KR20230025962A - 딥러닝기반 모델 및 원칙기반 모델 통합 심전도 판독 시스템 - Google Patents
딥러닝기반 모델 및 원칙기반 모델 통합 심전도 판독 시스템 Download PDFInfo
- Publication number
- KR20230025962A KR20230025962A KR1020210107777A KR20210107777A KR20230025962A KR 20230025962 A KR20230025962 A KR 20230025962A KR 1020210107777 A KR1020210107777 A KR 1020210107777A KR 20210107777 A KR20210107777 A KR 20210107777A KR 20230025962 A KR20230025962 A KR 20230025962A
- Authority
- KR
- South Korea
- Prior art keywords
- electrocardiogram
- reading
- information
- disease
- unit
- Prior art date
Links
- 238000013135 deep learning Methods 0.000 title claims abstract description 61
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 claims abstract description 94
- 201000010099 disease Diseases 0.000 claims abstract description 93
- 238000005259 measurement Methods 0.000 claims abstract description 19
- 238000003745 diagnosis Methods 0.000 claims abstract description 12
- 230000006698 induction Effects 0.000 claims description 9
- 238000012351 Integrated analysis Methods 0.000 claims description 3
- 238000002565 electrocardiography Methods 0.000 description 27
- 230000036541 health Effects 0.000 description 9
- 230000001360 synchronised effect Effects 0.000 description 7
- 230000002159 abnormal effect Effects 0.000 description 5
- 239000003814 drug Substances 0.000 description 3
- 238000011282 treatment Methods 0.000 description 3
- 238000013473 artificial intelligence Methods 0.000 description 2
- 230000006866 deterioration Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 208000014674 injury Diseases 0.000 description 2
- 238000000691 measurement method Methods 0.000 description 2
- 238000000034 method Methods 0.000 description 2
- 238000004393 prognosis Methods 0.000 description 2
- 230000008733 trauma Effects 0.000 description 2
- 206010008805 Chromosomal abnormalities Diseases 0.000 description 1
- 208000031404 Chromosome Aberrations Diseases 0.000 description 1
- 208000017667 Chronic Disease Diseases 0.000 description 1
- 206010010356 Congenital anomaly Diseases 0.000 description 1
- 208000012902 Nervous system disease Diseases 0.000 description 1
- 208000008589 Obesity Diseases 0.000 description 1
- 208000021129 Postpartum disease Diseases 0.000 description 1
- 230000005856 abnormality Effects 0.000 description 1
- 230000032683 aging Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 210000003423 ankle Anatomy 0.000 description 1
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000003542 behavioural effect Effects 0.000 description 1
- 239000008280 blood Substances 0.000 description 1
- 210000004369 blood Anatomy 0.000 description 1
- 230000036772 blood pressure Effects 0.000 description 1
- 230000035606 childbirth Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 210000002808 connective tissue Anatomy 0.000 description 1
- 230000006378 damage Effects 0.000 description 1
- 238000009795 derivation Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 235000005911 diet Nutrition 0.000 description 1
- 230000037213 diet Effects 0.000 description 1
- 210000002249 digestive system Anatomy 0.000 description 1
- 208000016097 disease of metabolism Diseases 0.000 description 1
- 208000035475 disorder Diseases 0.000 description 1
- 230000035622 drinking Effects 0.000 description 1
- 229940079593 drug Drugs 0.000 description 1
- 210000005069 ears Anatomy 0.000 description 1
- 230000002124 endocrine Effects 0.000 description 1
- 208000030172 endocrine system disease Diseases 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 230000003862 health status Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 210000004072 lung Anatomy 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 210000001595 mastoid Anatomy 0.000 description 1
- 230000003340 mental effect Effects 0.000 description 1
- 230000004060 metabolic process Effects 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 210000002346 musculoskeletal system Anatomy 0.000 description 1
- 230000001613 neoplastic effect Effects 0.000 description 1
- 230000000474 nursing effect Effects 0.000 description 1
- 235000020824 obesity Nutrition 0.000 description 1
- 229910052760 oxygen Inorganic materials 0.000 description 1
- 239000001301 oxygen Substances 0.000 description 1
- 239000002574 poison Substances 0.000 description 1
- 231100000614 poison Toxicity 0.000 description 1
- 238000012809 post-inoculation Methods 0.000 description 1
- 230000035935 pregnancy Effects 0.000 description 1
- 210000002345 respiratory system Anatomy 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000000391 smoking effect Effects 0.000 description 1
- 230000035882 stress Effects 0.000 description 1
- 239000000758 substrate Substances 0.000 description 1
- 230000002194 synthesizing effect Effects 0.000 description 1
