KR20230165272A - 임상 파라미터를 정량적으로 결정하기 위한 컴퓨터로 구현되는 방법 및 시스템 - Google Patents
임상 파라미터를 정량적으로 결정하기 위한 컴퓨터로 구현되는 방법 및 시스템 Download PDFInfo
- Publication number
- KR20230165272A KR20230165272A KR1020237036544A KR20237036544A KR20230165272A KR 20230165272 A KR20230165272 A KR 20230165272A KR 1020237036544 A KR1020237036544 A KR 1020237036544A KR 20237036544 A KR20237036544 A KR 20237036544A KR 20230165272 A KR20230165272 A KR 20230165272A
- Authority
- KR
- South Korea
- Prior art keywords
- finger
- test
- data
- point
- computer
- Prior art date
Links
- 238000000034 method Methods 0.000 title claims abstract description 225
- 238000012360 testing method Methods 0.000 claims abstract description 463
- 239000000090 biomarker Substances 0.000 claims abstract description 187
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 claims abstract description 161
- 201000010099 disease Diseases 0.000 claims abstract description 153
- 238000012545 processing Methods 0.000 claims description 228
- 238000004458 analytical method Methods 0.000 claims description 166
- 238000010801 machine learning Methods 0.000 claims description 131
- 230000001133 acceleration Effects 0.000 claims description 111
- 238000004422 calculation algorithm Methods 0.000 claims description 67
- 201000006417 multiple sclerosis Diseases 0.000 claims description 56
- 238000007637 random forest analysis Methods 0.000 claims description 44
- 208000002320 spinal muscular atrophy Diseases 0.000 claims description 32
- 208000023105 Huntington disease Diseases 0.000 claims description 28
- 230000033001 locomotion Effects 0.000 claims description 23
- 238000013145 classification model Methods 0.000 claims description 22
- 238000012706 support-vector machine Methods 0.000 claims description 20
- 238000012417 linear regression Methods 0.000 claims description 13
- 230000036961 partial effect Effects 0.000 claims description 13
- 238000013135 deep learning Methods 0.000 claims description 10
- 210000003811 finger Anatomy 0.000 description 227
- 238000012549 training Methods 0.000 description 117
- 206010016256 fatigue Diseases 0.000 description 62
- 230000004044 response Effects 0.000 description 53
- 230000006870 function Effects 0.000 description 47
- 230000000875 corresponding effect Effects 0.000 description 35
- 238000004891 communication Methods 0.000 description 27
- 230000009466 transformation Effects 0.000 description 26
- 210000001364 upper extremity Anatomy 0.000 description 26
- 208000024891 symptom Diseases 0.000 description 25
- 238000005259 measurement Methods 0.000 description 19
- 238000004590 computer program Methods 0.000 description 17
- 230000010354 integration Effects 0.000 description 17
- 230000007659 motor function Effects 0.000 description 17
- 230000001755 vocal effect Effects 0.000 description 17
- 238000010988 intraclass correlation coefficient Methods 0.000 description 16
- 238000013102 re-test Methods 0.000 description 16
- 210000002370 ICC Anatomy 0.000 description 15
- 238000012544 monitoring process Methods 0.000 description 15
- 230000008569 process Effects 0.000 description 15
- 230000001149 cognitive effect Effects 0.000 description 14
- 230000001771 impaired effect Effects 0.000 description 14
- 230000002596 correlated effect Effects 0.000 description 13
- 230000000750 progressive effect Effects 0.000 description 13
- 238000003860 storage Methods 0.000 description 13
- 230000008859 change Effects 0.000 description 12
- 102100021947 Survival motor neuron protein Human genes 0.000 description 11
- 230000006641 stabilisation Effects 0.000 description 11
- 238000011105 stabilization Methods 0.000 description 11
- 101000617738 Homo sapiens Survival motor neuron protein Proteins 0.000 description 10
- 235000007688 Lycopersicon esculentum Nutrition 0.000 description 10
- 240000003768 Solanum lycopersicum Species 0.000 description 10
- 238000010219 correlation analysis Methods 0.000 description 10
- 230000000694 effects Effects 0.000 description 10
- 230000005021 gait Effects 0.000 description 10
- 230000006735 deficit Effects 0.000 description 9
- 210000004247 hand Anatomy 0.000 description 9
- 230000037230 mobility Effects 0.000 description 9
- 208000010428 Muscle Weakness Diseases 0.000 description 8
- 206010028372 Muscular weakness Diseases 0.000 description 8
- 238000013501 data transformation Methods 0.000 description 8
- 230000015654 memory Effects 0.000 description 8
- 238000007781 pre-processing Methods 0.000 description 8
- 208000035475 disorder Diseases 0.000 description 7
- 238000000605 extraction Methods 0.000 description 7
- 230000014509 gene expression Effects 0.000 description 7
- 238000000513 principal component analysis Methods 0.000 description 7
- ABEXEQSGABRUHS-UHFFFAOYSA-N 16-methylheptadecyl 16-methylheptadecanoate Chemical compound CC(C)CCCCCCCCCCCCCCCOC(=O)CCCCCCCCCCCCCCC(C)C ABEXEQSGABRUHS-UHFFFAOYSA-N 0.000 description 6
- 206010008748 Chorea Diseases 0.000 description 6
- 241000764238 Isis Species 0.000 description 6
- 208000023178 Musculoskeletal disease Diseases 0.000 description 6
- 208000032225 Proximal spinal muscular atrophy type 1 Diseases 0.000 description 6
- 208000026481 Werdnig-Hoffmann disease Diseases 0.000 description 6
- 208000012601 choreatic disease Diseases 0.000 description 6
- 238000005417 image-selected in vivo spectroscopy Methods 0.000 description 6
- 238000012739 integrated shape imaging system Methods 0.000 description 6
- 108090000623 proteins and genes Proteins 0.000 description 6
- 210000003813 thumb Anatomy 0.000 description 6
- 208000032471 type 1 spinal muscular atrophy Diseases 0.000 description 6
- 238000009826 distribution Methods 0.000 description 5
- 239000003814 drug Substances 0.000 description 5
- 230000005057 finger movement Effects 0.000 description 5
- 230000002829 reductive effect Effects 0.000 description 5
- 210000002345 respiratory system Anatomy 0.000 description 5
- 206010013887 Dysarthria Diseases 0.000 description 4
- 208000018737 Parkinson disease Diseases 0.000 description 4
- 208000033526 Proximal spinal muscular atrophy type 3 Diseases 0.000 description 4
- 230000002159 abnormal effect Effects 0.000 description 4
- 210000004556 brain Anatomy 0.000 description 4
- 230000003920 cognitive function Effects 0.000 description 4
- 230000003247 decreasing effect Effects 0.000 description 4
- 229940079593 drug Drugs 0.000 description 4
- 238000001914 filtration Methods 0.000 description 4
- 230000036541 health Effects 0.000 description 4
- 230000010365 information processing Effects 0.000 description 4
- 201000004815 juvenile spinal muscular atrophy Diseases 0.000 description 4
- 239000011159 matrix material Substances 0.000 description 4
- 210000002161 motor neuron Anatomy 0.000 description 4
- 210000003205 muscle Anatomy 0.000 description 4
- 230000004434 saccadic eye movement Effects 0.000 description 4
- 208000032527 type III spinal muscular atrophy Diseases 0.000 description 4
- VCGRFBXVSFAGGA-UHFFFAOYSA-N (1,1-dioxo-1,4-thiazinan-4-yl)-[6-[[3-(4-fluorophenyl)-5-methyl-1,2-oxazol-4-yl]methoxy]pyridin-3-yl]methanone Chemical compound CC=1ON=C(C=2C=CC(F)=CC=2)C=1COC(N=C1)=CC=C1C(=O)N1CCS(=O)(=O)CC1 VCGRFBXVSFAGGA-UHFFFAOYSA-N 0.000 description 3
- 208000028698 Cognitive impairment Diseases 0.000 description 3
- 208000014094 Dystonic disease Diseases 0.000 description 3
- 208000006083 Hypokinesia Diseases 0.000 description 3
- 206010021118 Hypotonia Diseases 0.000 description 3
- 208000007379 Muscle Hypotonia Diseases 0.000 description 3
- 208000002740 Muscle Rigidity Diseases 0.000 description 3
- 206010052904 Musculoskeletal stiffness Diseases 0.000 description 3
- 208000012902 Nervous system disease Diseases 0.000 description 3
- 208000033522 Proximal spinal muscular atrophy type 2 Diseases 0.000 description 3
- 208000003954 Spinal Muscular Atrophies of Childhood Diseases 0.000 description 3
- 206010044565 Tremor Diseases 0.000 description 3
- 230000006399 behavior Effects 0.000 description 3
- 210000003169 central nervous system Anatomy 0.000 description 3
- 208000010877 cognitive disease Diseases 0.000 description 3
- 230000000295 complement effect Effects 0.000 description 3
- 230000001186 cumulative effect Effects 0.000 description 3
- 230000034994 death Effects 0.000 description 3
- 231100000517 death Toxicity 0.000 description 3
- 230000007423 decrease Effects 0.000 description 3
- 230000006866 deterioration Effects 0.000 description 3
- 238000003745 diagnosis Methods 0.000 description 3
- 208000010118 dystonia Diseases 0.000 description 3
- 238000011156 evaluation Methods 0.000 description 3
- 230000007717 exclusion Effects 0.000 description 3
- 238000000556 factor analysis Methods 0.000 description 3
- 201000006913 intermediate spinal muscular atrophy Diseases 0.000 description 3
- 238000007726 management method Methods 0.000 description 3
- 239000003550 marker Substances 0.000 description 3
- 238000010606 normalization Methods 0.000 description 3
- 206010063401 primary progressive multiple sclerosis Diseases 0.000 description 3
- 102000004169 proteins and genes Human genes 0.000 description 3
- 230000009747 swallowing Effects 0.000 description 3
- 208000032521 type II spinal muscular atrophy Diseases 0.000 description 3
- 208000035657 Abasia Diseases 0.000 description 2
- 101100288434 Arabidopsis thaliana LACS2 gene Proteins 0.000 description 2
- 206010003591 Ataxia Diseases 0.000 description 2
- 206010006100 Bradykinesia Diseases 0.000 description 2
- 241001236093 Bulbophyllum maximum Species 0.000 description 2
- 241000254173 Coleoptera Species 0.000 description 2
- 208000019505 Deglutition disease Diseases 0.000 description 2
- 241000249931 Doronicum maximum Species 0.000 description 2
- 208000004044 Hypesthesia Diseases 0.000 description 2
- 241001625930 Luria Species 0.000 description 2
- 208000026139 Memory disease Diseases 0.000 description 2
- 206010049565 Muscle fatigue Diseases 0.000 description 2
- 208000009668 Neurobehavioral Manifestations Diseases 0.000 description 2
- 208000025966 Neurological disease Diseases 0.000 description 2
- 208000002193 Pain Diseases 0.000 description 2
- 208000033550 Proximal spinal muscular atrophy type 4 Diseases 0.000 description 2
- 208000007400 Relapsing-Remitting Multiple Sclerosis Diseases 0.000 description 2
- 101100294206 Schizosaccharomyces pombe (strain 972 / ATCC 24843) fta4 gene Proteins 0.000 description 2
- NIJJYAXOARWZEE-UHFFFAOYSA-N Valproic acid Chemical compound CCCC(C(O)=O)CCC NIJJYAXOARWZEE-UHFFFAOYSA-N 0.000 description 2
- 230000005856 abnormality Effects 0.000 description 2
- 230000001154 acute effect Effects 0.000 description 2
- 201000006960 adult spinal muscular atrophy Diseases 0.000 description 2
- VREFGVBLTWBCJP-UHFFFAOYSA-N alprazolam Chemical compound C12=CC(Cl)=CC=C2N2C(C)=NN=C2CN=C1C1=CC=CC=C1 VREFGVBLTWBCJP-UHFFFAOYSA-N 0.000 description 2
- 238000003491 array Methods 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 2
- 208000013404 behavioral symptom Diseases 0.000 description 2
- 230000003542 behavioural effect Effects 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 230000002490 cerebral effect Effects 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 230000002060 circadian Effects 0.000 description 2
- 230000003930 cognitive ability Effects 0.000 description 2
- 238000012937 correction Methods 0.000 description 2
- 230000008878 coupling Effects 0.000 description 2
- 238000010168 coupling process Methods 0.000 description 2
- 238000005859 coupling reaction Methods 0.000 description 2
- 238000002790 cross-validation Methods 0.000 description 2
- 230000006378 damage Effects 0.000 description 2
- 238000013480 data collection Methods 0.000 description 2
- 230000009266 disease activity Effects 0.000 description 2
- 238000011979 disease modifying therapy Methods 0.000 description 2
- 230000009977 dual effect Effects 0.000 description 2
- 230000004064 dysfunction Effects 0.000 description 2
- 230000002996 emotional effect Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 210000003414 extremity Anatomy 0.000 description 2
- 238000007667 floating Methods 0.000 description 2
- 230000002068 genetic effect Effects 0.000 description 2
- 208000034783 hypoesthesia Diseases 0.000 description 2
- 230000001939 inductive effect Effects 0.000 description 2
- 230000000977 initiatory effect Effects 0.000 description 2
- 230000000670 limiting effect Effects 0.000 description 2
- 238000011068 loading method Methods 0.000 description 2
- 230000007774 longterm Effects 0.000 description 2
- 238000013178 mathematical model Methods 0.000 description 2
- 238000002493 microarray Methods 0.000 description 2
- 230000000926 neurological effect Effects 0.000 description 2
- 238000010984 neurological examination Methods 0.000 description 2
- 208000018360 neuromuscular disease Diseases 0.000 description 2
- 230000016273 neuron death Effects 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 208000035824 paresthesia Diseases 0.000 description 2
- 229920000155 polyglutamine Polymers 0.000 description 2
- 108010040003 polyglutamine Proteins 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 230000000241 respiratory effect Effects 0.000 description 2
- 230000004043 responsiveness Effects 0.000 description 2
- 201000008628 secondary progressive multiple sclerosis Diseases 0.000 description 2
- 230000001953 sensory effect Effects 0.000 description 2
- 230000001148 spastic effect Effects 0.000 description 2
- 210000000278 spinal cord Anatomy 0.000 description 2
- 238000013125 spirometry Methods 0.000 description 2
- 230000000087 stabilizing effect Effects 0.000 description 2
- 229920002803 thermoplastic polyurethane Polymers 0.000 description 2
- 238000000844 transformation Methods 0.000 description 2
- 208000005606 type IV spinal muscular atrophy Diseases 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- VKZRWSNIWNFCIQ-WDSKDSINSA-N (2s)-2-[2-[[(1s)-1,2-dicarboxyethyl]amino]ethylamino]butanedioic acid Chemical compound OC(=O)C[C@@H](C(O)=O)NCCN[C@H](C(O)=O)CC(O)=O VKZRWSNIWNFCIQ-WDSKDSINSA-N 0.000 description 1
- MKJIEFSOBYUXJB-HOCLYGCPSA-N (3S,11bS)-9,10-dimethoxy-3-isobutyl-1,3,4,6,7,11b-hexahydro-2H-pyrido[2,1-a]isoquinolin-2-one Chemical compound C1CN2C[C@H](CC(C)C)C(=O)C[C@H]2C2=C1C=C(OC)C(OC)=C2 MKJIEFSOBYUXJB-HOCLYGCPSA-N 0.000 description 1
- YSGASDXSLKIKOD-UHFFFAOYSA-N 2-amino-N-(1,2-diphenylpropan-2-yl)acetamide Chemical compound C=1C=CC=CC=1C(C)(NC(=O)CN)CC1=CC=CC=C1 YSGASDXSLKIKOD-UHFFFAOYSA-N 0.000 description 1
- KVCQTKNUUQOELD-UHFFFAOYSA-N 4-amino-n-[1-(3-chloro-2-fluoroanilino)-6-methylisoquinolin-5-yl]thieno[3,2-d]pyrimidine-7-carboxamide Chemical compound N=1C=CC2=C(NC(=O)C=3C4=NC=NC(N)=C4SC=3)C(C)=CC=C2C=1NC1=CC=CC(Cl)=C1F KVCQTKNUUQOELD-UHFFFAOYSA-N 0.000 description 1
- CYJRNFFLTBEQSQ-UHFFFAOYSA-N 8-(3-methyl-1-benzothiophen-5-yl)-N-(4-methylsulfonylpyridin-3-yl)quinoxalin-6-amine Chemical compound CS(=O)(=O)C1=C(C=NC=C1)NC=1C=C2N=CC=NC2=C(C=1)C=1C=CC2=C(C(=CS2)C)C=1 CYJRNFFLTBEQSQ-UHFFFAOYSA-N 0.000 description 1
- 208000007848 Alcoholism Diseases 0.000 description 1
- 208000019901 Anxiety disease Diseases 0.000 description 1
- 206010003084 Areflexia Diseases 0.000 description 1
- 206010003694 Atrophy Diseases 0.000 description 1
- 238000012935 Averaging Methods 0.000 description 1
- 206010005885 Blunted affect Diseases 0.000 description 1
- 208000000094 Chronic Pain Diseases 0.000 description 1
- 206010010947 Coordination abnormal Diseases 0.000 description 1
- 102000004420 Creatine Kinase Human genes 0.000 description 1
- 108010042126 Creatine kinase Proteins 0.000 description 1
- 206010012289 Dementia Diseases 0.000 description 1
- 208000016192 Demyelinating disease Diseases 0.000 description 1
- 206010012335 Dependence Diseases 0.000 description 1
- 208000003164 Diplopia Diseases 0.000 description 1
- 206010072269 Egocentrism Diseases 0.000 description 1
- 241000042905 Enterobacteria phage SfI Species 0.000 description 1
- 206010017577 Gait disturbance Diseases 0.000 description 1
- 208000001613 Gambling Diseases 0.000 description 1
- 206010020651 Hyperkinesia Diseases 0.000 description 1
- 208000000269 Hyperkinesis Diseases 0.000 description 1
- 206010066364 Hypersexuality Diseases 0.000 description 1
- 241000124008 Mammalia Species 0.000 description 1
- 238000000585 Mann–Whitney U test Methods 0.000 description 1
- 208000034819 Mobility Limitation Diseases 0.000 description 1
- 206010061296 Motor dysfunction Diseases 0.000 description 1
- 208000007101 Muscle Cramp Diseases 0.000 description 1
- 206010028289 Muscle atrophy Diseases 0.000 description 1
- AYCPARAPKDAOEN-LJQANCHMSA-N N-[(1S)-2-(dimethylamino)-1-phenylethyl]-6,6-dimethyl-3-[(2-methyl-4-thieno[3,2-d]pyrimidinyl)amino]-1,4-dihydropyrrolo[3,4-c]pyrazole-5-carboxamide Chemical compound C1([C@H](NC(=O)N2C(C=3NN=C(NC=4C=5SC=CC=5N=C(C)N=4)C=3C2)(C)C)CN(C)C)=CC=CC=C1 AYCPARAPKDAOEN-LJQANCHMSA-N 0.000 description 1
- 208000003435 Optic Neuritis Diseases 0.000 description 1
- 206010035664 Pneumonia Diseases 0.000 description 1
- 206010067063 Progressive relapsing multiple sclerosis Diseases 0.000 description 1
- 208000001431 Psychomotor Agitation Diseases 0.000 description 1
- 208000004756 Respiratory Insufficiency Diseases 0.000 description 1
- 206010070833 Respiratory muscle weakness Diseases 0.000 description 1
- 206010038743 Restlessness Diseases 0.000 description 1
- 101150081851 SMN1 gene Proteins 0.000 description 1
- 208000005392 Spasm Diseases 0.000 description 1
- 229920000147 Styrene maleic anhydride Polymers 0.000 description 1
- 206010047513 Vision blurred Diseases 0.000 description 1
- 206010047571 Visual impairment Diseases 0.000 description 1
- 230000003187 abdominal effect Effects 0.000 description 1
- 208000028752 abnormal posture Diseases 0.000 description 1
- 238000009825 accumulation Methods 0.000 description 1
- 239000002253 acid Substances 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 208000005298 acute pain Diseases 0.000 description 1
- 230000002776 aggregation Effects 0.000 description 1
- 238000004220 aggregation Methods 0.000 description 1
- 230000016571 aggressive behavior Effects 0.000 description 1
- 201000007930 alcohol dependence Diseases 0.000 description 1
- DKNWSYNQZKUICI-UHFFFAOYSA-N amantadine Chemical compound C1C(C2)CC3CC2CC1(N)C3 DKNWSYNQZKUICI-UHFFFAOYSA-N 0.000 description 1
- 229960003805 amantadine Drugs 0.000 description 1
- 229940035678 anti-parkinson drug Drugs 0.000 description 1
- 230000036506 anxiety Effects 0.000 description 1
- 230000006907 apoptotic process Effects 0.000 description 1
- 230000037444 atrophy Effects 0.000 description 1
- 230000001363 autoimmune Effects 0.000 description 1
- 210000004227 basal ganglia Anatomy 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 229940049706 benzodiazepine Drugs 0.000 description 1
- 150000001557 benzodiazepines Chemical class 0.000 description 1
- 230000002146 bilateral effect Effects 0.000 description 1
- 230000008827 biological function Effects 0.000 description 1
- 210000000133 brain stem Anatomy 0.000 description 1
- 208000030303 breathing problems Diseases 0.000 description 1
- 210000004027 cell Anatomy 0.000 description 1
- 230000003915 cell function Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 208000015114 central nervous system disease Diseases 0.000 description 1
- 210000003710 cerebral cortex Anatomy 0.000 description 1
- 230000001055 chewing effect Effects 0.000 description 1
- 230000001684 chronic effect Effects 0.000 description 1
- 230000027288 circadian rhythm Effects 0.000 description 1
- 230000019771 cognition Effects 0.000 description 1
- 231100000870 cognitive problem Toxicity 0.000 description 1
- 230000036992 cognitive tasks Effects 0.000 description 1
- 239000002131 composite material Substances 0.000 description 1
- 231100000867 compulsive behavior Toxicity 0.000 description 1
- 230000001276 controlling effect Effects 0.000 description 1
- 231100000433 cytotoxic Toxicity 0.000 description 1
- 230000001472 cytotoxic effect Effects 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000005750 disease progression Effects 0.000 description 1
- 208000029444 double vision Diseases 0.000 description 1
- 230000005584 early death Effects 0.000 description 1
- 238000002567 electromyography Methods 0.000 description 1
- 230000008921 facial expression Effects 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 230000009395 genetic defect Effects 0.000 description 1
- 125000000404 glutamine group Chemical group N[C@@H](CCC(N)=O)C(=O)* 0.000 description 1
- 210000001320 hippocampus Anatomy 0.000 description 1
- 230000003483 hypokinetic effect Effects 0.000 description 1
- 230000001976 improved effect Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000002757 inflammatory effect Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000000968 intestinal effect Effects 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 230000000366 juvenile effect Effects 0.000 description 1
- 208000028756 lack of coordination Diseases 0.000 description 1
- 230000003137 locomotive effect Effects 0.000 description 1
- 230000007787 long-term memory Effects 0.000 description 1
- 210000004072 lung Anatomy 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000005399 mechanical ventilation Methods 0.000 description 1
- 238000002483 medication Methods 0.000 description 1
- 206010027175 memory impairment Diseases 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 230000036651 mood Effects 0.000 description 1
- 230000020763 muscle atrophy Effects 0.000 description 1
- 201000000585 muscular atrophy Diseases 0.000 description 1
- 201000006938 muscular dystrophy Diseases 0.000 description 1
- 230000035772 mutation Effects 0.000 description 1
- 230000002151 myoclonic effect Effects 0.000 description 1
- 230000032405 negative regulation of neuron apoptotic process Effects 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 231100000862 numbness Toxicity 0.000 description 1
- 206010029864 nystagmus Diseases 0.000 description 1
- 210000000056 organ Anatomy 0.000 description 1
- 230000008092 positive effect Effects 0.000 description 1
- 230000001144 postural effect Effects 0.000 description 1
- 238000003793 prenatal diagnosis Methods 0.000 description 1
- 208000037821 progressive disease Diseases 0.000 description 1
- 208000022074 proximal spinal muscular atrophy Diseases 0.000 description 1
- 210000000449 purkinje cell Anatomy 0.000 description 1
- 230000009257 reactivity Effects 0.000 description 1
- 230000011514 reflex Effects 0.000 description 1
- 229950000659 remacemide Drugs 0.000 description 1
- 201000004193 respiratory failure Diseases 0.000 description 1
- 230000004202 respiratory function Effects 0.000 description 1
- 230000029058 respiratory gaseous exchange Effects 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 102220047090 rs6152 Human genes 0.000 description 1
- 206010039722 scoliosis Diseases 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 230000028327 secretion Effects 0.000 description 1
- 238000004092 self-diagnosis Methods 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 238000012163 sequencing technique Methods 0.000 description 1
- 210000002966 serum Anatomy 0.000 description 1
- 230000001568 sexual effect Effects 0.000 description 1
- 230000036299 sexual function Effects 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- XGVXKJKTISMIOW-ZDUSSCGKSA-N simurosertib Chemical compound N1N=CC(C=2SC=3C(=O)NC(=NC=3C=2)[C@H]2N3CCC(CC3)C2)=C1C XGVXKJKTISMIOW-ZDUSSCGKSA-N 0.000 description 1
- 230000004599 slow eye movement Effects 0.000 description 1
- 238000010561 standard procedure Methods 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000005728 strengthening Methods 0.000 description 1
- 210000003523 substantia nigra Anatomy 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000002459 sustained effect Effects 0.000 description 1
- 208000011580 syndromic disease Diseases 0.000 description 1
- 229960005333 tetrabenazine Drugs 0.000 description 1
- 210000000115 thoracic cavity Anatomy 0.000 description 1
- 229960000604 valproic acid Drugs 0.000 description 1
- 238000009423 ventilation Methods 0.000 description 1
- 208000029257 vision disease Diseases 0.000 description 1
- 230000004393 visual impairment Effects 0.000 description 1
- 230000003442 weekly effect Effects 0.000 description 1
- 230000003936 working memory Effects 0.000 description 1
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
- G16H10/00—ICT specially adapted for the handling or processing of patient-related medical or healthcare data
- G16H10/20—ICT specially adapted for the handling or processing of patient-related medical or healthcare data for electronic clinical trials or questionnaires
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/74—Details of notification to user or communication with user or patient ; user input means
- A61B5/742—Details of notification to user or communication with user or patient ; user input means using visual displays
- A61B5/7445—Display arrangements, e.g. multiple display units
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/74—Details of notification to user or communication with user or patient ; user input means
- A61B5/7475—User input or interface means, e.g. keyboard, pointing device, joystick
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F3/00—Input arrangements for transferring data to be processed into a form capable of being handled by the computer; Output arrangements for transferring data from processing unit to output unit, e.g. interface arrangements
- G06F3/01—Input arrangements or combined input and output arrangements for interaction between user and computer
- G06F3/048—Interaction techniques based on graphical user interfaces [GUI]
- G06F3/0484—Interaction techniques based on graphical user interfaces [GUI] for the control of specific functions or operations, e.g. selecting or manipulating an object, an image or a displayed text element, setting a parameter value or selecting a range
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F3/00—Input arrangements for transferring data to be processed into a form capable of being handled by the computer; Output arrangements for transferring data from processing unit to output unit, e.g. interface arrangements
- G06F3/01—Input arrangements or combined input and output arrangements for interaction between user and computer
- G06F3/048—Interaction techniques based on graphical user interfaces [GUI]
- G06F3/0487—Interaction techniques based on graphical user interfaces [GUI] using specific features provided by the input device, e.g. functions controlled by the rotation of a mouse with dual sensing arrangements, or of the nature of the input device, e.g. tap gestures based on pressure sensed by a digitiser
- G06F3/0488—Interaction techniques based on graphical user interfaces [GUI] using specific features provided by the input device, e.g. functions controlled by the rotation of a mouse with dual sensing arrangements, or of the nature of the input device, e.g. tap gestures based on pressure sensed by a digitiser using a touch-screen or digitiser, e.g. input of commands through traced gestures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/30—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
-
- 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)
- Biomedical Technology (AREA)
- General Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Pathology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Theoretical Computer Science (AREA)
- Epidemiology (AREA)
- Primary Health Care (AREA)
- General Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Databases & Information Systems (AREA)
- General Physics & Mathematics (AREA)
- Veterinary Medicine (AREA)
- Software Systems (AREA)
- Heart & Thoracic Surgery (AREA)
- Molecular Biology (AREA)
- Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- Biophysics (AREA)
- Human Computer Interaction (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
- Medical Treatment And Welfare Office Work (AREA)
Abstract
임상 파라미터를 정량적으로 결정하기 위한 컴퓨터로 구현되는 방법 및 시스템
질병의 상태 또는 진행을 나타내는 임상 파라미터를 정량적으로 결정하기 위한 컴퓨터로 구현되는 방법으로서, 모바일 장치의 사용자에게 원위 운동 테스트를 제공하는 단계 ― 상기 모바일 장치는 터치스크린 디스플레이를 가지며, 상기 모바일 장치의 사용자에게 원위 운동 테스트를 제공하는 단계는, 상기 모바일 장치의 터치스크린 디스플레이가 테스트 이미지를 디스플레이하게 하는 단계를 포함함 ― , 상기 모바일 장치의 터치스크린 디스플레이로부터 입력을 수신하는 단계 ― 상기 입력은 테스트 이미지 내 제1 포인트 상에 제1 손가락을 놓고 테스트 이미지 내 제2 포인트 상에 제2 손가락을 놓고 상기 제1 손가락과 상기 제2 손가락을 함께 핀치함으로써, 상기 제1 포인트와 상기 제2 포인트를 모으려는 사용자의 시도를 나타냄 ― , 및 수신 입력으로부터 디지털 바이오마커 특징 데이터를 추출하는 단계 ― (i) 추출된 디지털 바이오마커 특징 데이터가 임상 파라미터임, 또는 (ii) 상기 방법이 추출된 디지털 바이오마커 특징 데이터로부터 임상 파라미터를 계산하는 단계를 더 포함함 ― 를 포함하는, 컴퓨터로 구현되는 방법.
질병의 상태 또는 진행을 나타내는 임상 파라미터를 정량적으로 결정하기 위한 컴퓨터로 구현되는 방법으로서, 모바일 장치의 사용자에게 원위 운동 테스트를 제공하는 단계 ― 상기 모바일 장치는 터치스크린 디스플레이를 가지며, 상기 모바일 장치의 사용자에게 원위 운동 테스트를 제공하는 단계는, 상기 모바일 장치의 터치스크린 디스플레이가 테스트 이미지를 디스플레이하게 하는 단계를 포함함 ― , 상기 모바일 장치의 터치스크린 디스플레이로부터 입력을 수신하는 단계 ― 상기 입력은 테스트 이미지 내 제1 포인트 상에 제1 손가락을 놓고 테스트 이미지 내 제2 포인트 상에 제2 손가락을 놓고 상기 제1 손가락과 상기 제2 손가락을 함께 핀치함으로써, 상기 제1 포인트와 상기 제2 포인트를 모으려는 사용자의 시도를 나타냄 ― , 및 수신 입력으로부터 디지털 바이오마커 특징 데이터를 추출하는 단계 ― (i) 추출된 디지털 바이오마커 특징 데이터가 임상 파라미터임, 또는 (ii) 상기 방법이 추출된 디지털 바이오마커 특징 데이터로부터 임상 파라미터를 계산하는 단계를 더 포함함 ― 를 포함하는, 컴퓨터로 구현되는 방법.
Description
본 발명은 질병의 디지털 평가의 분야에 관한 것이다. 특히, 본 발명은 질병의 상태 또는 진행을 나타내는 임상 파라미터를 정량적으로 결정하기 위한, 컴퓨터로 구현되는 방법 및 시스템과 관련된다. 컴퓨터로 구현되는 방법 및 시스템은 다발성 경화증을 나타내는 확장된 장애 상태 척도(EDSS), 척수성근위축증을 나타내는 강제 폐활량 또는 헌팅턴병을 나타내는 총 운동 점수(TMS)를 결정하는 데 사용될 수 있다.
질병, 특히 신경계 질병은 질병 관리를 위해 집중적인 진단 척도를 필요로 한다. 질병 발병 후, 이들 질병은 일반적으로 진행성 질병이며 정밀한 상태를 결정하기 위해서는 병기 결정 시스템에 의해 평가되어야 한다. 이들 진행성 신경 질병 중 눈에 띄는 예에는 다발성 경화증(MS), 헌팅턴병(HD) 및 척수성근위축증(SMA)이 있다.
현재, 이러한 질병의 병기를 결정하는 것은 많은 노력을 필요로 하고 병원이나 개원의 전문의에게 가야 하는 환자들에게는 번거로운 일이다. 더군다나 병기결정은 전문의 측에서의 경험을 필요로 하고 개인의 경험과 판단에 따라 주관적인 경우가 많다. 그럼에도, 질병 관리에 특히 유용한 질병 병기결정에서 일부 파라미터가 존재한다. 또한, 그 밖의 다른 경우가 존재하는데, 가령, SMA에서 특수 장비, 즉 폐활량계 장치에 의해 결정될 필요가 있는 강제 폐활량과 같은 임상적으로 관련된 파라미터가 있다.
이들 모든 경우에 대리값(surrogate)을 결정하는 것이 도움이 될 수 있다. 적합한 대리값은 바이오마커 및 특히, 디지털로 획득되는 바이오마커, 가령, 병기결정 시스템과 상관되거나 임상 파라미터에 대한 대용물 마커일 수 있는 생물학적 기능의 수행 파라미터를 결정하는 것을 목적으로 하는 테스트로부터의 수행 파라미터를 포함한다.
실제 관심 임상 파라미터, 가령, 점수 또는 그 밖의 다른 임상 파라미터 간 상관관계가 다양한 방법으로 데이터로부터 도출될 수 있다.
본 발명의 제1 양태가 질병의 상태 또는 진행을 나타내는 임상 파라미터를 정량적으로 결정하기 위한, 컴퓨터로 구현되는 방법을 제공하며, 상기 컴퓨터로 구현되는 방법은: 모바일 장치의 사용자에게 원위 운동 테스트를 제공하는 단계 ― 상기 모바일 장치는 터치스크린 디스플레이를 가지며, 상기 모바일 장치의 사용자에게 원위 운동 테스트를 제공하는 단계는: 상기 모바일 장치의 터치스크린 디스플레이가 테스트 이미지를 디스플레이하게 하는 단계를 포함함 ― , 상기 모바일 장치의 터치스크린 디스플레이로부터 입력을 수신하는 단계 ― 상기 입력은 테스트 이미지 내 제1 포인트 상에 제1 손가락을 놓고 상기 테스트 이미지 내 제2 포인트 상에 제2 손가락을 놓고 상기 제1 손가락과 상기 제2 손가락을 함께 핀치함으로써, 상기 제1 포인트와 상기 제2 포인트를 모으려는 사용자의 시도를 나타냄 ― , 및 수신 입력으로부터 디지털 바이오마커 특징 데이터를 추출하는 단계 ― (i) 추출된 디지털 바이오마커 특징 데이터가 임상 파라미터임, 또는 (ii) 상기 방법이 추출된 디지털 바이오마커 특징 데이터로부터 임상 파라미터를 계산하는 단계를 더 포함함 ― 를 포함한다.
