KR20230011163A - 중성구 수치 회복 예측방법 및 그 장치 - Google Patents
중성구 수치 회복 예측방법 및 그 장치 Download PDFInfo
- Publication number
- KR20230011163A KR20230011163A KR1020210091854A KR20210091854A KR20230011163A KR 20230011163 A KR20230011163 A KR 20230011163A KR 1020210091854 A KR1020210091854 A KR 1020210091854A KR 20210091854 A KR20210091854 A KR 20210091854A KR 20230011163 A KR20230011163 A KR 20230011163A
- Authority
- KR
- South Korea
- Prior art keywords
- artificial intelligence
- data
- intelligence model
- neutrophil count
- treatment data
- Prior art date
Links
- 210000000440 neutrophil Anatomy 0.000 title claims abstract description 114
- 238000000034 method Methods 0.000 title claims abstract description 62
- 238000011084 recovery Methods 0.000 title claims abstract description 60
- 238000013473 artificial intelligence Methods 0.000 claims abstract description 152
- 238000011394 anticancer treatment Methods 0.000 claims abstract description 132
- 238000007781 pre-processing Methods 0.000 claims abstract description 33
- 230000001093 anti-cancer Effects 0.000 claims description 34
- 210000004698 lymphocyte Anatomy 0.000 claims description 15
- 230000008859 change Effects 0.000 claims description 14
- 230000006870 function Effects 0.000 claims description 14
- 238000004590 computer program Methods 0.000 claims description 2
- 238000003860 storage Methods 0.000 claims description 2
- 238000011282 treatment Methods 0.000 description 19
- 238000004891 communication Methods 0.000 description 14
- 239000002246 antineoplastic agent Substances 0.000 description 13
- 210000000265 leukocyte Anatomy 0.000 description 12
- 230000008569 process Effects 0.000 description 12
- 229940041181 antineoplastic drug Drugs 0.000 description 11
- 238000012545 processing Methods 0.000 description 8
- 238000010586 diagram Methods 0.000 description 6
- 230000001788 irregular Effects 0.000 description 6
- 238000012360 testing method Methods 0.000 description 6
- 102000004269 Granulocyte Colony-Stimulating Factor Human genes 0.000 description 5
- 108010017080 Granulocyte Colony-Stimulating Factor Proteins 0.000 description 5
- 206010028980 Neoplasm Diseases 0.000 description 5
- 201000011510 cancer Diseases 0.000 description 5
- 230000000694 effects Effects 0.000 description 5
- 230000036541 health Effects 0.000 description 5
- 238000011160 research Methods 0.000 description 5
- BPYKTIZUTYGOLE-IFADSCNNSA-N Bilirubin Chemical compound N1C(=O)C(C)=C(C=C)\C1=C\C1=C(C)C(CCC(O)=O)=C(CC2=C(C(C)=C(\C=C/3C(=C(C=C)C(=O)N\3)C)N2)CCC(O)=O)N1 BPYKTIZUTYGOLE-IFADSCNNSA-N 0.000 description 4
- 238000001647 drug administration Methods 0.000 description 4
- 231100000419 toxicity Toxicity 0.000 description 4
- 230000001988 toxicity Effects 0.000 description 4
- 238000013135 deep learning Methods 0.000 description 3
- 210000003743 erythrocyte Anatomy 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 230000001629 suppression Effects 0.000 description 3
- 238000012549 training Methods 0.000 description 3
- 208000035143 Bacterial infection Diseases 0.000 description 2
- 102000001554 Hemoglobins Human genes 0.000 description 2
- 108010054147 Hemoglobins Proteins 0.000 description 2
- 208000022362 bacterial infectious disease Diseases 0.000 description 2
- 210000004369 blood Anatomy 0.000 description 2
- 239000008280 blood Substances 0.000 description 2
- 210000001185 bone marrow Anatomy 0.000 description 2
- HVYWMOMLDIMFJA-DPAQBDIFSA-N cholesterol Chemical compound C1C=C2C[C@@H](O)CC[C@]2(C)[C@@H]2[C@@H]1[C@@H]1CC[C@H]([C@H](C)CCCC(C)C)[C@@]1(C)CC2 HVYWMOMLDIMFJA-DPAQBDIFSA-N 0.000 description 2
- 238000007796 conventional method Methods 0.000 description 2
- DDRJAANPRJIHGJ-UHFFFAOYSA-N creatinine Chemical compound CN1CC(=O)NC1=N DDRJAANPRJIHGJ-UHFFFAOYSA-N 0.000 description 2
- 238000007418 data mining Methods 0.000 description 2
- 230000036039 immunity Effects 0.000 description 2
- 210000001237 metamyelocyte Anatomy 0.000 description 2
- 210000001616 monocyte Anatomy 0.000 description 2
- 210000003887 myelocyte Anatomy 0.000 description 2
- 208000024891 symptom Diseases 0.000 description 2
- TVEXGJYMHHTVKP-UHFFFAOYSA-N 6-oxabicyclo[3.2.1]oct-3-en-7-one Chemical compound C1C2C(=O)OC1C=CC2 TVEXGJYMHHTVKP-UHFFFAOYSA-N 0.000 description 1
- 102000009027 Albumins Human genes 0.000 description 1
- 108010088751 Albumins Proteins 0.000 description 1
- 206010065553 Bone marrow failure Diseases 0.000 description 1
- 102000006395 Globulins Human genes 0.000 description 1
- 108010044091 Globulins Proteins 0.000 description 1
- WQZGKKKJIJFFOK-GASJEMHNSA-N Glucose Natural products OC[C@H]1OC(O)[C@H](O)[C@@H](O)[C@@H]1O WQZGKKKJIJFFOK-GASJEMHNSA-N 0.000 description 1
- ZLMJMSJWJFRBEC-UHFFFAOYSA-N Potassium Chemical compound [K] ZLMJMSJWJFRBEC-UHFFFAOYSA-N 0.000 description 1
- 206010040047 Sepsis Diseases 0.000 description 1
- LEHOTFFKMJEONL-UHFFFAOYSA-N Uric Acid Chemical compound N1C(=O)NC(=O)C2=C1NC(=O)N2 LEHOTFFKMJEONL-UHFFFAOYSA-N 0.000 description 1
- TVWHNULVHGKJHS-UHFFFAOYSA-N Uric acid Natural products N1C(=O)NC(=O)C2NC(=O)NC21 TVWHNULVHGKJHS-UHFFFAOYSA-N 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000009825 accumulation Methods 0.000 description 1
- 210000001565 alc Anatomy 0.000 description 1
- 210000003651 basophil Anatomy 0.000 description 1
- 210000000601 blood cell Anatomy 0.000 description 1
- 238000009534 blood test Methods 0.000 description 1
- 210000004027 cell Anatomy 0.000 description 1
- 238000002512 chemotherapy Methods 0.000 description 1
- 235000012000 cholesterol Nutrition 0.000 description 1
- 229940109239 creatinine Drugs 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000013503 de-identification Methods 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 210000003979 eosinophil Anatomy 0.000 description 1
- 239000008103 glucose Substances 0.000 description 1
- 238000005534 hematocrit Methods 0.000 description 1
- 210000003958 hematopoietic stem cell Anatomy 0.000 description 1
- 208000015181 infectious disease Diseases 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 210000004180 plasmocyte Anatomy 0.000 description 1
- 229910052700 potassium Inorganic materials 0.000 description 1
- 239000011591 potassium Substances 0.000 description 1
- 238000004393 prognosis Methods 0.000 description 1
- 210000004765 promyelocyte Anatomy 0.000 description 1
- 102000004169 proteins and genes Human genes 0.000 description 1
- 108090000623 proteins and genes Proteins 0.000 description 1
- 230000003252 repetitive effect Effects 0.000 description 1
- 210000001995 reticulocyte Anatomy 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000000060 site-specific infrared dichroism spectroscopy Methods 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 239000000758 substrate Substances 0.000 description 1
- 230000001502 supplementing effect Effects 0.000 description 1
- 229940116269 uric acid Drugs 0.000 description 1
- 238000010200 validation analysis Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/50—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
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
- G01N33/48—Biological material, e.g. blood, urine; Haemocytometers
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
- G06N20/20—Ensemble learning
-
- 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
- G16H20/00—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/70—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for mining of medical data, e.g. analysing previous cases of other patients
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Public Health (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Data Mining & Analysis (AREA)
- Primary Health Care (AREA)
- Epidemiology (AREA)
- Pathology (AREA)
- Databases & Information Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Theoretical Computer Science (AREA)
- Software Systems (AREA)
- General Physics & Mathematics (AREA)
- Chemical & Material Sciences (AREA)
- Physics & Mathematics (AREA)
- Food Science & Technology (AREA)
- Medicinal Chemistry (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- Urology & Nephrology (AREA)
- Immunology (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Hematology (AREA)
- Investigating Or Analysing Biological Materials (AREA)
Abstract
본 발명은 중성구 수치 회복 예측방법 및 그 장치에 관한 것으로, 본 발명의 일 실시예에 따른 컴퓨팅 장치에서 수행되는 중성구 수치 회복 예측방법은 대상 환자의 항암 치료 데이터를 획득하는 데이터 획득 단계, 상기 항암 치료 데이터를 전처리하는 데이터 전처리 단계, 및 제1 인공지능 모델을 이용하여, 항암 치료 후 절대호중구수(Absolute neutrophil count, ANC)가 미리 설정된 기준 값 이하인 위험기간의 길이를 산출하는 단계를 포함한다.
Description
본 발명은 중성구 수치 회복 예측방법 및 그 장치에 관한 것으로, 보다 상세하게는 인공지능 모델을 이용하여, 항암 치료 후 절대호중구수의 값을 기준으로 위험기간을 보다 정확하게 예측하기 위한 방법 및 그 장치에 관한 것이다.
