KR20230075626A - 환자의 상태 변화를 예측하는 방법 - Google Patents
환자의 상태 변화를 예측하는 방법 Download PDFInfo
- Publication number
- KR20230075626A KR20230075626A KR1020210161998A KR20210161998A KR20230075626A KR 20230075626 A KR20230075626 A KR 20230075626A KR 1020210161998 A KR1020210161998 A KR 1020210161998A KR 20210161998 A KR20210161998 A KR 20210161998A KR 20230075626 A KR20230075626 A KR 20230075626A
- Authority
- KR
- South Korea
- Prior art keywords
- data
- patient
- hospitalization
- medical data
- model
- Prior art date
Links
- 238000000034 method Methods 0.000 title claims abstract description 69
- 230000008859 change Effects 0.000 title claims description 52
- 239000013598 vector Substances 0.000 claims description 119
- 238000013528 artificial neural network Methods 0.000 claims description 95
- 238000013136 deep learning model Methods 0.000 claims description 42
- 230000000306 recurrent effect Effects 0.000 claims description 35
- 230000015654 memory Effects 0.000 claims description 31
- 238000003860 storage Methods 0.000 claims description 24
- 238000012549 training Methods 0.000 claims description 13
- 238000005259 measurement Methods 0.000 claims description 9
- 238000004590 computer program Methods 0.000 claims description 7
- 238000007781 pre-processing Methods 0.000 claims description 7
- 230000003416 augmentation Effects 0.000 claims description 4
- 230000008569 process Effects 0.000 description 24
- 230000006866 deterioration Effects 0.000 description 19
- 210000004027 cell Anatomy 0.000 description 18
- 238000012545 processing Methods 0.000 description 18
- 230000006870 function Effects 0.000 description 15
- 238000004891 communication Methods 0.000 description 14
- 238000010586 diagram Methods 0.000 description 10
- 238000010801 machine learning Methods 0.000 description 10
- 230000003287 optical effect Effects 0.000 description 9
- 238000004364 calculation method Methods 0.000 description 7
- 238000005516 engineering process Methods 0.000 description 7
- 239000000284 extract Substances 0.000 description 7
- 230000036541 health Effects 0.000 description 6
- 238000013473 artificial intelligence Methods 0.000 description 5
- 230000005540 biological transmission Effects 0.000 description 5
- 238000013461 design Methods 0.000 description 4
- 238000012986 modification Methods 0.000 description 4
- 230000004048 modification Effects 0.000 description 4
- 238000004422 calculation algorithm Methods 0.000 description 3
- 238000013135 deep learning Methods 0.000 description 3
- 201000010099 disease Diseases 0.000 description 3
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 3
- 238000007726 management method Methods 0.000 description 3
- 230000006855 networking Effects 0.000 description 3
- 238000003062 neural network model Methods 0.000 description 3
- 230000004913 activation Effects 0.000 description 2
- 238000013459 approach Methods 0.000 description 2
- 238000003066 decision tree Methods 0.000 description 2
- 230000009977 dual effect Effects 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 230000005055 memory storage Effects 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 230000008520 organization Effects 0.000 description 2
- 239000002245 particle Substances 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 238000004393 prognosis Methods 0.000 description 2
- 230000006403 short-term memory Effects 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 238000012546 transfer Methods 0.000 description 2
- 208000024172 Cardiovascular disease Diseases 0.000 description 1
- 208000010496 Heart Arrest Diseases 0.000 description 1
- 206010040047 Sepsis Diseases 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000036772 blood pressure Effects 0.000 description 1
- 230000036760 body temperature Effects 0.000 description 1
- 238000005094 computer simulation Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000013498 data listing Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000012217 deletion Methods 0.000 description 1
- 230000037430 deletion Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000001939 inductive effect Effects 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 238000003780 insertion Methods 0.000 description 1
- 230000037431 insertion Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000007787 long-term memory Effects 0.000 description 1
- 230000000873 masking effect Effects 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 230000002085 persistent effect Effects 0.000 description 1
- 238000011112 process operation Methods 0.000 description 1
- 230000036387 respiratory rate Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000000087 stabilizing effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
- 230000007723 transport mechanism Effects 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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
- G06F16/33—Querying
- G06F16/3331—Query processing
- G06F16/334—Query execution
- G06F16/3344—Query execution using natural language analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/20—Natural language analysis
- G06F40/205—Parsing
- G06F40/211—Syntactic parsing, e.g. based on context-free grammar [CFG] or unification grammars
-
- 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
- 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)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Data Mining & Analysis (AREA)
- Public Health (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Epidemiology (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Databases & Information Systems (AREA)
- Computational Linguistics (AREA)
- Biomedical Technology (AREA)
- Pathology (AREA)
- Software Systems (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
전술한 바와 같은 과제를 실현하기 위한 본 개시의 일 실시예에 따라 컴퓨팅 장치에 의해 수행되는, 환자의 상태 변화를 예측하는 방법이 개시된다. 상기 방법은, 입원 초기 환자의 의료 데이터에 대한 유사 데이터를 탐색하는 단계; 사전 학습된 제 1 모델을 이용하여, 상기 탐색된 유사 데이터를 기초로 문맥 정보를 추출하는 단계; 및 사전 학습된 제 2 모델을 이용하여, 상기 입원 초기 환자의 의료 데이터 및 상기 문맥 정보를 기초로, 상기 입원 초기 환자의 상태 변화를 예측하는 단계를 포함할 수 있다.
Description
본 발명은 의료 데이터의 분석 방법에 관한 것으로, 보다 구체적으로 인공지능을 기반으로 입원 환자의 상태 변화를 예측하고 모니터링 하는 방법에 관한 것이다.
스마트 헬스케어는 개인의 건강과 의료에 관한 정보, 기기, 시스템 및 플랫폼 등을 다루는 산업분야이다. 스마트 헬스케어는 사람의 신체에서 생성되는 다양한 생체신호를 센서를 통해 수집하고 분석함으로써, 개인에게 적절한 건강 관리 방법 혹은 맞춤형 의료 안내를 제공하는 것을 목적으로 한다. 최근 들어, 병원 환경에서도 스마트 헬스케어를 도입하여 환자의 상태 및 특정 질병의 예후를 관리하려는 시도가 늘어나고 있다. 병원 환경에서 인공지능을 이용하여 환자의 전자 의무 기록(EMR, emergency medical record)을 기초로 환자의 상태 변화를 모니터링하는 방법 등이 대표적인 시도 중 하나이다.
그러나, 이러한 시도들은 대부분 인공지능 모델이 적절한 성능을 담보할 수 있도록 많은 양의 데이터가 확보된 환자들을 대상으로 해야 한다는 한계가 있다. 예를 들어, 오랫동안 입원한 환자의 경우, 상태 변화를 예측하는데 도움을 줄 수 있는 유의미한 과거 데이터들이 충분히 확보된 상태이므로, 기존 인공지능 기반의 여러 시도들을 통해 상태 변화를 효과적으로 모니터링할 수 있다. 그러나, 아직 활력징후 등의 축적된 과거 데이터가 없거나 부족한 입원 초기 환자들의 경우, 해당 환자의 과거 데이터 부족으로 인해 기존 인공지능 기반의 여러 시도들을 그대로 사용하는 경우에 부정확한 예측이 발생할 가능성이 상당히 높을 수 밖에 없다.
한국 등록특허 제10-2129730호(2020.07.06)는 인공지능 기반의 환자상태 예측 장치 및 이를 이용한 환자상태 예측 방법에 관하여 개시한다.
본 개시는 전술한 배경기술에 대응하여 안출된 것으로, 유사 환자의 과거 데이터를 활용하는 접근 방식을 통해 상태 변화의 예측에 활용할 과거 데이터가 부족한 입원 초기 환자의 상태 변화를 예측하는 방법을 제공하는 것을 목적으로 한다.
전술한 바와 같은 과제를 실현하기 위한 본 개시의 일 실시예에 따라 컴퓨팅 장치에 의해 수행되는, 환자의 상태 변화를 예측하는 방법이 개시된다. 상기 방법은, 입원 초기 환자의 의료 데이터에 대한 유사 데이터를 탐색하는 단계; 사전 학습된 제 1 모델을 이용하여, 상기 탐색된 유사 데이터를 기초로 문맥 정보를 추출하는 단계; 및 사전 학습된 제 2 모델을 이용하여, 상기 입원 초기 환자의 의료 데이터 및 상기 문맥 정보를 기초로, 상기 입원 초기 환자의 상태 변화를 예측하는 단계를 포함할 수 있다.
대안적 실시예에서, 상기 방법은, 수신된 의료 데이터가 상기 입원 초기 환자의 의료 데이터인지 여부를 판단하는 단계를 더 포함할 수 있다.
대안적 실시예에서, 상기 수신된 의료 데이터가 상기 입원 초기 환자의 의료 데이터인지 여부를 판단하는 단계는, 상기 수신된 의료 데이터에 포함된 기록 정보가 소정의 조건을 만족하는지 여부를 판단하여, 상기 수신된 의료 데이터를 상기 입원 초기 환자의 의료 데이터로 결정하는 단계를 포함할 수 있다.
대안적 실시예에서, 상기 기록 정보는, 입원 기간, 또는 활력 징후의 측정 횟수 중 적어도 하나를 포함할 수 있다. 또한, 상기 소정의 조건은, 상기 입원 기간이 24시간 이내인지 여부를 판단하기 위한 제 1 조건, 또는 상기 활력 징후의 측정 횟수가 임계값 이하인지 여부를 판단하기 위한 제 2 조건 중 적어도 하나를 포함할 수 있다.
대안적 실시예에서, 상기 방법은, 상기 수신된 의료 데이터가 상기 입원 초기 환자의 의료 데이터가 아닌 경우, 상기 제 2 모델을 이용하여, 상기 수신된 의료 데이터를 기초로 문맥 정보를 추출하는 단계; 및 상기 제 2 모델을 이용하여, 상기 수신된 의료 데이터 및 상기 수신된 의료 데이터를 기초로 추출된 문맥 정보를 기초로, 상기 수신된 의료 데이터에 대응되는 입원 환자의 상태 변화를 예측하는 단계를 더 포함할 수 있다.
대안적 실시예에서, 상기 입원 초기 환자의 의료 데이터와 유사 데이터를 탐색하는 단계는, 상기 입원 초기 환자의 의료 데이터를 벡터화 하는 단계; 기 생성된 벡터 공간에 존재하는 입원 환자들의 의료 데이터에 대한 벡터들과 상기 입원 초기 환자의 의료 데이터에 대한 벡터 간의 유사도를 연산하는 단계; 및 상기 연산된 유사도를 기초로 상기 입원 환자들의 의료 데이터에 대한 벡터들을 선별하여, 상기 입원 초기 환자의 의료 데이터에 대한 유사 데이터를 결정하는 단계를 포함할 수 있다.
대안적 실시예에서, 상기 문맥 정보를 추출하는 단계는, 상기 제 1 모델을 이용하여, 상기 탐색된 유사 데이터에 대한 벡터들을 인코딩 하는 단계; 및 상기 인코딩된 벡터들을 조합하여 상기 탐색된 유사 데이터의 문맥 정보를 산출하는 단계를 포함할 수 있다. 이때, 상기 탐색된 유사 데이터에 대한 벡터들은, 기 생성된 벡터 공간에 존재하는 입원 환자들의 의료 데이터에 대한 벡터들과 상기 입원 초기 환자의 의료 데이터에 대한 벡터 간의 유사도를 연산한 결과를 기초로 결정될 수 있다.
대안적 실시예에서, 상기 인코딩된 벡터들을 조합하여 상기 문맥 정보를 산출하는 단계는, 상기 인코딩된 벡터들의 평균을 연산한 결과를 상기 탐색된 유사 데이터의 문맥정보로 산출하는 단계를 포함할 수 있다.
대안적 실시예에서, 상기 문맥 정보를 추출하는 단계는, 자기 주도 학습(self-supervised learning) 기반의 상기 제 1 모델을 통해 상기 탐색된 유사 데이터를 인코딩하여, 상기 문맥 정보를 산출하는 단계를 포함할 수 있다.
대안적 실시예에서, 상기 자기 주도 학습은, 학습 데이터와 상기 학습 데이터에 대한 증강(augmentation)을 통해 생성된 전처리 데이터가 동일한 데이터인지를 상기 제 1 모델이 분류하도록 하는 대조 학습(contrastive learning)을 포함할 수 있다.
대안적 실시예에서, 상기 제 2 모델은, 순환 신경망(recurrent neural network) 기반의 딥러닝 모델을 포함할 수 있다.
대안적 실시예에서, 상기 입원 초기 환자의 상태 변화를 예측하는 단계는, 상기 문맥 정보를 상기 제 2 모델의 은닉 상태(hidden state)로 입력하여, 상기 입원 초기 환자의 상태 변화를 예측하는 단계를 포함할 수 있다.
대안적 실시예에서, 상기 입원 초기 환자의 의료 데이터의 생성 시점이 둘 이상인 경우, 상기 문맥 정보를 추출하는 단계는, 상기 제 1 모델을 이용하여, 상기 입원 초기 환자의 의료 데이터의 복수의 생성 시점들 중 최후 생성 시점 이전의 의료 데이터에 대한 벡터를 인코딩 하는 단계; 상기 제 1 모델을 이용하여, 상기 탐색된 유사 데이터에 대한 벡터들을 인코딩 하는 단계; 및 상기 인코딩된 벡터들을 조합하여 상기 문맥 정보를 산출하는 단계를 포함할 수 있다. 이때, 상기 탐색된 유사 데이터에 대한 벡터들은, 기 생성된 벡터 공간에 존재하는 입원 환자들의 의료 데이터에 대한 벡터들과 상기 입원 초기 환자의 의료 데이터에 대한 벡터 간의 유사도를 연산한 결과를 기초로 결정될 수 있다.