- 210000001519 tissue Anatomy 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 238000000844 transformation Methods 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
- 210000002229 urogenital system Anatomy 0.000 description 1
- 238000002255 vaccination Methods 0.000 description 1
- 239000003643 water by type Substances 0.000 description 1
Images
Classifications
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
- A61B5/316—Modalities, i.e. specific diagnostic methods
- A61B5/318—Heart-related electrical modalities, e.g. electrocardiography [ECG]
- A61B5/346—Analysis of electrocardiograms
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
- A61B5/25—Bioelectric electrodes therefor
- A61B5/279—Bioelectric electrodes therefor specially adapted for particular uses
- A61B5/28—Bioelectric electrodes therefor specially adapted for particular uses for electrocardiography [ECG]
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
- A61B5/316—Modalities, i.e. specific diagnostic methods
- A61B5/318—Heart-related electrical modalities, e.g. electrocardiography [ECG]
- A61B5/327—Generation of artificial ECG signals based on measured signals, e.g. to compensate for missing leads
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7271—Specific aspects of physiological measurement analysis
- A61B5/7275—Determining trends in physiological measurement data; Predicting development of a medical condition based on physiological measurements, e.g. determining a risk factor
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7271—Specific aspects of physiological measurement analysis
- A61B5/7278—Artificial waveform generation or derivation, e.g. synthesising signals from measured signals
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine 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
- 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
- G16H50/50—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for simulation or modelling of medical disorders
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/70—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
- Health & Medical Sciences (AREA)
- Engineering & Computer Science (AREA)
- Medical Informatics (AREA)
- Public Health (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Pathology (AREA)
- General Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- Primary Health Care (AREA)
- Databases & Information Systems (AREA)
- Epidemiology (AREA)
- Veterinary Medicine (AREA)
- Animal Behavior & Ethology (AREA)
- Surgery (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Heart & Thoracic Surgery (AREA)
- Cardiology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Signal Processing (AREA)
- Psychiatry (AREA)
- Physiology (AREA)
- Theoretical Computer Science (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Evolutionary Computation (AREA)
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
Abstract
본 발명은, 1유도 이상의 심전도를 측정하여 심전도 데이터를 생성하는 심전도 측정부(110), 1유도 이상의 심전도 및 이에 상응하는 질환의 학습데이터셋으로 학습하여 구축된 딥러닝 알고리즘을 통해, 심전도 측정부(110)로부터 입력된 심전도 데이터로부터 질환을 진단하고 예측하여 질환예측정보를 생성하는, 딥러닝기반 예측부(120), 심전도 데이터 및 이에 상응하는 질환정보로 구축된 지식베이스와 추론규칙으로 구성된 원칙기반 알고리즘을 통해서, 심전도 측정부(110)로부터 입력된 심전도 데이터로부터 질환에 대해 추론하여 질환추론정보를 생성하는, 원칙기반 추론부(130), 및 질환예측정보 및 질환추론정보를 통합 분석하여 질환의 판독을 수행하여 판독정보를 생성하고, 질환 진단의 이유와 근거에 대한 진단정보를 제공하도록 하는, 통합 판독부(140)를 포함하여, 심전도의 오판독을 방지하고 신속하고 정확한 판독이 가능하도록 하는, 딥러닝기반 모델 및 원칙기반 모델 통합 심전도 판독 시스템을 개시한다.
Description
본 발명은 심전도의 오판독을 방지하고 신속하고 정확한 판독이 가능하도록 하는, 딥러닝기반 모델 및 원칙기반 모델 통합 심전도 판독 시스템에 관한 것이다.
최근 들어, 빅데이터와 인공지능기술의 발달로 인해, 의료 및 헬스케어 영역에서 인공지능이 활발히 사용되고 있는데, 특히 딥러닝 기술의 발달은 소리, 그림, 신호, 동영상 등 비정형 데이터를 활용할 수 있게 하였다.
한편, 기존의 고전적 기계학습의 방법과 다르게 특성학습(Feature Learning)이 가능하여, 인간의 선입견없이 다양한 특성을 데이터로부터 추출하여 정확도를 높일 수 있고, 고전적 기계학습이 특성을 추출하기 위해 전문가의 상당한 노동력과 시간이 필요했던데 반해서, 딥러닝은 적은 수고로 빠른 알고리즘의 개발이 가능해졌다.
하지만, 딥러닝은 블랙박스문제로 인해 판단의 이유를 알 수 없다는 한계가 있어서, 의료사고가 발생할 수 있어서, 심전도의 오판독을 방지하고 신속하고 정확한 판독이 가능하도록 할 수 있는 기술이 요구된다.
본 발명의 사상이 이루고자 하는 기술적 과제는, 원칙기반 추론부에 의해 최종 판독에 대한 판독가능범위를 설정하여, 딥러닝기반 예측부에 의한 심전도의 오판독을 방지하도록 하고, 딥러닝기반 예측부에 의해 신속하고 정확한 판독이 가능하도록 하여서, 오판독 가능성과 진단 정확도를 상호 보완하도록 할 수 있는, 딥러닝기반 모델 및 원칙기반 모델 통합 심전도 판독 시스템을 제공하는 데 있다.
전술한 목적을 달성하고자, 본 발명의 실시예는, 1유도 이상의 심전도를 측정하여 심전도 데이터를 생성하는 심전도 측정부; 상기 1유도 이상의 심전도 및 이에 상응하는 질환의 학습데이터셋으로 학습하여 구축된 딥러닝 알고리즘을 통해, 상기 심전도 측정부로부터 입력된 심전도 데이터로부터 질환을 진단하고 예측하여 질환예측정보를 생성하는, 딥러닝기반 예측부; 심전도 데이터 및 이에 상응하는 질환정보로 구축된 지식베이스와 추론규칙으로 구성된 원칙기반 알고리즘을 통해서, 상기 심전도 측정부로부터 입력된 심전도 데이터로부터 질환에 대해 추론하여 질환추론정보를 생성하는, 원칙기반 추론부; 및 상기 질환예측정보 및 상기 질환추론정보를 통합 분석하여 질환의 판독을 수행하여 판독정보를 생성하고, 질환 진단의 이유와 근거에 대한 진단정보를 제공하도록 하는, 통합 판독부;를 포함하는, 딥러닝기반 모델 및 원칙기반 모델 통합 심전도 판독 시스템을 제공한다.
여기서, 상기 원칙기반 추론부는 상기 통합 판독부에 의한 판독가능범위를 설정할 수 있다.
또한, 상기 딥러닝기반 예측부에 의한 질환예측정보가 상기 판독가능범위에 포함되면, 상기 통합 판독부는 상기 판독정보 및 상기 진단정보를 생성하여 출력하고, 상기 딥러닝기반 예측부에 의한 질환예측정보가 상기 판독가능범위에 포함되지 않으면, 상기 심전도 측정부에 의해 심전도를 재측정하도록 하거나, 상기 딥러닝기반 예측부의 파라미터를 재조정하여 상기 질환예측정보를 재생성할 수 있다.
