KR20230086858A - 응급상황 신속한 중증도 분류 장치 및 방법 - Google Patents
응급상황 신속한 중증도 분류 장치 및 방법 Download PDFInfo
- Publication number
- KR20230086858A KR20230086858A KR1020210174949A KR20210174949A KR20230086858A KR 20230086858 A KR20230086858 A KR 20230086858A KR 1020210174949 A KR1020210174949 A KR 1020210174949A KR 20210174949 A KR20210174949 A KR 20210174949A KR 20230086858 A KR20230086858 A KR 20230086858A
- Authority
- KR
- South Korea
- Prior art keywords
- emergency
- patient
- level
- severity
- information
- Prior art date
Links
- 238000013135 deep learning Methods 0.000 claims abstract description 39
- 238000004458 analytical method Methods 0.000 claims abstract description 36
- 238000000034 method Methods 0.000 claims abstract description 18
- 238000004891 communication Methods 0.000 claims abstract description 11
- 230000036772 blood pressure Effects 0.000 claims description 22
- 230000036760 body temperature Effects 0.000 claims description 22
- 238000012545 processing Methods 0.000 claims description 22
- 230000036387 respiratory rate Effects 0.000 claims description 21
- 208000024891 symptom Diseases 0.000 claims description 19
- 238000005259 measurement Methods 0.000 claims description 14
- 210000001508 eye Anatomy 0.000 claims description 12
- 230000007613 environmental effect Effects 0.000 claims description 6
- 230000006870 function Effects 0.000 claims description 6
- 238000010586 diagram Methods 0.000 description 12
- 238000012544 monitoring process Methods 0.000 description 6
- 230000005540 biological transmission Effects 0.000 description 5
- 238000012549 training Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- 230000001186 cumulative effect Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000004083 survival effect Effects 0.000 description 2
- 238000009534 blood test Methods 0.000 description 1
- 210000005252 bulbus oculi Anatomy 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 229940124645 emergency medicine Drugs 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000002618 extracorporeal membrane oxygenation Methods 0.000 description 1
- 238000005399 mechanical ventilation Methods 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 230000029058 respiratory gaseous exchange 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
- G16H50/20—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
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/02—Detecting, measuring or recording pulse, heart rate, blood pressure or blood flow; Combined pulse/heart-rate/blood pressure determination; Evaluating a cardiovascular condition not otherwise provided for, e.g. using combinations of techniques provided for in this group with electrocardiography or electroauscultation; Heart catheters for measuring blood pressure
- A61B5/0205—Simultaneously evaluating both cardiovascular conditions and different types of body conditions, e.g. heart and respiratory condition
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/16—Devices for psychotechnics; Testing reaction times ; Devices for evaluating the psychological state
- A61B5/163—Devices for psychotechnics; Testing reaction times ; Devices for evaluating the psychological state by tracking eye movement, gaze, or pupil change
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/48—Other medical applications
- A61B5/4803—Speech analysis specially adapted for diagnostic purposes
-
- 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
- A61B5/7235—Details of waveform analysis
- A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S19/00—Satellite radio beacon positioning systems; Determining position, velocity or attitude using signals transmitted by such systems
- G01S19/01—Satellite radio beacon positioning systems transmitting time-stamped messages, e.g. GPS [Global Positioning System], GLONASS [Global Orbiting Navigation Satellite System] or GALILEO
- G01S19/13—Receivers
- G01S19/14—Receivers specially adapted for specific applications
- G01S19/17—Emergency applications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- 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
- G16H40/00—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices
- G16H40/20—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices for the management or administration of healthcare resources or facilities, e.g. managing hospital staff or surgery rooms
-
- 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
- G16H50/30—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for calculating health indices; for individual health risk assessment
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B2505/00—Evaluating, monitoring or diagnosing in the context of a particular type of medical care
- A61B2505/01—Emergency care
Landscapes
- Health & Medical Sciences (AREA)
- Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Public Health (AREA)
- Medical Informatics (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Physics & Mathematics (AREA)
- Pathology (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- Heart & Thoracic Surgery (AREA)
- Veterinary Medicine (AREA)
- Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- Epidemiology (AREA)
- Primary Health Care (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Physiology (AREA)
- Evolutionary Computation (AREA)
- Remote Sensing (AREA)
- Business, Economics & Management (AREA)
- Psychiatry (AREA)
- General Business, Economics & Management (AREA)
- Radar, Positioning & Navigation (AREA)
- Databases & Information Systems (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Cardiology (AREA)
- Theoretical Computer Science (AREA)
- Pulmonology (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Computer Networks & Wireless Communication (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Developmental Disabilities (AREA)
- Educational Technology (AREA)
- Hospice & Palliative Care (AREA)
Abstract
본 발명은 응급상황 신속한 중증도 분류 장치 및 방법에 관한 것으로, 보다 상세하게는 RTM(Rapid Triage Machine)기기를 통해 다수 사상자 발생시에 환자의 의식상태와 기도상태 등을 확인하여 신속하게 중증도 분류를 할 수 있는 응급상황 신속한 중증도 분류 장치 및 방법에 관한 것으로, RTM(Rapid Triage Machine) 장치에 있어서, 응급사건이 발생한 환경에서의 응급상황정보를 수집하는 응급정보수집모듈; 딥러닝 기반의 상기 응급상황정보를 기반으로 응급 환자의 중증도 단계를 분류하는 응급상태분석모듈; 응급병원서버와 연결되어 응급 환자상태 관련 정보데이터를 송수신하는 통신모듈;를 포함한다.
Description
본 발명은 응급상황 신속한 중증도 분류 장치 및 방법에 관한 것으로, 보다 상세하게는 RTM(Rapid Triage Machine)기기를 통해 다수 사상자 발생시에 환자의 의식상태와 기도상태 등을 확인하여 신속하게 중증도 분류를 할 수 있는 응급상황 신속한 중증도 분류 장치 및 방법에 관한 것이다.