본 발명의 제2 양태가 질병의 상태 또는 진행을 나타내는 임상 파라미터를 정량적으로 결정하기 위한 시스템을 제공하며, 상기 시스템은, 터치스크린 디스플레이, 사용자 입력 인터페이스, 및 제1 처리 유닛을 갖는 모바일 장치, 및 제2 처리 유닛을 포함하며, 상기 모바일 장치는 상기 모바일 장치의 사용자에게 원위 운동 테스트를 제공하도록 구성되며, 상기 원위 운동 테스트를 제공하는 것은, 상기 제1 처리 유닛이 상기 모바일 장치의 터치스크린 디스플레이가 테스트 이미지를 디스플레이하게 하는 것을 포함하며, 상기 사용자 입력 인터페이스는 상기 터치스크린 디스플레이로부터 테스트 이미지 내 제1 포인트 상에 제1 손가락을 놓고 상기 테스트 이미지 내 제2 포인트 상에 제2 손가락을 놓고 상기 제1 손가락과 상기 제2 손가락을 함께 핀치함으로써, 상기 제1 포인트와 상기 제2 포인트를 모으려는 사용자의 시도를 나타내는 입력을 수신하도록 구성되며, 상기 제1 처리 유닛 또는 상기 제2 처리 유닛은 수신 입력으로부터 디지털 바이오마커 특징 데이터를 추출하도록 구성된다.
본 발명의 제3 양태가 질병의 상태 또는 진행을 나타내는 임상 파라미터를 정량적으로 결정하기 위한, 컴퓨터로 구현되는 방법을 제공하며, 상기 컴퓨터로 구현되는 방법은, 모바일 장치로부터 입력을 수신하는 단계 ― 상기 입력은, 가속도계로부터의 가속도 데이터 ― 상기 가속도 데이터는 복수의 포인트를 포함하며, 각 포인트는 각각의 시간에서의 가속도에 대응함 ― 를 포함함 ― , 수신 입력으로부터 디지털 바이오마커 특징 데이터를 추출하는 단계 ― 디지털 바이오마커 특징 데이터를 추출하는 단계는, 복수의 포인트의 각각에 대해, 각각의 시간에서의 가속도의 총 크기와 가속도의 z-성분의 크기의 비를 결정하는 단계, 및 복수의 결정된 비로부터 통계 파라미터를 도출하는 단계 ― 상기 통계 파라미터는 평균, 표준 편차, 백분위수, 중앙값, 및 첨도를 포함함 ― 를 포함함 ― 를 포함한다.
본 발명의 제4 양태가 질병의 상태 또는 진행을 나타내는 임상 파라미터를 정량적으로 결정하기 위한 시스템을 제공하며, 상기 시스템은, 가속도계, 및 제1 처리 유닛을 갖는 모바일 장치, 및 제2 처리 유닛 을 포함하며, 상기 가속도계는 가속도를 측정하도록 구성되고, 상기 가속도계, 상기 제1 처리 유닛 또는 상기 제2 처리 유닛은 복수의 포인트를 포함하는 가속도 데이터를 생성하도록 구성되며, 각 포인트는 각각의 시간에서의 가속도에 대응하고, 상기 제1 처리 유닛 또는 상기 제2 처리 유닛은, 복수의 포인트의 각각에 대해, 각각의 시간에서의 가속도의 총 크기와 가속도의 z-성분의 크기의 비를 결정하는 것, 및 복수의 결정된 비로부터 통계 파라미터를 도출하는 것 ― 상기 통계 파라미터는 평균, 표준 편차, 백분위수, 중앙값, 및 첨도를 포함함 ― 에 의해, 수신 입력으로부터 디지털 바이오마커 특징 데이터를 추출하도록 구성된다.
이하에서 사용될 때, 용어 "가지다(have)", "포함하다(comprise)" 또는 "포함하다(include)" 또는 이들의 임의의 무작위적 변형이 비배타적 방식으로 사용된다. 따라서 이들 용어는 모두, 이들 용어에 의해 도입되는 특징들 외에, 어떠한 추가 특징도 이 맥락에서 개체 내에 존재하지 않는 상황과 하나 이상의 추가 특징이 존재하는 상황을 지칭할 수 있다. 예를 들어, 표현 "A는 B를 가진다", "A는 B를 포함한다" 및 "A는 B를 포함한다"는 B외에 어떠한 다른 요소도 A에 존재하지 않는 상황(즉, A가 B만으로 독점적으로 구성되는 상황) 및 B외에 하나 이상의 추가 요소, 가령, 요소 C 및 D, 또는 심지어 또 다른 요소까지가 개체 A에 존재하는 상황 모두를 지칭할 수 있다.
또한, 용어 "적어도 하나", "하나 이상" 또는 특징 또는 요소가 한 번 이상 존재할 수 있음을 나타내는 유사한 표현은 일반적으로 각자의 특징 또는 요소를 소개할 때 한 번만 사용될 것이다. 이하에서, 대부분의 경우, 각자의 특징 또는 요소를 참조할 때, 각자의 특징 또는 요소가 한 번 이상 존재할 수 있다는 사실에도 불구하고, 표현 "적어도 하나" 또는 "하나 이상"은 반복되지 않을 것이다.
또한, 이하에서 사용될 때, 용어 "바람직하게", "더 바람직하게", "특히", "더 특히", "구체적으로", "더 구체적으로" 또는 유사한 용어가, 대안 가능성을 제한하지 않으면서, 선택적 특징과 함께 사용된다. 따라서, 이들 용어에 의해 소개되는 특징이 선택적 특징이며 청구항의 범위를 어떠한 식으로도 제한하려는 의도가 없다. 본 발명은, 해당 분야의 통상의 기술자라면 알 바와 같이, 대안 특징을 이용함으로써 수행될 수 있다. 마찬가지로, "본 발명의 하나의 실시예에서" 또는 유사한 표현으로 도입되는 특징은, 본 발명의 대안 실시예에 대한 어떠한 제한 없이, 본 발명의 범위에 대한 어떠한 제한 없이, 그리고 이러한 방식으로 도입된 특징을 본 발명의 다른 선택적 또는 비-선택적 특징과 조합할 가능성에 대한 어떠한 제한 없이, 선택적 특징인 것으로 의도된다.
또 다른 가능한 실시예가 이하에서 비배제적으로 요약되며, 다음의 실시예가 고려될 수 있다.
실시예 1: 질병의 상태 또는 진행을 나타내는 임상 파라미터를 정량적으로 결정하기 위한, 컴퓨터로 구현되는 방법으로서, 상기 컴퓨터로 구현되는 방법은,
모바일 장치의 사용자에게 원위 운동 테스트를 제공하는 단계 ― 상기 모바일 장치는 터치스크린 디스플레이를 가지며, 상기 모바일 장치의 사용자에게 원위 운동 테스트를 제공하는 단계는,
상기 모바일 장치의 터치스크린 디스플레이가 테스트 이미지를 디스플레이하게 하는 단계를 포함함 ― ,
상기 모바일 장치의 터치스크린 디스플레이로부터 입력을 수신하는 단계 ― 상기 입력은 테스트 이미지 내 제1 포인트 상에 제1 손가락을 놓고 테스트 이미지 내 제2 포인트 상에 제2 손가락을 놓고 상기 제1 손가락과 상기 제2 손가락을 함께 핀치함으로써, 상기 제1 포인트와 상기 제2 포인트를 모으려는 사용자의 시도를 나타냄 ― ,
수신 입력으로부터 디지털 바이오마커 특징 데이터를 추출하는 단계를 포함하는, 컴퓨터로 구현되는 방법.
실시예 2: 실시예 1에 있어서,
제1 포인트와 제2 포인트는 테스트 이미지에서 특정 및/또는 식별되는, 컴퓨터로 구현되는 방법.
실시예 3: 실시예 1에 있어서,
제1 포인트는 테스트 이미지에서 특정되지 않고 제1 손가락이 터치스크린 디스플레이를 터치하는 포인트로서 정의되고,
제2 포인트는 테스트 이미지에서 특정되지 않고 제2 손가락이 터치스크린 디스플레이를 터치하는 포인트로서 정의되는, 컴퓨터로 구현되는 방법.
실시예 4: 실시예 1 내지 3 중 어느 하나에 있어서,
추출된 디지털 바이오마커 특징 데이터가 임상 파라미터인, 컴퓨터로 구현되는 방법.
실시예 5: 실시예 1 내지 3 중 어느 하나에 있어서,
추출된 디지털 바이오마커 특징 데이터로부터 임상 파라미터를 계산하는 단계를 더 포함하는, 컴퓨터로 구현되는 방법.
실시예 6: 실시예 1 내지 5 중 어느 하나에 있어서,
상기 수신 입력은:
상기 제1 손가락이 상기 터치스크린 디스플레이를 떠나는 시점을 나타내는 데이터,
상기 제2 손가락이 상기 터치스크린 디스플레이를 떠나는 시점을 나타내는 데이터를 포함하는, 컴퓨터로 구현되는 방법.
실시예 7: 실시예 6에 있어서,
상기 디지털 바이오마커 특징 데이터는 상기 제1 손가락이 상기 터치스크린 디스플레이를 떠나는 시점과 상기 제2 손가락이 상기 터치스크린 디스플레이를 떠나는 시점 사이의 차이를 포함하는, 컴퓨터로 구현되는 방법.
실시예 8: 실시예 1 내지 7 중 어느 하나에 있어서,
상기 수신 입력은,
상기 제1 손가락이 제1 포인트를 초기에 터치하는 시점을 나타내는 데이터,
상기 제2 손가락이 제2 포인트를 초기에 터치하는 시점을 나타내는 데이터를 포함하는, 컴퓨터로 구현되는 방법.
실시예 9: 실시예 8에 있어서,
상기 디지털 바이오마커 특징 데이터는 상기 제1 손가락이 제1 포인트를 초기에 터치한 시점과 제2 손가락이 제2 포인트를 초기에 터치한 시점 간 차이를 포함하는, 컴퓨터로 구현되는 방법.
실시예 10: 실시예 8 또는 실시예 9에 있어서,
상기 디지털 바이오마커 특징 데이터는,
제1 손가락이 제1 포인트를 초기에 터치한 시점, 및 제2 손가락이 제2 포인트를 초기에 터치한 시점 중 이른 시점, 및
제1 손가락이 터치스크린 디스플레이를 떠나는 시점 및 제2 손가락이 터치스크린 디스플레이를 떠나는 시점 중 늦은 시점 간 차이를 포함하는, 컴퓨터로 구현되는 방법.
실시예 11: 실시예 1 내지 10 중 어느 하나에 있어서,
상기 수신 입력은,
상기 제1 손가락이 상기 터치스크린 디스플레이를 떠나는 때의 상기 제1 손가락의 위치를 나타내는 데이터, 및
상기 제2 손가락이 상기 터치스크린 디스플레이를 떠나는 때의 상기 제2 손가락의 위치를 나타내는 데이터를 포함하는, 컴퓨터로 구현되는 방법.
실시예 12: 실시예 11에 있어서,
상기 디지털 바이오마커 특징 데이터는 상기 제1 손가락이 상기 터치스크린 디스플레이를 떠나는 때의 상기 제1 손가락의 위치와 제2 손가락이 상기 터치스크린 디스플레이를 떠나는 때의 상기 제2 손가락의 위치 간 거리를 포함하는, 컴퓨터로 구현되는 방법.
실시예 13: 실시예 1 내지 12 중 어느 하나에 있어서,
상기 수신 입력은,
상기 제1 손가락이 제1 포인트를 처음 터치한 시점부터 상기 터치스크린을 떠나는 시점까지 상기 제1 손가락에 의해 추적된 제1 경로를 나타내는 데이터 ― 상기 데이터는 제1 시작 포인트, 제1 종료 포인트 및 제1 경로 길이를 포함함 ― , 및
상기 제2 손가락이 제2 포인트를 처음 터치한 시점부터 상기 터치스크린을 떠나는 시점까지 상기 제2 손가락에 의해 추적된 제2 경로를 나타내는 데이터 ― 상기 데이터는 제2 시작 포인트, 제2 종료 포인트 및 제2 경로 길이를 포함함 ― 를 포함하는, 컴퓨터로 구현되는 방법.
실시예 14: 실시예 13에 있어서,
상기 디지털 바이오마커 특징 데이터는 제1 평활도 파라미터를 포함하며, 상기 제1 평활도 파라미터는 상기 제1 경로 길이와 상기 제1 시작 포인트와 상기 제1 종료 포인트 간 거리의 비이며,
상기 디지털 바이오마커 특징 데이터는 제2 평활도 파라미터를 포함하며, 상기 제2 평활도 파라미터는 상기 제2 경로 길이와 상기 제2 시작 포인트와 상기 제2 종료 포인트 간 거리의 비인, 컴퓨터로 구현되는 방법.
실시예 15: 실시예 1 내지 14 중 어느 하나에 있어서,
상기 방법은:
상기 모바일 장치의 터치스크린 디스플레이로부터 복수의 입력을 수신하는 단계 ― 상기 복수의 입력의 각각은 테스트 이미지 내 제1 포인트 상에 제1 손가락을 놓고 테스트 이미지 내 제2 포인트 상에 제2 손가락을 놓고 상기 제1 손가락과 상기 제2 손가락을 함께 핀치함으로써, 상기 제1 포인트와 상기 제2 포인트를 모으려는 사용자의 각각의 시도를 나타냄 ― , 및
복수의 수신 입력의 각각으로부터 각각의 디지털 바이오마커 특징 데이터를 추출함으로써 복수의 디지털 바이오마커 특징 데이터 각각을 생성하는 단계를 포함하는, 컴퓨터로 구현되는 방법.
실시예 16: 제15항에 있어서,
상기 방법은,
성공적인 시도에 대응하는 각각의 디지털 바이오마커 특징 데이터의 서브세트를 결정하는 단계를 더 포함하는, 컴퓨터로 구현되는 방법.
본 발명의 목적은 단순한 모바일 장치 기반 테스트를 사용해 사용자의 운동 제어에 영향을 미치는 질병의 진행을 결정하는 것이다. 이를 고려하여, 테스트의 성공은 바람직하게는 사용자가 터치스크린 디스플레이 표면에서 손가락을 들어올리지 않고 제1 포인트와 제2 포인트를 성공적으로 모을 수 있는 정도에 달려 있다. 시도가 성공했는지 여부를 결정하는 단계는 바람직하게는 제1 손가락이 터치스크린 디스플레이를 떠나는 위치와 제2 손가락이 터치스크린 디스플레이를 떠나는 위치 사이의 거리를 결정하는 것을 포함한다. 성공적인 시도는 이 거리가 사전 결정된 임계값 미만으로 떨어지는 시도로서 정의될 수 있다. 대안으로, 시도가 성공적이었는지 여부를 결정하는 단계는 제1 포인트의 초기 위치와 제2 포인트의 초기 위치 사이의 중간포인트로부터 제1 손가락이 터치스크린 디스플레이를 떠난 위치까지의 거리, 및 제1 포인트의 초기 위치와 제2 포인트의 초기 위치 사이의 중간포인트로부터 제2 손가락이 터치스크린 디스플레이를 떠난 위치까지의 거리를 결정하는 단계를 포함할 수 있다. 성공적인 시도는 두 가지 거리의 평균이 지정 임계값 미만인 시도 또는 대안으로, 두 거리 모두 지정 임계값 미만인 시도로서 정의될 수 있다.
실시예 17: 실시예 1 내지 14 중 어느 하나에 있어서,
상기 방법은,
상기 모바일 장치의 터치스크린 디스플레이로부터 복수의 입력을 수신하는 단계 ― 상기 복수의 입력의 각각은 테스트 이미지 내 제1 포인트 상에 제1 손가락을 놓고 테스트 이미지 내 제2 포인트 상에 제2 손가락을 놓고 상기 제1 손가락과 상기 제2 손가락을 함께 핀치함으로써, 상기 제1 포인트와 상기 제2 포인트를 모으려는 사용자의 각각의 시도를 나타냄 ― ,
성공적인 시도에 대응하는 복수의 수신 입력의 서브세트를 결정하는 단계, 및
결정된 복수의 수신 입력의 서브세트의 각각으로부터 각각의 디지털 바이오마커 특징 데이터를 추출함으로써 복수의 디지털 바이오마커 특징 데이터 각각을 생성하는 단계를 포함하는, 컴퓨터로 구현되는 방법.
실시예 18: 실시예 15 내지 17 중 어느 하나에 있어서,
상기 방법은,
복수의 디지털 바이오마커 특징 데이터, 또는
성공적인 시도에 대응하는 각각의 디지털 바이오마커 특징 데이터의 결정된 서브세트로부터 통계 파라미터를 도출하는 단계를 더 포함하는, 컴퓨터로 구현되는 방법.
실시예 19: 실시예 18에 있어서,
상기 통계 파라미터는,
복수의 디지털 바이오마커 특징 데이터의 평균, 및/또는
복수의 디지털 바이오마커 특징 데이터의 표준 편차, 및/또는
복수의 디지털 바이오마커 특징 데이터의 첨도,
복수의 디지털 바이오마커 특징 데이터의 중앙값,
복수의 디지털 바이오마커 특징 데이터의 백분위수를 포함하는, 컴퓨터로 구현되는 방법.
백분위수는 5%, 10%, 15%, 20%, 25%, 30%, 33%, 35%, 40%, 45%, 50%, 55%, 60%, 65%, 66%, 67%, 70%, 75%, 80%, 85%, 90%, 95%일 수 있다.
실시예 20: 실시예 14 내지 19 중 어느 하나에 있어서,
복수의 수신 입력은 제1 기간에 이어 제2 기간으로 이루어진 총 시간 내에 수신되며,
상기 복수의 수신 입력은,
상기 제1 기간 동안 수신된 수신 입력의 제1 서브세트 ― 상기 수신 입력의 제1 서브세트는 추출된 디지털 바이오마커 특징 데이터의 각각의 제1 서브세트를 가짐 ― , 및
상기 제2 기간 동안 수신 입력의 제2 서브세트 ― 수신 입력의 제2 서브세트는 추출된 디지털 바이오마커 특징 데이터의 각각의 제2 서브세트를 가짐 ― 를 포함하고,
상기 방법은,
추출된 디지털 바이오마커 특징 데이터의 제1 서브세트에 대응하는 제1 통계 파라미터를 도출하는 단계,
추출된 디지털 바이오마커 특징 데이터의 제2 서브세트에 대응하는 제2 통계 파라미터를 도출하는 단계, 및
상기 제1 통계 파라미터와 상기 제2 통계 파라미터 간 차이를 계산하고, 선택적으로, 상기 차이를 제1 통계 파라미터로 나눔으로써, 피로 파라미터를 계산하는 단계를 더 포함하는, 컴퓨터로 구현되는 방법.
실시예 21: 실시예 20에 있어서,
제1 기간과 제2 기간은 동일한 지속시간을 갖는, 컴퓨터로 구현되는 방법.
실시예 22: 실시예 15 내지 21 중 어느 하나에 있어서,
상기 복수의 수신 입력은,
사용자의 우세 손의 제1 손가락을 테스트 이미지 내 제1 포인트 상에 두고 사용자의 우세 손의 제2 손가락을 테스트 이미지 내 제2 포인트 상에 두고, 사용자의 우세 손의 제1 손가락과 사용자의 우세 손의 제2 손가락을 함께 핀치함으로써, 제1 포인트와 제2 포인트를 모으려는 사용자의 시도를 각각 나타내는, 수신 입력의 제1 서브세트 ― 수신 입력의 제1 서브세트는 추출된 디지털 바이오마커 특징 데이터의 각각의 제1 서브세트를 가짐 ― , 및
사용자의 비-우세 손의 제1 손가락을 테스트 이미지 내 제1 포인트 상에 두고 사용자의 비-우세 손의 제2 손가락을 테스트 이미지 내 제2 포인트 상에 두고, 사용자의 비-우세 손의 제1 손가락과 사용자의 비-우세 손의 제2 손가락을 함께 핀치함으로써, 제1 포인트와 제2 포인트를 모으려는 사용자의 시도를 각각 나타내는, 수신 입력의 제2 서브세트 ― 수신 입력의 제2 서브세트는 추출된 디지털 바이오마커 특징 데이터의 각각의 제2 서브세트를 가짐 ― 를 포함하며,
상기 방법은,
추출된 디지털 바이오마커 특징 데이터의 제1 서브세트에 대응하는 제1 통계 파라미터를 도출하는 단계,
추출된 디지털 바이오마커 특징 데이터의 제2 서브세트에 대응하는 제2 통계 파라미터를 도출하는 단계, 및
상기 제1 통계 파라미터와 상기 제2 통계 파라미터 간 차이를 계산하고, 선택적으로, 상기 차이를 제1 통계 파라미터 또는 제2 통계 파라미터로 나눔으로써, 손잡이(handedness) 파라미터를 계산하는 단계를 더 포함하는, 컴퓨터로 구현되는 방법.
실시예 23: 실시예 15 내지 22 중 어느 하나에 있어서,
상기 방법은,
상기 제1 손가락 및 상기 제2 손가락만이 상기 터치스크린 디스플레이에 접촉하는 사용자 시도에 대응하는 복수의 수신 입력 중 제1 서브세트를 결정하는 단계,
하나의 손가락만 또는 셋 이상의 손가락이 상기 터치스크린 디스플레이에 접촉하는 사용자 시도에 대응하는 복수의 수신 입력 중 제2 서브세트를 결정하는 단계를 더 포함하며,
상기 디지털 바이오마커 특징 데이터는,
수신 입력의 제1 서브세트 내 수신 입력의 수, 및/또는
수신 입력의 제1 서브세트에 있는 수신 입력의 총 수의 비율을 포함하는, 컴퓨터로 구현되는 방법.
실시예 24: 실시예 15 내지 23 중 어느 하나에 있어서,
복수의 수신 입력의 각각의 수신 입력은,
상기 제1 손가락이 제1 포인트를 초기에 터치하는 시점을 나타내는 데이터,
상기 제2 손가락이 제2 포인트를 초기에 터치하는 시점을 나타내는 데이터,
상기 제1 손가락이 상기 터치스크린 디스플레이를 떠나는 시점을 나타내는 데이터, 및
상기 제2 손가락이 상기 터치스크린 디스플레이를 떠나는 시점을 나타내는 데이터를 포함하며,
상기 방법은, 각각의 연속적인 입력 쌍에 대해,
연속적인 수신 입력 쌍 중 제1 입력 쌍에 대해, 제1 손가락이 터치스크린 디스플레이를 떠나는 시점 및 제2 손가락이 터치스크린 디스플레이를 떠나는 시점 중 늦은 시점과
연속적인 수신 입력 쌍 중 제2 입력 쌍에 대해, 제1 손가락이 제1 포인트를 초기에 터치한 시점 및 제2 손가락이 제2 포인트를 터치한 시점 중 이른 시점
간 시간 간격을 결정하는 단계를 더 포함하며,
상기 추출된 디지털 바이오마커 특징 데이터는,
결정된 시간 간격의 세트,
결정된 시간 간격의 평균,
결정된 시간 간격의 표준 편차, 및/또는
결정된 시간 간격의 첨도를 포함하는, 컴퓨터로 구현되는 방법.
실시예 25: 실시예 1 내지 24 중 어느 하나에 있어서,
상기 방법은 가속도 데이터를 획득하는 단계를 더 포함하는, 컴퓨터로 구현되는 방법.
실시예 26: 실시예 25에 있어서,
가속도 데이터는,
(a) 전체 테스트 지속시간 동안 가속도의 크기로부터 도출된 통계 파라미터,
(b) 상기 제1 손가락, 상기 제2 손가락 또는 두 손가락 모두가 상기 터치스크린 디스플레이와 접촉하는 기간 동안에만 가속도의 크기로부터 도출된 통계 파라미터, 및
(c) 어떠한 손가락도 터치스크린 디스플레이와 접촉하지 않는 기간 동안만의 가속도의 크기의 통계 파라미터
중 하나 이상을 포함하는, 컴퓨터로 구현되는 방법.
실시예 27: 실시예 20에 있어서,
상기 통계 파라미터는,
평균,
표준 편차,
중앙값,
첨도, 및
백분위수
중 하나 이상을 포함하는, 컴퓨터로 구현되는 방법.
실시예 28: 실시예 25 내지 27 중 어느 하나에 있어서,
가속도 데이터는 z-축 편차 파라미터를 포함하며, 상기 z-축 편차 파라미터를 결정하는 것은,
복수의 시점의 각각에 대해, 가속도의 z-성분의 크기를 결정하고, 모든 시점에 걸쳐 가속도의 z-성분의 표준 편차를 계산하는 것 ― z-방향은 터치스크린 디스플레이의 평면에 수직인 방향으로 정의됨 ― 을 포함하는, 컴퓨터로 구현되는 방법.
실시예 29: 실시예 25 내지 28 중 어느 하나에 있어서,
가속도 데이터는 표준 편차 놈(norm) 파라미터를 포함하고, 상기 표준 편차 놈 파라미터를 결정하는 것은,
복수의 시점의 각각에 대해, 가속도의 x-성분의 크기를 결정하고, 모든 시점에 걸쳐 가속도의 x-성분의 표준 편차를 계산하는 것,
복수의 시점의 각각에 대해, 가속도의 y-성분의 크기를 결정하고, 모든 시점에 걸쳐 가속도의 y-성분의 표준 편차를 계산하는 것,
복수의 시점의 각각에 대해, 가속도의 z-성분의 크기를 결정하고, 모든 시점에 걸쳐 가속도의 z-성분의 표준 편차를 계산하는 것 ― z-방향은 터치스크린 디스플레이의 평면에 수직인 방향으로 정의됨 ― , 및
x-성분, y-성분, 및 z-성분의 각자의 표준 편차를 구적법으로 더함으로써 놈을 계산하는 것을 포함하는, 컴퓨터로 구현되는 방법.
실시예 30: 실시예 25 내지 29 중 어느 하나에 있어서,
가속도 데이터는 수평성 파라미터를 포함하며, 상기 수평성 파라미터를 결정하는 것은,
복수의 시점의 각각에 대해,
가속도의 크기, 및
가속도의 z-성분의 크기 ― z-방향은 상기 터치스크린 디스플레이의 평면에 수직인 방향으로 정의됨 ― ,
가속도의 z-성분과 가속도의 크기의 비를 결정하는 것,
복수의 시점에 걸쳐 결정된 비들의 평균을 결정하는 것을 포함하는, 컴퓨터로 구현되는 방법.
실시예 31: 실시예 25 내지 30 중 어느 하나에 있어서,
가속도 데이터는 배향 안정성 파라미터를 포함하며, 배향 안정성 파라미터를 결정하는 것은,
복수의 시점의 각각에 대해,
가속도의 크기, 및
가속도의 z-성분의 크기 ― z-방향은 상기 터치스크린 디스플레이의 평면에 수직인 방향으로 정의됨 ― ,
가속도의 z-성분과 가속도 값의 크기의 비를 결정하는 것,
복수의 시점에 걸쳐 결정된 비들의 표준 편차를 결정하는 것을 포함하는, 컴퓨터로 구현되는 방법.
실시예 32: 실시예 1 내지 31 중 어느 하나에 있어서,
적어도 하나의 분석 모델을 상기 디지털 바이오마커 특징 데이터 또는 디지털 바이오마커 특징 데이터로부터 도출된 통계 파라미터에 적용하는 단계, 및
적어도 하나의 분석 모델의 출력에 기초하여 적어도 하나의 임상 파라미터의 값을 예측하는 단계를 더 포함하는, 컴퓨터로 구현되는 방법.
실시예 33: 실시예 32에 있어서,
상기 분석 모델은 훈련된 머신 러닝 모델을 포함하는, 컴퓨터로 구현되는 방법.
실시예 34: 실시예 33에 있어서,
분석 모델은 회귀 모델이고, 훈련된 머신 러닝 모델은,
딥 러닝 알고리즘,
k 최근접 이웃(kNN),
선형 회귀,
부분 최소-제곱(PLS),
랜덤 포레스트(RF), 및
익스트림 랜덤 트리(XT)
의 알고리즘 중 하나 이상을 포함하는, 컴퓨터로 구현되는 방법.
실시예 35: 실시예 33에 있어서,
분석 모델은 분류 모델이고, 훈련된 머신 러닝 모델은,
딥 러닝 알고리즘,
k 최근접 이웃(kNN),
서포트 벡터 머신(SVM),
선형 판별 분석,
이차 판별 분석(QDA),
나이브 베이즈(NB),
랜덤 포레스트(RF), 및
익스트림 랜덤 트리(XT)
의 알고리즘 중 하나 이상을 포함하는, 컴퓨터로 구현되는 방법.
실시예 36: 실시예 1 내지 35 중 어느 하나에 있어서,
상기 상태가 예측될 질병은 다발성 경화증이고 임상 파라미터는 확장된 장애 상태 척도(EDSS) 값을 포함,
상기 상태가 예측될 질병은 척수성근위축증이고 임상 파라미터는 강제 폐활량(FVC) 값을 포함, 또는
상기 상태가 예측될 질병은 헌팅턴병이고 임상 파라미터는 총 운동 점수(TMS) 값을 포함하는, 컴퓨터로 구현되는 방법.
실시예 37: 실시예 1 내지 36 중 어느 하나에 있어서,
상기 방법은 적어도 하나의 분석 모델을 결정하는 단계를 더 포함하며, 상기 적어도 하나의 분석 모델을 결정하는 단계는,
(a) 적어도 하나의 통신 인터페이스를 통해 입력 데이터를 수신하는 단계 ― 입력 데이터는 과거 디지털 바이오마커 특징 데이터의 세트를 포함하고, 여기서 세트 과거 디지털 바이오마커 특징 데이터는 예측될 질병 상태를 나타내는 복수의 측정값을 포함함 ― ,
(b) 입력 데이터 세트로부터 적어도 하나의 훈련 데이터 세트 및 적어도 하나의 테스트 데이터 세트를 결정하는 단계,
(c) 훈련 데이터 세트로 적어도 하나의 알고리즘을 포함하는 머신 러닝 모델을 훈련함으로써 분석 모델을 결정하는 단계,
(d) 결정된 분석 모델을 사용하여 테스트 데이터 세트에 대한 임상 파라미터를 예측하는 단계,
(e) 예측된 표적 변수 및 테스트 데이터 세트의 임상 파라미터의 참값에 기초하여 결정된 분석 모델의 성능을 결정하는 단계를 포함하는, 컴퓨터로 구현되는 방법.
실시예 38: 실시예 37에 있어서,
단계 (c)에서 복수의 분석 모델은 훈련 데이터 세트로 복수의 머신 러닝 모델을 훈련함으로써 결정되며, 상기 머신 러닝 모델은 그들의 알고리즘에 의해 구별되며, 단계 d)에서 복수의 임상 파라미터는 결정된 분석 모델을 사용하여 테스트 데이터 세트에서 예측되며,
단계 (e)에서, 상기 예측된 표적 변수와 상기 테스트 데이터 세트의 임상 파라미터의 참값을 기초로 각각의 결정된 분석 모델의 성능이 결정되고, 상기 방법은 최상의 성능을 갖는 분석 모델을 결정하는 단계를 더 포함하는, 컴퓨터로 구현되는 방법.
실시예 39: 질병의 상태 또는 진행을 나타내는 임상 파라미터를 정량적으로 결정하기 위한 시스템으로서, 상기 시스템은,
터치스크린 디스플레이, 사용자 입력 인터페이스, 및 제1 처리 유닛을 갖는 모바일 장치, 및
제2 처리 유닛을 포함하며,
이때,
상기 모바일 장치는 상기 모바일 장치의 사용자에게 원위 운동 테스트를 제공하도록 구성되며, 상기 원위 운동 테스트를 제공하는 것은,
상기 제1 처리 유닛이 상기 모바일 장치의 터치스크린 디스플레이가 테스트 이미지를 디스플레이하게 하는 것을 포함하며,
상기 사용자 입력 인터페이스는 상기 터치스크린 디스플레이로부터 테스트 이미지 내 제1 포인트 상에 제1 손가락을 놓고 테스트 이미지 내 제2 포인트 상에 제2 손가락을 놓고 상기 제1 손가락과 상기 제2 손가락을 함께 핀치함으로써, 상기 제1 포인트와 상기 제2 포인트를 모으려는 사용자의 시도를 나타내는 입력을 수신하도록 구성되며,
상기 제1 처리 유닛 또는 상기 제2 처리 유닛은 수신 입력으로부터 디지털 바이오마커 특징 데이터를 추출하도록 구성되는, 시스템.
실시예 40: 실시예 39에 있어서,
제1 포인트와 제2 포인트는 테스트 이미지에서 특정 및/또는 식별되는, 시스템.
실시예 41: 실시예 39에 있어서,
제1 포인트는 테스트 이미지에서 특정되지 않고 제1 손가락이 터치스크린 디스플레이를 터치하는 포인트로서 정의되고,
제2 포인트는 테스트 이미지에서 특정되지 않고 제2 손가락이 터치스크린 디스플레이를 터치하는 포인트로서 정의되는, 시스템.
실시예 42: 실시예 39 내지 41 중 어느 하나에 있어서,
추출된 디지털 바이오마커 특징 데이터가 임상 파라미터인, 시스템.
실시예 43: 실시예 39 내지 41 중 어느 하나에 있어서,
상기 제1 처리 유닛 또는 상기 제2 처리 유닛은 추출된 디지털 바이오마커 특징 데이터로부터 임상 파라미터를 계산하도록 구성되는, 시스템.
실시예 44: 실시예 39 내지 43 중 어느 하나에 있어서,
상기 수신 입력은,
상기 제1 손가락이 상기 터치스크린 디스플레이를 떠나는 시점을 나타내는 데이터,
상기 제2 손가락이 상기 터치스크린 디스플레이를 떠나는 시점을 나타내는 데이터를 포함하는, 시스템.
실시예 45: 실시예 44에 있어서,
상기 디지털 바이오마커 특징 데이터는 상기 제1 손가락이 상기 터치스크린 디스플레이를 떠나는 시점과 상기 제2 손가락이 상기 터치스크린 디스플레이를 떠나는 시점 사이의 차이를 포함하는, 시스템.
실시예 46: 실시예 39 내지 45 중 어느 하나에 있어서,
상기 수신 입력은,
상기 제1 손가락이 제1 포인트를 초기에 터치하는 시점을 나타내는 데이터,
상기 제2 손가락이 제2 포인트를 초기에 터치하는 시점을 나타내는 데이터를 포함하는, 시스템.
실시예 47: 실시예 46에 있어서,
상기 디지털 바이오마커 특징 데이터는 상기 제1 손가락이 제1 포인트를 초기에 터치한 시점과 제2 손가락이 제2 포인트를 초기에 터치한 시점 간 차이를 포함하는, 시스템.
실시예 48: 실시예 46 또는 실시예 47에 있어서,
상기 디지털 바이오마커 특징 데이터는,
제1 손가락이 제1 포인트를 초기에 터치한 시점, 및 제2 손가락이 제2 포인트를 초기에 터치한 시점 중 이른 시점과,
제1 손가락이 터치스크린 디스플레이를 떠나는 때 및 제2 손가락이 터치스크린 디스플레이를 떠나는 때 중 늦은 시점 간 차이를 포함하는, 시스템.
