KR20230070781A - 뇌졸중 재발 예측 및 관리 서비스 제공 방법, 장치 및 시스템 - Google Patents
뇌졸중 재발 예측 및 관리 서비스 제공 방법, 장치 및 시스템 Download PDFInfo
- Publication number
- KR20230070781A KR20230070781A KR1020210156721A KR20210156721A KR20230070781A KR 20230070781 A KR20230070781 A KR 20230070781A KR 1020210156721 A KR1020210156721 A KR 1020210156721A KR 20210156721 A KR20210156721 A KR 20210156721A KR 20230070781 A KR20230070781 A KR 20230070781A
- Authority
- KR
- South Korea
- Prior art keywords
- stroke recurrence
- data
- medical
- variable
- stroke
- Prior art date
Links
- 238000000034 method Methods 0.000 title claims abstract description 31
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 50
- 238000013473 artificial intelligence Methods 0.000 claims abstract description 35
- 238000011156 evaluation Methods 0.000 claims abstract description 27
- 238000012706 support-vector machine Methods 0.000 claims abstract description 20
- 238000007477 logistic regression Methods 0.000 claims abstract description 13
- 238000007637 random forest analysis Methods 0.000 claims abstract description 13
- 229940079593 drug Drugs 0.000 claims description 7
- 239000003814 drug Substances 0.000 claims description 7
- 201000010099 disease Diseases 0.000 claims description 5
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 claims description 5
- 238000012544 monitoring process Methods 0.000 claims description 5
- 206010012289 Dementia Diseases 0.000 claims description 3
- LFQSCWFLJHTTHZ-UHFFFAOYSA-N Ethanol Chemical compound CCO LFQSCWFLJHTTHZ-UHFFFAOYSA-N 0.000 claims description 3
- 208000031226 Hyperlipidaemia Diseases 0.000 claims description 3
- 206010020772 Hypertension Diseases 0.000 claims description 3
- 206010012601 diabetes mellitus Diseases 0.000 claims description 3
- 238000002372 labelling Methods 0.000 claims description 3
- 230000000391 smoking effect Effects 0.000 claims description 3
- 208000006011 Stroke Diseases 0.000 abstract description 136
- 206010008190 Cerebrovascular accident Diseases 0.000 abstract 12
- 230000002490 cerebral effect Effects 0.000 abstract 12
- 238000010801 machine learning Methods 0.000 description 13
- 238000010586 diagram Methods 0.000 description 10
- 238000004364 calculation method Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000007781 pre-processing Methods 0.000 description 3
- 238000012549 training Methods 0.000 description 3
- 239000008280 blood Substances 0.000 description 2
- 210000004369 blood Anatomy 0.000 description 2
- 238000009530 blood pressure measurement Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 241000282412 Homo Species 0.000 description 1
- 230000032683 aging Effects 0.000 description 1
- 230000036772 blood pressure Effects 0.000 description 1
- 210000004556 brain Anatomy 0.000 description 1
- 238000012508 change request Methods 0.000 description 1
- 238000012790 confirmation Methods 0.000 description 1
- 235000006694 eating habits Nutrition 0.000 description 1
- 235000013305 food Nutrition 0.000 description 1
- 230000001151 other effect Effects 0.000 description 1
- 208000024891 symptom Diseases 0.000 description 1
- 238000002560 therapeutic procedure Methods 0.000 description 1
Images
Classifications
-
- 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
- G16H10/00—ICT specially adapted for the handling or processing of patient-related medical or healthcare data
- G16H10/60—ICT specially adapted for the handling or processing of patient-related medical or healthcare data for patient-specific data, e.g. for electronic patient records
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/50—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
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Public Health (AREA)
- Data Mining & Analysis (AREA)
- Primary Health Care (AREA)
- General Health & Medical Sciences (AREA)
- Epidemiology (AREA)
- Biomedical Technology (AREA)
- Databases & Information Systems (AREA)
- Pathology (AREA)
- Theoretical Computer Science (AREA)
- Software Systems (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
뇌졸중 재발 예측 및 관리 서비스 제공 방법, 장치 및 시스템이 제공된다. 상기 본 발명의 일 면에 따른 전자 장치에서 뇌졸중 재발 예측 및 서비스 가이드 데이터를 제공하는 방법은, 상기 뇌졸중 재발 변수를 정의하고, 정의된 뇌졸중 재발 변수에 기초하여 인공지능 학습 모델을 생성하는 단계; 상기 정의된 뇌졸중 재발 변수에 관한 데이터를 입력받는 단계; 상기 입력받은 뇌졸중 재발 변수에 관한 데이터를 상기 생성된 인공지능 학습 모델을 이용하여 학습하는 단계; 상기 학습 결과에 기초하여 뇌졸중 재발 예측 결과 데이터를 생성하는 단계; 상기 생성된 뇌졸중 재발 예측 결과 데이터에 대응하는 서비스 가이드 데이터를 생성하는 단계; 및 상기 생성된 뇌졸중 재발 예측 결과 데이터 및 서비스 가이드 데이터를 단말에 제공하는 단계를 포함하되, 상기 인공지능 학습 모델은, 상기 정의된 뇌졸중 재발 변수를 뇌졸중 재발 예측 알고리즘인 서포트 벡터 머신(SVM), 랜덤 포레스트(Random Forest) 및 로지스틱 회귀(Logistic Regression)의 입력으로 하여 각 성능 평가값을 산출하고, 산출된 각 알고리즘의 성능 평가값 중 가장 수신자 조작 특성(AUROC) 값이 가장 높은 하나의 알고리즘에 기초하여 생성된다.
Description
본 발명은 뇌졸중 재발 예측 및 관리 서비스에 관한 것으로, 보다 자세하게는 뇌졸중 재발 변수를 모니터링하여 변경 사항이 발견되면, 변경 사항에 대하여 업데이트 유무를 신뢰성 판단 방법에 기초하여 결정하고 실시간으로 반영하여 정확성이 향상된 뇌졸중 재발 확률 예측 및 관리 서비스를 제공하는 하는 방법, 장치 및 시스템에 관한 것이다.
의료 기술이 발전함에 따라 인간의 수명이 늘어나 세계 각국은 빠르게 고령화 사회로 진입하고 있다.
그럼에도 불구하고, 인간은 여전히 모든 질병에 대한 치료제나 치료 방법을 개발한 것은 아닌데 특히, 중장년층에서 뇌졸중의 발병률이 증가하고 있다. 모든 질병이 한 번 발병한 후에 치료를 완료하였다고 하더라도 사후 관리가 매우 중요한데 특히나, 뇌졸중은 인간의 뇌에 관한 질병으로 상대적으로 재발 확률이 높은 바, 그 관리가 매우 중요하다.
이러한 점에서, 환자와 의료기관에 뇌졸중의 재발 예측 및 관리에 관한 서비스 제공에 관한 니즈가 있다.
본 발명이 해결하고자 하는 과제는, 뇌졸중 재발 변수의 신뢰성이 확보된 변경 사항을 빠르게 반영하여 뇌졸중 재발 확률 예측의 정확성을 높이고 및 직관적인 서비스 가이드 데이터를 제공하는 방법, 장치 및 시스템을 제공하는 것이다.
본 발명이 해결하고자 하는 과제들은 이상에서 언급된 과제로 제한되지 않으며, 언급되지 않은 또 다른 과제들은 아래의 기재로부터 통상의 기술자에게 명확하게 이해될 수 있을 것이다.