한국형 중증도 분류 도구(Korean Triage andAcuity Scale, KTAS)는 캐나다 응급환자 분류 도구(Canadian Triage and Acuity Scale, CTAS)를 한국의 실정에 맞게 변형한 것으로 2012년에 개발되었으며, 2016년부터 전국의 지역응급의료센터급 이상의 응급의료기관에서 중증도 분류를 시행 후 그 결과를 국가응급진료정보망(National Emergency Department Information System, NEDIS)으로 전송하도록 하였다. 또한, 2018년 12월부터는 전국의 모든 응급의료기관에서 중증도 분류를 시행하도록 하는 법률이 개정되어 현재 시행 중에 있으며, 이는 「응급의료에 관한 법률」 시행규칙 제18조의3에 따라 응급실 전담 의사, 간호사, 1급 응급구조사가 시행할 수 있다. 또한 중증도 분류를 시행하는 자들은 대한응급의학회에서 주관하는 중증도 분류관련 교육을 이수하여야 한다. 응급환자의 중증도 분류는 의료자원의 적절한 분배를 위한 노력의 일환이며, 이를 위해 응급환자 도착과 동시에 빠른 시간 안에 환자의 상태를 파악할 수 있어야 한다.
따라서 중증도 분류 시행주체는 다양한 지식과 경험이 필요하며, 환자의 중증도 분류 결과에 따라 사망에 이를 수 있으므로 전문 교육을 받은 의료인에 의해 실시되는 것이 필요하다. 해당 교육을 제대로 이수하지 않은 의료계 전문가로 부의 혹은, 이수하였더라고 하더라도 응급한 상황에서 파견된 응급구조사로부터의 중증도 분류의 오류는 환자의 사망률을 증가시킬 수도 있다. 그러므로 환자의 최초 상태에 따라 중증도를 정확하게 분류하는 것은 매우 중요하며, 분류의 정확도는 분류자의 역량에 따라 달라질 수도 있다. 이런 면에 있어서, 병원 전 발생하는 응급상황에서 환자에게 얻을 수 있는 정보들의 내용에 따라 중증도 분류 체계를 위한 적절한 구급활동일지의 형식을 설정하는 것이 필요하다.
그러나, 구급활동일지의 형식을 설정에 있어서, 구급차로 의료기관의 이송 시, 혈액검사나 방사선 기기 등, 각종 진단기기를 이용하기가 어렵고, 응급구조사의 의료지식의 제한점 등의 문제점이 있으며, 무엇보다 병원 전 상황에서는 환자의 상태에 대한 진단명을 기대할 수 없다는 문제점이 있다.
본 발명은 이와 같은 문제점을 감안한 것으로서, 본 발명은 누적된 응급환자 누적 입력데이터의 따른 딥러닝 분석결과에 따라 다수사상자가 발생한 경우에 환자의 중증도 파악 및 정확한 분류를 신속하게 진행할 수 있는 응급상황 신속한 중증도 분류 장치 및 방법을 제공하는 것이다.
본 발명의 실시 예들에 따른, 딥러닝 기반의 응급상황 신속한 중증도 분류 장치는 RTM(Rapid Triage Machine) 장치에 있어서, 응급사건이 발생한 환경에서의 응급상황정보를 수집하는 응급정보수집모듈; 딥러닝 기반의 상기 응급상황정보를 기반으로 응급 환자의 중증도 단계를 분류하는 응급상태분석모듈; 응급병원서버와 연결되어 응급 환자상태 관련 정보데이터를 송수신하는 통신모듈부;를 포함한다.
본 발명의 실시 예들에 있어서, 상기 응급정보수집모듈은, 상기 RTM(Rapid Triage Machine)의 카메라를 통해서, 상기 응급사건이 발생한 지점의 주변 환경, 응급환자 및 응급환자의 안구를 촬영하는 응급촬영부; 상기 응급사건이 발생한 지점의 주변 환경소음 및 응급환자의 음성을 측정하는 응급소음측정부; 상기 응급환자의 생태정보를 측정하는 응급생태정보측정부;를 포함한다.
본 발명의 실시 예들에 있어서, 상기 응급상황정보는, 상기 응급촬영부으로부터 촬영된 응급환자 및 응급환자의 안구 이미지데이터;와 상기 응급소음측정부로부터 측정된 응급환자의 음성데이터; 및 상기 응급생태정보측정부로부터 측정된 응급환자의 생태정보데이터;를 포함한다.
본 발명의 실시 예들에 있어서, 상기 응급상태분석모듈은, 다수사상자의 응급 환자 상태 빅데이터 및 상기 응급상황정보를 입력으로 한 응급 환자상태 분석 딥러닝 알고리즘을 통해, 응급 환자상태의 음성, 시선처리, 맥박, 혈압, 호흡수, 체온 및 의식수준에 따른 증상을 분석하는 응급환자상태분석부;와 상기 응급 환자상태의 증상 점수에 따른 중증도를 단계별 분류하는 중증도분류부;를 포함한다.
본 발명의 실시 예들에 있어서, 상기 응급환자상태분석부는, 상기 응급상황정보의 이미지데이터 및 소음데이터 생태정보데이터를 입력으로 하는 응급 환자상태 분석 딥러닝 알고리즘 함수를 통해, 실시간 상기 응급 환자상태의 음성, 시선처리, 맥박, 혈압, 호흡수, 체온 및 의식수준의 각 항목당 0점에서 7점 사이의 수로 연산하여 수치화한다.
본 발명의 실시 예들에 있어서, 상기 중증도분류부는, 응급 환자당 상기 응급 환자상태의 음성, 시선처리, 맥박, 혈압, 호흡수, 체온 및 의식수준의 각 항목당 수치화된 점수의 총합이, 0점 ~ 14점 사이의 점수인 경우, 위험정도를 저위험군 단계(Level); 15점 ~ 28점 사이의 점수인 경우, 위험정도를 중등도위험군 단계(Level); 29점 ~ 42점 사이의 점수인 경우, 위험정도를 고위험군 단계(Level); 42점 이상의 점수인 경우, 위험정도를 최고위험군단계(Level);로 응급환자의 중증도를 단계별 분류한다.