또한, 상기 통합 판독부는 상기 원칙기반 추론부에 의한 질환추론정보만으로 최종 판독할 수 있다.
또한, 상기 딥러닝기반 예측부 및 상기 원칙기반 추론부에 의해, 상기 심전도 데이터에 애 대한 해당 질환을 최종 진단할 수 있다.
또한, 상기 딥러닝기반 예측부 또는 상기 원칙기반 추론부에 의해 상기 심전도 데이터를 가판독하여 1차 판독정보를 생성하고, 상기 통합 판독부는, 상기 1차 판독정보를 입력받아 간호사, 임상병리사 또는 응급구조사가 로그인하도록 하여 상기 1차 판독정보를 판독하여 2차 판독정보를 생성하는 제1판독부와, 상기 2차 판독정보를 입력받아 심장전문의가 로그인하도록 하여 상기 2차 판독정보를 판독하여 최종 판독정보를 생성하는 제2판독부로 구성될 수 있다.
본 발명에 의하면, 원칙기반 추론부에 의해 최종 판독에 대한 판독가능범위를 설정하여, 딥러닝기반 예측부에 의한 심전도의 오판독을 방지하도록 하고, 딥러닝기반 예측부에 의해 신속하고 정확한 판독이 가능하도록 하여서, 오판독 가능성과 진단 정확도를 상호 보완하도록 할 수 있으며, 질환을 진단한 근거와 이유를 설명하는 진단정보를 제공하여 의료사고 가능성을 낮추도록 하고, 기판독을 기반으로 신속하게 최종 판독하여 신속한 의료대처가 가능하도록 할 수 있고, 의료분야 뿐만아니라 다양한 생체 데이터를 활용하는 헬스케어분야에 적용하여 다양한 헬스케어서비스를 수행하도록 할 수 있는 효과가 있다.
도 1은 본 발명의 실시예에 의한 딥러닝기반 모델 및 원칙기반 모델 통합 심전도 판독 시스템의 구성도를 각각 예시한 것이다.
도 2는 도 1의 딥러닝기반 모델 및 원칙기반 모델 통합 심전도 판독 시스템의 구현도를 예시한 것이다.
도 3은 도 1의 딥러닝기반 모델 및 원칙기반 모델 통합 심전도 판독 시스템의 통합 판독부의 구성을 예시한 것이다.
도 2는 도 1의 딥러닝기반 모델 및 원칙기반 모델 통합 심전도 판독 시스템의 구현도를 예시한 것이다.
도 3은 도 1의 딥러닝기반 모델 및 원칙기반 모델 통합 심전도 판독 시스템의 통합 판독부의 구성을 예시한 것이다.
이하, 첨부된 도면을 참조로 전술한 특징을 갖는 본 발명의 실시예를 더욱 상세히 설명하고자 한다.
본 발명의 실시예에 의한 딥러닝기반 모델 및 원칙기반 모델 통합 심전도 판독 시스템은, 1유도 이상의 심전도를 측정하여 심전도 데이터를 생성하는 심전도 측정부(110), 1유도 이상의 심전도 및 이에 상응하는 질환의 학습데이터셋으로 학습하여 구축된 딥러닝 알고리즘을 통해, 심전도 측정부(110)로부터 입력된 심전도 데이터로부터 질환을 진단하고 예측하여 질환예측정보를 생성하는, 딥러닝기반 예측부(120), 심전도 데이터 및 이에 상응하는 질환정보로 구축된 지식베이스와 추론규칙으로 구성된 원칙기반 알고리즘을 통해서, 심전도 측정부(110)로부터 입력된 심전도 데이터로부터 질환에 대해 추론하여 질환추론정보를 생성하는, 원칙기반 추론부(130), 및 질환예측정보 및 질환추론정보를 통합 분석하여 질환의 판독을 수행하여 판독정보를 생성하고, 질환 진단의 이유와 근거에 대한 진단정보를 제공하도록 하는, 통합 판독부(140)를 포함하여, 심전도의 오판독을 방지하고 신속하고 정확한 판독이 가능하도록 하는 것을 요지로 한다.
이하, 도 1 내지 도 3을 참조하여, 전술한 구성의 딥러닝기반 모델 및 원칙기반 모델 통합 심전도 판독 시스템을 구체적으로 상술하면 다음과 같다.
우선, 심전도 측정부(110)는 1유도 이상의 심전도를 측정하여 심전도 데이터를 생성하는 구성으로서, 2전극을 구비하여 피검진자의 2곳의 신체에 접촉하는 방식으로 1개 이상의 전기축에 해당하는 1유도 이상의 심전도 데이터를 획득하여 딥러닝기반 예측부(120)와 원칙기반 추론부(130)로 유무선 근거리통신을 통해 전송하여서, 일상생활 중에서도 심전도 측정이 가능하도록 할 수 있다.
예를 들면, 양손에 각 전극을 접촉하여 한 개의 전기축에 해당하는 유도Ⅰ(lead Ⅰ) 심전도를 측정하고, 앞선 전극접촉 신체조합과 다른 오른손과 왼쪽 발목에 각 전극을 접촉하여 다른 한 개의 전기축에 해당하는 유도Ⅱ 심전도를 측정하여서, 2개 이상의 상이한 전기축의 복수의 심전도를 각각 측정할 수 있다.
또한, 심전도 측정부(110)는 일상생활 중에 접촉시 또는 비접촉식의 심전도 측정이 가능한 웨어러블 심전도패치, 스마트워치, 단시간 측정되는 6유도 심전도 바 또는 의료기관에 설치되어 1유도 이상의 심전도를 측정하는 심전도 측정기를 포함하여서, 동기적 심전도 또는 비동기적 심전도를 측정할 수 있다.