상술한 과제를 해결하기 위한 본 발명의 일 면에 따른 전자 장치에서 뇌졸중 재발 예측 및 서비스 가이드 데이터를 제공하는 방법은, 상기 뇌졸중 재발 변수를 정의하고, 정의된 뇌졸중 재발 변수에 기초하여 인공지능 학습 모델을 생성하는 단계; 상기 정의된 뇌졸중 재발 변수에 관한 데이터를 입력받는 단계; 상기 입력받은 뇌졸중 재발 변수에 관한 데이터를 상기 생성된 인공지능 학습 모델을 이용하여 학습하는 단계; 상기 학습 결과에 기초하여 뇌졸중 재발 예측 결과 데이터를 생성하는 단계; 상기 생성된 뇌졸중 재발 예측 결과 데이터에 대응하는 서비스 가이드 데이터를 생성하는 단계; 및 상기 생성된 뇌졸중 재발 예측 결과 데이터 및 서비스 가이드 데이터를 단말에 제공하는 단계를 포함하되, 상기 인공지능 학습 모델은, 상기 정의된 뇌졸중 재발 변수를 뇌졸중 재발 예측 알고리즘인 서포트 벡터 머신(SVM), 랜덤 포레스트(Random Forest) 및 로지스틱 회귀(Logistic Regression)의 입력으로 하여 각 성능 평가값을 산출하고, 산출된 각 알고리즘의 성능 평가값 중 가장 수신자 조작 특성(AUROC) 값이 가장 높은 하나의 알고리즘에 기초하여 생성된다.
본 발명의 일 면에 따른 뇌졸중 재발 예측 및 서비스 가이드 데이터를 제공하는 전자 장치는, 메모리; 및 프로세서를 포함하되, 상기 프로세서는, 상기 뇌졸중 재발 변수를 정의하고, 정의된 뇌졸중 재발 변수에 기초하여 인공지능 학습 모델을 생성하고, 상기 정의된 뇌졸중 재발 변수에 관한 데이터를 입력받아, 상기 생성된 인공지능 학습 모델을 이용하여 학습하고, 학습 결과에 기초하여 뇌졸중 재발 예측 결과 데이터 및 대응하는 서비스 가이드 데이터를 생성하여 단말에 제공하되, 상기 프로세서는, 상기 정의된 뇌졸중 재발 변수를 뇌졸중 재발 예측 알고리즘인 서포트 벡터 머신(SVM), 랜덤 포레스트(Random Forest) 및 로지스틱 회귀(Logistic Regression)의 입력으로 하여 각 성능 평가값을 산출하고, 산출된 각 알고리즘의 성능 평가값 중 가장 수신자 조작 특성(AUROC) 값이 가장 높은 하나의 알고리즘에 기초하여 상기 인공지능 학습 모델을 생성한다.
본 발명의 일면에 따른 뇌졸중 재발 예측 및 서비스 가이드 데이터를 제공하는 시스템은, 단말; 및 어플리케이션 서버를 포함하되, 상기 어플리케이션 서버는, 상기 뇌졸중 재발 변수를 정의하고, 정의된 뇌졸중 재발 변수에 기초하여 인공지능 학습 모델을 생성하고, 상기 정의된 뇌졸중 재발 변수에 관한 데이터를 입력받아, 상기 생성된 인공지능 학습 모델을 이용하여 학습하고, 학습 결과에 기초하여 뇌졸중 재발 예측 결과 데이터 및 대응하는 서비스 가이드 데이터를 생성하여 단말에 제공하는 프로세서를 포함하며, 상기 프로세서는, 상기 정의된 뇌졸중 재발 변수를 뇌졸중 재발 예측 알고리즘인 서포트 벡터 머신(SVM), 랜덤 포레스트(Random Forest) 및 로지스틱 회귀(Logistic Regression)의 입력으로 하여 각 성능 평가값을 산출하고, 산출된 각 알고리즘의 성능 평가값 중 가장 수신자 조작 특성(AUROC) 값이 가장 높은 하나의 알고리즘에 기초하여 상기 인공지능 학습 모델을 생성하고, 의료 데이터베이스를 모니터링하여 상기 정의된 뇌졸중 재발 변수 데이터를 수집하여, 상기 정의된 뇌졸중 재발 변수의 변경 여부를 판단하고, 판단 결과 상기 정의된 뇌졸중 재발 변수에 변경이 있으면, 자동 업데이트한다.
본 발명의 기타 구체적인 사항들은 상세한 설명 및 도면들에 포함되어 있다.
본 발명에 따르면, 다음과 같은 효과들을 가질 수 있다.
본 발명에 따르면, 뇌졸중 재발 확률 예측 결과 및 관련 서비스 가이드 데이터를 직관적으로 식별할 수 있다.
또한, 본 발명에 따르면, 신뢰성이 확보된 뇌졸중 재발 변수를 실시간으로 반영하여 더욱 정확한 뇌졸중 재발 가능성을 예측할 수 있다.
본 발명의 효과들은 이상에서 언급된 효과로 제한되지 않으며, 언급되지 않은 또 다른 효과들은 아래의 기재로부터 통상의 기술자에게 명확하게 이해될 수 있을 것이다.
도 1 은 본 발명의 일 실시 예에 따른 뇌졸중 재발 예측 및 관리 서비스 제공 시스템을 도시한 블록도이다.
도 2는 본 발명의 일 실시 예에 따른 어플리케이션 서버의 구성 블록도이다.
도 3은 본 발명의 일 실시 예에 따른 뇌졸중 재발 확률 예측을 위한 방법을 설명하기 위한 흐름도이다.
도 4는 본 발명의 일 실시 예에 따른 뇌졸중 재발 확률 예측 및 관리 서비스 제공 방법을 설명하기 위해 도시한 도면이다.
도 5는 본 발명의 일 실시 예에 따른 뇌졸중 재발 예측 및 관리 서비스 업데이트 방법을 설명하기 위해 도시한 흐름도이다.
도 6은 도 3 내지 5의 동작 수행을 위한 프로세서의 구성을 설명하기 위해 도시한 도면이다.
도 7 내지 9는 본 발명의 일 실시 예에 따라 어플리케이션 서비스를 위해 구성한 유저 인터페이스를 설명하기 위해 도시한 도면이다.
도 2는 본 발명의 일 실시 예에 따른 어플리케이션 서버의 구성 블록도이다.
도 3은 본 발명의 일 실시 예에 따른 뇌졸중 재발 확률 예측을 위한 방법을 설명하기 위한 흐름도이다.
도 4는 본 발명의 일 실시 예에 따른 뇌졸중 재발 확률 예측 및 관리 서비스 제공 방법을 설명하기 위해 도시한 도면이다.
도 5는 본 발명의 일 실시 예에 따른 뇌졸중 재발 예측 및 관리 서비스 업데이트 방법을 설명하기 위해 도시한 흐름도이다.
도 6은 도 3 내지 5의 동작 수행을 위한 프로세서의 구성을 설명하기 위해 도시한 도면이다.
도 7 내지 9는 본 발명의 일 실시 예에 따라 어플리케이션 서비스를 위해 구성한 유저 인터페이스를 설명하기 위해 도시한 도면이다.
본 발명의 이점 및 특징, 그리고 그것들을 달성하는 방법은 첨부되는 도면과 함께 상세하게 후술되어 있는 실시예들을 참조하면 명확해질 것이다. 그러나, 본 발명은 이하에서 개시되는 실시예들에 제한되는 것이 아니라 서로 다른 다양한 형태로 구현될 수 있으며, 단지 본 실시예들은 본 발명의 개시가 완전하도록 하고, 본 발명이 속하는 기술 분야의 통상의 기술자에게 본 발명의 범주를 완전하게 알려주기 위해 제공되는 것이며, 본 발명은 청구항의 범주에 의해 정의될 뿐이다.
본 명세서에서 사용된 용어는 실시예들을 설명하기 위한 것이며 본 발명을 제한하고자 하는 것은 아니다. 본 명세서에서, 단수형은 문구에서 특별히 언급하지 않는 한 복수형도 포함한다. 명세서에서 사용되는 "포함한다(comprises)" 및/또는 "포함하는(comprising)"은 언급된 구성요소 외에 하나 이상의 다른 구성요소의 존재 또는 추가를 배제하지 않는다. 명세서 전체에 걸쳐 동일한 도면 부호는 동일한 구성 요소를 지칭하며, "및/또는"은 언급된 구성요소들의 각각 및 하나 이상의 모든 조합을 포함한다. 비록 "제1", "제2" 등이 다양한 구성요소들을 서술하기 위해서 사용되나, 이들 구성요소들은 이들 용어에 의해 제한되지 않음은 물론이다. 이들 용어들은 단지 하나의 구성요소를 다른 구성요소와 구별하기 위하여 사용하는 것이다. 따라서, 이하에서 언급되는 제1 구성요소는 본 발명의 기술적 사상 내에서 제2 구성요소일 수도 있음은 물론이다.