본 발명의 실시 예들에 있어서, 상기 통신모듈부는, GPS위치 탐색 기반의 응급사건이 발생한 지역의 2km 이내의 위치한 지역응급의료센터 서버를 수색하는 GPS모듈부; 상기 GPS모듈로부터 도출된 상기 지역응급의료센터 서버와 연결하는 서버연결부; 응급 처치를 위해 상기 지역응급의료센터와 상기 응급 환자상태 관련 정보데이터를 송수신하는 처지정보송수신부;를 포함한다.
본 발명의 실시 예들에 있어서, 상기 응급 환자상태 관련 정보데이터는, 상기 응급상태분석모듈로부터 도출된 상기 응급 환자의 중증도 단계별 정보데이터; 상기 지역응급의료센터로 서버로부터 수신된 상기 응급 환자의 중증도 단계별 응급처지 정보;를 포함한다.
본 발명의 또 다른 실시 예들에 따른, RTM(Rapid Triage Machine) 장치의 중증도 분류하는 방법에 있어서, 응급사건이 발생한 환경에서의 응급상황정보를 수집하는 단계; 딥러닝 기반의 상기 응급상황정보를 기반으로 응급 환자의 중증도 단계를 분류하는 단계; 응급병원서버와 연결되어 응급 환자상태 관련 정보데이터를 송수신하는 단계;를 포함한다.
본 발명의 실시 예들에 따른, 상기 응급사건이 발생한 환경에서의 응급상황정보를 수집하는 단계는, 상기 RTM(Rapid Triage Machine)의 카메라를 통해서, 상기 응급사건이 발생한 지점의 주변 환경, 응급환자 및 응급환자의 안구를 촬영하는 단계; 상기 응급사건이 발생한 지점의 주변 환경소음 및 응급환자의 음성을 측정하는 단계; 상기 응급환자의 생태정보를 측정하는 단계;를 포함한다.
본 발명의 실시 예들에 따른, 상기 응급상황정보는, 상기 RTM(Rapid Triage Machine)의 카메라를 통해서 촬영된 응급환자 및 응급환자의 안구 이미지데이터;와 상기 RTM(Rapid Triage Machine)의 응급소음측정부로부터 측정된 응급환자의 음성데이터; 및 상기 RTM(Rapid Triage Machine)의 응급생태정보측정부로부터 측정된 응급환자의 생태정보데이터;를 포함한다.
본 발명의 실시 예들에 따른, 상기 딥러닝 기반의 상기 응급상황정보를 기반으로 응급 환자의 중증도 단계를 분류하는 단계는, 다수사상자의 응급 환자 상태 빅데이터 및 상기 응급상황정보를 입력으로 한 응급 환자상태 분석 딥러닝 알고리즘을 통해, 응급 환자상태의 음성, 시선처리, 맥박, 혈압, 호흡수, 체온 및 의식수준에 따른 증상을 분석하는 단계;와 상기 응급 환자상태의 증상 점수에 따른 중증도를 단계별 분류하는 단계;를 포함한다.
본 발명의 실시 예들에 따른, 상기 응급 환자상태의 음성, 시선처리, 맥박, 혈압, 호흡수, 체온 및 의식수준에 따른 증상을 분석하는 단계는, 상기 응급상황정보의 이미지데이터 및 소음데이터 생태정보데이터를 입력으로 하는 응급 환자상태 분석 딥러닝 알고리즘 함수를 통해, 실시간 상기 응급 환자상태의 음성, 시선처리, 맥박, 혈압, 호흡수, 체온 및 의식수준의 각 항목당 0점에서 7점 사이의 수로 연산하여 수치화하며, 상기 응급 환자상태의 증상 점수에 따른 중증도를 단계별 분류하는 단계는, 응급 환자당 상기 응급 환자상태의 음성, 시선처리, 맥박, 혈압, 호흡수, 체온 및 의식수준의 각 항목당 수치화된 점수의 총합이, 0점 ~ 14점 사이의 점수인 경우, 위험정도를 저위험군 단계(Level); 15점 ~ 28점 사이의 점수인 경우, 위험정도를 중등도위험군 단계(Level); 29점 ~ 42점 사이의 점수인 경우, 위험정도를 고위험군 단계(Level); 42점 이상의 점수인 경우, 위험정도를 최고위험군단계(Level);로 응급환자의 중증도를 단계별 분류한다.
본 발명의 실시 예들에 따른, 상기 응급병원서버와 연결되어 응급 환자상태 관련 정보데이터를 송수신하는 단계는, GPS위치 탐색 기반의 응급사건이 발생한 지역의 2km 이내의 위치한 지역응급의료센터 서버를 수색하는 단계; 수색된 상기 지역응급의료센터 서버와 연결하는 단계; 응급 처치를 위해 상기 지역응급의료센터와 상기 응급 환자상태 관련 정보데이터를 송수신하는 단계;를 포함하며, 상기 응급 환자상태 관련 정보데이터는, 상기 응급 환자의 중증도 단계별 정보데이터; 상기 지역응급의료센터로 서버로부터 수신된 상기 응급 환자의 중증도 단계별 응급처지 정보;를 포함한다.
이상에서 설명한 바와 같은 응급상황 신속한 중증도 분류 장치 및 방법에 따르면,
첫째, 구조대원 및 구조대원, 환자 등이 쉽게 사용할 수 있어 편리함과 양질의 응급의료 서비스를 제공할 수 있다.
둘째, 본 발명과 연동된 병원서버에 응급환자의 정확한 현상태 정보를 신속하게 송신할 수 있어, 병원에 이송 후 빠른 응급처치 및 치료에 도움을 줄 수 있다.
셋째, 환자의 생존률을 높일 수 있으며, 동시에 응급의료 서비스 질 향상에 큰 기여를 할 수 있다.
도 1과 도 2는 본 발명의 구성도 및 모식도이다.
도 3은 본 발명의 일실시예에 따른 응급정보수집모듈(100)의 구성도이다.