여기서, 심전도 측정부(110)는 피검진자의 연속적인 심전도를 측정하여 심전도 생성부(150)로 전송하거나 시간간격을 두고 2개의 심전도를 측정하여 딥러닝기반 예측부(120)와 원칙기반 추론부(130)로 전송할 수도 있다.
다음, 딥러닝기반 예측부(120)는 의료기관서버에 축적된 빅데이터의 1유도 이상의 심전도 및 이에 상응하는 질환의 학습데이터셋으로 학습하여 미리 구축된 딥러닝 알고리즘을 통해, 심전도 측정부(110)로부터 입력된 심전도 데이터로부터 이에 상응하는 질환을 진단하고 예측하여 질환예측정보를 생성하도록 한다.
예컨대, 딥러닝기반 예측부(120)에는 CNN, LSTM, RNN, MLP 등의 다양한 딥러닝 알고리즘이 적용될 수 있으며, 질환의 위험도를 단계적으로 구분하여 질환예측정보를 생성할 수도 있다.
다음, 원칙기반 추론부(130)는 의료기관서버에 수집되어 정리된 빅데이터를 이용하여 추론하는 전문가 시스템으로서, 심전도 데이터 및 이에 상응하는 질환정보로 구축된 지식베이스와, 귀납추론, 연역추론, 유비추론 등의 추론규칙으로 구성된 원칙기반 알고리즘을 통해서, 심전도 측정부(110)로부터 입력된 심전도 데이터로부터 질환에 대해 추론하여 질환추론정보를 생성하도록 한다.
여기서, 원칙기반 추론부(130)는 질환의 위험도를 단계적으로 구분하여 질환추론정보를 생성할 수도 있다.
한편, 원칙기반 추론부(130)는 통합 판독부(140)에 의한 최종 판독에 대한 판독가능범위를 설정하여서, 심전도 데이터로부터 오판독할 수 있는 경계를 생성할 수 있다.
다음, 통합 판독부(140)는 질환예측정보 및 질환추론정보를 통합 분석하여서 질환에 대한 최종 판독을 수행하여 판독정보를 생성하고, 해당 질환을 진단한 근거와 이유를 설명하는 진단정보를 제공하도록 한다.
예컨대, 딥러닝기반 예측부(120) 또는 원칙기반 추론부(130)에 의해 심전도 데이터를 가판독하여 질환예측정보 및 질환추론정보의 1차 판독정보를 생성하고, 이후 통합 판독부(140)는, 1차 판독정보를 입력받아 간호사, 임상병리사 또는 응급구조사가 로그인하도록 하여 1차 판독정보를 판독하여 2차 판독정보를 생성하는 제1판독부(141)와, 2차 판독정보를 입력받아 심장전문의가 로그인하도록 하여 2차 판독정보를 판독하여 최종적으로 판독정보를 생성하는 제2판독부(142)로 구성될 수 있다.
한편, 딥러닝기반 예측부(120)에 의한 질환예측정보가 앞서 원칙기반 추론부(130)에 의해 설정된 판독가능범위내에 포함되면, 통합 판독부(140)는 판독정보 및 진단정보를 생성하여 출력하도록 하고, 딥러닝기반 예측부(120)에 의한 질환예측정보가 앞서 원칙기반 추론부(130)에 의해 설정된 판독가능범위내에 포함되지 않으면, 심전도 측정부(110)에 의해 심전도를 재측정하도록 하거나, 딥러닝기반 예측부(120)의 딥러닝 알고리즘의 파라미터를 재조정하여 질환예측정보를 재생성하도록 할 수도 있다.
또한, 통합 판독부(140)는, 질환예측정보를 제외하고, 원칙기반 추론부(130)에 의한 질환추론정보만으로 최종 판독할 수도 있다.
또는, 통합 판독부(140)에 의한 최종 판독없이, 딥러닝기반 예측부(120) 및 원칙기반 추론부(130)에 의해서만, 심전도 데이터에 애 대한 해당 질환을 최종 진단할 수도 있다.
한편, 통합 판독부(140)는 질환의 위험도를 단계적으로 구분하여 생성된 질환예측정보 및 질환추론정보를 입력받아 질환의 위험도를 최종적으로 판별하여서, 질환의 위험도를 간호사 또는 전문의에 의한 추가 판독이 불필요한 정상, 간호사 또는 전문의에 의한 추가 판독이 필요한 비정상 및 전문의 긴급 판독이 요구되는 위중의 3단계로 구분하여 치료 우선순위에 따라 분류하여 판별하도록 할 수 있다.
여기서, 딥러닝기반 예측부(120)에 의해 수치화된 위험도와 원칙기반 추론부(130)에 의해 수치화된 위험도를 일괄 산술평균하여 최종 위험도를 판별하거나, 어느 한 위험도에 가중치를 부여하고 산술균하여 최종 위험도를 판별할 수도 있다.
예컨대, 도 3을 참고하면, 통합 판독부(140)는 위험도의 최종 판별결과가, 정상인 경우, 판독하지 않거나 간호사 뷰어(143)로만 심전도 데이터를 전송하여 간호사에 의해 판독하여 완료하며, 비정상인 경우, 순차적으로 간호사 뷰어(143)로 심전도 데이터를 전송하여 간호사에 의해 1차 판독한 후 전문의 뷰어(144)로 심전도 데이터를 전송하여 전문의에 의해 2차 판독하여 완료하고, 위중인 경우, 전문의 뷰어(144)로 긴급판독알람정보와 함께 심전도 데이터를 바로 전송하여 신속하게 판독하도록 할 수 있다.