전술한 바와 같은 과제를 실현하기 위한 본 개시의 일 실시예에 따라 컴퓨터 판독가능 저장 매체에 저장된 컴퓨터 프로그램이 개시된다. 상기 컴퓨터 프로그램은 하나 이상의 프로세서에서 실행되는 경우, 생체신호를 분석하기 위한 이하의 동작들을 수행하도록 하며, 상기 동작들은: 입원 초기 환자의 의료 데이터에 대한 유사 데이터를 탐색하는 동작; 사전 학습된 제 1 모델을 이용하여, 상기 탐색된 유사 데이터를 기초로 문맥 정보를 추출하는 동작; 및 사전 학습된 제 2 모델을 이용하여, 상기 입원 초기 환자의 의료 데이터 및 상기 문맥 정보를 기초로, 상기 입원 초기 환자의 상태 변화를 예측하는 동작을 포함할 수 있다.
전술한 바와 같은 과제를 실현하기 위한 본 개시의 일 실시예에 따라 생체신호를 분석하는 컴퓨팅 장치가 개시된다. 상기 장치는, 적어도 하나의 코어를 포함하는 프로세서; 상기 프로세서에서 실행가능한 프로그램 코드들을 포함하는 메모리; 및 의료 데이터를 수신하는 네트워크부를 포함하고, 상기 프로세서는, 입원 초기 환자의 의료 데이터에 대한 유사 데이터를 탐색하고, 사전 학습된 제 1 모델을 이용하여, 상기 탐색된 유사 데이터를 기초로 문맥 정보를 추출하며, 사전 학습된 제 2 모델을 이용하여, 상기 입원 초기 환자의 의료 데이터 및 상기 문맥 정보를 기초로, 상기 입원 초기 환자의 상태 변화를 예측할 수 있다.
본 개시는 입원 초기 환자와 유사한 환자의 과거 데이터를 입원 초기 환자의 상태 변화를 예측하는데 활용함으로써, 입원 초기 환자에 대한 예측 정확도를 향상시킬 수 있고 신경망 모델의 예측 변동성을 안정화 시킬 수 있는 방법을 제공할 수 있다.
도 1은 본 개시의 일 실시예에 따른 환자의 상태 변화를 예측하기 위한 컴퓨팅 장치의 블록 구성도이다.
도 2는 과거 데이터가 충분히 축적된 입원 환자의 상태 변화를 예측하는 순환 신경망 기반의 딥러닝 모델의 블록 구성도이다.
도 3은 과거 데이터가 충분히 축적되지 못한 입원 초기 환자의 상태 변화를 예측하는 순환 신경망 기반의 딥러닝 모델의 블록 구성도이다.
도 4는 본 개시의 일 실시예에 따라 입원 초기 환자의 상태 변화를 예측하는 딥러닝 모델의 개념도이다.
도 5는 본 개시의 일 실시예에 따라 입원 환자의 상태 변화를 예측하는 방법을 나타낸 순서도이다.
도 6은 본 개시의 일 실시예에 따른 컴퓨팅 환경의 개략도이다.
도 2는 과거 데이터가 충분히 축적된 입원 환자의 상태 변화를 예측하는 순환 신경망 기반의 딥러닝 모델의 블록 구성도이다.
도 3은 과거 데이터가 충분히 축적되지 못한 입원 초기 환자의 상태 변화를 예측하는 순환 신경망 기반의 딥러닝 모델의 블록 구성도이다.
도 4는 본 개시의 일 실시예에 따라 입원 초기 환자의 상태 변화를 예측하는 딥러닝 모델의 개념도이다.
도 5는 본 개시의 일 실시예에 따라 입원 환자의 상태 변화를 예측하는 방법을 나타낸 순서도이다.
도 6은 본 개시의 일 실시예에 따른 컴퓨팅 환경의 개략도이다.
다양한 실시예들이 이제 도면을 참조하여 설명된다. 본 명세서에서, 다양한 설명들이 본 개시의 이해를 제공하기 위해서 제시된다. 그러나, 이러한 실시예들은 이러한 구체적인 설명 없이도 실행될 수 있음이 명백하다.
본 명세서에서 사용되는 용어 "컴포넌트", "모듈", "시스템" 등은 컴퓨터-관련 엔티티, 하드웨어, 펌웨어, 소프트웨어, 소프트웨어 및 하드웨어의 조합, 또는 소프트웨어의 실행을 지칭한다. 예를 들어, 컴포넌트는 프로세서상에서 실행되는 처리과정(procedure), 프로세서, 객체, 실행 스레드, 프로그램, 및/또는 컴퓨터일 수 있지만, 이들로 제한되는 것은 아니다. 예를 들어, 컴퓨팅 장치에서 실행되는 애플리케이션 및 컴퓨팅 장치 모두 컴포넌트일 수 있다. 하나 이상의 컴포넌트는 프로세서 및/또는 실행 스레드 내에 상주할 수 있다. 일 컴포넌트는 하나의 컴퓨터 내에 로컬화 될 수 있다. 일 컴포넌트는 2개 이상의 컴퓨터들 사이에 분배될 수 있다. 또한, 이러한 컴포넌트들은 그 내부에 저장된 다양한 데이터 구조들을 갖는 다양한 컴퓨터 판독가능한 매체로부터 실행할 수 있다. 컴포넌트들은 예를 들어 하나 이상의 데이터 패킷들을 갖는 신호(예를 들면, 로컬 시스템, 분산 시스템에서 다른 컴포넌트와 상호작용하는 하나의 컴포넌트로부터의 데이터 및/또는 신호를 통해 다른 시스템과 인터넷과 같은 네트워크를 통해 전송되는 데이터)에 따라 로컬 및/또는 원격 처리들을 통해 통신할 수 있다.
더불어, 용어 "또는"은 배타적 "또는"이 아니라 내포적 "또는"을 의미하는 것으로 의도된다. 즉, 달리 특정되지 않거나 문맥상 명확하지 않은 경우에, "X는 A 또는 B를 이용한다"는 자연적인 내포적 치환 중 하나를 의미하는 것으로 의도된다. 즉, X가 A를 이용하거나; X가 B를 이용하거나; 또는 X가 A 및 B 모두를 이용하는 경우, "X는 A 또는 B를 이용한다"가 이들 경우들 어느 것으로도 적용될 수 있다. 또한, 본 명세서에 사용된 "및/또는"이라는 용어는 열거된 관련 아이템들 중 하나 이상의 아이템의 가능한 모든 조합을 지칭하고 포함하는 것으로 이해되어야 한다.
또한, "포함한다" 및/또는 "포함하는"이라는 용어는, 해당 특징 및/또는 구성요소가 존재함을 의미하는 것으로 이해되어야 한다. 다만, "포함한다" 및/또는 "포함하는"이라는 용어는, 하나 이상의 다른 특징, 구성요소 및/또는 이들의 그룹의 존재 또는 추가를 배제하지 않는 것으로 이해되어야 한다. 또한, 달리 특정되지 않거나 단수 형태를 지시하는 것으로 문맥상 명확하지 않은 경우에, 본 명세서와 청구범위에서 단수는 일반적으로 "하나 또는 그 이상"을 의미하는 것으로 해석되어야 한다.
그리고, "A 또는 B 중 적어도 하나"이라는 용어는, "A만을 포함하는 경우", "B 만을 포함하는 경우", "A와 B의 구성으로 조합된 경우"를 의미하는 것으로 해석되어야 한다.
당업자들은 추가적으로 여기서 개시된 실시예들과 관련되어 설명된 다양한 예시적 논리적 블록들, 구성들, 모듈들, 회로들, 수단들, 로직들, 및 알고리즘 단계들이 전자 하드웨어, 컴퓨터 소프트웨어, 또는 양쪽 모두의 조합들로 구현될 수 있음을 인식해야 한다. 하드웨어 및 소프트웨어의 상호교환성을 명백하게 예시하기 위해, 다양한 예시적 컴포넌트들, 블록들, 구성들, 수단들, 로직들, 모듈들, 회로들, 및 단계들은 그들의 기능성 측면에서 일반적으로 위에서 설명되었다. 그러한 기능성이 하드웨어로 또는 소프트웨어로서 구현되는지 여부는 전반적인 시스템에 부과된 특정 어플리케이션(application) 및 설계 제한들에 달려 있다. 숙련된 기술자들은 각각의 특정 어플리케이션들을 위해 다양한 방법들로 설명된 기능성을 구현할 수 있다. 다만, 그러한 구현의 결정들이 본 개시내용의 영역을 벗어나게 하는 것으로 해석되어서는 안된다.
제시된 실시예들에 대한 설명은 본 개시의 기술 분야에서 통상의 지식을 가진 자가 본 발명을 이용하거나 또는 실시할 수 있도록 제공된다. 이러한 실시예들에 대한 다양한 변형들은 본 개시의 기술 분야에서 통상의 지식을 가진 자에게 명백할 것이다. 여기에 정의된 일반적인 원리들은 본 개시의 범위를 벗어남이 없이 다른 실시예들에 적용될 수 있다. 그리하여, 본 발명은 여기에 제시된 실시예 들로 한정되는 것이 아니다. 본 발명은 여기에 제시된 원리들 및 신규한 특징들과 일관되는 최광의의 범위에서 해석되어야 할 것이다.
본 개시에 있어서, "의료 데이터"는 환자의 건강 상태 혹은 질환을 예측하기 위해 사용되는 원시 신호, 영상 뿐만 아니라, 환자의 건강 상태를 파악할 수 있도록 정리된 기록 정보, 기계학습 모델을 통해 환자의 건강 상태를 예측한 결과 정보 등을 모두 포함하는 시계열 데이터(또는 시퀀스 데이터)로 이해될 수 있다. 예를 들어, 의료 데이터는 환자의 심혈관 질환을 예측하기 위해 사용되는 심전도 신호를 포함할 수 있다. 의료 데이터는 혈압, 맥박수, 호흡수, 또는 체온 등과 같은 활력 징후와 연령, 또는 성별 등과 같은 개인 정보 등을 포함하는 전자 의무 기록(EMR, emergency medical record)을 포함할 수도 있다. 또한, 의료 데이터는 그래디언트 부스팅(gradient boosting), 또는 결정 트리(decision tree) 등의 기계학습에 기반하는 모델을 통해 환자의 건강 상태를 예측한 확률값 등을 포함할 수도 있다. 아울러, 의료 데이터는 의료 데이터의 종류, 생성 시점 등을 나타내는 메타 정보를 포함할 수 있다. 다만, 상술한 구체적인 기재는 하나의 예시일 뿐이며, 본 개시는 이에 한정되지 않는다.
본 개시에 있어서, "문맥 정보"는 환자의 의료 데이터가 축적되는 과정에서 도출되는 정보 요소들 간의 시계열적 상관관계를 나타내는 특징이 반영된 정보로 이해될 수 있다. 예를 들어, 문맥 정보는 의료 데이터에 포함된 전자 의무 기록을 환자의 상태 변화를 추정하는 딥러닝 모델에 입력하여 얻은 결과일 수 있다. 문맥 정보는 딥러닝 모델이 전자 의무 기록의 시간적 순서에 따른 변화 및 변화에 영향을 미치는 특징들을 반영하여 도출한 특정 환자의 상태 변화에 관한 정보일 수 있다. 다시 말해, 문맥 정보는 의료 데이터에 포함된 정보 요소들의 시계열적 변화에 따른 특징들이 반영된 확률 정보일 수 있다. 문맥 정보의 예시는 전자 의무 기록에 한정되지 않고, 상술한 의료 데이터의 설명을 기반으로 당업자가 적용 가능한 케이스가 모두 적용될 수 있다.
본 개시에 있어서, "순환 신경망(recurrent neural network)"은 과거가 현재에 미치는 영향을 알 수 있도록 입력과 출력을 시퀀스로 처리하는 신경망으로 이해될 수 있다. 이때, 시퀀스는 순서 또는 시간의 흐름에 따라 결정되는 동적 단위로 이해될 수 있다. 기본적으로, 순환 신경망은 순방향 신경망과는 달리 시변적 동적 특징을 모델링할 수 있도록 신경망 내부에 상태를 저장할 수 있는 루프 구조를 가질 수 있다. 이러한 구조를 이루는 구성 단위는 이전의 값을 기억하려고 하는 일종의 메모리 역할을 수행하는 셀(cell)이라 표현될 수 있다. 그리고, 셀이 출력 방향으로 또는 다음 시점의 자신에게 보내는 값을 은닉 상태(hidden state)라 표현될 수 있다. 즉, 특정 시점의 셀은 이전 시점의 셀이 보낸 은닉 상태를 특정 시점의 입력값으로 사용할 수 있다. 예를 들어, 순환 신경망은 각 노드들이 다음 단계의 모든 레이어들과 단방향 그래프를 이루는 완전(Fully) 순환 신경망, 망각 게이트(forget gate)라 부르는 게이트를 추가적으로 포함하는 장단기 메모리(LSTM, long short-term memory) 신경망, 장단기 메모리 신경망을 간소화한 형태의 게이트된 순환 유닛(GRU, gated recurrent units) 신경망, 또는 데이터 순열을 통해 어떤 값이 들어오기 전과 후의 정보를 모두 학습하는 양방향(Bi-directional) 순환 신경망 등을 포함할 수 있다. 다만, 상술한 구체적인 기재는 하나의 예시일 뿐이므로, 본 개시의 순환 신경망에는 상술한 구조를 갖는 다양한 종류의 순환 신경망이 모두 적용될 수 있다.
도 1은 본 개시의 일 실시예에 따른 환자의 상태 변화를 예측하기 위한 컴퓨팅 장치의 블록 구성도이다.
도 1에 도시된 컴퓨팅 장치(100)의 구성은 간략화 하여 나타낸 예시일 뿐이다. 본 개시의 일 실시예에서 컴퓨팅 장치(100)는 컴퓨팅 장치(100)의 컴퓨팅 환경을 수행하기 위한 다른 구성들이 포함될 수 있고, 개시된 구성들 중 일부만이 컴퓨팅 장치(100)를 구성할 수도 있다.