다른 정의가 없다면, 본 명세서에서 사용되는 모든 용어(기술 및 과학적 용어를 포함)는 본 발명이 속하는 기술분야의 통상의 기술자에게 공통적으로 이해될 수 있는 의미로 사용될 수 있을 것이다. 또한, 일반적으로 사용되는 사전에 정의되어 있는 용어들은 명백하게 특별히 정의되어 있지 않는 한 이상적으로 또는 과도하게 해석되지 않는다.
공간적으로 상대적인 용어인 "아래(below)", "아래(beneath)", "하부(lower)", "위(above)", "상부(upper)" 등은 도면에 도시되어 있는 바와 같이 하나의 구성요소와 다른 구성요소들과의 상관관계를 용이하게 기술하기 위해 사용될 수 있다. 공간적으로 상대적인 용어는 도면에 도시되어 있는 방향에 더하여 사용시 또는 동작시 구성요소들의 서로 다른 방향을 포함하는 용어로 이해되어야 한다. 예를 들어, 도면에 도시되어 있는 구성요소를 뒤집을 경우, 다른 구성요소의 "아래(below)"또는 "아래(beneath)"로 기술된 구성요소는 다른 구성요소의 "위(above)"에 놓여질 수 있다. 따라서, 예시적인 용어인 "아래"는 아래와 위의 방향을 모두 포함할 수 있다. 구성요소는 다른 방향으로도 배향될 수 있으며, 이에 따라 공간적으로 상대적인 용어들은 배향에 따라 해석될 수 있다.
이하, 첨부된 도면을 참조하여 본 발명의 실시예를 상세하게 설명한다.
도 1 은 본 발명의 일 실시 예에 따른 뇌졸중 재발 예측 및 관리 서비스 제공 시스템(100)을 도시한 블록도이고, 도 2는 본 발명의 일 실시 예에 따른 어플리케이션 서버(150)의 구성 블록도이다.
도 1을 참조하면, 본 발명의 일 실시 예에 따른 뇌졸중 재발 예측 및 관리 서비스를 제공하는 시스템은, 단말(100)과 어플리케이션 서버(Application server)(150)을 포함하여 구성될 수 있다. 이 때, 실시 예에 따라서, 뇌졸중 재발 예측 및 관리 서비스 제공 시스템에는 도 1에 도시된 단말(100)과 어플리케이션 서버(150) 외에 본 발명에 따른 동작 수행과 관련하여, 하나 또는 그 이상의 구성요소가 추가되어 구성될 수도 있다. 상기에서, 관리 서비스라 함은 도 9와 같은 서비스 가이드 데이터를 구성하여 제공하는 것을 포함한다.
단말(100)은 환자로부터 뇌졸중 재발 변수에 관한 데이터를 입력받고, 입력된 뇌졸중 재발 변수 데이터에 대응하는 뇌졸중 재발 확률 예측 및 관리 서비스에 관한 데이터를 출력할 수 있다.
이러한 단말(100)은 TV, 모니터, 사이니지(Signage), PC, 노트북, 태블릿 pc, 스마트폰, 웨어러블 디바이스(wearable device) 등 중 어느 하나일 수 있다. 한편, 단말(100)은 그 자체로 전술한 뇌졸중 재발 변수 데이터 입력 및 대응 서비스 데이터 출력을 모두 수행할 수도 있으나, 실시 예에 따라서 상기 입력과 출력은 각각 다른 단말을 통해 이루어질 수도 있다.
본 발명과 관련하여, 단말(100)은 상기 뇌졸중 재발 변수 데이터 입력을 위한 인터페이스(interface) 예를 들어, 키보드, 마우스, 스타일러스펜, 마이크로폰 등 중 적어도 하나를 구비하거나 그와 연결될 수 있다. 실시 예에 따라서, 단말(100)은 이미지 촬상 센서를 통하여 환자의 모션(motion)을 인식하거나 촬영된 환자의 이미지로부터 적어도 일부의 데이터를 획득할 수도 있다.
본 발명과 관련하여, 단말(100)은 상기 뇌졸중 재발 확률 예측 및 관리 서비스 데이터의 출력을 위하여 디스플레이와 스피커 중 적어도 하나를 구비하거나 그와 연결될 수 있다.
어플리케이션 서버(150)는 상기 단말(100)로부터 획득되는 뇌졸중 재발 변수 데이터에 기초하여 인공지능 기반으로 뇌졸중 재발 확률을 예측하고 예측된 결과에 기초한 관리 서비스 데이터를 출력하도록 상기 단말(100)을 제어할 수 있다.
도 2를 참조하면, 어플리케이션 서버(150)는 메모리(memory)(210)와 프로세서(processor)(220)를 포함하여 구성될 수 있으며, 이 때 상기 메모리(210)는 뇌졸중 재발 예측 서비스 제공을 위한 훈련 데이터셋(training data set), 상기 훈련 데이터를 이용하여 생성된 학습 모델(learning model)을 저장할 수 있고, 상기 프로세서(220)는 단말(100)로부터 뇌졸중 재발 변수 데이터를 입력받으면, 입력받은 뇌졸중 재발 변수 데이터 각각과 뇌졸중 재발 여부에 관한 데이터를 라벨링(labeling)하여 인공지능 학습 모델을 통해 학습 결과 환자의 뇌졸중 재발 예측 확률에 관한 데이터를 산출하고, 산출된 환자의 뇌졸중 재발 예측 확률에 기반하여 해당 상태에 따른 생활 및 식습관 관리 서비스 가이드, 의료기관 방문 서비스 가이드 등 제공을 제어할 수 있다.
어플리케이션 서버(150)는 본 발명에 따른 뇌졸중 재발 예측 및 관리 서비스 제공을 어플리케이션(application) 또는 웹 서비스(web service) 형태로 제공할 수 있으나, 이하에서는 편의상 어플리케이션을 이용하는 것을 예로 하여 설명한다. 따라서, 단말(100)은 상기 어플리케이션을 다운로드 받아 설치하고 단말 상에서 구동하여 본 발명에 따른 뇌졸중 재발 예측 및 관리 서비스에 관한 입력 및 출력 서비스를 제공하기 위한 구성을 포함할 수 있으며, 어플리케이션 서버(150) 역시 상기 어플리케이션을 단말(100)로 제공하여 입력된 데이터에 기반하여 상기 단말(100)에 뇌졸중 재발 예측 확률 및 가이드 서비스 데이터의 출력 제어를 위한 구성을 포함할 수 있다. 상기에서, 구성이라 함은 해당 기능의 수행을 위한 프로그램 등 소프트웨어와 상기 소프트웨어를 구동하는 하드웨어 구성을 포함하는 의미일 수 있다.
도 1에 도시되진 않았으나, 어플리케이션 서버(150)는 뇌졸중 재발 확률 예측 및/또는 그에 관한 가이드라인 데이터를 수집하기 위하여, 미리 설정된 하나 또는 그 이상의 외부 데이터베이스와 연결될 수 있다. 이러한 외부 데이터베이스에는 예를 들어, 국내외의 의료 분야와 관련된 국가 기관 서버, 의료 전문 기관의 서버, 의료 논문 서비스 제공 서버의 데이터베이스 등이 포함될 수 있다.
도 3은 본 발명의 일 실시 예에 따른 뇌졸중 재발 확률 예측을 위한 방법을 설명하기 위한 흐름도이다. 도 4는 본 발명의 일 실시 예에 따른 뇌졸중 재발 확률 예측 및 관리 서비스 제공 방법을 설명하기 위해 도시한 도면이다. 도 5는 본 발명의 일 실시 예에 따른 뇌졸중 재발 예측 및 관리 서비스 업데이트 방법을 설명하기 위해 도시한 흐름도이다. 도 6은 도 3 내지 5의 동작 수행을 위한 프로세서(220)의 구성을 설명하기 위해 도시한 도면이다. 도 7 내지 9는 본 발명의 일 실시 예에 따라 어플리케이션 서비스를 위해 구성한 유저 인터페이스(UI: User Interface)를 설명하기 위해 도시한 도면이다.