또한, 통합 판독부(140)는 최종 판별결과가 비정상이거나 위중인 경우, 심전도 데이터에 비정상 또는 위중에 상응하는 각 파형을 특별히 마킹하거나 기준이 되는 정상범위 심전도 데이터와 중첩하여 디스플레이되도록 간호사 뷰어(143) 또는 전문의 뷰어(144)로 전송하여서, 간호사 또는 전문의가 해당 파형을 집중적으로 분석하도록 하고, 판별근거가 되는 특성을 신속하고 직관적으로 파악하도록 할 수도 있다.
또한, 심전도 데이터의 최종 판별결과가 정상인데, 간호사 뷰어(143)에 의한 판독시 이상 소견이 의심되는 경우에, 비정상 또는 위중으로 의뢰등급을 격상시키고, 전문의 뷰어(144)로 심전도 데이터를 전송하여서, 긴급판독알람정보와 함께 신속한 전문의 판독이 이루어지도록 할 수도 있다.
한편, 심전도 측정부(110)로부터 제공되는 1유도 이상의 심전도 데이터로부터 잔여 유도 심전도 데이터를 생성하는 심전도 생성부(150)를 더 포함하여서, 딥러닝기반 예측부(120)에 의한 예측 및 원칙기반 추론부(130)에 의한 추론의 정확도를 보다 높이도록 할 수 있다.
여기서, 심전도 생성부(150)는 1유도 이상의 동기 또는 비동기 심전도 데이터의 특성정보를 식별하여 복수의 잔여 유도 심전도 데이터를 합성하여 동기 또는 비동기 복수 유도 심전도 데이터를 생성할 수 있다.
또한, 심전도 측정부(110)로부터 심전도 생성부(150)로 제공되는 심전도 데이터의 노이즈를 최소화하여 심전도 생성부(150)에 의해 생성되는 심전도 데이터의 신뢰도를 보다 높이도록 노이즈 제거부(160)를 더 포함할 수 있는데, 예컨대 노이즈 제거부(160)는 다수의 심전도 데이터, 예컨대 의료기관에 축적된 표준 12유도 심전도 데이터를 기반으로, 노이즈가 적은 각 유도별 심전도 데이터 및 각 유도별 심전도 데이터의 고유 스타일의 학습데이터셋을 미리 학습하여 구축된 딥러닝 알고리즘을 통해, 피검진자의 특성 및 측정방식의 특성을 반영하여서, 심전도 측정부(110)에 의해 측정된 심전도 데이터로부터 해당 고유 스타일을 추출하고, 추출된 고유 스타일을 통해 노이즈가 포함되지 않는 특정 유도 스타일의 심전도 데이터로 변환하여 생성할 수 있다.
또한, 노이즈 제거부(160)는 피검진자의 연령, 성별, 질환 등으로 인한 특성 및 전극의 부착위치, 심전도 기기 등으로 인한 측정방식의 특성을 반영하여서, 각 심전도 데이터의 유도별 고유 스타일을 높은 정확도로 파악할 수 있고, 이를 기반으로 각 유도별 심전도 데이터를 보다 더 정확하게 변환하여 생성할 수도 있다.
또한, 딥러닝기반 예측부(120) 및 원칙기반 추론부(130)는 동기 또는 비동기 심전도 데이터를 입력받아 질환예측정보 및 질환추론정보를 각각 생성할 수 있고, 그래프 형태의 심전도 데이터 또는 특정 수식을 통해 수치화된 심전도 데이터를 입력받아 질환예측정보 및 질환추론정보를 각각 생성할 수도 있다.
또한, 딥러닝기반 예측부(120) 및 원칙기반 추론부(130)는, 2개 이상의 심전도를 하나의 심전도 데이터로 통합하여 입력할 수 있거나, 2개 이상의 심전도를 각 알고리즘에 입력한 후 중간에서 계측된 시멘틱 특징, 즉 공간적 시계열적 특징을 추출한 후 이를 기반으로 2개의 심전도를 비교하여 심전도 측정부(110)에 의한 측정 시점에서의 건강상태 또는 미래의 건강상태에 대한 계측과 진단과 검진과 예측을 수행할 수 있다.
여기서, 2개 이상의 시점에서 측정된 심전도를 통합하는 방법으로는, 단일 심전도를 비트별로 분할한 후, 서로 다른 시점에서 측정된 동일한 유도의 비트들을 서로 짝지어서 입력하거나, 입력 후 추출된 시멘틱 특징이나 결과값을 서로 비교할 수 있다.
또는, 2개 이상 시점에서 측정된 심전도를 비트로 분할하지 않고, 심전도 데이터 자체를 합칠 수도 있는데, 2개 시점 이상의 심전도 데이터를 그대로 융합해서 입력하기도 하고, 각 유도별로 구분하여 융합한 후 이를 입력할 수 있고, 상이한 시점에 측정된 심전도를 각 알고리즘에 입력한 후 시멘틱 특징을 추출하거나 출력값을 추출한 후 이를 융합하여 최종 결론을 출력할 수도 있고, 상이한 시점의 심전도를 각 유도별로 구분한 후 각 알고리즘에 입력하고, 알고리즘을 통해 추출된 특징 또는 출력값을 후단에서 융합하여 최종 결론을 출력할 수도 있다.
여기서, 2개 시점 이상의 심전도를 혼합하여 사용할 때는 비동기 상태로 입력할 수도 있거나, 비트 단위로 동기화시키거나, 딥러닝 기반으로 동기화하여 심전도를 융합하여 사용할 수도 있다.
