KR20230018486A - 휴대용 모니터링 장치로부터의 시계열의 매개변수를 통한 사용자의 통증 평가 - Google Patents

Abstract

사용자에 대한 통증을 평가하기 위한 시스템 및 방법이 제공된다. 정의된 기간 동안 생체 내 감지 장치에서 상기 사용자를 나타내는 제1 통증 관련 매개변수가 모니터링되어 상기 제1 통증 관련 매개변수에 대한 시계열을 생성한다. 휴대용 컴퓨팅 장치를 통해 상기 사용자로부터 상기 정의된 기간 내의 제1 및 제2 시간에서 상기 사용자에 대한 제2 통증 관련 매개변수에 대한 값이 획득되어 상기 제2 통증 관련 매개변수에 대한 각각의 제1 및 제2 값을 제공한다. 상기 제1 통증 관련 매개변수에 대한 상기 시계열, 상기 제2 통증 관련 매개변수에 대한 상기 제1 값 및 상기 제2 통증 관련 매개변수에 대한 상기 제2 값에 따라 예측 모델을 통해 사용자에게 값이 할당된다.

Description

휴대용 모니터링 장치로부터의 시계열의 매개변수를 통한 사용자의 통증 평가

[관련 출원]

본 출원은 2020년 5월 29일에 출원된 미국 가출원 번호 63/032,095의 우선권을 주장하며, 그 주제는 전체적으로 참고로 본 명세서에 포함된다.

본 발명은 휴대용 모니터링 장치로부터 수신된 시계열의 매개변수를 통하여 사용자의 통증을 평가하는 것에 관한 것이다.

피험자가 경험하는 통증을 측정하는 것은 어려운 일이고, 현재 대부분 피험자의 행동을 관찰하고 자가 보고하는 것으로 제한된다. 그러나 관찰과 자가 보고 모두 주관적이기 때문에, 자극이나 측정하기 어려운 다양한 치료 효과에 대해 반응하며 통증의 경험 또는 통증의 증가를 객관적으로 측정하기가 어렵다. 안타깝게도, 만성 통증 및 상태의 중요한 특징으로서의 통증에 따른 다수의 장애, 및 이에 따라 환자의 통증 수준, 특히 통증 수준의 변화를 객관적으로 측정할 수 없는 간병인의 무능력은, 이러한 상태 및 장애의 진단 및 관리를 복잡하게 만들 수 있다.

본 발명의 일 측면에 따르면, 사용자의 통증 평가 방법이 제공된다. 정의된 기간 동안 생체 내 감지 장치에서 상기 사용자를 나타내는 제1 통증 관련 매개변수가 모니터링되어 상기 제1 통증 관련 매개변수에 대한 시계열을 생성한다. 휴대용 컴퓨팅 장치를 통해 상기 사용자로부터 상기 정의된 기간 내의 제1 및 제2 시간에서 상기 사용자에 대한 제2 통증 관련 매개변수에 대한 값이 획득되어 상기 제2 통증 관련 매개변수에 대한 각각의 제1 및 제2 값을 제공한다. 상기 제1 통증 관련 매개변수에 대한 상기 시계열, 상기 제2 통증 관련 매개변수에 대한 상기 제1 값 및 상기 제2 통증 관련 매개변수에 대한 상기 제2 값에 따라 예측 모델을 통해 사용자에게 값이 할당된다.

본 발명의 다른 측면에 따르면, 사용자에 대한 통증을 평가하기 위한 시스템이 제공된다. 상기 시스템은 정의된 기간 동안 사용자를 나타내는 제1 통증 관련 매개변수를 모니터링하여 상기 제1 통증 관련 매개변수에 대한 시계열을 생성하는 생체 내 감지 장치를 포함한다. 휴대용 컴퓨팅 장치는 상기 정의된 기간 내 제1 및 제2 시간에서 상기 사용자에 대한 제2 통증 관련 매개변수에 대한 값을 획득하여 사익 제2 통증 관련 매개변수에 대한 각각의 제1 및 제2 값을 제공한다. 예측 모델은 상기 제1 통증 관련 매개변수에 대한 상기 시계열, 상기 제2 통증 관련 매개변수에 대한 상기 제1 값 및 상기 제2 통증 관련 매개변수에 대한 상기 제2 값에 따라 상기 사용자에게 값을 할당한다.

본 발명의 다른 측면에 따르면, 사용자에 대한 통증을 평가하기 위한 시스템이 제공된다. 상기 시스템은 정의된 기간 동안 사용자를 나타내는 제1 통증 관련 매개변수를 모니터링하여 상기 제1 통증 관련 매개변수에 대한 시계열을 생성하는 웨어러블 장치를 포함한다. 상기 제1 통증 관련 매개변수는 운동 매개변수 또는 생리적 매개변수이다. 휴대용 컴퓨팅 장치는 상기 정의된 기간 내의 제1 및 제2 시간에서 상기사용자를 위한 제2 통증 관련 매개변수에 대한 값을 획득하여 상기 제2 통증 관련 매개변수에 대한 각각의 제1 및 제2 값을 제공한다. 상기 제2 통증 관련 매개변수는 모바일 장치의 사용자 인터페이스를 통한 상기 사용자의 입력으로부터 결정된 인지 매개변수, 수면 매개변수 또는 심리사회적 매개변수이다. 예측 모델은 상기 제1 통증 관련 매개변수에 대한 상기 시계열, 상기 제2 통증 관련 매개변수에 대한 상기 제1 값 및 상기 제2 통증 관련 매개변수에 대한 상기 제2 값에 따라 상기 사용자에게 값을 할당한다.

도 1은 본 발명의 측면에 따라 사용자의 통증을 평가하기 위한 시스템을 도시한다.
도 2는 다수의 휴대용 모니터링 장치 사용하는 도 1의 시스템의 개략도이다;
도 3은 예시적인 인지 평가 애플리케이션으로부터의 반응 시간 테스트의 스크린샷이다.
도 4는 예시적인 인지 평가 애플리케이션으로부터의 주의력 테스트의 스크린샷이다.
도 5 및 6은 예시적인 인지 평가 애플리케이션으로부터의 반응 억제 테스트의 스크린샷이다.
도 7은 예시적인 인지 평가 애플리케이션으로부터의 작업 기억(1-백) 테스트의 스크린샷이다.
도 8은 예시적인 인지 평가 애플리케이션으로부터의 작업 기억(2-백) 테스트의 스크린샷이다.
도 9는 사용자에 대한 통증을 평가하기 위한 방법을 도시한다.
도 10은 하드웨어 컴포넌트의 예시적인 시스템을 도시하는 개략 블록도이다.

"통증 관련 매개변수"는 사용자의 통증을 감지하거나 예측하는 것과 관련된 생리학적, 인지적, 감각적, 수면, 운동, 유전적, 심리사회적 또는 행동 매개변수이다.

"생물학적 리듬"은 제한하는 것은 아니지만 일주기 리듬, 울트라디안 리듬, 적외선 리듬, 주간 주기, 수면/각성 주기 및 생활 패턴을 포함하는, 인간에게 영향을 미치는 임의의 시간생물학적 현상이다.

본 명세서에서 사용되는 "휴대용 모니터링 장치"는 사용자로부터 입력을 수신하기 위한 입력 장치와 사용자 인터페이스 중 하나 또는 둘다 및 통증 관련 매개변수 또는 통증 관련 매개변수를 계산하거나 추정하는 데 사용할 수 있는 매개변수를 모니터링하기 위한 센서를 통합하는, 사용자가 착용하거나 휴대하거나 이식하는 장치를 의미한다.

본 명세서에서 사용되는 "인덱스"는 일련의 관찰에서 파생되고 지표 또는 척도로서 사용되는 복합적인 통계를 다루기 위한 것이다. 인덱스는 관찰 및 상관 관계를 나타내는 서수, 연속적 또는 범주 값일 수 있으며, 보통 "점수"라고 하는 통계, 뿐만 아니라 인덱스의 보다 기술적인 의미를 포함하는 것으로 읽어야 한다.

본원에서 사용되는 "체내 감지 장치"는 통증 관련 매개변수를 측정하는 데 사용되는 이식도거나, 삼키거나 또는 착용 가능한 장치이다.

본 명세서에서 사용되는 "휴대용 컴퓨팅 장치"는 장치의 센서 또는 사용자와의 상호 작용을 통해 통증 관련 매개변수를 측정할 수 있는, 스마트폰, 스마트 워치, 태블릿, 노트북 및 랩탑과 같이, 사용자가 휴대할 수 있는 컴퓨팅 장치이다. 휴대용 컴퓨팅 장치는 예를 들어 사용자로부터 입력을 수신하기 위한 사용자 인터페이스, 사용자에 의한 활동을 측정하기 위한 키네틱 센서 및 사용자의 위치를 추적하는 위치 서비스를 포함할 수 있다.