도 4는 본 발명의 일실시예에 따른 응급상태분석모듈(200)의 구성도이다.
도 5는 본 발명의 일실시예에 따른 통신모듈(300)의 구성도이다.
도 6과 도 7은 본 발명의 흐름도 및 본 발명의 실시예 따른 모식도이다.
도 3은 본 발명의 일실시예에 따른 응급정보수집모듈(100)의 구성도이다.
도 4는 본 발명의 일실시예에 따른 응급상태분석모듈(200)의 구성도이다.
도 5는 본 발명의 일실시예에 따른 통신모듈(300)의 구성도이다.
도 6과 도 7은 본 발명의 흐름도 및 본 발명의 실시예 따른 모식도이다.
첨부한 도면을 참조하여 본 발명의 실시 예들에 따른 응급상황 신속한 중증도 분류 장치 및 방법에 대하여 상세히 설명한다. 본 발명은 다양한 변경을 가할 수 있고 여러 가지 형태를 가질 수 있는바, 특정 실시 예들을 도면에 예시하고 본문에 상세하게 설명하고자 한다. 그러나 이는 본 발명을 특정한 개시 형태에 대해 한정하려는 것이 아니며, 본 발명의 사상 및 기술 범위에 포함되는 모든 변경, 균등물 내지 대체물을 포함하는 것으로 이해되어야 한다. 각 도면을 설명하면서 유사한 참조부호를 유사한 구성요소에 대해 사용하였다. 첨부된 도면에 있어서, 구조물들의 치수는 본 발명의 명확성을 기하기 위하여 실제보다 확대하거나, 개략적인 구성을 이해하기 위하여 실제보다 축소하여 도시한 것이다.
또한, 제1 및 제2 등의 용어는 다양한 구성요소들을 설명하는데 사용될 수 있지만, 상기 구성요소들은 상기 용어들에 의해 한정되어서는 안 된다. 상기 용어들은 하나의 구성요소를 다른 구성요소로부터 구별하는 목적으로만 사용된다. 예를 들어, 본 발명의 권리 범위를 벗어나지 않으면서 제1 구성요소는 제2 구성요소로 명명될 수 있고, 유사하게 제2 구성요소도 제1 구성요소로 명명될 수 있다. 한편, 다르게 정의되지 않는 한, 기술적이거나 과학적인 용어를 포함해서 여기서 사용되는 모든 용어들은 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자에 의해 일반적으로 이해되는 것과 동일한 의미를 가지고 있다. 일반적으로 사용되는 사전에 정의되어 있는 것과 같은 용어들은 관련 기술의 문맥 상 가지는 의미와 일치하는 의미를 가지는 것으로 해석되어야 하며, 본 출원에서 명백하게 정의하지 않는 한, 이상적이거나 과도하게 형식적인 의미로 해석되지 않는다.
도 1과 도 2는 본 발명의 구성도 및 모식도이다.
도 1과 도 2를 참고하면, 딥러닝 기반의 응급상황 신속한 중증도 분류 장치는 응급정보수집모듈(100), 응급상태분석모듈(200) 및 통신모듈(300)로 구성된다.
RTM(Rapid Triage Machine) 장치에 있어서, 응급정보수집모듈(100)은 응급사건이 발생한 환경에서의 응급상황정보를 수집하며, 응급상태분석모듈(200)은 딥러닝 기반의 상기 응급상황정보를 기반으로 응급 환자의 중증도 단계를 분류하며, 통신모듈(300)은 응급병원서버와 연결되어 응급 환자상태 관련 정보데이터를 송수신한다.
도 3은 본 발명의 일실시예에 따른 응급정보수집모듈(100)의 구성도이다.
도 3을 참고하면, 응급정보수집모듈(100)은 응급촬영부(100a)와 응급소음측정부(100b) 및 응급생태정보측정부(100c)로 구성된다.
응급촬영부(100a)는 상기 RTM(Rapid Triage Machine)의 카메라를 통해서, 상기 응급사건이 발생한 지점의 주변 환경, 응급환자 및 응급환자의 안구를 촬영하며, 응급소음측정부(100b)는 상기 응급사건이 발생한 지점의 주변 환경소음 및 응급환자의 음성을 측정하며, 응급생태정보측정부(100c)는 상기 응급환자의 생태정보를 측정한다. 여기서, 상기 응급상황정보는, 응급촬영부(100a)으로부터 촬영된 응급환자 및 응급환자의 안구 이미지데이터;와 응급소음측정부(100b)로부터 측정된 응급환자의 음성데이터; 및 응급생태정보측정부(100c)로부터 측정된 응급환자의 생태정보데이터;를 포함한다.
도 4는 본 발명의 일실시예에 따른 응급상태분석모듈(200)의 구성도이다.
도 4를 참고하면, 응급상태분석모듈(200)은 응급환자상태분석부(200a) 및 증도분류부(200b)로 구성된다. 응급환자상태분석부(200a)는 다수사상자의 응급 환자 상태 빅데이터 및 상기 응급상황정보를 입력으로 한 응급 환자상태 분석 딥러닝 알고리즘을 통해, 응급 환자상태의 음성, 시선처리, 맥박, 혈압, 호흡수, 체온 및 의식수준에 따른 증상을 분석하며, 중증도분류부(200b)는 상기 응급 환자상태의 증상 점수에 따른 중증도를 단계별 분류한다. 좀 더 상세하게 설명하자면, 응급환자상태분석부(200a)는 상기 응급상황정보의 이미지데이터 및 소음데이터 생태정보데이터를 입력으로 하는 응급 환자상태 분석 딥러닝 알고리즘 함수를 통해, 실시간 상기 응급 환자상태의 음성, 시선처리, 맥박, 혈압, 호흡수, 체온 및 의식수준의 각 항목당 0점에서 7점 사이의 수로 연산하여 수치화한다. 또한, 중증도분류부(200b)는, 응급 환자당 상기 응급 환자상태의 음성, 시선처리, 맥박, 혈압, 호흡수, 체온 및 의식수준의 각 항목당 수치화된 점수의 총합이, 0점 ~ 14점 사이의 점수인 경우, 위험정도를 저위험군 단계(Level);와 15점 ~ 28점 사이의 점수인 경우, 위험정도를 중등도위험군 단계(Level);와 29점 ~ 42점 사이의 점수인 경우, 위험정도를 고위험군 단계(Level); 및 42점 이상의 점수인 경우, 위험정도를 최고위험군단계(Level);로 응급환자의 중증도를 단계별 분류한다.