또한, 통합 판독부(140)는 순환 계통의 질환과, 내분비, 영양 및 대사 질환과, 신생물 질환과, 정신 및 행동장애와, 신경계통의 질환과, 눈 및 부속기의 질환과, 귀 및 유돌의 질환과, 호흡계통의 질환과, 소화계통의 질환과, 피부 및 피부조직의 질환과, 근골격계통 및 결압조직의 질환과, 비뇨생식계통의 질환과, 임신, 출산 및 산후기 질환과, 선천기형, 변형 및 염색체이상을 진단하여 예측할 수 있다.
이외에도, 통합 판독부(140)를 통해서, 신체외상으로 인한 손상을 확인하고, 예후를 확인하며 통증을 계측할 수 있으며, 외상으로 인한 사망 위험성이나 악화 위험성을 예측할 수 있고, 병발한 합병증을 포착하거나 예측할 수 있고, 출생 전후기에 나타나는 특정 병태를 파악할 수도 있다.
또한, 통합 판독부(140)를 통해서, 헬스케어 영역으로서, 노화, 수면, 체중, 혈압, 혈당, 산소포화도, 신진대사, 스트레스, 긴장, 공포, 음주, 흡연, 문제행동, 폐활량, 운동량, 통증관리, 비만, 체질량, 체성분, 식단, 운동 종류, 생활패턴 추천, 응급상황 관리, 만성질환 관리, 약제 처방, 검사 추천, 검진 추천, 간병, 원격건강관리, 원격진료, 예방접종 및 접종 이후 관리 등의 서비스로 이어질 수 있는 피검진자의 건강상태를 계측하며 진단하고 검진하고 예측하는 것이 가능할 수 있다.
앞서 언급한 개별적인 질환으로 인한 건강상태 뿐만 아니라 복합적으로 나타나는 건강상태를 계측하고, 진단하며, 검진하고, 예측할 수 있으며, 피검진자의 건강상태의 악화 및 완화를 예측하고, 단기간 및 장기간의 예후 예측이 가능하고, 한 질환으로부터 다른 질환으로 전이되거나 합병되는 상태를 예측하도록 하고, 특정 약제와 심전도의 분석 및 예측에 따른 건강상태의 호전 또는 악화를 학습하여서 건강상태에 따라 특정 약제를 추천하도록 할 수도 있다.
따라서, 전술한 바와 같은 딥러닝기반 모델 및 원칙기반 모델 통합 심전도 판독 시스템의 구성에 의해서, 원칙기반 추론부에 의해 최종 판독에 대한 판독가능범위를 설정하여, 딥러닝기반 예측부에 의한 심전도의 오판독을 방지하도록 하고, 딥러닝기반 예측부에 의해 신속하고 정확한 판독이 가능하도록 하여서, 오판독 가능성과 진단 정확도를 상호 보완하도록 할 수 있으며, 질환을 진단한 근거와 이유를 설명하는 진단정보를 제공하여 의료사고 가능성을 낮추도록 하고, 기판독을 기반으로 신속하게 최종 판독하여 신속한 의료대처가 가능하도록 할 수 있고, 의료분야 뿐만아니라 다양한 생체 데이터를 활용하는 헬스케어분야에 적용하여 다양한 헬스케어서비스를 수행하도록 할 수 있다.
본 명세서에 기재된 실시예와 도면에 도시된 구성은 본 발명의 가장 바람직한 일 실시예에 불과할 뿐이고, 본 발명의 기술적 사상을 모두 대변하는 것은 아니므로, 본 출원 시점에 있어서 이들을 대체할 수 있는 다양한 균등물과 변형예들이 있을 수 있음을 이해하여야 한다.
110 : 심전도 측정부 120 : 딥러닝기반 예측부
130 : 원칙기반 추론부 140 : 통합 판독부
141 : 제1판독부 142 : 제2판독부
143 : 간호사 뷰어 144 : 전문의 뷰어
150 : 심전도 생성부 160 : 노이즈 제거부
130 : 원칙기반 추론부 140 : 통합 판독부
141 : 제1판독부 142 : 제2판독부
143 : 간호사 뷰어 144 : 전문의 뷰어
150 : 심전도 생성부 160 : 노이즈 제거부
Claims (6)
1유도 이상의 심전도를 측정하여 심전도 데이터를 생성하는 심전도 측정부;
상기 1유도 이상의 심전도 및 이에 상응하는 질환의 학습데이터셋으로 학습하여 구축된 딥러닝 알고리즘을 통해, 상기 심전도 측정부로부터 입력된 심전도 데이터로부터 질환을 진단하고 예측하여 질환예측정보를 생성하는, 딥러닝기반 예측부;
심전도 데이터 및 이에 상응하는 질환정보로 구축된 지식베이스와 추론규칙으로 구성된 원칙기반 알고리즘을 통해서, 상기 심전도 측정부로부터 입력된 심전도 데이터로부터 질환에 대해 추론하여 질환추론정보를 생성하는, 원칙기반 추론부; 및
상기 질환예측정보 및 상기 질환추론정보를 통합 분석하여 질환의 판독을 수행하여 판독정보를 생성하고, 질환 진단의 이유와 근거에 대한 진단정보를 제공하도록 하는, 통합 판독부;를 포함하는,
딥러닝기반 모델 및 원칙기반 모델 통합 심전도 판독 시스템.
상기 1유도 이상의 심전도 및 이에 상응하는 질환의 학습데이터셋으로 학습하여 구축된 딥러닝 알고리즘을 통해, 상기 심전도 측정부로부터 입력된 심전도 데이터로부터 질환을 진단하고 예측하여 질환예측정보를 생성하는, 딥러닝기반 예측부;
심전도 데이터 및 이에 상응하는 질환정보로 구축된 지식베이스와 추론규칙으로 구성된 원칙기반 알고리즘을 통해서, 상기 심전도 측정부로부터 입력된 심전도 데이터로부터 질환에 대해 추론하여 질환추론정보를 생성하는, 원칙기반 추론부; 및
상기 질환예측정보 및 상기 질환추론정보를 통합 분석하여 질환의 판독을 수행하여 판독정보를 생성하고, 질환 진단의 이유와 근거에 대한 진단정보를 제공하도록 하는, 통합 판독부;를 포함하는,
딥러닝기반 모델 및 원칙기반 모델 통합 심전도 판독 시스템.