본원에 사용된 바와 같이, "예측 모델"은 매개변수의 미래 상태를 예측하거나 직접 측정할 수 없는 매개변수의 현재 상태를 추정하는 수학적 모델 또는 기계 학습 모델이다.

도 1은 본 발명의 측면에 따라 사용자에 대한 통증을 평가하기 위한 시스템(100)을 도시한다. 일 구현 예에서, 시스템(100)은 만성 통증을 경험하는 개인의 통증 수준을 모니터링하는 데 사용될 수 있다. 시스템(100)은 사용자를 위한 통증 관련 매개변수를 추적하는 시스템을 모니터링하기 위한 센서를 포함하는 복수의 휴대용 모니터링 장치(102 및 110)를 포함한다. 주어진 휴대용 모니터링 장치(예를 들어, 102)는 통증 관련 매개변수를 서버에 제공하기 위해 원격 서버(120)와 또는 통증 관련 매개변수를 서버에 전달하는 다른 휴대용 모니터링 장치(예를 들어, 110)와 직접 통신할 수 있다는 것이 이해될 것이다. 일 예에서, 복수의 휴대용 모니터링 장치는 생체 내 감지 장치 및 휴대용 컴퓨팅 장치를 포함할 수 있다. 휴대용 모니터링 장치(102 및 110)를 사용함으로써, 사용자의 집, 교실, 직장 또는 운동장 중 어디에서나 - 말 그대로 전쟁터에서 회의실까지 어디에서나 측정이 연속적으로 이루어질 수 있다. 위에서 언급한 바와 같이, 통증 관련 매개변수는 적어도 생리학적, 인지적, 운동/근골격, 감각, 수면, 바이오마커 및 행동 매개변수를 포함할 수 있다. 표 1은 측정될 수 있는 생리적 매개변수의 비제한적 예 및 생리학적 매개변수를 측정하기 위한 예시적인 테스트, 장치 및 방법을 제공한다.

생리학적 매개변수	생리학적 매개변수를 측정하기 위한 예시적인 장치 및 방법
뇌 활동	뇌파도, 기능적 자기 공명 영상(fMRI), PET, SPECT, MEG, 근적외선 분광법, 기능적 근적외 분광법, 및 전기, 혈류, 신경 전달 물질 및 대사 기능을 관찰하는 기타 뇌 영상 기법
심박수	심전도 및 광용적맥파
심박수 변동성	심전도, 광용적맥파
아이트래킹	급격한 이동, 응시 및 동공 크기(예: 확장)의 추적을 포함하는 동공 측정법
발한	발한 센서
혈압	혈압계
체온	온도계, 적외선 서모그래피
혈중 산소포화도와 호흡수	맥박산소측정기/가속도계
피부 전도성	전기 피부 활동
얼굴 감정	감정과 통증에 대한 카메라 또는 EMG 기반 센서
교감신경과 부교감신경	위의 측정에서 파생

생리적 매개변수는 웨어러블 또는 이식형 장치를 통해 뿐만 아니라 모바일 장치의 애플리케이션을 통해 사용자에 의한 직접 보고를 통해 측정될 수 있으며, 이는 자연스런운 비임상적인 환경에서 이들 생리적 매개변수의 측정을 용이하게 한다. 예를 들어, 스마트 워치, 링, 패치 등을 이용하여 사용자의 심박수, 심박변이도, 체온, 혈중산소포화도, 움직임, 수면 등을 측정할 수 있다. 이러한 값은 또한 변동성을 추정하기 위해 주간 분석의 대상이 될 수 있으며 생물학적 리듬으로 인해 예상되는 변화 뿐만 아니라 예상되는 생물학적 리듬 패턴의 편차의 관점에서 검토될 수 있다. 예를 들어, 사용자의 생체 리듬을 일정 기간(예를 들어, 10일) 동안 추적하여 정상적인 생체 리듬 패턴을 확립할 수 있다. 생물학적 리듬의 진동은 이 확립된 패턴에서 벗어난 것으로 감지될 수 있다. 표 2는 게임화되어 측정될 수 있는 인지 매개변수의 비제한적인 예와 이러한 인지 매개변수를 측정하기 위한 예시적인 방법 및 테스트/작업을 제공한다. 인지 매개변수는 예를 들어 실행 기능, 의사 결정, 작업 기억, 주의력 및 피로를 측정하는 일련의 인지 테스트로 평가할 수 있다.

인지 매개변수	인지 매개변수를 측정하기 위한 예시적인 테스트 및 방법
임시적인 디스카운팅	커비 지연 디스카운팅 작업
각성 및 피로	정신 운동 경계 작업
집중된 주의 및 반응 억제	에릭슨 플랭커 임무
작업기억	N-백 태스크
정서적 단서에 대한 주의 편향	도트 프로브 작업
융통성 없는 지속성	위스콘신 카드 분류 작업
의사결정 동작	아이오와 갬블링 작업
위험을 감수하는 행동	풍선 아날로그 위험 작업
억제 제어ㅂ	반단속적 작업
지속적인 관심	지속적인 관심
실행 기능	작업 이동 또는 이동 작업 설정

이러한 인지 테스트는 임상/실험실 환경 또는 사용자가 집, 직장 또는 기타 비임상 환경에 있을 때와 같은 자연스럽고 비임상 환경에서 시행될 수 있다. 스마트폰, 태블릿 또는 스마트 워치와 같은 스마트 장치는 자연스러운 비임상적인 환경에서 이러한 인지 매개변수 측정을 용이하게 할 수 있다. 예를 들어, 에릭슨 플랭커(Erikson Flanker), N-백(N-Back) 및 정신 운동 경계 작업(Psychomotor Vigilance Tasks)은 스마트폰, 태블릿 또는 스마트 워치의 애플리케이션을 통해 수행할 수 있다.

표 3은 측정될 수 있는 "운동 매개변수" 및 예시적인 테스트, 장치 및 방법으로 본 명세서에서 참조의 용이함을 위해 대안적으로 지칭되는, 사용자의 움직임 및 활동과 관련된 매개변수의 비제한적인 예를 제공한다. 휴대용 모니터링, 생체 내 감지 및 휴대용 컴퓨팅 장치를 사용하면 운동 매개변수를 측정할 수 있다. 내장된 가속도계, GPS 및 카메라를 사용하여, 사용자의 움직임이 캡처 및 정량화되어 통증이 어떻게 이들에 영향을 미치고 통증 관련 매개변수와 관련되는지를 알수 있도록 한다.

운동/근골격 매개변수	운동/근골격 매개변수를 측정하기 위한 예시적인 테스트 및 방법
활동 수준	웨어러블 가속도계, 걸음 수, 모션 캡처 데이터, 보행 분석, GPS, 포스 플레이트에서 일일 이동 총계, 활동 시간
보행 분석	보행 매트, 카메라, 포스 플레이트
동작 범위	모션 캡처, 카메라

표 4는 참조의 용이함을 위해 본 명세서에서 측정될 수 있는 "감각 매개변수"로서 대안적으로 지칭되는, 사용자의 감각 예민도와 관련된 매개변수의 비제한적인 예 및 예시적인 테스트, 장치 및 방법을 제공한다.

감각 매개변수	감각 매개변수를 측정하기 위한 예시적인 테스트 및 방법
비전	시력검사, 시야검사, 아이트래킹, EMG
듣기	청력 테스트
접촉	2점 식별, 프레이 필라멘트
냄새/맛
전정	전정 기능 검사

표 5는 참조의 용이함을 위해 본 명세세에서 측정될 수 있는 "수면 매개변수"로 대안적으로 지칭되는, 사용자의 수면 양 및 질과 관련된 매개변수의 비제한적인 예 및 예시적인 테스트, 장치 및 방법을 제공한다.

수면 매개변수	수면 매개변수를 측정하기 위한 예시적인 테스트 및 방법
웨어러블에서 수면	웨어러블 가속도계, 온도 및 PPG에서 수면 시작 및 오프셋, 수면 품질, 수면 수량,
수면 질문	피츠버그 수면 질 인덱스, 수면 설문지의 기능적 결과, 피로 심각도 척도, 엡워스 졸음 척도
장치	수면다원검사; 초음파, 카메라, 침대 센서
일주기 리듬	광 센서, 액티그래피, 혈청 수치, 심부 체온

표 6은 참조의 용이함을 위해 본 명세서에서 측정될 수 있는 "바이오마커 매개변수"로 대안적으로 지칭되는, 사용자와 연관된 바이오마커를 찾아내어 추출된 매개변수의 비제한적인 예 및 예시적인 테스트, 장치 및 방법을 제공한다. 바이오마커는 또한 만성 통증 상태 및 만성 통증 상태의 개선 또는 악화와 관련된 이미징 및 생리학적 바이오마커를 포함할 수 있다.