항암 치료 후에, 항암제의 조혈모 세포에 대한 독성으로 인하여, 골수 억제가 나타날 수 있다. 골수 억제는 일시적인 증상으로, 시간이 경과됨에 따라 자연적으로 회복될 수 있으나, 억제의 정도 및 골수 억제의 지속 기간은 여러 가지 요인에 의하여 다양하게 나타날 수 있다.
이로 인하여 정상적인 혈구의 생성이 저하될 경우, 혈액 중 백혈구 수가 감소하게 되며, 세균의 감염에 대한 면역이 저하된다. 특히 백혈구 중 중성구 수가 500/uL 이하로 감소하는 경우, 세균 감염으로 인한 패혈증 진행의 위험이 매우 높아져, 항암제 치료 독성으로 인한 사망의 주요 요인 중 하나이다.
개별 환자에 대한 항암 치료제의 독성의 정도 및 이로 인한 증상의 지속 시기는 개인 차가 있어 예측이 어렵다. 또한, 이러한 정보들은 시계열적으로 지속적으로 변화하며, 질병의 치료와, 치료로 인한 독성의 누적 등 다양한 요인들의 상호 작용으로 인하여 일반적인 통계 방법을 적용하는 데 한계가 있다. 따라서, 불규칙하게 수집된 데이터를 취합하여 학습할 수 있는 인공지능 모델이 필요하다.
불규칙하게 수집된 데이터를 취합하여 학습하는 방법으로는 수집된 데이터의 시간 간격을 일정하게 재배치하는 방법이 있을 수 있으나, 이 과정에서 데이터의 값이 훼손될 수 있으며 데이터 포인트가 줄어들 수 있다. 대신에 인공지능 모델이 학습할 수 있는 파라미터를 포함하는 보간 함수를 설정하여, 학습 기준에 보다 적합한 값을 선택할 수 있게 할 수 있다. 또한 값을 보간 하지 않고, 인공지능 모델에 수집한 데이터와 해당 데이터가 수집된 시간을 함께 입력하여, 모델이 스스로 시간간격이 불규칙함을 인지하고 학습하도록 할 수 있다.
한국 등록특허 등록번호 제10-2017-0137212호(2017.10.23)는 다양한 종류의 암과 치료 방법에 대하여 사용자가 요구하는 조건에 맞는 치료 예후를 데이터마이닝 기법으로 제공함으로써 사용자로 하여금 가장 적절한 암 치료 방법을 파악할 수 있는 암 치료 예측결과 제공 방법 및 시스템에 관한 것으로, 이는 암 치료 관련 문헌 또는 사례 정보를 수집 및 데이터마이닝하여 시맨틱 데이터베이스 사전을 구축하는 단계; 암 종류, 치료 방법, 부작용 종류, 환자 상태 정보 중 적어도 하나가 입력 정보로 입력되면, 상기 입력 정보와 상기 시맨틱 데이터베이스 사전을 기반으로 치료 예측 모델을 구성하는 단계; 및 상기 치료 예측 모델을 기반으로 상기 입력 정보에 대응되는 결과정보를 제공하는 단계를 포함하는 것을 특징으로 한다.
그러나, 일정하지 않은 시간 간격으로 기록되어 있는 의료 데이터를 취합하여 분석하는 경우, 인공지능의 적절한 학습 및 분석이 어려워 부정확한 결과를 도출할 가능성이 있다.
본 발명이 해결하고자 하는 제1 기술적 과제는 항암 치료 후 위험기간을 예측하기 위한 중성구 수치 회복 예측방법을 제공하는 것이다.
본 발명이 해결하고자 하는 제2 기술적 과제는 항암 치료 후 위험기간을 예측하기 위한 중성구 수치 회복 예측장치를 제공하는 것이다.
상술한 기술적 과제를 해결하기 위하여 본 발명의 일 실시예는, 컴퓨팅 장치에서 수행되는 중성구 수치 회복 예측방법을 제공한다.
일 실시예로, 상기 중성구 수치 회복 예측방법은, 대상 환자의 항암 치료 데이터를 획득하는 데이터 획득 단계, 상기 항암 치료 데이터를 전처리하는 데이터 전처리 단계, 및 제1 인공지능 모델을 이용하여, 항암 치료 후 절대호중구수(Absolute neutrophil count, ANC)가 미리 설정된 기준 값 이하인 위험기간의 길이를 산출하는 단계를 포함할 수 있다.
일 실시예로, 상기 위험기간의 길이를 산출하는 단계는, 상기 제1 인공지능 모델이 항암 사이클 시작일을 기준으로 경과된 기간인 상대 날짜를 산출하는 단계, 상기 제1 인공지능 모델이 상기 상대 날짜를 기초로, 미리 설정된 날짜 간격에 따라 상기 항암 치료 데이터의 보간 데이터들을 산출하는 단계, 및 상기 제1 인공지능 모델이 상기 항암 치료 데이터 및 보간 데이터들을 기초로, 상기 위험기간의 길이를 산출하는 단계를 포함할 수 있다.
일 실시예로, 보간 데이터들을 산출하는 단계는, 상기 제1 인공지능 모델이 상기 항암 치료 데이터가 포함하는 변수 별 표준 값을 설정하는 단계, 상기 제1 인공지능 모델이 제1 파라미터를 포함하는 보간 함수를 설정하는 단계, 및 상기 표준 값과 상기 항암 치료 데이터가 포함하는 관측 값을 이용하여, 미리 설정된 날짜 간격에서의 보간 값들을 산출하는 단계를 포함하고, 상기 제1 파라미터는 상기 제1 인공지능 모델이 예측한 위험기간의 길이와 정답 값들을 비교하고, 비교한 결과가 학습 기준을 상회하도록 반복 학습하여 갱신하는 것일 수 있다.
일 실시예로, 상기 제1 인공지능 모델은 GRU-D 알고리즘을 포함할 수 있다.
본 발명의 일 실시예에 따른 컴퓨팅 장치에서 수행되는 중성구 수치 회복 예측방법은, 대상 환자의 항암 치료 데이터를 획득하는 데이터 획득 단계, 상기 항암 치료 데이터를 전처리하는 데이터 전처리 단계, 제2 인공지능 모델을 이용하여 항암 사이클의 시작일로부터 미리 설정된 기간 동안의 절대호중구수의 변화 양상을 예측하여 실수로 결정하는 단계, 및 상기 제2 인공지능 모델을 이용하여 항암 사이클의 시작일로부터 미리 설정된 기간 동안 절대호중구수가 미리 설정된 기준 값 이하인 위험기간에 포함되는지 여부를 판단하는 단계를 포함할 수 있다.
일 실시예로, 상기 위험기간에 포함되는지 여부를 판단하는 단계는, 상기 제2 인공지능 모델이, 상기 절대호중구수를 기초로 제1 파생 변수를 생성하는 단계, 상기 제2 인공지능 모델이, 상기 제1 파생 변수가 미리 설정된 기준 값 미만일 때 상기 위험기간에 포함되는 것으로 판단하고, 상기 제1 파생 변수가 미리 설정된 기준 값 이상일 때 상기 위험기간에 포함되지 않는 것으로 판단하는 단계를 포함할 수 있다.
일 실시예로, 상기 제2 인공지능 모델은 트랜스포머(Transformer) 알고리즘, 어텐션(Attention) 알고리즘 또는 이들의 조합을 포함할 수 있다.
본 발명의 일 실시예에 따른 컴퓨팅 장치에서 수행되는 중성구 수치 회복 예측방법에 있어서, 복수의 환자의 항암 치료 데이터들을 획득하는 데이터 획득 단계, 상기 항암 치료 데이터들을 전처리하는 데이터 전처리 단계, 및 전처리 된 상기 항암 치료 데이터들을 이용하여 인공지능 모델을 학습하는 단계를 포함할 수 있다.
일 실시예로, 상기 데이터 전처리 단계는, 상기 항암 치료 데이터들의 개인 정보를 삭제하여 비식별화하는 단계, 비식별화 된 상기 항암 치료 데이터들을 일반 항암 치료와 고용량 항암 치료로 분류하는 단계, 상기 항암 치료 데이터들의 항암 사이클을 표시하는 단계, 상기 항암 치료 데이터들에 상기 항암 사이클의 시작일로부터 경과된 기간인 상대 날짜를 입력하는 단계, 상기 항암 치료 데이터들 중 누락된 절대호중구수(ANC)와 절대림프구수(Absolute Lymphocyte Count, ALC)를 다른 변수들로부터 산출하는 단계, 및 미리 설정된 수 이하의 개수를 갖는 변수들을 제거하는 단계를 포함할 수 있다.
본 발명에 따른 일 실시예는, 컴퓨터를 이용하여 상술한 어느 한 실시예에 따른 중성구 수치 회복 예측방법을 실행시키기 위하여 컴퓨터 판독 가능한 저장 매체에 저장된 컴퓨터 프로그램을 제공한다.
상술한 기술적 과제를 해결하기 위하여 본 발명의 일 실시예는, 항암 치료 데이터, 제1 인공지능 모델을 저장하는 메모리, 및 상기 항암 치료 데이터를 전처리하고, 상기 제1 인공지능 모델을 이용하여, 항암 치료 후 절대호중구수가 미리 설정된 기준 값 이하인 위험기간의 길이를 산출하도록 구성되는, 프로세서를 포함하는, 중성구 수치 회복 예측장치를 제공한다.