컴퓨팅 장치(100)는 프로세서(110), 메모리(130), 네트워크부(150)를 포함할 수 있다.
프로세서(110)는 하나 이상의 코어로 구성될 수 있으며, 컴퓨팅 장치의 중앙 처리 장치(CPU: central processing unit), 범용 그래픽 처리 장치 (GPGPU: general purpose graphics processing unit), 텐서 처리 장치(TPU: tensor processing unit) 등의 데이터 분석, 딥러닝을 위한 프로세서를 포함할 수 있다. 프로세서(110)는 메모리(130)에 저장된 컴퓨터 프로그램을 판독하여 본 개시의 일 실시예에 따른 기계 학습을 위한 데이터 처리를 수행할 수 있다. 본 개시의 일실시예에 따라 프로세서(110)는 신경망의 학습을 위한 연산을 수행할 수 있다. 프로세서(110)는 딥러닝(DL: deep learning)에서 학습을 위한 입력 데이터의 처리, 입력 데이터에서의 피처 추출, 오차 계산, 역전파(backpropagation)를 이용한 신경망의 가중치 업데이트 등의 신경망의 학습을 위한 계산을 수행할 수 있다. 프로세서(110)의 CPU, GPGPU, 및 TPU 중 적어도 하나가 네트워크 함수의 학습을 처리할 수 있다. 예를 들어, CPU 와 GPGPU가 함께 네트워크 함수의 학습, 네트워크 함수를 이용한 데이터 분류를 처리할 수 있다. 또한, 본 개시의 일 실시예에서 복수의 컴퓨팅 장치의 프로세서를 함께 사용하여 네트워크 함수의 학습, 네트워크 함수를 이용한 데이터 분류를 처리할 수 있다. 또한, 본 개시의 일 실시예에 따른 컴퓨팅 장치에서 수행되는 컴퓨터 프로그램은 CPU, GPGPU 또는 TPU 실행가능 프로그램일 수 있다.
본 개시의 일 실시예에 따르면, 프로세서(110)는 딥러닝 모델을 이용하여 입원 환자의 의료 데이터를 기초로 입원 환자의 상태 변화를 예측할 수 있다. 프로세서(110)는 입원 환자의 의료 데이터를 딥러닝 모델에 입력하여 입원 환자의 상태 변화를 예측할 수 있다. 예를 들어, 프로세서(110)는 의료 데이터에 포함된 전자 의무 기록을 기초로 신경망 모델을 통해 입원 환자의 상태 악화를 예측할 수 있다. 여기서, 상태 악화는 사망, 패혈증, 심정지, 또는 비계획적 중환자실 전동 등과 같이 입원 환자의 상태가 부정적인 방향으로 급격히 변화한 상황으로 이해될 수 있다. 의료 데이터에 포함된 전자 의무 기록은 시계열 데이터(또는 시퀀스 데이터)이므로, 프로세서(110)는 신경망 모델을 이용하여 입원 환자의 과거 누적된 데이터를 기초로 가까운 미래에 입원 환자의 상태가 급격히 악화될 가능성 및 시점 등을 예측할 수 있다. 이와 같은 프로세서(110)의 예측은, 병원 환경에서 입원 환자에 대한 치료 및 예후 관리가 효율적으로 이루어질 수 있도록 할 수 있다.
한편, 상술한 딥러닝 모델을 통한 예측 이전에, 프로세서(110)는 딥러닝 모델의 입력으로 사용하는 의료 데이터가 입원 초기 환자의 의료 데이터인지 여부를 우선적으로 판단할 수 있다. 입원 초기 환자는 의료 데이터가 충분히 확보되지 못한 환자로 이해될 수 있다. 입원 초기 환자는 과거에 축적된 의료 데이터가 아예 없거나, 딥러닝 모델이 정확한 예측을 수행하기에 충분치 못한 양의 의료 데이터를 갖는 환자로 이해될 수 있다. 예를 들어, 입원 초기 환자는 입원 기간이 24시간 이내인 환자 혹은 입원하여 활력 징후를 측정한 횟수가 임계값 이하인 환자 중 적어도 하나일 수 있다.
의료 데이터가 입원 초기 환자가 아닌 입원 환자의 의료 데이터인 경우, 해당 의료 데이터는 딥러닝 모델이 신뢰할 만한 수준의 예측값을 출력할 만큼 충분한 양이 과거에서부터 누적된 상태인 것으로 이해될 수 있다. 따라서, 프로세서(110)에 의해 의료 데이터가 입원 초기 환자의 의료 데이터가 아닌 것으로 판단된 경우, 프로세서(110)는 입원 초기 환자가 아닌 입원 환자의 의료 데이터를 기초로 딥러닝 모델을 통해 의료 데이터에 대응되는 환자의 상태 변화를 예측할 수 있다.
반대로, 의료 데이터가 입원 초기 환자의 의료 데이터인 경우, 해당 의료 데이터는 딥러닝 모델이 신뢰할 만한 수준의 예측값을 출력할 만큼 충분한 양이 과거에서부터 누적되지 못한 상태인 것으로 이해될 수 있다. 따라서, 프로세서(110)에 의해 의료 데이터가 입원 초기 환자의 의료 데이터인 것으로 판단된 경우, 프로세서(110)는 입원 초기 환자의 의료 데이터 뿐만 아니라 입원 초기 환자와 유사한 환자의 과거 누적된 의료 데이터를 함께 활용하여 딥러닝 모델을 통해 입원 초기 환자의 상태 변화를 예측할 수 있다. 즉, 프로세서(110)는 입원 초기 환자와 유사한 환자들의 의료 데이터를 입원 초기 환자의 상태 악화에 대한 예측에 반영하여, 다른 입원 환자와 마찬가지로 데이터가 부족한 입원 초기 환자도 상태 변화에 대한 신뢰할 만한 예측이 가능하도록 할 수 있다.
예를 들어, 의료 데이터가 입원 초기 환자의 의료 데이터인 경우, 프로세서(110)는 입원 초기 환자의 의료 데이터에 대한 유사 데이터를 탐색할 수 있다. 다시 말해, 프로세서(110)는 모든 입원 환자들의 의료 데이터가 저장된 데이터베이스에서 입원 초기 환자와 유사한 환자들의 의료 데이터를 선별할 수 있다. 프로세서(110)는 딥러닝 모델의 사전 학습된 제 1 모델을 이용하여, 탐색된 유사 데이터를 기초로 문맥 정보를 추출할 수 있다. 다시 말해, 프로세서(110)는 입원 초기 환자와 유사한 환자의 의료 데이터를 딥러닝 모델의 제 1 모델에 입력하여, 입력된 유사 데이터로부터 문맥 정보를 생성할 수 있다. 프로세서(110)는 딥러닝 모델의 사전 학습된 제 2 모델을 이용하여, 입원 초기 환자의 의료 데이터 및 유사 데이터의 문맥 정보를 기초로, 입원 초기 환자의 상태 변화를 예측할 수 있다. 즉, 프로세서(110)는 입원 초기 환자의 의료 데이터 및 유사 데이터의 문맥 정보를 함께 활용하여 딥러닝 모델의 제 2 모델을 통해 입원 초기 환자의 상태 변화를 예측할 수 있다. 이때, 딥러닝 모델의 제 2 모델을 통해 출력되는 입원 초기 환자의 상태 변화에 대한 예측값은 입원 초기 환자의 상태 악화 가능성을 나타내는 확률값, 또는 입원 초기 환자의 상태 악화 예측 시점 중 적어도 하나를 포함할 수 있다.
상술한 예시와 같이 입원 초기 환자의 상태 변화의 예측에 유사 환자의 데이터를 함께 활용하는 경우, 입원 초기 환자의 데이터만을 사용하는 기존 방식 대비 딥러닝 모델을 통한 예측의 정확도 향상을 기대할 수 있다. 또한, 입원 초기 환자의 데이터의 부족으로 인해 딥러닝 모델의 예측 확률의 변동성이 심해지는 것을 방지하여 거짓 알람을 감소시키는 등 전반적인 예측 시스템의 안정성을 증진시킬 수 있다.
본 개시의 일 실시예에 따르면, 메모리(130)는 프로세서(110)가 생성하거나 결정한 임의의 형태의 정보 및 네트워크부(150)가 수신한 임의의 형태의 정보를 저장할 수 있다.
본 개시의 일 실시예에 따르면, 메모리(130)는 플래시 메모리 타입(flash memory type), 하드디스크 타입(hard disk type), 멀티미디어 카드 마이크로 타입(multimedia card micro type), 카드 타입의 메모리(예를 들어 SD 또는 XD 메모리 등), 램(Random Access Memory, RAM), SRAM(Static Random Access Memory), 롬(Read-Only Memory, ROM), EEPROM(Electrically Erasable Programmable Read-Only Memory), PROM(Programmable Read-Only Memory), 자기 메모리, 자기 디스크, 광디스크 중 적어도 하나의 타입의 저장매체를 포함할 수 있다. 컴퓨팅 장치(100)는 인터넷(internet) 상에서 상기 메모리(130)의 저장 기능을 수행하는 웹 스토리지(web storage)와 관련되어 동작할 수도 있다. 전술한 메모리에 대한 기재는 예시일 뿐, 본 개시는 이에 제한되지 않는다.
본 개시의 일 실시예에 따른 네트워크부(150)는 임의의 형태의 공지된 유무선 통신 시스템을 사용할 수 있다.
네트워크부(150)는 의료 데이터를 외부 시스템으로부터 수신할 수 있다. 이때, 외부 시스템은 의료 데이터를 생성 및 관리하기 위한 작업(e.g. 측정, 저장, 가공 등)을 수행할 수 있도록 하는 하드웨어 및 소프트웨어 구성을 포함한 시스템으로 이해될 수 있다. 예를 들어, 외부 시스템은 환자의 활력 징후를 측정하기 위한 장치 및 활력 징후를 측정하기 위한 장치와 연동 가능한 데이터베이스 등을 포함할 수 있다. 네트워크부(150)는 활력 징후를 측정하기 위한 장치와 연동되어 장치에서 측정된 활력 징후를 포함한 의료 데이터를 활력 징후의 측정과 동시에 획득할 수 있다. 네트워크부(150)는 활력 징후를 측정하기 위한 장치에 의해 미리 측정되어 데이터베이스에 저장된 의료 데이터를 데이터베이스와의 통신을 통해 수신할 수도 있다. 상술한 기재는 하나의 예시일 뿐이므로, 당업자가 이해 가능한 범주 내에서 다양한 경로 혹은 방식을 통해 네트워크부(150)는 의료 데이터를 획득할 수 있다.
또한, 네트워크부(150)는 프로세서(110)에 의해 처리된 정보, 사용자 인터페이스 등을 타 단말과의 통신을 통해 송수신할 수 있다. 예를 들어, 네트워크부(150)는 프로세서(110)에 의해 생성된 사용자 인터페이스를 클라이언트(e.g. 사용자 단말)로 제공할 수 있다. 또한, 네트워크부(150)는 클라이언트로 인가된 사용자의 외부 입력을 수신하여 프로세서(110)로 전달할 수 있다. 이때, 프로세서(110)는 네트워크부(150)로부터 전달받은 사용자의 외부 입력을 기초로 사용자 인터페이스를 통해 제공되는 정보의 출력, 수정, 변경, 추가 등의 동작을 처리할 수 있다.
한편, 본 개시의 일 실시예에 따른 컴퓨팅 장치(100)는 클라이언트와 통신을 통해 정보를 송수신하는 컴퓨팅 시스템으로서 서버를 포함할 수 있다. 이때, 클라이언트는 서버에 엑세스할 수 있는 임의의 형태의 단말일 수 있다. 예를 들어, 서버인 컴퓨팅 장치(100)는 외부 시스템으로부터 의료 데이터를 수신하여 입원 환자의 상태 변화를 예측하고, 예측된 결과를 포함하는 사용자 인터페이스를 사용자 단말로 제공할 수 있다. 이때, 사용자 단말은 서버인 컴퓨팅 장치(100)로부터 수신한 사용자 인터페이스를 출력하고, 사용자와의 상호 작용을 통해 정보를 입력받거나 처리할 수 있다.
사용자 단말은 서버인 컴퓨팅 장치(100)로부터 전달되는 분석 정보(e.g. 입원 환자의 상태 악화에 대한 예측값 등)를 제공하기 위해 제공된 사용자 인터페이스를 표시할 수 있다. 별도로 도시되지는 않았으나, 사용자 단말은 컴퓨팅 장치(100)로부터 사용자 인터페이스를 수신하는 네트워크부, 적어도 하나의 코어를 포함하는 프로세서, 메모리, 사용자 인터페이스를 제공하는 출력부 및 사용자로부터 인가된 외부 입력을 수신하는 입력부를 포함할 수 있다.
추가적인 실시예에서, 컴퓨팅 장치(100)는 임의의 서버에서 생성된 데이터 리소스를 전달받아 추가적인 정보 처리를 수행하는 임의의 형태의 단말을 포함할 수도 있다.
도 2는 과거 데이터가 충분히 축적된 입원 환자의 상태 변화를 예측하는 순환 신경망 기반의 딥러닝 모델의 블록 구성도이다.
과거 데이터가 충분히 축적된 입원 환자의 경우, 해당 환자의 의료 데이터를 순환 신경망 기반의 딥러닝 모델에 입력하여 상태 변화를 예측할 수 있다. 의료 데이터는 시계열 데이터(또는 시퀀스 데이터)이므로, 순환 신경망 기반의 딥러닝 모델을 통해 의료 데이터의 시간적 변화가 나타내는 특성을 상태 변화의 예측을 위한 연산에 반영하여 최종 출력값을 생성할 수 있다. 다시 말해, 순환 신경망 기반의 딥러닝 모델은 셀을 통해 특정 시점의 의료 데이터의 은닉 상태를 연산하기 위해 특정 시점의 이전 시점의 은닉 상태를 사용하는 루프 연산을 통해 의료 데이터에 대응되는 입원 환자의 상태 악화를 예측할 수 있다.