바이오마커 매개변수	바이오마커 매개변수를 측정하기 위한 예시적인 테스트 및 방법
유전적 바이오마커	유전자 검사
TNF-알파, 면역 변화(예를 들어, IL), 산화 스트레스 및 호르몬(예를 들어, 코르티솔)을 포함한 면역 바이오마커	혈액, 타액 및/또는 소변 검사

표 7은 본 명세서에서는 참조의 용이성을 위해 측정될 수 있는 "심리사회적 매개변수"으로 대안적으로 지칭되는, 심리사회적 및 행동 매개변수의 비제한적 예 및 예시적인 테스트, 장치 및 방법을 제공한다.

심리사회적 또는 행동 매개변수	심리사회적 또는 행동 매개변수를 측정하기 위한 예시적인 테스트 및 방법
증상 기록	특정 증상(예를 들어, 발열, 두통, 기침, 후각 상실)의 존재
의료 기록	병력, 처방, 척수자극기 등 치료기기 설정, 영상자료
통증 등급	비주얼 아날로그 스케일, 국방 및 참전 용사 통증 평가 척도, 통증 척도, 통증 평가 스크리닝 도구 및 결과 레지스트리
탈진	소진 재고 또는 이와 유사한 것
신체적, 정신적, 사회적 건강	사용자 보고 결과 측정 정보 시스템(PROMIS), 삶의 질 설문지
우울증	해밀턴 우울증 등급 척도
불안	해밀턴 불안 등급 척도
열광	스나이스 해밀턴 즐거움 척도
분위기/재앙 척도	기분 상태 프로필; 긍정적 영향 부정적 영향 일정
영향	긍정적 영향 부정적 영향 일정
충동성	바렛 충동성 척도
불리한 어린 시절의 경험	어린 시절의 외상
일상 생활	노출, 위험 감수
일일 작업량 및 스트레스	NASA 업무 부하 인덱스, 인지 스트레스 척도(PSS), 사회 재적응 평가 척도(SRRS)
건강의 사회적 결정요인	건강 설문지의 사회적 요인

행동 및 심리사회적 매개변수는 사용자의 기능 뿐만 아니라 주관적/자기 보고식 설문지를 측정할 수 있다. 주관적/자기 보고식 설문지는 임상/실험실 환경에서 또는 사용자가 집, 직장 또는 기타 비임상 환경에 있을 때와 같이 자연스러운 비임상 환경에서 수집할 수 있다. 스마트폰, 태블릿, 개인용 컴퓨터와 같은 스마트 기기를 사용하여 주관식/자기 보고식 설문지를 관리할 수 있다. 내장된 가속도계와 카메라를 사용하여, 이 스마트 장치를 얼굴 표정 분석을 캡처하기 위해 사용하여 기분, 불안, 우울증, 동요 및 피로를 나타낼 수 있는 사용자의 얼굴 표정을 분석할 수 있다.

생리학적, 인지적, 운동/근골격, 감각, 수면, 바이오마커 및 행동 매개변수의 하나 이상의 조합에 추가하여, 임상 데이터는 또한 통증 평가에 대한 다차원 피드백 접근 방식의 일부가 될 수 있다. 이러한 임상 데이터는, 예를 들어, 사용자의 임상 상태, 사용자의 병력(가족력 포함), 고용 정보, 거주 상태를 포함할 수 있다.

휴대용 모니터링 장치(102 및 110)에 의해 수집된 데이터를 분석하는 원격 서버. 원격 서버(120)는 전용 물리적 서버 또는 클라우드 서버 구성의 일부로 구현될 수 있다. 원격 서버 외에도, 데이터는 로컬 장치 자체 및/또는 연합 학습 메커니즘에서 분석될 수 있다. 휴대용 모니터링 장치(102 및 110)로부터 수신된 정보는 예측 모델(124)에서 사용하기 위해 복수의 특징을 추출하는 특징 추출기(122)에 제공된다. 특징 추출기(122)는 통증 관련 매개변수를 나타내는 범주형 및 연속적 매개변수를 결정한다. 일 예에서, 매개변수는 모니터링된 매개변수의 시계열의 중심 경향 측정(예를 들어, 중앙값, 최빈값, 산술 평균 또는 기하 평균) 및 편차 측정(예를 들어, 범위, 사분위수 범위, 분산, 표준 편차 등)과 같은 기술 통계 뿐만 아니라 시계열 자체를 포함할 수 있다. 구체적으로, 예측 모델에 제공되는 특징 세트는 적어도 하나의 매개변수에 대해, 서로 다른 시간의 매개변수에 대한 값을 나타내는 두 개의 값 또는 다수의 시간에 걸쳐 매개변수에 대한 값을 나타내는 중심 경향의 척도 또는 편차 척도와 같은 단일 값을 포함하게 된다.

다른 예에서, 특징은 특징에 대해 확립된 패턴으로부터의 환자의 이탈을 나타낼 수 있다. 예를 들어, 주어진 매개변수의 값은 시간이 지남에 따라 추적될 수 있으며 전체 또는 특정 기간 동안 중심 경향의 척도를 설정할 수 있다. 수집된 특징은 중심 경향의 척도에서 주어진 매개변수의 이탈을 나타낼 수 있다. 예를 들어, 운동학적 센서 및 글로벌 포지셔닝 시스템(GPS) 추적 중 하나 또는 둘 다에 의해 측정된 사용자 활동 수준의 변화는 통증 관련 매개변수로 사용될 수 있다. 모니터링의 추가 요소에는 스마트폰, TV, 휴대용 장치, 휴대용 장치 사용에 대한 사용자의 준수 모니터링이 포함될 수 있다. 예를 들어, 사용자는 그들의 통증 수준, 일반적인 기분, 또는 휴대용 컴퓨팅 장치 상의 임의의 다른 통증 관련 매개변수의 상태에 대해 질문하는 시스템에 의해 메시지를 보낼 수 있다. 사용자가 휴대용 컴퓨팅 장치의 사용자 인터페이스를 통해 응답하는 이러한 메시지의 백분율에 따라 적합성의 척도가 결정될 수 있다.

일 구현에서, 특징 추출기(122)는 일련의 웨이블릿 계수를 제공하기 위해 하나 이상의 매개변수에 대한 값의 시계열에 대해 웨이블릿 변환을 수행할 수 있다. 본 명세서에서 사용된 웨이블릿 변환은 2차원적이므로, 계수는 시간 및 빈도 또는 척도에 대해 2차원 배열로 구상될 수 있다는 것이 이해될 것이다.

주어진 시계열 매개 변수 xi에 대해, 웨이블릿 분해에서 생성된 웨이블릿 계수 W_a(n)은 다음과 같이 정의될 수 있다:

여기서

는 웨이블릿 함수이고, M은 시계열의 길이이며, a와 n은 계수 계산 위치를 정의한다.

특징 추출기(122)는 하루 종일 다양한 시간에 사용자에 대해 감정 상태를 지정하기 위해, 스마트폰이나 기타 모바일 장치와 같이, 카메라로부터의 기록된 데이터 및/또는 기록된 이미지 또는 휴대용 모니터링 장치(102 및 110) 중 하나로부터의 환자 얼굴의 비디오를 평가하는 얼굴 표정 분류기(미도시)를 또한 포함할 수 있다. 추출된 특징은 환자의 가장 가능성 있는 감정 상태를 나타내는 범주형일 수 있거나, 예를 들어 얼굴 표정 분류기에 의해 결정되는 바와 같이 다양한 감정 상태(예를 들어, 불안, 불편, 분노 등)에 대한 시계열의 확률 값로서 연속적일 수 있다. 얼굴 표정 분류기는 예측 모델(124)에서 사용하기 위해 아래에서 논의되는 하나 이상의 모델을 사용하여 구현될 수 있다는 것이 이해될 것이다.

예측 모델(124)은 또한, 예를 들어 고용 정보(예를 들어, 직함, 부서, 교대 근무), 연령, 성별, 집 우편번호, 게놈 데이터, 영양 정보, 약물 섭취량, 가구 정보(예를 들어, 집 유형, 거주자 수 및 연령), 사회 및 심리사회적 데이터, 소비자 지출 및 프로필, 재무 데이터, 식품 안전 정보, 신체적 학대 유무, 관련 병력을 포함하여, 원격 서버(120)에 저장된 사용자 데이터(126)를 활용할 수 있다. 또한 모델은 배우자, 자녀, 가족, 동료, 친구 등의 소셜 모델과 같은 예측을 구체화하기 위해 함께 상호 작용하도록 여러 사용자를 결합할 수 있다.