실시예 49: 실시예 39 내지 48 중 어느 하나에 있어서,
상기 수신 입력은,
상기 제1 손가락이 상기 터치스크린 디스플레이를 떠나는 때의 상기 제1 손가락의 위치를 나타내는 데이터, 및
상기 제2 손가락이 상기 터치스크린 디스플레이를 떠나는 때의 상기 제2 손가락의 위치를 나타내는 데이터를 포함하는, 시스템.
실시예 50: 실시예 49에 있어서,
상기 디지털 바이오마커 특징 데이터는 상기 제1 손가락이 상기 터치스크린 디스플레이를 떠나는 때의 상기 제1 손가락의 위치와 제2 손가락이 상기 터치스크린 디스플레이를 떠나는 때의 상기 제2 손가락의 위치 간 거리를 포함하는, 컴퓨터로 구현되는 방법.
실시예 51: 실시예 39 내지 50 중 어느 하나에 있어서,
상기 수신 입력은,
상기 제1 손가락이 제1 포인트를 처음 터치한 시점부터 상기 터치스크린을 떠나는 시점까지 상기 제1 손가락에 의해 추적된 제1 경로를 나타내는 데이터 ― 상기 데이터는 제1 시작 포인트, 제1 종료 포인트 및 제1 경로 길이를 포함함 ― , 및
상기 제2 손가락이 제2 포인트를 처음 터치한 시점부터 상기 터치스크린을 떠나는 시점까지 상기 제2 손가락에 의해 추적된 제2 경로를 나타내는 데이터 ― 상기 데이터는 제2 시작 포인트, 제2 종료 포인트 및 제2 경로 길이를 포함함 ― 를 포함하는, 시스템.
실시예 52: 실시예 51에 있어서,
상기 디지털 바이오마커 특징 데이터는 제1 평활도 파라미터를 포함하며, 상기 제1 평활도 파라미터는 상기 제1 경로 길이와 상기 제1 시작 포인트와 상기 제1 종료 포인트 간 거리의 비이며,
상기 디지털 바이오마커 특징 데이터는 제2 평활도 파라미터를 포함하며, 상기 제2 평활도 파라미터는 상기 제2 경로 길이와 상기 제2 시작 포인트와 상기 제2 종료 포인트 간 거리의 비인, 시스템.
실시예 53: 실시예 39 내지 52 중 어느 하나에 있어서,
사용자 입력 인터페이스는 상기 모바일 장치의 터치스크린 디스플레이로부터 복수의 입력을 수신하도록 구성되며, 상기 복수의 입력의 각각은 테스트 이미지 내 제1 포인트 상에 제1 손가락을 놓고 테스트 이미지 내 제2 포인트 상에 제2 손가락을 놓고 상기 제1 손가락과 상기 제2 손가락을 함께 핀치함으로써, 상기 제1 포인트와 상기 제2 포인트를 모으려는 사용자의 각각의 시도를 나타내고,
제1 처리 유닛 또는 제2 처리 유닛은 복수의 수신 입력의 각각으로부터 각각의 디지털 바이오마커 특징 데이터를 추출함으로써 복수의 디지털 바이오마커 특징 데이터 각각을 생성하도록 구성되는, 시스템.
실시예 54: 실시예 53에 있어서,
제1 처리 유닛 또는 제2 처리 유닛은 성공적인 시도에 대응하는 각각의 디지털 바이오마커 특징 데이터의 서브세트를 결정하도록 구성되는, 시스템.
실시예 55: 실시예 39 내지 52 중 어느 하나에 있어서,
사용자 입력 인터페이스는 상기 모바일 장치의 터치스크린 디스플레이로부터 복수의 입력을 수신하도록 구성되며, 상기 복수의 입력의 각각은 테스트 이미지 내 제1 포인트 상에 제1 손가락을 놓고 테스트 이미지 내 제2 포인트 상에 제2 손가락을 놓고 상기 제1 손가락과 상기 제2 손가락을 함께 핀치함으로써, 상기 제1 포인트와 상기 제2 포인트를 모으려는 사용자의 각각의 시도를 나타내고,
상기 제1 처리 유닛 또는 상기 제2 처리 유닛은
성공적인 시도에 대응하는 복수의 수신 입력의 서브세트를 결정하고,
결정된 복수의 수신 입력의 서브세트의 각각으로부터 각각의 디지털 바이오마커 특징 데이터를 추출함으로써 복수의 디지털 바이오마커 특징 데이터 각각을 생성하도록 구성되는, 시스템.
실시예 56: 실시예 53 내지 55 중 어느 하나에 있어서,
상기 제1 처리 유닛 또는 상기 제2 처리 유닛은,
복수의 디지털 바이오마커 특징 데이터, 또는
성공적인 시도에 대응하는 각각의 디지털 바이오마커 특징 데이터의 결정된 서브세트
로부터 통계 파라미터를 도출하도록 구성되는, 시스템.
실시예 57: 실시예 56에 있어서,
상기 통계 파라미터는,
복수의 디지털 바이오마커 특징 데이터의 평균, 및/또는
복수의 디지털 바이오마커 특징 데이터의 표준 편차, 및/또는
복수의 디지털 바이오마커 특징 데이터의 첨도를 포함하는, 시스템.
실시예 58: 실시예 53 내지 57 중 어느 하나에 있어서,
복수의 수신 입력은 제1 기간에 이어 제2 기간으로 이루어진 총 시간 내에 수신되며,
상기 복수의 수신 입력은,
상기 제1 기간 동안 수신된 수신 입력의 제1 서브세트 ― 상기 수신 입력의 제1 서브세트는 추출된 디지털 바이오마커 특징 데이터의 각각의 제1 서브세트를 가짐 ― , 및
상기 제2 기간 동안 수신 입력의 제2 서브세트 ― 수신 입력의 제2 서브세트는 추출된 디지털 바이오마커 특징 데이터의 각각의 제2 서브세트를 가짐 ― 을 포함하고,
상기 제1 처리 유닛 또는 상기 제2 처리 유닛은
추출된 디지털 바이오마커 특징 데이터의 제1 서브세트에 대응하는 제1 통계 파라미터를 도출하고,
추출된 디지털 바이오마커 특징 데이터의 제2 서브세트에 대응하는 제2 통계 파라미터를 도출하며,
상기 제1 통계 파라미터와 상기 제2 통계 파라미터 간 차이를 계산하고, 선택적으로, 상기 차이를 제1 통계 파라미터로 나눔으로써, 피로 파라미터를 계산하도록 구성되는, 시스템.
실시예 59: 실시예 58에 있어서,
제1 기간과 제2 기간은 동일한 지속시간을 갖는, 시스템.
실시예 60: 실시예 53 내지 59 중 어느 하나에 있어서,
상기 복수의 수신 입력은,
사용자의 우세 손의 제1 손가락을 테스트 이미지 내 제1 포인트 상에 두고 사용자의 우세 손의 제2 손가락을 테스트 이미지 내 제2 포인트 상에 두고, 사용자의 우세 손의 제1 손가락과 사용자의 우세 손의 제2 손가락을 함께 핀치함으로써, 제1 포인트와 제2 포인트를 모으려는 사용자의 시도를 각각 나타내는, 수신 입력의 제1 서브세트 ― 수신 입력의 제1 서브세트는 추출된 디지털 바이오마커 특징 데이터의 각각의 제1 서브세트를 가짐 ― , 및
사용자의 비-우세 손의 제1 손가락을 테스트 이미지 내 제1 포인트 상에 두고 사용자의 비-우세 손의 제2 손가락을 테스트 이미지 내 제2 포인트 상에 두고, 사용자의 비-우세 손의 제1 손가락과 사용자의 비-우세 손의 제2 손가락을 함께 핀치함으로써, 제1 포인트와 제2 포인트를 모으려는 사용자의 시도를 각각 나타내는, 수신 입력의 제2 서브세트 ― 수신 입력의 제2 서브세트는 추출된 디지털 바이오마커 특징 데이터의 각각의 제2 서브세트를 가짐 ― 를 포함하며,
상기 제1 처리 유닛 또는 상기 제2 처리 유닛은
추출된 디지털 바이오마커 특징 데이터의 제1 서브세트에 대응하는 제1 통계 파라미터를 도출하고,
추출된 디지털 바이오마커 특징 데이터의 제2 서브세트에 대응하는 제2 통계 파라미터를 도출하며,
상기 제1 통계 파라미터와 상기 제2 통계 파라미터 간 차이를 계산하고, 선택적으로, 상기 차이를 제1 통계 파라미터 또는 제2 통계 파라미터로 나눔으로써, 손잡이(handedness) 파라미터를 계산하도록 구성되는, 시스템.
실시예 61: 실시예 53 내지 60 중 어느 하나에 있어서,
상기 제1 처리 유닛 또는 상기 제2 처리 유닛은
상기 제1 손가락 및 상기 제2 손가락만이 상기 터치스크린 디스플레이에 접촉하는 사용자 시도에 대응하는 복수의 수신 입력 중 제1 서브세트를 결정하고,
하나의 손가락만 또는 셋 이상의 손가락이 상기 터치스크린 디스플레이에 접촉하는 사용자 시도에 대응하는 복수의 수신 입력 중 제2 서브세트를 결정하도록 구성되며,
상기 디지털 바이오마커 특징 데이터는,
수신 입력의 제1 서브세트 내 수신 입력의 수, 및/또는
수신 입력의 제1 서브세트에 있는 수신 입력의 총 수의 비율을 포함하는, 시스템.
실시예 62: 실시예 53 내지 61 중 어느 하나에 있어서,
복수의 수신 입력의 각각의 수신 입력은,
상기 제1 손가락이 제1 포인트를 초기에 터치하는 시점을 나타내는 데이터,
상기 제2 손가락이 제2 포인트를 초기에 터치하는 시점을 나타내는 데이터,
상기 제1 손가락이 상기 터치스크린 디스플레이를 떠나는 시점을 나타내는 데이터, 및
상기 제2 손가락이 상기 터치스크린 디스플레이를 떠나는 시점을 나타내는 데이터를 포함하며,
제1 처리 유닛 또는 제2 처리 유닛은, 각각의 연속적인 입력 쌍에 대해,
연속적인 수신 입력 쌍 중 제1 입력 쌍에 대해, 제1 손가락이 터치스크린 디스플레이를 떠나는 시점 및 제2 손가락이 터치스크린 디스플레이를 떠나는 시점 중 늦은 시점과
연속적인 수신 입력 쌍 중 제2 입력 쌍에 대해, 제1 손가락이 제1 포인트를 초기에 터치한 시점 및 제2 손가락이 제2 포인트를 터치한 시점 중 이른 시점
간 시간 간격을 결정하도록 구성되며,
상기 추출된 디지털 바이오마커 특징 데이터는,
결정된 시간 간격의 세트,
결정된 시간 간격의 평균,
결정된 시간 간격의 표준 편차, 및/또는
결정된 시간 간격의 첨도를 포함하는, 시스템.
실시예 63: 실시예 39 내지 62 중 어느 하나에 있어서,
상기 시스템은 모바일 장치의 가속도를 측정하도록 구성된 가속도계를 더 포함하며,
제1 처리 유닛, 제2 처리 유닛, 또는 가속도계는 측정된 가속도에 기초하여 가속도 데이터를 생성하도록 구성되는, 시스템.
실시예 64: 실시예 63에 있어서,
가속도 데이터는,
(a) 전체 테스트 지속시간 동안 가속도의 크기로부터 도출된 통계 파라미터,
(b) 상기 제1 손가락, 상기 제2 손가락 또는 두 손가락 모두가 상기 터치스크린 디스플레이와 접촉하는 기간 동안에만 가속도의 크기로부터 도출된 통계 파라미터, 및
(c) 어떠한 손가락도 터치스크린 디스플레이와 접촉하지 않는 기간 동안만의 가속도의 크기의 통계 파라미터
중 하나 이상을 포함하는, 시스템.
실시예 65: 실시예 64에 있어서,
상기 통계 파라미터는,
평균,
표준 편차,
중앙값,
첨도, 및
백분위수
중 하나 이상을 포함하는, 시스템.
실시예 66: 실시예 63 내지 65 중 어느 하나에 있어서,
가속도 데이터는 z-축 편차 파라미터를 포함하며, 상기 z-축 편차 파라미터를 결정하는 것,
제1 처리 유닛 또는 제2 처리 유닛은 복수의 시점의 각각에 대해, 가속도의 z-성분의 크기를 결정하고, 모든 시점에 걸쳐 가속도의 z-성분의 표준 편차를 계산함으로써 z-축 편차 파라미터를 생성하도록 구성되며, z-방향은 터치스크린 디스플레이의 평면에 수직인 방향으로 정의되는, 시스템.
실시예 67: 실시예 63 내지 66 중 어느 하나에 있어서,
가속도 데이터는 표준 편차 놈(norm) 파라미터를 포함하고, 제1 처리 유닛 또는 제2 처리 유닛은,
복수의 시점의 각각에 대해, 가속도의 x-성분의 크기를 결정하고, 모든 시점에 걸쳐 가속도의 x-성분의 표준 편차를 계산하는 것,
복수의 시점의 각각에 대해, 가속도의 y-성분의 크기를 결정하고, 모든 시점에 걸쳐 가속도의 y-성분의 표준 편차를 계산하는 것,
복수의 시점의 각각에 대해, 가속도의 z-성분의 크기를 결정하고, 모든 시점에 걸쳐 가속도의 z-성분의 표준 편차를 계산하는 것 ― z-방향은 터치스크린 디스플레이의 평면에 수직인 방향으로 정의됨 ― , 및
x-성분, y-성분, 및 z-성분의 각자의 표준 편차를 구적법으로 더함으로써 놈을 계산하는 것
에 의해 표준 편차 놈 파라미터를 결정하도록 구성되는, 시스템.
실시예 68: 실시예 63 내지 67 중 어느 하나에 있어서,
가속도 데이터는 수평성 파라미터를 포함하고, 제1 처리 유닛 또는 제2 처리 유닛은,
복수의 시점의 각각에 대해,
가속도의 크기, 및
가속도의 z-성분의 크기 ― z-방향은 상기 터치스크린 디스플레이의 평면에 수직인 방향으로 정의됨 ― ,
가속도의 z-성분과 가속도의 크기의 비를 결정하는 것, 및
복수의 시점에 걸쳐 결정된 비들의 평균을 결정하는 것
에 의해 수평성 파라미터를 결정하도록 구성되는, 시스템.
실시예 69: 실시예 63 내지 68 중 어느 하나에 있어서,
가속도 데이터는 배향 안정성 파라미터를 포함하고, 제1 처리 유닛 또는 제2 처리 유닛은,
복수의 시점의 각각에 대해,
가속도의 크기, 및
가속도의 z-성분의 크기 ― z-방향은 상기 터치스크린 디스플레이의 평면에 수직인 방향으로 정의됨 ― ,
가속도의 z-성분과 가속도 값의 크기의 비를 결정하는 것, 및
복수의 시점에 걸쳐 결정된 비들의 표준 편차를 결정하는 것
에 의해 배향 안정성 파라미터를 결정하도록 구성되는, 시스템.
실시예 70: 실시예 39 내지 69 중 어느 하나에 있어서,
제2 처리 유닛은 적어도 하나의 분석 모델을 상기 디지털 바이오마커 특징 데이터 또는 디지털 바이오마커 특징 데이터로부터 도출된 통계 파라미터에 적용하고, 적어도 하나의 분석 모델의 출력에 기초하여 적어도 하나의 임상 파라미터의 값을 예측하도록 구성되는, 시스템.
실시예 71: 실시예 70에 있어서,
상기 분석 모델은 훈련된 머신 러닝 모델을 포함하는, 시스템.
실시예 72: 실시예 71에 있어서,
분석 모델은 회귀 모델이고, 훈련된 머신 러닝 모델은,
딥 러닝 알고리즘,
k 최근접 이웃(kNN),
선형 회귀,
부분 최소-제곱(PLS),
랜덤 포레스트(RF), 및
익스트림 랜덤 트리(XT)
의 알고리즘 중 하나 이상을 포함하는, 시스템.
실시예 73: 실시예 71에 있어서,
분석 모델은 분류 모델이고, 훈련된 머신 러닝 모델은,
딥 러닝 알고리즘,
k 최근접 이웃(kNN),
서포트 벡터 머신(SVM),
선형 판별 분석,
이차 판별 분석(QDA),
나이브 베이즈(NB),
랜덤 포레스트(RF), 및
익스트림 랜덤 트리(XT)
의 알고리즘 중 하나 이상을 포함하는, 시스템.
실시예 74: 실시예 39 내지 73 중 어느 하나에 있어서,
상기 상태가 예측될 질병은 다발성 경화증이고 임상 파라미터는 확장된 장애 상태 척도(EDSS) 값을 포함,
상기 상태가 예측될 질병은 척수성근위축증이고 임상 파라미터는 강제 폐활량(FVC) 값을 포함, 또는
상기 상태가 예측될 질병은 헌팅턴병이고 임상 파라미터는 총 운동 점수(TMS) 값을 포함하는, 시스템.
실시예 75: 실시예 39 내지 74 중 어느 하나에 있어서,
상기 제1 처리 유닛과 상기 제2 처리 유닛은 동일한 처리 유닛인, 시스템.
실시예 76: 실시예 39 내지 74 중 어느 하나에 있어서,
상기 제1 처리 유닛은 상기 제2 처리 유닛과 별개인, 시스템.
실시예 77: 실시예 39 내지 76 중 어느 하나에 있어서, 질병 상태를 나타내는 임상 파라미터를 예측하기 위한 적어도 하나의 분석 모델을 결정하기 위한 머신 러닝 시스템을 더 포함하며, 상기 머신 러닝 시스템은,
입력 데이터를 수신하도록 구성된 적어도 하나의 통신 인터페이스 ― 입력 데이터는 과거 디지털 바이오마커 특징 데이터의 세트를 포함하고, 여기서 과거 디지털 바이오마커 특징 데이터의 세트는 예측될 질병 상태를 나타내는 복수의 측정값을 포함함 ― ,
적어도 하나의 알고리즘을 포함하는 적어도 하나의 머신 러닝 모델을 포함하는 적어도 하나의 모델 유닛,
적어도 하나의 처리 유닛 ― 처리 유닛은 입력 데이터 세트로부터 적어도 하나의 훈련 데이터 세트 및 적어도 하나의 테스트 데이터 세트를 결정하도록 구성되며, 상기 처리 유닛은 훈련 데이터 세트로 머신 러닝 모델을 훈련함으로써 분석 모델을 결정하도록 구성되고, 상기 처리 유닛은 결정된 분석 모델을 이용해 테스트 데이터 세트의 임상 파라미터를 예측하도록 구성되며, 상기 처리 유닛은 예측된 임상 파라미터 및 테스트 데이터 세트의 임상 파라미터의 참값에 기초하여 결정된 분석 모델의 성능을 결정하도록 구성되고, 상기 처리 유닛은 제1 처리 유닛 또는 제2 처리 유닛임 ― 을 포함하는, 시스템.
실시예 78: 질병의 상태 또는 진행을 나타내는 임상 파라미터를 정량적으로 결정하기 위한 컴퓨터로 구현되는 방법으로서, 상기 컴퓨터로 구현되는 방법은,
모바일 장치로부터 입력을 수신하는 단계 ― 상기 입력은,
가속도계로부터의 가속도 데이터 ― 상기 가속도 데이터는 복수의 포인트를 포함하며, 각 포인트는 각각의 시간에서의 가속도에 대응함 ― 를 포함함 ― ,
수신 입력으로부터 디지털 바이오마커 특징 데이터를 추출하는 단계 ― 디지털 바이오마커 특징 데이터를 추출하는 단계는,
복수의 포인트의 각각에 대해, 각각의 시간에서의 가속도의 총 크기와 가속도의 z-성분의 크기의 비를 결정하는 단계, 및
복수의 결정된 비로부터 통계 파라미터를 도출하는 단계 ― 상기 통계 파라미터는 평균, 표준 편차, 백분위수, 중앙값, 및 첨도를 포함함 ― 를 포함함 ― 를 포함하는, 컴퓨터로 구현되는 방법.
실시예 79: 질병의 상태 또는 진행을 나타내는 임상 파라미터를 정량적으로 결정하기 위한 시스템으로서, 상기 시스템은,
가속도계, 및 제1 처리 유닛을 갖는 모바일 장치, 및
제2 처리 유닛을 포함하며,
이때,
상기 가속도계는 가속도를 측정하도록 구성되고, 상기 가속도계 또는 상기 제1 처리 유닛 또는 상기 제2 처리 유닛은 복수의 포인트를 포함하는 가속도 데이터를 생성하도록 구성되며, 각 포인트는 각각의 시간에서의 가속도에 대응하고,
상기 제1 처리 유닛 또는 상기 제2 처리 유닛은,
복수의 포인트의 각각에 대해, 각각의 시간에서의 가속도의 총 크기와 가속도의 z-성분의 크기의 비를 결정하는 것, 및
복수의 결정된 비로부터 통계 파라미터를 도출하는 것 ― 상기 통계 파라미터는 평균, 표준 편차, 백분위수, 중앙값, 및 첨도를 포함함 ―
에 의해 수신 입력으로부터 디지털 바이오마커 특징 데이터를 추출하도록 구성되는, 시스템.
실시예 80: 질병의 상태 또는 진행을 나타내는 임상 파라미터를 정량적으로 결정하기 위한 컴퓨터로 구현되는 방법으로서, 상기 컴퓨터로 구현되는 방법은,
모바일 장치의 사용자에게 원위 운동 테스트를 제공하는 단계 ― 상기 모바일 장치는 터치스크린 디스플레이를 가지며, 상기 모바일 장치의 사용자에게 원위 운동 테스트를 제공하는 단계는,
모바일 장치의 터치스크린 디스플레이가, 참조 시작 포인트, 참조 종료 포인트, 시작 포인트와 종료 포인트 사이에서 추적될 참조 경로의 표시를 포함하는 이미지를 디스플레이하게 하는 단계를 포함함 ― ,
모바일 장치의 터치스크린 디스플레이로부터 입력을 수신하는 단계 ― 상기 입력은 사용자가 모바일 장치의 디스플레이 상의 참조 경로를 추적하려 시도함으로써, 추적된 테스트 경로를 나타내며, 테스트 경로는 테스트 시작 포인트, 테스트 종료 포인트, 및 테스트 시작 포인트와 테스트 종료 포인트 사이에 추적되는 테스트 경로를 포함함 ― ,
수신 입력으로부터 디지털 바이오마커 특징 데이터를 추출하는 단계 ― 디지털 바이오마커 특징 데이터는,
테스트 종료 포인트와 참조 종료 포인트 간 편차,
테스트 시작 포인트와 참조 시작 포인트 간 편차, 및/또는
테스트 시작 포인트와 참조 종료 포인트 간 편차를 포함함 ― 를 포함하는, 컴퓨터로 구현되는 방법.
실시예 81: 실시예 80에 있어서,
추출된 디지털 바이오마커 특징 데이터가 임상 파라미터인, 컴퓨터로 구현되는 방법.
실시예 82: 실시예 80에 있어서,
추출된 디지털 바이오마커 특징 데이터로부터 임상 파라미터를 계산하는 단계를 더 포함하는, 컴퓨터로 구현되는 방법.
실시예 83: 실시예 80 내지 82 중 어느 하나에 있어서,
참조 시작 포인트는 참조 종료 포인트와 동일하며, 참조 경로는 폐쇄 경로인, 컴퓨터로 구현되는 방법.
실시예 84: 실시예 83에 있어서,
폐쇄 경로는 사각형, 원형, 또는 8자형인, 컴퓨터로 구현되는 방법.
실시예 85: 실시예 80 내지 82 중 어느 하나에 있어서,
참조 시작 포인트는 참조 종료 포인트와 상이하며, 참조 경로는 개방 경로이고,
디지털 바이오마커 특징 데이터는 테스트 종료 포인트와 참조 종료 포인트 간 편차인, 컴퓨터로 구현되는 방법.
실시예 86: 실시예 85에 있어서,
개방 경로는 직선, 또는 나선인, 컴퓨터로 구현되는 방법.
실시예 87: 실시예 80 내지 86 중 어느 하나에 있어서,
상기 방법은,
터치스크린 디스플레이로부터 복수의 입력을 수신하는 단계 ― 복수의 입력의 각각은 사용자가 모바일 장치의 디스플레이 상의 참조 경로를 추적하려 시도함으로써 추적된 테스트 경로를 나타내며, 테스트 경로는 테스트 시작 포인트, 테스트 종료 포인트, 및 테스트 시작 포인트와 테스트 종료 포인트 사이에 추적되는 테스트 경로를 포함함 ― ,
복수의 수신 입력의 각각으로부터 디지털 바이오마커 특징 데이터를 추출함으로써 복수의 디지털 바이오마커 특징 데이터 각각을 생성하는 단계 ― 각각의 디지털 바이오마커 특징 데이터는,
각각의 수신 입력에 대한 테스트 종료 포인트와 참조 종료 포인트 간 편차,
테스트 시작 포인트와 참조 시작 포인트 간 편차, 및/또는
각각의 입력에 대한 테스트 시작 포인트와 테스트 종료 포인트 간 편차를 포함함 ― 를 포함하는, 컴퓨터로 구현되는 방법.
실시예 88: 실시예 87에 있어서,
상기 방법은,
복수의 디지털 바이오마커 특징 데이터로부터 통계 파라미터를 도출하는 단계를 포함하는, 컴퓨터로 구현되는 방법.
실시예 89: 실시예 88에 있어서,
상기 통계 파라미터는,
평균,
표준 편차,
백분위수,
첨도, 및
중앙값
중 하나 이상을 포함하는, 컴퓨터로 구현되는 방법.
실시예 90: 실시예 87 내지 89 중 어느 하나에 있어서,
상기 복수의 수신 입력은,
사용자가 사용자의 우세 손을 이용해 모바일 장치의 터치스크린 디스플레이 상의 참조 경로를 추적하려 시도함으로써 추적된 각각의 테스트 경로를 각각 나타내는 수신 입력의 제1 서브세트 ― 상기 수신 입력의 제1 서브세트는 추출된 디지털 바이오마커 특징 데이터의 각각의 제1 서브세트를 가짐 ― , 및
사용자가 사용자의 비-우세 손을 이용해 모바일 장치의 터치스크린 디스플레이 상의 참조 경로를 추적하려 시도함으로써 추적된 각각의 테스트 경로를 각각 나타내는 수신 입력의 제2 서브세트 ― 상기 수신 입력의 제2 서브세트는 추출된 디지털 바이오마커 특징 데이터의 각각의 제2 서브세트를 가짐 ― 를 포함하며,
상기 방법은,
추출된 디지털 바이오마커 특징 데이터의 제1 서브세트에 대응하는 제1 통계 파라미터를 도출하는 단계,
추출된 디지털 바이오마커 특징 데이터의 제2 서브세트에 대응하는 제2 통계 파라미터를 도출하는 단계, 및
상기 제1 통계 파라미터와 상기 제2 통계 파라미터 간 차이를 계산하고, 선택적으로, 상기 차이를 제1 통계 파라미터 또는 제2 통계 파라미터로 나눔으로써, 손잡이(handedness) 파라미터를 계산하는 단계를 더 포함하는, 컴퓨터로 구현되는 방법.
실시예 91: 실시예 87 내지 90 중 어느 하나에 있어서,
복수의 수신 입력은,
사용자가 제1 방향으로 모바일 장치의 터치스크린 디스플레이 상의 참조 경로를 추적하려 시도함으로써 추적된 각각의 테스트 경로를 각각 나타내는 수신 입력의 제1 서브세트 ― 상기 수신 입력의 제1 서브세트는 추출된 디지털 바이오마커 특징 데이터의 각각의 제1 서브세트를 가짐 ― , 및
사용자가 상기 제1 방향과 반대인, 제2 방향으로 모바일 장치의 터치스크린 디스플레이 상의 참조 경로를 추적하려 시도함으로써 추적된 각각의 테스트 경로를 각각 나타내는 수신 입력의 제2 서브세트 ― 상기 수신 입력의 제2 서브세트는 추출된 디지털 바이오마커 특징 데이터의 각각의 제2 서브세트를 가짐 ― 를 포함하며,
상기 방법은,
추출된 디지털 바이오마커 특징 데이터의 제1 서브세트에 대응하는 제1 통계 파라미터를 도출하는 단계,
추출된 디지털 바이오마커 특징 데이터의 제2 서브세트에 대응하는 제2 통계 파라미터를 도출하는 단계, 및
상기 제1 통계 파라미터와 상기 제2 통계 파라미터 간 차이를 계산하고, 선택적으로, 상기 차이를 제1 통계 파라미터 또는 제2 통계 파라미터로 나눔으로써, 방향성(directionality) 파라미터를 계산하는 단계를 더 포함하는, 컴퓨터로 구현되는 방법.
실시예 92: 실시예 80 내지 91 중 어느 하나에 있어서,
적어도 하나의 분석 모델을 상기 디지털 바이오마커 특징 데이터에 적용하는 단계,
상기 적어도 하나의 분석 모델의 출력에 기초하여 임상 파라미터를 결정하는 단계를 더 포함하는, 컴퓨터로 구현되는 방법.
실시예 93: 실시예 92에 있어서,
상기 분석 모델은 훈련된 머신 러닝 모델을 포함하는, 컴퓨터로 구현되는 방법.
실시예 94: 실시예 93에 있어서,
분석 모델은 회귀 모델이고, 훈련된 머신 러닝 모델은,
딥 러닝 알고리즘,
k 최근접 이웃(kNN),
선형 회귀,
부분 최소-제곱(PLS),
랜덤 포레스트(RF), 및
익스트림 랜덤 트리(XT)
의 알고리즘 중 하나 이상을 포함하는, 컴퓨터로 구현되는 방법.
실시예 95: 실시예 93에 있어서,
분석 모델은 분류 모델이고, 훈련된 머신 러닝 모델은,
딥 러닝 알고리즘,
k 최근접 이웃(kNN),
서포트 벡터 머신(SVM),
선형 판별 분석,
이차 판별 분석(QDA),
나이브 베이즈(NB),
랜덤 포레스트(RF), 및
익스트림 랜덤 트리(XT)
의 알고리즘 중 하나 이상을 포함하는, 컴퓨터로 구현되는 방법.
실시예 96: 실시예 80 내지 95 중 어느 하나에 있어서,
상기 상태가 예측될 질병은 다발성 경화증이고 임상 파라미터는 확장된 장애 상태 척도(EDSS) 값을 포함,
상기 상태가 예측될 질병은 척수성근위축증이고 임상 파라미터는 강제 폐활량(FVC) 값을 포함, 또는
상기 상태가 예측될 질병은 헌팅턴병이고 임상 파라미터는 총 운동 점수(TMS) 값을 포함하는, 컴퓨터로 구현되는 방법.
실시예 97: 실시예 80 내지 96 중 어느 하나에 있어서,
상기 방법은 적어도 하나의 분석 모델을 결정하는 단계를 더 포함하며, 상기 적어도 하나의 분석 모델을 결정하는 단계는,
(a) 적어도 하나의 통신 인터페이스를 통해 입력 데이터를 수신하는 단계 ― 입력 데이터는 과거 디지털 바이오마커 특징 데이터의 세트를 포함하고, 여기서 세트 과거 디지털 바이오마커 특징 데이터는 예측될 질병 상태를 나타내는 복수의 측정값을 포함함 ― ,
(b) 입력 데이터 세트로부터 적어도 하나의 훈련 데이터 세트 및 적어도 하나의 테스트 데이터 세트를 결정하는 단계,
(c) 훈련 데이터 세트로 적어도 하나의 알고리즘을 포함하는 머신 러닝 모델을 훈련함으로써 분석 모델을 결정하는 단계,
(d) 결정된 분석 모델을 사용하여 테스트 데이터 세트의 임상 파라미터를 예측하는 단계,
(e) 예측된 표적 변수 및 테스트 데이터 세트의 임상 파라미터의 참값에 기초하여 결정된 분석 모델의 성능을 결정하는 단계를 포함하는, 컴퓨터로 구현되는 방법.
실시예 98: 실시예 97에 있어서,
단계 (c)에서 복수의 분석 모델은 훈련 데이터 세트로 복수의 머신 러닝 모델을 훈련함으로써 결정되며, 상기 머신 러닝 모델은 그들의 알고리즘에 의해 구별되며, 단계 d)에서 복수의 임상 파라미터는 결정된 분석 모델을 사용하여 테스트 데이터 세트에서 예측되며,
단계 (e)에서, 상기 예측된 임상 파라미터와 상기 테스트 데이터 세트의 임상 파라미터의 참값을 기초로 각각의 결정된 분석 모델의 성능이 결정되고, 상기 방법은 최상의 성능을 갖는 분석 모델을 결정하는 단계를 더 포함하는, 컴퓨터로 구현되는 방법.
실시예 99: 질병의 상태 또는 진행을 나타내는 임상 파라미터를 정량적으로 결정하기 위한 시스템으로서, 상기 시스템은,
터치스크린 디스플레이, 사용자 입력 인터페이스, 및 제1 처리 유닛을 갖는 모바일 장치, 및
제2 처리 유닛을 포함하며,
이때,
상기 모바일 장치는 상기 모바일 장치의 사용자에게 원위 운동 테스트를 제공하도록 구성되며, 상기 원위 운동 테스트를 제공하는 것은,
제1 처리 유닛이 모바일 장치의 터치스크린 디스플레이로 하여금 참조 시작 포인트, 참조 종료 포인트, 시작 포인트와 종료 포인트 사이에서 추적될 참조 경로의 표시를 포함하는 이미지를 디스플레이하게 하는 것을 포함함 ― ,
사용자 입력 인터페이스는 터치스크린 디스플레이로부터 입력을 수신하도록 구성되며, 상기 입력은 사용자가 모바일 장치의 디스플레이 상의 참조 경로를 추적하려 시도함으로써, 추적된 테스트 경로를 나타내며, 테스트 경로는 테스트 시작 포인트, 테스트 종료 포인트, 및 테스트 시작 포인트와 테스트 종료 포인트 사이에 추적되는 테스트 경로를 포함함 ― ,
상기 제1 처리 유닛 또는 상기 제2 처리 유닛은 수신 입력으로부터 디지털 바이오마커 특징 데이터를 추출하도록 구성되며, 상기 디지털 바이오마커 특징 데이터는,
테스트 종료 포인트와 참조 종료 포인트 간 편차, 및/또는
테스트 시작 포인트와 테스트 종료 포인트 간 편차
를 포함하는, 시스템.
실시예 100: 실시예 99에 있어서,
추출된 디지털 바이오마커 특징 데이터가 임상 파라미터인, 시스템.
실시예 101: 실시예 99에 있어서,
상기 제1 처리 유닛 또는 상기 제2 처리 유닛은 추출된 디지털 바이오마커 특징 데이터로부터 임상 파라미터를 계산하도록 구성되는, 시스템.
실시예 102: 실시예 99 내지 101 중 어느 하나에 있어서,
참조 시작 포인트는 참조 종료 포인트와 동일하며, 참조 경로는 폐쇄 경로인, 시스템.
실시예 103: 실시예 102에 있어서,
폐쇄 경로는 사각형, 원형, 또는 8자형인, 시스템.