일 실시예로, 상기 메모리는 제2 인공지능 모델을 더 저장하고, 상기 프로세서는, 상기 제2 인공지능 모델을 이용하여 항암 사이클의 시작일로부터 미리 설정된 기간 동안의 절대호중구수의 변화 양상을 예측하여 실수로 반환하도록 구성될 수 있다.
일 실시예로, 상기 메모리는 제2 인공지능 모델을 더 저장하고, 상기 프로세서는, 상기 제2 인공지능 모델을 이용하여 항암 사이클의 시작일로부터 미리 설정된 기간 동안 상기 위험기간에 포함되는지 여부를 판단하도록 구성될 수 있다.
본 발명은 반복 학습을 통하여, 위험기간을 예측하는 인공지능 모델을 이용하여, 보다 정확하게 항암 치료 후 위험기간의 절대호중구수 변화 양상, 특정 날짜의 위험기간 포함 여부 및 위험기간의 길이를 산출할 수 있다.
따라서, 이를 기초로 환자의 감염에 대비할 수 있어, 환자의 채혈 횟수를 감소시키고, 병원의 방문 시기 및 기간을 사전에 조율할 수 있으며, 의료진은 항암제의 치료 강도를 조절하여 전체 치료 스케쥴을 조율할 수 있다. 본 발명의 기술적 효과들은 이상에서 언급한 것들로 제한되지 않으며, 언급되지 않은 또 다른 기술적 효과들은 아래의 기재로부터 당업자에게 명확하게 이해될 수 있을 것이다.
도 1은 본 발명의 일 실시예에 따른 중성구 수치 회복 예측방법을 도시하는 순서도이다.
도 2는 도 1에 도시된 위험기간의 길이를 산출하는 단계를 보다 상세하게 설명하기 위한 순서도이다.
도 3은 도 2에 도시된 보간 데이터들을 산출하는 단계를 보다 상세하게 설명하기 위한 순서도이다.
도 4는 본 발명의 일 실시예에 따른 중성구 수치 회복 예측방법을 도시하는 순서도이다.
도 5는 도 4에 도시된 위험기간에 포함되는지 여부를 판단하는 단계를 보다 상세하게 설명하기 위한 순서도이다.
도 6은 제2 인공지능 모델을 이용하여 예측한 30일 동안의 절대호중구수의 변화 양상 테이블이다.
도 7은 제2 인공지능 모델을 이용하여 예측한 30일 동안의 위험기간 포함 여부를 표시하는 테이블이다.
도 8은 인공지능 모델의 학습 방법을 도시하는 순서도이다.
도 9는 도 8에 도시된 데이터 전처리 단계를 보다 상세하게 설명하기 위한 순서도이다.
도 10은 본 발명의 일 실시예에 따른 중성구 수치 회복 예측장치를 도시하는 블록도이다.
도 11은 본 발명의 일 실시예에 따른 제1 인공지능 모델을 설명하기 위한 개념도이다.
도 12는 본 발명의 일 실시예에 따른 제2 인공지능 모델을 설명하기 위한 개념도이다.
도 2는 도 1에 도시된 위험기간의 길이를 산출하는 단계를 보다 상세하게 설명하기 위한 순서도이다.
도 3은 도 2에 도시된 보간 데이터들을 산출하는 단계를 보다 상세하게 설명하기 위한 순서도이다.
도 4는 본 발명의 일 실시예에 따른 중성구 수치 회복 예측방법을 도시하는 순서도이다.
도 5는 도 4에 도시된 위험기간에 포함되는지 여부를 판단하는 단계를 보다 상세하게 설명하기 위한 순서도이다.
도 6은 제2 인공지능 모델을 이용하여 예측한 30일 동안의 절대호중구수의 변화 양상 테이블이다.
도 7은 제2 인공지능 모델을 이용하여 예측한 30일 동안의 위험기간 포함 여부를 표시하는 테이블이다.
도 8은 인공지능 모델의 학습 방법을 도시하는 순서도이다.
도 9는 도 8에 도시된 데이터 전처리 단계를 보다 상세하게 설명하기 위한 순서도이다.
도 10은 본 발명의 일 실시예에 따른 중성구 수치 회복 예측장치를 도시하는 블록도이다.
도 11은 본 발명의 일 실시예에 따른 제1 인공지능 모델을 설명하기 위한 개념도이다.
도 12는 본 발명의 일 실시예에 따른 제2 인공지능 모델을 설명하기 위한 개념도이다.
본 발명은 여러 가지 수정 및 변형을 허용하면서도, 그 특정 실시예들이 도면들로 예시되어 나타내어지며, 이하에서 상세히 설명될 것이다. 그러나 본 발명을 개시된 특별한 형태로 한정하려는 의도는 아니며, 오히려 본 발명은 청구항들에 의해 정의된 본 발명의 사상과 합치되는 모든 수정, 균등 및 대용을 포함한다.
본 발명은 기능적인 블록 구성들 및 다양한 처리 단계들로 나타내어질 수 있다. 이러한 기능 블록들은 특정 기능들을 실행하는 다양한 개수의 하드웨어 또는/및 소프트웨어 구성들로 구현될 수 있다. 예를 들어, 본 발명은 하나 이상의 마이크로프로세서의 제어 또는 다른 제어 장치에 의해서 다양한 기능들을 실행할 수 있는, 메모리, 프로세싱, 로직(logic), 룩 업 테이블(look-up table) 등과 같은 직접 회로 구성들을 채용할 수 있다.
본 발명에의 구성 요소들이 소프트웨어 프로그래밍 또는 소프트웨어 요소들로 실행될 수 있는 것과 유사하게, 본 발명은 데이터 구조, 프로세스들, 루틴들 또는 다른 프로그래밍 구성들의 조합으로 구현되는 다양한 알고리즘을 포함하여, C, C++, 자바(Java), 어셈블러(assembler) 등과 같은 프로그래밍 또는 스크립팅 언어로 구현될 수 있다.
또한, 본 발명은 전자적인 환경 설정, 신호 처리, 및/또는 데이터 처리 등을 위하여 종래 기술을 채용할 수 있다. "부", "요소", "수단", "구성"과 같은 용어는 넓게 사용될 수 있으며, 본 발명의 구성요소들이 기계적이고 물리적인 구성들로서 한정되는 것은 아니다. 상기 용어는 프로세서 등과 연계하여 소프트웨어의 일련의 처리들(routines)의 의미를 포함할 수 있다.
층, 영역 또는 기판과 같은 요소가 다른 구성요소 "상(on)"에 존재하는 것으로 언급될 때, 이것은 직접적으로 다른 요소 상에 존재하거나 또는 그 사이에 중간 요소가 존재할 수도 있다는 것을 이해할 수 있을 것이다.
비록 제1, 제2 등의 용어가 여러 가지 요소들, 성분들, 영역들, 층들 및/또는 블록들을 설명하기 위해 사용될 수 있지만, 이러한 요소들, 성분들, 영역들, 층들 및/또는 블록들은 이러한 용어에 의해 한정되어서는 안 된다는 것을 이해할 것이다.
이하 첨부한 도면들을 참조하여, 본 발명의 바람직한 실시예를 보다 상세하게 설명하고자 한다. 이하 도면상의 동일한 구성 요소에 대하여는 동일한 참조 부호를 사용하고, 동일한 구성 요소에 대해서 중복된 설명은 생략한다.
도 1은 본 발명의 일 실시예에 따른 중성구 수치 회복 예측방법을 도시하는 순서도이다.
도 1을 참조하면, 본 발명의 일 실시예에 따른 중성구 수치 회복 예측방법은, 항암 치료 데이터를 획득하는 단계(S110), 데이터를 전처리 하는 단계(S120), 및 제1 인공지능 모델을 이용하여 위험기간의 길이를 산출하는 단계(S130)를 포함할 수 있다.
항암 치료 데이터를 획득하는 단계(S110)에서, 중성구 수치 회복 예측장치는 대상 환자의 항암 치료 데이터를 획득한다. 여기서, 대상 환자의 항암 치료 데이터는, 랩 데이터(Lab Data), G-CSF 투여 데이터 및 항암제 투여 내역을 포함할 수 있다.
대상 환자의 항암 치료 데이터는 전자의무기록(Electronic Medical Record, EMR) 또는 전자건강기록(Electronic Health Records, EHR) 시스템에 의하여 관리되는 것일 수 있다.
대상 환자의 항암 치료 데이터는 직접 의료 서비스를 제공하는 담당자, 즉, 의사 또는 전자건강기록의 관리자 등에 의하여 중성구 수치 회복 예측장치에 제공될 수 있다. 다른 일 실시예에서, 중성구 수치 회복 예측장치는 의료 데이터 시스템을 통하여 대상 환자의 항암 치료 데이터를 획득할 수 있다. 여기서, 의료 데이터 시스템은, 통합의료정보시스템 (Hospital Information System), 전자의무기록(Electronic Medical Record), 검사 정보 시스템(Laboratory Information System), 데이터 웨어하우스(Data Warehouse), 임상연구지원 시스템(Clinical Device Information System) 등과 같이 의료 서비스와 연구에 필요한 시스템일 수 있다.
데이터를 전처리 하는 단계(S120)에서, 대상 환자의 항암 치료 데이터는 제1 인공지능 모델에 입력하기 위한 형태로 전처리될 수 있다.
대상 환자의 항암 치료 데이터는 1) 기록 당시의 시간, 2) 변수 또는 검사 항목의 이름, 3) 변수 또는 검사 항목의 값을 포함할 수 있다. 전처리 단계에서, 대상 환자의 항암 치료 데이터에 1) 항암 사이클을 표시하고, 2) 항암 사이클의 시작일을 기준으로 경과된 기간인 상대 날짜를 부여할 수 있다.
