone density change prediction apparatus comprising a predictor for inputting diagnostic information of the subject to a deep learning model that has been trained and predicting a numerical value of the subject's bone density by the deep learning model. 제1항에 있어서,
상기 인적 정보는,
환자의 성별, 나이 및 체중 중에서 적어도 하나를 포함하며,
상기 생활 습관 정보는,
흡연여부, 음주 여부, 신체활동, 비만, 폐경 여부, 수면 상태 및 복용중인 약 정보 중에서 적어도 하나를 포함하며,
상기 혈액검사 수치값은,
혈액칼슘, 비타민 D, 갑상선 및 부갑상선 수치, 단백질수치, 성호르몬 수치, 알칼리인산분해효소 중에서 적어도 하나를 포함하는 골밀도 변화 예측 장치.According to claim 1,
The personal information is
Including at least one of the patient's gender, age and weight,
The lifestyle information,
It includes at least one of smoking status, drinking status, physical activity, obesity, menopausal status, sleep status, and current medication information,
The blood test numerical value,
An apparatus for predicting changes in bone density comprising at least one of blood calcium, vitamin D, thyroid and parathyroid gland levels, protein levels, sex hormone levels, and alkaline phosphatase. 제1항에 있어서,
상기 예측부는,
피검자로부터 획득한 인적 정보, 생활 습관 정보 및 혈액검사 수치값 중에서 적어도 하나를 포함하는 진단 정보를 이용하여 현재 시점에서 예측된 골밀도 수치를 출력하는 골밀도 변화 예측 장치.According to claim 1,
The prediction unit,
A bone density change prediction device that outputs a predicted bone density value at a current point in time using diagnostic information including at least one of personal information, lifestyle information, and blood test numerical values obtained from a subject. 제3항에 있어서,
상기 예측부는,
출력된 골밀도 수치에 대응하여 적용 가능한 약 종류에 대한 정보를 도출하고, 상기 도출된 약을 이용하여 치료를 수행하였을 때의 골밀도 수치와 치료를 수행하지 않았을 때의 골밀도 수치를 각각 예측하는 골밀도 변화 예측 장치.According to claim 3,
The prediction unit,
Bone density change prediction that derives information on applicable types of drugs in response to the output bone density values and predicts the bone density values when treatment is performed using the derived drugs and the bone density values when treatment is not performed, respectively. Device. 제1항에 있어서,
상기 학습부는,
골다공증을 진단받은 환자의 골밀도 수치와, 투약하고 있는 약 정보를 포함하는 입력데이터와, 기 설정된 기간이 경과한 후의 골밀도 수치 정보를 포함하는 출력데이터를 이용하여 상기 딥러닝 모델을 더 학습시키는 골밀도 변화 예측 장치.According to claim 1,
The learning unit,
Bone density change that further trains the deep learning model using input data including bone density values of a patient diagnosed with osteoporosis and information on medications being administered, and output data including bone density value information after a predetermined period of time has elapsed prediction device. 제5항에 있어서,
상기 예측부는,
피검자의 골밀도 수치와, 투약하고 있는 약의 종류, 투약 기간, 하루에 투약하는 횟수를 이용하여 기 설정된 기간이 경과된 시점에서 예측되는 골밀도 수치를 출력하는 골밀도 변화 예측 장치.According to claim 5,
The prediction unit,
An apparatus for predicting changes in bone density that outputs a predicted bone density value when a predetermined period of time has elapsed by using the subject's bone density value, the type of drug being administered, the duration of administration, and the number of times of administration per day. 골밀도 변화 예측 장치를 이용한 골밀도 변화 예측 방법에 있어서,
골다공증을 진단받은 환자들의 골밀도 수치, 인적 정보, 생활 습관 정보 및 혈액검사 수치값 중에서 적어도 하나를 포함하는 진단 정보를 수집하는 단계,
상기 진단 정보를 입력데이터로 하고, 상기 골밀도 수치를 결과데이터로 하는 데이터셋을 획득하고, 획득한 데이터셋을 이용하여 기 구축된 딥러닝 모델을 학습시키는 단계, 그리고
피검자의 진단 정보를 학습이 완료된 딥러닝 모델에 입력하여 상기 딥러닝 모델로 하여금 피검자의 골밀도에 대한 수치값을 예측하는 단계를 포함하는 골밀도 변화 예측 방법.In the bone density change prediction method using the bone density change prediction device,
Collecting diagnostic information including at least one of bone density values, personal information, lifestyle information, and blood test values of patients diagnosed with osteoporosis;