예를 들어, 도 2를 참조하면, t-1 시점의 의료 데이터가 순환 신경망 기반의 딥러닝 모델의 제 1 셀(10)로 입력되면, 제 1 셀(10)은 t-2 시점의 은닉 상태 ht-2를 제 1 셀(10)의 입력 it-1과 조합하여 t-1 시점의 은닉 상태 ht-1을 출력할 수 있다. 최종 t 시점의 의료 데이터가 순환 신경망 기반의 딥러닝 모델의 제 2 셀(20)로 입력되면, 제 2 셀(20)은 제 1 셀(10)의 출력으로 생성된 은닉 상태 ht-1을 제 2 셀(20)의 입력 it과 조합하여 최종 t 시점의 은닉 상태 ht를 출력할 수 있다. 이때, 제 1 셀(10)과 제 2 셀(20)은 시점의 차이로 구분될 뿐, 실질적으로 동일한 순환 신경망일 수 있다. 제 2 셀(20)을 통해 최종 은닉 상태 ht가 생성되면, 순환 신경망 기반의 딥러닝 모델의 분류기(30)는 최종 은닉 상태 ht를 입력받아 의료 데이터에 대응되는 입원 환자의 상태 악화에 대한 예측값을 출력할 수 있다.
도 3은 과거 데이터가 충분히 축적되지 못한 입원 초기 환자의 상태 변화를 예측하는 순환 신경망 기반의 딥러닝 모델의 블록 구성도이다.
과거 데이터가 충분히 축적되지 못한 입원 초기 환자의 경우, 순환 신경망 기반의 딥러닝 모델을 기초로 입원 초기 환자의 상태 변화를 예측하더라도 과거 데이터가 충분히 축적된 입원 환자의 예측 결과 만큼 신뢰할 만한 수준의 결과를 얻기 힘들다. 순환 신경망 기반의 딥러닝 모델은 이전 시점의 상태를 현재 시점에 사용함으로써, 의료 데이터의 시계열적 맥락을 최종 예측에 반영하는 것이 핵심인데, 입원 초기 환자는 데이터가 없거나 매우 소량이므로, 도 2와 동일한 방식으로 예측을 수행하는 경우에 예측 결과의 정확도 및 신뢰도가 떨어질 수 밖에 없는 문제가 존재한다.
예를 들어, 도 3을 참조하면, 과거 데이터가 전혀 없는 입원 초기 환자의 경우, 현재 시점의 연산에 반영할 과거 시점의 데이터가 존재하지 않는다. 따라서, 순환 신경망 기반의 딥러닝 모델의 제 2 셀(20)은 현 시점의 입력 i'0만을 기초로 현 시점의 은닉 상태 h'0를 출력할 수 밖에 없다. 순환 신경망 기반의 딥러닝 모델의 분류기(30)는 과거 시계열적 특성이 전혀 반영되지 않은 최종 은닉 상태 h'0를 입력받아 예측 결과를 출력해야 하므로, 도 2의 케이스 대비 예측 결과 자체의 정확도 및 신뢰도가 매우 떨어질 수 밖에 없다.
도 4는 본 개시의 일 실시예에 따라 입원 초기 환자의 상태 변화를 예측하는 딥러닝 모델의 개념도이다.
상술한 도 3의 문제를 해결하고자, 본 개시의 일 실시예에 따른 컴퓨팅 장치(100)의 프로세서(110)는 입원 초기 환자의 데이터 부족으로 인한 최종 예측 결과의 정확도 및 신뢰도 문제를 입원 초기 환자와 유사한 환자들의 데이터를 딥러닝 모델을 통한 예측에 함께 활용하는 방식을 통해 해결하고자 한다. 즉, 프로세서(110)는 입원 초기 환자와 유사한 입원 환자의 의료 데이터를 활용하여 순환 신경망 기반의 딥러닝 모델을 통해 입원 초기 환자의 상태 변화를 도 3 대비 보다 정확하고 안정적으로 예측할 수 있다.
도 4를 참조하면, 우선 프로세서(110)는 의료 데이터(40)가 입원 초기 환자의 데이터인지 여부를 판단할 수 있다. 예를 들어, 프로세서(110)는 의료 데이터(40)에 포함된 전자 의무 기록 등과 같은 기록 정보가 특정 조건을 만족하는지를 판단하여, 의료 데이터(40)가 입원 초기 환자의 데이터인지 여부를 결정할 수 있다. 이때, 특정 조건은 의료 데이터(40)에 대응하는 환자의 입원 기간이 24시간 이내인지를 판단하기 위한 제 1 조건, 또는 의료 데이터(40)에 대응하는 환자의 활력 징후의 측정 횟수가 임계값 이하인지 여부를 판단하기 위한 제 2 조건 중 적어도 하나를 포함할 수 있다. 이때, 임계값은 사용자에 의해 선택적으로 지정 혹은 변경될 수 있다. 즉, 프로세서(110)는 의료 데이터(40)의 기록 정보에 포함된 입원 기간을 기초로 제 1 조건을 판단하고, 환자의 입원 기간이 24시간 이내인 경우에 의료 데이터(40)를 입원 초기 환자의 데이터로 결정할 수 있다. 프로세서(110)는 의료 데이터(40)의 기록 정보에 포함된 활력 징후의 측정 횟수를 기초로 제 2 조건을 판단하고, 활력 징후의 측정 횟수가 임계값 이하인 경우에 의료 데이터(40)를 입원 초기 환자의 데이터로 결정할 수 있다. 또한, 프로세서(110)는 제 1 조건 및 제 2 조건을 모두 만족하는 의료 데이터(40)를 입원 초기 환자의 데이터로 결정할 수도 있다.
의료 데이터(40)가 입원 초기 환자의 데이터인 것으로 판단된 경우, 프로세서(110)는 입원 초기 환자의 의료 데이터에 대한 유사 데이터를 탐색할 수 있다. 이때, 유사 데이터에 대한 탐색은 기 확보된 모든 입원 환자들의 의료 데이터를 기초로 생성된 벡터 공간(50) 상에서 데이터 간 유사도를 연산하는 과정을 통해 수행될 수 있다. 구체적으로, 프로세서(110)는 미리 구성된 벡터 공간(50) 상에서 기 확보된 모든 입원 환자들의 의료 데이터와 입원 초기 환자의 의료 데이터 간의 유사도를 연산할 수 있다. 이때, 벡터 공간(50)은 기계학습 모델을 통해 구성될 수도 있고, 기계학습 기반의 모델이 아닌 룰(rule) 기반의 프로세싱을 통해 구성될 수도 있다. 프로세서(110)는 유사도를 연산한 결과를 기초로 기 확보된 입원 환자들의 의료 데이터 중에서 입원 초기 환자의 의료 데이터와 유사도가 높은 데이터를 선별할 수 있다. 프로세서(110)는 이와 같은 과정을 통해 선별된 데이터를 유사 데이터로 결정하고, 후술할 문맥 정보 추출 및 상태 변화의 예측에 활용할 수 있다.
예를 들어, 프로세서(110)는 입원 초기 환자의 의료 데이터를 벡터화 하여, 입원 초기 환자의 의료 데이터에 대한 벡터 vp를 생성할 수 있다. 이때, 벡터화는 미리 구성된 벡터 공간(50) 상에 의료 데이터를 임베딩(embedding) 혹은 투영(projection)하는 작업으로 이해될 수 있다. 프로세서(110)는 입원 초기 환자의 의료 데이터를 기계학습 모델에 입력하여 벡터 공간(50) 상에 임베딩 혹은 투영된 벡터 vp를 생성할 수도 있고, 룰 기반의 프로세싱을 통해 벡터 vp를 생성할 수도 있다.
한편, 입원 초기 환자의 의료 데이터를 벡터화 하기 이전에, 프로세서(110)는 다른 환자들의 의료 데이터를 기초로 벡터 공간(50)을 미리 구성할 수 있다. 프로세서(110)는 외부 데이터베이스 혹은 메모리(130)에 저장된 환자들의 의료 데이터를 벡터화 하여, 기 저장된 모든 환자들의 의료데이터에 대한 벡터들을 생성하고 벡터 공간(50)을 구성할 수 있다. 이때, 벡터 공간(50)을 구성하기 위한 다른 환자들의 의료 데이터는 시점 별 활력징후, 활력징후의 측정 시간, 연령 등과 같은 전자 의무 기록 뿐만 아니라 그래디언트 부스팅(gradient boosting), 또는 결정 트리(decision tree) 등에 기반한 기계학습 모델의 예측 확률값을 포함할 수 있다. 여기서, 기계학습 모델의 예측 확률값이란, 전자 의무 기록 등을 기초로 기계학습 모델을 통해 출력된 특정 질환의 예측 확률값 혹은 상태 악화의 예측 확률값으로 이해될 수 있다. 프로세서(110)는 다른 입원 환자들의 의료 데이터를 기계학습 모델에 입력하여 벡터 공간(50)을 생성할 수도 있고, 룰 기반의 프로세싱을 통해 벡터 공간(50)을 생성할 수도 있다.
벡터 공간(50)에 입원 초기 환자의 의료 데이터에 대한 벡터 vp가 생성되면, 프로세서(110)는 벡터 공간(50)에 이미 존재하는 입원 환자들의 의료 데이터에 대한 벡터들과 입원 초기 환자의 의료 데이터에 대한 벡터 vp 간의 유사도를 연산할 수 있다. 프로세서(110)는 벡터 공간(50)에 존재하는 벡터들 간의 거리 등을 기초로 하여 벡터 vp와 나머지 벡터들 간의 유사도를 연산할 수 있다. 예를 들어, 유사도에 대한 측정 지표(metric)로는 코사인(cosine) 유사도가 적용될 수 있다. 다만, 코사인 유사도는 하나의 예시일 뿐이므로, 당업자가 이해 가능한 범주에서 다양한 지표들이 본 개시의 유사도 연산에 적용될 수 있다.
프로세서(110)는 유사도 연산 결과를 기초로 입원 초기 환자의 의료 데이터에 대한 벡터 vp와 가장 유사도가 높은 벡터들을 입원 초기 환자의 의료 데이터에 대한 유사 데이터로 선별할 수 있다. 예를 들어, 프로세서(110)는 벡터 공간(50)에서 벡터들의 코사인 유사도를 연산하고, 벡터 vp와 코사인 유사도가 높은 상위 k개(k는 자연수)의 벡터들을 선별할 수 있다. 프로세서(110)는 벡터 vp와 코사인 유사도가 높은 상위 k개(k는 자연수)의 벡터들의 집합 Vp={vp1, vp2, ... , vpk}를 유사 데이터로 구성할 수 있다. 상술한 예시와 같이 상위 k개로 선별하지 않고, 프로세서(110)는 벡터 vp와 코사인 유사도가 임계값 이상인 벡터들을 모두 유사 데이터로 선별할 수도 있다.
프로세서(110)는 사전 학습된 제 1 모델(200)을 이용하여, 상술한 과정을 통해 도출된 입원 초기 환자에 대한 유사 데이터를 기초로 문맥 정보(60)를 추출할 수 있다. 프로세서(110)는 입원 초기 환자의 의료 데이터에 대한 유사 데이터를 제 1 모델(200)에 입력하여 문맥 정보(60)를 추출할 수 있다. 이때, 제 1 모델(200)을 통해 출력되는 문맥 정보(60)는 입원 초기 환자와 유사한 환자들의 의료 데이터의 시계열적 특성을 반영하여 도출된 정보로 이해될 수 있다. 프로세서(110)는 문맥 정보(60)를 추출하고 입원 초기 환자의 상태 변화의 예측에 활용으로써, 입원 초기 환자의 과거 데이터가 부족해서 발생하는 예측 정확도 및 신뢰도의 문제를 해결할 수 있다.
예를 들어, 프로세서(110)는 제 1 모델(200)을 이용하여, 유사 데이터에 대한 벡터들을 인코딩할 수 있다. 구체적으로, 프로세서(110)는 유사 데이터인 벡터들의 집합 Vp에 포함된 각 벡터들을 제 1 모델(200)에 입력할 수 있다. 이때, 제 1 모델(200)은 유사 데이터의 개수 k에 맞추어 k개의 서브 모델들을 포함할 수 있다. 도 4와 같이 만약 유사 데이터로서 탐색된 벡터들이 2개인 경우, 제 1 모델은(200)은 2개의 벡터들을 개별적으로 입력받아 연산을 수행하는 서브 모델들(210, 220)을 포함할 수 있다. 제 1 모델(200)은 유사 데이터의 개수 k에 맞추어 개별 연산을 수행하는 서브 모델들을 통해 각 벡터에 알맞은 인코딩 벡터를 생성할 수 있고, 연산을 효율적으로 수행할 수 있다. 프로세서(110)는 제 1 모델(200)을 이용한 연산 결과로 인코딩 벡터들의 집합 Zp={zp1, zp2, ... , zpk}을 생성할 수 있다. 즉, 프로세서(110)는 유사 데이터인 벡터들의 집합 Vp를 제 1 모델(200)에 입력하여 각 벡터들의 개별 연산을 통해 인코딩 벡터들의 집합 Zp를 생성할 수 있다.
프로세서(110)는 유사 데이터의 인코딩된 벡터들을 조합하여 문맥 정보(60)를 산출할 수 있다. 프로세서(100)는 인코딩 벡터들을 조합하는 연산을 통해 입원 초기 환자의 상태 변화 예측에 활용될 문맥 정보(60)를 생성할 수 있다. 구체적으로, 프로세서(110)는 인코딩 벡터들의 집합 Zp을 기초로 Zp를 구성하는 전체 벡터들의 평균 zpm=1/k*∑zpi을 구할 수 있다. 프로세서(110)는 인코딩 벡터들의 전체 평균 zpm을 문맥 정보(60)로 사용할 수 있다. 본 개시의 인코딩 벡터들의 조합을 위한 연산은 상술한 단순 평균 연산에 한정되지 않고, 가중 평균 연산, 가중 합 연산, 또는 컨볼루션 연산 등 인코딩 벡터들을 하나의 벡터 형태로 구성하기 위한 연산 방식들이 다양하게 적용될 수 있다.