실시예 104: 실시예 99 내지 101 중 어느 하나에 있어서,
참조 시작 포인트는 참조 종료 포인트와 상이하며, 참조 경로는 개방 경로이고,
디지털 바이오마커 특징 데이터는 테스트 종료 포인트와 참조 종료 포인트 간 편차인, 시스템.
실시예 105: 실시예 104에 있어서,
개방 경로는 직선, 또는 나선인, 시스템.
실시예 106: 실시예 99 내지 105 중 어느 하나에 있어서,
사용자 입력 인터페이스는 터치스크린 디스플레이로부터 복수의 입력을 수신하도록 구성되며, 복수의 입력의 각각은 사용자가 모바일 장치의 디스플레이 상의 참조 경로를 추적하려 시도함으로써 추적된 테스트 경로를 나타내며, 테스트 경로는 테스트 시작 포인트, 테스트 종료 포인트, 및 테스트 시작 포인트와 테스트 종료 포인트 사이에 추적되는 테스트 경로를 포함하고,
제1 처리 유닛 또는 제2 처리 유닛은 복수의 수신 입력의 각각으로부터 디지털 바이오마커 특징 데이터를 추출함으로써 복수의 디지털 바이오마커 특징 데이터 각각을 생성하도록 구성되고, 각각의 디지털 바이오마커 특징 데이터는,
각각의 수신 입력에 대한 테스트 종료 포인트와 참조 종료 포인트 간 편차,
테스트 시작 포인트와 참조 시작 포인트 간 편차, 및/또는
각각의 입력에 대한 테스트 시작 포인트와 테스트 종료 포인트 간 편차를 포함함 ― 를 포함하는, 시스템.
실시예 107: 실시예 106에 있어서,
상기 제1 처리 유닛 또는 상기 제2 처리 유닛은 복수의 디지털 바이오마터 특징 데이터로부터 통계 파라미터를 도출하도록 더 구성되는, 시스템.
실시예 108: 실시예 107에 있어서,
상기 통계 파라미터는,
평균,
표준 편차,
백분위수,
첨도, 및
중앙값
중 하나 이상을 포함하는, 시스템.
실시예 109: 실시예 106 내지 108 중 어느 하나에 있어서,
복수의 수신 입력은,
사용자가 사용자의 우세 손을 이용해 모바일 장치의 터치스크린 디스플레이 상의 참조 경로를 추적하려 시도함으로써 추적된 각각의 테스트 경로를 각각 나타내는 수신 입력의 제1 서브세트 ― 상기 수신 입력의 제1 서브세트는 추출된 디지털 바이오마커 특징 데이터의 각각의 제1 서브세트를 가짐 ― , 및
사용자가 사용자의 비-우세 손을 이용해 모바일 장치의 터치스크린 디스플레이 상의 참조 경로를 추적하려 시도함으로써 추적된 각각의 테스트 경로를 각각 나타내는 수신 입력의 제2 서브세트 ― 상기 수신 입력의 제2 서브세트는 추출된 디지털 바이오마커 특징 데이터의 각각의 제2 서브세트를 가짐 ― 를 포함하며,
상기 제1 처리 유닛 또는 상기 제2 처리 유닛은
추출된 디지털 바이오마커 특징 데이터의 제1 서브세트에 대응하는 제1 통계 파라미터를 도출하고,
추출된 디지털 바이오마커 특징 데이터의 제2 서브세트에 대응하는 제2 통계 파라미터를 도출하며,
상기 제1 통계 파라미터와 상기 제2 통계 파라미터 간 차이를 계산하고, 선택적으로, 상기 차이를 제1 통계 파라미터 또는 제2 통계 파라미터로 나눔으로써, 손잡이(handedness) 파라미터를 계산하도록 구성되는, 시스템.
실시예 110: 실시예 106 내지 109 중 어느 하나에 있어서,
복수의 수신 입력은,
사용자가 제1 방향으로 모바일 장치의 터치스크린 디스플레이 상의 참조 경로를 추적하려 시도함으로써 추적된 각각의 테스트 경로를 각각 나타내는 수신 입력의 제1 서브세트 ― 상기 수신 입력의 제1 서브세트는 추출된 디지털 바이오마커 특징 데이터의 각각의 제1 서브세트를 가짐 ― , 및
사용자가 상기 제1 방향과 반대인, 제2 방향으로 모바일 장치의 터치스크린 디스플레이 상의 참조 경로를 추적하려 시도함으로써 추적된 각각의 테스트 경로를 각각 나타내는 수신 입력의 제2 서브세트 ― 상기 수신 입력의 제2 서브세트는 추출된 디지털 바이오마커 특징 데이터의 각각의 제2 서브세트를 가짐 ― 를 포함하며,
상기 제1 처리 유닛 또는 상기 제2 처리 유닛은
추출된 디지털 바이오마커 특징 데이터의 제1 서브세트에 대응하는 제1 통계 파라미터를 도출하고,
추출된 디지털 바이오마커 특징 데이터의 제2 서브세트에 대응하는 제2 통계 파라미터를 도출하며,
상기 제1 통계 파라미터와 상기 제2 통계 파라미터 간 차이를 계산하고, 선택적으로, 상기 차이를 제1 통계 파라미터 또는 제2 통계 파라미터로 나눔으로써, 방향성(directionality) 파라미터를 계산하도록 구성되는, 시스템.
실시예 111: 실시예 99 내지 110 중 어느 하나에 있어서,
제2 처리 유닛은 적어도 하나의 분석 모델을 상기 디지털 바이오마커 특징 데이터 또는 디지털 바이오마커 특징 데이터로부터 도출된 통계 파라미터에 적용하고, 적어도 하나의 분석 모델의 출력에 기초하여 적어도 하나의 임상 파라미터의 값을 예측하도록 구성되는, 시스템.
실시예 112: 실시예 111에 있어서,
상기 분석 모델은 훈련된 머신 러닝 모델을 포함하는, 시스템.
실시예 113: 실시예 112에 있어서,
분석 모델은 회귀 모델이고, 훈련된 머신 러닝 모델은,
딥 러닝 알고리즘,
k 최근접 이웃(kNN),
선형 회귀,
부분 최소-제곱(PLS),
랜덤 포레스트(RF), 및
익스트림 랜덤 트리(XT)
의 알고리즘 중 하나 이상을 포함하는, 시스템.
실시예 114: 실시예 112에 있어서,
분석 모델은 분류 모델이고, 훈련된 머신 러닝 모델은,
딥 러닝 알고리즘,
k 최근접 이웃(kNN),
서포트 벡터 머신(SVM),
선형 판별 분석,
이차 판별 분석(QDA),
나이브 베이즈(NB),
랜덤 포레스트(RF), 및
익스트림 랜덤 트리(XT)
의 알고리즘 중 하나 이상을 포함하는, 시스템.
실시예 115: 실시예 99 내지 114 중 어느 하나에 있어서,
상기 상태가 예측될 질병은 다발성 경화증이고 임상 파라미터는 확장된 장애 상태 척도(EDSS) 값을 포함,
상기 상태가 예측될 질병은 척수성근위축증이고 임상 파라미터는 강제 폐활량(FVC) 값을 포함, 또는
상기 상태가 예측될 질병은 헌팅턴병이고 임상 파라미터는 총 운동 점수(TMS) 값을 포함하는, 시스템.
실시예 116: 실시예 99 내지 115 중 어느 하나에 있어서,
상기 제1 처리 유닛과 상기 제2 처리 유닛은 동일한 처리 유닛인, 시스템.
실시예 117: 실시예 99 내지 115 중 어느 하나에 있어서,
상기 제1 처리 유닛은 상기 제2 처리 유닛과 별개인, 시스템.
실시예 118: 실시예 99 내지 117 중 어느 하나에 있어서, 질병 상태를 나타내는 적어도 하나의 임상 파라미터를 예측하기 위한 적어도 하나의 분석 모델을 결정하기 위한 머신 러닝 시스템을 더 포함하며, 상기 머신 러닝 시스템은,
입력 데이터를 수신하도록 구성된 적어도 하나의 통신 인터페이스 ― 입력 데이터는 과거 디지털 바이오마커 특징 데이터의 세트를 포함하고, 여기서 과거 디지털 바이오마커 특징 데이터의 세트는 예측될 질병 상태를 나타내는 복수의 측정값을 포함함 ― ,
적어도 하나의 알고리즘을 포함하는 적어도 하나의 머신 러닝 모델을 포함하는 적어도 하나의 모델 유닛,
적어도 하나의 처리 유닛 ― 처리 유닛은 입력 데이터 세트로부터 적어도 하나의 훈련 데이터 세트 및 적어도 하나의 테스트 데이터 세트를 결정하도록 구성되며, 상기 처리 유닛은 훈련 데이터 세트로 머신 러닝 모델을 훈련함으로써 분석 모델을 결정하도록 구성되고, 상기 처리 유닛은 결정된 분석 모델을 이용해 테스트 데이터 세트의 임상 파라미터를 예측하도록 구성되며, 상기 처리 유닛은 예측된 임상 파라미터 및 테스트 데이터 세트의 임상 파라미터의 참값에 기초하여 결정된 분석 모델의 성능을 결정하도록 구성되고, 상기 처리 유닛은 제1 처리 유닛 또는 제2 처리 유닛임 ― 을 포함하는, 시스템.
실시예 119: 다음 중 하나, 또는 둘, 또는 전부를 포함하는 컴퓨터로 구현되는 방법:
실시예 1 내지 38 중 어느 하나의 단계들,
실시예 78의 단계들, 및
실시예 80 내지 98 중 어느 하나의 단계들.
실시예 120: 다음 중 하나, 또는 둘, 또는 전부를 포함하는 시스템:
실시예 39 내지 77 중 어느 하나의 시스템,
실시예 79의 시스템, 및
실시예 99 내지 118 중 어느 하나의 시스템.
질병의 상태 또는 진행의 예측
상기 개시는 주로 질병의 상태 또는 진행을 나타내는 임상 파라미터의 결정과 관련된다. 그러나, 일부 경우, 발명은 질병의 상태 또는 진행을 결정하는, 컴퓨터로 구현되는 방법을 제공할 수 있으며, 상기 컴퓨터로 구현되는 방법은, 모바일 장치의 사용자에게 원위 운동 테스트를 제공하는 단계 ― 상기 모바일 장치는 터치스크린 디스플레이를 가지며, 상기 모바일 장치의 사용자에게 원위 운동 테스트를 제공하는 단계는, 상기 모바일 장치의 터치스크린 디스플레이가 테스트 이미지를 디스플레이하게 하는 단계를 포함함 ― , 상기 모바일 장치의 터치스크린 디스플레이로부터 입력을 수신하는 단계 ― 상기 입력은 테스트 이미지 내 제1 포인트 상에 제1 손가락을 놓고 상기 테스트 이미지 내 제2 포인트 상에 제2 손가락을 놓고 상기 제1 손가락과 상기 제2 손가락을 함께 핀치함으로써, 상기 제1 포인트와 상기 제2 포인트를 모으려는 사용자의 시도를 나타냄 ― , 및 수신 입력으로부터 디지털 바이오마커 특징 데이터를 추출하는 단계 ― (i) 추출된 디지털 바이오마커 특징 데이터가 임상 파라미터임, 또는 (ii) 상기 방법이 추출된 디지털 바이오마커 특징 데이터로부터 임상 파라미터를 계산하는 단계를 더 포함함 ― , 및 결정된 임상 파라미터에 기초하여 질병의 상태 또는 진행을 결정하는 단계를 포함한다.
마찬가지로, 본 발명의 추가 양태가 질병의 상태 또는 진행을 결정하기 위한 시스템을 제공하며, 상기 시스템은, 터치스크린 디스플레이, 사용자 입력 인터페이스, 및 제1 처리 유닛을 갖는 모바일 장치, 및 제2 처리 유닛을 포함하며, 상기 모바일 장치는 상기 모바일 장치의 사용자에게 원위 운동 테스트를 제공하도록 구성되며, 상기 원위 운동 테스트를 제공하는 것은, 상기 제1 처리 유닛이 상기 모바일 장치의 터치스크린 디스플레이가 테스트 이미지를 디스플레이하게 하는 것을 포함하며, 상기 사용자 입력 인터페이스는 상기 터치스크린 디스플레이로부터 테스트 이미지 내 제1 포인트 상에 제1 손가락을 놓고 상기 테스트 이미지 내 제2 포인트 상에 제2 손가락을 놓고 상기 제1 손가락과 상기 제2 손가락을 함께 핀치함으로써, 상기 제1 포인트와 상기 제2 포인트를 모으려는 사용자의 시도를 나타내는 입력을 수신하도록 구성되며, 상기 제1 처리 유닛 또는 상기 제2 처리 유닛은 수신 입력으로부터 디지털 바이오마커 특징 데이터를 추출하며, 추출된 디지털 바이오마커 특징 데이터에 기초하여 임상 파라미터를 결정하도록 구성되고, 제1 처리 유닛 또는 제2 처리 유닛은 결정된 임상 파라미터에 기초하여 질병의 상태 또는 진행을 결정하도록 구성된다.
본 발명의 추가 양태는 질병의 상태 또는 진행을 결정하기 위한 컴퓨터로 구현되는 방법을 제공할 수 있으며, 상기 컴퓨터로 구현되는 방법은, 모바일 장치로부터 입력을 수신하는 단계 ― 상기 입력은, 가속도계로부터의 가속도 데이터 ― 상기 가속도 데이터는 복수의 포인트를 포함하며, 각 포인트는 각각의 시간에서의 가속도에 대응함 ― 를 포함함 ― , 수신 입력으로부터 디지털 바이오마커 특징 데이터를 추출하는 단계 ― 디지털 바이오마커 특징 데이터를 추출하는 단계는, 복수의 포인트의 각각에 대해, 각각의 시간에서의 가속도의 총 크기와 가속도의 z-성분의 크기의 비를 결정하는 단계, 및 복수의 결정된 비로부터 통계 파라미터를 도출하는 단계 ― 상기 통계 파라미터는 평균, 표준 편차, 백분위수, 중앙값, 및 첨도를 포함함 ― 를 포함함 ― , 및 결정된 통계 파라미터에 기초하여 질병의 상태 또는 진행을 결정하는 단계를 포함하는, 컴퓨터로 구현되는 방법.
본 발명의 또 다른 양태가 질병의 상태 또는 진행을 결정하기 위한 시스템을 제공하며, 상기 시스템은, 가속도계, 및 제1 처리 유닛을 갖는 모바일 장치, 및 제2 처리 유닛 을 포함하며, 상기 가속도계는 가속도를 측정하도록 구성되고, 상기 가속도계 또는 상기 제1 처리 유닛 또는 상기 제2 처리 유닛은 복수의 포인트를 포함하는 가속도 데이터를 생성하도록 구성되며, 각 포인트는 각각의 시간에서의 가속도에 대응하고, 상기 제1 처리 유닛 또는 상기 제2 처리 유닛은, 복수의 포인트의 각각에 대해, 각각의 시간에서의 가속도의 총 크기와 가속도의 z-성분의 크기의 비를 결정하는 것, 및 복수의 결정된 비로부터 통계 파라미터를 도출하는 것 ― 상기 통계 파라미터는 평균, 표준 편차, 백분위수, 중앙값, 및 첨도를 포함함 ― 에 의해, 수신 입력으로부터 디지털 바이오마커 특징 데이터를 추출하도록 구성되며, 상기 제1 처리 유닛 또는 제2 처리 유닛은 통계 파라미터에 기초하여 질병의 상태 또는 진행을 결정하도록 구성된다.
명백히 양립할 수 없는 경우 또는 문맥상 달리 지시하는 경우를 제외하고, 여기서 제공된 본 발명의 4개의 양태의 특징들이 상기에서 제공된 "실시예" 중 임의의 것의 특징과 결합될 수 있음이 자명할 것이다. 본 발명의 이들 두 양태의 특징이 또한 이하의 임의의 개시내용과 결합될 수 있다.
개시내용의 추가 관련 양태
본 발명의 관련 양태에서, 질병 상태를 나타내는 적어도 하나의 표적 변수를 예측하기 위한 적어도 하나의 분석 모델을 결정하기 위한 머신 러닝 시스템이 제안된다. 상기 머신 러닝 시스템은 다음을 포함한다:
- 입력 데이터를 수신하도록 구성된 적어도 하나의 통신 인터페이스 ― 입력 데이터는 과거 디지털 바이오마커 특징 데이터의 세트를 포함하고, 여기서 과거 디지털 바이오마커 특징 데이터의 세트는 예측될 질병 상태를 나타내는 복수의 측정값을 포함함 ― ,
- 적어도 하나의 알고리즘을 포함하는 적어도 하나의 머신 러닝 모델을 포함하는 적어도 하나의 모델 유닛,
- 적어도 하나의 처리 유닛 ― 상기 처리 유닛은 입력 데이터 세트로부터 적어도 하나의 훈련 데이터 세트 및 적어도 하나의 테스트 데이터 세트를 결정하도록 구성되며, 상기 처리 유닛은 훈련 데이터 세트로 머신 러닝 모델을 훈련함으로써 분석 모델을 결정하도록 구성되고, 상기 처리 유닛은 결정된 분석 모델을 이용해 테스트 데이터 세트에 대한 표적 변수를 예측하도록 구성되며, 상기 처리 유닛은 예측된 표적 변수 및 테스트 데이터 세트의 표적 변수의 참값에 기초하여 결정된 분석 모델의 성능을 결정하도록 구성됨 ― .
용어 "머신 러닝"은 본 명세서에서 사용될 때, 넓은 의미의 용어이며 해당 분야의 통상의 기술자에게 일반적이고 관례적인 의미를 가질 것이고 특수한 또는 맞춤 의미로 한정되지 않을 것이다. 상기 용어는 구체적으로, 분석 모델의 자동 모델 구축을 위한 인공 지능(AI)을 사용하는 방법을 지칭할 수 있지만 이에 제한되지 않는다. 용어 "머신 러닝 시스템"은 본 명세서에서 사용될 때, 넓은 의미의 용어이며 해당 분야의 통상의 기술자에게 일반적이고 관례적인 의미를 가질 것이고 특수한 또는 맞춤 의미로 한정되지 않을 것이다. 상기 용어는 머신 러닝을 위해, 특히, 주어진 알고리즘으로 로직을 실행하기 위해 구성된 적어도 하나의 처리 유닛, 가령, 프로세서, 마이크로프로세서, 또는 컴퓨터 시스템을 지칭할 수 있지만 이에 제한되지 않는다. 머신 러닝 시스템은 적어도 하나의 머신 러닝 알고리즘을 수행 및/또는 실행하도록 구성될 수 있으며, 여기서 머신 러닝 알고리즘은 훈련 데이터에 기초하여 적어도 하나의 분석 모델을 구축하도록 구성된다.
용어 "분석 모델"은 본 명세서에서 사용될 때, 넓은 의미의 용어이며 해당 분야의 통상의 기술자에게 일반적이고 관례적인 의미를 가질 것이고 특수한 또는 맞춤 의미로 한정되지 않을 것이다. 상기 용어는 구체적으로, 적어도 하나의 상태 변수를 위한 적어도 하나의 표적 변수를 예측하도록 구성된 수학적 모델을 지칭할 수 있으나, 이에 한정되지는 않는다. 분석 모델은 회귀 모델 또는 분류 모델일 수 있다. 용어 "회귀 모델"은 본 명세서에서 사용될 때, 넓은 의미의 용어이며 해당 분야의 통상의 기술자에게 일반적이고 관례적인 의미를 가질 것이고 특수한 또는 맞춤 의미로 한정되지 않을 것이다. 상기 용어는 구체적으로, 범위 내 숫자 값을 출력으로서 갖는 적어도 하나의 지도 학습 알고리즘을 포함하는 분석 모델을 지칭할 수 있으나, 이에 한정되지는 않는다. 용어 "분류 모델"은 본 명세서에서 사용될 때, 넓은 의미의 용어이며 해당 분야의 통상의 기술자에게 일반적이고 관례적인 의미를 가질 것이고 특수한 또는 맞춤 의미로 한정되지 않을 것이다. 상기 용어는 구체적으로, 분류자, 가령, "병" 또는 "건강함"을 출력으로서 갖는 적어도 하나의 지도 학습 알고리즘을 포함하는 분석 모델을 지칭할 수 있으나, 이에 한정되지는 않는다.
용어 "표적 변수"는 본 명세서에서 사용될 때, 넓은 의미의 용어이며 해당 분야의 통상의 기술자에게 일반적이고 관례적인 의미를 가질 것이고 특수한 또는 맞춤 의미로 한정되지 않을 것이다. 상기 용어는 구체적으로, 예측될 임상 값을 지칭할 수 있지만 이에 제한되지 않는다. 예측될 표적 변수 값이 존재 또는 상태가 예측될 질병에 따라 달라질 수 있다. 표적 변수는 수치 또는 범주일 수 있다. 예를 들어, 표적 변수는 범주일 수 있고 질병이 존재하는 경우 "양성" 또는 질병이 부재하는 경우 "음성"일 수 있다.
표적 변수는 수치, 가령, 적어도 하나의 값 및/또는 척도 값일 수 있다.
예를 들어 상태가 예측될 질병은 다발성 경화증이다. 본 명세서에서 사용될 때 용어 "다발성 경화증(MS)"은 전형적으로 이를 앓고 있는 대상체에서 장기적이고 심각한 장애를 유발하는 중추신경계(CNS)의 질병과 관련된다. 본 발명에 따라 사용되는 용어에 또한 포함되는 다음의 MS의 4개의 표준화된 아형 정의가 있다: 재발-완화형, 이차 진행형, 일차 진행형 및 진행성 재발형. MS의 재발성 형태라는 용어도 사용되며 재발 완화형 및 재발이 중첩된 이차 진행형 MS를 포함한다. 재발-완화형 아형은 예측할 수 없는 재발에 이어 임상 질병 활동의 새로운 징후 없이 수개월에서 수년의 기간 동안 완화되는 것이 특징이다. 발병(활성 상태) 동안 겪은 결손은 해결되거나 후유증을 남길 수 있다. 이는 MS로 고통 받는 대상체의 85 내지 90%의 초기 과정을 설명한다. 이차 진행형 MS는 초기 재발-완화형 MS를 가진 사람들을 말하며, 이들은 명확한 완화 기간 없이 급성 발병들 사이에 진행성 신경학적 퇴행을 시작한다. 때때로 재발 및 경미한 완화가 나타날 수 있다. 질병 발병에서부터 재발 완화형에서 이차 진행형 MS로의 전환까지의 시간의 중앙값은 약 19년이다. 일차 진행형 아형은 초기 MS 증상 이후 결코 완화가 없는, 대상체의 약 10~15%를 설명한다. 증상의 완화 및 개선이 없거나, 간헐적이고 미미한, 발병 시부터 장애가 진행되는 것이 특징이다. 일차 진행형 아형에 대한 발병 연령이 다른 아형보다 늦다. 진행 재발형 MS는 발병 시부터 꾸준한 신경학적 퇴행을 보이지만 분명한 중첩 발병을 겪는 대상체를 설명한다. 이 후자의 진행성 재발형 표현형은 일차 진행형 MS(PPMS)의 변형이며 McDonald 2010 기준에 따른 PPMS의 진단에는 진행성 재발형의 변형이 포함된다는 것이 현재 받아들여지고 있다.
MS와 연관된 증상은 감각 변화(감각저하 및 감각이상), 근력 약화, 근육 경련, 운동 곤란, 협응 및 균형 곤란(운동실조), 언어 장애(구음장애) 또는 삼킴 장애(연하곤란), 시각 장애(안진, 시신경염 및 시력 저하 또는 복시), 피로, 급성 또는 만성 통증, 방광, 성기능 및 장 장애를 포함한다. 우울증이나 불안정한 기분의 정서적 증상뿐만 아니라 다양한 정도의 인지 장애도 빈번한 증상이다. 장애 진행 및 증상 중증도의 주요 임상 척도는 확장 장애 상태 척도(EDSS: Expanded Disability Status Scale)이다. MS의 추가 증상은 해당 기술 분야에 잘 알려져 있으며 의학 및 신경학의 표준 교과서에 설명되어 있다.
본 명세서에서 사용되는 용어 "진행형 MS"은 질병 및/또는 이의 증상 중 하나 이상이 시간이 지남에 따라 악화되는 상태를 의미한다. 일반적으로, 진행은 활성 상태의 출현을 동반한다. 상기 진행은 질병의 모든 아형에서 발생할 수 있다. 그러나, 전형적으로 "진행형 MS"는 재발 완화형 MS를 앓고 있는 대상체에서 본 발명에 따라 결정될 것이다.
다발성 경화증의 상태를 결정하는 것은 일반적으로 다음으로 구성된 군 중에서 선택되는 다발성 경화증과 연관된 적어도 하나의 증상을 평가하는 것을 포함한다: 미세 운동 능력 손상, 저림, 손가락 마비, 피로 및 일주기 변화, 보행 장애 및 보행 곤란, 인지 장애, 가령, 처리 속력 문제. 다발성 경화증에서의 장애는 Kurtzke JF, "Rating neurologic impairment in multiple sclerosis: an expanded disability status scale (EDSS)", November 1983, Neurology. 33 (11): 1444-52. doi:10.1212/WNL.33.11.1444. PMID 6685237에 기술되어 있는 바와 같이, 확장 장애 상태 척도(EDSS)에 따라 정량화될 수 있다. 표적 변수는 EDSS 값일 수 있다.
따라서 여기에서 사용된 "확장 장애 상태 척도(EDSS)"라는 용어는 MS를 앓고 있는 대상체의 장애에 대한 정량적 평가에 기초한 점수를 지칭한다(Krutzke 1983). EDSS는 임상의에 의한 신경학적 검사를 기반으로 한다. EDSS는 각 기능계에 기능계 점수(FSS)를 할당함으로써 8개의 기능계의 장애를 정량화한다. 기능계는 추체로계, 소뇌계, 뇌간계, 감각계, 장 및 방광계, 시각계, 대뇌계 및 그 밖의 다른 (나머지) 계이다. EDSS 단계 1.0 내지 4.5는 완전히 걸을 수 있는 MS를 앓는 대상체를 지칭하고, EDSS 단계 5.0 내지 9.5는 보행 장애가 있는 대상체를 특징짓는다.
각각의 가능한 결과의 임상적 의미는 다음과 같다:
·
0.0: 정규 신경학적 검사
·
1.0: 장애 없음, 1 FS에서의 최소 징후
·
1.5: 장애 없음, 1 FS 초과에서의 최소한의 징후
·
2.0: 1 FS에서의 최소 장애
·
2.5: 1에서의 경미한 장애 또는 2 FS에서의 최소 장애
·
3.0: 1 FS에서의 중등도 장애 또는 3-4 FS에서의 경미한 장애, 완전히 걸을 수 있음
·
3.5: 1 FS에서의 중등도 장애 또는 1 또는 2 FS에서의 경미한 장애가 있지만 완전히 걸을 수 있음, 또는 2 FS에서의 중등도 장애, 또는 5 FS에서의 경미한 장애
·
4.0: 도움 없이 완전히 걸을 수 있으며 상대적으로 심각한 장애에도 불구하고 하루에 약 12시간 정도 걸을 수 있음. 도움 없이 500미터 걸을 수 있음
·
4.5: 도움 없이 완전히 걸을 수 있고, 거의 하루 종일 일어나서, 하루 종일 일할 수 있으며, 전체 활동에 약간의 제한이 있거나 최소한의 도움이 필요할 수 있음. 비교적 심각한 장애. 도움 없이 300미터 걸을 수 있음
·
5.0: 약 200미터 동안 도움 없이 걸을 수 있음. 장애다 완전한 일상 활동을 방해한다.
·
5.5: 100미터 보행 가능, 장애로 인해 완전한 일상 활동 불가능
·
6.0: 휴식과 무관하게 100미터를 걷는 데 필요한 간헐적 또는 일측적 지속적인 지원(지팡이, 목발 또는 버팀대)
·
6.5: 휴식 없이 20미터를 걷는 데 필요한 지속적인 양측적 지지(지팡이, 목발 또는 버팀대)
·
7.0: 도움을 받아도 5미터 이상 걸을 수 없음, 본질적으로 휠체어, 바퀴 자체, 이동만으로 제한됨; 하루에 약 12시간 동안 휠체어에서 활동
·
7.5: 약간의 걸음 이상 걸을 수 없고 휠체어로 제한되며 이동 시 도움이 필요할 수 있음, 스스로 바퀴를 굴릴 수 있지만 하루 종일 활동하려면 전동 의자가 필요할 수 있음.
·
8.0: 본질적으로 침대, 의자 또는 휠체어로 제한되지만 하루 중 많은 시간 동안 침대 밖에 있을 수 있음, 자가 관리 기능 유지, 일반적으로 유효한 팔 사용
·
8.5: 본질적으로 하루 중 많은 시간을 침대에 누워 있어야 하며, 팔을 어느 정도 유효하게 사용하고, 일부 자가 관리 기능을 유지함.
·
9.0: 무력한 침대 환자, 의사 소통 및 식사 가능
·
9.5: 유효하게 의사소통을 할 수 없거나 먹거나 삼킬 수 없음
·
10.0: MS로 인한 사망
예를 들어, 상태가 예측되는 질병은 척수성근위축증이다.
본 명세서에서 사용되는 용어 "척수성근위축증(SMA)"은 전형적으로 척수에서 운동 뉴런 기능의 상실을 특징으로 하는 신경근 질병에 관한 것이다. 운동 뉴런 기능 상실의 결과로, 일반적으로 근육 위축이 발생하여 영향을 받는 대상체가 조기에 사망한다. 이 질병은 SMN1 유전자의 유전적 결함에 의해 발생한다. 상기 유전자에 의해 암호화된 SMN 단백질은 운동 뉴런 생존에 필요하다. 이 질병은 상염색체 열성 방식으로 유전된다.
SMA와 연관된 증상은 특히 사지의 무반사, 근쇠약 및 약한 근긴장도, 호흡기 근육 약화의 결과로 소아기의 발달 장애, 폐에 분비물 축적뿐만 아니라 호흡 문제 발생, 빨기, 삼키기 및 급식/식이 곤란을 포함한다. 네 가지 상이한 유형의 SMA가 알려져 있다.
영아 SMA 또는 SMA1(베르드니히-호프만(Werdnig-Hoffmann)병)은 생후 첫 달에 나타나는 심각한 형태로, 일반적으로 빠르고 예상치 못한 발병("플로피 베이비 증후군")이 나타난다. 급속한 운동 신경 세포 사멸은 주요 신체 기관, 특히 호흡계의 비효율을 초래하며, 폐렴에 의한 호흡 부전이 가장 흔한 사망 원인이다. 기계 환기 장치를 사용하지 않는 한 SMA1 진단을 받은 아기는 일반적으로 만 2세를 넘기지 못하며, SMA0라고도 하는 가장 심각한 케이스에서 빠르면 몇 주 내에 사망한다. 적절한 호흡 지원을 받으면, 경미한 SMA1 표현형을 가진 대상체는 청소년기와 성인기까지 생존하는 것으로 알려져 있다.
중간 SMA 또는 SMA2(두보위츠(Dubowitz)병)는 일어서거나 걸을 수 없지만 평생 동안 적어도 일부 시간은 앉은 자세를 유지할 수 있는 소아에게 영향을 미친다. 쇠약의 시작은 보통 6개월에서 18개월 사이에 나타난다. 진행 상황은 다양하다고 알려져 있다. 일부 사람들은 시간이 지남에 따라 점차 쇠약해지며 어떤 사람들은 신중한 유지 관리를 통해 진행을 피한다. 척추측만증이 이 소아들에게 나타날 수 있으며 보조기로 교정하면 호흡 개선에 도움이 될 수 있다. 근육이 약해지고 호흡기 계통이 주요 관심사이다. 기대 수명은 다소 감소하지만 대부분의 SMA2형 환자는 성인기까지 생존한다.
청소년 SMA 또는 SMA3(쿠겔베르그-웰란더(Kugelberg-Welander)병)는 일반적으로 생후 12개월 이후에 발현되며 차후에 다수의 사람들이 이 능력을 잃을지라도 때때로 보조 없이 걸을 수 있는 SMA3 환자를 설명한다. 호흡기 침범은 눈에 잘 띄지 않으며 기대 수명은 정상이거나 정상에 가깝다.
성인 SMA 또는 SMA4는 일반적으로 사지의 근위 근육에 영향을 미치는 점진적인 근육 약화와 함께 생후 30년 후에 나타나며 이동을 위해 휠체어를 자주 사용해야 한다. 다른 합병증은 드물고 기대 수명에는 영향을 미치지 않는다.
일반적으로, 본 발명에 따른 SMA는 SMA1(베르드니히-호프만병), SMA2(두보위츠병), SMA3(쿠겔베르그-웰란더병) 또는 SMA4이다.
SMA는 일반적으로 근긴장저하와 반사의 부재로 진단된다. 두 가지 모두 근전도 검사를 포함하여 병원에서 임상의가 표준 기술로 측정할 수 있다. 때로는 혈청 크레아틴 키나아제가 생화학적 파라미터로서 증가될 수 있다. 또한, 특히 산전 진단 또는 보인자 선별로 유전자 검사가 가능하다. 또한, SMA 관리의 중요한 파라미터는 호흡계의 기능이다. 호흡계의 기능은 일반적으로 SMA의 결과로서 호흡계의 손상 정도를 나타내는 대상체의 강제 폐활량을 측정함으로써 결정될 수 있다.
본원에서 사용되는 "강제 폐활량(FVC)"이라는 용어는 대상체가 완전히 들숨 후에 강제로 내뿜을 수 있는 공기의 리터 단위 부피를 지칭한다. 이는 일반적으로 폐활량계 장치를 사용하여 병원이나 의사 레지던트에서 폐활량계로 결정된다.
척수성근위축증의 상태를 결정하는 것은 일반적으로 근긴장저하 및 근육 약화, 피로 및 일주기 변화로 이루어진 군 중에서 선택된 척수성근위축증과 연관된 적어도 하나의 증상을 평가하는 것을 포함한다. 척수성근위축증의 상태에 대한 척도가 강제 폐활량(FVC)일 수 있다. FVC는 완전 흡기 후 강제로 분출할 수 있는 공기의 부피에 대한 정량적 측정일 수 있으며 리터 단위로 측정되며, https://en.wikipedia.org/wiki/Spirometry를 참조할 수 있다. 표적 변수는 FVC 값일 수 있다.
예를 들어, 상태가 예측될 질병은 헌팅턴병이다.
본 명세서에서 사용되는 "헌팅턴병(HD)"이라는 용어는 중추 신경계에서 신경 세포 사멸을 수반하는 유전성 신경학적 장애와 관련된다. 가장 눈에 띄는 것은, 기저핵이 세포 사멸의 영향을 받는다는 것이다. 또한 흑질, 대뇌 피질, 해마 및 푸르킨제 세포와 같은 관련된 뇌의 추가 영역이 있다. 일반적으로 모든 영역은 운동 및 행동 제어에 역할을 한다. 이 질병은 헌팅틴(Huntingtin)을 암호화하는 유전자의 유전적 돌연변이로 인해 발생된다. 헌팅틴은 다양한 세포 기능에 관여하는 단백질로 100가지가 넘는 다른 단백질과 상호 작용한다. 돌연변이된 헌팅틴은 특정 뉴런 세포 유형에 대해 세포독성인 것으로 보인다. 돌연변이된 헌팅틴은 헌팅틴 유전자의 트리뉴클레오티드 반복으로 인해 발생하는 폴리 글루타민 영역을 특징으로 한다. 단백질의 폴리 글루타민 영역에서 36번을 초과하는 글루타민 잔기가 반복되면 헌팅틴 단백질을 유발하는 질병이 발생한다.