도 5는 본 발명의 일실시예에 따른 통신모듈(300)의 구성도이다.
도 5를 참고하면, 통신모듈(300)은 GPS모듈부(300a), 서버연결부(300b) 및 처지정보송수신부(300c)로 구성된다.
GPS모듈부(300a)는 GPS위치 탐색 기반의 응급사건이 발생한 지역의 2km 이내의 위치한 지역응급의료센터 서버를 수색하며, 서버연결부(300b)는 상기 GPS모듈로부터 도출된 상기 지역응급의료센터 서버와 연결하며, 처지정보송수신부(300c)는 응급 처치를 위해 상기 지역응급의료센터와 상기 응급 환자상태 관련 정보데이터를 송수신한다. 여기서, 상기 응급 환자상태 관련 정보데이터는, 상기 응급상태분석모듈로부터 도출된 상기 응급 환자의 중증도 단계별 정보데이터;와 상기 지역응급의료센터로 서버로부터 수신된 상기 응급 환자의 중증도 단계별 응급처지 정보;를 포함한다. 즉, 좀 더 상세하게 설명하자면, 처지정보송수신부(300c)는 상기 응급상태분석모듈로부터 도출된 상기 응급 환자의 중증도 단계별 정보데이터인, 즉, 응급 환자당 상기 응급 환자상태의 음성, 시선처리, 맥박, 혈압, 호흡수, 체온 및 의식수준의 각 항목당 수치화된 점수의 총합이, 0점 ~ 14점 사이의 점수인 경우, 위험정도를 저위험군 단계(Level);와 15점 ~ 28점 사이의 점수인 경우, 위험정도를 중등도위험군 단계(Level);와 29점 ~ 42점 사이의 점수인 경우, 위험정도를 고위험군 단계(Level); 및 42점 이상의 점수인 경우, 위험정도를 최고위험군단계(Level);로 응급환자의 중증도를 단계별 데이터를 상기 지역응급의료센터로 수신한다.
이 후, 상기 지역응급의료센터로 서버에서는 처지정보송수신부(300c)로 상기 응급 환자의 중증도 단계별 응급처지 정보를 송신한다. 즉, 위험정도를 저위험군 단계(Level)의 경우, 모니터링의 빈도를 6시간 내지 12시간으로 하며, 대중치료 및 증상 경과를 모니터링하는 정보데이터와, 중등도위험군 단계(Level)의 경우, 모니터링의 빈도를 1시간 및 2시간으로 하며, 대중치료 및 증상 경과를 모니터링하는 정보데이터와, 위험정도를 고위험군 단계(Level)의 경우, 모니터링의 빈도를 24시간 내내, 기계호흡기 필요의 조치 정보데이터와, 위험정도를 최고위험군단계(Level)의 경우, 모니터링의 빈도를 24시간 내내, CRRT, ECMO 필요의 조치 정보데이터를 처지정보송수신부(300c)에서는 수신받는다.
도 6과 도 7은 본 발명의 흐름도 및 본 발명의 실시예 따른 모식도이다.
도 6 및 도 7을 참고하면, 딥러닝 기반의 응급상황 신속한 중증도 분류 방법은 RTM(Rapid Triage Machine) 장치의 중증도 분류하는 방법에 있어서, 응급사건이 발생한 환경에서의 응급상황정보를 수집하는 단계(S601); 딥러닝 기반의 상기 응급상황정보를 기반으로 응급 환자의 중증도 단계를 분류하는 단계(S602); 응급병원서버와 연결되어 응급 환자상태 관련 정보데이터를 송수신하는 단계(S603);를 포함한다.
좀 더 상세하게 설명하자면, 상기 응급사건이 발생한 환경에서의 응급상황정보를 수집하는 단계(S601)는, 상기 RTM(Rapid Triage Machine)의 카메라를 통해서, 상기 응급사건이 발생한 지점의 주변 환경, 응급환자 및 응급환자의 안구를 촬영하는 단계; 상기 응급사건이 발생한 지점의 주변 환경소음 및 응급환자의 음성을 측정하는 단계; 상기 응급환자의 생태정보를 측정하는 단계;를 포함한다. 여기서,상기 응급상황정보는, 상기 RTM(Rapid Triage Machine)의 카메라를 통해서 촬영된 응급환자 및 응급환자의 안구 이미지데이터;와 상기 RTM(Rapid Triage Machine)의 응급소음측정부로부터 측정된 응급환자의 음성데이터; 및 상기 RTM(Rapid Triage Machine)의 응급생태정보측정부로부터 측정된 응급환자의 생태정보데이터;를 포함한다.
좀 더 상세하게 설명하자면, 상기 딥러닝 기반의 상기 응급상황정보를 기반으로 응급 환자의 중증도 단계를 분류하는 단계(S602)는, 다수사상자의 응급 환자 상태 빅데이터 및 상기 응급상황정보를 입력으로 한 응급 환자상태 분석 딥러닝 알고리즘을 통해, 응급 환자상태의 음성, 시선처리, 맥박, 혈압, 호흡수, 체온 및 의식수준에 따른 증상을 분석하는 단계; 및 상기 응급 환자상태의 증상 점수에 따른 중증도를 단계별 분류하는 단계;를 포함한다.