만약 입원 초기 환자의 의료 데이터의 생성 시점이 둘 이상이라면(i.e. 입원 초기 환자의 측정 시점이 둘 이상이라면), 프로세서(110)는 유사 데이터와 함께 입원 초기 환자의 의료 데이터의 복수의 생성 시점들 중 최후 생성 시점 이전의 의료 데이터를 기초로 문맥 정보(60)를 산출할 수 있다. 입원 초기 환자의 의료 데이터라고 할지라도 과거 데이터가 일부 누적된 케이스가 존재하므로, 프로세서(110)는 상태 변화의 예측에 활용될 문맥 정보(60)를 생성하는데 입원 초기 환자의 일부 누적된 과거 데이터를 유사 데이터와 함께 활용할 수 있다. 다시 말해서, 과거 데이터가 존재하지 않는 입원 초기 환자의 의료 데이터의 경우, 프로세서(110)는 벡터 공간 상에서 탐색된 유사 데이터를 사용하여 문맥 정보(60)를 산출할 수 있다. 그리고, 과거 데이터가 일부 존재하는 입원 초기 환자의 의료 데이터의 경우, 프로세서(110)는 벡터 공간에서 탐색된 유사 데이터 뿐만 아니라 입원 초기 환자의 의료 데이터에 존재하는 과거 데이터를 함께 사용하여 문맥 정보(60)를 산출할 수 있다.
예를 들어, 입원 초기 환자의 의료 데이터가 t 시점에 생성된 데이터 및 t-1 시점에 생성된 데이터를 포함하는 경우, 프로세서(110)는 t-1 시점에 생성된 데이터를 유사 데이터에 대한 벡터들과 인코딩 후 조합하여 유사 데이터의 문맥 정보(60)를 산출할 수 있다. 구체적으로, 프로세서(110)는 제 1 모델(100)을 이용하여 t-1 시점의 입원 초기 환자의 의료 데이터에 대한 벡터를 인코딩 할 수 있다. 즉, 프로세서(110)는 t-1 시점의 입원 초기 환자의 의료 데이터에 대한 벡터를 제 1 모델(100)에 입력하여 인코딩 벡터 z'p를 생성할 수 있다. 프로세서(110)는 제 1 모델(100)을 이용하여 t 시점 및 t-1 시점의 입원 초기 환자의 의료 데이터에 대한 유사 데이터에 대한 벡터를 인코딩 할 수 있다. 즉, 프로세서(110)는 모든 시점의 입원 초기 환자의 의료 데이터에 대한 유사 데이터의 벡터를 제 1 모델(100)에 입력하여 인코딩 벡터들의 집합 Zp를 생성할 수 있다. 각 벡터의 인코딩이 완료되면, 프로세서(110)는 t-1 시점의 입원 초기 환자의 의료 데이터에 대한 인코딩 벡터 z'p와 유사 데이터에 대한 인코딩 벡터들의 집합 Zp를 기초로 전체 벡터들의 평균 z'pm를 생성할 수 있다. 프로세서(110)는 인코딩 벡터들의 전체 평균 z'pm을 문맥 정보(60)로 사용할 수 있다. 본 개시의 인코딩 벡터들의 조합을 위한 연산은 상술한 단순 평균 연산에 한정되지 않고, 가중 평균 연산, 가중 합 연산, 또는 컨볼루션 연산 등 인코딩 벡터들을 하나의 벡터 형태로 구성하기 위한 연산 방식들이 다양하게 적용될 수 있다.
한편, 유사 데이터의 문맥 정보를 추출하기 위한 제 1 모델(200)은 자기 주도 학습(self-supervised learning)을 통해 사전 학습될 수 있다. 자기 주도 학습이란, 레이블링 된 데이터와 레이블링 되지 않은 데이터를 동시에 사용하여 딥러닝 모델을 학습시키는 방법으로 이해될 수 있다. 자기 주도 학습은 모델의 태스크(task) 성능 자체를 높이고자 하는 것이 아닌, 모델이 데이터의 좋은 특징들을 추출할 수 있도록 유도하여 일반화 성능을 높이는 것을 목적으로 하는 학습 방법으로 이해될 수 있다. 구체적으로, 제 1 모델(200)에 적용 가능한 자기 주도 학습은, 모델이 레이블에 대한 정보 없이 데이터의 유사성을 비교하여 데이터 특징을 잘 표현할 수 있도록 하는 대조 학습(contrastive learning)을 포함할 수 있다. 예를 들어, 제 1 모델(200)은 학습 데이터와 학습 데이터에 대한 증강(augmentation)을 통해 생성된 전처리 데이터가 동일한 데이터인지를 분류하는 대조 학습을 수행할 수 있다. 제 1 모델(200)을 위한 학습 데이터가 구성되면, 프로세서(110)는 학습 데이터에 순서 뒤바꿈, 임의 마스킹, 또는 노이즈 추가 등과 같은 다양한 종류의 증강 방식을 적용하여 전처리 데이터를 생성할 수 있다. 제 1 모델(200)은 학습 데이터와 전처리 데이터를 모두 입력받아 동일한 데이터인지 여부를 판단하는 대조 학습을 수행할 수 있다. 이러한 대조 학습을 통해 제 1 모델(200)은 의료 데이터를 구성하는 각 정보 요소들의 고유 특성을 보다 잘 구별하고 표현할 수 있다. 다시 말해, 프로세서(110)는 대조 학습을 통해 사전 학습된 제 1 모델(200)을 이용하여 의료 데이터의 특징들이 표현될 수 있는 문맥 정보(60)를 생성할 수 있다.
프로세서(110)는 사전 학습된 제 2 모델(300)을 이용하여, 입원 초기 환자의 의료 데이터 및 유사 데이터의 문맥 정보(60)를 기초로, 입원 초기 환자의 상태 변화를 예측할 수 있다. 프로세서(110)는 제 2 모델(300)에 입원 초기 환자의 의료 데이터 및 유사 데이터의 문맥 정보(60)를 입력하여, 입원 초기 환자의 상태 변화에 대한 예측정보(70)를 생성할 수 있다. 이때, 제 2 모델(300)은 순환 신경망 기반의 딥러닝 모델을 포함할 수 있다. 예를 들어, 제 2 모델(300)은 입원 초기 환자의 의료 데이터를 기본 입력값으로, 유사 데이터의 문맥 정보(60)를 은닉 상태로 사용하는 순환 신경망 기반의 서브 모델(310) 및 순환 신경망 기반의 서브 모델(310)의 출력을 입력받아 환자의 상태 악화를 추정하는 서브 모델(320)을 포함할 수 있다. 순환 신경망 기반의 서브 모델(310)은 도 2 내지 3의 셀들(10, 20)과 같이 현 시점의 기본 입력값과 이전 시점의 은닉 상태를 함께 고려하여 현 시점의 은닉 상태를 출력하는 모델일 수 있다. 입원 초기 환자의 경우, 과거 데이터의 부족으로 적절한 은닉 상태를 고려할 수 없는 상태이므로, 순환 신경망 기반의 서브 모델(310)은 유사 데이터의 문맥 정보(60)를 은닉 상태로 입력받아 입원 초기 환자의 의료 데이터를 분석하는 현 시점에 대한 은닉 상태를 출력할 수 있다. 상태 악화를 추정하는 서브 모델(320)은 순환 신경망 기반의 서브 모델(310)에서 출력되는 현 시점의 은닉 상태를 기초로 입원 초기 환자의 상태 악화에 대한 예측 정보(70)를 출력할 수 있다. 예측 정보(70)에는 상태 악화의 가능성 등을 나타내는 위험도, 및 상태 악화의 시점 등이 포함될 수 있다.
한편, 도 4를 참조하면, 의료 데이터(40)가 입원 초기 환자의 데이터가 아닌 것으로 판단된 경우(i.e. 과거 데이터가 충분히 누적된 입원 환자의 데이터인 경우), 프로세서(110)는 유사 데이터를 탐색하지 않고, 제 2 모델(300)을 이용하여 의료 데이터(40)를 기초로 입원 환자의 상태 악화를 예측할 수 있다. 제 2 모델(300)은 순환 신경망 기반의 딥러닝 모델을 포함하므로, 프로세서(110)는 의료 데이터(40)를 제 2 모델(300)에 입력하여 이전 시점의 문맥 정보를 추출하고, 이전 시점의 문맥 정보와 현 시점의 입력값을 기초로 입원 환자의 상태 변화를 예측할 수 있다. 이러한 과정은 도 2를 통해 설명한 과정에 대응되는 것으로 이해될 수 있다.
도 5는 본 개시의 일 실시예에 따라 입원 환자의 상태 변화를 예측하는 방법을 나타낸 순서도이다.
도 5를 참조하면, 본 개시의 일 실시예에 따른 컴퓨팅 장치(100)는 외부 시스템으로부터 의료 데이터를 수신할 수 있다(S110). 컴퓨팅 장치(100)는 입원 환자의 상태를 파악하기 위해 생성 및 저장되는 전자 의무 기록과 같은 의료 데이터를 병원 데이터베이스 등과 같은 외부 시스템으로부터 수신할 수 있다. 의료 데이터가 수신되면, 컴퓨팅 장치(100)는 수신된 의료 데이터가 입원 초기 환자의 의료 데이터인지 여부를 판단할 수 있다(S120). 컴퓨팅 장치(100)는 수신된 의료 데이터에 포함된 기록 정보가 소정의 조건을 만족하는지 여부를 판단하여, 입원 초기 환자의 의료 데이터인지 여부를 판단할 수 있다. 이때, 기록 정보는 입원 기간, 또는 활력 징후의 측정 횟수 중 적어도 하나를 포함할 수 있다. 그리고, 상기 소정의 조건은, 상기 입원 기간이 24시간 이내인지 여부를 판단하기 위한 제 1 조건, 또는 상기 활력 징후의 측정 횟수가 임계값 이하인지 여부를 판단하기 위한 제 2 조건 중 적어도 하나를 포함할 수 있다. 즉, 컴퓨팅 장치(100)는 의료 데이터에 포함된 기록 정보를 분석하여 환자가 입원한 기간이 24시간 이내인지 여부 혹은 입원 후 활력 징후를 측정한 횟수가 임계값 이하인지 여부 중 적어도 하나를 판단하여, 의료 데이터가 입원 초기 환자의 의료 데이터인지 여부를 결정할 수 있다.
의료 데이터가 입원 초기 환자의 의료 데이터인 것으로 판단된 경우, 컴퓨팅 장치(100)는 입원 환자의 의료 데이터가 정리된 데이터 풀(pool)에서 입원 초기 환자의 의료 데이터에 대한 유사 데이터를 탐색할 수 있다(S130). 예를 들어, 컴퓨팅 장치(100)는 입원 초기 환자의 의료 데이터를 벡터화 할 수 있다. 컴퓨팅 장치(100)는 벡터 공간에 존재하는 기존 입원 환자들의 의료 데이터에 대한 벡터들과 입원 초기 환자의 의료 데이터에 대한 벡터 간의 유사도를 연산할 수 있다. 이때, 벡터 공간은 컴퓨팅 장치(100)가 기존 입원 환자들의 의료 데이터를 벡터화 하여 미리 생성한 데이터 풀로 이해될 수 있다. 컴퓨팅 장치(100)는 연산된 유사도를 기초로 기존 입원 환자들의 의료 데이터에 대한 벡터들을 선별하여 입원 초기 환자의 의료 데이터와 유사도가 높은 유사 데이터를 결정할 수 있다.
유사 데이터의 탐색(S130)이 완료되면, 컴퓨팅 장치(100)는 사전 학습된 제 1 모델을 이용하여, 탐색된 유사 데이터를 기초로 문맥 정보를 추출할 수 있다(S140). 예를 들어, 입원 초기 환자의 의료 데이터가 단일 시점의 데이터인 경우, 컴퓨팅 장치(100)는 제 1 모델을 이용하여, 유사 데이터에 대한 벡터들을 인코딩 할 수 있다. 이때, 제 1 모델은 자기 주도 학습 기반의 모델일 수 있다. 컴퓨팅 장치(100)는 제 1 모델을 통해 인코딩된 유사 데이터에 대한 벡터들을 조합하여 문맥 정보를 산출할 수 있다. 이때, 문맥 정보를 산출하는 과정은 인코딩된 벡터들을 하나의 벡터 형태로 구성하는 연산 과정으로 이해될 수 있다. 입원 초기 환자의 의료 데이터의 생성 시점이 둘 이상인 경우, 컴퓨팅 장치(100)는 제 1 모델을 이용하여, 입원 초기 환자의 의료 데이터의 복수의 생성 시점들 중 최후 생성 시점 이전의 의료 데이터에 대한 벡터를 인코딩 할 수 있다. 컴퓨팅 장치(100)는 제 1 모델을 이용하여, 유사 데이터에 대한 벡터들을 인코딩 할 수 있다. 컴퓨팅 장치(100)는 최후 생성 시점 이전의 입원 초기 환자의 의료 데이터 및 유사 데이터를 기초로 인코딩된 벡터들을 모두 조합하여 문맥 정보를 산출할 수도 있다.
문맥 정보가 추출(S140)되고 나면, 컴퓨팅 장치(100)는 사전 학습된 제 2 모델을 이용하여, 입원 초기 환자의 의료 데이터 및 문맥 정보를 기초로, 입원 초기 환자의 상태 변화를 예측할 수 있다(S150). 이때, 제 2 모델은 순환 신경망 기반의 딥러닝 모델을 포함할 수 있다. 예를 들어, 컴퓨팅 장치(100)는 입원 초기 환자의 의료 데이터를 제 2 모델의 기본 입력값으로, 유사 데이터로부터 추출된 문맥 정보를 제 2 모델의 은닉 상태로 사용하여 입원 초기 환자의 상태 악화에 대한 예측값을 생성할 수 있다. 이때, 입원 초기 환자의 상태 악화에 대한 예측값에는 상태 악화가 발생할 가능성, 또는 상태 악화가 발생될 예상 시점 중 적어도 하나가 포함될 수 있다. 다만, 상술한 예측값의 종류는 하나의 예시일 뿐이므로, 본 개시는 이에 제한되지 않는다.