또한, 대상 환자의 항암 치료 데이터 중 제1 인공지능 모델이 사용하지 않는 변수들을 미리 제거하거나, 제1 인공지능 모델이 사용하는 변수들 중 항암 치료 데이터의 로우 데이터(Raw data) 상에 포함되지 않은 변수들을 다른 변수들로부터 산출하여 입력할 수 있다.
일 예로, 항암 치료 데이터의 로우 데이터에 해당 날짜의 절대호중구수가 누락되어 있는 경우, 띠 호중구(Band neutrophil)과 분절형 호중구(Segmented neutrophil)로부터 절대호중구수를 산출하여 입력할 수 있다. 다른 일 예로, 항암 치료 데이터의 로우 데이터에, 해당 날짜의 절대림프구수가 누락되어 있는 경우, 림프구(Lymphocyte) 측정 값과 백혈구 수(White Blood Cell, WBC)로부터 절대림프구수를 산출하여 입력할 수 있다.
제1 인공지능 모델을 이용하여 위험기간의 길이를 산출하는 단계(S130)에서, 제1 인공지능 모델을 이용하여, 항암 치료 후 절대호중구수가 미리 설정된 기준 값 이하인 위험기간의 길이를 산출할 수 있다.
여기서, 제1 인공지능 모델은 변수들을 입력 받고 그 결과 값을 복수의 클래스로 분류(Multiclass Classification)하여 반환하기 위한 딥러닝 알고리즘일 수 있다. 제1 인공지능 모델은 RNN 알고리즘을 포함하는 것일 수 있다. 일 예로, 제1 인공지능 모델은 GRU-D 알고리즘을 포함하는 것일 수 있다.
여기서, 위험기간은 절대호중구수(ANC)가 500 (개/mm3) 미만인 상태가 3일 이상 연속되는 경우로 정의될 수 있다.
제1 인공지능 모델은 항암 치료 시작 후 절대호중구수가 최초로 500 미만으로 측정된 직후까지의 대상 환자의 항암 치료 데이터를 바탕으로, 추후 예상되는 위험기간의 길이를 정수(integer)로 반환할 수 있다.
의료 서비스를 제공하는 의사 또는 간호사는 산출된 위험기간의 길이를 기초로, 대상 환자의 치료 일정을 결정할 수 있다. 일 예로, 의사 또는 간호사는 대상 환자의 항암제의 치료 강도 및 스케쥴을 조절할 수 있다. 대상 환자 또는 보호자는 병원의 방문 시기 및 기간을 사전에 판단할 수 있으며, 면역력이 감소하는 위험기간 동안의 활동을 조정하고, 입원 또는 내원 치료에 대비할 수 있다.
도 2는 도 1에 도시된 위험기간의 길이를 산출하는 단계(S130)를 보다 상세하게 설명하기 위한 순서도이다.
도 2를 참조하면, 위험기간의 길이를 산출하는 단계(S130)는 상대 기간을 산출하는 단계(S131), 보간 데이터를 산출하는 단계(S132) 및 상대 기간 및 보간 데이터를 기초로 위험기간의 길이를 산출하는 단계(S133)를 포함한다.
상대 기간을 산출하는 단계(S131)에서, 제1 인공지능 모델이 항암 사이클 시작일을 기준으로 경과된 기간인 상대 날짜를 산출한다. 여기서, 상대 날짜는 전처리 단계(S120)에서 항암 치료 데이터에 부여된 상대 날짜일 수 있다. 여기서, 항암 치료 데이터는 일정한 시간 간격을 가지지 않을 수 있다.
보간 데이터를 산출하는 단계(S132)에서, 제1 인공지능 모델이 상기 상대 날짜를 기초로, 미리 설정된 날짜 간격에 따라 존재하지 않는 변수들을 보완하기 위한 보간 데이터들을 산출할 수 있다.
RNN 알고리즘을 포함하는 인공지능 모델의 경우, 입력 데이터가 일정한 시간 간격을 가지지 않으면, 모델의 예측 결과가 부정확해지는 문제점이 있다. 따라서, 전처리 단계 등에서 인공적으로 입력 데이터를 분할하거나, 보간 데이터를 생성하여 입력하는 방법을 사용한다. 그러나 본 발명의 일 실시예에 따른 중성구 수치 회복 예측방법에서는, 제1 인공지능에 항암 치료 데이터들과 상대 날짜를 함께 입력하여, 제1 인공지능이 스스로 적합한 보간 데이터를 산출하도록 할 수 있다. 즉, 제1 인공지능은 미리 설정된 날짜 간격에 대응하는 항암 치료 데이터가 입력되지 않은 경우, 스스로 보간 데이터들을 산출하여 생성한다.
위험기간의 길이를 산출하는 단계(S133)에서는, 제1 인공지능 모델이 상기 항암 치료 데이터 및 보간 데이터들을 기초로, 위험기간의 길이를 산출한다.
즉, 제1 인공지능 모델은 항암 치료 데이터 및 보간 데이터들을 입력으로 하여, 가능한 위험기간의 길이 중 하나의 값을 추정하여 선택할 수 있다. 일 실시예로, 가능한 위험기간의 길이는 1일부터 14일까지, 1일 간격으로 14개의 클래스로 나뉠 수 있으며, 제1 인공지능은 입력된 데이터들을 기초로, 대상 환자의 예상되는 위험기간의 길이가 14개의 클래스 중 어느 클래스에 속하는지를 산출하여 반환할 수 있다.
도 3은 도 2에 도시된 보간 데이터들을 산출하는 단계(S132)를 보다 상세하게 설명하기 위한 순서도이다.
도 3을 참조하면, 보간 데이터들을 산출하는 단계(S132)는, 변수 별 표준 값을 설정하는 단계(S141), 보간 함수를 설정하는 단계(S142), 보간 값들을 산출하는 단계(S143) 및 제1 파라미터를 갱신하는 단계(S144)를 포함한다.
변수 별 표준 값을 설정하는 단계(S141)에서, 제1 인공지능 모델은 항암 치료 데이터가 포함하는 변수 별 표준 값을 설정할 수 있다. 일 실시예로, 제1 인공지능 모델은 항암 치료 데이터가 포함하는 변수에 대하여, 해당 상대 날짜에서의 복수의 환자들의 변수 값들의 평균 값을 표준 값으로 설정할 수 있다. 다른 일 실시예로, 제1 인공지능 모델은 항암 치료 데이터가 포함하는 변수에 대하여, 해당 상대 날짜에서의 복수의 환자들의 변수 값들의 중간 값을 표준 값으로 설정할 수 있다.
보간 함수를 설정하는 단계(S142)에서, 제1 인공지능 모델은 표준 값을 이용하여 제1 파라미터를 포함하는 보간 함수를 설정할 수 있다.
일 실시예로, 제1 인공지능 모델은 보간 함수를 항암 치료 데이터가 포함하는 변수의 마지막 관측 값으로부터 표준 값을 향해 시간에 따라 지수 함수적으로 감쇄(exponentially decay)하는 것으로 간주하여 설정할 수 있다.
보간 값들을 산출하는 단계(S143)에서, 제1 인공지능 모델은 설정된 보간 함수에 상기 항암 치료 데이터가 포함하는 변수의 관측 값을 입력하여, 미리 설정된 날짜 간격에서의 보간 값들을 산출하고, 이를 포함하는 보간 데이터를 생성할 수 있다.
제1 파라미터를 갱신하는 단계(S144)에서, 제1 인공지능 모델이 예측한 위험기간의 길이와 정답 값들을 비교하고, 비교한 결과가 학습 기준을 상회하도록 반복 학습하여 갱신할 수 있다. 제1 파라미터를 갱신하는 단계(S144)는 학습 데이터 셋을 이용하여 제1 인공지능 모델을 학습시키는 단계에 포함될 수 있으나, 이에 한정되는 것은 아니다. 일 실시예로, 제1 인공지능 모델은 대상 환자의 항암 치료 데이터로부터 보간 값들을 산출하고, 환자의 진료를 통하여 해당 날짜의 항암 치료 데이터가 생성된 경우, 보간 값들과 항암 치료 데이터에 포함되는 변수의 실제 관측값들을 비교하여 제1 파라미터를 갱신할 수 있다.
일 실시예로, 제1 인공지능 모델은 한 변수가 시간 t에서 관측 값 xt가 존재하고, 시간 t로부터 시간 t+2 까지의 관측 값이 존재하지 않으며, 이 변수의 표준 값이 m일 때, 시간 t+2까지의 변수의 값들을 보간 함수 
으로 정의할 수 있다. 여기서 r은 제1 인공지능이 반복 학습을 통하여 갱신하여, 최적의 보간 함수를 찾기 위한 제1 파라미터일 수 있다.
따라서, 전처리 과정에서 미리 결정된 기준에 따라 보간 값들을 결정하거나, 임의로 데이터를 분할하는 종래의 기술보다 적합한 보간 값들을 결정하고 입력 데이터로 사용할 수 있다. 따라서, 본 발명의 일 실시예에 따른 중성구 수치 회복 예측방법은, 종래의 인공지능 모델들보다 높은 예측 성능을 가질 수 있다.
도 4는 본 발명의 일 실시예에 따른 중성구 수치 회복 예측방법을 도시하는 순서도이다.
도 4를 참조하면, 본 발명의 일 실시예에 따른 중성구 수치 회복 예측방법은, 항암 치료 데이터를 획득하는 단계(S210), 데이터를 전처리 하는 단계(S220), 제2 인공지능 모델을 이용하여 절대호중구수의 변화 양상을 결정하는 단계(S230) 및 제2 인공지능 모델을 이용하여 해당 날짜가 위험기간에 포함되는지 여부를 판단하는 단계(S240)을 포함할 수 있다.