도 3 내지 5의 동작들은 도 1의 어플리케이션 서버(150) 특히, 도 6의 프로세서(220)를 통해 수행될 수 있다.
먼저, 도 3은 뇌졸중 재발 예측 알고리즘을 도시한 것으로, 도 6을 참조하면 프로세서(220)는 전처리 모듈(610), 산출 모듈(620), 및 선택 모듈(630)을 포함하여 구성된다.
프로세서(220)는 인공지능 특히, 머신러닝(machine learning)을 통해 학습된 예측 모델을 이용하여 사용자의 뇌졸중 재발 여부를 판단 즉, 예측할 수 있다. 이 때, 뇌졸중 재발 예측 알고리즘으로 서포트 벡터 머신(SVM: Support Vector Machine), 랜덤 포레스트(Random Forest) 및 로지스틱 회귀(Logistic Regression) 등이 이용될 수 있다.
동작 11에서, 프로세서(220)는 뇌졸중 재발 변수를 정의할 수 있다.
동작 12에서, 프로세서(220)의 일 구성요소로서 전처리 모듈(620)은, 상기 정의한 뇌졸중 재발 변수를 전처리한다.
여기서, 뇌졸중 재발 변수로, 성별, 나이, 신장, 몸무게, 비만도(BMI), 흡연량, 음주량, 당뇨, 고혈압, 고지혈증, 치매 등의 질환 여부, 약물 복용 여부 및 복용 약물 데이터 등이 포함될 수 있다. 그 밖에, 기타 뇌졸중 재발에 영향을 줄 수 있는 팩터가 상기 변수에 더 포함될 수 있다.
동작 13에서, 산출 모듈(630)은 상기 전처리 모듈(620)에서 전처리된 뇌졸중 재발 변수를 입력으로 하여 각 머신러닝 방법 즉, 전술한 뇌졸중 재발 예측 알고리즘인 서포트 벡터 머신(SVM), 랜덤 포레스트(Random Forest) 및 로지스틱 회귀(Logistic Regression)을 통하여 성능 평가 결과값을 산출한다.
동작 14와 동작 15에서, 선택 모듈(640)은 상기 산출 모듈(630)에서 산출된 각 머신러닝 알고리즘에 따른 성능 평가 결과값으로부터 하나의 머신러닝 알고리즘을 선택하고, 선택된 머신러닝 알고리즘에 기반한 뇌졸중 재발 예측 의료 소프트웨어 및 하드웨어를 구성한다.
상기 동작 14에서, 선택 모듈(640)은 각 머신러닝 알고리즘에 따른 평가 결과값으로부터 해당 알고리즘의 성능을 평가하는데 이 때, 상기 평가는 수신자 조작 특성(AUROC: Area Under Receiver Operating Characteristic) 값이 가장 높은 알고리즘 즉, 뇌졸중 재발 예측 성능이 가장 우수한 머신러닝 모델을 뇌졸중 재발 예측 알고리즘으로 채택할 수 있다.
도 3을 통해 가장 성능이 우수한 머신러닝 모델 기반으로 뇌졸중 재발 예측을 위한 의료 소프트웨어 및 하드웨어가 구성되면, 도 4와 같이 뇌졸중 재발 예측 및 관리 서비스를 수행할 수 있다. 관련하여, 도 6의 프로세서(220)는 입력부(610), 서비스 데이터 생성부(650), 제어부(660) 등을 더 포함하여 구성될 수 있다.
동작 21에서, 입력부(610)는 단말(100)로부터 뇌졸중 재발 변수로 정의된 데이터에 해당하는 정보를 입력받는다. 이 때, 단말(100)은 전술한 바와 같이, 미리 어플리케이션 서버(150)로부터 다운로드 받아 설치된 의료 서비스 어플리케이션을 실행하고, 도 7 내지 8에 도시된 바와 같은 의료 서비스 어플리케이션의 실행 화면 내 유저 인터페이스를 통해 상기 뇌졸중 재발 변수로 정의된 데이터에 해당하는 정보를 입력할 수 있다. 예를 들어, 도 7의 (a)는 본 발명에 따른 뇌졸중 재발 변수의 하나인 혈압 측정 가이드에 대한 유저 인터페이스 구성 화면이고, 도 7의 (b)는 도 7의 (a)의 가이드에 따라 측정한 혈압 및 상기 뇌졸증 재발 변수와 관련된 증상 등에 대한 입력 유저 인터페이스 구성 화면을 도시한 것이다. 또한, 도 8의 (a)는 뇌졸중 재발 변수 예를 들어, 혈당 측정 횟수, 혈당 측정치, 혈압 측정치, 복약 정보, 체중 정보 등에 대한 입력 유저 인터페이스 화면 구성을 도시한 것이다. 반면, 도 8의 (b)는 예를 들어, 주치의의 단말 화면 유저 인터페이스 구성으로 볼 수 있는데, 이는 후술하는 바와 같이, 의료기관에서 환자의 동의나 컨펌을 득한 후에 열람할 수 있는 정보로서, 기본 정보와 함께 각종 환자가 입력한 뇌졸중 재발 변수에 관한 데이터와 이력 등을 모니터링하고 대처할 수 있도록 다양한 형태(그래프, 테이블 등)로 구성한 유저 인터페이스 화면을 도시한 것이다. 이는 일종의 디지털 치료제로서 기능할 수도 있음을 나타낸다.
이렇게 단말(100)상에서 입력된 데이터는 어플리케이션 서버(150)로 자동 전송될 수도 있다. 실시 예에 따라서, 어플리케이션 서버(150)는 미리 학습된 모델의 결과, 타 단말 사용자에 대하여 수행한 뇌졸중 재발 예측 결과 및 서비스 제공 데이터를 저장하고, 이를 소정 주기로 단말(100)로 전송함으로써, 상기 데이터 입력 시점에 단말(100)과 어플리케이션 서버(150)가 오프라인 상태라고 하더라도, 뇌졸중 재발 예측 및 서비스 데이터가 단말(100)상에서 제공되도록 할 수 있다. 즉, 어플리케이션 서버(150)는 뇌졸중 재발 변수 예측과 관련된 데이터를 일, 주, 월, 분기, 년과 같이 기간 단위나 해당 단말(100)에서 상기 어플리케이션의 실행 빈도나 횟수에 기초, 또는 미리 정의된 뇌졸중 재발 변수의 유의미한 변화가 있다고 판단되고 그에 따른 뇌졸중 재발 예측에 사용된 머신러닝 알고리즘의 변경 등이 있는 경우에, 관련 데이터를 상기 단말(100)로 제공할 수도 있다.
동작 22와 동작 23에서, 프로세서(220)는 상기 동작 21에서 단말(100)로부터 입력받은 뇌졸중 재발 변수 데이터와 기준 데이터를 라벨링(labeling)하고, 인공지능 모델을 통해 학습하여 뇌졸중 재발 예측 결과 데이터를 산출한다. 상기 인공지능 모델은 전술한 도 3에 의해 선택된 인공지능 모델이다.
동작 24에서, 서비스 데이터 생성부(650)는 동작 23의 결과 산출된 뇌졸중 재발 예측 결과 데이터에 대응하는 서비스 가이드 데이터를 생성한다.
동작 25에서, 제어부(660)는 상기 동작 24에서 서비스 데이터 생성부(650)에 의해 생성된 서비스 가이드 데이터를 단말(100)로 전송하고, 상기 단말(100)상에서 출력되도록 제어할 수 있다.
동작 24에서, 서비스 데이터 생성부(650)는 예를 들어, 도 9의 (a) 내지 (c) 중 적어도 하나의 서비스 가이드 데이터를 생성할 수 있다.