의료 데이터가 입원 초기 환자의 의료 데이터가 아닌 것으로 판단된 경우, 컴퓨팅 장치(100)는 순환 신경망 기반의 제 2 모델을 이용하여, 수신된 의료 데이터를 기초로 문맥 정보를 추출할 수 있다(S160). 또한, 컴퓨팅 장치(100)는 순환 신경망 기반의 제 2 모델을 이용하여, 의료 데이터 및 의료 데이터를 기초로 추출된 문맥 정보를 기초로, 의료 데이터에 대응되는 입원 환자의 상태 변화를 예측할 수 있다(S170). S160 및 S170 단계는 도 2를 통해 설명되는 환자의 상태 변화 예측 과정에 대응되는 것으로 이해될 수 있다.
한편, 본 개시의 일 실시예에 따라 데이터 구조를 저장한 컴퓨터 판독가능 매체가 개시된다.
데이터 구조는 데이터에 효율적인 접근 및 수정을 가능하게 하는 데이터의 조직, 관리, 저장을 의미할 수 있다. 데이터 구조는 특정 문제(예를 들어, 최단 시간으로 데이터 검색, 데이터 저장, 데이터 수정) 해결을 위한 데이터의 조직을 의미할 수 있다. 데이터 구조는 특정한 데이터 처리 기능을 지원하도록 설계된, 데이터 요소들 간의 물리적이거나 논리적인 관계로 정의될 수도 있다. 데이터 요소들 간의 논리적인 관계는 사용자 정의 데이터 요소들 간의 연결관계를 포함할 수 있다. 데이터 요소들 간의 물리적인 관계는 컴퓨터 판독가능 저장매체(예를 들어, 영구 저장 장치)에 물리적으로 저장되어 있는 데이터 요소들 간의 실제 관계를 포함할 수 있다. 데이터 구조는 구체적으로 데이터의 집합, 데이터 간의 관계, 데이터에 적용할 수 있는 함수 또는 명령어를 포함할 수 있다. 효과적으로 설계된 데이터 구조를 통해 컴퓨팅 장치는 컴퓨팅 장치의 자원을 최소한으로 사용하면서 연산을 수행할 수 있다. 구체적으로 컴퓨팅 장치는 효과적으로 설계된 데이터 구조를 통해 연산, 읽기, 삽입, 삭제, 비교, 교환, 검색의 효율성을 높일 수 있다.
데이터 구조는 데이터 구조의 형태에 따라 선형 데이터 구조와 비선형 데이터 구조로 구분될 수 있다. 선형 데이터 구조는 하나의 데이터 뒤에 하나의 데이터만이 연결되는 구조일 수 있다. 선형 데이터 구조는 리스트(List), 스택(Stack), 큐(Queue), 데크(Deque)를 포함할 수 있다. 리스트는 내부적으로 순서가 존재하는 일련의 데이터 집합을 의미할 수 있다. 리스트는 연결 리스트(Linked List)를 포함할 수 있다. 연결 리스트는 각각의 데이터가 포인터를 가지고 한 줄로 연결되어 있는 방식으로 데이터가 연결된 데이터 구조일 수 있다. 연결 리스트에서 포인터는 다음이나 이전 데이터와의 연결 정보를 포함할 수 있다. 연결 리스트는 형태에 따라 단일 연결 리스트, 이중 연결 리스트, 원형 연결 리스트로 표현될 수 있다. 스택은 제한적으로 데이터에 접근할 수 있는 데이터 나열 구조일 수 있다. 스택은 데이터 구조의 한 쪽 끝에서만 데이터를 처리(예를 들어, 삽입 또는 삭제)할 수 있는 선형 데이터 구조일 수 있다. 스택에 저장된 데이터는 늦게 들어갈수록 빨리 나오는 데이터 구조(LIFO-Last in First Out)일 수 있다. 큐는 제한적으로 데이터에 접근할 수 있는 데이터 나열 구조로서, 스택과 달리 늦게 저장된 데이터일수록 늦게 나오는 데이터 구조(FIFO-First in First Out)일 수 있다. 데크는 데이터 구조의 양 쪽 끝에서 데이터를 처리할 수 있는 데이터 구조일 수 있다.
비선형 데이터 구조는 하나의 데이터 뒤에 복수개의 데이터가 연결되는 구조일 수 있다. 비선형 데이터 구조는 그래프(Graph) 데이터 구조를 포함할 수 있다. 그래프 데이터 구조는 정점(Vertex)과 간선(Edge)으로 정의될 수 있으며 간선은 서로 다른 두개의 정점을 연결하는 선을 포함할 수 있다. 그래프 데이터 구조 트리(Tree) 데이터 구조를 포함할 수 있다. 트리 데이터 구조는 트리에 포함된 복수개의 정점 중에서 서로 다른 두개의 정점을 연결시키는 경로가 하나인 데이터 구조일 수 있다. 즉 그래프 데이터 구조에서 루프(loop)를 형성하지 않는 데이터 구조일 수 있다.
본 명세서에 걸쳐, 연산 모델, 신경망, 네트워크 함수, 뉴럴 네트워크(neural network)는 동일한 의미로 사용될 수 있다. 이하에서는 신경망으로 통일하여 기술한다. 데이터 구조는 신경망을 포함할 수 있다. 그리고 신경망을 포함한 데이터 구조는 컴퓨터 판독가능 매체에 저장될 수 있다. 신경망을 포함한 데이터 구조는 또한 신경망에 의한 처리를 위하여 전처리된 데이터, 신경망에 입력되는 데이터, 신경망의 가중치, 신경망의 하이퍼 파라미터, 신경망으로부터 획득한 데이터, 신경망의 각 노드 또는 레이어와 연관된 활성 함수, 신경망의 학습을 위한 손실함수 등을 포함할 수 있다. 신경망을 포함한 데이터 구조는 상기 개시된 구성들 중 임의의 구성 요소들을 포함할 수 있다. 즉 신경망을 포함한 데이터 구조는 신경망에 의한 처리를 위하여 전처리된 데이터, 신경망에 입력되는 데이터, 신경망의 가중치, 신경망의 하이퍼 파라미터, 신경망으로부터 획득한 데이터, 신경망의 각 노드 또는 레이어와 연관된 활성 함수, 신경망의 학습을 위한 손실함수 등 전부 또는 이들의 임의의 조합을 포함하여 구성될 수 있다. 전술한 구성들 이외에도, 신경망을 포함한 데이터 구조는 신경망의 특성을 결정하는 임의의 다른 정보를 포함할 수 있다. 또한, 데이터 구조는 신경망의 연산 과정에 사용되거나 발생되는 모든 형태의 데이터를 포함할 수 있으며 전술한 사항에 제한되는 것은 아니다. 컴퓨터 판독가능 매체는 컴퓨터 판독가능 기록 매체 및/또는 컴퓨터 판독가능 전송 매체를 포함할 수 있다. 신경망은 일반적으로 노드라 지칭될 수 있는 상호 연결된 계산 단위들의 집합으로 구성될 수 있다. 이러한 노드들은 뉴런(neuron)들로 지칭될 수도 있다. 신경망은 적어도 하나 이상의 노드들을 포함하여 구성된다.
데이터 구조는 신경망에 입력되는 데이터를 포함할 수 있다. 신경망에 입력되는 데이터를 포함하는 데이터 구조는 컴퓨터 판독가능 매체에 저장될 수 있다. 신경망에 입력되는 데이터는 신경망 학습 과정에서 입력되는 학습 데이터 및/또는 학습이 완료된 신경망에 입력되는 입력 데이터를 포함할 수 있다. 신경망에 입력되는 데이터는 전처리(pre-processing)를 거친 데이터 및/또는 전처리 대상이 되는 데이터를 포함할 수 있다. 전처리는 데이터를 신경망에 입력시키기 위한 데이터 처리 과정을 포함할 수 있다. 따라서 데이터 구조는 전처리 대상이 되는 데이터 및 전처리로 발생되는 데이터를 포함할 수 있다. 전술한 데이터 구조는 예시일 뿐 본 개시는 이에 제한되지 않는다.
데이터 구조는 신경망의 가중치를 포함할 수 있다. (본 명세서에서 가중치, 파라미터는 동일한 의미로 사용될 수 있다.) 그리고 신경망의 가중치를 포함한 데이터 구조는 컴퓨터 판독가능 매체에 저장될 수 있다. 신경망은 복수개의 가중치를 포함할 수 있다. 가중치는 가변적일 수 있으며, 신경망이 원하는 기능을 수행하기 위해, 사용자 또는 알고리즘에 의해 가변 될 수 있다. 예를 들어, 하나의 출력 노드에 하나 이상의 입력 노드가 각각의 링크에 의해 상호 연결된 경우, 출력 노드는 상기 출력 노드와 연결된 입력 노드들에 입력된 값들 및 각각의 입력 노드들에 대응하는 링크에 설정된 가중치에 기초하여 출력 노드에서 출력되는 데이터 값을 결정할 수 있다. 전술한 데이터 구조는 예시일 뿐 본 개시는 이에 제한되지 않는다.
제한이 아닌 예로서, 가중치는 신경망 학습 과정에서 가변되는 가중치 및/또는 신경망 학습이 완료된 가중치를 포함할 수 있다. 신경망 학습 과정에서 가변되는 가중치는 학습 사이클이 시작되는 시점의 가중치 및/또는 학습 사이클 동안 가변되는 가중치를 포함할 수 있다. 신경망 학습이 완료된 가중치는 학습 사이클이 완료된 가중치를 포함할 수 있다. 따라서 신경망의 가중치를 포함한 데이터 구조는 신경망 학습 과정에서 가변되는 가중치 및/또는 신경망 학습이 완료된 가중치를 포함한 데이터 구조를 포함할 수 있다. 그러므로 상술한 가중치 및/또는 각 가중치의 조합은 신경망의 가중치를 포함한 데이터 구조에 포함되는 것으로 한다. 전술한 데이터 구조는 예시일 뿐 본 개시는 이에 제한되지 않는다.
신경망의 가중치를 포함한 데이터 구조는 직렬화(serialization) 과정을 거친 후 컴퓨터 판독가능 저장 매체(예를 들어, 메모리, 하드 디스크)에 저장될 수 있다. 직렬화는 데이터 구조를 동일하거나 다른 컴퓨팅 장치에 저장하고 나중에 다시 재구성하여 사용할 수 있는 형태로 변환하는 과정일 수 있다. 컴퓨팅 장치는 데이터 구조를 직렬화하여 네트워크를 통해 데이터를 송수신할 수 있다. 직렬화된 신경망의 가중치를 포함한 데이터 구조는 역직렬화(deserialization)를 통해 동일한 컴퓨팅 장치 또는 다른 컴퓨팅 장치에서 재구성될 수 있다. 신경망의 가중치를 포함한 데이터 구조는 직렬화에 한정되는 것은 아니다. 나아가 신경망의 가중치를 포함한 데이터 구조는 컴퓨팅 장치의 자원을 최소한으로 사용하면서 연산의 효율을 높이기 위한 데이터 구조(예를 들어, 비선형 데이터 구조에서 B-Tree, Trie, m-way search tree, AVL tree, Red-Black Tree)를 포함할 수 있다. 전술한 사항은 예시일 뿐 본 개시는 이에 제한되지 않는다.
데이터 구조는 신경망의 하이퍼 파라미터(Hyper-parameter)를 포함할 수 있다. 그리고 신경망의 하이퍼 파라미터를 포함한 데이터 구조는 컴퓨터 판독가능 매체에 저장될 수 있다. 하이퍼 파라미터는 사용자에 의해 가변되는 변수일 수 있다. 하이퍼 파라미터는 예를 들어, 학습률(learning rate), 비용 함수(cost function), 학습 사이클 반복 횟수, 가중치 초기화(Weight initialization)(예를 들어, 가중치 초기화 대상이 되는 가중치 값의 범위 설정), Hidden Unit 개수(예를 들어, 히든 레이어의 개수, 히든 레이어의 노드 수)를 포함할 수 있다. 전술한 데이터 구조는 예시일 뿐 본 개시는 이에 제한되지 않는다.
도 6은 본 개시의 실시예들이 구현될 수 있는 예시적인 컴퓨팅 환경에 대한 간략하고 일반적인 개략도이다.
본 개시가 일반적으로 컴퓨팅 장치에 의해 구현될 수 있는 것으로 전술되었지만, 당업자라면 본 개시가 하나 이상의 컴퓨터 상에서 실행될 수 있는 컴퓨터 실행가능 명령어 및/또는 기타 프로그램 모듈들과 결합되어 및/또는 하드웨어와 소프트웨어의 조합으로써 구현될 수 있다는 것을 잘 알 것이다.
일반적으로, 프로그램 모듈은 특정의 태스크를 수행하거나 특정의 추상 데이터 유형을 구현하는 루틴, 프로그램, 컴포넌트, 데이터 구조, 기타 등등을 포함한다. 또한, 당업자라면 본 개시의 방법이 단일-프로세서 또는 멀티프로세서 컴퓨터 시스템, 미니컴퓨터, 메인프레임 컴퓨터는 물론 퍼스널 컴퓨터, 핸드헬드(handheld) 컴퓨팅 장치, 마이크로프로세서-기반 또는 프로그램가능 가전 제품, 기타 등등(이들 각각은 하나 이상의 연관된 장치와 연결되어 동작할 수 있음)을 비롯한 다른 컴퓨터 시스템 구성으로 실시될 수 있다는 것을 잘 알 것이다.