항암 치료 데이터를 획득하는 단계(S210)는, 중성구 수치 회복 예측장치가 대상 환자의 항암 치료 데이터를 획득하는 데이터 획득 단계일 수 있다. 여기서, 대상 환자의 항암 치료 데이터는, 랩 데이터(Lab Data), G-CSF 투여 데이터 및 항암제 투여 내역을 포함할 수 있다.
대상 환자의 항암 치료 데이터는 전자의무기록(Electronic Medical Record, EMR) 또는 전자건강기록(Electronic Health Records, EHR) 시스템에 의하여 관리되는 것일 수 있다.
대상 환자의 항암 치료 데이터는 직접 의료 서비스를 제공하는 담당자, 즉, 의사 또는 전자건강기록의 관리자 등에 의하여 중성구 수치 회복 예측장치에 제공될 수 있다. 다른 일 실시예에서, 중성구 수치 회복 예측장치는 의료 데이터 시스템을 통하여 대상 환자의 항암 치료 데이터를 획득할 수 있다. 여기서, 의료 데이터 시스템은, 통합의료정보시스템 (Hospital Information System), 전자의무기록(Electronic Medical Record), 검사 정보 시스템(Laboratory Information System), 데이터 웨어하우스(Data Warehouse), 임상연구지원 시스템(Clinical Device Information System) 등과 같이 의료 서비스와 연구에 필요한 시스템일 수 있다.
데이터를 전처리 하는 단계(S220)는, 중성구 수치 회복 예측장치가 획득한 항암 치료 데이터를 제2 인공지능 모델에 입력하기 위한 형태로 전처리하는 단계일 수 있다.
대상 환자의 항암 치료 데이터는 1) 기록 당시의 시간, 2) 변수 또는 검사 항목의 이름, 3) 변수 또는 검사 항목의 값을 포함할 수 있다. 전처리 단계에서, 대상 환자의 항암 치료 데이터에 1) 항암 사이클을 표시하고, 2) 항암 사이클의 시작일을 기준으로 경과된 기간인 상대 날짜를 부여할 수 있다.
또한, 대상 환자의 항암 치료 데이터 중 제2 인공지능 모델이 사용하지 않는 변수들을 미리 제거하거나, 제2 인공지능 모델이 사용하는 변수들 중 항암 치료 데이터의 로우 데이터(Raw data) 상에 포함되지 않은 변수들을 다른 변수들로부터 산출하여 입력할 수 있다.
일 예로, 항암 치료 데이터의 로우 데이터에 해당 날짜의 절대호중구수가 누락되어 있는 경우, 띠 호중구(Band neutrophil)과 분절형 호중구(Segmented neutrophil)로부터 절대호중구수를 산출하여 입력할 수 있다. 다른 일 예로, 항암 치료 데이터의 로우 데이터에, 해당 날짜의 절대림프구수가 누락되어 있는 경우, 림프구(Lymphocyte) 측정 값과 백혈구 수(White Blood Cell, WBC)로부터 절대림프구수를 산출하여 입력할 수 있다.
본 발명의 일 실시예에 따르면, 제1 인공지능 모델과 제2 인공지능 모델의 입력 데이터는 동일한 변수들을 포함하는 것일 수 있다. 일 예로, 제1 인공지능 모델과 제2 인공지능 모델의 입력 데이터로 사용되는 항암 치료 데이터는 혈액 검사를 통하여 획득되는 아래의 변수들을 포함할 수 있다.
| WBC | Basophil | Protein, Total |
| RBC | Lymphocyte | Albumin |
| Hemoglobin | Monocyte | Globulin |
| Hematocrit | Atypical Lymphocyte | A/G ratio |
| MCV | Immature cell | Cholesterol |
| MCH | Plasma cell | AST |
| MCHC | Nucleated RBC | ALT |
| Platelet | ANC | ALP |
| Blast | ALC | Glucose, Fasting |
| Promyelocyte | Abnormal Lymphoid cell | BUN |
| Myelocyte | MPV | Creatinine |
| Metamyelocyte | Reticulocyte | BUN & Cr. ratio |
| Band neutrophil | RDW | Estimated GFR |
| Segmented neutrophil | PDW | Bilirubin, Total |
| Eosinophil | IRF | Uric Acid |
| Ca | Potassium (K) | Na |
| P | Cl | CRP, Quantitative (High Sensitivity) |
일 예로, 상기 항암 치료 데이터는 환자의 나이, 성별, 항암제 투여 정보, G-CSF 투여 정보, 및 혈소판 수혈 정보를 포함할 수 있다. 이 때, 항암제 투여 정보는 항암제의 종류를 반영하지 않는 파생 변수 intensity를 이용하여 입력될 수 있다. 여기서, 파생 변수는 계획된 투여 용량 대비 실제 투여 용량을 계산한 것일 수 있으며, 같은 날 여러 종류의 항암제가 투여되는 경우, 각 항암제의 계획된 투여 용량 대비 실제 투여 용량의 곱을 파생 변수로 이용할 수 있다. G-CSF 투여 정보 및 혈소판 수혈 정보는 투여 용량을 반영하지 않고, 투여 여부만을 이진 값으로 포함할 수 있다.일 실시예에서, 입력 데이터는 아래의 테이블과 같은 형태를 가질 수 있다.
| 상대날짜 | 변수 이름 | 변수 값 |
| 0 | WBC | 4.88 |
| 0 | Monocyte | 10.2 |
| 0 | Myelocyte | 0 |
| 1 | WBC | 3.28 |
| 1 | Hemoglobin | 9.7 |
| 1 | Bilirubin, Total | 0.5 |
| 1 | RBC | 3 |
| 2 | WBC | 3.2 |
| 2 | Band neutrophil | 2 |
| 2 | Na | 140 |
| 3 | WBC | 8.66 |
| 3 | Metamyelocyte | 0 |
| 3 | ANC | 7.794 |
이 때, 각 상대 날짜마다 대상 환자에게 수행한 검사 내용이 다를 수 있으므로, 각 상대 날짜 별 항암 치료 데이터에는 상기한 모든 변수가 동시에 존재하지 않을 수 있다.제2 인공지능 모델을 이용하여 절대호중구수의 변화 양상을 결정하는 단계(S230)는, 제2 인공지능 모델을 이용하여, 항암 사이클의 시작일로부터 미리 설정된 기간 동안 1일 간격으로 절대호중구수의 변화 양상을 예측하여 실수(real value)로 반환하는 단계일 수 있다.
여기서, 제2 인공지능 모델은 추정한 값과 실제 값을 비교하여 오차를 감소시키며 보다 정확한 값을 추정하기 위한 딥러닝 알고리즘일 수 있다. 제2 인공지능 모델은 입력 데이터의 길이가 가변적인 경우에도, 특정 부분에 중요도를 부여하여 처리하는 알고리즘을 포함할 수 있다. 일 예로 제2 인공지능 모델은 트랜스포머(transformer) 알고리즘을 포함하는 것일 수 있다.
제2 인공지능 모델은 절대호중구수를 직접적으로 추적하여, 그 변화 양상을 예측하여 해당 날짜의 절대호중구수 값을 실수로 반환하는 것일 수 있다. 다른 일 실시예로, 제2 인공지능 모델은 절대호중구수를 기초로 하는 파생변수를 생성하고, 상기 파생변수의 변화 양상을 예측하여 해당 날짜의 파생변수 값을 실수로 반환하는 것일 수 있다.
제2 인공지능 모델을 이용하여 해당 날짜가 위험기간에 포함되는지 여부를 판단하는 단계(S240)는 제2 인공지능 모델을 이용하여, 항암 사이클의 시작일로부터 미리 설정된 기간 동안 절대호중구수가 미리 설정된 기준 값 이하인 위험기간에 포함되는지 여부를 이진 값으로 판단하여 반환하는 단계일 수 있다.
일 실시예로, 제2 인공지능 모델은 해당 날짜가 위험기간에 포함된다고 판단하는 경우, 1을 반환하고, 해당 날짜가 위험기간에 포함되지 않는다고 판단하는 경우 0을 반환할 수 있다.
본 발명의 일 실시예에 따른 중성구 수치 회복 예측방법은, 상술한 제1 인공지능 모델을 이용하여, 위험기간의 길이를 산출하는 단계, 제2 인공지능 모델을 이용하여 항암 사이클의 시작일로부터 미리 설정된 기간 동안의 절대호중구수의 변화 양상을 예측하여 실수로 결정하는 단계 및 제2 인공지능 모델을 이용하여 해당 날짜가 위험기간에 포함되는지 여부를 판단하는 단계 중 적어도 어느 하나를 필요에 따라 포함할 수 있다. 일 실시예로, 대상 환자 또는 보호자는 위험기간의 길이와, 해당 날짜가 위험기간에 포함되는지 여부를 제공받고, 이를 기초로 활동 스케쥴을 조정할 수 있다.
그러나 이러한 실시예에 한정되는 것은 아니며, 본 발명의 일 실시예에 따른 중성구 수치 회복 예측방법은 상술한 제1 인공지능 모델을 이용하여, 위험기간의 길이를 산출하는 단계, 제2 인공지능 모델을 이용하여 항암 사이클의 시작일로부터 미리 설정된 기간 동안의 절대호중구수의 변화 양상을 예측하여 실수로 결정하는 단계 및 제2 인공지능 모델을 이용하여 해당 날짜가 위험기간에 포함되는지 여부를 판단하는 단계를 모두 포함할 수도 있다.
도 5는 도 4에 도시된 위험기간에 포함되는지 여부를 판단하는 단계(S240)를 보다 상세하게 설명하기 위한 순서도이다.