이 때, 서비스 데이터 생성부(650)는, 동작 23의 수행 결과 산출된 뇌졸중 재발 예측 결과가 보통 즉, 제1 임계치 미만이면, 도 9의 (a)에 도시된 바와 같이 해당 뇌졸중 재발 예측 결과 데이터와 함께 “현재 생활 습관을 유지하시기 바랍니다.”라는 서비스 가이드 데이터를 생성하여 단말(100)을 통해 출력되도록 제공할 수 있다.
반면, 서비스 데이터 생성부(650)는, 동작 23의 수행 결과 산출된 뇌졸중 재발 예측 결과가 제1 임계치 이상 제2 임계치 미만이면, 도 9의 (b)에 도시된 바와 같이 해당 뇌졸중 재발 예측 확률(또는 가능성)이 약간 높은 상태로 결과 데이터와 함께 “현재 생활 습관을 아래와 같이 변경하시기 바랍니다.”라는 권고의 서비스 가이드 데이터를 생성하여 단말(100)을 통해 출력되도록 제공할 수 있다. 이 경우, 변경 요청 항목을 구체적으로 제공할 수 있으며, 그것은 정의된 또는 업데이트된 뇌졸중 재발 예측 변수와 단말(100)을 통해 입력된 상기 변수 관련 데이터를 참고하여 결정될 수 있다. 이 경우, 서비스 데이터 생성부(650)는 구체적인 수치나 그래프 형태, 정지영상이나 동영상과 같은 이미지, 오디오 등 다양한 형태의 추천 음식, 추천 운동, 추천 생활 습관 등의 정보가 직접 또는 링크 주소(linkage address)를 포함한 형태로 제공될 수 있다.
마지막으로, 서비스 데이터 생성부(650)는, 동작 23의 수행 결과 산출된 뇌졸중 재발 예측 결과가 제2 임계치 이상이면, 도 9의 (c)에 도시된 바와 같이 뇌졸중 재발 예측 확률이 매우 높은 상태로 판단하여 결과 데이터와 함께 “의료 기관에 방문하셔서 진료를 받으시길 바랍니다.”와 같은 서비스 가이드 데이터를 생성하여 단말(100)을 통해 출력되도록 제공할 수 있다. 이 때, 서비스 데이터 생성부(650)는 주변 또는 등록된 의료기관 정보를 제공할 수 있다. 이러한 제공과 관련하여, 필요한 경우 가장 가까운 의료기관에 대한 정보, 의료기관에 대한 지도맵 정보 등 다양한 관련 정보를 함께 제공할 수 있다.
한편, 어플리케이션 서버(150)는, 단말(100)에서 의료 서비스 어플리케이션이 실행되고, 도 7 내지 9에 도시된 바와 같은 입력 또는 출력 정보가 생성되면, 단말(100)뿐만 아니라 등록된 타 단말에도 해당 정보를 동일 또는 유사한 정보를 제공할 수 있다. 이 때, 상기 타 단말은 보호자나 보호 관찰자 등이나 해당 단말(100) 사용자의 주치의의 단말 등 미리 설정된 단말을 포함할 수 있다. 한편, 어플리케이션 서버(150)는 단말(100)에 제공하는 정보와 상기 타 단말에 사용하는 정보의 구성을 다르게 처리할 수 있다. 예를 들어, 단말(100) 사용자(환자)가 어린이거나 노약자인 경우에는 뇌졸중 재발 변수의 입력이나 출력된 정보를 제대로 식별하거나 이해하기 어려우므로, 간략화 된 정보만을 제공하되, 타 단말의 사용자에게는 상대적으로 상세 결과 정보를 제공할 수 있다. 특히, 타 단말의 사용자가 의료 기관인 경우에는, 이전 히스토리 정보부터 구체적인 수치가 포함된 입력 및 예측 정보를 제공할 수 있다.
상기에서, 제1 임계치 내지 제3 임계치는, 뇌졸중 재발 예측 결과를 구분하기 위하여 임의로 설정한 것으로, 이는 의료 기관에 의해 설정 또는 변경 가능하다. 또한, 상기 임계치는 본 명세서에서 기술되는 다양한 뇌졸중 재발 변수, 머신러닝 알고리즘의 변경 등에 따라 다르게 정의될 수 있다. 본 명세서에서는 편의상 3개의 구간을 구분하였으나, 이는 설정에 따라 더 많은 구간으로 상세 구분하여 정의 및 처리하거나 반대일 수도 있다.
전술한 도 3은 예컨대, 뇌졸중 재발 예측 알고리즘으로서 가장 성능이 우수한 머신러닝 알고리즘을 선택하기 위한 방법을 나타내는 것이나, 이는 후술하는 도 5에서와 같이, 적어도 하나의 뇌졸중 재발 예측 변수의 수정, 추가, 제거 등 변경이나 뇌졸중 재발과 관련된 가이드라인의 변화 등에 따라 도 3의 과정은 재수행될 수 있다. 이렇게 도 3의 과정을 재수행 결과, 전술한 수행에서 뇌졸중 재발 예측 알고리즘으로 최종 선택된 머신러닝 알고리즘과 다른 머신러닝 알고리즘이 선택될 수도 있다.
도 5를 참조하면, 프로세서(220)는 예를 들어, 도 3 또는 도 4의 일부 동작 수행 과정 또는 수행 전에, 다음과 같은 동작들을 수행할 수 있다.
동작 31에서, 프로세서(220)는 의료 데이터베이스를 모니터링하여 미리 정의된 뇌졸중 재발 변수 데이터를 수집한다. 이 때, 상기 의료 데이터베이스에는 국내외의 의료 분야와 관련된 국가 기관 서버, 의료 전문 기관 서버, 및 의료 논문 서비스 제공 서버의 데이터베이스가 포함될 수 있다.
동작 32에서, 프로세서(220)는 상기 수집된 뇌졸중 재발 변수 데이터에 기초하여 상기 정의된 뇌졸중 재발 변수의 변경 여부를 판단한다.
동작 33에서, 프로세서(220)는 상기 뇌졸중 재발 변수에 변경이 있으면, 자동 업데이트한다.
동작 34에서, 프로세서(220)는 상기 뇌졸중 재발 변수에 변경에 따라 자동 업데이트 시에는, 전술한 도 3의 동작 12 내지 15를 재수행 즉, 상기 업데이트된 뇌졸중 재발 변수를 뇌졸중 재발 예측 알고리즘인 서포트 벡터 머신, 랜덤 포레스트 및 로지스틱 회귀의 입력으로 하여 각 성능 평가값을 재산출하고, 재산출된 각 알고리즘의 성능 평가값 중 가장 수신자 조작 특성 값이 가장 높은 하나의 알고리즘을 선택하여, 선택된 알고리즘에 따라 인공지능 학습 모델을 재생성할 수 있다.
상기에서, 수집되는 뇌졸중 재발 변수 데이터에는, 의료 논문 데이터와 의료 가이드라인 데이터가 포함될 수 있는데, 프로세서(220)는, 의료 가이드라인 데이터이면, 해당 의료 가이드라인 데이터의 공개 기관이 미리 설정된 기관 예를 들어, 국내/외 의료 분야와 관련된 국가 기관, 의료 전문 기관, 및 국내 또는 국제 뇌졸중 학회와 같은 의료 논문 서비스 기관 중 어느 하나이면, 해당 의료 가이드라인 데이터를 신뢰하여 자동 업데이트할 수 있다.