질병의 증상은 중년에서 가장 일반적으로 눈에 띄지만 유아기부터 노인에 이르기까지 모든 연령대에서 시작될 수 있다. 초기 단계에서, 증상은 성격, 인지 및 신체 기능의 미묘한 변화를 포함한다. 인지 및 행동 증상은 일반적으로 초기 단계에서 스스로 인식할 만큼 심각하지 않기 때문에 신체적 증상이 일반적으로 가장 먼저 발견된다. HD를 앓는 거의 모든 사람은 결국 비슷한 신체적 증상을 나타내지만 인지 및 행동 증상의 시작, 진행 및 정도는 개인마다 크게 다르다. 가장 특징적인 초기 신체 증상은 무도증이라고 하는 갑작스럽고 무작위적이며 제어할 수 없는 움직임이다. 무도병은 초기에 일반적인 안절부절 못함, 의도치 않게 시작되거나 완료되지 않은 작은 움직임, 협응력 부족, 또는 느린 안구 운동으로 나타날 수 있다. 이러한 경미한 운동 이상은 일반적으로 운동 기능 장애의 명백한 징후보다 최소 3년 앞서 나타난다. 장애가 진행됨에 따라 경직, 비틀거리는 동작 또는 비정상적인 자세와 같은 증상이 뚜렷하게 나타난다. 이것은 움직임을 담당하는 뇌의 시스템이 영향을 받았다는 신호이다. 정신 운동 기능이 점점 손상되어 근육 조절이 필요한 모든 행동이 영향을 받는다. 일반적인 결과는 신체적 불안정, 비정상적인 안면 표정, 씹기, 삼키기 및 말하기의 곤란이다. 결과적으로 섭식 장애와 수면 장애도 질병에 동반된다. 인지 능력도 점진적으로 손상된다. 실행 기능, 인지적 유연성, 추상적 사고, 규칙 습득 및 적절한 행동/반응 능력이 손상된다. 더 두드러진 단계에서는 단기 기억력 결핍부터 장기 기억력 장애까지 기억력 결핍이 나타나는 경향이 있다. 인지 문제는 시간이 지남에 따라 악화되고 궁극적으로 치매로 발전한다. HD에 수반되는 정신과적 합병증은 불안, 우울증, 감정 표현 감소(무딘 감정), 자기 중심주의, 공격성 및 강박 행동이며, 후자는 알코올 중독, 도박 및 성욕 과잉을 포함한 중독을 유발하거나 악화시킬 수 있다.
HD에 대한 치료법은 없다. 해결해야 할 증상에 따라 질병 관리에 도움이 되는 조치가 있다. 또한, 질병, 이의 진행 또는 수반되는 증상을 개선하기 위해 많은 약물이 사용된다. 테트라베나진(tetrabenazine)은 HD 치료제로 승인되었으며, 신경이완제를 포함하고 벤조디아제핀(benzodiazepine)은 무도증을 줄이는 데 도움이 되는 약물로 사용되며 아만타딘(amantadine) 또는 레마세미드(remacemide)는 아직 조사 중이지만 긍정적인 예비 결과를 보였다. 저운동증 및 경직은 특히 청소년의 경우 항파킨슨제를 사용하여 치료될 수 있으며 근간대성 운동과다증이 발프로산(valproic acid)으로 치료될 수 있다. 에틸-에이코사펜토산(ethyl-eicosapentoic acid)이 환자의 운동 증상을 향상시키는 것으로 밝혀졌지만 장기적인 효과는 밝혀져야 한다.
질병은 유전자 검사로 진단될 수 있다. 또한 질병의 중증도는 통합 헌팅턴병 등급 척도(UHDRS)에 따라 단계 결정될 수 있다. 이 척도 시스템은 네 가지 구성 요소, 즉, 운동 기능, 인지, 행동 및 기능적 능력을 다룬다. 운동 기능 평가는 안구 추적, 단속 운동 시작, 단속 운동 속도, 구음 장애, 혀 돌출, 최대 근긴장이상증, 최대 무도증, 후퇴 당김 테스트, 손가락 탭, 내전/외전 손, 루리아, 경직 팔, 서동 신체, 보행 및 일자 걷기의 평가를 포함하며 총 운동 점수(TMS)로 요약될 수 있다. 운동 기능은 의사가 조사하고 판단해야 한다.
헌팅턴병의 상태를 결정하는 것은 일반적으로 다음으로 이루어진 군 중에서 선택된 헌팅턴병과 연관된 적어도 하나의 증상을 평가하는 것을 포함한다: 정신 운동 둔화, 무도증(움직임, 몸부림), 진행성 구음 장애, 경직 및 근긴장 이상, 사회적 위축, 처리 속력, 주의력, 계획, 시각-공간 처리, 학습의 진행성 인지 장애(기억력이 온전하더라도), 피로 및 일주 리듬의 변화. 상태에 대한 척도는 총 운동 점수(TMS)이다. 표적 변수는 총 운동 점수(TMS) 값일 수 있다. 따라서, 본원에 사용된 "총 운동 점수(TMS)"라는 용어는 안구 추적, 단속 운동 시작, 단속 운동 속도, 구음 장애, 혀 돌출, 최대 근긴장이상증, 최대 무도증, 후퇴 당김 테스트, 손가락 탭, 내전/외전 손, 루리아, 경직 팔, 서동 신체, 보행 및 일자 걷기의 평가에 기초한 점수를 지칭한다.
용어 "상태 변수"는 본 명세서에서 사용될 때, 넓은 의미의 용어이며 해당 분야의 통상의 기술자에게 일반적이고 관례적인 의미를 가질 것이고 특수한 또는 맞춤 의미로 한정되지 않을 것이다. 상기 용어는 구체적으로 의학적 진단 및/또는 대상체에 의한 자가 진단에 의해 도출된 데이터와 같은 예측 모델에 채워질 수 있는 입력 변수를 지칭할 수 있으나 이에 한정되지 않는다. 상태 변수는 적어도 하나의 능동 테스트 및/또는 적어도 하나의 수동 모니터링에서 결정될 수 있다. 예를 들어, 상태 변수는 적어도 하나의 인지 테스트 및/또는 적어도 하나의 손 운동 기능 테스트 및/또는 적어도 하나의 이동성 테스트와 같은 능동 테스트에서 결정될 수 있다.
본원에서 사용되는 "대상체"라는 용어는 일반적으로 포유동물과 관련된다. 본 발명에 따른 대상체는 일반적으로 질병을 앓을 수 있거나 질병을 앓는 것으로 의심될 것이다, 즉, 상기 질병과 연관된 음성 증상의 일부 또는 전부를 이미 나타낼 수 있다. 본 발명의 실시예에서 상기 대상체는 인간이다.
상태 변수는 대상체의 적어도 하나의 모바일 장치를 이용하여 결정될 수 있다. 용어 "모바일 장치"는 본 명세서에서 사용될 때, 넓은 의미의 용어이며 해당 분야의 통상의 기술자에게 일반적이고 관례적인 의미를 가질 것이고 특수한 또는 맞춤 의미로 한정되지 않을 것이다. 상기 용어는 구체적으로, 모바일 전자 장치, 더 구체적으로, 적어도 하나의 프로세서를 포함하는 모바일 통신 장치를 지칭할 수 있으나, 이에 한정되는 않는다. 모바일 장치는 구체적으로 휴대폰 또는 스마트폰일 수 있다. 모바일 장치는 태블릿 컴퓨터 또는 그 밖의 다른 유형의 임의의 휴대용 컴퓨터를 지칭할 수 있다. 모바일 장치는 데이터 획득을 위해 구성될 수 있는 데이터 획득 유닛을 포함할 수 있다. 모바일 장치는 신체적 파라미터를 정량적 또는 정성적으로 검출 및/또는 측정하고 이들을 추가 처리 및/또는 분석을 위해 전자 신호로 변환하도록 구성될 수 있다. 이를 위해, 모바일 장치는 적어도 하나의 센서를 포함할 수 있다. 둘 이상의 센서, 즉 적어도 2개, 적어도 3개, 적어도 4개, 적어도 5개, 적어도 6개, 적어도 7개, 적어도 8개, 적어도 9개 또는 적어도 10개 또는 그 이상의 상이한 센서가 모바일 장치에서 사용될 수 있다. 센서는 적어도 하나의 자이로스코프, 적어도 하나의 자력계, 적어도 하나의 가속도계, 적어도 하나의 근접 센서, 적어도 하나의 온도계, 적어도 하나의 만보계, 적어도 하나의 지문 검출기, 적어도 하나의 터치 센서, 적어도 하나의 음성 레코더, 적어도 하나의 광 센서, 적어도 하나의 압력 센서, 적어도 하나의 위치 데이터 검출기, 적어도 하나의 카메라, 적어도 하나의 GPS 등으로 구성된 군 중에서 선택된 적어도 하나의 센서일 수 있다. 상기 모바일 장치는 프로세서 및 적어도 하나의 데이터베이스 뿐만 아니라 상기 장치에 유형적으로 내장되고 상기 장치에서 실행될 때 데이터 획득을 위한 방법을 수행하는 소프트웨어를 포함할 수 있다. 모바일 장치는 데이터 획득 방법에서 요청된 적어도 하나의 작업을 수행하기 위한 사용자 인터페이스, 가령, 디스플레이 및/또는 적어도 하나의 키를 포함할 수 있다.
용어 "예측"은 본 명세서에서 사용될 때, 넓은 의미의 용어이며 해당 분야의 통상의 기술자에게 일반적이고 관례적인 의미를 가질 것이고 특수한 또는 맞춤 의미로 한정되지 않을 것이다. 상기 용어는 구체적으로 적어도 하나의 상태 변수에 대한 질병 상태를 나타내는 적어도 하나의 수치 또는 범주 값을 결정하는 것을 지칭할 수 있지만, 이에 제한되지 않는다. 특히, 상태 변수는 입력으로서 분석에 채워질 수 있고 분석 모델은 질병 상태를 나타내는 적어도 하나의 수치 또는 범주 값을 결정하기 위해 상태 변수에 대해 적어도 하나의 분석을 수행하도록 구성될 수 있다. 분석은 적어도 하나의 훈련된 알고리즘을 사용하는 것을 포함할 수 있다.
용어 "적어도 하나의 분석 모델을 결정"은 본 명세서에서 사용될 때, 넓은 의미의 용어이며 해당 분야의 통상의 기술자에게 일반적이고 관례적인 의미를 가질 것이고 특수한 또는 맞춤 의미로 한정되지 않을 것이다. 상기 용어는 구체적으로 분석 모델의 구축 및/또는 생성을 의미할 수 있지만 이에 제한되지 않는다.
용어 "질병 상태"는 본 명세서에서 사용될 때, 넓은 의미의 용어이며 해당 분야의 통상의 기술자에게 일반적이고 관례적인 의미를 가질 것이고 특수한 또는 맞춤 의미로 한정되지 않을 것이다. 상기 용어는 구체적으로 건강 상태 및/또는 의학적 상태 및/또는 질병 단계를 의미할 수 있지만 이에 제한되지 않는다. 예를 들어, 질병 상태는 건강함 또는 병이 있음 및/또는 질병의 존재 또는 부재일 수 있다. 예를 들어, 질병 상태는 질병 병기를 나타내는 척도에 관한 값일 수 있다. 용어 "질병 상태를 나타내는"은 본 명세서에서 사용될 때, 넓은 의미의 용어이며 해당 분야의 통상의 기술자에게 일반적이고 관례적인 의미를 가질 것이고 특수한 또는 맞춤 의미로 한정되지 않을 것이다. 상기 용어는 구체적으로 질병 상태와 직접적으로 관련된 정보 및/또는 질병 상태와 간접적으로 관련된 정보, 가령, 질병 상태를 도출하기 위해 추가 분석 및/또는 처리를 필요로 하는 정보를 지칭할 수 있으나, 이에 제한되지는 않는다. 예를 들어, 표적 변수는 질병 상태를 결정하기 위해 테이블 및/또는 룩업 테이블에 비교될 필요가 있는 값일 수 있다.
용어 "통신 인터페이스"는 본 명세서에서 사용될 때, 넓은 의미의 용어이며 해당 분야의 통상의 기술자에게 일반적이고 관례적인 의미를 가질 것이고 특수한 또는 맞춤 의미로 한정되지 않을 것이다. 상기 용어는 구체적으로 정보를 전송하도록 구성된 경계를 형성하는 항목 또는 요소를 지칭할 수 있으나 이에 제한되지 않는다. 특히, 통신 인터페이스는 정보를 계산 장치, 가령, 컴퓨터로부터 전송하여, 가령, 정보를, 가령, 타 장치 상에 전송 또는 출력하도록 구성될 수 있다. 추가로 또는 대안으로, 통신 인터페이스는 정보를 가령, 정보를 수신하기 위한 계산 장치, 가령, 컴퓨터 상으로 전송하도록 구성될 수 있다. 통신 인터페이스는 특히 정보를 전송하거나 교환하기 위한 수단을 제공할 수 있다. 특히, 통신 인터페이스는 데이터 전송 연결, 가령, 블루투스, NFC, 유도 결합 등을 제공할 수 있다. 예를 들어, 통신 인터페이스는 네트워크 또는 인터넷 포트, USB 포트 및 디스크 드라이브 중 하나 이상을 포함하는 적어도 하나의 포트이거나 이를 포함할 수 있다. 통신 인터페이스는 적어도 하나의 웹 인터페이스일 수 있다.
용어 "입력 데이터"는 본 명세서에서 사용될 때, 넓은 의미의 용어이며 해당 분야의 통상의 기술자에게 일반적이고 관례적인 의미를 가질 것이고 특수한 또는 맞춤 의미로 한정되지 않을 것이다. 상기 용어는 모델 구축에 사용되는 실험 데이터를 지칭할 수 있으나, 이에 제한되지 않는다. 입력 데이터는 과거 디지털 바이오마커 특징 데이터의 세트를 포함한다. 용어 "바이오마커"는 본 명세서에서 사용될 때, 넓은 의미의 용어이며 해당 분야의 통상의 기술자에게 일반적이고 관례적인 의미를 가질 것이고 특수한 또는 맞춤 의미로 한정되지 않을 것이다. 이 용어는 구체적으로 생물학적 상태 및/또는 생물학적 조건의 측정 가능한 특성을 지칭할 수 있지만 이에 제한되지 않는다. 용어 "특징"은 본 명세서에서 사용될 때, 넓은 의미의 용어이며 해당 분야의 통상의 기술자에게 일반적이고 관례적인 의미를 가질 것이고 특수한 또는 맞춤 의미로 한정되지 않을 것이다. 상기 용어는 구체적으로 예측이 기초하는 질병의 증상의 측정 가능한 속성 및/또는 특성을 지칭할 수 있지만 이에 제한되지 않는다. 특히, 모든 테스트의 모든 특징이 고려될 수 있으며 각 예측에 대한 특징의 최적 세트가 결정된다. 따라서 각 질병에 대해 모든 특징을 고려할 수 있다. 용어 "디지털 바이오마커 특징 데이터"는 본 명세서에서 사용될 때, 넓은 의미의 용어이며 해당 분야의 통상의 기술자에게 일반적이고 관례적인 의미를 가질 것이고 특수한 또는 맞춤 의미로 한정되지 않을 것이다. 상기 용어는 구체적으로 질병의 증상과 관련하여 대상체별 복수의 상이한 측정 값을 포함하는 모바일 장치와 같은 적어도 하나의 디지털 장치에 의해 결정된 실험 데이터를 지칭할 수 있지만 이에 제한되지 않는다.디지털 바이오마커 특징 데이터는 적어도 하나의 모바일 장치를 사용함으로써 결정될 수 있다. 모바일 장치 및 모바일 장치를 이용한 디지털 바이오마커 특징 데이터의 결정에 대해서는 상기 모바일 장치를 이용한 상태 변수 결정에 대한 설명을 참조한다. 과거 디지털 바이오마커 특징 데이터의 세트는 예측될 질병 상태를 나타내는 대상체별 복수의 측정값을 포함한다. 용어 "과거(historical)"는 본 명세서에서 사용될 때, 넓은 의미의 용어이며 해당 분야의 통상의 기술자에게 일반적이고 관례적인 의미를 가질 것이고 특수한 또는 맞춤 의미로 한정되지 않을 것이다. 상기 용어는 구체적으로 디지털 바이오마커 특징 데이터가 적어도 하나의 시험 연구 동안과 같이 모델 구축 이전에 결정 및/또는 수집되었다는 사실을 의미할 수 있지만 이에 제한되지 않는다. 가령, 다발성 경화증을 나타내는 적어도 하나의 표적을 예측하기 위한 모델 구축을 위해 디지털 바이오마커 특징 데이터는 Floodlight POC 연구로부터의 데이터일 수 있다. 예를 들어, 척수성근위축증을 나타내는 적어도 하나의 표적을 예측하기 위한 모델 구축을 위해 디지털 바이오마커 특징 데이터는 OLEOS 연구로부터의 데이터일 수 있다. 예를 들어, 헌팅턴병을 나타내는 적어도 하나의 표적을 예측하기 위한 모델 구축을 위해 디지털 바이오마커 특징 데이터는 HD OLE 연구, ISIS 44319-CS2로부터의 데이터일 수 있다. 입력 데이터는 적어도 하나의 능동 테스트 및/또는 적어도 하나의 수동 모니터링에서 결정될 수 있다. 예를 들어, 입력 데이터는 적어도 하나의 모바일 장치, 가령, 적어도 하나의 인지 테스트 및/또는 적어도 하나의 손 운동 기능 테스트 및/또는 적어도 하나의 이동성 테스트를 이용해 능동 테스트에서 결정될 수 있다.
입력 데이터는 표적 데이터를 더 포함할 수 있다. 용어 "표적 데이터"는 본 명세서에서 사용될 때, 넓은 의미의 용어이며 해당 분야의 통상의 기술자에게 일반적이고 관례적인 의미를 가질 것이고 특수한 또는 맞춤 의미로 한정되지 않을 것이다. 상기 용어는 구체적으로 예측할 임상 값, 특히 대상체별 하나의 임상 값을 포함하는 데이터를 지칭할 수 있지만 이에 제한되지 않는다. 표적 데이터는 수치 또는 범주일 수 있다. 임상 값은 질병의 상태를 직접 또는 간접적으로 지칭할 수 있다.
처리 유닛은 입력 데이터로부터 특징을 추출하도록 구성될 수 있다. 용어 "특징 추출"은 본 명세서에서 사용될 때, 넓은 의미의 용어이며 해당 분야의 통상의 기술자에게 일반적이고 관례적인 의미를 가질 것이고 특수한 또는 맞춤 의미로 한정되지 않을 것이다. 상기 용어는 구체적으로 입력 데이터로부터 특징을 결정 및/또는 도출하는 적어도 하나의 프로세스를 지칭할 수 있지만, 이에 제한되지 않는다. 구체적으로, 특징은 사전 정의될 수 있고, 특징의 서브세트는 가능한 특징의 전체 세트 중에서 선택될 수 있다. 특징의 추출은 데이터 통합, 데이터 축소, 데이터 변환 등 중 하나 이상을 포함할 수 있다. 처리 유닛은 특징을 순위화하도록 구성될 수 있다. 용어 "특징 순위화"는 본 명세서에서 사용될 때, 넓은 의미의 용어이며 해당 분야의 통상의 기술자에게 일반적이고 관례적인 의미를 가질 것이고 특수한 또는 맞춤 의미로 한정되지 않을 것이다. 상기 용어는 지정 기준에 따라 각각의 특징에 순위, 특히 가중치를 할당하는 것을 구체적으로 지칭할 수 있지만 이에 제한되지 않는다. 예를 들어, 특징은 그들의 관련성과 관련하여, 즉, 표적 변수와의 상관관계와 관련하여 순위화될 수 있거나, 및/또는 특징은 중복성과 관련하여, 즉, 특징들 간 상관관계와 관련하여, 순위화될 수 있다. 처리 유닛은 최대-관련성-최소-중복성 기법을 사용하여 특징을 순위화하도록 구성될 수 있다. 이 방법은 관련성과 중복성 간의 트레이드오프를 사용하여 모든 특징을 순위화한다. 구체적으로, 특징 선택 및 순위화는 Ding C., Peng H. "Minimum redundancy feature selection from microarray gene expression data", J Bioinform Comput Biol. 2005 Apr;3 (2):185-205, PubMed PMID:15852500에 기재되어 있는 바와 같이 수행될 수 있다. 특징 선택 및 순위화는 Ding et al.에 기술된 방법과 비교하여 수정된 방법을 사용하여 수행될 수 있다. 평균 상관 계수 대신 최대 상관 계수가 사용될 수 있으며 추가 변환이 여기에 적용될 수 있다. 분석 모델로서의 회귀 모델의 경우 평균 상관 계수 변환의 값이 5 제곱으로 높아질 수 있다. 분류 모델을 분석 모델로 하는 경우 평균 상관 계수 값에 10이 곱해질 수 있다.
용어 "모델 유닛"은 본 명세서에서 사용될 때, 넓은 의미의 용어이며 해당 분야의 통상의 기술자에게 일반적이고 관례적인 의미를 가질 것이고 특수한 또는 맞춤 의미로 한정되지 않을 것이다. 이 용어는 구체적으로 적어도 하나의 머신 러닝 모델을 저장하도록 구성된 적어도 하나의 데이터 저장소 및/또는 저장 유닛을 의미할 수 있지만 이에 제한되지 않는다. 용어 "머신 러닝 모델"은 본 명세서에서 사용될 때, 넓은 의미의 용어이며 해당 분야의 통상의 기술자에게 일반적이고 관례적인 의미를 가질 것이고 특수한 또는 맞춤 의미로 한정되지 않을 것이다. 상기 용어는 구체적으로 적어도 하나의 훈련 가능한 알고리즘을 지칭할 수 있지만 이에 제한되지 않는다. 모델 유닛은 복수의 머신 러닝 모델, 가령, 회귀 모델을 구축하기 위한 상이한 머신 러닝 모델 및 분류 모델을 구축하기 위한 머신 러닝 모델을 포함할 수 있다. 예를 들어, 분석 모델은 회귀 모델일 수 있고 머신 러닝 모델의 알고리즘은 k 최근접 이웃(kNN: k nearest neighbor), 선형 회귀, 부분 최소-제곱(PLS), 랜덤 포레스트(RF: random forest), 및 익스트림 랜덤 트리(XT: extremely randomized Tree)로 구성된 군 중에서 선택된 적어도 하나의 알고리즘일 수 있다. 예를 들어, 분석 모델은 분류 모델일 수 있고 머신 러닝 모델의 알고리즘은 k 최근접 이웃(kNN: k nearest neighbors), 서포트 벡터 머신(SVM: support vector machines), 선형 판별 분석(LDA: linear discriminant analysis), 이차 판별 분석(QDA: quadratic discriminant analysis), 나이브 베이즈(NB: Bayes), 랜덤 포레스트(RF: random forest), 및 익스트림 랜덤 트리(XT: extremely randomized Trees)로 구성된 군 중에서 선택된 적어도 하나의 알고리즘일 수 있다.
용어 "처리 유닛"은 본 명세서에서 사용될 때, 넓은 의미의 용어이며 해당 분야의 통상의 기술자에게 일반적이고 관례적인 의미를 가질 것이고 특수한 또는 맞춤 의미로 한정되지 않을 것이다. 상기 용어는 구체적으로 컴퓨터 또는 시스템의 작업을 수행하도록 구성된 임의의 논리 회로 및/또는 일반적으로 계산 또는 논리 연산을 수행하도록 구성된 장치를 지칭할 수 있으나, 이에 제한되지 않는다. 처리 유닛은 적어도 하나의 프로세서를 포함할 수 있다. 특히, 처리 유닛은 컴퓨터 또는 시스템을 구동하는 기본 명령을 처리하도록 구성될 수 있다. 예를 들어, 처리 유닛은 적어도 하나의 산술 논리 유닛(ALU), 적어도 하나의 부동 소수점 유닛(FPU), 가령, 수학 코프로세서 또는 수치 코프로세서, 복수의 레지스터 및 메모리, 가령, 캐시 메모리를 포함할 수 있다. 특히, 처리 유닛은 멀티-코어 프로세서일 수 있다. 처리 유닛은 머신 러닝을 위해 구성될 수 있다. 처리 유닛은 중앙 처리 장치(CPU) 및/또는 하나 이상의 그래픽 처리 장치(GPU) 및/또는 하나 이상의 주문형 집적 회로(ASIC) 및/또는 하나 이상의 센서 처리 장치(TPU: Tensor Processing Unit) 및/또는 하나 이상의 FPGA(field-programmable gate arrays) 등을 포함할 수 있다.
처리 유닛은 입력 데이터를 전처리하도록 구성될 수 있다. 전처리는 적어도 하나의 품질 기준을 충족하는 입력 데이터에 대한 적어도 하나의 필터링 프로세스를 포함할 수 있다. 예를 들어 소실 변수를 제거하기 위해 입력 데이터가 필터링될 수 있다. 예를 들어, 전처리는 지정된 최소 관측 횟수 미만인 대상체로부터의 데이터를 제외하는 것을 포함할 수 있다.
용어 "훈련 데이터 세트"는 본 명세서에서 사용될 때, 넓은 의미의 용어이며 해당 분야의 통상의 기술자에게 일반적이고 관례적인 의미를 가질 것이고 특수한 또는 맞춤 의미로 한정되지 않을 것이다. 상기 용어는 구체적으로 머신 러닝 모델을 훈련하는 데 사용되는 입력 데이터의 서브세트를 지칭할 수 있지만 이에 제한되지 않는다. 용어 "테스트 데이터 세트"는 본 명세서에서 사용될 때, 넓은 의미의 용어이며 해당 분야의 통상의 기술자에게 일반적이고 관례적인 의미를 가질 것이고 특수한 또는 맞춤 의미로 한정되지 않을 것이다. 상기 용어는 특히 훈련된 머신 러닝 모델을 테스트하는 데 사용되는 입력 데이터의 또 다른 서브세트를 지칭할 수 있지만 이에 제한되지 않는다. 훈련 데이터 세트는 복수의 훈련 데이터 세트를 포함할 수 있다. 특히, 훈련 데이터 세트는 입력 데이터의 대상체별 훈련 데이터 세트를 포함한다. 테스트 데이터 세트는 복수의 테스트 데이터 세트를 포함할 수 있다. 특히, 테스트 데이터 세트는 입력 데이터의 대상체별 테스트 데이터 세트를 포함한다. 처리 유닛은 입력 데이터의 대상체별로 훈련 데이터 세트 및 테스트 데이터 세트를 발생 및/또는 생성하도록 구성될 수 있으며, 여기서, 대상체별 테스트 데이터 세트는 해당 대상체의 데이터만을 포함할 수 있는 반면, 그 대상체에 대한 훈련 데이터 세트는 다른 모든 입력 데이터를 포함한다.
처리 유닛은 각 대상체에 대한 훈련 데이터 세트 및 테스트 데이터 세트 모두에 대해 적어도 하나의 데이터 통합 및/또는 데이터 변환을 수행하도록 구성될 수 있다. 변환 및 특징 순위화 단계는 훈련 데이터 세트와 테스트 데이터 세트로 분할하지 않고 수행될 수 있다. 이는 예를 들어 데이터로부터 중요한 특징의 간섭을 가능하게 할 수 있다.
처리 유닛은 적어도 하나의 변환 안정화, 적어도 하나의 통합, 및 훈련 데이터 세트 및 테스트 데이터 세트에 대한 적어도 하나의 정규화 중 하나 이상에 대해 구성될 수 있다.
예를 들어, 처리 유닛은 훈련 데이터 세트 및 테스트 데이터 세트 모두의 대상체별 데이터 통합을 위해 구성될 수 있으며, 이때 특징의 평균 값은 각 대상체에 대해 결정된다.
예를 들어, 처리 유닛은 분산 안정화를 위해 구성될 수 있으며, 각 특징에 대해 적어도 하나의 분산 안정화 함수가 적용된다. 분산 안정화 함수는 다음으로 구성된 군 중에서 선택된 적어도 하나일 수 있다: 모든 값이 300보다 크고 0과 1 사이의 값이 없는 경우 사용될 수 있는 로지스틱(logistic), 모든 값이 0과 1을 포함하여 그 사이인 경우 사용될 수 있는 로짓(logit), 시그모이드(sigmoid), 모든 값 >= 0일 때 고려되는 경우 사용될 수 있는 log10. 처리 유닛은 각각의 분산 변환 함수를 사용하여 각각의 특징의 값을 변환하도록 구성될 수 있다. 처리 유닛은 특정 기준을 사용하여, 원래 분포를 포함하여 각각의 결과 분포를 평가하도록 구성될 수 있다. 분석 모델로서 분류 모델의 경우, 즉 표적 변수가 이산일 때, 상기 기준은 획득된 값이 상이한 클래스를 어느 정도 분리할 수 있는지일 수 있다. 특히, 모든 클래스별 평균 실루엣 값의 최댓값이 이 목적으로 사용될 수 있다. 회귀 모델을 분석 모델로 하는 경우, 기준은 표적 변수에 분산 안정화 함수를 적용함으로써 획득된 값의 회귀 후 획득된 평균 절대 오차일 수 있다. 이 선택 기준을 사용하여, 처리 유닛은 훈련 데이터 세트에서 원래 값보다 나은 경우 가능한 최상의 변환을 결정하도록 구성될 수 있다. 이후에 가능한 최상의 변환이 테스트 데이터 세트에 적용될 수 있다.
예를 들어, 처리 유닛은 z-점수 변환을 위해 구성될 수 있으며, 각각의 변환된 특징에 대해 평균 및 표준 편차가 훈련 데이터 세트에서 결정되며, 이들 값은 훈련 데이터 세트와 테스트 데이터 세트 모두에 대한 z-점수 변환을 위해 사용된다.
예를 들어, 처리 유닛은 훈련 데이터 세트 및 테스트 데이터 세트 모두에 대해 3개의 데이터 변환 단계를 수행하도록 구성될 수 있으며, 여기서 변환 단계는 다음을 포함한다: 1. 대상체별 데이터 통합, 2. 분산 안정화, 3. z-점수 변환.
처리 유닛은 순위화 및 변환 단계의 적어도 하나의 출력을 결정 및/또는 제공하도록 구성될 수 있다. 예를 들어, 순위화 및 변환 단계의 출력은 적어도 하나의 진단 플롯을 포함할 수 있다. 진단 플롯은 적어도 하나의 주성분 분석(PCA) 플롯 및/또는 순위화 절차와 관련된 핵심 통계를 비교하는 적어도 하나의 페어 플롯(pair plot)을 포함할 수 있다.
처리 유닛은 훈련 데이터 세트로 머신 러닝 모델을 훈련함으로써 분석 모델을 결정하도록 구성된다. 용어 "머신 러닝 모델의 훈련"은 본 명세서에서 사용될 때, 넓은 의미의 용어이며 해당 분야의 통상의 기술자에게 일반적이고 관례적인 의미를 가질 것이고 특수한 또는 맞춤 의미로 한정되지 않을 것이다. 상기 용어는 구체적으로 훈련 데이터 세트에 대한 머신 러닝 모델의 알고리즘의 파라미터를 결정하는 프로세스를 지칭할 수 있으나 이에 제한되지 않는다. 훈련은 적어도 하나의 최적화 또는 튜닝 프로세스를 포함할 수 있으며, 여기서 최상의 파라미터 조합이 결정된다. 훈련은 서로 다른 대상체의 훈련 데이터 세트에 대해 반복적으로 수행될 수 있다. 처리 유닛은 훈련 데이터 세트로 머신 러닝 모델을 훈련함으로써 분석 모델을 결정하기 위해 상이한 개수의 특징을 고려하도록 구성될 수 있다. 머신 러닝 모델의 알고리즘은 예를 들어 순위에 따라 상이한 수의 특징을 사용하여 훈련 데이터 세트에 적용될 수 있다. 훈련은 모델 파라미터의 강건한 추정치를 얻기 위해 n-폴드 교차 검증을 포함할 수 있다. 머신 러닝 모델의 훈련은 적어도 하나의 제어된 러닝 프로세스를 포함할 수 있으며, 여기서 적어도 하나의 하이퍼-파라미터는 훈련 프로세스를 제어하기 위해 선택된다. 필요한 경우, 훈련 단계가 반복되어 다양한 하이퍼-파라미터의 조합을 테스트한다.
특히, 머신 러닝 모델의 훈련에 후속하여, 결정된 분석 모델을 사용하여 테스트 데이터 세트에 대한 표적 변수를 예측하도록 처리 유닛이 구성된다. 용어 "결정된 분석 모델"은 본 명세서에서 사용될 때, 넓은 의미의 용어이며 해당 분야의 통상의 기술자에게 일반적이고 관례적인 의미를 가질 것이고 특수한 또는 맞춤 의미로 한정되지 않을 것이다. 상기 용어는 구체적으로 훈련된 머신 러닝 모델을 지칭할 수 있지만 이에 제한되지 않는다. 처리 유닛은 결정된 분석 모델을 사용하는 대상체의 테스트 데이터 세트에 기초하여 각 대상체에 대한 표적 변수를 예측하도록 구성될 수 있다. 처리 유닛은 분석 모델을 사용하여 각각의 훈련 및 테스트 데이터 세트에 대한 각각의 대상체에 대한 표적 변수를 예측하도록 구성될 수 있다. 처리 유닛은 대상체별 예측된 표적 변수 및 대상체별 표적 변수의 참값 모두를 예를 들어 적어도 하나의 출력 파일에 기록 및/또는 저장하도록 구성될 수 있다. 용어 "표적 변수의 참값"은 본 명세서에서 사용될 때, 넓은 의미의 용어이며 해당 분야의 통상의 기술자에게 일반적이고 관례적인 의미를 가질 것이고 특수한 또는 맞춤 의미로 한정되지 않을 것이다. 상기 용어는 구체적으로 해당 대상체의 표적 데이터로부터 결정될 수 있는 해당 대상체의 표적 변수의 현실 또는 실제 값을 지칭할 수 있지만 이에 제한되지 않는다.
처리 유닛은 예측된 표적 변수 및 테스트 데이터 세트의 표적 변수의 참값에 기초하여 결정된 분석 모델의 성능을 결정하도록 구성된다. 용어 "성능"은 본 명세서에서 사용될 때, 넓은 의미의 용어이며 해당 분야의 통상의 기술자에게 일반적이고 관례적인 의미를 가질 것이고 특수한 또는 맞춤 의미로 한정되지 않을 것이다. 상기 용어는 구체적으로 표적 변수를 예측하기 위한 결정된 분석 모델의 적합성을 지칭할 수 있으나 이에 제한되지 않는다. 성능은 예측된 표적 변수와 표적 변수의 참값 사이의 편차로 특징지어질 수 있다. 머신 러닝 시스템은 적어도 하나의 출력 인터페이스를 포함할 수 있다. 출력 인터페이스는 통신 인터페이스와 동일하게 설계될 수 있고 및/또는 통신 인터페이스와 일체로 형성될 수 있다. 출력 인터페이스는 적어도 하나의 출력을 제공하도록 구성될 수 있다. 출력은 결정된 분석 모델의 성능에 대한 적어도 하나의 정보를 포함할 수 있다. 결정된 분석 모델의 성능에 대한 정보는 적어도 하나의 스코어링 차트, 적어도 하나의 예측 플롯, 적어도 하나의 상관관계 플롯, 및 적어도 하나의 잔차 플롯 중 하나 이상을 포함할 수 있다.