도 5를 참조하면, 제2 인공지능 모델을 이용하여 위험기간에 포함되는지 여부를 판단하는 단계(S240)는, 제1 파생 변수를 생성하는 단계(S241), 제1 파생 변수와 기준 값을 비교하여 해당 날짜가 위험기간에 포함되는 경우(S243)와 포함되지 않는 경우(S245)를 판단하는 단계를 포함할 수 있다.
먼저, 제1 파생 변수를 생성하는 단계(S241)에서, 제2 인공지능 모델은 절대호중구수를 기초로 제1 파생 변수를 생성할 수 있다. 제1 파생 변수를 사용함으로써, 각 검사에서 발생할 수 있는 노이즈를 제거하여 보다 정확하게 위험기간에 포함되는지 여부를 판단할 수 있다.
제2 인공지능 모델은 제1 파생 변수와 기준 값을 비교하여, 해당 날짜에 제1 파생 변수가 기준 값 미만인 경우, 해당 날짜가 위험기간에 포함되는 것으로 판단할 수 있다(S243). 이러한 경우, 제2 인공지능 모델은 해당 날짜의 결과 값으로 1을 반환할 수 있다.
제2 인공지능 모델은 제1 파생 변수와 기준 값을 비교하여, 해당 날짜에 제1 파생 변수가 기준 값 이상일 경우, 해당 날짜가 위험기간에 포함되지 않는 것으로 판단할 수 있다(S235). 이러한 경우, 제2 인공지능 모델은 해당 날짜의 결과 값으로 0을 반환할 수 있다.
도 6은 제2 인공지능 모델을 이용하여 예측한 30일 동안의 절대호중구수의 변화 양상 테이블이다.
도 6을 참조하면, 제2 인공지능 모델은 항암 사이클의 시작일로부터 1일 간격으로, 상대 날짜에 따른 절대호중구수의 변화 양상을 실수 값으로 결정하여 반환할 수 있다.
도 7은 제2 인공지능 모델을 이용하여 예측한 30일 동안의 위험기간 포함 여부를 표시하는 테이블이다.
도 7을 참조하면, 제2 인공지능 모델은 항암 사이클의 시작일로부터 1일 간격으로, 해당 날짜가 위험기간에 포함되는지 여부를 판단하여 1 또는 0의 값으로 결정하여 반환할 수 있다. 즉, 절대호중구수를 기초로 생성된 제1 파생 변수의 값이 기준 값 미만인 경우, 위험기간으로 판단하여 1을 반환하고, 제1 파생 변수의 값이 기준 값 이상인 경우 위험기간이 아닌 것으로 판단하여 0을 반환할 수 있다.
도 8은 인공지능 모델의 학습 방법을 도시하는 순서도이다.
도 8을 참조하면, 본 발명의 일 실시예에 따른 인공지능 모델의 학습 방법은 복수의 환자의 항암 치료 데이터들을 획득하는 단계(S310), 항암 치료 데이터들을 전처리하는 단계(S320), 인공지능 모델을 학습하는 단계(S330) 및 학습한 인공지능 모델의 결과 값과 정답 값을 비교하여, 인공지능 모델을 갱신하는 단계(S340)를 포함한다.
복수의 환자의 항암 치료 데이터들을 획득하는 단계(S310)에서, 중성구 수치 회복 예측장치는 복수의 환자의 항암 치료 데이터를 획득한다. 여기서, 복수의 환자의 항암 치료 데이터는, 랩 데이터(Lab Data), G-CSF 투여 데이터 및 항암제 투여 내역을 포함할 수 있다.
복수의 환자의 항암 치료 데이터는 전자의무기록(Electronic Medical Record, EMR) 또는 전자건강기록(Electronic Health Records, EHR) 시스템에 의하여 제공되는 것일 수 있다.
항암 치료 데이터들을 전처리하는 단계(S320)에서, 중성구 수치 회복 예측장치는 복수의 환자의 항암 치료 데이터를 제1 인공지능 모델 또는 제2 인공지능 모델에 입력 가능한 형태로 가공할 수 있다.
인공지능 모델을 학습하는 단계(S330)에서, 인공지능 모델은 전처리 된 항암 치료 데이터들을 이용하여 반복 학습을 수행할 수 있다. 일 예로, 항암 치료 데이터들은 입력 변수들과 정답 값을 갖는 학습 데이터 셋의 형태를 가질 수 있다. 인공지능 모델은 학습 데이터 셋에 포함된 입력 변수들을 이용하여, 결과 값을 도출할 수 있다.
학습한 인공지능 모델의 결과 값과 정답 값을 비교하여, 인공지능 모델을 갱신하는 단계(S340)에서, 인공지능 모델은 학습 데이터 셋에 포함된 입력 변수들을 이용하여 도출한 결과 값과, 학습 데이터 셋에 포함된 정답 값을 비교하여, 그 비교 결과가 미리 설정된 기준 값 이상이 되도록 인공지능 모델의 각 파라미터들을 갱신할 수 있다.
본 발명의 일 실시예에 따른 중성구 수치 회복 예측방법에 이용되는 제1 인공지능 모델 및 제2 인공지능 모델은 상술한 인공지능 모델의 학습 방법을 통하여 미리 학습된 것일 수 있으나 이에 한정되는 것은 아니다. 일 실시예로, 제1 인공지능 모델 또는 제2 인공지능 모델은 대상 환자의 항암 치료 데이터들을 입력 받고, 이를 기초로 예측 값을 산출하고, 산출된 예측 값을, 대상 환자의 새로운 진료 기록과 비교하여 인공지능 모델을 갱신함으로써 학습할 수 있다.
도 9는 도 8에 도시된 데이터 전처리 단계를 보다 상세하게 설명하기 위한 순서도이다.
도 9를 참조하면, 데이터 전처리 단계(S320)는, 비식별화 단계(S321), 일반 항암 치료와 고용량 항암 치료를 분류하는 단계(S322), 항암 사이클을 표시하는 단계(S323), 항암 사이클의 시작일로부터 경과 기간을 표시하는 단계(S324), 누락 ANC 및 ALC를 산출하는 단계(S325) 및 불필요한 변수들을 제거하는 단계(S326)를 포함한다.
비식별화 단계(S321)에서, 중성구 수치 회복 장치는 복수의 환자의 항암 치료 데이터에서 환자를 식별할 수 있는 개인 정보를 삭제하여 비식별화 할 수 있다.
일반 항암 치료와 고용량 항암 치료를 분류하는 단계(S322)에서, 중성구 수치 회복 장치는 일반 항암 치료와 고용량 항암 치료를 분류하여 표시할 수 있다. 일반 항암 치료 데이터는 그 수가 많은 데 비하여, 고용량 항암 치료 데이터는 그 수가 적을 뿐 아니라, 위험기간의 분포가 서로 다르기 때문에 두 데이터를 섞어 훈련 및 검증 데이터로 사용하여 인공지능 모델을 학습할 필요가 있다.
항암 사이클을 표시하는 단계(S323) 및 항암 사이클의 시작일로부터 경과 기간을 표시하는 단계(S324)에서, 항암 치료 데이터들의 항암 사이클을 표시하고, 항암 사이클의 시작일로부터 경과된 기간인 상대 날짜를 입력한다.
누락 ANC 및 ALC를 산출하는 단계(S325) 및 불필요한 변수들을 제거하는 단계(S326)에서, 복수의 환자의 항암 치료 데이터 중 제1 인공지능 모델 또는 제2 인공지능 모델이 사용하지 않는 변수들을 미리 제거하거나, 변수들 중 항암 치료 데이터의 로우 데이터(Raw data) 상에 포함되지 않은 변수들을 다른 변수들로부터 산출하여 입력할 수 있다.
일 예로, 항암 치료 데이터의 로우 데이터에 해당 날짜의 절대호중구수가 누락되어 있는 경우, 띠 호중구(Band neutrophil)과 분절형 호중구(Segmented neutrophil)로부터 절대호중구수를 산출하여 입력할 수 있다. 다른 일 예로, 항암 치료 데이터의 로우 데이터에, 해당 날짜의 절대림프구수가 누락되어 있는 경우, 림프구(Lymphocyte) 측정 값과 백혈구 수(White Blood Cell, WBC)로부터 절대림프구수를 산출하여 입력할 수 있다.
일 실시예로, 학습 데이터의 수를 증가시키기 위하여, 각 환자의 항암 치료 데이터를 항암 치료 사이클 단위로 분절할 수 있다.
일 실시예로, 항암 치료 데이터가 포함하는 변수들 중 전체 수가 미리 설정된 수 미만의 변수들을 제거하여, 항암 치료 데이터를 정제할 수 있다.
도 10은 본 발명의 일 실시예에 따른 중성구 수치 회복 예측장치를 도시하는 블록도이다.
도 10을 참조하면, 본 발명의 일 실시예에 따른 중성구 수치 회복 예측장치(100)는 통신부(110), 메모리(120) 및 프로세서(130)를 포함할 수 있다.
통신부(110)는 항암 치료 데이터들, 인공지능 모델들, 및 중성구 수치 회복 예측장치의 구동에 필요한 데이터들을 중성구 수치 회복 예측장치(100)로 전송하기 위한 유선 통신 장치 또는 무선 통신 장치일 수 있다. 통신부(110)가 와이파이 칩이나 블루투스 칩을 이용하는 경우에는 SSID 및 세션 키 등과 같은 각종 연결 정보를 먼저 송수신하여, 이를 이용하여 통신 연결한 후 각종 정보들을 송수신할 수 있다. 무선통신 칩은 IEEE, Zigbee, 3G(3rd Generation), 3GPP(3rd Generation Partnership Project), LTE(Long Term Evolution) 등과 같은 다양한 통신 규격에 따라 통신을 수행하는 칩을 의미한다. NFC 칩은 135kHz, 13.56MHz, 433MHz, 860~960MHz, 2.45GHz 등과 같은 다양한 RF-ID 주파수 대역들 중에서 13.56MHz 대역을 사용하는 NFC(Near Field Communication) 방식으로 동작하는 칩을 의미한다.