반면, 프로세서(200)는, 상기 수집되는 뇌졸중 재발 변수 데이터가 의료 논문 데이터이면, 상기 의료 논문 데이터의 신뢰도 값을 산출하고, 산출된 의료 논문 데이터의 신뢰도 값이 임계값 이상인 경우에만, 상기 정의된 뇌졸중 재발 변수의 변경 여부를 판단에 참조하도록 제어할 수 있다. 이 때, 상기 의료 논문 데이터의 신뢰도 값은, 해당 의료 논문의 공개 이후 타 의료 논문에 인용된 횟수 정보, 해당 의료 논문이 공개된 학회 정보, 해당 의료 논문에 소개된 의료 기술의 의료 현장 채택 여부 정보, 및 해당 의료 논문에 소개된 의료 기술의 의료 현장 채택 후 시행 회수 및 결과가 포함된 평가 정보에 대해 각각 미리 설정된 가중치를 부여하여 산출할 수 있다. 프로세서(200)는 또한, 상기 부여된 각 정보의 가중치의 합 또는 평균값 중 어느 하나 또는 모두를 채택하여 상기 임계값과 비교하여 상기 의료 논문 데이터의 신뢰도 값을 산출할 수도 있다. 실시 예에 따라, 프로세서(200)는 각 정보의 가중치에 따른 변화가 개별 정보에 설정된 임계값 이상 여부를 판단하고, 임계값 이상 변경된 개별 정보의 개수가 미리 정의된 개수 이상이면, 의료 논문의 데이터 신뢰값 산출에 이용할 수도 있다. 그 밖에, 프로세서(220)는 개별 정보의 가중치를 참고하여, 가중치가 낮은 정보의 변경은 무시하고 가중치가 높은 정보의 변경만을 신뢰도 산출에 참고할 수도 있다.
한편, 상기 프로세서(220)는, 미리 설정된 기간 단위, 의료 매체나 일반 매체의 검색 또는 노출 순위나 횟수가 미리 설정된 값 이상, 상기 입력받은 뇌졸중 재발 변수에 유의미한 변화 감지, 상기 감지된 뇌졸중 재발 변수에 유의미한 변화와 관련된 기생성된 인공지능 학습 모델이 없는 경우, 단말의 요청이 있는 경우, 및 상기 미리 설정된 기간 내에 새로 발행된 관련 의료 논문의 수가 일정 수 이상 증가한 경우 중 적어도 하나 이상에 해당하면 상기 정의된 뇌졸중 재발 변수 데이터를 수집할 수 있다.
그 밖에, 도시되진 않았으나, 도 7 내지 8과 유사한 유저 인터페이스를 통하여, 코호트 자료로 모아 인공지능에 적용하여 뇌졸중 재발과 관련된 요인 및 재발률 예측, 사망할 경우 사망률과 그 요인, 사망 가능성 예측 등에 사용할 수도 있다.
상술한 본 발명은 특히, 뇌졸중의 재발 예측 및 관리 서비스에 관하여 기술하였으나, 본 발명의 기술 사상은 반드시 이에 한정되지 않고 관련 변수, 훈련 데이터, 학습 모델 등을 통해 인간의 다른 질병에 대한 예측 및 관리 서비스에도 적용할 수 있다.
본 발명의 실시예와 관련하여 설명된 방법 또는 알고리즘의 단계들은 하드웨어로 직접 구현되거나, 하드웨어에 의해 실행되는 소프트웨어 모듈로 구현되거나, 또는 이들의 결합에 의해 구현될 수 있다. 소프트웨어 모듈은 RAM(Random Access Memory), ROM(Read Only Memory), EPROM(Erasable Programmable ROM), EEPROM(Electrically Erasable Programmable ROM), 플래시 메모리(Flash Memory), 하드 디스크, 착탈형 디스크, CD-ROM, 또는 본 발명이 속하는 기술 분야에서 잘 알려진 임의의 형태의 컴퓨터 판독가능 기록매체에 상주할 수도 있다.
이상, 첨부된 도면을 참조로 하여 본 발명의 실시예를 설명하였지만, 본 발명이 속하는 기술분야의 통상의 기술자는 본 발명이 그 기술적 사상이나 필수적인 특징을 변경하지 않고서 다른 구체적인 형태로 실시될 수 있다는 것을 이해할 수 있을 것이다. 그러므로, 이상에서 기술한 실시예들은 모든 면에서 예시적인 것이며, 제한적이 아닌 것으로 이해해야만 한다.
110 : 단말
120 : 어플리케이션 서버
210 : 메모리
220 : 프로세서
120 : 어플리케이션 서버
210 : 메모리
220 : 프로세서
Claims (21)
- 전자 장치에서 뇌졸중 재발 예측 및 서비스 가이드 데이터를 제공하는 방법에 있어서,
상기 뇌졸중 재발 변수를 정의하고, 정의된 뇌졸중 재발 변수에 기초하여 인공지능 학습 모델을 생성하는 단계;
상기 정의된 뇌졸중 재발 변수에 관한 데이터를 입력받는 단계;
상기 입력받은 뇌졸중 재발 변수에 관한 데이터를 상기 생성된 인공지능 학습 모델을 이용하여 학습하는 단계;
상기 학습 결과에 기초하여 뇌졸중 재발 예측 결과 데이터를 생성하는 단계;
상기 생성된 뇌졸중 재발 예측 결과 데이터에 대응하는 서비스 가이드 데이터를 생성하는 단계; 및
상기 생성된 뇌졸중 재발 예측 결과 데이터 및 서비스 가이드 데이터를 단말에 제공하는 단계를 포함하되,
상기 인공지능 학습 모델은,
상기 정의된 뇌졸중 재발 변수를 뇌졸중 재발 예측 알고리즘인 서포트 벡터 머신(SVM), 랜덤 포레스트(Random Forest) 및 로지스틱 회귀(Logistic Regression)의 입력으로 하여 각 성능 평가값을 산출하고, 산출된 각 알고리즘의 성능 평가값 중 가장 수신자 조작 특성(AUROC) 값이 가장 높은 하나의 알고리즘에 기초하여 생성되는,
전자 장치에서 뇌졸중 재발 예측 및 서비스 가이드 데이터 제공 방법. - 제1항에 있어서,
의료 데이터베이스를 모니터링하여 상기 정의된 뇌졸중 재발 변수 데이터를 수집하는 단계;
상기 수집된 뇌졸중 재발 변수 데이터에 기초하여 상기 정의된 뇌졸중 재발 변수의 변경 여부를 판단하는 단계; 및
상기 정의된 뇌졸중 재발 변수에 변경이 있으면, 자동 업데이트하는 단계를 포함하는,
전자 장치에서 뇌졸중 재발 예측 및 서비스 가이드 데이터 제공 방법. - 제2항에 있어서,
상기 정의된 뇌졸중 재발 변수 변경에 따른 자동 업데이트가 있으면, 상기 업데이트된 뇌졸중 재발 변수를 뇌졸중 재발 예측 알고리즘인 서포트 벡터 머신, 랜덤 포레스트 및 로지스틱 회귀의 입력으로 하여 각 성능 평가값을 재산출하고, 재산출된 각 알고리즘의 성능 평가값 중 가장 수신자 조작 특성 값이 가장 높은 하나의 알고리즘을 선택하여, 선택된 알고리즘에 따라 인공지능 학습 모델이 재생성되는,
전자 장치에서 뇌졸중 재발 예측 및 서비스 가이드 데이터 제공 방법. - 제3항에 있어서,
상기 의료 데이터베이스에는 국내외의 의료 분야와 관련된 국가 기관 서버, 의료 전문 기관 서버, 및 의료 논문 서비스 제공 서버의 데이터베이스가 포함되고, 상기 수집되는 뇌졸중 재발 변수 데이터에는, 의료 논문 데이터와 의료 가이드라인 데이터가 포함되는,
전자 장치에서 뇌졸중 재발 예측 및 서비스 가이드 데이터 제공 방법. - 제4항에 있어서,
상기 수집되는 뇌졸중 재발 변수 데이터가 의료 논문 데이터이면, 상기 의료 논문 데이터의 신뢰도 값을 산출하고, 산출된 의료 논문 데이터의 신뢰도 값이 임계값 이상인 경우에만, 상기 정의된 뇌졸중 재발 변수의 변경 여부를 판단에 참조되는,
전자 장치에서 뇌졸중 재발 예측 및 서비스 가이드 데이터 제공 방법. - 제5항에 있어서,
상기 의료 논문 데이터의 신뢰도 값은,
해당 의료 논문의 공개 이후 타 의료 논문에 인용된 횟수 정보, 해당 의료 논문이 공개된 학회 정보, 해당 의료 논문에 소개된 의료 기술의 의료 현장 채택 여부 정보, 및 해당 의료 논문에 소개된 의료 기술의 의료 현장 채택 후 시행 회수 및 결과가 포함된 평가 정보에 대해 각각 미리 설정된 가중치를 부여하여 산출되는,
전자 장치에서 뇌졸중 재발 예측 및 서비스 가이드 데이터 제공 방법. - 제6항에 있어서,
상기 의료 논문 데이터의 신뢰도 값은,
상기 각 정보에 부여된 가중치의 합 또는 평균값 중 하나를 채택하여 상기 임계값과 비교되는,