본 개시의 설명된 실시예들은 또한 어떤 태스크들이 통신 네트워크를 통해 연결되어 있는 원격 처리 장치들에 의해 수행되는 분산 컴퓨팅 환경에서 실시될 수 있다. 분산 컴퓨팅 환경에서, 프로그램 모듈은 로컬 및 원격 메모리 저장 장치 둘 다에 위치할 수 있다.
컴퓨터는 통상적으로 다양한 컴퓨터 판독가능 매체를 포함한다. 컴퓨터에 의해 액세스 가능한 매체는 그 어떤 것이든지 컴퓨터 판독가능 매체가 될 수 있고, 이러한 컴퓨터 판독가능 매체는 휘발성 및 비휘발성 매체, 일시적(transitory) 및 비일시적(non-transitory) 매체, 이동식 및 비-이동식 매체를 포함한다. 제한이 아닌 예로서, 컴퓨터 판독가능 매체는 컴퓨터 판독가능 저장 매체 및 컴퓨터 판독가능 전송 매체를 포함할 수 있다. 컴퓨터 판독가능 저장 매체는 컴퓨터 판독가능 명령어, 데이터 구조, 프로그램 모듈 또는 기타 데이터와 같은 정보를 저장하는 임의의 방법 또는 기술로 구현되는 휘발성 및 비휘발성 매체, 일시적 및 비-일시적 매체, 이동식 및 비이동식 매체를 포함한다. 컴퓨터 판독가능 저장 매체는 RAM, ROM, EEPROM, 플래시 메모리 또는 기타 메모리 기술, CD-ROM, DVD(digital video disk) 또는 기타 광 디스크 저장 장치, 자기 카세트, 자기 테이프, 자기 디스크 저장 장치 또는 기타 자기 저장 장치, 또는 컴퓨터에 의해 액세스될 수 있고 원하는 정보를 저장하는 데 사용될 수 있는 임의의 기타 매체를 포함하지만, 이에 한정되지 않는다.
컴퓨터 판독가능 전송 매체는 통상적으로 반송파(carrier wave) 또는 기타 전송 메커니즘(transport mechanism)과 같은 피변조 데이터 신호(modulated data signal)에 컴퓨터 판독가능 명령어, 데이터 구조, 프로그램 모듈 또는 기타 데이터 등을 구현하고 모든 정보 전달 매체를 포함한다. 피변조 데이터 신호라는 용어는 신호 내에 정보를 인코딩하도록 그 신호의 특성들 중 하나 이상을 설정 또는 변경시킨 신호를 의미한다. 제한이 아닌 예로서, 컴퓨터 판독가능 전송 매체는 유선 네트워크 또는 직접 배선 접속(direct-wired connection)과 같은 유선 매체, 그리고 음향, RF, 적외선, 기타 무선 매체와 같은 무선 매체를 포함한다. 상술된 매체들 중 임의의 것의 조합도 역시 컴퓨터 판독가능 전송 매체의 범위 안에 포함되는 것으로 한다.
컴퓨터(1102)를 포함하는 본 개시의 여러가지 측면들을 구현하는 예시적인 환경(1100)이 나타내어져 있으며, 컴퓨터(1102)는 처리 장치(1104), 시스템 메모리(1106) 및 시스템 버스(1108)를 포함한다. 시스템 버스(1108)는 시스템 메모리(1106)(이에 한정되지 않음)를 비롯한 시스템 컴포넌트들을 처리 장치(1104)에 연결시킨다. 처리 장치(1104)는 다양한 상용 프로세서들 중 임의의 프로세서일 수 있다. 듀얼 프로세서 및 기타 멀티프로세서 아키텍처도 역시 처리 장치(1104)로서 이용될 수 있다.
시스템 버스(1108)는 메모리 버스, 주변장치 버스, 및 다양한 상용 버스 아키텍처 중 임의의 것을 사용하는 로컬 버스에 추가적으로 상호 연결될 수 있는 몇 가지 유형의 버스 구조 중 임의의 것일 수 있다. 시스템 메모리(1106)는 판독 전용 메모리(ROM)(1110) 및 랜덤 액세스 메모리(RAM)(1112)를 포함한다. 기본 입/출력 시스템(BIOS)은 ROM, EPROM, EEPROM 등의 비휘발성 메모리(1110)에 저장되며, 이 BIOS는 시동 중과 같은 때에 컴퓨터(1102) 내의 구성요소들 간에 정보를 전송하는 일을 돕는 기본적인 루틴을 포함한다. RAM(1112)은 또한 데이터를 캐싱하기 위한 정적 RAM 등의 고속 RAM을 포함할 수 있다.
컴퓨터(1102)는 또한 내장형 하드 디스크 드라이브(HDD)(1114)(예를 들어, EIDE, SATA)－이 내장형 하드 디스크 드라이브(1114)는 또한 적당한 섀시(도시 생략) 내에서 외장형 용도로 구성될 수 있음－, 자기 플로피 디스크 드라이브(FDD)(1116)(예를 들어, 이동식 디스켓(1118)으로부터 판독을 하거나 그에 기록을 하기 위한 것임), 및 광 디스크 드라이브(1120)(예를 들어, CD-ROM 디스크(1122)를 판독하거나 DVD 등의 기타 고용량 광 매체로부터 판독을 하거나 그에 기록을 하기 위한 것임)를 포함한다. 하드 디스크 드라이브(1114), 자기 디스크 드라이브(1116) 및 광 디스크 드라이브(1120)는 각각 하드 디스크 드라이브 인터페이스(1124), 자기 디스크 드라이브 인터페이스(1126) 및 광 드라이브 인터페이스(1128)에 의해 시스템 버스(1108)에 연결될 수 있다. 외장형 드라이브 구현을 위한 인터페이스(1124)는 USB(Universal Serial Bus) 및 IEEE 1394 인터페이스 기술 중 적어도 하나 또는 그 둘 다를 포함한다.
이들 드라이브 및 그와 연관된 컴퓨터 판독가능 매체는 데이터, 데이터 구조, 컴퓨터 실행가능 명령어, 기타 등등의 비휘발성 저장을 제공한다. 컴퓨터(1102)의 경우, 드라이브 및 매체는 임의의 데이터를 적당한 디지털 형식으로 저장하는 것에 대응한다. 상기에서의 컴퓨터 판독가능 매체에 대한 설명이 HDD, 이동식 자기 디스크, 및 CD 또는 DVD 등의 이동식 광 매체를 언급하고 있지만, 당업자라면 집 드라이브(zip drive), 자기 카세트, 플래쉬 메모리 카드, 카트리지, 기타 등등의 컴퓨터에 의해 판독가능한 다른 유형의 매체도 역시 예시적인 운영 환경에서 사용될 수 있으며 또 임의의 이러한 매체가 본 개시의 방법들을 수행하기 위한 컴퓨터 실행가능 명령어를 포함할 수 있다는 것을 잘 알 것이다.
운영 체제(1130), 하나 이상의 애플리케이션 프로그램(1132), 기타 프로그램 모듈(1134) 및 프로그램 데이터(1136)를 비롯한 다수의 프로그램 모듈이 드라이브 및 RAM(1112)에 저장될 수 있다. 운영 체제, 애플리케이션, 모듈 및/또는 데이터의 전부 또는 그 일부분이 또한 RAM(1112)에 캐싱될 수 있다. 본 개시가 여러가지 상업적으로 이용가능한 운영 체제 또는 운영 체제들의 조합에서 구현될 수 있다는 것을 잘 알 것이다.
사용자는 하나 이상의 유선/무선 입력 장치, 예를 들어, 키보드(1138) 및 마우스(1140) 등의 포인팅 장치를 통해 컴퓨터(1102)에 명령 및 정보를 입력할 수 있다. 기타 입력 장치(도시 생략)로는 마이크, IR 리모콘, 조이스틱, 게임 패드, 스타일러스 펜, 터치 스크린, 기타 등등이 있을 수 있다. 이들 및 기타 입력 장치가 종종 시스템 버스(1108)에 연결되어 있는 입력 장치 인터페이스(1142)를 통해 처리 장치(1104)에 연결되지만, 병렬 포트, IEEE 1394 직렬 포트, 게임 포트, USB 포트, IR 인터페이스, 기타 등등의 기타 인터페이스에 의해 연결될 수 있다.
모니터(1144) 또는 다른 유형의 디스플레이 장치도 역시 비디오 어댑터(1146) 등의 인터페이스를 통해 시스템 버스(1108)에 연결된다. 모니터(1144)에 부가하여, 컴퓨터는 일반적으로 스피커, 프린터, 기타 등등의 기타 주변 출력 장치(도시 생략)를 포함한다.
컴퓨터(1102)는 유선 및/또는 무선 통신을 통한 원격 컴퓨터(들)(1148) 등의 하나 이상의 원격 컴퓨터로의 논리적 연결을 사용하여 네트워크화된 환경에서 동작할 수 있다. 원격 컴퓨터(들)(1148)는 워크스테이션, 컴퓨팅 디바이스 컴퓨터, 라우터, 퍼스널 컴퓨터, 휴대용 컴퓨터, 마이크로프로세서-기반 오락 기기, 피어 장치 또는 기타 통상의 네트워크 노드일 수 있으며, 일반적으로 컴퓨터(1102)에 대해 기술된 구성요소들 중 다수 또는 그 전부를 포함하지만, 간략함을 위해, 메모리 저장 장치(1150)만이 도시되어 있다. 도시되어 있는 논리적 연결은 근거리 통신망(LAN)(1152) 및/또는 더 큰 네트워크, 예를 들어, 원거리 통신망(WAN)(1154)에의 유선/무선 연결을 포함한다. 이러한 LAN 및 WAN 네트워킹 환경은 사무실 및 회사에서 일반적인 것이며, 인트라넷 등의 전사적 컴퓨터 네트워크(enterprise-wide computer network)를 용이하게 해주며, 이들 모두는 전세계 컴퓨터 네트워크, 예를 들어, 인터넷에 연결될 수 있다.
LAN 네트워킹 환경에서 사용될 때, 컴퓨터(1102)는 유선 및/또는 무선 통신 네트워크 인터페이스 또는 어댑터(1156)를 통해 로컬 네트워크(1152)에 연결된다. 어댑터(1156)는 LAN(1152)에의 유선 또는 무선 통신을 용이하게 해줄 수 있으며, 이 LAN(1152)은 또한 무선 어댑터(1156)와 통신하기 위해 그에 설치되어 있는 무선 액세스 포인트를 포함하고 있다. WAN 네트워킹 환경에서 사용될 때, 컴퓨터(1102)는 모뎀(1158)을 포함할 수 있거나, WAN(1154) 상의 통신 컴퓨팅 디바이스에 연결되거나, 또는 인터넷을 통하는 등, WAN(1154)을 통해 통신을 설정하는 기타 수단을 갖는다. 내장형 또는 외장형 및 유선 또는 무선 장치일 수 있는 모뎀(1158)은 직렬 포트 인터페이스(1142)를 통해 시스템 버스(1108)에 연결된다. 네트워크화된 환경에서, 컴퓨터(1102)에 대해 설명된 프로그램 모듈들 또는 그의 일부분이 원격 메모리/저장 장치(1150)에 저장될 수 있다. 도시된 네트워크 연결이 예시적인 것이며 컴퓨터들 사이에 통신 링크를 설정하는 기타 수단이 사용될 수 있다는 것을 잘 알 것이다.
컴퓨터(1102)는 무선 통신으로 배치되어 동작하는 임의의 무선 장치 또는 개체, 예를 들어, 프린터, 스캐너, 데스크톱 및/또는 휴대용 컴퓨터, PDA(portable data assistant), 통신 위성, 무선 검출가능 태그와 연관된 임의의 장비 또는 장소, 및 전화와 통신을 하는 동작을 한다. 이것은 적어도 Wi-Fi 및 블루투스 무선 기술을 포함한다. 따라서, 통신은 종래의 네트워크에서와 같이 미리 정의된 구조이거나 단순하게 적어도 2개의 장치 사이의 애드혹 통신(ad hoc communication)일 수 있다.
Wi-Fi(Wireless Fidelity)는 유선 없이도 인터넷 등으로의 연결을 가능하게 해준다. Wi-Fi는 이러한 장치, 예를 들어, 컴퓨터가 실내에서 및 실외에서, 즉 기지국의 통화권 내의 아무 곳에서나 데이터를 전송 및 수신할 수 있게 해주는 셀 전화와 같은 무선 기술이다. Wi-Fi 네트워크는 안전하고 신뢰성 있으며 고속인 무선 연결을 제공하기 위해 IEEE 802.11(a, b, g, 기타)이라고 하는 무선 기술을 사용한다. 컴퓨터를 서로에, 인터넷에 및 유선 네트워크(IEEE 802.3 또는 이더넷을 사용함)에 연결시키기 위해 Wi-Fi가 사용될 수 있다. Wi-Fi 네트워크는 비인가 2.4 및 5GHz 무선 대역에서, 예를 들어, 11Mbps(802.11a) 또는 54 Mbps(802.11b) 데이터 레이트로 동작하거나, 양 대역(듀얼 대역)을 포함하는 제품에서 동작할 수 있다.
본 개시의 기술 분야에서 통상의 지식을 가진 자는 정보 및 신호들이 임의의 다양한 상이한 기술들 및 기법들을 이용하여 표현될 수 있다는 것을 이해할 것이다. 예를 들어, 위의 설명에서 참조될 수 있는 데이터, 지시들, 명령들, 정보, 신호들, 비트들, 심볼들 및 칩들은 전압들, 전류들, 전자기파들, 자기장들 또는 입자들, 광학장들 또는 입자들, 또는 이들의 임의의 결합에 의해 표현될 수 있다.