예측 모델(124)은 하나 이상의 패턴 인식 알고리즘을 이용할 수 있으며, 이들 각각은 추출된 특징 또는 추출된 특징의 서브세트를 분석하여 연속적 또는 범주형 매개변수를 사용자에게 할당한다. 일 예에서, 예측 모델(124)은 Oswestry 장애 인덱스, 수치 등급 척도, 또는 Mankoski 통증 척도와 같은 통증 척도에 대한 값에 해당하는 연속적 매개변수를 할당할 수 있다. 예측 모델(124)에 의해 제공되는 연속적 매개변수는 생리학적 측정과 상관되며 이러한 통증 척도 또는 통증의 다른 주관적 측정에 대한 대용 메트릭으로 사용될 수 있다. 대안적으로, 예측 모델(124)은 Wong-Baker 안면 통증 척도 및 컬러 아날로그 척도와 같은 통증 척도와 관련된 카테고리에 대응하는 범주형 매개변수를 할당할 수 있다. 예측 모델(124)은 환자의 현재 통증 수준에 대한 값을 결정하거나 미래의 어떤 시점에서 환자에 대한 통증 값을 예측할 수 있다. 일 예에서, 계산된 인덱스는 통증의 최악의 상황을 식별하기 위해 사용자의 자기 보고된 통증 및 기분과 비교될 수 있다. 게다가, 환자 또는 피험자의 통증 수준 값은 예측 모델(124)에 의해 생성된 객관적인 통증 값과 예를 들어 숫자 통증 척도를 통해 자가 보고된 통증 수준을 비교함으로써 치료 또는 임상 시험 중에 플라시보 효과를 정량화하기 위해 사용될 수 있다. 생성된 매개변수는 예를 들어 전자 건강 기록 데이터베이스의 기록의 일부로서 비일시적 컴퓨터 판독 가능 매체에 저장되거나, 예를 들어 사용자가 이식, 착용 또는 휴대하는 치료 장치를 통해 즉각적인 치료를 안내하는 데 사용된다.

다중 분류 또는 회귀 모델이 사용되는 경우, 복수의 모델로부터 일관된 결과를 제공하기 위해 중재 요소가 활용될 수 있다. 주어진 분류기의 훈련 프로세스는 구현에 따라 다르지만 일반적으로 교육에는 출력 클래스와 관련된 하나 이상의 매개 변수로 교육 데이터의 통계적 집계가 포함된다. 훈련 프로세스는 원격 시스템 및/또는 로컬 장치 또는 웨어러블 앱에서 수행할 수 있다. 훈련 프로세스는 연합 또는 비연합 방식으로 달성할 수 있다. 의사 결정 트리와 같은 규칙 기반 모델의 경우, 예를 들어, 한 명 이상의 인간 전문가가 제공하는 도메인 지식은 추출된 특징을 사용하여 사용자를 분류하기 위한 규칙을 선택할 때 훈련 데이터를 대신하거나 보충하기 위해 사용될 수 있다. 지원 벡터 머신, 회귀 모델, 자체 구성 맵, 퍼지 논리 시스템, 데이터 융합 프로세스, 부스팅 및 배깅 방법, 규칙 기반 시스템 또는 인공 신경망을 포함하여 다양한 기술을 분류 알고리즘에 활용할 수 있다.

연합 학습(협력 학습이라고도 함)은 데이터 샘플을 교환하지 않고 로컬 데이터 샘플을 보유한 여러 분산형 에지 장치 또는 서버에서 알고리즘을 교육하는 예측 기술이다. 이 접근 방식은 모든 데이터 샘플이 하나의 서버에 업로드되는 기존의 중앙 집중식 예측 기술, 뿐만 아니라 로컬 데이터 샘플이 동일하게 배포된다고 가정하는 보다 고전적인 분산형 접근 방식과 대조한다. 연합 학습을 통해 여러 행위자가 데이터를 공유하지 않고도 공통적이고 강력한 예측 모델을 구축할 수 있게 하므로, 데이터 프라이버시, 데이터 보안, 데이터 액세스 권한 및 이기종 데이터 액세스와 같은 민감한 문제를 해결할 수 있다. 그 애플리케이션은 국방, 통신, IoT 또는 제약을 포함한 여러 산업에 퍼져 있다.

예를 들어, SVM 분류기는 N차원 특징 공간에서 개념적으로 경계를 나누기 위해 초평면이라고 하는 복수의 함수를 활용할 수 있으며, 여기서 N 차원 각각은 특징 벡터의 하나의 연관된 특징을 나타낸다. 경계는 각 클래스와 관련된 특징 값의 범위를 정의한다. 따라서, 경계에 상대적인 특징 공간에서의 위치에 따라 주어진 입력 특징 벡터에 대해 출력 클래스 및 연관된 신뢰 값이 결정될 수 있다. 일 구현에서, SVM은 선형 또는 비선형 커널을 사용하는 커널 방법을 통해 구현될 수 있다.

ANN 분류기는 복수의 상호 연결을 갖는 복수의 노드를 포함한다. 특징 벡터의 값은 복수의 입력 노드에 제공된다. 입력 노드는 각각 이러한 입력 값을 하나 이상의 중간 노드 레이어에 제공한다. 주어진 중간 노드는 이전 노드에서 하나 이상의 출력 값을 받는다. 수신된 값은 분류기 훈련 중에 설정된 일련의 가중치에 따라 가중치가 부여된다. 중간 노드는 노드의 전달 함수에 따라 수신된 값을 단일 출력으로 변환한다. 예를 들어, 중간 노드는 수신된 값을 합산하고 합산에 이진 단계 함수를 적용할 수 있다. 노드의 최종 계층은 ANN의 출력 클래스에 대한 신뢰도 값을 제공하며, 각 노드에는 분류자의 관련 출력 클래스 중 하나에 대한 신뢰도를 나타내는 관련 값이 있다. 또 다른 예는 통증의 증가 또는 감소로 인해 다양한 매개변수가 개인의 정상 범위를 벗어나는 때를 식별하기 위한 이상 감지기로서 통증 관련 매개변수의 이상값을 감지하기 위해 오토인코더를 활용하는 것이다.

많은 ANN 분류기는 완전히 연결되어 피드포워드된다. 그러나 컨볼루션 신경망은 이전 레이어의 노드가 컨볼루션 레이어의 노드 하위 집합에만 연결되는 컨볼루션 레이어를 포함한다. 순환 신경망은 노드 사이의 연결이 시간적 순서를 따라 방향성 그래프를 형성하는 신경망의 한 종류이다. 피드포워드 네트워크와 달리, 순환 신경망은 주어진 입력에 대한 순환 신경망의 출력이 입력뿐만 아니라 하나 이상의 이전 입력의 함수가 될 수 있도록 이전 입력으로 인한 상태의 피드백을 통합할 수 있다. 예를 들어, 장단기 메모리(LSTM) 네트워크는 순환 신경망의 수정된 버전으로, 메모리에서 과거 데이터를 더 쉽게 기억할 수 있다.

규칙 기반 분류기는 출력 클래스를 선택하기 위해 추출된 특징에 일련의 논리적 규칙을 적용한다. 일반적으로 규칙은 순서대로 적용되며 각 단계의 논리적 결과는 이후 단계의 분석에 영향을 미친다. 특정 규칙과 그 순서는 훈련 데이터, 이전 사례의 유추적 추론 또는 기존 도메인 지식에서 결정될 수 있다. 규칙 기반 분류기의 한 예는 결정 트리 알고리즘으로, 여기에서 특징 집합의 특징 값을 계층적 트리 구조의 해당 임계값과 비교하여 특징 벡터에 대한 클래스를 선택한다. 랜덤 포레스트 분류기는 부트스트랩 집계 또는 "배깅(bagging)" 접근법을 사용하는 결정 트리 알고리즘을 수정한 것이다. 이 접근법에서, 다수의 결정 트리는 훈련 세트의 랜덤 샘플에 대해 훈련되며, 다수의 결정 트리에 걸친 평균(예를 들어, 평균, 중앙값 또는 최빈값) 결과가 반환된다. 분류 작업의 경우 각 트리의 결과는 범주형이므로, 모달 결과(modal outcome)이 사용될 수 있다.