전자 장치에서 뇌졸중 재발 예측 및 서비스 가이드 데이터 제공 방법. - 제7항에 있어서,
상기 정의된 뇌졸중 재발 변수 데이터는,미리 설정된 기간 단위, 의료 매체나 일반 매체의 검색 또는 노출 순위나 횟수가 미리 설정된 값 이상, 상기 입력받은 뇌졸중 재발 변수에 유의미한 변화 감지, 상기 감지된 뇌졸중 재발 변수에 유의미한 변화와 관련된 기생성된 인공지능 학습 모델이 없는 경우, 단말의 요청이 있는 경우, 및 상기 미리 설정된 기간 내에 새로 발행된 관련 의료 논문의 수가 일정 수 이상 증가한 경우 중 어느 하나에 해당하면 수집되는,
전자 장치에서 뇌졸중 재발 예측 및 서비스 가이드 데이터 제공 방법. - 제8항에 있어서,
상기 입력받은 뇌졸중 재발 변수와 상기 기준 데이터를 라벨링하는 단계를 더 포함하고,
상기 라벨링된 데이터를 상기 선택된 인공지능 학습 모델의 입력으로 이용되는,
전자 장치에서 뇌졸중 재발 예측 및 서비스 가이드 데이터 제공 방법. - 제9항에 있어서,
상기 뇌졸중 재발 변수는,
성별, 나이, 신장, 몸무게, 비만도(BMI), 흡연량, 음주량, 당뇨, 고혈압, 고지혈증, 치매 등의 질환 여부, 약물 복용 여부 및 복용 약물 데이터를 포함하여 정의되는,
전자 장치에서 뇌졸중 재발 예측 및 서비스 가이드 데이터 제공 방법. - 뇌졸중 재발 예측 및 서비스 가이드 데이터를 제공하는 전자 장치에 있어서,
메모리; 및
프로세서를 포함하되,
상기 프로세서는, 상기 뇌졸중 재발 변수를 정의하고, 정의된 뇌졸중 재발 변수에 기초하여 인공지능 학습 모델을 생성하고, 상기 정의된 뇌졸중 재발 변수에 관한 데이터를 입력받아, 상기 생성된 인공지능 학습 모델을 이용하여 학습하고, 학습 결과에 기초하여 뇌졸중 재발 예측 결과 데이터 및 대응하는 서비스 가이드 데이터를 생성하여 단말에 제공하되,
상기 프로세서는,
상기 정의된 뇌졸중 재발 변수를 뇌졸중 재발 예측 알고리즘인 서포트 벡터 머신(SVM), 랜덤 포레스트(Random Forest) 및 로지스틱 회귀(Logistic Regression)의 입력으로 하여 각 성능 평가값을 산출하고, 산출된 각 알고리즘의 성능 평가값 중 가장 수신자 조작 특성(AUROC) 값이 가장 높은 하나의 알고리즘에 기초하여 상기 인공지능 학습 모델을 생성하는,
뇌졸중 재발 예측 및 서비스 가이드 데이터를 제공하는 전자 장치. - 제11항에 있어서,
상기 프로세서는,
의료 데이터베이스를 모니터링하여 상기 정의된 뇌졸중 재발 변수 데이터를 수집하여 상기 정의된 뇌졸중 재발 변수의 변경 여부를 판단하고, 상기 정의된 뇌졸중 재발 변수에 변경이 있으면, 자동 업데이트하도록 제어하는,
뇌졸중 재발 예측 및 서비스 가이드 데이터를 제공하는 전자 장치. - 제12항에 있어서,
상기 프로세서는,
상기 정의된 뇌졸중 재발 변수 변경에 따른 자동 업데이트가 있으면, 상기 업데이트된 뇌졸중 재발 변수를 뇌졸중 재발 예측 알고리즘인 서포트 벡터 머신, 랜덤 포레스트 및 로지스틱 회귀의 입력으로 하여 각 성능 평가값을 재산출하고, 재산출된 각 알고리즘의 성능 평가값 중 가장 수신자 조작 특성 값이 가장 높은 하나의 알고리즘을 선택하여, 선택된 알고리즘에 따라 인공지능 학습 모델을 재생성하도록 제어하는,
뇌졸중 재발 예측 및 서비스 가이드 데이터를 제공하는 전자 장치. - 제13항에 있어서,
상기 의료 데이터베이스에는 국내외의 의료 분야와 관련된 국가 기관 서버, 의료 전문 기관 서버, 및 의료 논문 서비스 제공 서버의 데이터베이스가 포함되고, 상기 수집되는 뇌졸중 재발 변수 데이터에는 의료 논문 데이터와 의료 가이드라인 데이터가 포함되는,
뇌졸중 재발 예측 및 서비스 가이드 데이터를 제공하는 전자 장치. - 제14항에 있어서,
상기 프로세서는,
상기 수집되는 뇌졸중 재발 변수 데이터가 의료 논문 데이터이면, 상기 의료 논문 데이터의 신뢰도 값을 산출하고, 산출된 의료 논문 데이터의 신뢰도 값이 임계값 이상인 경우에만, 상기 정의된 뇌졸중 재발 변수의 변경 여부를 판단에 참조하도록 제어하는,
뇌졸중 재발 예측 및 서비스 가이드 데이터를 제공하는 전자 장치. - 제15항에 있어서,
상기 프로세서는,
해당 의료 논문의 공개 이후 타 의료 논문에 인용된 횟수 정보, 해당 의료 논문이 공개된 학회 정보, 해당 의료 논문에 소개된 의료 기술의 의료 현장 채택 여부 정보, 및 해당 의료 논문에 소개된 의료 기술의 의료 현장 채택 후 시행 회수 및 결과가 포함된 평가 정보에 대해 각각 미리 설정된 가중치를 부여하여 상기 의료 논문 데이터의 신뢰도 값을 산출하도록 제어하는,
뇌졸중 재발 예측 및 서비스 가이드 데이터를 제공하는 전자 장치. - 제16항에 있어서,
상기 프로세서는,
상기 각 정보에 부여된 가중치의 합 또는 평균값 중 하나를 채택하여 상기 임계값과 비교하여 상기 의료 논문 데이터의 신뢰도 값을 산출하도록 제어하는,
뇌졸중 재발 예측 및 서비스 가이드 데이터를 제공하는 전자 장치. - 제17항에 있어서,
상기 프로세서는,
미리 설정된 기간 단위, 의료 매체나 일반 매체의 검색 또는 노출 순위나 횟수가 미리 설정된 값 이상, 상기 입력받은 뇌졸중 재발 변수에 유의미한 변화 감지, 상기 감지된 뇌졸중 재발 변수에 유의미한 변화와 관련된 기생성된 인공지능 학습 모델이 없는 경우, 단말의 요청이 있는 경우, 및 상기 미리 설정된 기간 내에 새로 발행된 관련 의료 논문의 수가 일정 수 이상 증가한 경우 중 어느 하나에 해당하면 상기 정의된 뇌졸중 재발 변수 데이터를 수집하도록 제어하는,
뇌졸중 재발 예측 및 서비스 가이드 데이터를 제공하는 전자 장치. - 제18항에 있어서,
상기 프로세서는,
상기 입력받은 뇌졸중 재발 변수와 상기 기준 데이터를 라벨링하고, 상기 라벨링된 데이터를 상기 선택된 인공지능 학습 모델의 입력으로 이용하도록 제어하는,
뇌졸중 재발 예측 및 서비스 가이드 데이터를 제공하는 전자 장치. - 제19항에 있어서,
상기 프로세서는,
상기 뇌졸중 재발 변수는,
성별, 나이, 신장, 몸무게, 비만도(BMI), 흡연량, 음주량, 당뇨, 고혈압, 고지혈증, 치매 등의 질환 여부, 약물 복용 여부 및 복용 약물 데이터를 포함하여 상기 뇌졸중 재발 변수로 정의하도록 제어하는,
뇌졸중 재발 예측 및 서비스 가이드 데이터를 제공하는 전자 장치. - 뇌졸중 재발 예측 및 서비스 가이드 데이터를 제공하는 시스템에 있어서,
단말; 및
어플리케이션 서버를 포함하되,
상기 어플리케이션 서버는,
상기 뇌졸중 재발 변수를 정의하고, 정의된 뇌졸중 재발 변수에 기초하여 인공지능 학습 모델을 생성하고, 상기 정의된 뇌졸중 재발 변수에 관한 데이터를 입력받아, 상기 생성된 인공지능 학습 모델을 이용하여 학습하고, 학습 결과에 기초하여 뇌졸중 재발 예측 결과 데이터 및 대응하는 서비스 가이드 데이터를 생성하여 단말에 제공하는 프로세서를 포함하며,
상기 프로세서는,
상기 정의된 뇌졸중 재발 변수를 뇌졸중 재발 예측 알고리즘인 서포트 벡터 머신(SVM), 랜덤 포레스트(Random Forest) 및 로지스틱 회귀(Logistic Regression)의 입력으로 하여 각 성능 평가값을 산출하고, 산출된 각 알고리즘의 성능 평가값 중 가장 수신자 조작 특성(AUROC) 값이 가장 높은 하나의 알고리즘에 기초하여 상기 인공지능 학습 모델을 생성하고,
의료 데이터베이스를 모니터링하여 상기 정의된 뇌졸중 재발 변수 데이터를 수집하여, 상기 정의된 뇌졸중 재발 변수의 변경 여부를 판단하고, 판단 결과 상기 정의된 뇌졸중 재발 변수에 변경이 있으면, 자동 업데이트하는,
뇌졸중 재발 예측 및 서비스 가이드 데이터를 제공하는 시스템.