Acquiring a dataset having the diagnostic information as input data and the bone density value as result data, and learning a pre-built deep learning model using the obtained dataset; and
A method for predicting changes in bone density, comprising: inputting diagnostic information of the subject to a deep learning model that has been trained, and predicting a numerical value of bone density of the subject by the deep learning model. 제7항에 있어서,
상기 인적 정보는,
환자의 성별, 나이 및 체중 중에서 적어도 하나를 포함하며,
상기 생활 습관 정보는
흡연여부, 음주 여부, 신체활동, 비만, 폐경 여부, 수면 상태 및 복용중인 약 정보 중에서 적어도 하나를 포함하며, 상기 혈액검사 수치값은,
혈액칼슘, 비타민 D, 갑상선 및 부갑상선 수치, 단백질수치, 성호르몬 수치, 알칼리인산분해효소 중에서 적어도 하나를포함하는 골밀도 변화 예측 방법.According to claim 7,
The personal information is
Including at least one of the patient's gender, age and weight,
lifestyle information
It includes at least one of smoking status, drinking status, physical activity, obesity, menopause status, sleep status, and information on medications being taken, and the blood test numerical value,
A method for predicting changes in bone density comprising at least one of blood calcium, vitamin D, thyroid and parathyroid gland levels, protein levels, sex hormone levels, and alkaline phosphatase. 제7항에 있어서,
상기 골밀도에 대한 수치값을 예측하는 단계는,
피검자로부터 획득한 인적 정보, 생활 습관 정보 및 혈액검사 수치값 중에서 적어도 하나를 포함하는 진단 정보를 이용하여 현재 시점에서 예측된 골밀도 수치를 출력하는 골밀도 변화 예측 방법.According to claim 7,
Predicting the numerical value for the bone density,
A bone density change prediction method for outputting a predicted bone density value at a current point in time using diagnostic information including at least one of personal information, lifestyle information, and blood test numerical values obtained from a subject. 제9항에 있어서,
상기 골밀도에 대한 수치값을 예측하는 단계는,
출력된 골밀도 수치에 대응하여 적용 가능한 약 종류에 대한 정보를 도출하고, 상기 도출된 약을 이용하여 치료를 수행하였을 때의 골밀도 수치와 치료를 수행하지 않았을 때의 골밀도 수치를 각각 예측하는 골밀도 변화 예측 방법.According to claim 9,
Predicting the numerical value for the bone density,
Bone density change prediction that derives information on applicable types of drugs in response to the output bone density values and predicts the bone density values when treatment is performed using the derived drugs and the bone density values when treatment is not performed, respectively. Way. 제7항에 있어서,
상기 딥러닝 모델을 학습시키는 단계는,
골다공증을 진단받은 환자의 골밀도 수치와, 투약하고 있는 약 정보를 포함하는 입력데이터와, 기 설정된 기간이 경과한 후의 골밀도 수치 정보를 포함하는 출력데이터를 이용하여 상기 딥러닝 모델을 더 학습시키는 골밀도 변화 예측 방법.According to claim 7,
The step of learning the deep learning model,
Bone density change that further trains the deep learning model using input data including bone density values of a patient diagnosed with osteoporosis and information on medications being administered, and output data including bone density value information after a predetermined period of time has elapsed prediction method. 제11항에 있어서,
상기 골밀도에 대한 수치값을 예측하는 단계는,
피검자의 골밀도 수치와, 투약하고 있는 약의 종류, 투약 기간, 하루에 투약하는 횟수를 이용하여 기 설정된 기간이 경과된 시점에서 예측되는 골밀도 수치를 출력하는 골밀도 변화 예측 방법.According to claim 11,
Predicting the numerical value for the bone density,
A bone density change prediction method for outputting a predicted bone density value at the time when a predetermined period has elapsed using the subject's bone density value, the type of drug being administered, the duration of administration, and the number of times of administration per day.
KR1020210087896A 2021-07-05 2021-07-05 Bone density change prediction Apparatus based on AI and method thereof KR102654088B1 (en)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020210087896A KR102654088B1 (en) 2021-07-05 2021-07-05 Bone density change prediction Apparatus based on AI and method thereof