메모리(120)는 항암 치료 데이터들, 인공지능 모델들, 및 중성구 수치 회복 예측장치의 구동에 필요한 데이터들을 저장할 수 있다. 메모리(120)는 프로세서(130)의 처리 또는 제어를 위한 프로그램 등 중성구 수치 회복 예측장치(100)의 전반적인 동작을 위한 다양한 데이터를 더 저장할 수 있다. 일 예로, 중성구 수치 회복 예측장치(100)의 구동을 위한 OS, 데이터들, 명령어들을 저장할 수 있다. 이러한 데이터 및 응용 프로그램 중 적어도 일부는 통신부를 통하여 외부 서버로부터 다운로드 된 것일 수 있다.
메모리(120)는 프로세서(130)에 포함된 롬(ROM), 램(RAM)과 같은 내부 메모리로 구현되거나, 프로세서(130)와 별도의 장치로 구현될 수 있다.
프로세서(130)는 중성구 수치 회복 예측장치(100)를 전반적으로 제어하기 위한 구성이다. 구체적으로, 프로세서(130)는 중성구 수치 회복 예측장치(100)의 메모리(120)에 저장된 각종 프로그램을 이용하여 중성구 수치 회복 예측장치(100)의 전반적인 동작을 제어한다. 예를 들어, 프로세서(130)는 CPU, 램(RAM), 롬(ROM), 시스템 버스를 포함할 수 있다. 본 발명의 일 실시예에 따라, 프로세서(130)는 디지털 신호를 처리하는 디지털 시그널 프로세서(digital signal processor(DSP), 마이크로프로세서(microprocessor), TCON(Time controller)으로 구현될 수 있다. 다만, 이에 한정되는 것은 아니며, 중앙처리장치(central processing unit(CPU)), MCU(Micro Controller Unit), MPU(micro processing unit), 컨트롤러(controller), 어플리케이션 프로세서(application processor(AP)), 또는 커뮤니케이션 프로세서(communication processor(CP)), ARM 프로세서 중 하나 또는 그 이상을 포함하거나, 해당 용어로 정의될 수 있다. 또한, 프로세서(130)는 프로세싱 알고리즘이 내장된 SoC(System on Chip), LSI(large scale integration)로 구현될 수도 있고, FPGA(Field Programmable gate array) 형태로 구현될 수도 있다.
프로세서(130)는 항암 치료 데이터를 전처리하고, 제1 인공지능 모델을 이용하여, 항암 치료 후 절대호중구수가 미리 설정된 기준 값 이하인 위험기간의 길이를 산출하도록 구성될 수 있다. 일 실시예로, 프로세서(130)는 제2 인공지능 모델을 이용하여 항암 사이클의 시작일로부터 미리 설정된 기간 동안의 절대호중구수의 변화 양상을 예측하여 실수로 반환하도록 구성될 수 있다. 일 실시예로, 프로세서(130)는 제2 인공지능 모델을 이용하여 항암 사이클의 시작일로부터 미리 설정된 기간 동안 상기 위험기간에 포함되는지 여부를 판단하도록 구성될 수 있다.
중성구 수치 회복 예측장치(100)는 외부 장치(200)로부터 항암 치료 데이터들을 획득하고, 이를 분석하여 도출한 결과 값을 외부 장치(200)로 송신할 수 있다. 여기서 외부 장치(200)는 개인용 컴퓨터, 개인용 단말기 및 병원 및 연구 기관의 의료 데이터 저장소일 수 있으며, 이에 한정되는 것은 아니다.
도 11은 본 발명의 일 실시예에 따른 제1 인공지능 모델을 설명하기 위한 개념도이다.
도 11을 참조하면, 제1 인공지능 모델은 RNN 알고리즘을 포함할 수 있다. 일 실시예로, 제1 인공지능 모델은, 불규칙한 입력 간격을 갖는 의료 데이터를 입력 값으로 이용하기 위하여 GRU-D 알고리즘을 포함할 수 있다.
따라서, 제1 인공지능 모델은 입력 간격이 불규칙한 입력 데이터들을 일정 간격으로 나누어 재구성(re-sampling)하는 과정을 별도의 전처리 과정을 통하여 수행하지 않고, 제1 인공지능 모델에서 보간 함수를 갱신하며, 보간 값을 산출함으로써, 원본 데이터를 훼손하지 않고 더욱 정확한 결과를 예측할 수 있다.
도 12는 본 발명의 일 실시예에 따른 제2 인공지능 모델을 설명하기 위한 개념도이다.
도 12를 참조하면, 제2 인공지능 모델은 불규칙한 길이를 갖는 의료 데이터를 활용하기 위하여 트랜스포머 알고리즘을 포함할 수 있다.
일 실시예로, 제2 인공지능 모델은 어텐션(Attention) 알고리즘, 또는 트랜스포머 알고리즘과 어텐션 알고리즘의 조합을 포함할 수 있다. 다만, 본 발명은 이에 한정되는 것이 아니며, 제2 인공지능 모델은 불규칙한 길이를 갖는 데이터를 분석하기에 적절한 공지의 최신 딥러닝 알고리즘을 제한없이 포함할 수 있다.
제2 인공지능 모델은 입력 데이터의 특정 부분에 가중치를 부여하여, 입력 데이터의 길이가 가변적이더라도 보다 정확한 결과를 예측할 수 있다. 일 예로, 제2 인공지능 모델은 시간-임베딩(Time-embedding) 과정을 통하여, 입력 데이터에 시간 정보를 포함시킬 수 있다. 시간-임베딩 과정은 특별한 한정 없이 공지의 기술이 적용될 수 있다. 일 예로, D-dimensional vector를 이용하여 시간-임베딩을 수행하는 경우, 시간 t에 대하여, 각 차원(dimension)마다 순차적으로, 
또는
를 적용할 수 있다. 이 때, 
는 학습 가능한 파라미터로 주어진 변수들에 대하여 최적 값으로 설정되는 것일 수 있다.
이상과 같이 실시예들이 비록 한정된 실시예와 도면들에 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.
100 : 중성구 수치 회복 예측방법
110 : 통신부 120 : 메모리
130 : 프로세서 200 : 외부 장치
110 : 통신부 120 : 메모리
130 : 프로세서 200 : 외부 장치
Claims (13)
- 컴퓨팅 장치에서 수행되는 중성구 수치 회복 예측방법에 있어서,
대상 환자의 항암 치료 데이터를 획득하는 데이터 획득 단계;
상기 항암 치료 데이터를 전처리하는 데이터 전처리 단계; 및
제1 인공지능 모델을 이용하여, 항암 치료 후 절대호중구수(Absolute neutrophil count, ANC)가 미리 설정된 기준 값 이하인 위험기간의 길이를 산출하는 단계;를 포함하는 중성구 수치 회복 예측방법. - 제1항에 있어서,
상기 위험기간의 길이를 산출하는 단계는,
상기 제1 인공지능 모델이 항암 사이클 시작일을 기준으로 경과된 기간인 상대 날짜를 산출하는 단계;
상기 제1 인공지능 모델이 상기 상대 날짜를 기초로, 미리 설정된 날짜 간격에 따라 상기 항암 치료 데이터의 보간 데이터들을 산출하는 단계; 및
상기 제1 인공지능 모델이 상기 항암 치료 데이터 및 보간 데이터들을 기초로, 상기 위험기간의 길이를 산출하는 단계;를 포함하는, 중성구 수치 회복 예측방법. - 제2항에 있어서,
보간 데이터들을 산출하는 단계는,
상기 제1 인공지능 모델이 상기 항암 치료 데이터가 포함하는 변수 별 표준 값을 설정하는 단계;
상기 제1 인공지능 모델이 제1 파라미터를 포함하는 보간 함수를 설정하는 단계; 및
상기 표준 값과 상기 항암 치료 데이터가 포함하는 관측 값을 이용하여, 미리 설정된 날짜 간격에서의 보간 값들을 산출하는 단계;를 포함하고,
상기 제1 파라미터는 상기 제1 인공지능 모델이 예측한 위험기간의 길이와 정답 값들을 비교하고, 비교한 결과가 학습 기준을 상회하도록 반복 학습하여 갱신하는 것인, 중성구 수치 회복 예측방법. - 제1항에 있어서,
상기 제1 인공지능 모델은 GRU-D 알고리즘을 포함하는, 중성구 수치 회복 예측방법. - 컴퓨팅 장치에서 수행되는 중성구 수치 회복 예측방법에 있어서,
대상 환자의 항암 치료 데이터를 획득하는 데이터 획득 단계;
상기 항암 치료 데이터를 전처리하는 데이터 전처리 단계;
제2 인공지능 모델을 이용하여 항암 사이클의 시작일로부터 미리 설정된 기간 동안의 절대호중구수의 변화 양상을 예측하여 실수로 결정하는 단계; 및
상기 제2 인공지능 모델을 이용하여 항암 사이클의 시작일로부터 미리 설정된 기간 동안 절대호중구수가 미리 설정된 기준 값 이하인 위험기간에 포함되는지 여부를 판단하는 단계;를 포함하는, 중성구 수치 회복 예측방법. - 제5항에 있어서,
상기 위험기간에 포함되는지 여부를 판단하는 단계는,
상기 제2 인공지능 모델이, 상기 절대호중구수를 기초로 제1 파생 변수를 생성하는 단계;
상기 제2 인공지능 모델이, 상기 제1 파생 변수가 미리 설정된 기준 값 미만일 때 상기 위험기간에 포함되는 것으로 판단하고, 상기 제1 파생 변수가 미리 설정된 기준 값 이상일 때 상기 위험기간에 포함되지 않는 것으로 판단하는 단계;를 포함하는, 중성구 수치 회복 예측방법. - 제5항에 있어서,
상기 제2 인공지능 모델은 트랜스포머(Transformer) 알고리즘, 어텐션(Attention) 알고리즘, 또는 이들의 조합을 포함하는, 중성구 수치 회복 예측방법. - 컴퓨팅 장치에서 수행되는 중성구 수치 회복 예측방법에 있어서,
복수의 환자의 항암 치료 데이터들을 획득하는 데이터 획득 단계;
상기 항암 치료 데이터들을 전처리하는 데이터 전처리 단계; 및
전처리 된 상기 항암 치료 데이터들을 이용하여 인공지능 모델을 학습하는 단계;를 포함하는, 중성구 수치 회복 예측방법. - 제8항에 있어서,
상기 데이터 전처리 단계는,
상기 항암 치료 데이터들의 개인 정보를 삭제하여 비식별화하는 단계;
비식별화 된 상기 항암 치료 데이터들을 일반 항암 치료와 고용량 항암 치료로 분류하는 단계;
상기 항암 치료 데이터들의 항암 사이클을 표시하는 단계;
상기 항암 치료 데이터들에 상기 항암 사이클의 시작일로부터 경과된 기간인 상대 날짜를 입력하는 단계;
상기 항암 치료 데이터들 중 누락된 절대호중구수(ANC)와 절대림프구수(Absolute Lymphocyte Count, ALC)를 다른 변수들로부터 산출하는 단계; 및
미리 설정된 수 이하의 개수를 갖는 변수들을 제거하는 단계;를 포함하는, 중성구 수치 회복 예측방법. - 컴퓨터를 이용하여 제1항 내지 제9항 중 어느 한 항에 따른 중성구 수치 회복 예측방법을 실행시키기 위하여 컴퓨터 판독 가능한 저장 매체에 저장된 컴퓨터 프로그램.