좀 더 상세하게 설명하자면, 상기 응급 환자상태의 음성, 시선처리, 맥박, 혈압, 호흡수, 체온 및 의식수준에 따른 증상을 분석하는 단계(S603)는, 상기 응급상황정보의 이미지데이터 및 소음데이터 생태정보데이터를 입력으로 하는 응급 환자상태 분석 딥러닝 알고리즘 함수를 통해, 실시간 상기 응급 환자상태의 음성, 시선처리, 맥박, 혈압, 호흡수, 체온 및 의식수준의 각 항목당 0점에서 7점 사이의 수로 연산하여 수치화한다. 여기서, 상기 응급 환자상태의 증상 점수에 따른 중증도를 단계별 분류하는 단계는, 응급 환자당 상기 응급 환자상태의 음성, 시선처리, 맥박, 혈압, 호흡수, 체온 및 의식수준의 각 항목당 수치화된 점수의 총합이, 0점 ~ 14점 사이의 점수인 경우, 위험정도를 저위험군 단계(Level); 15점 ~ 28점 사이의 점수인 경우, 위험정도를 중등도위험군 단계(Level); 29점 ~ 42점 사이의 점수인 경우, 위험정도를 고위험군 단계(Level); 42점 이상의 점수인 경우, 위험정도를 최고위험군단계(Level);로 응급환자의 중증도를 단계별 분류한다.
좀 더 상세하게 설명하자면, 상기 응급병원서버와 연결되어 응급 환자상태 관련 정보데이터를 송수신하는 단계(S603)는, GPS위치 탐색 기반의 응급사건이 발생한 지역의 2km 이내의 위치한 지역응급의료센터 서버를 수색하는 단계; 수색된 상기 지역응급의료센터 서버와 연결하는 단계; 응급 처치를 위해 상기 지역응급의료센터와 상기 응급 환자상태 관련 정보데이터를 송수신하는 단계;를 포함한다. 여기서, 상기 응급 환자상태 관련 정보데이터는, 상기 응급 환자의 중증도 단계별 정보데이터; 상기 지역응급의료센터로 서버로부터 수신된 상기 응급 환자의 중증도 단계별 응급처지 정보;를 포함한다.
본 발명은 누적된 응급환자 누적 입력데이터의 따른 딥러닝 분석결과에 따라 다수사상자가 발생한 경우에 환자의 중증도 파악 및 정확한 분류를 신속하게 진행할 수 있는 응급상황 신속한 중증도 분류 장치 및 방법으로, 응급상황 신속한 중증도 분류 장치 및 방법에 따르면, 첫째, 구조대원 및 구조대원, 환자 등이 쉽게 사용할 수 있어 편리함과 양질의 응급의료 서비스를 제공할 수 있다. 둘째, 본 발명과 연동된 병원서버에 응급환자의 정확한 현상태 정보를 신속하게 송신할 수 있어, 병원에 이송 후 빠른 응급처치 및 치료에 도움을 줄 수 있다. 셋째, 환자의 생존률을 높일 수 있으며, 동시에 응급의료 서비스 질 향상에 큰 기여를 할 수 있다.
앞서 설명한 본 발명의 상세한 설명에서는 본 발명의 바람직한 실시 예들을 참조하여 설명하였지만, 해당 기술 분야의 숙련된 당업자 또는 해당 기술 분야에 통상의 지식을 갖는 자라면 후술될 특허 청구범위에 기재된 본 발명의 사상 및 기술 영역으로부터 벗어나지 않는 범위 내에서 본 발명을 다양하게 수정 및 변경시킬 수 있음을 이해할 수 있을 것이다.
100: 응급정보수집모듈 100a: 응급촬영부
100b: 응급소음측정부 100c: 응급생태정보측정부 200: 응급상태분석모듈 200a: 응급환자상태분석부
200b: 중증도분류부 300: 통신모듈
300a: GPS모듈부 300b: 서버연결부
300c: 처치정보송수신부
100b: 응급소음측정부 100c: 응급생태정보측정부 200: 응급상태분석모듈 200a: 응급환자상태분석부
200b: 중증도분류부 300: 통신모듈
300a: GPS모듈부 300b: 서버연결부
300c: 처치정보송수신부
Claims (14)
- RTM(Rapid Triage Machine) 장치에 있어서,
응급사건이 발생한 환경에서의 응급상황정보를 수집하는 응급정보수집모듈;
딥러닝 기반의 상기 응급상황정보를 기반으로 응급 환자의 중증도 단계를 분류하는 응급상태분석모듈;
응급병원서버와 연결되어 응급 환자상태 관련 정보데이터를 송수신하는 통신모듈;를 포함하고 있는 것을 특징으로 딥러닝 기반의 응급상황 신속한 중증도 분류 장치. - 제1항에 있어서,
상기 응급정보수집모듈은,
상기 RTM(Rapid Triage Machine)의 카메라를 통해서,
상기 응급사건이 발생한 지점의 주변 환경, 응급환자 및 응급환자의 안구를 촬영하는 응급촬영부;
상기 응급사건이 발생한 지점의 주변 환경소음 및 응급환자의 음성을 측정하는 응급소음측정부;
상기 응급환자의 생태정보를 측정하는 응급생태정보측정부;를 포함하고 있는 것을 특징으로 하는 딥러닝 기반의 응급상황 신속한 중증도 분류 장치.
- 제2항에 있어서,
상기 응급상황정보는,
상기 응급촬영부으로부터 촬영된 응급환자 및 응급환자의 안구 이미지데이터;와 상기 응급소음측정부로부터 측정된 응급환자의 음성데이터; 및 상기 응급생태정보측정부로부터 측정된 응급환자의 생태정보데이터;를 포함하는 것을 특징으로 하는 딥러닝 기반의 응급상황 신속한 중증도 분류 장치. - 제1항에 있어서,
상기 응급상태분석모듈은,
다수사상자의 응급 환자 상태 빅데이터 및 상기 응급상황정보를 입력으로 한 응급 환자상태 분석 딥러닝 알고리즘을 통해,
응급 환자상태의 음성, 시선처리, 맥박, 혈압, 호흡수, 체온 및 의식수준에 따른 증상을 분석하는 응급환자상태분석부;및
응급 환자상태의 증상 점수에 따른 중증도를 단계별 분류하는 중증도분류부;를 포함하고 있는 것을 특징으로 하는 딥러닝 기반의 응급상황 신속한 중증도 분류 장치.