일 구현 예에서, 예측 모델(124)은 웨이블릿 변환 계수의 하나 이상의 2차원 배열을 입력으로 제공하는 컨볼루션 신경망과 같은 통증 관련 매개변수에 대한 미래 값을 예측하는 구성 모델을 포함할 수 있다. 웨이블릿 계수는 시간뿐만 아니라 시간적 패턴의 변화도 감지하므로, 사용자의 일반적인 생물학적 리듬의 변화를 반영할 수 있다. 일 구현 예에서, 구성 모델에 의해 예측된 통증 관련 매개변수는 심박수 및 심박 변이도와 같은 측정된 매개변수뿐만 아니라 수면 장애 및 활동 감소와 같은 증상을 포함할 수 있다. 임의의 구성 모델은 이러한 예측을 제공하기 위해 다른 추출된 특징 및 사용자 데이터(126)와 같은 웨이블릿 계수에 더하여 데이터를 사용할 수 있다는 것이 이해될 것이다.

추가적으로 또는 대안적으로, 예측 모델은 전반적인 웰니스의 메트릭에 대한 현재 또는 미래 값을 예측하는 구성 모델을 사용할 수 있으며, 이 때 이들 측정은 예측 모델의 출력을 생성하기 위한 특징으로 사용된다. 예를 들어, 이러한 메트릭은 피로, 신체적 스트레스, 감정적 스트레스, 수면 장애, 작업 부하, 스트레스 부하 및 추가 행동을 나타내는 값을 포함할 수 있다. 사용자의 통증 수준 증가를 식별하거나 예측하기 위해 이러한 값을 사용함으로써, 이러한 증가에 대한 트리거를 식별하고 보다 효과적인 통증 치료에 사용할 수 있다. 반대로, 사용자의 통증이 감소하는 경우, 이들 값을 평가하여 개선 또는 안정성을 이들 매개변수의 변화와 연관시킬 수 있다. 이 데이터는 또한 모델을 환자에게 더 잘 맞추는 데 사용되는 임의의 그룹 내의 환자로부터 피드백된 데이터로, 이들 매개변수에 유사하게 반응하는 환자로 그룹화하는 데 사용될 수 있다. 이 모델은 또한 만성 통증의 진단, 통증 관리, 업무 복귀 및 기능을 촉진하기 위해 피험자, 참가자, 의료 서비스 제공자, 관리 팀 및 기타 단체에 대한 피드백 전략을 용이하게 하고, 약물, 병변 및 신경 자극, 척수 자극, 주입 및 기타 접근법을 포함한 신경 조절과 같은 기타 절차를 포함한 통증 치료에 대한 반응을 개선하기 위해 이용될 수 있다.

예측 모델(124)의 출력은 통증 척도 또는 통증 최악의 상황 상태에 대한 범주, 또는 현재 또는 예측된 상태에 대한 가능성의 범위와 같이, 사용자의 상태를 나타내는 범주 매개변수일 수 있다. 다른 구현예에서, 예측 모델(124)의 출력은 예측 또는 현재 상태의 가능성 또는 현재 통증 수준을 나타내는 값과 같은 연속적인 매개변수일 수 있다. 일 예에서, 예측 모델(124)은 미래 시간에 통증 관련 매개변수에 대한 값을 예측하는 하나 이상의 구성 모델을 포함할 수 있다. 예를 들어, 주어진 모델은 특징 추출기(122)로부터 수신된 데이터 및 저장된 사용자 데이터(126)에 기초하여 미래 시간(예를 들어, 3일 후)에 사용자에 대한 심박수 또는 심박수 변동성을 예측할 수 있다. 이러한 예측 값은 사용자에게 제공되거나 미래 시간에 사용자의 상태를 예측하기 위해 추가 모델에 대한 입력으로 활용될 수 있다. 일 예에서, 예측 모델(124)은 복수의 컨볼루션 신경망을 포함하고, 이들 각각은 통증 관련 매개변수의 미래 값을 예측하도록 구성되고, 복수의 컨볼루션 신경망으로부터 예측된 값은 사용자의 미래 상태(예를 들어, 통증 수준, 활동 수준 또는 수면의 질)를 예측하는 데 사용된다.

일부 구현 예에서, 예측 모델(124)은 모델에 의해 이루어진 예측의 정확도에 기초하여 예측 모델(124)의 다양한 매개변수를 튜닝할 수 있는 피드백 구성요소(128)를 포함할 수 있다. 일 예에서, 피드백 구성요소(128)는 복수의 예측 모델(124)에 의해 공유될 수 있으며, 모델의 출력에 의해 예측된 결과와 비교하여 각각의 예측 모델과 연관된 사용자에 대한 결과를 갖는다. 범주형 입력 또는 연속적 값의 출력을 생성하기 위한 임계값과 같은 모델과 관련된 매개변수는 실제 결과와 예측 결과의 차이에 따라 조정될 수 있다. 일 예에서, 시스템의 연속 출력은 환자의 통증 관련 매개변수가 증가 또는 감소하는지를 결정하기 위해 임계값과 비교될 수 있다. 이 임계값은 피드백 모델(128)에 의해 변경되어 결정의 정확도를 높일 수 있다.

다르게, 예측 모델(124)은 개별 모델 수준에서 피드백을 얻을 수 있다. 예를 들어, 통증 관련 매개변수의 미래 값을 예측하기 위해 구성 모델을 사용하는 예측 모델(124)에서, 모델은 통증 관련 매개변수가 측정되면 이러한 예측의 정확성에 대해 일관된 피드백을 받는다. 이 피드백은 해당 사용자가 연속적 값 또는 환자와 관련된 생물학적 리듬의 기준 값으로부터 범주형 입력 또는 출력을 생성하기 위한 개별화된 임계값을 포함하여, 모델의 매개변수를 조정하는 데 사용할 수 있다. 다르게, 피드백은 모델의 최종 출력에서 제공되고 사용자 보고 상태(예를 들어, 통증 수준)와 같은 다른 데이터와 비교하여 모델에 피드백을 제공할 수 있다. 일 구현 예에서, 예측 모델(124)의 중간 단계에서 통증 관련 매개변수의 예측된 미래 값 또는 예측 모델의 출력의 정확도에 기초하여 모델 매개변수를 조정하기 위해 강화 학습 접근법이 사용될 수 있다. 예를 들어, 예측 모델(124)에 의해 생성된 연속 인덱스로부터 범주형 출력을 생성하는 데 사용되는 결정 임계값은 이전 사용자로부터의 복수의 모델로부터의 피드백에 기초하여 초기 값으로 설정될 수 있고 사용자에게 특정적인 결정 임계값을 생성하기 위해 강화 모델을 통해 조정될 수 있다.

도 2는 다수의 휴대용 모니터링 장치(152, 154, 160)를 사용하는 도 1의 시스템의 개략적인 예(150)이다. 도시된 구현예에서, 제1 및 제2 휴대용 모니터링 장치(152, 154)는 각각 손목과 손가락에 착용되는 웨어러블 장치이다. 제1 및 제2 휴대용 모니터링 장치(152, 154)에 의해 모니터링되는 통증 관련 매개변수는 예를 들어, 심박수, 심박수 변동성, 수면 품질 메트릭, 생물학적 및 일주기 리듬 변동, 수면 양의 측정, 사용자의 신체 활동, 신체 방향, 움직임, 동맥 혈압, 호흡수, 맥박 산소 측정법으로 측정한 말초 동맥 옥시헤모글로빈 포화도, 최대 산소 소모량, 온도 및 온도 변화를 포함할 수 있다. 본 명세서에서 사용되는 웨어러블 장치는 적절한 센서로 구현되는 임의의 웨어러블 아이템을 포함할 수 있다. 통증 관련 매개변수를 모니터링하기 위해 센서를 적절한 위치에 유지할 수 있는 시계, 손목 밴드, 반지, 머리띠 및 기타 착용 가능한 품목을 포함한다. 주어진 웨어러블 장치(152 및 154)는 생성되는 상세한 시계열의 데이터를 가능하게 하는 큰 빈도(예를 들어, 5분마다)로 이들 매개변수 중 많은 것을 모니터링할 수 있다는 것이 이해될 것이다.

시스템(150)은 로컬 트랜시버(162)를 통해 제1 및 제2 휴대용 모니터링 장치(152, 154)와 통신하는 모바일 장치(160)를 더 포함할 수 있다. 모바일 장치(160)는 또한 사용자가 베이스 유닛에 저장된 하나 이상의 데이터 수집 애플리케이션(166)과 상호작용할 수 있게 해주는 그래픽 사용자 인터페이스(164)를 포함할 수 있다. 가능한 데이터 수집 애플리케이션의 한 예는 다양한 인지 기능 측정을 테스트하는 인지 평가 애플리케이션을 포함할 수 있다. 이들은 작업 기억, 주의력, 반응 억제, 피로, 인지를 포함할 수 있다. 또한, 이러한 메트릭은 설정된 기준선과 비교하여 사용자의 피로 측정을 추정할 수 있다. 예시적인 인지 평가 애플리케이션으로부터의 스크린샷이 도 3 내지 도 8로 제공된다. 다른 데이터 수집 애플리케이션은 사용자가 통증, 기분, 정신적, 신체적, 감정적 상태 및 스트레스를 자가 보고할 수 있도록 하는 설문지 애플리케이션을 포함할 수 있다. 일반적으로, 데이터 수집 애플리케이션(166)은 다음 각각을 모니터링하도록 선택 및 구성될 수 있다:

1. 주의, 각성도 및 피로

2. 메모리

3. 정신적 유연성

4. 기분과 감정

5. 지각 처리

6. 감각 예민

7. 운동 기능

8. 신경 능력

9. 소셜 네트워크

10. 사회 시스템

11. 통증 등급

12. 통증 위치

13. 웰니스

14. 경계심

15. 진료 및 치료 이력

16. 작업 복귀, 인지, 운동, 감각 및 행동 기능의 개선, 삶과 기능의 질.