제1항에 있어서,
상기 원칙기반 추론부는 상기 통합 판독부에 의한 판독가능범위를 설정하는 것을 특징으로 하는,
딥러닝기반 모델 및 원칙기반 모델 통합 심전도 판독 시스템.
상기 원칙기반 추론부는 상기 통합 판독부에 의한 판독가능범위를 설정하는 것을 특징으로 하는,
딥러닝기반 모델 및 원칙기반 모델 통합 심전도 판독 시스템.
제2항에 있어서,
상기 딥러닝기반 예측부에 의한 질환예측정보가 상기 판독가능범위에 포함되면, 상기 통합 판독부는 상기 판독정보 및 상기 진단정보를 생성하여 출력하고,
상기 딥러닝기반 예측부에 의한 질환예측정보가 상기 판독가능범위에 포함되지 않으면, 상기 심전도 측정부에 의해 심전도를 재측정하도록 하거나, 상기 딥러닝기반 예측부의 파라미터를 재조정하여 상기 질환예측정보를 재생성하는 것을 특징으로 하는,
딥러닝기반 모델 및 원칙기반 모델 통합 심전도 판독 시스템.
상기 딥러닝기반 예측부에 의한 질환예측정보가 상기 판독가능범위에 포함되면, 상기 통합 판독부는 상기 판독정보 및 상기 진단정보를 생성하여 출력하고,
상기 딥러닝기반 예측부에 의한 질환예측정보가 상기 판독가능범위에 포함되지 않으면, 상기 심전도 측정부에 의해 심전도를 재측정하도록 하거나, 상기 딥러닝기반 예측부의 파라미터를 재조정하여 상기 질환예측정보를 재생성하는 것을 특징으로 하는,
딥러닝기반 모델 및 원칙기반 모델 통합 심전도 판독 시스템.
제1항에 있어서,
상기 통합 판독부는 상기 원칙기반 추론부에 의한 질환추론정보만으로 최종 판독하는 것을 특징으로 하는,
딥러닝기반 모델 및 원칙기반 모델 통합 심전도 판독 시스템.
상기 통합 판독부는 상기 원칙기반 추론부에 의한 질환추론정보만으로 최종 판독하는 것을 특징으로 하는,
딥러닝기반 모델 및 원칙기반 모델 통합 심전도 판독 시스템.
제1항에 있어서,
상기 딥러닝기반 예측부 및 상기 원칙기반 추론부에 의해, 상기 심전도 데이터에 애 대한 해당 질환을 최종 진단하는 것을 특징으로 하는,
딥러닝기반 모델 및 원칙기반 모델 통합 심전도 판독 시스템.
상기 딥러닝기반 예측부 및 상기 원칙기반 추론부에 의해, 상기 심전도 데이터에 애 대한 해당 질환을 최종 진단하는 것을 특징으로 하는,
딥러닝기반 모델 및 원칙기반 모델 통합 심전도 판독 시스템.
제1항에 있어서,
상기 딥러닝기반 예측부 또는 상기 원칙기반 추론부에 의해 상기 심전도 데이터를 가판독하여 1차 판독정보를 생성하고,
상기 통합 판독부는, 상기 1차 판독정보를 입력받아 간호사, 임상병리사 또는 응급구조사가 로그인하도록 하여 상기 1차 판독정보를 판독하여 2차 판독정보를 생성하는 제1판독부와, 상기 2차 판독정보를 입력받아 심장전문의가 로그인하도록 하여 상기 2차 판독정보를 판독하여 최종 판독정보를 생성하는 제2판독부로 구성되는 것을 특징으로 하는,
딥러닝기반 모델 및 원칙기반 모델 통합 심전도 판독 시스템.
상기 딥러닝기반 예측부 또는 상기 원칙기반 추론부에 의해 상기 심전도 데이터를 가판독하여 1차 판독정보를 생성하고,
상기 통합 판독부는, 상기 1차 판독정보를 입력받아 간호사, 임상병리사 또는 응급구조사가 로그인하도록 하여 상기 1차 판독정보를 판독하여 2차 판독정보를 생성하는 제1판독부와, 상기 2차 판독정보를 입력받아 심장전문의가 로그인하도록 하여 상기 2차 판독정보를 판독하여 최종 판독정보를 생성하는 제2판독부로 구성되는 것을 특징으로 하는,
딥러닝기반 모델 및 원칙기반 모델 통합 심전도 판독 시스템.