Priority Applications (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020210156721A KR20230070781A (ko) | 2021-11-15 | 2021-11-15 | 뇌졸중 재발 예측 및 관리 서비스 제공 방법, 장치 및 시스템 |
| PCT/KR2022/014323 WO2023085594A1 (ko) | 2021-11-15 | 2022-09-26 | 인공지능 기반의 뇌졸중 재발 예측 및 관리 서비스 제공 방법 및 장치 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020210156721A KR20230070781A (ko) | 2021-11-15 | 2021-11-15 | 뇌졸중 재발 예측 및 관리 서비스 제공 방법, 장치 및 시스템 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| KR20230070781A true KR20230070781A (ko) | 2023-05-23 |
Family
ID=86336310
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020210156721A KR20230070781A (ko) | 2021-11-15 | 2021-11-15 | 뇌졸중 재발 예측 및 관리 서비스 제공 방법, 장치 및 시스템 |
Country Status (2)
| Country | Link |
|---|---|
| KR (1) | KR20230070781A (ko) |
| WO (1) | WO2023085594A1 (ko) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN118430819B (zh) * | 2024-07-04 | 2024-09-24 | 南昌大学第二附属医院 | 一种脑卒中预测复发方法及系统 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2016064125A (ja) | 2014-09-19 | 2016-04-28 | シナノケンシ株式会社 | 脳血管疾患の発症危険度予測システム |
| KR20190132710A (ko) | 2018-05-21 | 2019-11-29 | 한국표준과학연구원 | NIHSS(National Institutes of Health Stroke Scale)를 이용한 뇌졸중 중증도의 예측 및 분석 방법과 시스템 |
| KR20200032428A (ko) | 2018-09-18 | 2020-03-26 | (주)아이티네이드 | 맥파 센서를 이용하여 신체 이상 징후를 모니터링하는 방법 및 장치 |
Family Cites Families (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR101737279B1 (ko) * | 2016-12-15 | 2017-05-18 | 신성대학 산학협력단 | 뇌졸중 발병 예측 시스템 |
| US20180322406A1 (en) * | 2017-05-04 | 2018-11-08 | Zestfinance, Inc. | Systems and methods for providing machine learning model explainability information |
| KR102289648B1 (ko) * | 2021-02-03 | 2021-08-18 | 주식회사 휴런 | 의료 영상 기반 허혈성 뇌졸중 검출 및 형태 분류 방법, 장치 및 시스템 |
-
2021
- 2021-11-15 KR KR1020210156721A patent/KR20230070781A/ko not_active Application Discontinuation
-
2022
- 2022-09-26 WO PCT/KR2022/014323 patent/WO2023085594A1/ko unknown
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2016064125A (ja) | 2014-09-19 | 2016-04-28 | シナノケンシ株式会社 | 脳血管疾患の発症危険度予測システム |
| KR20190132710A (ko) | 2018-05-21 | 2019-11-29 | 한국표준과학연구원 | NIHSS(National Institutes of Health Stroke Scale)를 이용한 뇌졸중 중증도의 예측 및 분석 방법과 시스템 |
| KR20200032428A (ko) | 2018-09-18 | 2020-03-26 | (주)아이티네이드 | 맥파 센서를 이용하여 신체 이상 징후를 모니터링하는 방법 및 장치 |
Also Published As
| Publication number | Publication date |
|---|---|
| WO2023085594A1 (ko) | 2023-05-19 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108351862B (zh) | 利用人工智能和用户输入来确定发育进展的方法和装置 | |
| KR102427508B1 (ko) | 인공 지능 기반의 정신 건강 관리를 위한 장치 및 방법 | |
| KR101739912B1 (ko) | 원격 의료 방법 및 이를 이용한 원격 의료 시스템 | |
| US20170124263A1 (en) | Workflow and interface manager for a learning health system | |
| JP2019504402A (ja) | デジタル個別化医療のためのプラットフォームおよびシステム | |
| JP2016517556A (ja) | 健康学習システム及び方法 | |
| KR102338964B1 (ko) | 학습 기반의 증상 및 질환 관리 장치 및 방법 | |
| US20210082577A1 (en) | System and method for providing user-customized prediction models and health-related predictions based thereon | |
| JP2023504398A (ja) | 連続血糖モニタリングに基づく提案 | |
| JP2023507175A (ja) | 連続血糖モニタリングシステムによる多状態エンゲージメント | |
| WO2021127566A1 (en) | Devices and methods for measuring physiological parameters | |
| Himi et al. | MedAi: A smartwatch-based application framework for the prediction of common diseases using machine learning | |
| KR20230070781A (ko) | 뇌졸중 재발 예측 및 관리 서비스 제공 방법, 장치 및 시스템 | |
| US20240197167A1 (en) | Systems and methods for using machine learning to predict contact lens compatibility | |
| Saad et al. | Situation-aware recommendation system for personalized healthcare applications | |
| KR20140141534A (ko) | 패혈증 고위험군 예측 방법 및 시스템 | |
| US11621081B1 (en) | System for predicting patient health conditions | |
| US20220415462A1 (en) | Remote monitoring methods and systems for monitoring patients suffering from chronical inflammatory diseases | |
| KR102303272B1 (ko) | 전립선암 위험도의 변화 정도 예측 시스템 | |
| Rogers et al. | Optimizing the implementation of clinical predictive models to minimize national costs: Sepsis case study | |
| KR20200093850A (ko) | 큐레이션 지원 시스템 및 그 동작 방법 | |
| Ferdousi | Digital Twin Disease Diagnosis Using Machine Learning | |
| JP7571060B2 (ja) | コンタクトレンズ適合性を予測するために機械学習を使用するシステム及び方法 | |
| US20220375615A1 (en) | Method and system for predicting health risk | |
| US20220207298A1 (en) | Electronic devices and controlling method of the same |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| E902 | Notification of reason for refusal |