- 항암 치료 데이터, 제1 인공지능 모델을 저장하는 메모리; 및
상기 항암 치료 데이터를 전처리하고,
상기 제1 인공지능 모델을 이용하여, 항암 치료 후 절대호중구수가 미리 설정된 기준 값 이하인 위험기간의 길이를 산출하도록 구성되는, 프로세서를 포함하는, 중성구 수치 회복 예측장치. - 제11항에 있어서,
상기 메모리는 제2 인공지능 모델을 더 저장하고,
상기 프로세서는,
상기 제2 인공지능 모델을 이용하여 항암 사이클의 시작일로부터 미리 설정된 기간 동안의 절대호중구수의 변화 양상을 예측하여 실수로 반환하도록 구성되는, 중성구 수치 회복 예측장치. - 제11항에 있어서,
상기 메모리는 제2 인공지능 모델을 더 저장하고,
상기 프로세서는,
상기 제2 인공지능 모델을 이용하여 항암 사이클의 시작일로부터 미리 설정된 기간 동안 상기 위험기간에 포함되는지 여부를 판단하도록 구성되는, 중성구 수치 회복 예측장치.
Priority Applications (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020210091854A KR102587466B1 (ko) | 2021-07-13 | 2021-07-13 | 중성구 수치 회복 예측방법 및 그 장치 |
| KR1020230096364A KR20230113517A (ko) | 2021-07-13 | 2023-07-24 | 중성구 수치 회복 예측방법 및 그 장치 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020210091854A KR102587466B1 (ko) | 2021-07-13 | 2021-07-13 | 중성구 수치 회복 예측방법 및 그 장치 |
Related Child Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020230096364A Division KR20230113517A (ko) | 2021-07-13 | 2023-07-24 | 중성구 수치 회복 예측방법 및 그 장치 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| KR20230011163A true KR20230011163A (ko) | 2023-01-20 |
| KR102587466B1 KR102587466B1 (ko) | 2023-10-11 |
Family
ID=85108659
Family Applications (2)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020210091854A KR102587466B1 (ko) | 2021-07-13 | 2021-07-13 | 중성구 수치 회복 예측방법 및 그 장치 |
| KR1020230096364A KR20230113517A (ko) | 2021-07-13 | 2023-07-24 | 중성구 수치 회복 예측방법 및 그 장치 |
Family Applications After (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020230096364A KR20230113517A (ko) | 2021-07-13 | 2023-07-24 | 중성구 수치 회복 예측방법 및 그 장치 |
Country Status (1)
| Country | Link |
|---|---|
| KR (2) | KR102587466B1 (ko) |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20170137212A (ko) | 2015-06-12 | 2017-12-12 | 가부시키가이샤 오토네트웍스 테크놀로지스 | 알루미늄 합금선, 알루미늄 합금 연선, 피복 전선 및 와이어 하네스 |
| KR20180120469A (ko) * | 2017-04-27 | 2018-11-06 | 권오일 | 질병 분석 및 예측 시스템 |
| KR102204958B1 (ko) * | 2019-10-28 | 2021-01-20 | 삼성에스디에스 주식회사 | 의료 검사 결과 데이터의 처리 방법 |
| KR20210085867A (ko) * | 2019-12-31 | 2021-07-08 | 광운대학교 산학협력단 | 사용자의 혈압을 추정하기 위한 장치 및 방법 |
-
2021
- 2021-07-13 KR KR1020210091854A patent/KR102587466B1/ko active IP Right Grant
-
2023
- 2023-07-24 KR KR1020230096364A patent/KR20230113517A/ko not_active Application Discontinuation
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20170137212A (ko) | 2015-06-12 | 2017-12-12 | 가부시키가이샤 오토네트웍스 테크놀로지스 | 알루미늄 합금선, 알루미늄 합금 연선, 피복 전선 및 와이어 하네스 |
| KR20180120469A (ko) * | 2017-04-27 | 2018-11-06 | 권오일 | 질병 분석 및 예측 시스템 |
| KR102204958B1 (ko) * | 2019-10-28 | 2021-01-20 | 삼성에스디에스 주식회사 | 의료 검사 결과 데이터의 처리 방법 |
| KR20210085867A (ko) * | 2019-12-31 | 2021-07-08 | 광운대학교 산학협력단 | 사용자의 혈압을 추정하기 위한 장치 및 방법 |
Also Published As
| Publication number | Publication date |
|---|---|
| KR20230113517A (ko) | 2023-07-31 |
| KR102587466B1 (ko) | 2023-10-11 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US11488694B2 (en) | Method and system for predicting patient outcomes using multi-modal input with missing data modalities | |
| CN111613289B (zh) | 个体化药物剂量预测方法、装置、电子设备及存储介质 | |
| US20160364544A1 (en) | Diagnostic support systems using machine learning techniques | |
| CN109920547A (zh) | 一种基于电子病历数据挖掘的糖尿病预测模型构建方法 | |
| CN110051324B (zh) | 一种急性呼吸窘迫综合征死亡率预测方法及系统 | |
| US20050119534A1 (en) | Method for predicting the onset or change of a medical condition | |
| Somanchi et al. | Early prediction of cardiac arrest (code blue) using electronic medical records | |
| US20160364545A1 (en) | Expansion And Contraction Around Physiological Time-Series Trajectory For Current And Future Patient Condition Determination | |
| US11600380B2 (en) | Decision support tool for determining patient length of stay within an emergency department | |
| US20230157533A1 (en) | A computer-implemented system and method for assessing a level of activity of a disease or condition in a patient's eye | |
| Gowsalya et al. | Predicting the risk of readmission of diabetic patients using MapReduce | |
| CN116719926B (zh) | 基于智慧医疗的先天性心脏病报告数据筛选方法及系统 | |
| Martsenyuk et al. | Intelligent Big Data System Based on Scientific Machine Learning of Cyber-physical Systems of Medical and Biological Processes. | |
| Melnykova et al. | The Applying Processing Intelligence Methods for Classify Persons in Identify Personalized Medication Decisions | |
| KR102587466B1 (ko) | 중성구 수치 회복 예측방법 및 그 장치 | |
| US20230068453A1 (en) | Methods and systems for determining and displaying dynamic patient readmission risk and intervention recommendation | |
| Rajan et al. | Artificial Intelligence in Healthcare: Algorithms and Decision Support Systems | |
| Abu-Issa et al. | Design and implementation of proactive multi-type context-aware recommender system for patients suffering diabetes | |
| JP2023545711A (ja) | センサデータを使用して血友病関連予測を生成するための機械学習モデル | |
| Faris et al. | An intelligence model for detection of PCOS based on K‐means coupled with LS‐SVM | |
| Li et al. | Confounding adjustment in the analysis of augmented randomized controlled trial with hybrid control arm | |
| Baron | Artificial Intelligence in the Clinical Laboratory: An Overview with Frequently Asked Questions | |
| Shruthi et al. | Diabetes prediction using machine learning technique | |
| Magade et al. | AUTOMATING DECISION PROCESS OF OVERNIGHT PATIENT CARE USING HYBRID MACHINE LEARNING ALGORITHMS | |
| Figueiredo et al. | Early delirium detection using machine learning algorithms |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| E902 | Notification of reason for refusal | ||
| A107 | Divisional application of patent | ||
| E701 | Decision to grant or registration of patent right | ||
| GRNT | Written decision to grant |