모델 유닛은 복수의 머신 러닝 모델을 포함할 수 있으며, 머신 러닝 모델은 그들의 알고리즘에 의해 구별된다. 예를 들어, 회귀 모델을 구축하기 위해 모델 유닛은 k 최근접 이웃(kNN), 선형 회귀, 부분 최소-제곱(PLS), 랜덤 포레스트(RF), 및 익스트림 랜덤 트리(XT)의 알고리즘을 포함할 수 있다. 예를 들어, 분류 모델을 구축하기 위해, 모델 유닛은 k 최근접 이웃(kNN), 서포트 벡터 머신(SVM), 선형 판별 분석(LDA), 이차 판별 분석(QDA), 나이브 베이즈(NB), 랜덤 포레스트(RF), 및 익스트림 랜덤 트리(XT)의 알고리즘을 포함할 수 있다. 상기 처리 유닛은 훈련 데이터 세트로 각각의 머신 러닝 모델을 훈련함으로써 각각의 머신 러닝 모델에 대한 분석 모델을 결정하고, 결정된 분석 모델을 이용하여 테스트 데이터 세트에 대한 표적 변수를 예측하도록 구성될 수 있다.
처리 유닛은 예측된 표적 변수 및 테스트 데이터 세트의 표적 변수의 참값에 기초하여 결정된 분석 모델 각각의 성능을 결정하도록 구성된다. 회귀 모델을 구축하는 경우, 처리 유닛에 의해 제공되는 출력은 적어도 하나의 스코어링 차트, 적어도 하나의 예측 플롯, 적어도 하나의 상관 플롯, 및 적어도 하나의 잔차 플롯 중 하나 이상을 포함할 수 있다. 스코어링 차트는 테스트 데이터 세트와 훈련 데이터 세트 모두로부터의 평균 절대 오차를 각각의 대상체에 대해 그리고 각각의 유형의 회귀자, 즉, 사용된 알고리즘 및 선택된 특징의 수에 대해 나타내는 박스 플롯일 수 있다. 예측 플롯은 회귀자 유형과 특징의 수의 각 조합에 대해, 표적 변수의 예측 값이 테스트 데이터와 훈련 데이터 모두에 대해 참값과 얼마나 잘 상관되는지를 나타낼 수 있다. 상관 플롯은 모델에 포함된 특징 수의 함수로서 각 회귀자 유형에 대해 예측된 표적 변수와 참 표적 변수 사이의 스피어만(Spearman) 상관 계수를 나타낼 수 있다. 잔차 도표는 회귀자 유형과 특징의 수의 각 조합에 대해, 그리고 테스트 데이터와 훈련 데이터 모두에 대해, 예측된 표적 변수와 잔차 간 상관관계를 나타낼 수 있다. 처리 유닛은 특히 출력에 기초하여 최상의 성능을 갖는 분석 모델을 결정하도록 구성될 수 있다.
분류 모델을 구축하는 경우, 처리 유닛에 의해 제공되는 출력은, 박스 플롯에서 각각의 대상체에 대해 테스트 데이터와 훈련 데이터 모두로부터의 그리고 각각의 회귀자 유형 및 선택된 특징의 수에 대해, F-점수 또는 F-측정이라고 표시된 F1 성능 점수를 나타내는, 스코어링 차트를 포함할 수 있다. 처리 유닛은 특히 출력에 기초하여 최상의 성능을 갖는 분석 모델을 결정하도록 구성될 수 있다.
본 발명의 관련 양태에서, 질병 상태를 나타내는 적어도 하나의 표적 변수를 예측하기 위한 적어도 하나의 분석 모델을 결정하기 위한, 컴퓨터로 구현되는 방법이 제안된다. 방법에서 본 발명에 따른 머신 러닝 시스템이 사용된다. 따라서, 방법의 실시예 및 정의와 관련하여 앞서, 또는 이하에서 상세히 설명될 머신 러닝 시스템의 설명의 참조가 이루어진다.
방법은 특히 주어진 순서로 수행될 수 있는 다음 단계를 포함한다. 그러나 상이한 순서도 역시 가능하다. 방법 단계들 중 둘 이상을 완전히 또는 부분적으로 동시에 수행하는 것이 또한 가능하다. 또한, 하나 이상의 또는 심지어 모든 방법 단계가 한 번 수행되거나 반복적으로, 가령, 한 번 반복 또는 여러 번 반복적으로 수행될 수 있다. 또한, 방법은 나열되지 않은 추가 방법 단계를 포함할 수 있다.
상기 방법은 다음의 단계를 포함한다:
a)
적어도 하나의 통신 인터페이스를 통해 입력 데이터를 수신하는 단계 ― 입력 데이터는 과거 디지털 바이오마커 특징 데이터의 세트를 포함하고, 여기서 세트 과거 디지털 바이오마커 특징 데이터는 예측될 질병 상태를 나타내는 복수의 측정값을 포함함 ― ,
적어도 하나의 처리 유닛에서:
b)
입력 데이터 세트로부터 적어도 하나의 훈련 데이터 세트 및 적어도 하나의 테스트 데이터 세트를 결정하는 단계,
c)
훈련 데이터 세트로 적어도 하나의 알고리즘을 포함하는 머신 러닝 모델을 훈련함으로써 분석 모델을 결정하는 단계,
d)
결정된 분석 모델을 사용하여 테스트 데이터 세트에 대한 표적 변수를 예측하는 단계,
e)
예측된 표적 변수 및 테스트 데이터 세트의 표적 변수의 참값에 기초하여 결정된 분석 모델의 성능을 결정하는 단계.
단계 c)에서 훈련 데이터 세트로 복수의 머신 러닝 모델을 훈련함으로써 복수의 분석 모델이 결정될 수 있다. 머신 러닝 모델은 이들의 알고리즘으로 구분될 수 있다. 단계 d)에서 결정된 분석 모델을 사용하여 테스트 데이터 세트에 대해 복수의 표적 변수가 예측될 수 있다. 단계 e)에서, 상기 예측된 표적 변수 및 상기 테스트 데이터 세트의 표적 변수의 참값에 기초하여 각각의 결정된 분석 모델의 성능이 결정될 수 있다. 상기 방법은 최상의 성능을 갖는 분석 모델을 결정하는 단계를 더 포함할 수 있다.
컴퓨터 또는 컴퓨터 네트워크 상에서 프로그램이 실행될 때 본 명세서에 개시된 실시예들 중 하나 이상에서 본 발명에 따르는 방법을 수행하기 위한 컴퓨터 실행 명령을 포함하는, 질병 상태를 나타내는 적어도 하나의 표적 변수를 예측하기 위한 적어도 하나의 분석 모델을 결정하기 위한 컴퓨터 프로그램이 본 명세서에 더 개시되고 제안된다. 특히, 컴퓨터 프로그램은 컴퓨터 판독형 데이터 캐리어 및/또는 컴퓨터 판독형 저장 매체에 저장될 수 있다. 컴퓨터 프로그램은 본 명세서에 포함된 하나 이상의 실시예에서 본 발명에 따른 방법의 적어도 단계 b) 내지 e)를 수행하도록 구성된다.
본 명세서에서 사용될 때, 용어 "컴퓨터 판독형 데이터 캐리어" 및 "컴퓨터 판독형 저장 매체"는 특히 비일시적 데이터 저장 수단, 가령, 컴퓨터 실행형 명령이 저장된 하드웨어 저장 매체를 지칭할 수 있다. 컴퓨터 판독형 데이터 캐리어 또는 저장 매체는 특히 저장 매체, 가령, RAM(random-access memory) 및/또는 ROM(read-only memory)이거나 이를 포함할 수 있다.
따라서, 특히, 앞서 지시된 방법 단계들 b) 내지 e) 중 하나, 둘 이상, 또는 심지어 전부가 컴퓨터 또는 컴퓨터 네트워크를 이용함으로써, 바람직하게는 컴퓨터 프로그램을 이용함으로써 수행될 수 있다.
프로그램이 컴퓨터 또는 컴퓨터 네트워크 상에서 실행될 때, 본 명세서에 개시된 실시예들 중 하나 이상에서 본 발명에 따르는 방법을 수행하기 위해, 프로그램 코드 수단을 갖는 컴퓨터 프로그램 제품이 더 개시되고 제안된다. 특히, 프로그램 코드 수단은 컴퓨터 판독형 데이터 캐리어 및/또는 컴퓨터 판독형 저장 매체에 저장될 수 있다.
컴퓨터 또는 컴퓨터 네트워크, 가령, 컴퓨터 또는 컴퓨터 네트워크의 작업 메모리 또는 메인 메모리로 로딩된 후, 본 명세서에 개시된 실시예들 중 하나 이상에 따르는 방법을 실행할 수 있는 데이터 구조가 저장된 데이터 캐리어가 본 명세서에서 또한 개시되고 제안된다.
프로그램이 컴퓨터 또는 컴퓨터 네트워크 상에서 실행될 때, 본 명세서에 개시된 실시예들 중 하나 이상에 따르는 방법을 수행하기 위해, 기계 판독형 캐리어에 저장된 프로그램 코드 수단을 갖는 컴퓨터 프로그램 제품이 더 개시되고 제안된다. 본 명세서에서 사용될 때, 컴퓨터 프로그램 프로덕트는 상용화된 프로덕트로서의 프로그램을 지칭한다. 프로덕트는 일반적으로 임의의 형태, 가령, 종이 형태, 또는 컴퓨터 판독형 데이터 캐리어 상에 및/또는 컴퓨터 판독형 저장 매체 상에 존재할 수 있다. 특히, 컴퓨터 프로그램 프로덕트는 데이터 네트워크에 걸쳐 분산될 수 있다.
마지막으로, 본 명세서에 개시된 실시예 중 하나 이상에 따르는 방법을 수행하도록 컴퓨터 시스템 또는 컴퓨터 네트워크에 의해 읽힐 수 있는 명령을 포함하는 변조된 데이터 신호가 개시 및 제안된다.
본 발명의 컴퓨터로 구현되는 양태에 따라, 본 명세서에 개시된 실시예들 중 하나 이상에 따르는 방법들의 방법 단계들 중 하나 이상 또는 심지어 모든 방법 단계가 컴퓨터 또는 컴퓨터 네트워크를 이용함으로써 수행될 수 있다. 따라서, 일반적으로 데이터의 제공 및/또는 조작을 포함하는 방법 단계들 중 임의의 것이 컴퓨터 또는 컴퓨터 네트워크를 이용함으로써 수행될 수 있다. 일반적으로, 이들 방법 단계는 일반적으로 수작업, 가령, 샘플 제공 및/또는 실제 측정의 특정 수행 양태를 필요로 하는 방법 단계를 제외하고, 방법 단계들 중 임의의 것을 포함할 수 있다.
특히, 본 명세서에서 다음이 더 개시된다:
- 적어도 하나의 프로세서를 포함하는 컴퓨터 또는 컴퓨터 네트워크로서, 상기 프로세서는 본 기재에서 기재된 실시예들 중 하나에 따르는 방법을 수행하도록 구성됨,
- 데이터 구조가 컴퓨터 상에서 실행되는 동안 본 명세서에서 기재되는 실시예들 중 하나에 따르는 방법을 수행하도록 구성된 컴퓨터 로딩가능한 데이터 구조,
- 컴퓨터 프로그램으로서, 상기 컴퓨터 프로그램은 프로그램이 컴퓨터 상에서 실행되는 동안 본 명세서에서 기재된 실시예들 중 하나에 따르는 방법을 수행하도록 구성됨,
- 컴퓨터 프로그램이 컴퓨터 또는 컴퓨터 네트워크 상에서 실행되는 동안 본 명세서에 기재된 실시예들 중 하나에 따르는 방법을 수행하기 위한 프로그램 수단을 포함하는 컴퓨터 프로그램,
- 선행하는 실시예에 따르는 프로그램 수단을 포함하는 컴퓨터 프로그램으로서, 프로그램 수단은 컴퓨터에 의해 읽힐 수 있는 저장 매체 상에 저장됨,
- 저장 매체로서, 데이터 구조가 상기 저장 매체 상에 저장되며 컴퓨터 또는 컴퓨터 네트워크의 메인 및/또는 작업 저장소로 로딩된 후 데이터 구조가 이 기재에서 기재된 실시예들 중 하나에 따르는 방법을 수행하도록 구성됨, 및
- 프로그램 코드 수단을 갖는 컴퓨터 프로그램 제품으로서, 프로그램 코드 수단이 컴퓨터 또는 컴퓨터 네트워크 상에 실행되는 경우, 본 기재에서 기재된 실시예 중 하나에 따르는 방법을 수행하기 위해 프로그램 코드 수단이 저장 매체 상에 저장될 수 있거나 저장됨.
본 발명의 추가 양태에서, 다발성 경화증을 나타내는 확장된 장애 상태 척도(EDSS) 값, 척수성근위축증을 나타내는 강제 폐활량(FVC) 값, 또는 헌팅턴병을 나타내는 총 운동 점수(TMS) 값 중 하나 이상을 예측하기 위한 본 명세서에 개시된 하나 이상의 실시예에 따른 머신 러닝 시스템의 사용이 제안된다.
본 발명에 따른 장치 및 방법은 질병 상태를 예측하기 위한 공지된 방법에 비해 몇 가지 이점을 가진다. 머신 러닝 시스템을 사용하면 많은 양의 복합적인 입력 데이터, 가령, 다수의 큰 테스트 연구에서 결정된 데이터를 분석할 수 있고, 빠르고 신뢰할 수 있으며 정확한 결과를 전달할 수 있게 하는 분석 모델을 결정할 수 있다.
추가 가능한 실시예를 요약하고 배제하지 않고, 이전 실시예 중 임의의 것과 결합될 수 있는 다음의 추가 실시예가 예상될 수 있다:
추가 실시예 1: 질병 상태를 나타내는 적어도 하나의 표적 변수를 예측하기 위한 적어도 하나의 분석 모델을 결정하기 위한 머신 러닝 시스템으로서,
- 입력 데이터를 수신하도록 구성된 적어도 하나의 통신 인터페이스 ― 입력 데이터는 과거 디지털 바이오마커 특징 데이터의 세트를 포함하고, 여기서 과거 디지털 바이오마커 특징 데이터의 세트는 예측될 질병 상태를 나타내는 복수의 측정값을 포함함 ― ,
- 적어도 하나의 알고리즘을 포함하는 적어도 하나의 머신 러닝 모델을 포함하는 적어도 하나의 모델 유닛,
- 적어도 하나의 처리 유닛 ― 상기 처리 유닛은 입력 데이터 세트로부터 적어도 하나의 훈련 데이터 세트 및 적어도 하나의 테스트 데이터 세트를 결정하도록 구성되며, 상기 처리 유닛은 훈련 데이터 세트로 머신 러닝 모델을 훈련함으로써 분석 모델을 결정하도록 구성되고, 상기 처리 유닛은 결정된 분석 모델을 이용해 테스트 데이터 세트에 대한 표적 변수를 예측하도록 구성되며, 상기 처리 유닛은 예측된 표적 변수 및 테스트 데이터 세트의 표적 변수의 참값에 기초하여 결정된 분석 모델의 성능을 결정하도록 구성됨 ― 을 포함하는, 머신 러닝 시스템.
추가 실시예 2: 전술한 실시예에 있어서, 분석 모델은 회귀 모델 또는 분류 모델인, 머신 러닝 시스템.
추가 실시예 3: 전술한 실시예에 있어서, 분석 모델은 회귀 모델이며, 머신 러닝 모델의 알고리즘은 k 최근접 이웃(kNN), 선형 회귀, 부분 최소-제곱(PLS), 랜덤 포레스트(RF), 및 익스트림 랜덤 트리(XT)로 구성된 군 중에서 선택된 적어도 하나의 알고리즘이거나, 상기 분석 모델은 분류 모델이며, 머신 러닝 모델의 알고리즘은 k 최근접 이웃(kNN), 서포트 벡터 머신(SVM), 선형 판별 분석(LDA), 이차 판별 분석(QDA), 나이브 베이즈(NB), 랜덤 포레스트(RF), 및 익스트림 랜덤 트리(XT)로 구성된 군 중에서 선택된 적어도 하나의 알고리즘인, 머신 러닝 시스템.
추가 실시예 4: 전술한 실시예들 중 어느 하나에 있어서, 모델 유닛은 복수의 머신 러닝 모델을 포함하고, 상기 머신 러닝 모델은 그들의 알고리즘에 의해 구별되는, 머신 러닝 시스템.
추가 실시예 5: 전술한 실시예에 있어서, 처리 유닛은 훈련 데이터 세트로 각각의 머신 러닝 모델을 훈련함으로써 머신 러닝 모델 각각에 대한 분석 모델을 결정하며, 결정된 분석 모델을 이용해 테스트 데이터 세트에 대한 표적 변수를 예측하도록 구성되며, 처리 유닛은 예측된 표적 변수 및 테스트 데이터 세트의 표적 변수의 참값에 기초하여 결정된 분석 모델 각각의 성능을 결정하도록 구성되며, 상기 처리 유닛은 최상의 성능을 갖는 분석 모델을 결정하도록 구성되는, 머신 러닝 시스템.
추가 실시예 6: 전술한 실시예들 중 어느 하나에 있어서, 표적 변수는 예측될 임상 값이며, 표적 변수는 수치 또는 범주인, 머신 러닝 시스템.
추가 실시예 7: 전술한 실시예 중 어느 하나에 있어서, 상기 상태가 예측될 질병은 다발성 경화증이고 상기 표적 변수는 확장된 장애 상태 척도(EDSS) 값을 포함하거나, 상기 상태가 예측될 질병은 척수성근위축증이고 상기 표적 변수는 강제 폐활량(FVC) 값을 포함하거나, 상기 상태가 예측될 질병은 헌팅턴병이고 상기 표적 변수는 총 운동 점수(TMS) 값을 포함하는, 머신 러닝 시스템.
추가 실시예 8: 전술한 실시예 중 어느 하나에 있어서, 처리 유닛은 대상체별 입력 데이터, 훈련 데이터 세트 및 테스트 데이터 세트를 발생 및/또는 생성하도록 구성되며, 테스트 데이터 세트는 하나의 대상체의 데이터를 포함하며, 훈련 데이터 세트는 그 밖의 다른 입력 데이터를 포함하는, 머신 러닝 시스템.
추가 실시예 9: 전술한 실시예 중 어느 하나에 있어서, 처리 유닛은 입력 데이터로부터 특징을 추출하도록 구성되며, 상기 처리 유닛은 최대-관련성-최소-중복성 기법을 사용함으로써 특징을 순위화하도록 구성된, 머신 러닝 시스템.
추가 실시예 10: 전술한 실시예에 있어서, 처리 유닛은 훈련 데이터 세트로 머신 러닝 모델을 훈련함으로써 분석 모델을 결정하기 위한 상이한 개수의 특징을 고려하도록 구성되는, 머신 러닝 시스템.
추가 실시예 11: 전술한 실시예 중 어느 하나에 있어서, 처리 유닛은 입력 데이터를 전처리하도록 구성되며, 전처리하는 것은 적어도 하나의 품질 기준을 충족하는 입력 데이터에 대한 적어도 하나의 필터링 프로세스를 포함하는, 머신 러닝 시스템.
추가 실시예 12: 전술한 실시예 중 어느 하나에 있어서, 처리 유닛은 훈련 데이터 세트 및 테스트 데이터 세트에 대한 적어도 하나의 변환 안정화, 적어도 하나의 통합, 및 적어도 하나의 정규화 중 하나 이상을 수행하도록 구성되는, 머신 러닝 시스템.
추가 실시예 13: 전술한 실시예 중 어느 하나에 있어서, 머신 러닝 시스템은 적어도 하나의 출력 인터페이스를 포함하며, 출력 인터페이스는 적어도 하나의 출력을 제공하도록 구성되며, 출력은 결정된 분석 모델의 성능에 대한 적어도 하나의 정보를 포함하는, 머신 러닝 시스템.
추가 실시예 14: 전술한 실시예에 있어서, 결정된 분석 모델의 성능에 대한 정보는 적어도 하나의 스코어링 차트, 적어도 하나의 예측 플롯, 적어도 하나의 상관관계 플롯, 및 적어도 하나의 잔차 플롯 중 하나 이상을 포함하는, 머신 러닝 시스템.
추가 실시예 15: 질병 상태를 나타내는 적어도 하나의 표적 변수를 예측하기 위한 적어도 하나의 분석 모델을 결정하기 위한, 컴퓨터로 구현되는 방법으로서, 상기 방법에서, 전술한 실시예 중 어느 하나에 따르는 머신 러닝 시스템이 사용되며, 상기 방법은 다음의 단계를 포함하는 컴퓨터로 구현되는 방법:
a)
적어도 하나의 통신 인터페이스를 통해 입력 데이터를 수신하는 단계 ― 입력 데이터는 과거 디지털 바이오마커 특징 데이터의 세트를 포함하고, 여기서 세트 과거 디지털 바이오마커 특징 데이터는 예측될 질병 상태를 나타내는 복수의 측정값을 포함함 ― ,
적어도 하나의 처리 유닛에서:
b)
입력 데이터 세트로부터 적어도 하나의 훈련 데이터 세트 및 적어도 하나의 테스트 데이터 세트를 결정하는 단계,
c)
훈련 데이터 세트로 적어도 하나의 알고리즘을 포함하는 머신 러닝 모델을 훈련함으로써 분석 모델을 결정하는 단계,
d)
결정된 분석 모델을 사용하여 테스트 데이터 세트에 대한 표적 변수를 예측하는 단계,
e)
예측된 표적 변수 및 테스트 데이터 세트의 표적 변수의 참값에 기초하여 결정된 분석 모델의 성능을 결정하는 단계.
추가 실시예 16: 전술한 실시예에 있어서, 단계 (c)에서 복수의 분석 모델은 훈련 데이터 세트로 복수의 머신 러닝 모델을 훈련함으로써 결정되며, 상기 머신 러닝 모델은 그들의 알고리즘에 의해 구별되며, 단계 d)에서 복수의 표적 변수는 결정된 분석 모델을 사용하여 테스트 데이터 세트에서 예측되며, 단계 e)에서 결정된 분석 모델 각각의 성능은 예측된 표적 변수 및 테스트 데이터 세트의 표적 변수의 참값에 기초하여 결정되며, 상기 방법은 최상의 성능을 갖는 분석 모델을 결정하는 단계를 더 포함하는, 방법.
추가 실시예 17: 컴퓨터 또는 컴퓨터 네트워크에서 실행될 때, 컴퓨터 또는 컴퓨터 네트워크로 하여금 전술한 실시예 중 어느 하나에 따르는 질병 상태를 나타내는 적어도 하나의 표적 변수를 예측하기 위한 적어도 하나의 분석 모델을 결정하기 위한 방법을 완전히 또는 부분적으로 수행하게 하도록 구성된, 질병 상태를 나타내는 적어도 하나의 표적 변수를 예측하기 위한 적어도 하나의 분석 모델을 결정하기 위한 컴퓨터 프로그램으로서, 컴퓨터 프로그램은 방법을 참조하는 전술한 실시예 중 어느 하나에 따른 질병 상태를 나타내는 적어도 하나의 표적 변수를 예측하기 위한 적어도 하나의 분석 모델을 결정하기 위한 방법의 적어도 단계 b) 내지 e)를 수행하도록 구성되는, 컴퓨터 프로그램.
추가 실시예 18: 컴퓨터 또는 컴퓨터 네트워크에 의해 실행될 때 전술한 방법 실시예 중 어느 하나에 따른 방법의 적어도 단계 b) 내지 e)를 수행하게 하는 명령을 포함하는 컴퓨터 판독형 저장 매체.
추가 실시예 19: 다발성 경화증을 나타내는 확장된 장애 상태 척도(EDSS) 값, 척수성근위축증을 나타내는 강제 폐활량(FVC) 값, 또는 헌팅턴병을 나타내는 총 운동 점수(TMS) 값 중 하나 이상을 예측하기 위한 분석 모델을 결정하기 위한 머신 러닝 시스템을 참조하는 전술하는 실시예 중 어느 하나에 따르는 머신 러닝 시스템의 용도.
추가 선택적 특징 및 실시예가, 바람직하게는, 종속 청구항과 함께, 이하의 실시예에 대한 설명에서 더 상세히 개시될 것이다. 거기서, 해당 분야의 통상의 기술자가 인지할 바와 같이, 각자의 선택적 특징이 독립적으로 또는 임의의 무작위 가능한 조합으로 구현될 수 있다. 발명의 범위는 바람직한 실시예로 한정되지 않는다. 실시예는 도면에 개략적으로 도시된다. 거기서, 이들 도면 내 동일한 도면 부호가 동일하거나 기능적으로 비교 가능한 요소를 지칭한다.
도면에서:
도 1은 본 발명에 따르는 머신 러닝 시스템의 실시예를 보여준다.
도 2는 본 발명에 따르는 컴퓨터로 구현되는 방법의 실시예를 보여준다.
도 3a 내지 3c는 분석 모델의 성능의 평가를 위한 상관도의 실시예를 나타낸다.
도 4는 본 발명의 방법을 구현하도록 사용될 수 있는 시스템의 예를 나타낸다.
도 5a는 핀치 테스트 동안 터치스크린 디스플레이의 예를 나타낸다.
도 5b는 추출될 수 있는 디지털 바이오마커 특징 중 일부를 나타내기 위해 핀치 테스트가 수행된 후의 터치스크린의 예를 나타낸다.
도 6a 내지 6d는 다양한 파라미터를 예시하는 핀치 테스트의 추가 예를 나타낸다.
도 7은 모양 그리기 테스트의 예를 나타낸다.
도 8은 모양 그리기 테스트의 예를 나타낸다.
도 9은 모양 그리기 테스트의 예를 나타낸다.
도 10은 모양 그리기 테스트의 예를 나타낸다.
도 11은 종료 자취 거리 특징을 나타낸다.
도 12a 내지 12c는 시작-종료 자취 거리 특징을 나타낸다.
도 13a 내지 13c는 시작 자취 거리 특징을 나타낸다.
도 14a 내지 도 14g는 본 발명의 핀치 테스트의 결과로부터 추출될 수 있는 다양한 디지털 바이오마커 특징의 정의를 나타낸 표이다.
도 15는 우세 손과 비-우세 손에 대한 PwMS에서의 핀치 테스트의 기본 특징의 테스트-재테스트 신뢰도 및 9HPT 및 EDSS와의 상관 관계를 보여준다.
ICC(2,1)는 (A) 우세 손 및 (B) 비-우세 손에 대해 비교 가능한 테스트-재테스트 신뢰도를 나타낸다.
도 16은 PwMS에서의 테스트-재테스트 신뢰도를 보여준다. (A) 기본, (B) IMU 기반 및 (C, D) 피로 특징의 ICC(2,1) 값. (연구 참가자당) 적어도 3개의 유효한 테스트 실행을 포함하는 모든 연속적인 2주 기간이 분석에 포함되었다. 특징 값은 (A-C) 중앙값 또는 (D) 표준 편차를 취함으로써 2주 기간에 걸쳐 통합되었다. 오차 막대는 부트스트래핑에 의해 추정된 95% CI를 나타낸다.
도 17은 건강한 대조군에서의 테스트-재테스트 신뢰도를 보여준다. (A) 기본, (B) IMU 기반 및 (C, D) 피로 특징의 ICC(2,1) 값. (연구 참가자당) 적어도 3개의 유효한 테스트 실행을 포함하는 모든 연속적인 2주 기간이 분석에 포함되었다. 특징 값은 (A-C) 중앙값 또는 (D) 표준 편차를 취함으로써 2주 기간에 걸쳐 통합되었다. 오차 막대는 부트스트래핑에 의해 추정된 95% CI를 나타낸다.
도 18은 PwMS에서 핀치 테스트 특징과 상지 기능의 표준 임상 척도 및 전반적인 질병 중증도 간의 횡단 스피어만 순위 상관관계를 보여준다. (A) 기본, (B) IMU 기반 및 (C,D) 피로 특징은 나이와 성별을 조정한 후 우세 손 9HPT 시간(청색), EDSS 점수(적색) 및 MSIS-29 팔 항목(녹색)에 대해 상관되었다. 오차 막대는 부트스트래핑에 의해 추정된 95% CI를 나타낸다.
도 19는 PwMS에서 핀치 테스트 특징과 정보 처리 속력과 피로의 표준 임상 척도 간의 횡단 스피어만 순위 상관관계를 보여준다. (A) 기본, (B) IMU 기반 및 (C,D) 피로 특징은 연령과 성별을 조정한 후 구강 SDMT(청색) 및 FSMC 총점(적색)의 올바른 응답 수에 대해 상관되었다. 오차 막대는 부트스트래핑에 의해 추정된 95% CI를 나타낸다.
도 20는 PwMS에서 핀치 테스트 특징과 신체적 및 인지적 피로 간의 횡단 스피어만 순위 상관관계를 보여준다. (A) 기본, (B) IMU 기반 및 (C,D) 피로 특징은 나이와 성별을 조정한 후 FSMC 인지 하위 척도(청색), FSMC 신체적 하위 척도(적색) 및 FSMC 총 점수(녹색)에 대해 상관되었다. 오차 막대는 부트스트래핑에 의해 추정된 95% CI를 나타낸다.
도 21은 핀치 테스트 특징들 간의 관계를 보여준다. (A) 쌍별 스피어만의 순위 상관 분석이 희소 상관 행렬을 도출하며, 이는 핀치 테스트가 상지 장애에서 고유한 정보를 전달함을 시사한다. (B) 반복 측정 상관 분석은 단일 테스트 실행 내의 핀치 테스트 특징이 서로 강하게 상관되지 않아 (A)에서 보다 훨씬 더 희박한 상관관계 행렬을 도출함을 보여준다. (C) 주성분 분석이 기본 특징의 분산의 약 90%를 설명하는 데 6개의 주성분이 필요하다는 것을 밝혔다. (D) 인자 분석의 로딩 행렬이 개별 기본 특징이 모두 상지 손상의 상이한 양태를 포착한다는 개념을 더욱 확증한다.
도 22는 핀치 테스트의 일련의 스크린샷을 나타낸다.
도 23은 검사될 수 있는 핀치 테스트 특징의 다양한 세부사항을 보여준다.
도면에서:
도 1은 본 발명에 따르는 머신 러닝 시스템의 실시예를 보여준다.
도 2는 본 발명에 따르는 컴퓨터로 구현되는 방법의 실시예를 보여준다.
도 3a 내지 3c는 분석 모델의 성능의 평가를 위한 상관도의 실시예를 나타낸다.
도 4는 본 발명의 방법을 구현하도록 사용될 수 있는 시스템의 예를 나타낸다.
도 5a는 핀치 테스트 동안 터치스크린 디스플레이의 예를 나타낸다.
도 5b는 추출될 수 있는 디지털 바이오마커 특징 중 일부를 나타내기 위해 핀치 테스트가 수행된 후의 터치스크린의 예를 나타낸다.
도 6a 내지 6d는 다양한 파라미터를 예시하는 핀치 테스트의 추가 예를 나타낸다.
도 7은 모양 그리기 테스트의 예를 나타낸다.
도 8은 모양 그리기 테스트의 예를 나타낸다.
도 9은 모양 그리기 테스트의 예를 나타낸다.
도 10은 모양 그리기 테스트의 예를 나타낸다.
도 11은 종료 자취 거리 특징을 나타낸다.
도 12a 내지 12c는 시작-종료 자취 거리 특징을 나타낸다.
도 13a 내지 13c는 시작 자취 거리 특징을 나타낸다.
도 14a 내지 도 14g는 본 발명의 핀치 테스트의 결과로부터 추출될 수 있는 다양한 디지털 바이오마커 특징의 정의를 나타낸 표이다.
도 15는 우세 손과 비-우세 손에 대한 PwMS에서의 핀치 테스트의 기본 특징의 테스트-재테스트 신뢰도 및 9HPT 및 EDSS와의 상관 관계를 보여준다.
ICC(2,1)는 (A) 우세 손 및 (B) 비-우세 손에 대해 비교 가능한 테스트-재테스트 신뢰도를 나타낸다.
도 16은 PwMS에서의 테스트-재테스트 신뢰도를 보여준다. (A) 기본, (B) IMU 기반 및 (C, D) 피로 특징의 ICC(2,1) 값. (연구 참가자당) 적어도 3개의 유효한 테스트 실행을 포함하는 모든 연속적인 2주 기간이 분석에 포함되었다. 특징 값은 (A-C) 중앙값 또는 (D) 표준 편차를 취함으로써 2주 기간에 걸쳐 통합되었다. 오차 막대는 부트스트래핑에 의해 추정된 95% CI를 나타낸다.
도 17은 건강한 대조군에서의 테스트-재테스트 신뢰도를 보여준다. (A) 기본, (B) IMU 기반 및 (C, D) 피로 특징의 ICC(2,1) 값. (연구 참가자당) 적어도 3개의 유효한 테스트 실행을 포함하는 모든 연속적인 2주 기간이 분석에 포함되었다. 특징 값은 (A-C) 중앙값 또는 (D) 표준 편차를 취함으로써 2주 기간에 걸쳐 통합되었다. 오차 막대는 부트스트래핑에 의해 추정된 95% CI를 나타낸다.
도 18은 PwMS에서 핀치 테스트 특징과 상지 기능의 표준 임상 척도 및 전반적인 질병 중증도 간의 횡단 스피어만 순위 상관관계를 보여준다. (A) 기본, (B) IMU 기반 및 (C,D) 피로 특징은 나이와 성별을 조정한 후 우세 손 9HPT 시간(청색), EDSS 점수(적색) 및 MSIS-29 팔 항목(녹색)에 대해 상관되었다. 오차 막대는 부트스트래핑에 의해 추정된 95% CI를 나타낸다.
도 19는 PwMS에서 핀치 테스트 특징과 정보 처리 속력과 피로의 표준 임상 척도 간의 횡단 스피어만 순위 상관관계를 보여준다. (A) 기본, (B) IMU 기반 및 (C,D) 피로 특징은 연령과 성별을 조정한 후 구강 SDMT(청색) 및 FSMC 총점(적색)의 올바른 응답 수에 대해 상관되었다. 오차 막대는 부트스트래핑에 의해 추정된 95% CI를 나타낸다.
도 20는 PwMS에서 핀치 테스트 특징과 신체적 및 인지적 피로 간의 횡단 스피어만 순위 상관관계를 보여준다. (A) 기본, (B) IMU 기반 및 (C,D) 피로 특징은 나이와 성별을 조정한 후 FSMC 인지 하위 척도(청색), FSMC 신체적 하위 척도(적색) 및 FSMC 총 점수(녹색)에 대해 상관되었다. 오차 막대는 부트스트래핑에 의해 추정된 95% CI를 나타낸다.