Priority Applications (4)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020210107777A KR20230025962A (ko) | 2021-08-17 | 2021-08-17 | 딥러닝기반 모델 및 원칙기반 모델 통합 심전도 판독 시스템 |
| EP22858758.0A EP4371491A1 (en) | 2021-08-17 | 2022-08-17 | Electrocardiogram reading system in which deep learning-based model and rule-based model are integrated |
| PCT/KR2022/012300 WO2023022521A1 (ko) | 2021-08-17 | 2022-08-17 | 딥러닝기반 모델 및 원칙기반 모델 통합 심전도 판독 시스템 |
| CN202280059898.2A CN117915835A (zh) | 2021-08-17 | 2022-08-17 | 基于深度学习的模型及基于规则的模型统合型心电图判读系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020210107777A KR20230025962A (ko) | 2021-08-17 | 2021-08-17 | 딥러닝기반 모델 및 원칙기반 모델 통합 심전도 판독 시스템 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| KR20230025962A true KR20230025962A (ko) | 2023-02-24 |
Family
ID=85239576
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020210107777A KR20230025962A (ko) | 2021-08-17 | 2021-08-17 | 딥러닝기반 모델 및 원칙기반 모델 통합 심전도 판독 시스템 |
Country Status (4)
| Country | Link |
|---|---|
| EP (1) | EP4371491A1 (ko) |
| KR (1) | KR20230025962A (ko) |
| CN (1) | CN117915835A (ko) |
| WO (1) | WO2023022521A1 (ko) |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR102241799B1 (ko) | 2020-08-06 | 2021-04-19 | 주식회사 에이티센스 | 심전도 신호의 분류 데이터를 제공하는 방법 및 전자 장치 |
| KR20210054975A (ko) | 2019-11-06 | 2021-05-14 | 메디팜소프트(주) | Ai 기반 심전도 판독 시스템 |
Family Cites Families (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2002140685A (ja) * | 2000-11-01 | 2002-05-17 | Fuji Photo Film Co Ltd | 画像管理システム及び画像管理方法 |
| KR101836103B1 (ko) * | 2016-03-15 | 2018-04-19 | 가톨릭관동대학교산학협력단 | 모바일 헬스케어 시스템 및 이를 이용한 컴포넌트 기반 모바일 헬스 애플리케이션 제공 시스템 |
| KR102261408B1 (ko) * | 2019-08-01 | 2021-06-09 | 동국대학교 산학협력단 | 의료영상을 이용한 질환정보 제공 방법 |
| KR20210058274A (ko) * | 2019-11-14 | 2021-05-24 | 권준명 | 머신러닝을 기반으로 생성된 심전도표준데이터를 이용하여 사용자의 신체상태를 판단하는 심전도 측정 시스템 및 그 방법 |
| JP7381301B2 (ja) * | 2019-11-14 | 2023-11-15 | 日本光電工業株式会社 | 学習済みモデルの生成方法、学習済みモデルの生成システム、推論装置、およびコンピュータプログラム |
-
2021
- 2021-08-17 KR KR1020210107777A patent/KR20230025962A/ko not_active Application Discontinuation
-
2022
- 2022-08-17 EP EP22858758.0A patent/EP4371491A1/en active Pending
- 2022-08-17 CN CN202280059898.2A patent/CN117915835A/zh active Pending
- 2022-08-17 WO PCT/KR2022/012300 patent/WO2023022521A1/ko active Application Filing
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20210054975A (ko) | 2019-11-06 | 2021-05-14 | 메디팜소프트(주) | Ai 기반 심전도 판독 시스템 |
| KR102241799B1 (ko) | 2020-08-06 | 2021-04-19 | 주식회사 에이티센스 | 심전도 신호의 분류 데이터를 제공하는 방법 및 전자 장치 |
Also Published As
| Publication number | Publication date |
|---|---|
| EP4371491A1 (en) | 2024-05-22 |
| WO2023022521A8 (ko) | 2024-01-04 |
| CN117915835A (zh) | 2024-04-19 |
| WO2023022521A9 (ko) | 2023-04-13 |
| WO2023022521A1 (ko) | 2023-02-23 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US20220175324A1 (en) | Computer-based prediction of fetal and maternal outcomes | |
| CN112117008A (zh) | 一种基于大数据的健康监测方法及系统 | |
| Altıntop et al. | A novel approach for detection of consciousness level in comatose patients from EEG signals with 1-D convolutional neural network | |
| WO2023022485A1 (ko) | 비동기 심전도를 이용한 건강상태 예측 시스템 | |
| EP4124287A1 (en) | Regularized multiple-input pain assessment and trend | |
| KR20230025962A (ko) | 딥러닝기반 모델 및 원칙기반 모델 통합 심전도 판독 시스템 | |
| KR20230025963A (ko) | 복수의 심전도를 이용한 딥러닝기반 건강상태 예측 시스템 | |
| Orphanidou et al. | Signal quality assessment in physiological monitoring: requirements, practices and future directions | |
| TW202143915A (zh) | 心電圖分析 | |
| Valsalan et al. | Remote healthcare monitoring using expert system | |
| Wong et al. | Identifying vital sign abnormality in acutely-ill patients | |
| EP4371492A1 (en) | Deep learning-based health condition prediction system using plurality of electrocardiograms | |
| KR102670032B1 (ko) | 2유도 심전도 데이터를 이용한 복수개의 표준 심전도 데이터 생성 시스템 | |
| EP4368106A1 (en) | System for predicting health state using single-lead electrocardiogram device | |
| EP4371490A1 (en) | Deep learning-based electrocardiogram data noise removal system | |
| CN117524489B (zh) | 患者的健康监测管理系统及方法 | |
| US20230170087A1 (en) | Systems and methods for remote pregnancy monitoring and management | |
| Allahem | Automated Labour Detection Framework to Monitor Pregnant Women with a High Risk of Premature Labour | |
| Tabassum et al. | A Comprehensive Framework for Wearable Module for Prenatal Health Monitoring and Risk Detection | |
| Laudato | Innovative information systems to monitor biomedical parameters during high demanding tasks | |
| Spuri Forotti | A deep learning approach for the diagnosis of intrauterine growth restriction using fetal heart rate signals | |
| CN114159062A (zh) | 辅助精神状态识别装置和方法 | |
| WO2023214956A1 (en) | Systems, devices, and methods for biomarker detection and tracking | |
| WO2023214957A1 (en) | Machine learning models for estimating physiological biomarkers | |
| WO2022101647A1 (en) | Clinical warning score system |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| E902 | Notification of reason for refusal |