모바일 장치(160)는 시스템(150)이 로컬 영역 네트워크 또는 인터넷 연결을 통해 원격 서버(170)와 통신하는 네트워크 트랜시버(168)를 더 포함한다. 이 예에서, 원격 서버(170)는 순환 신경망, 특히 장단기 메모리 아키텍처를 갖는 네트워크로서 구현된 예측 모델을 포함한다. 이 예에서, 설문 응답 및 인지 평가와 함께 심박 변이도 및 호흡수와 같은 웨어러블 장치(152 및 154)로부터의 통증 관련 매개변수는 다른 관련 데이터와 함께 시계열로 예측 모델에 제공될 수 있다. 모델의 출력은 환자가 경험하고 있는 통증의 현재 수준을 나타내는 지표이다.

통증 치료에 대한 반응 또는 자극에 대한 반응을 결정하기 위한 임상 연구에 인덱스가 사용될 수 있다는 것이 이해할 것이다. 더욱, 인덱스는 의료 전문가가 사용할 인덱스를 제공하거나, 임계값을 충족하는 인덱스에 반응하는 주입 펌프, 척수 자극기 또는 기타 장치를 작동하여 자동으로, 통증에 대해 환자에게 약물 또는 다른 치료 개입을 분배하는 데 사용될 수 있다.

도 9는 사용자에 대한 통증을 평가하기 위한 방법(180)을 도시한다. 방법의 결과는 사용자의 현재 또는 예상 통증 수준을 나타내는 값이다. 182에서, 사용자를 나타내는 제1 통증 관련 매개변수가 정의된 기간 동안 생체내 감지 장치에서 모니터링되어 제1 통증 관련 매개변수에 대한 시계열을 생성한다. 일 예에서, 제1 통증 관련 매개변수는 운동 매개변수 및 생리적 매개변수 중 하나, 예를 들어, 사용자 활동의 측정치, 사용자의 호흡수, 사용자의 심박수, 또는 사용자의 심박 변이성이다.

184에서, 휴대용 컴퓨팅 장치를 통해 사용자로부터 정의된 기간 내의 제1 및 제2 시간에 사용자의 제2 통증 관련 매개변수에 대한 값을 획득하여, 제2 통증 관련 매개변수에 대한 각각의 제1 및 제2 값을 제공한다. 일 예에서, 제2 통증 관련 매개변수는 휴대용 컴퓨팅 장치의 사용자 인터페이스에서 사용자의 입력, 예를 들어 주의력 측정, 피로 측정, 수면 품질 측정 또는 환자의 기분을 나타내는 메트릭으로부터 결정되는 인지 매개변수, 수면 매개변수 및 심리사회적 매개변수 중 하나이다.

186에서, 제1 통증 관련 매개변수에 대한 시계열, 제2 통증 관련 매개변수에 대한 제1 값 및 제2 통증 관련 매개변수에 대한 제2 값에 따라 예측 모델을 통해 사용자에게 값을 할당한다. 일 예에서, 웨이블릿 계수 세트를 제공하기 위해 제1 통증 관련 매개변수에 대한 시계열에 웨이블릿 분해가 수행되고, 웨이블릿 계수 세트 또는 웨이블릿 계수 세트로부터 유도된 하나 이상의 값이 예측 모델에 제공될 수 있다. 추가적으로 또는 대안적으로, 제1 및 제2 통증 관련 매개변수의 값에 따라 제1 통증 관련 매개변수의 미래 값을 나타내는 예측 값이 사용자에게 할당될 수 있고, 이 예측 값을 기반으로 사용자에게 할당되는 값이 할당될 수 있다.

추가적으로 또는 대안적으로, 제1 및 제2 통증 관련 매개변수에 대한 값으로부터 사용자의 전반적인 웰니스를 나타내는 웰니스 값 세트가 사용자에게 할당될 수 있고, 사용자에게 할당되는 값은 웰니스 값 세트에 기초하여 할당될 수 있다. 웰니스 값 세트는 예를 들어, 피로를 나타내는 제1 값, 정서적 스트레스를 나타내는 제2 값, 신체적 스트레스를 나타내는 제3 값 및 수면의 질을 나타내는 제4 값을 포함할 수 있다. 일 구현 예에서, 사용자가 직접 보고한 통증 수준 형태의 피드백을 사용하여 예측 모델을 개선할 수 있다. 예를 들어, 자가 보고된 통증 수준은 예측 모델을 통해 사용자에게 할당된 값과 비교될 수 있으며, 비교에 따라 예측 모델과 관련된 매개변수가 변경될 수 있다. 일 예에서, 이것은 사용자에게 할당된 값과 측정된 결과의 유사성에 기반하여 강화 학습 프로세스에 대한 보상을 생성하고 강화 학습 프로세스를 통해 매개변수를 변경함으로써 달성될 수 있다.

각각의 웰니스 값 및 사용자에게 할당된 값은 예를 들어, 사용자 인터페이스 또는 네트워크 인터페이스를 통해 사용자, 사용자의 건강 관리 제공자, 사용자의 관리 팀, 연구 팀, 사용자의 직장 또는 기타 관심 있는 주체 중 하나 이상에게 제공될 수 있다는 것이 이해될 것이다. 이에 의하면 이 값을 사용하여 만성 통증 및 통증 중증도 진단의 개선 또는 최적화, 통증 관리를 포함하는 사용자의 관리 및 활동에 대한 결정, 작업 복귀, 성과 및 기능에 대한 결정, 및 약물, 병변 및 신경 자극, 척수 자극, 주입 및 기타 접근법을 포함한 신경 조절과 같은 기타 절차를 포함하는 통증에 대한 치료법 안내를 행할 수 있다. 사용자에게 제공된 피드백은 전반적인 긍정(예를 들어, 통증 감소) 및 부정(예를 들어, 통증 증가) 상태에 대한 사용자의 인식, 인식 및 해석을 개선하는 데 사용되므로, 사용자가 부정적 상태를 피하고 긍정적 상태를 유도하기 위한 전략을 학습할 수 있도록 한다. 제공된 웰니스 데이터는 인지, 운동, 감각 및 행동 기능의 개선 또는 최적화뿐만 아니라 일반적으로 사용자의 삶의 질을 향상시키기 위해 사용될 수 있다.

도 10은 본 명세서에 개시된 시스템 및 방법의 예를 구현할 수 있는 하드웨어 구성요소의 예시적인 시스템(200)을 예시하는 개략 블록도이다. 시스템(200)은 다양한 시스템 및 서브시스템을 포함할 수 있다. 시스템(200)은 개인용 컴퓨터, 노트북 컴퓨터, 워크스테이션, 컴퓨터 시스템, 기기, 주문형 집적 회로(ASIC), 서버, 서버 BladeCenter, 서버 팜 등일 수 있다.

시스템(200)은 시스템 버스(202), 프로세싱 유닛(204), 시스템 메모리(206), 메모리 장치(208 및 210), 통신 인터페이스(212)(예를 들어, 네트워크 인터페이스), 통신 링크(214), 디스플레이(216)(예를 들어, 비디오 스크린), 및 입력 장치(218)(예를 들어, 키보드, 터치 스크린 및/또는 마우스)를 포함할 수 있다. 시스템 버스(202)는 프로세싱 유닛(204) 및 시스템 메모리(206)와 통신할 수 있다. 하드 디스크 드라이브, 서버, 독립형 데이터베이스 또는 기타 비휘발성 메모리와 같은 추가 메모리 장치(208 및 210)도 시스템 버스(202)와 통신할 수 있다. 시스템 버스(202)는 프로세싱 유닛(204), 메모리 장치(206-210), 통신 인터페이스(212), 디스플레이(216) 및 입력 장치(218)를 상호 연결한다. 일부 예에서, 시스템 버스(202)는 또한 범용 직렬 서브(USB) 포트와 같은 추가 포트(미도시)를 상호 연결한다.