도 21은 핀치 테스트 특징들 간의 관계를 보여준다. (A) 쌍별 스피어만의 순위 상관 분석이 희소 상관 행렬을 도출하며, 이는 핀치 테스트가 상지 장애에서 고유한 정보를 전달함을 시사한다. (B) 반복 측정 상관 분석은 단일 테스트 실행 내의 핀치 테스트 특징이 서로 강하게 상관되지 않아 (A)에서 보다 훨씬 더 희박한 상관관계 행렬을 도출함을 보여준다. (C) 주성분 분석이 기본 특징의 분산의 약 90%를 설명하는 데 6개의 주성분이 필요하다는 것을 밝혔다. (D) 인자 분석의 로딩 행렬이 개별 기본 특징이 모두 상지 손상의 상이한 양태를 포착한다는 개념을 더욱 확증한다.
도 22는 핀치 테스트의 일련의 스크린샷을 나타낸다.
도 23은 검사될 수 있는 핀치 테스트 특징의 다양한 세부사항을 보여준다.
도 1은 질병 상태를 나타내는 적어도 하나의 표적 변수를 예측하기 위한 적어도 하나의 분석 모델을 결정하기 위한 머신 러닝 시스템(110)의 하나의 실시예를 매우 개략적으로 나타낸다.
분석 모델은 적어도 하나의 상태 변수에 대해 적어도 하나의 표적 변수를 예측하도록 구성된 수학적 모델일 수 있다. 분석 모델은 회귀 모델 또는 분류 모델일 수 있다. 회귀 모델은 범위 내의 수치 값을 출력으로 갖는 적어도 하나의 지도형 러닝 알고리즘을 포함하는 분석 모델일 수 있다. 분류 모델은 분류자, 가령, "병" 또는 "건강함"을 출력으로서 갖는 적어도 하나의 지도형 러닝 알고리즘을 포함하는 분석 모델일 수 있다.
예측될 표적 변수 값이 존재 또는 상태가 예측될 질병에 따라 달라질 수 있다. 표적 변수는 수치 또는 범주일 수 있다. 예를 들어, 표적 변수는 범주일 수 있고 질병이 존재하는 경우 "양성" 또는 질병이 부재하는 경우 "음성"일 수 있다. 질병 상태는 건강 상태 및/또는 의학적 상태 및/또는 질병 병기일 수 있다. 예를 들어, 질병 상태는 건강함 또는 병이 있음 및/또는 질병의 존재 또는 부재일 수 있다. 예를 들어, 질병 상태는 질병 병기를 나타내는 척도에 관한 값일 수 있다. 표적 변수는 수치, 가령, 적어도 하나의 값 및/또는 척도 값일 수 있다. 표적 변수는 질병 상태에 직접적으로 관련될 수 있거나 및/또는 질병 상태에 간접적으로 관련될 수 있다. 예를 들어, 표적 변수는 질병 상태를 도출하기 위해 추가 분석 및/또는 처리를 필요로 할 수 있다. 예를 들어, 표적 변수는 질병 상태를 결정하기 위해 테이블 및/또는 룩업 테이블에 비교될 필요가 있는 값일 수 있다.
머신 러닝 시스템(110)은 특히 주어진 알고리즘에서 논리를 실행하기 위해 머신 러닝을 위한 적어도 하나의 처리 유닛(112), 가령, 프로세서, 마이크로프로세서, 또는 컴퓨터 시스템을 포함한다. 머신 러닝 시스템(110)은 적어도 하나의 머신 러닝 알고리즘을 수행 및/또는 실행하도록 구성될 수 있으며, 여기서 머신 러닝 알고리즘은 훈련 데이터에 기초하여 적어도 하나의 분석 모델을 구축하도록 구성된다. 처리 유닛(112)은 적어도 하나의 프로세서를 포함할 수 있다. 특히, 처리 유닛(112)은 컴퓨터 또는 시스템을 구동하는 기본 명령을 처리하도록 구성될 수 있다. 예를 들어, 처리 유닛(112)은 적어도 하나의 산술 논리 유닛(ALU), 적어도 하나의 부동 소수점 유닛(FPU), 가령, 수학 코프로세서 또는 수치 코프로세서, 복수의 레지스터 및 메모리, 가령, 캐시 메모리를 포함할 수 있다. 특히, 처리 유닛(112)은 멀티-코어 프로세서일 수 있다. 처리 유닛(112)은 머신 러닝을 위해 구성될 수 있다. 처리 유닛(112)은 중앙 처리 장치(CPU) 및/또는 하나 이상의 그래픽 처리 장치(GPU) 및/또는 하나 이상의 주문형 집적 회로(ASIC) 및/또는 하나 이상의 센서 처리 장치(TPU: Tensor Processing Unit) 및/또는 하나 이상의 현장 프로그램 가능 게이트 어레이(FPGA) 등을 포함할 수 있다.
머신 러닝 시스템은 입력 데이터를 수신하도록 구성된 적어도 하나의 통신 인터페이스(114)를 포함한다. 통신 인터페이스(114)는 정보를 계산 장치, 가령, 컴퓨터로부터 전송하여, 가령, 정보를, 가령, 타 장치 상에 전송 또는 출력하도록 구성될 수 있다. 추가로 또는 대안으로, 통신 인터페이스(114)는 정보를 가령, 정보를 수신하기 위한 계산 장치, 가령, 컴퓨터 상으로 전송하도록 구성될 수 있다. 통신 인터페이스(114)는 특히 정보를 전송하거나 교환하기 위한 수단을 제공할 수 있다. 특히, 통신 인터페이스(114)는 데이터 전송 연결, 가령, 블루투스, NFC, 유도 결합 등을 제공할 수 있다. 예를 들어, 통신 인터페이스(114)는 네트워크 또는 인터넷 포트, USB 포트 및 디스크 드라이브 중 하나 이상을 포함하는 적어도 하나의 포트이거나 이를 포함할 수 있다. 통신 인터페이스(114)는 적어도 하나의 웹 인터페이스일 수 있다.
입력 데이터는 과거 디지털 바이오마커 특징 데이터의 세트를 포함하고, 여기서 과거 디지털 바이오마커 특징 데이터의 세트는 예측될 질병 상태를 나타내는 복수의 측정값을 포함한다. 과거 디지털 바이오마커 특징 데이터의 세트는 예측될 질병 상태를 나타내는 대상체별 복수의 측정값을 포함한다. 가령, 다발성 경화증을 나타내는 적어도 하나의 표적을 예측하기 위한 모델 구축을 위해 디지털 바이오마커 특징 데이터는 Floodlight POC 연구로부터의 데이터일 수 있다. 예를 들어, 척수성근위축증을 나타내는 적어도 하나의 표적을 예측하기 위한 모델 구축을 위해 디지털 바이오마커 특징 데이터는 OLEOS 연구로부터의 데이터일 수 있다. 예를 들어, 헌팅턴병을 나타내는 적어도 하나의 표적을 예측하기 위한 모델 구축을 위해 디지털 바이오마커 특징 데이터는 HD OLE 연구, ISIS 44319-CS2로부터의 데이터일 수 있다. 입력 데이터는 적어도 하나의 능동 테스트 및/또는 적어도 하나의 수동 모니터링에서 결정될 수 있다. 예를 들어, 입력 데이터는 적어도 하나의 모바일 장치, 가령, 적어도 하나의 인지 테스트 및/또는 적어도 하나의 손 운동 기능 테스트 및/또는 적어도 하나의 이동성 테스트를 이용해 능동 테스트에서 결정될 수 있다.
입력 데이터는 표적 데이터를 더 포함할 수 있다. 표적 데이터는, 특히, 대상체별 하나의 임상 값을 예측하기 위한 임상 값을 포함한다. 표적 데이터는 수치 또는 범주일 수 있다. 임상 값은 질병의 상태를 직접 또는 간접적으로 지칭할 수 있다.
처리 유닛(112)은 입력 데이터로부터 특징을 추출하도록 구성될 수 있다. 특징의 추출은 데이터 통합, 데이터 축소, 데이터 변환 등 중 하나 이상을 포함할 수 있다. 처리 유닛(112)은 특징을 순위화하도록 구성될 수 있다. 예를 들어, 특징은 그들의 관련성과 관련하여, 즉, 표적 변수와의 상관관계와 관련하여 순위화될 수 있거나, 및/또는 특징은 중복성과 관련하여, 즉, 특징들 간 상관관계와 관련하여, 순위화될 수 있다. 처리 유닛(110)은 최대-관련성-최소-중복성 기법을 사용하여 특징을 순위화하도록 구성될 수 있다. 이 방법은 관련성과 중복성 간의 트레이드오프를 사용하여 모든 특징을 순위화한다. 구체적으로, 특징 선택 및 순위화는 Ding C., Peng H. "Minimum redundancy feature selection from microarray gene expression data", J Bioinform Comput Biol. 2005 Apr;3 (2):185-205, PubMed PMID:15852500에 기재되어 있는 바와 같이 수행될 수 있다. 특징 선택 및 순위화는 Ding et al.에 기술된 방법과 비교하여 수정된 방법을 사용하여 수행될 수 있다. 평균 상관 계수 대신 최대 상관 계수가 사용될 수 있으며 추가 변환이 여기에 적용될 수 있다. 분석 모델로서의 회귀 모델의 경우 평균 상관 계수 변환의 값이 5 제곱으로 높아질 수 있다. 분류 모델을 분석 모델로 하는 경우 평균 상관 계수 값에 10이 곱해질 수 있다.
머신 러닝 시스템(110)은 적어도 하나의 알고리즘을 포함하는 적어도 하나의 머신 러닝 모델을 포함하는 적어도 하나의 모델 유닛(116)을 포함한다. 모델 유닛(116)은 복수의 머신 러닝 모델, 가령, 회귀 모델을 구축하기 위한 상이한 머신 러닝 모델 및 분류 모델을 구축하기 위한 머신 러닝 모델을 포함할 수 있다. 예를 들어, 분석 모델은 회귀 모델일 수 있고 머신 러닝 모델의 알고리즘은 k 최근접 이웃(kNN), 선형 회귀, 부분 최소-제곱(PLS), 랜덤 포레스트(RF), 및 익스트림 랜덤 트리(XT)로 구성된 군 중에서 선택된 적어도 하나의 알고리즘일 수 있다. 예를 들어, 분석 모델은 분류 모델일 수 있고 머신 러닝 모델의 알고리즘은 k 최근접 이웃(kNN), 서포트 벡터 머신(SVM), 선형 판별 분석(LDA), 이차 판별 분석(QDA), 나이브 베이즈(NB), 랜덤 포레스트(RF), 및 익스트림 랜덤 트리(XT)로 구성된 군 중에서 선택된 적어도 하나의 알고리즘일 수 있다.
처리 유닛(112)은 입력 데이터를 전처리하도록 구성될 수 있다. 전처리(112)는 적어도 하나의 품질 기준을 충족하는 입력 데이터에 대한 적어도 하나의 필터링 프로세스를 포함할 수 있다. 예를 들어 소실 변수를 제거하기 위해 입력 데이터가 필터링될 수 있다. 예를 들어, 전처리는 지정된 최소 관측 횟수 미만인 대상체로부터의 데이터를 제외하는 것을 포함할 수 있다.
처리 유닛(112)은 입력 데이터 세트로부터 적어도 하나의 훈련 데이터 세트 및 적어도 하나의 테스트 데이터 세트를 결정하도록 구성된다. 훈련 데이터 세트는 복수의 훈련 데이터 세트를 포함할 수 있다. 특히, 훈련 데이터 세트는 입력 데이터의 대상체별 훈련 데이터 세트를 포함한다. 테스트 데이터 세트는 복수의 테스트 데이터 세트를 포함할 수 있다. 특히, 테스트 데이터 세트는 입력 데이터의 대상체별 테스트 데이터 세트를 포함한다. 처리 유닛(112)은 입력 데이터의 대상체별로 훈련 데이터 세트 및 테스트 데이터 세트를 발생 및/또는 생성하도록 구성될 수 있으며, 여기서, 대상체별 테스트 데이터 세트는 해당 대상체의 데이터만을 포함할 수 있는 반면, 그 대상체에 대한 훈련 데이터 세트는 다른 모든 입력 데이터를 포함한다.
처리 유닛(112)은 각 대상체에 대한 훈련 데이터 세트 및 테스트 데이터 세트 모두에 대해 적어도 하나의 데이터 통합 및/또는 데이터 변환을 수행하도록 구성될 수 있다. 변환 및 특징 순위화 단계는 훈련 데이터 세트와 테스트 데이터 세트로 분할하지 않고 수행될 수 있다. 이는 예를 들어 데이터로부터 중요한 특징의 간섭을 가능하게 할 수 있다. 처리 유닛(112)은 적어도 하나의 변환 안정화, 적어도 하나의 통합, 및 훈련 데이터 세트 및 테스트 데이터 세트에 대한 적어도 하나의 정규화 중 하나 이상에 대해 구성될 수 있다. 예를 들어, 처리 유닛(112)은 훈련 데이터 세트 및 테스트 데이터 세트 모두의 대상체별 데이터 통합을 위해 구성될 수 있으며, 이때 특징의 평균 값은 각 대상체에 대해 결정된다. 예를 들어, 처리 유닛(112)은 분산 안정화를 위해 구성될 수 있으며, 각 특징에 대해 적어도 하나의 분산 안정화 함수가 적용된다. 분산 안정화 함수는 다음으로 구성된 군 중에서 선택된 적어도 하나일 수 있다: 모든 값이 300보다 크고 0과 1 사이의 값이 없는 경우 사용될 수 있는 로지스틱(logistic), 모든 값이 0과 1을 포함하여 그 사이인 경우 사용될 수 있는 로짓(logit), 시그모이드(sigmoid), 모든 값 >= 0일 때 고려되는 경우 사용될 수 있는 log10. 처리 유닛(112)은 각각의 분산 변환 함수를 사용하여 각각의 특징의 값을 변환하도록 구성될 수 있다. 처리 유닛(112)은 특정 기준을 사용하여, 원래 분포를 포함하여 각각의 결과 분포를 평가하도록 구성될 수 있다. 분석 모델로서 분류 모델의 경우, 즉 표적 변수가 이산일 때, 상기 기준은 획득된 값이 상이한 클래스를 어느 정도 분리할 수 있는지일 수 있다. 특히, 모든 클래스별 평균 실루엣 값의 최댓값이 이 목적으로 사용될 수 있다. 회귀 모델을 분석 모델로 하는 경우, 기준은 표적 변수에 분산 안정화 함수를 적용함으로써 획득된 값의 회귀 후 획득된 평균 절대 오차일 수 있다. 이 선택 기준을 사용하여, 처리 유닛(112)은 훈련 데이터 세트에서 원래 값보다 나은 경우 가능한 최상의 변환을 결정하도록 구성될 수 있다. 이후에 가능한 최상의 변환이 테스트 데이터 세트에 적용될 수 있다. 예를 들어, 처리 유닛(112)은 z-점수 변환을 위해 구성될 수 있으며, 각각의 변환된 특징에 대해 평균 및 표준 편차가 훈련 데이터 세트에서 결정되며, 이들 값은 훈련 데이터 세트와 테스트 데이터 세트 모두에 대한 z-점수 변환을 위해 사용된다. 예를 들어, 처리 유닛(112)은 훈련 데이터 세트 및 테스트 데이터 세트 모두에 대해 3개의 데이터 변환 단계를 수행하도록 구성될 수 있으며, 여기서 변환 단계는 다음을 포함한다: 1. 대상체별 데이터 통합, 2. 분산 안정화, 3. z-점수 변환. 처리 유닛(112)은 순위화 및 변환 단계의 적어도 하나의 출력을 결정 및/또는 제공하도록 구성될 수 있다. 예를 들어, 순위화 및 변환 단계의 출력은 적어도 하나의 진단 플롯을 포함할 수 있다. 진단 플롯은 적어도 하나의 주성분 분석(PCA) 플롯 및/또는 순위화 절차와 관련된 핵심 통계를 비교하는 적어도 하나의 페어 플롯(pair plot)을 포함할 수 있다.
처리 유닛(112)은 훈련 데이터 세트로 머신 러닝 모델을 훈련함으로써 분석 모델을 결정하도록 구성된다. 훈련은 적어도 하나의 최적화 또는 튜닝 프로세스를 포함할 수 있으며, 여기서 최상의 파라미터 조합이 결정된다. 훈련은 서로 다른 대상체의 훈련 데이터 세트에 대해 반복적으로 수행될 수 있다. 처리 유닛(112)은 훈련 데이터 세트로 머신 러닝 모델을 훈련함으로써 분석 모델을 결정하기 위해 상이한 개수의 특징을 고려하도록 구성될 수 있다. 머신 러닝 모델의 알고리즘은 예를 들어 순위에 따라 상이한 수의 특징을 사용하여 훈련 데이터 세트에 적용될 수 있다. 훈련은 모델 파라미터의 강건한 추정치를 얻기 위해 n-폴드 교차 검증을 포함할 수 있다. 머신 러닝 모델의 훈련은 적어도 하나의 제어된 러닝 프로세스를 포함할 수 있으며, 여기서 적어도 하나의 하이퍼-파라미터는 훈련 프로세스를 제어하기 위해 선택된다. 필요한 경우, 훈련 단계가 반복되어 다양한 하이퍼-파라미터의 조합을 테스트한다.
특히, 머신 러닝 모델의 훈련에 후속하여, 결정된 분석 모델을 사용하여 테스트 데이터 세트에 대한 표적 변수를 예측하도록 처리 유닛(112)이 구성된다. 처리 유닛(112)은 결정된 분석 모델을 사용하는 대상체의 테스트 데이터 세트에 기초하여 각 대상체에 대한 표적 변수를 예측하도록 구성될 수 있다. 처리 유닛(112)은 분석 모델을 사용하여 각각의 훈련 및 테스트 데이터 세트에 대한 각각의 대상체에 대한 표적 변수를 예측하도록 구성될 수 있다. 처리 유닛(112)은 대상체별 예측된 표적 변수 및 대상체별 표적 변수의 참값 모두를 예를 들어 적어도 하나의 출력 파일에 기록 및/또는 저장하도록 구성될 수 있다.
처리 유닛(112)은 예측된 표적 변수 및 테스트 데이터 세트의 표적 변수의 참값에 기초하여 결정된 분석 모델의 성능을 결정하도록 구성된다. 성능은 예측된 표적 변수와 표적 변수의 참값 사이의 편차로 특징지어질 수 있다. 머신 러닝 시스템(110)은 적어도 하나의 출력 인터페이스(118)를 포함할 수 있다. 출력 인터페이스(118)는 통신 인터페이스(114)와 동일하게 설계될 수 있고 및/또는 통신 인터페이스(114)와 일체로 형성될 수 있다. 출력 인터페이스(118)는 적어도 하나의 출력을 제공하도록 구성될 수 있다. 출력은 결정된 분석 모델의 성능에 대한 적어도 하나의 정보를 포함할 수 있다. 결정된 분석 모델의 성능에 대한 정보는 적어도 하나의 스코어링 차트, 적어도 하나의 예측 플롯, 적어도 하나의 상관관계 플롯, 및 적어도 하나의 잔차 플롯 중 하나 이상을 포함할 수 있다.
모델 유닛(116)은 복수의 머신 러닝 모델을 포함할 수 있으며, 머신 러닝 모델은 그들의 알고리즘에 의해 구별된다. 예를 들어, 회귀 모델을 구축하기 위해 모델 유닛(116)은 k 최근접 이웃(kNN), 선형 회귀, 부분 최소-제곱(PLS), 랜덤 포레스트(RF), 및 익스트림 랜덤 트리(XT)의 알고리즘을 포함할 수 있다. 예를 들어, 분류 모델을 구축하기 위해, 모델 유닛(116)은 k 최근접 이웃(kNN), 서포트 벡터 머신(SVM), 선형 판별 분석(LDA), 이차 판별 분석(QDA), 나이브 베이즈(NB), 랜덤 포레스트(RF), 및 익스트림 랜덤 트리(XT)의 알고리즘을 포함할 수 있다. 상기 처리 유닛(112)은 훈련 데이터 세트로 각각의 머신 러닝 모델을 훈련함으로써 각각의 머신 러닝 모델에 대한 분석 모델을 결정하고, 결정된 분석 모델을 이용하여 테스트 데이터 세트에 대한 표적 변수를 예측하도록 구성될 수 있다.
도 2는 본 발명에 따르는 방법의 단계의 예시적 시퀀스를 나타낸다. 참조 번호(120)으로 지시되는 단계 a)에서, 입력 데이터는 통신 인터페이스(114)를 통해 수신된다. 상기 방법은 참조 번호(122)으로 지시되는 입력 데이터를 전처리하는 단계를 포함한다. 앞서 요약한 바와 같이, 전처리는 적어도 하나의 품질 기준을 충족하는 입력 데이터에 대한 적어도 하나의 필터링 프로세스를 포함할 수 있다. 예를 들어 소실 변수를 제거하기 위해 입력 데이터가 필터링될 수 있다. 예를 들어, 전처리는 지정된 최소 관측 횟수 미만인 대상체로부터의 데이터를 제외하는 것을 포함할 수 있다. 참조 번호(124)로 지시된 단계 b)에서, 훈련 데이터 세트 및 테스트 데이터 세트는 처리 유닛(112)에 의해 결정된다. 상기 방법은 각 대상체에 대한 훈련 데이터 세트 및 테스트 데이터 세트 모두에 대한 적어도 하나의 데이터 통합 및/또는 데이터 변환을 더 포함할 수 있다. 상기 방법은 적어도 하나의 특징 추출을 더 포함할 수 있다. 데이터 통합 및/또는 데이터 변환 및 특징 추출 단계는 도 2에서 참조 번호(126)으로 지시된다. 특징 추출은 특징의 순위화를 포함할 수 있다. 참조 번호(128)로 지시된 단계 c)에서, 분석 모델은 훈련 데이터 세트로 적어도 하나의 알고리즘을 포함하는 머신 러닝 모델을 훈련함으로써 결정된다. 참조 번호(130)로 지시된 단계 d)에서, 결정된 분석 모델을 이용해 테스트 데이터 세트에 대한 표적 변수가 예측된다. 참조 번호(132)로 지시된 단계 e)에서, 예측된 표적 변수 및 테스트 데이터 세트의 표적 변수의 참값에 기초하여 결정된 분석 모델의 성능이 결정된다.
도 3a 내지 3c는 분석 모델의 성능의 평가를 위한 상관도의 실시예를 나타낸다.
도 3a는 다발성 경화증을 나타내는 확장된 장애 상태 척도 값을 예측하기 위한 분석 모델, 특히 회귀 모델에 대한 상관관계 플롯을 보여준다. 입력 데이터는 52명의 대상체에 대한 Floodlight POC 연구의 데이터였다.
전향적 파일럿 연구(FLOODLIGHT)에서 다발성 경화증 환자에 대해 디지털 기술을 사용하여 원격 환자 모니터링을 수행할 가능성이 평가되었다. 다음의 포함 및 제외 기준을 사용하여 연구 모집단이 선택됐다:
핵심 포함 기준:
서명된 동의서 양식
조사자의 판단에 따라 연구 프로토콜을 준수할 수 있음
18세 ― 55세의 나이, 경계값 포함
수정된 McDonald 2010 기준에 따라 확정된 MS 진단을 받음
0.0 내지 5.5의 EDSS 점수, 경계값 포함
체중: 45-110 kg
가임 여성의 경우: 연구 기간 동안 허용되는 피임 방법을 사용하는 것에 대한 동의
핵심 제외 기준:
조사자의 재량에 따라 중증 및 불안정한 환자
입원 전 마지막 12주 동안 투여 요법의 변경 또는 질병 수정 요법(DMT)의 전환
임신 또는 수유 중이거나 연구 기간 동안 임신할 의사가 있는 자
이 연구의 주 목적은 준수 레벨(%)로서 정량화된 스마트폰 및 스마트와치 기반 평가의 준수를 보여주고, 만족도 설문을 이용해 스마트폰 및 스마트와치 평가 스케줄 및 일상 활동에 미치는 영향에 대한 피드백을 환자 및 건강한 대조군으로부터 얻는 것이다. 또한 추가 목적이 해결되었는데, 특히 Floodlight Test를 사용하여 수행된 평가와 기존의 MS 임상 결과 간 연관성이 결정되었고, Floodlight 척도가 질병 활동/진행에 대한 마커로 사용될 수 있고 시간 경과에 따른 MRI 및 임상 결과의 변화와 연관되는지 확인되었으며, Floodlight Test Battery가 MS가 있는 환자와 없는 환자, 그리고 MS 환자의 표현형을 구별할 수 있는지가 확인되었다.
능동 테스트 및 수동 모니터링에 추가하여 예정된 각 진료소 방문 시 다음과 같은 평가가 수행되었다:
·
SDMT의 구두 버전
·
운동 및 인지 기능에 대한 피로 척도(FSMC: Fatigue Scale for Motor and Cognitive Functions)
·
시간 제한 25-피트 걷기 테스트(T25-FW: Timed 25-Foot Walk Test)
·
버그 균형 척도(BBS: Berg Balance Scale)
·
9-홀 페그 테스트(9HPT: 9-Hole Peg Test)
·
환자 건강 설문(PHQ-9: Patient Health Questionnaire)
·
MS만 있는 환자:
·
뇌 MRI (MSmetrix)
·
확장된 장애 상태 척도 (EDSS: Expanded Disability Status Scale)
·
환자 결정 질병 병기(PDDS: Patient Determined Disease Steps)
·
MSIS-29의 펜 및 종이 버전
원내 테스트를 수행하는 동안 환자와 건강한 대조군은 원내 측정치와 함께 센서 데이터를 수집하기 위해 스마트폰과 스마트워치를 휴대/착용하도록 요청받았다. 요컨대, 연구 결과가 환자가 스마트폰 및 스마트워치 기반 평가에 매우 적극적으로 참여함을 보여줬다. 또한 테스트와 기준선에서 기록된 원내 임상 결과 측정 사이에 상관관계가 존재하며, 이는 스마트폰 기반 Floodlight 테스트 배터리가 실세계 시나리오에서 MS를 지속적으로 모니터링하는 강력한 도구가 될 것임을 시사한다. 또한, 걷기 및 U턴 수행 동안의 선회 속력의 스마트폰 기반 측정이 EDSS와 상관되는 것으로 나타났다.
도 3a의 경우, 본 발명에 따른 방법을 사용하여 모델을 구축하는 동안 총 7개의 테스트로부터의 889개의 특징이 평가되었다. 이 예측을 위해 사용된 테스트는 대상체가 주어진 시간 동안 가능한 많은 기호를 숫자에 매칭시키야 하는 기호-숫자 모달리티 테스트(SMDT: Symbol-Digits Modalities Test), 대상체가 엄지와 검지를 사용하여 주어진 시간 동안 스크린 상에 나타난 토마토를 가능한 한 많이 비틀어야 하는 핀치 테스트, 대상체가 스크린 상의 형태를 추적해야 하는 A 모양 그리기 테스트, 대상체가 30초 동안 서 있어야 하는 서 있기 균형 테스트, 대상체가 짧게 걸은 후 180도 선회해야 하는 5 U-턴 테스트, 대상체가 2분 동안 걸어야 하는 2분 걷기 테스트, 및 마지막으로 보행의 수동 모니터링이다. 다음 표는 예측에 사용되는 선택된 특징, 특징이 도출된 테스트, 특징의 짧은 설명 및 순위의 개요를 제공한다:
도 3a는 각 회귀자 유형에 대한, 특히, 왼쪽에서 오른쪽으로, kNN, 선형 회귀, PLS, RF 및 XT에 대한 각각의 분석 모델에 포함된 특징 f의 수의 함수로서 예측된 표적 변수와 참 표적 변수 간 스피어만 상관 계수 rs를 보여준다. 상단 행은 테스트 데이터 세트에서 테스트된 각 분석 모델의 성능을 보여준다. 하단 행은 훈련 데이터에서 테스트된 각 분석 모델의 성능을 보여준다. 하단 행의 곡선은 훈련 데이터에서 표적 변수를 예측하여 얻은 "전체" 및 "평균"에 대한 결과를 보여준다. "평균"은 대상체별 모든 관측치의 평균값에 대한 예측을 의미한다. "모두"는 모든 개별 관측치에 대한 예측을 나타낸다. 임의의 머신 러닝 모델의 성능을 평가하기 위해, 테스트 데이터(상단 행)의 결과가 더 신뢰할 수 있는 것으로 간주되었다. 가장 성능이 좋은 회귀 모델은 원과 화살표로 지시되는 모델에 32개의 특징이 포함되고, 0.77의 rs 값을 갖는 RF인 것으로 밝혀졌다.
다음은 테스트에 대한 자세한 설명이다. 테스트는 일반적으로 본 명세서에 명시된 모바일 장치와 같은 데이터 수집 장치에서 컴퓨터로 구현된다.
(1) 보행 및 자세의 수동 모니터링을 위한 테스트: 수동 모니터링
모바일 장치는 일반적으로 활동의 전부 또는 서브세트의 수동적 모니터링으로부터 데이터를 수행하거나 획득하도록 구성된다. 특히, 수동 모니터링은 보행의 측정, 일반적인 일상 생활에서의 움직임의 양, 일상 생활에서의 움직임의 유형, 일상 생활에서의 일반적인 이동성 및 이동 거동의 변화로 구성된 군 중에서 선택된 지정 기간, 가령, 하나 이상의 날, 또는 하나 이상의 주 동안 수행된 하나 이상의 활동을 모니터링하는 것을 포함해야 한다.
관심 있는 일반적인 수동 모니터링 성능 파라미터:
a. 걷는 빈도 및/또는 속력,
b. 일어서기/앉기, 가만히 서있기 및 균형을 잡는 양, 능력 및/또는 속력
c. 일반 이동성의 표시자인 방문 위치의 수
d. 이동 거동의 표시자인 방문한 위치의 유형.
(2) 인지 능력에 대한 테스트: SMDT(eSDMT라고도 함)
또한 모바일 장치는 일반적으로 컴퓨터로 구현되는 기호 숫자 모덜리티 테스트(eSDMT)로부터 데이터를 수행하거나 획득하도록 구성된다. 테스트의 기존 종이 SDMT 버전은 최대 90초 동안 디스플레이될 120개의 기호의 시퀀스와 주어진 순서로 9개의 기호 및 1에서 9까지의 매칭되는 숫자가 있는 참조 키 범례(3개 버전 사용 가능)로 구성된다. 스마트폰 기반 eSDMT는 환자가 자가 관리하도록 되어 있으며 기호의 시퀀스, 일반적으로 110개의 기호의 동일한 시퀀스, 및 SDMT의 종이/구두 버전의 참조 키 범례, 일반적으로, 3개의 참조 키 범례 사이의 (하나의 테스트에서 다음 테스트로의) 무작위 변경을 사용할 것이다. 종이/구두 버전과 유사하게 eSDMT는 90초 시간과 같은 지정된 시간 기간에서 특정 숫자와 추상적 기호를 쌍으로 연결하는 속력(올바른 쌍 응답의 수)을 측정한다. 테스트는 일반적으로 매주 수행되지만 대안으로 더 높은 빈도(가령, 매일) 또는 더 낮은 빈도(가령, 격주)로 수행될 수 있다. 테스트는 또한 110개를 초과하는 기호 및 참조 키 범례의 진화 버전을 포함할 수도 있다. 기호 시퀀스는 무작위로 또는 그 밖의 다른 임의의 수정된 미리 특정된 시퀀스에 따라 관리될 수도 있다.
관심 있는 일반적인 eSDMT 성능 파라미터:
1.
올바른 응답의 수
a.
90초 동안 전체 올바른 응답(CR)의 총 수(구두/종이 SDMT와 유사)
b.
시간 0 내지 30초에서의 올바른 응답의 수(CR0-30)
c.
시간 30 내지 60초에서의 올바른 응답의 수(CR30-60)
d.
시간 60 내지 90초에서의 올바른 응답의 수(CR60-90)
e.
시간 0 내지 45초에서의 올바른 응답의 수(CR0-45)
f.
시간 45 내지 90초에서의 올바른 응답의 수(CR45-90)
g.
시간 i 내지 j초에서의 올바른 응답의 수(CRi-j), 여기서 i,j는 1 내지 90초이고 i<j임.
2.
오류의 수
a.
90초 동안의 총 오류의 수(E)
b.
시간 0 내지 30초에서의 오류의 수(E0-30)
c.
시간 30 내지 60초에서의 오류의 수(E30-60)
d.
시간 60 내지 90초에서의 오류의 수(E60-90)
e.
시간 0 내지 45초에서의 오류의 수(E0-45)
f.
시간 45 내지 90초에서의 오류의 수(E45-90)
g.
시간 i 내지 j초에서의 오류의 수(Ei-j), 여기서 i,j는 1 내지 90초이고 i<j임.
3.
응답의 수
a.
90초 동안의 전체 응답의 총 수(R)
b.
시간 0 내지 30초에서의 응답의 수(R0-30)
c.
시간 30 내지 60초에서의 응답의 수(R30-60)
d.
시간 60 내지 90초에서의 응답의 수(R60-90)
e.
시간 0 내지 45초에서의 응답의 수(R0-45)
f.
시간 45 내지 90초에서의 응답의 수(R45-90)
4.
정분류율
a.
90초 동안의 평균 정분류율(AR): AR = CR/R
b.
시간 0 내지 30초의 평균 정분류율(AR): AR0-30 = CR0-30/R0-30
c.
시간 30 내지 60초에서의 평균 정분류율(AR): AR30-60 = CR30-60/R30-60
d.
시간 60 내지 90초에서의 평균 정분류율(AR): AR60-90 = CR60-90/R60-90
e.
시간 0 내지 45초에서의 평균 정분류율(AR): AR0-45 = CR0-45/R0-45
f.
시간 45 내지 90초에서의 평균 정분류율(AR): AR45-90 = CR45-90/R45-90
5.
작업의 종료 피로 지수
a.
마지막 30초 동안의 속도 피로 지수(SFI: Speed Fatigability Index): SFI60-90= CR60-90/max (CR0-30, CR30-60)
b.
마지막 45초에서의 SFI: SFI45-90= CR45-90/CR0-45
c.
마지막 30초 동안의 정확도 피로 지수(AFI: Accuracy Fatigability Index): AFI60-90= AR60-90/max (AR0-30, AR30-60)
d.
마지막 45초 동안의 AFI: AFI45-90= AR45-90/AR0-45
6.
연속된 올바른 응답의 가장 긴 시퀀스
a.
90초 동안 전체 연속 올바른 응답의 가장 긴 시퀀스 내 올바른 응답의 수(CCR)
b.
시간 0 내지 30초에서의 연속 올바른 응답의 가장 긴 시퀀스 내 올바른 응답의 수(CCR0-30)
c.
시간 30 내지 60초에서의 연속 올바른 응답의 가장 긴 시퀀스 내 올바른 응답의 수(CCR30-60)
d.
시간 60 내지 90초에서의 연속 올바른 응답의 가장 긴 시퀀스 내 올바른 응답의 수(CCR60-90)
e.
시간 0 내지 45초에서의 연속 올바른 응답의 가장 긴 시퀀스 내 올바른 응답의 수(CCR0-45)
f.
시간 45 내지 90초에서의 연속 올바른 응답의 가장 긴 시퀀스 내 올바른 응답의 수(CCR45-90)
7.
응답들 간 시간 간격
a.