본 개시의 기술 분야에서 통상의 지식을 가진 자는 여기에 개시된 실시예들과 관련하여 설명된 다양한 예시적인 논리 블록들, 모듈들, 프로세서들, 수단들, 회로들 및 알고리즘 단계들이 전자 하드웨어, (편의를 위해, 여기에서 소프트웨어로 지칭되는) 다양한 형태들의 프로그램 또는 설계 코드 또는 이들 모두의 결합에 의해 구현될 수 있다는 것을 이해할 것이다. 하드웨어 및 소프트웨어의 이러한 상호 호환성을 명확하게 설명하기 위해, 다양한 예시적인 컴포넌트들, 블록들, 모듈들, 회로들 및 단계들이 이들의 기능과 관련하여 위에서 일반적으로 설명되었다. 이러한 기능이 하드웨어 또는 소프트웨어로서 구현되는지 여부는 특정한 애플리케이션 및 전체 시스템에 대하여 부과되는 설계 제약들에 따라 좌우된다. 본 개시의 기술 분야에서 통상의 지식을 가진 자는 각각의 특정한 애플리케이션에 대하여 다양한 방식들로 설명된 기능을 구현할 수 있으나, 이러한 구현 결정들은 본 개시의 범위를 벗어나는 것으로 해석되어서는 안 될 것이다.
여기서 제시된 다양한 실시예들은 방법, 장치, 또는 표준 프로그래밍 및/또는 엔지니어링 기술을 사용한 제조 물품(article)으로 구현될 수 있다. 용어 제조 물품은 임의의 컴퓨터-판독가능 저장장치로부터 액세스 가능한 컴퓨터 프로그램, 캐리어, 또는 매체(media)를 포함한다. 예를 들어, 컴퓨터-판독가능 저장매체는 자기 저장 장치(예를 들면, 하드 디스크, 플로피 디스크, 자기 스트립, 등), 광학 디스크(예를 들면, CD, DVD, 등), 스마트 카드, 및 플래쉬 메모리 장치(예를 들면, EEPROM, 카드, 스틱, 키 드라이브, 등)를 포함하지만, 이들로 제한되는 것은 아니다. 또한, 여기서 제시되는 다양한 저장 매체는 정보를 저장하기 위한 하나 이상의 장치 및/또는 다른 기계-판독가능한 매체를 포함한다.
제시된 프로세스들에 있는 단계들의 특정한 순서 또는 계층 구조는 예시적인 접근들의 일례임을 이해하도록 한다. 설계 우선순위들에 기반하여, 본 개시의 범위 내에서 프로세스들에 있는 단계들의 특정한 순서 또는 계층 구조가 재배열될 수 있다는 것을 이해하도록 한다. 첨부된 방법 청구항들은 샘플 순서로 다양한 단계들의 엘리먼트들을 제공하지만 제시된 특정한 순서 또는 계층 구조에 한정되는 것을 의미하지는 않는다.
제시된 실시예들에 대한 설명은 임의의 본 개시의 기술 분야에서 통상의 지식을 가진 자가 본 개시를 이용하거나 또는 실시할 수 있도록 제공된다. 이러한 실시예들에 대한 다양한 변형들은 본 개시의 기술 분야에서 통상의 지식을 가진 자에게 명백할 것이며, 여기에 정의된 일반적인 원리들은 본 개시의 범위를 벗어남이 없이 다른 실시예들에 적용될 수 있다. 그리하여, 본 개시는 여기에 제시된 실시예들로 한정되는 것이 아니라, 여기에 제시된 원리들 및 신규한 특징들과 일관되는 최광의의 범위에서 해석되어야 할 것이다.
Claims (15)
- 적어도 하나의 프로세서를 포함하는 컴퓨팅 장치에 의해 수행되는, 환자의 상태 변화를 예측하는 방법으로서,
입원 초기 환자의 의료 데이터에 대한 유사 데이터를 탐색하는 단계;
사전 학습된 제 1 모델을 이용하여, 상기 탐색된 유사 데이터를 기초로 문맥 정보를 추출하는 단계; 및
사전 학습된 제 2 모델을 이용하여, 상기 입원 초기 환자의 의료 데이터 및 상기 문맥 정보를 기초로, 상기 입원 초기 환자의 상태 변화를 예측하는 단계;
를 포함하는,
방법.
- 제 1 항에 있어서,
수신된 의료 데이터가 상기 입원 초기 환자의 의료 데이터인지 여부를 판단하는 단계;
를 더 포함하는,
방법.
- 제 2 항에 있어서,
상기 수신된 의료 데이터가 상기 입원 초기 환자의 의료 데이터인지 여부를 판단하는 단계는,
상기 수신된 의료 데이터에 포함된 기록 정보가 소정의 조건을 만족하는지 여부를 판단하여, 상기 수신된 의료 데이터를 상기 입원 초기 환자의 의료 데이터로 결정하는 단계;
를 포함하는,
방법.
- 제 3 항에 있어서,
상기 기록 정보는,
입원 기간, 또는 활력 징후의 측정 횟수 중 적어도 하나를 포함하고,
상기 소정의 조건은,
상기 입원 기간이 24시간 이내인지 여부를 판단하기 위한 제 1 조건, 또는 상기 활력 징후의 측정 횟수가 임계값 이하인지 여부를 판단하기 위한 제 2 조건 중 적어도 하나를 포함하는,
방법.
- 제 2 항에 있어서,
상기 수신된 의료 데이터가 상기 입원 초기 환자의 의료 데이터가 아닌 경우,
상기 제 2 모델을 이용하여, 상기 수신된 의료 데이터를 기초로 문맥 정보를 추출하는 단계; 및
상기 제 2 모델을 이용하여, 상기 수신된 의료 데이터 및 상기 수신된 의료 데이터를 기초로 추출된 문맥 정보를 기초로, 상기 수신된 의료 데이터에 대응되는 입원 환자의 상태 변화를 예측하는 단계;
를 더 포함하는,
방법.
- 제 1 항에 있어서,
상기 입원 초기 환자의 의료 데이터와 유사 데이터를 탐색하는 단계는,
상기 입원 초기 환자의 의료 데이터를 벡터화 하는 단계;
기 생성된 벡터 공간에 존재하는 입원 환자들의 의료 데이터에 대한 벡터들과 상기 입원 초기 환자의 의료 데이터에 대한 벡터 간의 유사도를 연산하는 단계; 및
상기 연산된 유사도를 기초로 상기 입원 환자들의 의료 데이터에 대한 벡터들을 선별하여, 상기 입원 초기 환자의 의료 데이터에 대한 유사 데이터를 결정하는 단계;
를 포함하는,
방법.
- 제 1 항에 있어서,
상기 문맥 정보를 추출하는 단계는,
상기 제 1 모델을 이용하여, 상기 탐색된 유사 데이터에 대한 벡터들을 인코딩 하는 단계; 및
상기 인코딩된 벡터들을 조합하여 상기 문맥 정보를 산출하는 단계;
를 포함하고,
상기 탐색된 유사 데이터에 대한 벡터들은,
기 생성된 벡터 공간에 존재하는 입원 환자들의 의료 데이터에 대한 벡터들과 상기 입원 초기 환자의 의료 데이터에 대한 벡터 간의 유사도를 연산한 결과를 기초로 결정되는,
방법.
- 제 7 항에 있어서,
상기 인코딩된 벡터들을 조합하여 상기 문맥 정보를 산출하는 단계는,
상기 인코딩된 벡터들의 평균을 연산한 결과를 상기 문맥정보로 산출하는 단계;
를 포함하는,
방법.
- 제 1 항에 있어서,
상기 문맥 정보를 추출하는 단계는,
자기 주도 학습(self-supervised learning) 기반의 상기 제 1 모델을 통해 상기 탐색된 유사 데이터를 인코딩하여, 상기 문맥 정보를 산출하는 단계;
를 포함하는,
방법.
- 제 9 항에 있어서,
상기 자기 주도 학습은,
학습 데이터와 상기 학습 데이터에 대한 증강(augmentation)을 통해 생성된 전처리 데이터가 동일한 데이터인지를 상기 제 1 모델이 분류하도록 하는 대조 학습(contrastive learning)을 포함하는,
방법.
- 제 1 항에 있어서,
상기 제 2 모델은,
순환 신경망(recurrent neural network) 기반의 딥러닝 모델을 포함하는,
방법.
- 제 1 항에 있어서,
상기 입원 초기 환자의 상태 변화를 예측하는 단계는,
상기 문맥 정보를 상기 제 2 모델의 은닉 상태(hidden state)로 입력하여, 상기 입원 초기 환자의 상태 변화를 예측하는 단계;
를 포함하는,
방법.
- 제 1 항에 있어서,
상기 입원 초기 환자의 의료 데이터의 생성 시점이 둘 이상인 경우,
상기 문맥 정보를 추출하는 단계는,
상기 제 1 모델을 이용하여, 상기 입원 초기 환자의 의료 데이터의 복수의 생성 시점들 중 최후 생성 시점 이전의 의료 데이터에 대한 벡터를 인코딩 하는 단계;
상기 제 1 모델을 이용하여, 상기 탐색된 유사 데이터에 대한 벡터들을 인코딩 하는 단계; 및
상기 인코딩된 벡터들을 조합하여 상기 문맥 정보를 산출하는 단계;
를 포함하고,
상기 탐색된 유사 데이터에 대한 벡터들은,
기 생성된 벡터 공간에 존재하는 입원 환자들의 의료 데이터에 대한 벡터들과 상기 입원 초기 환자의 의료 데이터에 대한 벡터 간의 유사도를 연산한 결과를 기초로 결정되는,
방법.
- 컴퓨터 판독가능 저장 매체 저장된 컴퓨터 프로그램으로서, 상기 컴퓨터 프로그램은 하나 이상의 프로세서에서 실행되는 경우, 환자의 상태 변화를 예측하기 위한 이하의 동작들을 수행하도록 하며, 상기 동작들은:
입원 초기 환자의 의료 데이터에 대한 유사 데이터를 탐색하는 동작;
사전 학습된 제 1 모델을 이용하여, 상기 탐색된 유사 데이터를 기초로 문맥 정보를 추출하는 동작; 및
사전 학습된 제 2 모델을 이용하여, 상기 입원 초기 환자의 의료 데이터 및 상기 문맥 정보를 기초로, 상기 입원 초기 환자의 상태 변화를 예측하는 동작;
을 포함하는,
컴퓨터 판독가능 저장매체에 저장된 컴퓨터 프로그램.
- 환자의 상태 변화를 예측하는 컴퓨팅 장치로서,
적어도 하나의 코어를 포함하는 프로세서;
상기 프로세서에서 실행 가능한 프로그램 코드들을 포함하는 메모리; 및
의료 데이터를 수신하는 네트워크부;
를 포함하고,
상기 프로세서는,
입원 초기 환자의 의료 데이터에 대한 유사 데이터를 탐색하고,
사전 학습된 제 1 모델을 이용하여, 상기 탐색된 유사 데이터를 기초로 문맥 정보를 추출하며,
사전 학습된 제 2 모델을 이용하여, 상기 입원 초기 환자의 의료 데이터 및 상기 문맥 정보를 기초로, 상기 입원 초기 환자의 상태 변화를 예측하는,
장치.
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020210161998A KR20230075626A (ko) | 2021-11-23 | 2021-11-23 | 환자의 상태 변화를 예측하는 방법 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020210161998A KR20230075626A (ko) | 2021-11-23 | 2021-11-23 | 환자의 상태 변화를 예측하는 방법 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| KR20230075626A true KR20230075626A (ko) | 2023-05-31 |
Family
ID=86543932
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020210161998A KR20230075626A (ko) | 2021-11-23 | 2021-11-23 | 환자의 상태 변화를 예측하는 방법 |
Country Status (1)
| Country | Link |
|---|---|
| KR (1) | KR20230075626A (ko) |
-
2021
- 2021-11-23 KR KR1020210161998A patent/KR20230075626A/ko unknown
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| KR102264498B1 (ko) | 유병 확률 예측을 위한 컴퓨터 프로그램 | |
| KR102362679B1 (ko) | 심전도 신호 기반의 만성질환 예측 방법 | |
| KR102583582B1 (ko) | 어노말리 데이터 생성 방법 | |
| KR102362678B1 (ko) | 생체신호 분석 방법 | |
| US20240062515A1 (en) | Method for classification using deep learning model | |
| KR102517968B1 (ko) | 신경망 모델을 이용한 이미지 특징 추출 방법 | |
| US20230152777A1 (en) | Method for detecting abnormality | |
| JP2019145057A (ja) | 健康年齢の予測方法 | |
| KR20230053846A (ko) | 쓰레기를 수거하기 위한 방법 | |
| KR102534453B1 (ko) | 의료 영상 기반의 질환 예측 방법 | |
| Christal et al. | Heart diseases diagnosis using chaotic Harris Hawk optimization with E-CNN for IoMT framework | |
| KR20230075626A (ko) | 환자의 상태 변화를 예측하는 방법 | |
| KR20230043320A (ko) | 심박변이도 특징 값을 추출하기 위한 방법 | |
| KR20230031420A (ko) | 커리큘럼 기반의 능동적 학습 방법 | |
| KR102717252B1 (ko) | 치료 장소 입실 가능성 예측 방법 | |
| KR102653257B1 (ko) | 의료 영상을 기반으로 하는 관심 대상의 상태 판독 방법 | |
| KR102430779B1 (ko) | 질환 판단 방법 | |
| KR102606619B1 (ko) | 피드백 정보를 이용한 수술 후 외상 회복률 예측 방법 | |
| KR102689466B1 (ko) | 패혈증을 진단하기 위한 중증도 예측 방법 | |
| KR102687022B1 (ko) | 입력 변수가 제한된 환경에서 인공 신경망을 활용한 예측 방법 | |
| KR102669806B1 (ko) | 수학 문제의 풀이를 보조하기 위한 방법 및 장치 | |
| KR102545641B1 (ko) | 프라이버시를 보호하는 심전도 기반의 개인 인증 기법 | |
| KR102647018B1 (ko) | 데이터 세트 생성 방법 | |
| KR102494966B1 (ko) | 바이러스의 숙주 진입을 제어하기 위한 약물의 예측 방법 | |
| US20240145028A1 (en) | Method For Data Augmentation Related To Target Protein |