프로세싱 유닛(204)은 컴퓨팅 장치일 수 있고 주문형 집적 회로(ASIC)를 포함할 수 있다. 프로세싱 유닛(204)은 본 명세서에 개시된 예의 동작을 구현하기 위해 일련의 명령을 실행한다. 프로세싱 유닛은 프로세싱 코어를 포함할 수 있다.

추가 메모리 장치(206, 208 및 210)는 데이터, 프로그램, 명령, 텍스트 또는 컴파일된 형식의 데이터베이스 쿼리 및 컴퓨터를 작동하는 데 필요할 수 있는 기타 정보를 저장할 수 있다. 메모리(206, 208 및 210)는 메모리 카드, 디스크 드라이브, 컴팩트 디스크(CD) 또는 네트워크를 통해 액세스 가능한 서버와 같은 컴퓨터 판독 가능 매체(통합 또는 제거 가능)로 구현될 수 있다. 특정 예에서, 메모리(206, 208 및 210)는 텍스트, 이미지, 비디오 및/또는 오디오를 포함할 수 있으며, 그 중 일부는 인간이 이해할 수 있는 형식으로 사용할 수 있다.

추가적으로 또는 대안적으로,시스템(200)은 통신 인터페이스(212)를 통해 외부 데이터 소스 또는 쿼리 소스에 액세스할 수 있으며, 이는 시스템 버스(202) 및 통신 링크(214)와 통신할 수 있다.

동작 중에, 시스템(200)은 본 발명에 따라 사용자의 통증을 평가하기 위한 시스템의 하나 이상의 부분을 구현하는 데 사용될 수 있다. 시스템을 구현하기 위한 컴퓨터 실행 가능 논리는 특정 예에 따라 시스템 메모리(206) 및 메모리 장치(208 및 210) 중 하나 이상에 상주한다. 프로세싱 유닛(204)은 시스템 메모리(206) 및 메모리 장치(208 및 210)로부터 기원하는 하나 이상의 컴퓨터 실행 가능 명령어를 실행한다. 본 명세서에서 사용되는 "컴퓨터 판독 가능 매체"라는 용어는 실행을 위해 프로세싱 유닛(204)에 명령을 제공하는 데 참여하는 매체를 말한다. 이 매체는 모두 공통 프로세서 또는 관련 프로세서 세트에 작동 가능하게 연결된 여러 개별 어셈블리에 걸쳐 분산될 수 있다. 구체적인 세부사항은 실시예의 완전한 이해를 제공하기 위해 위의 설명에서 제공된다.

위에서 설명한 기술, 블록, 단계 및 수단의 구현은 다양한 방식으로 수행될 수 있다. 예를 들어, 이러한 기술, 블록, 단계 및 수단은 하드웨어, 소프트웨어 또는 이들의 조합으로 구현될 수 있다. 하드웨어 구현의 경우, 처리 장치는 하나 이상의 주문형 집적 회로(ASIC), 디지털 신호 프로세서(DSP), 디지털 신호 처리 장치 (DSPD), 프로그래밍 가능한 논리 장치(PLD), 필드 프로그래밍 가능 게이트 어레이(FPGA), 프로세서, 컨트롤러, 마이크로컨트롤러, 마이크로프로세서, 위에서 설명한 기능을 수행하도록 설계된 기타 전자 장치 및/또는 이들의 조합 내에서 구현될 수 있다. 하지만, 실시예는 이들 특정 세부사항 없이 실행될 수 있음을 이해해야 한다. 예를 들어, 물리적 구성 요소는 불필요한 세부 사항으로 실시예를 모호하게 하지 않기 위해 블록 다이어그램으로 표시될 수 있다. 다른 경우에, 잘 알려진 회로, 프로세스, 알고리즘, 구조 및 기술은 실시예를 모호하게 하는 것을 피하기 위해 불필요한 세부 사항 없이 표시될 수 있다.

또한, 실시예들은 흐름도, 흐름도, 데이터 흐름도, 구조도, 또는 블록도로서 묘사되는 프로세스로서 설명될 수 있음에 유의한다. 순서도는 작업을 순차적 프로세스로 설명할 수 있지만, 많은 작업을 병렬 또는 동시에 수행할 수 있다. 또한 작업 순서를 다시 정렬할 수 있다. 작업이 완료되면 프로세스가 종료되지만 도면에 포함되지 않은 추가 단계가 있을 수 있다. 프로세스는 방법, 기능, 프로시저, 서브루틴, 서브프로그램 등에 해당할 수 있다. 프로세스가 함수에 해당하는 경우 해당 종료는 호출 함수 또는 기본 함수에 대한 함수 반환에 해당한다.

뿐만 아니라, 실시예는 하드웨어, 소프트웨어, 스크립팅 언어, 펌웨어, 미들웨어, 마이크로코드, 하드웨어 설명 언어 및/또는 이들의 임의의 조합에 의해 구현될 수 있다. 소프트웨어, 펌웨어, 미들웨어, 스크립팅 언어 및/또는 마이크로코드로 구현될 때 필요한 작업을 수행하기 위한 프로그램 코드 또는 코드 세그먼트는 저장 매체와 같은 기계 판독 가능 매체에 저장될 수 있다. 코드 세그먼트 또는 기계 실행 가능 명령어는 프로시저, 함수, 하위 프로그램, 프로그램, 루틴, 서브루틴, 모듈, 소프트웨어 패키지, 스크립트, 클래스 또는 명령어, 데이터 구조, 및/또는 프로그램 문을 나타낼 수 있다. 코드 세그먼트는 정보, 데이터, 인수, 매개변수 및/또는 메모리 내용을 전달 및/또는 수신하여 다른 코드 세그먼트 또는 하드웨어 회로에 결합될 수 있다. 정보, 인수, 매개변수, 데이터 등은 메모리 공유, 메시지 전달, 티켓 전달, 네트워크 전송 등을 포함한 적절한 수단을 통해 이동, 전달 또는 전송될 수 있다.

펌웨어 및/또는 소프트웨어 구현의 경우, 방법론은 본 명세서에서 설명된 기능을 수행하는 모듈(예: 프로시저, 기능 등)로 구현될 수 있다. 명령을 유형적으로 구현하는 임의의 기계 판독 가능 매체는 여기에 설명된 방법론을 구현하는 데 사용될 수 있다. 예를 들어, 소프트웨어 코드는 메모리에 저장할 수 있다. 메모리는 프로세서 내에서 또는 프로세서 외부에서 구현될 수 있다. 본원에 사용된 바와 같이, "메모리"라는 용어는 모든 유형의 장기, 단기, 휘발성, 비휘발성 또는 기타 저장 매체를 의미하며 특정 유형의 메모리 또는 메모리 수 또는 메모리가 저장되는 미디어 유형에 제한되지 않는다.

또한, 본 명세서에 개시된 바와 같이, "저장 매체"라는 용어는 읽기 전용 메모리(ROM), 랜덤 액세스 메모리(RAM), 자기 RAM, 코어 메모리, 자기 디스크 저장 매체, 광학 저장 매체, 플래시 메모리 장치 및/또는 정보 저장을 위한 기타 기계 판독 가능 매체를 포함하여, 데이터를 저장하기 위한 하나 이상의 메모리를 나타낼 수 있다. "기계 판독 가능 매체"라는 용어는 제한하는 것은 아니지만, 휴대용 또는 고정 저장 장치, 광학 저장 장치, 무선 채널 및/또는 명령(들) 및/또는 데이터를 포함하거나 운반할 수 있는 다양한 기타 저장 매체를 포함한다.

위에서 설명한 것은 예시적이다. 물론 구성요소 또는 방법론의 모든 생각할 수 있는 조합을 설명하는 것은 가능하지 않지만, 당업자는 많은 추가 조합 및 순열이 가능하다는 것을 인식할 것이다. 따라서, 본 개시내용은 첨부된 청구범위를 포함하여 본 출원의 범위 내에 속하는 이러한 모든 변경, 수정 및 변형을 포함하도록 의도된다. 본원에 사용된 바와 같이, 용어 "포함하다"는 이에 제한되지 않고 포함하는 것을 의미하고, 용어 "포함"은 이에 제한되지 않고 포함함을 의미한다. "에 기초한다"라는 용어는 적어도 부분적으로 기초한다는 것을 의미한다. 추가적으로, 개시내용 또는 청구범위에서 "단수형:, "제1" 또는 "다른" 요소 또는 그 등가물을 인용하는 경우, 하나 이상의 이러한 요소를 포함하는 것으로 해석되어야 하고, 둘 이상의 요소를 요구하는 것도 배제하는 것도 아니다.