- 제4항에 있어서,
상기 응급환자상태분석부는,
상기 응급상황정보의 이미지데이터 및 소음데이터 생태정보데이터를 입력으로 하는 응급 환자상태 분석 딥러닝 알고리즘 함수를 통해,
실시간 상기 응급 환자상태의 음성, 시선처리, 맥박, 혈압, 호흡수, 체온 및 의식수준의 각 항목당 0점에서 7점 사이의 수로 연산하여 수치화하는 것을 특징으로 하는 딥러닝 기반의 응급상황 신속한 중증도 분류 장치. - 제4항에 있어서,
상기 중증도분류부는,
응급 환자당 상기 응급 환자상태의 음성, 시선처리, 맥박, 혈압, 호흡수, 체온 및 의식수준의 각 항목당 수치화된 점수의 총합이,
0점 ~ 14점 사이의 점수인 경우, 위험정도를 저위험군 단계(Level);
15점 ~ 28점 사이의 점수인 경우, 위험정도를 중등도위험군 단계(Level);
29점 ~ 42점 사이의 점수인 경우, 위험정도를 고위험군 단계(Level);
42점 이상의 점수인 경우, 위험정도를 최고위험군단계(Level);로 응급환자의 중증도를 단계별 분류하는 것을 특징으로 하는 딥러닝 기반의 응급상황 신속한 중증도 분류 장치. - 제1항에 있어서,
상기 통신모듈은,
GPS위치 탐색 기반의 응급사건이 발생한 지역의 2km 이내의 위치한 지역응급의료센터 서버를 수색하는 GPS모듈부;
상기 GPS모듈로부터 도출된 상기 지역응급의료센터 서버와 연결하는 서버연결부;
응급 처치를 위해 상기 지역응급의료센터와 상기 응급 환자상태 관련 정보데이터를 송수신하는 처지정보송수신부;를 포함하는 것을 특징으로 하는 딥러닝 기반의 응급상황 신속한 중증도 분류 장치. - 제7항에 있어서,
상기 응급 환자상태 관련 정보데이터는,
상기 응급상태분석모듈로부터 도출된 상기 응급 환자의 중증도 단계별 정보데이터;
상기 지역응급의료센터로 서버로부터 수신된 상기 응급 환자의 중증도 단계별 응급처지 정보;를 포함하는 것을 특징으로 하는 딥러닝 기반의 응급상황 신속한 중증도 분류 장치. - RTM(Rapid Triage Machine) 장치의 중증도 분류하는 방법에 있어서,
응급사건이 발생한 환경에서의 응급상황정보를 수집하는 단계;
딥러닝 기반의 상기 응급상황정보를 기반으로 응급 환자의 중증도 단계를 분류하는 단계;
응급병원서버와 연결되어 응급 환자상태 관련 정보데이터를 송수신하는 단계;를 포함하고 있는 것을 특징으로 딥러닝 기반의 응급상황 신속한 중증도 분류 방법. - 제9항에 있어서,
상기 응급사건이 발생한 환경에서의 응급상황정보를 수집하는 단계는,
상기 RTM(Rapid Triage Machine)의 카메라를 통해서,
상기 응급사건이 발생한 지점의 주변 환경, 응급환자 및 응급환자의 안구를 촬영하는 단계;
상기 응급사건이 발생한 지점의 주변 환경소음 및 응급환자의 음성을 측정하는 단계;
상기 응급환자의 생태정보를 측정하는 단계;를 포함하고 있는 것을 특징으로 하는 딥러닝 기반의 응급상황 신속한 중증도 분류 방법.
- 제10항에 있어서,
상기 응급상황정보는,
상기 RTM(Rapid Triage Machine)의 카메라를 통해서 촬영된 응급환자 및 응급환자의 안구 이미지데이터;와 상기 RTM(Rapid Triage Machine)의 응급소음측정부로부터 측정된 응급환자의 음성데이터; 및 상기 RTM(Rapid Triage Machine)의 응급생태정보측정부로부터 측정된 응급환자의 생태정보데이터;를 포함하는 것을 특징으로 하는 딥러닝 기반의 응급상황 신속한 중증도 분류 방법. - 제9항에 있어서,
상기 딥러닝 기반의 상기 응급상황정보를 기반으로 응급 환자의 중증도 단계를 분류하는 단계는,
다수사상자의 응급 환자 상태 빅데이터 및 상기 응급상황정보를 입력으로 한 응급 환자상태 분석 딥러닝 알고리즘을 통해,
응급 환자상태의 음성, 시선처리, 맥박, 혈압, 호흡수, 체온 및 의식수준에 따른 증상을 분석하는 단계; 및
상기 응급 환자상태의 증상 점수에 따른 중증도를 단계별 분류하는 단계;를 포함하고 있는 것을 특징으로 하는 딥러닝 기반의 응급상황 신속한 중증도 분류 방법.