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020210087896A KR102654088B1 (en) 2021-07-05 2021-07-05 Bone density change prediction Apparatus based on AI and method thereof

Publications (2)

Publication Number Publication Date
KR20230007090A true KR20230007090A (en) 2023-01-12
KR102654088B1 KR102654088B1 (en) 2024-04-04

Family

ID=84923636

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020210087896A KR102654088B1 (en) 2021-07-05 2021-07-05 Bone density change prediction Apparatus based on AI and method thereof

Country Status (1)

Country Link
KR (1) KR102654088B1 (en)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102625827B1 (en) 2023-06-23 2024-01-15 주식회사 메디에이지 Apparatus and method for predicting biological age by analyzing aging index through artificial intelligence

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2020054738A1 (en) * 2018-09-10 2020-03-19 京セラ株式会社 Estimation device, estimation system, and estimation program
US20210015421A1 (en) * 2019-07-16 2021-01-21 16 Bit Inc. Systems and Methods for Approximating Bone Mineral Density and Fracture Risk using Single Energy X-Rays

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2020054738A1 (en) * 2018-09-10 2020-03-19 京セラ株式会社 Estimation device, estimation system, and estimation program
US20210015421A1 (en) * 2019-07-16 2021-01-21 16 Bit Inc. Systems and Methods for Approximating Bone Mineral Density and Fracture Risk using Single Energy X-Rays

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102625827B1 (en) 2023-06-23 2024-01-15 주식회사 메디에이지 Apparatus and method for predicting biological age by analyzing aging index through artificial intelligence

Also Published As

Publication number Publication date
KR102654088B1 (en) 2024-04-04

Similar Documents

Publication Publication Date Title
Spartano et al. Association of accelerometer-measured light-intensity physical activity with brain volume: the framingham heart study
Koton et al. Association of ischemic stroke incidence, severity, and recurrence with dementia in the atherosclerosis risk in communities cohort study
Mallee et al. Computed tomography versus magnetic resonance imaging versus bone scintigraphy for clinically suspected scaphoid fractures in patients with negative plain radiographs
McGowan et al. Presynaptic dopaminergic dysfunction in schizophrenia: a positron emission tomographic [18F] fluorodopa study
Kerlikowske et al. Strategies to identify women at high risk of advanced breast cancer during routine screening for discussion of supplemental imaging
JP2007524461A (en) Mammography automatic diagnosis and decision support system and method
Emick et al. Repeat imaging in trauma transfers: a retrospective analysis of computed tomography scans repeated upon arrival to a level I trauma center
Sheppard et al. Levothyroxine treatment and occurrence of fracture of the hip
JP6585869B1 (en) Method, information processing apparatus, and computer program for predicting future bone mass
Na et al. Opportunistic osteoporosis screening via the measurement of frontal skull Hounsfield units derived from brain computed tomography images
Kraus et al. Disc displacement without reduction with limited opening: A clinical diagnostic accuracy study
JP7161688B2 (en) Post-surgery infection prediction device, post-surgery infection prediction device production method, post-surgery infection prediction method and program
Louis et al. Association of initial provider type on opioid fills for individuals with neck pain
Mackie et al. Quantitative bone imaging biomarkers and joint space analysis of the articular Fossa in temporomandibular joint osteoarthritis using artificial intelligence models
KR20230007090A (en) Bone density change prediction Apparatus based on AI and method thereof
Secrist et al. Depression screening and behavioral health integration in musculoskeletal trauma care
JP2011138376A (en) Diagnosis support system
Gold Osteoporosis and quality of life: psychosocial outcomes and interventions for individual patients
Aspberg et al. Estimating the length of the preclinical detectable phase for open-angle glaucoma
JP2009009396A (en) Medical examination information management system and management method
Le Bel et al. Impact of emergency physician experience on decision-making in patients with suspected community-acquired pneumonia and undergoing systematic thoracic CT scan
JP2022118244A (en) Severity degree evaluation device and model generation device
McLachlan et al. Association Between False Memories and Delusions in Alzheimer Disease
JP7526634B2 (en) Dose planning support device and dose planning support system
US11721421B2 (en) Pharmaceutical dispensing system

Legal Events

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