Claims (21)

1. 사용자의 통증 평가 방법에 있어서, 상기 방법은:
   정의된 기간 동안 생체 내 감지 장치에서 상기 사용자를 나타내는 제1 통증 관련 매개변수를 모니터링하여 상기 제1 통증 관련 매개변수에 대한 시계열을 생성하는 단계;
   휴대용 컴퓨팅 장치를 통해 상기 사용자로부터 상기 정의된 기간 내의 제1 및 제2 시간에서 상기 사용자에 대한 제2 통증 관련 매개변수에 대한 값을 획득하여 상기 제2 통증 관련 매개변수에 대한 각각의 제1 및 제2 값을 제공하는 단계; 및
   상기 제1 통증 관련 매개변수에 대한 상기 시계열, 상기 제2 통증 관련 매개변수에 대한 상기 제1 값 및 상기 제2 통증 관련 매개변수에 대한 상기 제2 값에 따라 예측 모델을 통해 사용자에게 값을 할당하는 단계
   를 포함하는, 방법.
2. 제1항에 있어서, 상기 값은 상기 사용자가 경험하는 현재 통증 수준을 나타내는, 방법.
3. 제1항에 있어서, 상기 값은 미래에 상기 사용자가 경험하게 될 예측된 통증 수준을 나타내는, 방법.
4. 제1항에 있어서, 상기 제1 통증 관련 매개변수에 대한 상기 시계열에 따라 예측 모델을 통해 상기 사용자에게 값을 할당하는 단계는, 웨이블릿 계수 세트를 제공하기 위해 상기 제1 통증 관련 매개변수에 대한 상기 시계열에 대해 웨이블릿 분해를 수행하는 단계, 및 적어도 상기 웨이블릿 계수 세트, 상기 제2 통증 관련 매개변수에 대한 상기 제1 값 및 상기 제2 통증 관련 매개변수에 대한 상기 제2 값에 따라 상기 값을 할당하는 단계를 포함하는, 방법.
5. 제1항에 있어서,
   상기 사용자로부터 자가 보고된 통증 수준을 수신하는 단계;
   상기 자가 보고된 통증 수준을 예측 모델을 통해 상기 사용자에게 할당된 상기 값과 비교하는 단계; 및
   상기 예측 모델을 통해 상기 사용자에게 할당된 상기 값과 상기 측정된 결과의 비교에 따라 상기 예측 모델과 관련된 매개변수를 변경하는 단계
   를 더 포함하는, 방법.
6. 제5항에 있어서, 상기 예측 모델을 통해 상기 사용자에게 할당된 상기 값과 상기 측정된 결과의 비교에 따라 상기 예측 모델과 관련된 매개변수 변경하는 단계는, 상기 측정된 결과와 상기 사용자에게 할당된 상기 값의 유사성을 기반으로 강화 학습 프로세스에 대한 보상을 생성하는 단계 및 상기 강화 학습 프로세스를 통해 상기 매개 변수를 변경하는 단계를 포함하는, 방법.
7. 제1항에 있어서, 상기 예측 모델을 통해 상기 사용자에게 상기 값을 할당하는 단계는:
   상기 제1 통증 관련 매개변수에 대한 상기 시계열, 상기 제2 통증 관련 매개변수에 대한 상기 제1 값 및 상기 제2 통증 관련 매개변수에 대한 상기 제2 값에 따라 상기 사용자에게 상기 제1 통증 관련 매개변수의 미래 값을 나타내는 예측 값을 할당하는 단계; 및
   적어도 상기 제1 예측값에 따라 상기 사용자에게 상기 값을 할당하는 단계를 포함하는, 방법.
8. 제1항에 있어서, 상기 예측 모델을 통해 상기 사용자에게 값을 할당하는 단계는:
   상기 사용자에게, 적어도 상기 제1 통증 관련 매개변수에 대한 상기 시계열, 상기 제2 통증 관련 매개변수에 대한 상기 제1 값 및 상기 제2 통증 관련 매개변수에 대한 상기 제2 값으로부터 상기 사용자의 전반적인 웰니스를 각각 나타내는, 웰니스 값 세트를 할당하는 단계; 및
   상기 웰니스 값 세트에 따라 상기 사용자에게 상기 값을 할당하는 단계
   를 포함하는, 방법.
9. 제8항에 있어서, 상기 웰니스 값 세트는 피로를 나타내는 제1 값, 스트레스를 나타내는 제2 값 및 수면의 질을 나타내는 제3 값을 포함하는, 방법.
10. 제1항에 있어서, 상기 제1 통증 관련 매개변수는 운동 매개변수 및 생리학적 매개변수 중 하나인, 방법.
11. 제1항에 있어서, 상기 사용자에게 할당된 상기 값을 네트워크 인터페이스를 통해 의료 제공자, 케어 팀, 연구 팀 및 상기 사용자의 직장 중 하나에 제공하는 단계를 더 포함하는, 방법.
12. 제1항에 있어서, 상기 제2 통증 관련 매개변수는 인지 매개변수, 수면 매개변수 및 심리사회적 매개변수 중 하나인, 방법.
13. 제12항에 있어서, 상기 제2 통증 관련 매개변수는 환자의 수면의 질을 나타내는 메트릭인, 방법.
14. 사용자에 대한 통증을 평가하기 위한 시스템에 있어서, 상기 시스템은:
    정의된 기간 동안 사용자를 나타내는 제1 통증 관련 매개변수를 모니터링하여 상기 제1 통증 관련 매개변수에 대한 시계열을 생성하는 생체 내 감지 장치;
    상기 정의된 기간 내 제1 및 제2 시간에서 상기 사용자에 대한 제2 통증 관련 매개변수에 대한 값을 획득하여 사익 제2 통증 관련 매개변수에 대한 각각의 제1 및 제2 값을 제공하는 휴대용 컴퓨팅 장치; 및
    상기 제1 통증 관련 매개변수에 대한 상기 시계열, 상기 제2 통증 관련 매개변수에 대한 상기 제1 값 및 상기 제2 통증 관련 매개변수에 대한 상기 제2 값에 따라 상기 사용자에게 값을 할당하는 예측 모델
    을 포함하는, 시스템.
15. 제14항에 있어서, 상기 예측 모델은 순환 신경망인, 시스템.
16. 제14항에 있어서, 상기 제2 통증 관련 매개변수는 상기 사용자가 제공한 심리사회적 평가 데이터로부터 파생되며, 상기 휴대용 컴퓨팅 장치는 상기 사용자가 심리사회적 평가 애플리케이션과 상호 작용할 수 있도록 하는 사용자 인터페이스를 포함하는, 시스템.
17. 제16항에 있어서, 상기 제2 통증 관련 매개변수는 환자의 기분을 나타내는, 시스템.
18. 제16항에 있어서, 상기 제2 통증 관련 매개변수는 환자가 경험하는 스트레스 수준을 나타내는, 시스템.
19. 제14항에 있어서, 상기 생체 내 감지 장치는 상기 사용자의 활동을 추적하는 웨어러블 장치이고, 상기 제1 통증 관련 매개변수는 확립된 활동 패턴에서 환자의 편차를 나타내는 운동 매개변수인, 시스템.
20. 제14항에 있어서, 상기 사용자는 상기 사용자가 상기 사용자 인터페이스를 통해 응답할 수 있는 상기 휴대용 컴퓨팅 장치로 메시지를 제공받으며, 상기 제2 통증 관련 매개변수는 상기 제공된 메시지에 응답하는 상기 사용자의 순응 수준을 나타내는, 시스템.
21. 사용자에 대한 통증을 평가하기 위한 시스템에 있어서, 상기 시스템은:
    정의된 기간 동안 사용자를 나타내는 제1 통증 관련 매개변수를 모니터링하여 상기 제1 통증 관련 매개변수에 대한 시계열을 생성하는 웨어러블 장치 - 상기 제1 통증 관련 매개변수는 운동 매개변수 및 생리적 매개변수 중 하나임 - ;
    상기 정의된 기간 내의 제1 및 제2 시간에서 상기사용자를 위한 제2 통증 관련 매개변수에 대한 값을 획득하여 상기 제2 통증 관련 매개변수에 대한 각각의 제1 및 제2 값을 제공하는 휴대용 컴퓨팅 장치 - 상기 제2 통증 관련 매개변수는 모바일 장치의 사용자 인터페이스를 통한 상기 사용자의 입력으로부터 결정된 인지 매개변수, 수면 매개변수 및 심리사회적 매개변수 중 하나임 - ; 및
    상기 제1 통증 관련 매개변수에 대한 상기 시계열, 상기 제2 통증 관련 매개변수에 대한 상기 제1 값 및 상기 제2 통증 관련 매개변수에 대한 상기 제2 값에 따라 상기 사용자에게 값을 할당하는 예측 모델
    을 포함하는, 시스템.
    

Images