- 제12항에 있어서,
상기 응급 환자상태의 음성, 시선처리, 맥박, 혈압, 호흡수, 체온 및 의식수준에 따른 증상을 분석하는 단계는,
상기 응급상황정보의 이미지데이터 및 소음데이터 생태정보데이터를 입력으로 하는 응급 환자상태 분석 딥러닝 알고리즘 함수를 통해,
실시간 상기 응급 환자상태의 음성, 시선처리, 맥박, 혈압, 호흡수, 체온 및 의식수준의 각 항목당 0점에서 7점 사이의 수로 연산하여 수치화하는 단계;를 포함하며,
상기 응급 환자상태의 증상 점수에 따른 중증도를 단계별 분류하는 단계는,
응급 환자당 상기 응급 환자상태의 음성, 시선처리, 맥박, 혈압, 호흡수, 체온 및 의식수준의 각 항목당 수치화된 점수의 총합이,
0점 ~ 14점 사이의 점수인 경우, 위험정도를 저위험군 단계(Level);
15점 ~ 28점 사이의 점수인 경우, 위험정도를 중등도위험군 단계(Level);
29점 ~ 42점 사이의 점수인 경우, 위험정도를 고위험군 단계(Level);
42점 이상의 점수인 경우, 위험정도를 최고위험군단계(Level);로 응급환자의 중증도를 단계별 분류하는 것을 특징으로 하는 딥러닝 기반의 응급상황 신속한 중증도 분류 방법. - 제9항에 있어서,
상기 응급병원서버와 연결되어 응급 환자상태 관련 정보데이터를 송수신하는 단계는,
GPS위치 탐색 기반의 응급사건이 발생한 지역의 2km 이내의 위치한 지역응급의료센터 서버를 수색하는 단계;
수색된 상기 지역응급의료센터 서버와 연결하는 단계;
응급 처치를 위해 상기 지역응급의료센터와 상기 응급 환자상태 관련 정보데이터를 송수신하는 단계;를 포함하며,
상기 응급 환자상태 관련 정보데이터는,
상기 응급 환자의 중증도 단계별 정보데이터;
상기 지역응급의료센터로 서버로부터 수신된 상기 응급 환자의 중증도 단계별 응급처지 정보;를 포함하는 것을 특징으로 하는 딥러닝 기반의 응급상황 신속한 중증도 분류 방법.
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020210174949A KR20230086858A (ko) | 2021-12-08 | 2021-12-08 | 응급상황 신속한 중증도 분류 장치 및 방법 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020210174949A KR20230086858A (ko) | 2021-12-08 | 2021-12-08 | 응급상황 신속한 중증도 분류 장치 및 방법 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| KR20230086858A true KR20230086858A (ko) | 2023-06-16 |
Family
ID=86948444
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020210174949A KR20230086858A (ko) | 2021-12-08 | 2021-12-08 | 응급상황 신속한 중증도 분류 장치 및 방법 |
Country Status (1)
| Country | Link |
|---|---|
| KR (1) | KR20230086858A (ko) |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR100759916B1 (ko) | 2005-10-21 | 2007-09-18 | 연세대학교 산학협력단 | 중증도 분류 및 이송병원을 선정하는 응급의료정보 시스템 |
| KR20190138112A (ko) | 2018-06-04 | 2019-12-12 | 한양대학교 산학협력단 | 음성인식 및 인공지능을 이용한 응급환자 자동 분류 방법 |
-
2021
- 2021-12-08 KR KR1020210174949A patent/KR20230086858A/ko not_active Application Discontinuation
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR100759916B1 (ko) | 2005-10-21 | 2007-09-18 | 연세대학교 산학협력단 | 중증도 분류 및 이송병원을 선정하는 응급의료정보 시스템 |
| KR20190138112A (ko) | 2018-06-04 | 2019-12-12 | 한양대학교 산학협력단 | 음성인식 및 인공지능을 이용한 응급환자 자동 분류 방법 |
Non-Patent Citations (1)
| Title |
|---|
| 중증도 분류자 직종에 따른 중증도 분류 결과의 차이 비교(Comparison of KTAS(Korean Triage and Acuity Scale) results by Triage Classifier),융합정보논문지(Journal of Convergence for Information Technology v.10 no.4), 2020년, pp.98 - 103 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Laguarta et al. | COVID-19 artificial intelligence diagnosis using only cough recordings | |
| Deshpande et al. | An overview on audio, signal, speech, & language processing for COVID-19 | |
| Nair et al. | Detection of COVID-19 cases through X-ray images using hybrid deep neural network | |
| Chauhan et al. | Optimization and fine-tuning of DenseNet model for classification of COVID-19 cases in medical imaging | |
| Hariri et al. | Deep neural networks for COVID-19 detection and diagnosis using images and acoustic-based techniques: a recent review | |
| Martín-Rodríguez et al. | Accuracy of national early warning score 2 (NEWS2) in prehospital triage on in-hospital early mortality: a multi-center observational prospective cohort study | |
| US20180249967A1 (en) | Devices, systems, and associated methods for evaluating a potential stroke condition in a subject | |
| KR102479692B1 (ko) | 빅데이터 및 클라우드 시스템 기반 인공지능 응급의료 의사결정 및 응급환자 이송 시스템과 그 방법 | |
| Harvill et al. | Classification of COVID-19 from Cough Using Autoregressive Predictive Coding Pretraining and Spectral Data Augmentation. | |
| KELEŞ | Expert doctor verdis: integrated medical expert system | |
| Awwalu et al. | A multinomial Naïve Bayes decision support system for COVID-19 detection | |
| Devi et al. | Framework for detecting the patients affected by COVID-19 at early stages using Internet of Things along with Machine Learning approaches with improved Accuracy | |
| Sadhana et al. | AI-based power screening solution for SARS-CoV2 infection: a sociodemographic survey and COVID-19 cough detector | |
| Alkahtani et al. | Early screening of autism spectrum disorder diagnoses of children using artificial intelligence | |
| Sarpourian et al. | Application of telemedicine in the ambulance for stroke patients: a systematic review | |
| KR20230086858A (ko) | 응급상황 신속한 중증도 분류 장치 및 방법 | |
| Haja et al. | Advancing glaucoma detection with convolutional neural networks: a paradigm shift in ophthalmology | |
| CN108710901B (zh) | 一种基于深度学习的脊柱畸形筛查系统及方法 | |
| Akyol et al. | Automatic detection of covid-19 with bidirectional LSTM network using deep features extracted from chest x-ray images | |
| Hossain et al. | Comparative study of deep learning algorithms for the detection of facial paralysis | |
| Anand et al. | Pulmonary screener: A mobile phone screening tool for pulmonary and respiratory disease | |
| US20240032885A1 (en) | Lung sound analysis system | |
| Alghamdi et al. | Diagnosis of COVID-19 from X-ray images using deep learning techniques | |
| KR102284347B1 (ko) | 응급 이송환자의 크로스체크를 통한 응급환경 조성시스템과 조성방법 | |
| US20240185453A1 (en) | Pose-based identification of weakness |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| E902 | Notification of reason for refusal |