두 개의 연속되는 응답들 간 간격(G) 시간에 대한 연속 변수 분석
b.
90초 동안 두 개의 연속되는 응답들 사이에 경과된 최대 간격(GM) 시간
c.
시간 0 내지 30초에서의 두 개의 연속되는 응답 간 경과되는 최대 간격 시간(GM0-30)
d.
시간 30 내지 60초에서의 두 개의 연속되는 응답 간 경과되는 최대 간격 시간(GM30-60)
e.
시간 60 내지 90초에서의 두 개의 연속되는 응답 간 경과되는 최대 간격 시간(GM60-90)
f.
시간 0 내지 45초에서의 두 개의 연속되는 응답 간 경과되는 최대 간격 시간(GM0-45)
g.
시간 45 내지 90초에서의 두 개의 연속되는 응답 간 경과되는 최대 간격 시간(GM45-90)
8.
올바른 응답들 간 시간 간격
a.
두 개의 연속되는 올바른 응답 간 간격(Gc) 시간에 대한 연속 변수 분석
b.
90초 동안 두 개의 연속되는 올바른 응답 간에 경과되는 최대 간격 시간(GcM)
c.
시간 0 내지 30초에서의 두 개의 연속되는 올바른 응답 간 경과되는 최대 간격 시간(GcM0-30)
d.
시간 30 내지 60초에서의 두 개의 연속되는 올바른 응답 간 경과되는 최대 간격 시간(GcM30-60)
e.
시간 60 내지 90초에서의 두 개의 연속되는 올바른 응답 간 경과되는 최대 간격 시간(GcM60-90)
f.
시간 0 내지 45초에서의 두 개의 연속되는 올바른 응답 간 경과되는 최대 간격 시간(GcM0-45)
g.
시간 45 내지 90초에서의 두 개의 연속되는 올바른 응답 간 경과되는 최대 간격 시간(GcM45-90)
9.
eSDMT 동안 캡처된 미세 손가락 운동 기능 파라미터
a.
90초 동안 응답을 타이핑하는 동안, 터치스크린 접촉의 지속시간(Tts), 터치스크린 접촉(Dts)과 가장 가까운 표적 숫자 키의 중심 간 편차, 및 잘못 타이핑된 터치스크린 접촉(Mts)(즉, 키 누르기를 트리거하지 않거나 키 누르기를 트리거하지만 화면에서 2차 슬라이딩과 관련된 접촉)의 연속 변수 분석
b.
시간 0 내지 30초에서의 에포크별 각 변수: Tts0-30, Dts0-30, Mts0-30
c.
시간 30 내지 60초에서의 에포크별 각 변수: Tts30-60, Dts30-60, Mts30-60
d.
시간 60 내지 90초에서의 에포크별 각 변수: Tts60-90, Dts60-90, Mts60-90
e.
시간 0 내지 45초에서의 에포크별 각 변수: Tts0-45, Dts0-45, Mts0-45
f.
시간 45 내지 90초에서의 에포크별 각 변수: Tts45-90, Dts45-90, Mts45-90
10.
단일 기호 또는 기호 클러스터에 의한 기호별 성능 분석
a.
개별적으로 9개의 기호 각각에 대한 CR 및 이들 모두의 가능한 클러스터 조합
b.
개별적으로 9개의 기호 각각에 대한 AR 및 이들 모두의 가능한 클러스터 조합
c.
개별적으로 9개의 기호 각각에 대한 이전 응답에서 기록된 응답 까지의 간격 시간(G) 및 이들 모두의 가능한 클러스터 조합
d.
개별적으로 9개의 기호와 개별적으로 9개의 숫자 응답에 대해 잘못된 대체의 유형을 탐색함으로써 우선적인 잘못된 응답을 인식하는 패턴 분석.
11.
학습 및 인지 비축분 분석
a.
eSDMT의 연속적인 시행들 간 CR(#9에서 기재된 바와 같이 전체 및 기호별)에서의 기준선(테스트의 처음 2회 시행의 평균 성능으로 정의된 기준선)으로부터의 변화
b.
eSDMT의 연속적인 시행들 간 AR(#9에서 기재된 바와 같이 전체 및 기호별)에서의 기준선(테스트의 처음 2회 시행의 평균 성능으로 정의된 기준선)으로부터의 변화
c.
eSDMT의 연속적인 시행들 간 평균 G 및 GM(#9에서 기재된 바와 같이 전체 및 기호별)에서의 기준선(테스트의 처음 2회 시행의 평균 성능으로 정의된 기준선)으로부터의 변화
d.
eSDMT의 연속적인 시행들 간 평균 Gc 및 GcM(#9에서 기재된 바와 같이 전체 및 기호별)에서의 기준선(테스트의 처음 2회 시행의 평균 성능으로 정의된 기준선)으로부터의 변화
e.
eSDMT의 연속적인 시행들 간 SFI60-90 및 SFI45-90에서의 기준선(테스트의 처음 2회 시행의 평균 성능으로 정의된 기준선)으로부터의 변화
f.
eSDMT의 연속적인 시행들 간 AFI60-90 및 AFI45-90에서의 기준선(테스트의 처음 2회 시행의 평균 성능으로 정의된 기준선)으로부터의 변화
g.
eSDMT의 연속적인 시행들 간 Tts에서의 기준선(테스트의 처음 2회 시행의 평균 성능으로 정의된 기준선)으로부터의 변화
h.
eSDMT의 연속적인 시행들 간 Dts에서의 기준선(테스트의 처음 2회 시행의 평균 성능으로 정의된 기준선)으로부터의 변화
i.
eSDMT의 연속적인 시행들 간 Mts에서의 기준선(테스트의 처음 2회 시행의 평균 성능으로 정의된 기준선)으로부터의 변화
(3) 능동 보행 및 자세 능력에 대한 테스트: U-턴 테스트(5 U-턴 테스트, 5UTT라고도 함) 및 2MWT
보행 성능 및 보행 및 보폭 역학 측정을 위한 센서 기반(가령, 가속도계, 자이로스코프, 자력계, 위성 위치 확인 시스템[GPS]) 및 컴퓨터 구현 테스트, 특히 2분 걷기 테스트(2MWT) 및 5 U-턴 테스트(5UTT).
하나의 실시예에서, 모바일 장치는 2분 걷기 테스트(2MWT)로부터 데이터를 수행하거나 획득하도록 구성된다. 이 테스트의 목적은 2분 걷기 테스트(2MWT)에서 보행 특징을 포착함으로써 장거리 거리의 곤란, 피로도 또는 비정상적인 패턴을 평가하는 것이다. 데이터는 모바일 장치로부터 캡처될 것이다. 장애 진행 또는 재발의 경우 보폭 및 스텝 길이의 감소, 보폭 지속시간의 증가, 스텝 지속시간 및 비대칭의 증가 및 주기성이 낮은 보폭 및 스텝이 관측될 수 있다. 걷는 동안의 팔 스윙 역학이 또한 모바일 장치를 통해 평가될 것이다. 대상체는 "2분 동안 최대한 빠르고 오래 걷되 안전하게 걸으라"는 지시를 받게 될 것이다. 2MWT는 환자가 U턴 없이 ≥200 미터를 직선으로 걸을 수 있다고 식별한 장소의 평평한 바닥에서 실내 또는 실외에서 수행해야 하는 간단한 테스트이다. 대상체는 필요에 따라 일반 신발과 보조 장치 및/또는 보조기를 착용할 수 있다. 테스트는 일반적으로 매일 수행된다.
특히 관심 있는 일반적인 2MWT 성능 파라미터:
1.
보행 속력과 경직의 대리값:
a.
가령, 2분 동안 검출된 총 스텝 수(ΣS)
b.
존재한다면 2분 동안 검출된 총 휴식 정지 횟수(ΣRs)
c.
2MWT에 걸친 걷기 스텝 시간(WsT) 지속시간의 연속 변수 분석
d.
2MWT(스텝/초)에 걸쳐 걷는 스텝 속력(WsV)의 연속 변수 분석
e.
2MWT 전체에 걸친 스텝 비대칭율(하나의 스텝에서 다음 스텝까지의 스텝 지속시간의 평균 차이를 평균 스텝 지속시간으로 나눈 값): SAR= 평균Δ(WsTx- WsTx+1)/(Σ120/S)
f.
각각의 20초의 에포크 동안 검출된 스텝의 총 수(ΣSt, t+20)
g.
각각의 20초의 에포크에서의 평균 걷기 스텝 시간 지속시간: WsTt, t+20=20/ΣSt, t+20
h.
각각의 20초의 에포크에서의 평균 걷기 스텝 속력: WsVt, t+20= SSt, t+20/20
i.
각각의 20초의 에포크에서의 스텝 비대칭율: SARt, t+20= meanΔt, t+20(WsTx- WsTx+1)/(20/ΣSt, t+20)
j.
생체역학적 모델링을 통해 걸은 스텝 길이 및 총 거리
2.
걷기 피로 지수:
a.
감속 지수: DI=WsV100-120/max (WsV0-20, WsV20-40, WsV40-60)
b.
비대칭 지수: AI= SAR100-120/min (SAR0-20, SAR20-40, SAR40-60)
또 다른 실시예에서, 모바일 장치는 5UTT(Five U-Turn Test)로부터 데이터를 수행하거나 획득하도록 구성된다. 이 테스트의 목적은 편안한 속도로 짧은 거리를 걸으면서 U-턴을 수행할 때의 곤란이나 비정상적인 패턴을 평가하는 것이다. 5UTT는 실내 또는 실외에서 평평한 바닥에서 수행되어야 하며, 여기서, 환자는 "안전하게 걷고 몇 미터 떨어진 두 지점 사이를 앞뒤로 5회 연속 U턴을 수행"하도록 지시 받는다. 이 작업 동안 보행 특징 데이터(U-턴 동안 스텝 수, 스텝 지속시간 및 비대칭, U-턴 지속시간, 선회 속력 및 U-턴 중 팔 스윙의 변화)가 모바일 장치에 의해 포착될 것이다. 대상체는 필요에 따라 일반 신발과 보조 장치 및/또는 보조기를 착용할 수 있다. 테스트는 일반적으로 매일 수행된다.
관심 있는 일반적인 5UTT 성능 파라미터:
1.
완전한 U-턴의 시작부터 끝까지 필요한 평균 단계 수(ΣSu)
2.
완전한 U-턴의 시작부터 끝까지 필요한 평균 시간(Tu)
3.
평균 걸음 스텝 지속시간: Tsu=Tu /ΣSu
4.
선회 방향(왼쪽/오른쪽)
5.
선회 속력(도/초)
도 3b는 척수성근위축증을 나타내는 강제 폐활량(FVC) 값을 예측하기 위한 분석 모델, 특히 회귀 모델에 대한 상관관계 플롯을 보여준다. 입력 데이터는 14명의 대상체에 대한 OLEOS 연구로부터의 데이터였다. 본 발명에 따른 방법을 사용하여 모델을 구축하는 동안 총 9개의 테스트로부터의 1326개의 특징이 평가되었다. 다음 표는 예측에 사용되는 선택된 특징, 특징이 도출된 테스트, 특징의 짧은 설명 및 순위의 개요를 제공한다:
도 3b는 각 회귀자 유형에 대한, 특히, 왼쪽에서 오른쪽으로, kNN, 선형 회귀, PLS, RF 및 XT에 대한 각각의 분석 모델에 포함된 특징 f의 수의 함수로서 예측된 표적 변수와 참 표적 변수 간 스피어만 상관 계수 rs를 보여준다. 상단 행은 테스트 데이터 세트에서 테스트된 각 분석 모델의 성능을 보여준다. 하단 행은 훈련 데이터에서 테스트된 각 분석 모델의 성능을 보여준다. 하단 행의 곡선은 훈련 데이터에서 표적 변수를 예측하여 얻은 "전체" 및 "평균"에 대한 결과를 보여준다. "평균"은 대상체별 모든 관측치의 평균값에 대한 예측을 의미한다. "모두"는 모든 개별 관측치에 대한 예측을 나타낸다. 임의의 머신 러닝 모델의 성능을 평가하기 위해, 테스트 데이터(상단 행)의 결과가 더 신뢰할 수 있는 것으로 간주되었다. 가장 성능이 좋은 회귀 모델은 원과 화살표로 지시되는 모델에 10개의 특징이 포함되고, 0.8의 rs 값을 갖는 PLS인 것으로 밝혀졌다.
다음은 테스트에 대한 자세한 설명이다. 테스트는 일반적으로 본 명세서에 명시된 모바일 장치와 같은 데이터 수집 장치에서 컴퓨터로 구현된다.
(1) 중추 운동 기능에 대한 테스트: 모양 그리기 테스트 및 모양 비틀기 테스트
모바일 장치는 손가락의 기민성 및 원위 약화를 측정하도록 구성된 원위 운동 기능에 대한 추가 테스트(이른바 "모양 그리기 테스트")를 수행하거나 그로부터 데이터를 획득하도록 더 구성될 수 있다. 이러한 테스트로부터 획득된 데이터세트를 통해 손가락 움직임의 정밀도, 압력 프로파일 및 속력 프로파일을 식별할 수 있다.
"모양 그리기" 테스트의 목표는 미세한 손가락 제어 및 스트로크 시퀀싱을 평가하는 것이다. 상기 테스트는 손상된 손 운동 기능의 다음 양태를 다루는 것으로 간주된다: 떨림 및 경직 및 손-눈 협응 장애. 환자는 테스트하지 않는 손에 모바일 장치를 잡고 예를 들어 30초의 최대 시간 내에 "가능한 한 빠르고 정확하게" 테스트 받는 손의 제2 손가락을 사용하여 복잡도가 증가하는 6개의 사전에 작성된 교대하는 모양(선형, 직사각형, 원형, 사인 곡선 및 나선형, 아래 참조)을 모바일 장치의 터치스크린 상에 그리도록 지시 받는다. 모양을 성공적으로 그리기 위해 환자의 손가락이 터치스크린 상에서 연속적으로 미끄러지고 표시된 시작 포인트와 종료 포인트를 연결하여 표시된 모든 체크 포인트를 통과하고 작성 경로의 경계 내에서 가능한 한 많이 유지되게 해야 한다. 환자는 6개의 모양 각각을 성공적으로 완료하기 위해 최대 2번의 시도를 할 수 있다. 테스트는 오른손과 왼손으로 번갈아 수행될 것이다. 사용자는 일일 교대에 대해 지시를 받을 것이다. 두 개의 선 모양은 각각 연결할 특정 "a"개의 체크포인트를 가진다, 즉, "a-1"개의 세그먼트가 있다. 사각 모양은 연결할 특정 "b"개의 체크포인트를 가진다, 즉, "b-1"개의 세그먼트가 있다. 원 모양은 연결할 특정 "c"개의 체크포인트를 가진다, 즉, "c-1"개의 세그먼트가 있다. 8자 모양은 연결할 특정 "d"개의 체크포인트를 가진다, 즉, "d-1"개의 세그먼트가 있다. 나선 모양은 "e-1"개의 세그먼트를 연결하기 위한 특정 "e"개의 체크포인트를 가진다. 6개의 모양을 완성하면 총 "(2a+b+c+d+e-6)"개의 세그먼트를 성공적으로 그릴 수 있다.
관심 있는 일반적인 모양 그리기 테스트 성능 파라미터:
모양의 복잡도에 따라, 선 및 사각 모양은 1의 가중 계수(Wf), 원 및 정현파 모양은 2의 가중 계수, 나선 모양은 3의 가중 계수와 연관될 수 있다. 두 번째 시도에서 성공적으로 완성된 도형은 가중 계수 0.5와 연관될 수 있다. 이들 가중 인자는 본 발명의 맥락에서 변경될 수 있는 예시적 수치이다.
1.
모양 완성 성능 점수:
a.
테스트당 성공적으로 완성된 모양의 수(0 내지 6) (ΣSh)
b.
첫 번째 시도에서 성공적으로 완성된 모양의 수(0 내지 6) (ΣSh1)
c.
두 번째 시도에서 성공적으로 완성된 모양의 수(0 내지 6) (ΣSh2)
d.
모든 시도에서 실패한/완성되지 않은 모양의 수(0 내지 12) (ΣF)
e.
성공적으로 완료된 모양의 수를 모양별로 복잡도에 따라 가중치를 부여하여 조정한 모양 완료 점수(0 내지 10) (Σ[Sh*Wf])
f.
각각의 모양에 대한 상이한 복잡성 수준에 대한 가중 계수로 조정된 성공적으로 완성된 모양의 수를 반영하며 첫 번째 시도에서의 성공 vs 두 번째 시도에서의 성공을 설명하는 모양 완성 점수(0 내지 10) (Σ[Sh1*Wf] + Σ[Sh2*Wf*0.5])
g.
#1e 및 #1f에 정의된 모양 완료 점수는 30/t를 곱한 경우 테스트 완료 시 속력을 설명할 수 있고, 여기서 t는 테스트를 완료하는 데 걸린 시간(초)을 나타낸다.
h.
일정 기간 내의 다수의 테스트를 기반으로 한 6개의 개별 모양 각각에 대한 전체 및 첫 번째 시도 완료율: (ΣSh1)/ (ΣSh1+ΣSh2+ΣF) 및 (ΣSh1+ΣSh2)/ (ΣSh1+ΣSh2+ΣF).
2.
세그먼트 완성 및 민첩도 성능 점수/측정:
(해당되는 경우 각각의 모양에 대해 두 번의 시도 중 최고[완성된 세그먼트의 가장 높은 개수]를 기반으로 한 분석)
a.
테스트당 성공적으로 완성된 세그먼트의 수(0 내지 [2a+b+c+d+e-6]) (ΣSe)
b.
성공적으로 완성된 세그먼트의 평균 민첩도([C], 세그먼트/초): C = ΣSe/t, 여기서 t는 초 단위의 테스트 완료 시간을 나타냄(최대 30초)
c.
각각의 모양에 대한 상이한 복잡도 수준에 대한 가중 계수로 조정되는 성공적으로 완성된 세그먼트의 수를 반영하는 세그먼트 완성 점수(Σ[Se*Wf])
d.
속도-조정되고 가중된 세그먼트 완성 점수(Σ[Se*Wf]*30/t), 여기서 t는 초 단위의 테스트 완료 시간을 나타낸다.
e.
선 및 사각 모양에 대해 성공적으로 완성된 세그먼트의 모양별 수(ΣSeLS)
f.
원 및 정현파 모양에 대해 성공적으로 완성된 세그먼트의 모양별 수(ΣSeCS)
g.
나선 모양에 대해 성공적으로 완성된 세그먼트의 모양별 수(ΣSeS)
h.
선 및 사각 모양 테스트에서 수행된 성공적으로 완성된 세그먼트에 대한 모양별 평균 선형 민첩도: CL = ΣSeLS/t, 여기서 t는 이들 특정 모양 내에서 성공적으로 완성된 해당 세그먼트의 시작 포인트에서 종료 포인트까지 경과된 누적 에포크 시간을 초 단위로 나타낼 것이다.
i.
원 및 정현파 모양 테스트에서 수행된 성공적으로 완성된 세그먼트에 대한 모양별 평균 원형 민첩도: CC = ΣSeCS/t, 여기서 t는 이들 특정 모양 내에서 성공적으로 완성된 해당 세그먼트의 시작 포인트에서 종료 포인트까지 경과된 누적 에포크 시간을 초 단위로 나타낼 것이다.
j.
나선 모양 테스트에서 수행된 성공적으로 완성된 세그먼트에 대한 모양별 평균 나선형 민첩도 : CS = ΣSeS/t, 여기서 t는 이들 특정 모양 내에서 성공적으로 완성된 해당 세그먼트의 시작 포인트에서 종료 포인트까지 경과된 누적 에포크 시간을 초 단위로 나타낼 것이다.
3.
그리기 정밀도 성능 점수/척도:
(해당되는 경우 각각의 모양에 대해 두 번의 시도 중 최고[완성된 세그먼트의 가장 높은 개수]를 기반으로 한 분석)
a.
시작 체크포인트로부터 각각의 특정 모양에 대해 도달될 종료 체크포인트까지 그려진 궤적과 목표 그림 경로 간 적분된 표면 편차의 전체 곡선 아래 영역(AUC) 측정치의 합을 이들 모양 내 대응하는 목표 경로(시작 체크포인트에서부터 도달될 종료 체크포인트까지)의 총 누적 길이로 나눈 값으로 계산되는 편차(Dev).
b.
# 3a에서 그러나 선 및 사각 모양 테스트 결과로부터 특정하게 Dev로서 계산되는 선형 편차(DevL).
c.
# 3a에서 그러나 원 및 사인파 모양 테스트 결과로부터 특정하게 Dev로서 계산되는 원형 편차(DevC).
d.
# 3a에서 그러나 나선 모양 테스트 결과로부터 특정하게 Dev로서 계산되는 나선형 편차(DevS).
e.
# 3a에서 그러나 6개의 구별되는 모양 테스트 결과로부터 따로 따로 Dev로서 계산되며, 적어도 3개의 세그먼트가 최상의 시도 내에서 성공적으로 완성되는 모양에 대해서만 적용 가능한 모양별 편차(Dev1-6).
f.
목표 궤적으로부터 모양 특정 또는 모양에 구애 받지 않는 전체 편차를 계산하는 그 밖의 다른 임의의 방법의 연속 변수 분석.
4.) 압력 프로파일 측정
i)
가한 평균 압력
ii)
압력의 표준 편차로서 계산된 편차(Dev)
원위 운동 기능(이른바 "모양 비틀기 테스트")은 손가락의 기민성 및 원위 약화를 측정할 수 있다. 이러한 테스트로부터 획득된 데이터세트를 통해 손가락 움직임의 정밀도와 속력 및 관련 압력 프로파일이 식별될 수 있다. 테스트는 먼저 대상체의 움직임 정밀도 능력에 대한 교정을 필요로 수 있다.
모양 비틀기 테스트의 목표는 핀치 오므린 손가락 움직임의 정확도를 평가하여 미세 원위 운동 조작(쥐기 및 파지(gripping & grasping)) 및 제어를 평가하는 것이다. 상기 테스트는 손상된 손 운동 기능의 다음 측면을 다루는 것으로 간주된다: 쥐기/파지 기능 손상, 근육 약화 및 눈과 손의 협응 장애. 환자는 테스트 받지 않은 손으로 모바일 장치를 잡고 동일한 손의 두 손가락(엄지 + 두 번째 또는 엄지 + 세 번째 손가락 선호)으로 스크린을 터치하여 30초 동안 가능한 한 많은 둥근 모양(즉, 토마토)을 비틀거나/핀치하도록 지시 받는다. 미세한 운동 조작이 손상되면 성능에 영향을 미칠 것이다. 테스트는 오른손과 왼손으로 번갈아 수행될 것이다. 사용자는 일일 교대에 대해 지시를 받을 것이다.
관심 있는 일반적인 모양 비틀기 테스트 성능 파라미터:
1.
비틀린 모양의 수
a.
30초 동안 비틀린 토마토 모양의 총 수(ΣSh)
b.
30초 동안 첫 번째 시도에서 비틀린 토마토의 총 수(ΣSh1)(첫 번째 시도는 테스트의 첫 번째 시도가 아닌 경우 성공적인 비틀기 후 스크린 상의 첫 번째 이중 접촉으로 검출됨)
2.
핀치 정밀도 척도:
a.
테스트의 총 지속시간 내에서 ΣSh를 핀치 시도의 총 횟수(ΣP)(스크린 상에서 개별적으로 검출된 두 손가락 접촉의 총 수로 측정됨)로 나눈 값으로 정의되는 핀치 성공률(PSR).
b.
검출된 모든 이중 접촉에 대해 제1 손가락과 제2 손가락이 스크린을 터치할 때 사이의 지연 시간으로서 측정되는 이중 터치 비동시성(DTA).
c.
검출된 모든 이중 접촉에 대해, 이중 접촉에서 두 손가락의 시작 터치 포인트 사이의 등간격 포인트로부터 토마토 모양의 중심까지의 거리로서 측정된 핀치 목표 정밀도(PTP).
d.
성공적으로 핀치하는 모든 이중 접촉에 대해, 핀치 갭에 도달할 때까지 이중 접촉 시작점으로부터 두 개의 손가락에 의해 미끄러진 각각의 거리 간 비(가장 짧은 것/가장 긴 것)로서 측정되는 핀치 손가락 이동 비대칭성(PFMA).
e.
성공적으로 핀치하는 모든 이중 접촉에 대해, 핀치 갭에 도달할 때까지 이중 접촉의 시간으로부터 스크린 상에서 미끄러지는 각각의 하나 및/또는 둘 모두의 손가락의 속력(mm/초)으로서 측정되는 핀치 손가락 속도(PFV).
f.
성공적으로 핀치하는 모든 이중 접촉에 대해, 핀치 갭에 도달할 때까지 이중 접촉의 시간으로부터 스크린 상에서 미끄러지는 각각의 개별 손가락의 속력의 비(가장 느린 것/가장 빠른 것)로서 측정되는 핀치 손가락 비동시성(PFA)
g.
시간 경과에 따른 2a 내지 2f의 연속 변수 분석 및 가변 지속시간(5 내지 15초)의 에포크별 분석
h.
테스트된 모든 모양(특히 나선형 및 사각형)에 대해 그려진 목표 궤적에서의 편차의 통합 측정치에 대한 연속 변수 분석
3.) 압력 프로파일 측정
i)
가한 평균 압력
ii)
압력의 표준 편차로서 계산된 편차(Dev)
더 일반적으로, 모양 비틀기 테스트 및 모양 그리기 테스트가 본 발명의 방법에 따라 수행된다. 더 구체적으로, 아래의 표 1에 나열된 성능 파라미터가 결정된다.
앞서 설명한 기능 외에도, "모양 비틀기" 또는 "핀치" 테스트를 수행할 때 다양한 다른 특징이 또한 평가될 수 있다. 이들이 이하에서 기재된다. 추가 특징에 대한 설명에는 다음 용어가 사용된다.
·
핀치 테스트: 스크린 상의 둥근 모양을 비틀기 위한 엄지와 집게 손가락의 핀치 동작을 요구하는 디지털 상지/손 가동성 테스트.
·
특징: 원위 운동 테스트를 한 번 실행하는 동안 스마트폰에 의해 수집되는 미가공 데이터로부터 계산된 스칼라 값. 이는 대상체의 성능의 디지털 측정치이다.
·
스트로크(Stroke): 스크린 상에서 손가락으로 그려진 끊김 없는 경로. 스트로크는 손가락이 처음으로 화면을 터치할 때 시작되고 손가락이 화면을 떠날 때 끝난다.
·
제스처(Gesture): 첫 손가락이 스크린을 터치하는 것과 마지막 손가락이 스크린을 떠나는 것 사이에 등록된 모든 스트로크의 모음
·
시도: 적어도 두 개의 스트로크를 포함하는 임의의 제스처. 이러한 제스처는 스크린 상에 둥근 모양을 비틀려는 시도로 여겨진다.
·
2-손가락 시도: 정확히 두 번의 스트로크를 포함하는 임의의 시도.
·
성공적인 시도: 둥근 모양이 "비틀린" 것으로 등록되는 임의의 시도.
특징은 다음과 같다:
·
마지막 포인트들 간 거리: 각각의 시도에 대해, 기록된 처음 두 개의 스트로크가 유지되고 각 쌍에 대해 두 스트로크 모두에서의 마지막 포인트 사이의 거리가 계산된다. 이는 모든 시도에 대해 또는 성공적인 시도에 대해서만 수행될 수 있다.
·
종료 비대칭성: 각각의 시도에 대해, 기록된 처음 두 개의 스트로크가 유지되고, 각각의 쌍에 대해, 제1 손가락과 제2 손가락이 스크린을 떠나는 시간 차이가 계산된다.
·
갭 시간: 연속되는 시도들의 쌍 각각에 대해 이들 사이의 갭의 지속시간이 계산된다. 즉, 시도 i와 i+1의 쌍 각각에 대해, 시도 i의 종료와 시도 i+1의 시작 사이의 시간 차이가 계산된다.
·
수행된 시도의 횟수: 수행된 시도의 횟수가 반환된다.
·
성공한 시도의 횟수: 성공한 시도의 횟수가 반환된다.
·
2-손가락 시도의 횟수: 2-손가락 시도의 횟수가 반환된다. 이는 시도의 총 횟수로 나누어져서, 2-손가락 시도 분율을 반환할 수 있다.
·
핀치 시간: 각각의 시도에 대해, 시도의 지속시간이 계산된다. 지속시간은 첫 번째 손가락이 스크린을 터치하는 것과 스크린을 떠나는 마지막 특징 간 시간으로 정의된다. 이 특징은 스크린 상에 두 손가락이 모두 있는 지속시간으로 정의될 수도 있다.
·
시작 비대칭성: 각각의 시도에 대해 처음 두 개의 기록된 스트로크가 유지된다. 각각의 쌍에 대해, 제1 손가락과 제2 손가락이 스크린을 터치하는 시간 차이가 계산된다.
·
스트로크 경로 비: 각각의 시도에 대해 제1 및 제2 기록된 스트로크가 유지된다. 각각의 스트로크에 대해, 스크린 상에서 손가락이 이동한 경로의 길이와 스트로크에서 첫 번째 포인트와 마지막 포인트 사이의 거리라는 두 가지 값이 계산된다. 각각의 스트로크에 대해 비(경로 길이/거리)가 계산된다. 이는 모든 시도에 대해 수행되거나 성공적인 시도에 대해서만 수행될 수 있다.
상기의 모든 경우에, 테스트가 여러 번 수행되며, 통계 파라미터, 가령, 평균, 표준 편차, 첨도, 중앙값, 및 백분위수가 도출될 수 있다. 이러한 방식으로 복수의 측정이 수행되는 경우 포괄적인 피로 계수가 결정될 수 있다.
·
포괄 피로 특징: 테스트로부터의 데이터는 각각 지정된 지속시간의 두 개의 절반부, 가령, 15초로 나뉜다. 앞서 정의된 임의의 특징은 데이터의 제1 절반 부 및 제2 절반부를 이용해 계산되어, 두 개의 특징 값을 도출한다. 제1 값과 제2 값 간 차이가 반환된다. 이는 제1 특징 값으로 나뉨으로써 정규화될 수 있다.
일부 경우, 데이터 획득 장치, 가령, 모바일 장치는 테스트가 수행되는 기간 동안 가속도 데이터를 측정하도록 구성될 수 있는 가속도계를 포함할 수 있다. 이하에서 기재될 바와 같이, 가속 데이터로부터 추출될 수 있는 다양한 유용한 특징도 존재한다.
·
수평성: 각각의 시점에 대해 가속도의 z-성분이 총 크기로 나누어진다. 그런 다음 결과적 시계열의 평균이 취해질 수 있다. 절댓값이 취해질 수 있다. 본 출원 전반에 걸쳐, z-성분은 터치스크린 디스플레이의 평면에 수직인 성분으로서 정의된다.
·
배향 안정성: 각각의 시점에 대해 가속도의 z-성분이 총 크기로 나누어진다. 그런 다음 결과적 시계열의 표준 편차가 취해질 수 있다. 절댓값이 취해질 수 있다. 여기서, z-성분은 터치스크린 디스플레이의 평면에 수직인 성분으로서 정의된다.
·
z-축의 표준 편차: 각각의 시점에 대해 가속도의 z-성분이 측정된다. 그런 다음 시계열에 대한 표준 편차가 취해질 수 있다.
·
가속도 크기의 표준 편차: 각 시점에 대해, 가속도의 x, y, 및 z-성분이 취해진다. x-성분에 대한 표준 편차가 취해진다. y-성분에 대한 표준 편차가 취해진다. z-성분에 대한 표준 편차가 취해진다. 그런 다음 표준 편차의 놈(norm)은 구적법으로 세 개의 개별 표준 편차를 추가함으로써 계산된다.
·
가속도 크기: 가속도의 총 크기는 테스트의 지속시간 동안 결정될 수 있다. 그런 다음 통계 파라미터가 다음 중 하나에서 도출될 수 있다: 테스트의 전체 지속시간에 걸쳐, 또는 손가락이 스크린 상에 존재하는 시간 동안만, 또는 어떠한 손가락도 스크린 상에 존재하지 않는 시간 동안만. 통계 파라미터는 평균, 표준 편차 또는 첨도일 수 있다.
가능한 경우, 이들 가속도 기반 특징은 이들이 추출되는 테스트의 유형에 무관하게 임상적으로 유의미한 출력을 산출할 수 있기 때문에 핀치 또는 모양 비틀기 동안에만 취해질 필요가 없다는 점이 강조되어야 한다. 이는 특히 수평성 및 배향 안정성 파라미터에 해당된다.
데이터 획득 장치는 유성 능력을 측정함으로써 근위 중추 운동 기능을 측정하도록 구성된 중추 운동 기능에 대한 추가 테스트(이른바 "음성 테스트(voice test)")로부터 데이터를 수행하거나 획득하도록 더 구성될 수 있다.
(2) 치어-더-몬스터(Cheer-The-Monster) 테스트, 음성 테스트:
본 명세서에 사용되는 "치어-더-몬스터 테스트(Cheer-the-Monster test)"라는 용어는 지속적인 발성에 대한 테스트와 관련되며, 이는 하나의 실시예에서 근육 피로, 중추 근력 저하 및/또는 환기 문제의 지표로서 음성 피치 변화를 포함하는 복부 및 흉부 장애를 해결하기 위한 호흡 기능 평가를 위한 대리 테스트이다. 실시예에서, 치어-더-몬스터는 "아" 소리의 제어된 발성을 지속하는 참여자의 능력을 측정한다. 테스트는 참여자의 발성을 포착하기 위해 적절한 센서, 하나의 실시예에서, 음성 녹음기, 가령, 마이크로폰을 사용한다.
하나의 실시예에서, 대상체에 의해 수행될 작업은 다음과 같다: 치어 더 몬스터는 참여자가 몬스터가 목표를 향해 달리는 속력을 제어할 것을 요구한다. 몬스터는 30초 안에 가능한 멀리 뛰려고 한다. 대상체들은 가능한 한 오랫동안 "아아" 소리를 크게 내도록 요청 받는다. 소리의 크기가 결정되고 캐릭터의 달리기 속력을 조절하는 데 사용된다. 게임 지속시간은 30초이므로 필요한 경우 여러 개의 "아" 소리를 사용하여 게임을 완료할 수 있다.
(3) 탭-더-몬스터(Tap-The-Monster) 테스트:
본 명세서에서 사용된 용어 "탭 더 몬스터 테스트"는 MFM D3 ( C et al. (2005), Neuromuscular Disorders 15:463)에 따라 원위 운동 기능의 평가를 위해 설계된 테스트와 관련된다. 실시예에서, 테스트는 기민성, 원위 약화/강화, 및 힘을 평가하는 MFM 테스트 17(10개의 동전 집기), 18(손가락으로 CD의 가장자리를 돌기), 19(연필을 집고 루프 그리기) 및 22(그림에 손가락 놓기)에 구체적으로 고정된다. 이 게임은 참여자의 기민성 및 이동 속력을 측정한다. 하나의 실시예에서, 대상체에 의해 수행될 작업은 다음과 같다: 대상체는 7개의 상이한 스크린 위치에서 무작위로 나타나는 몬스터를 탭한다.
도 3c는 헌팅턴병을 나타내는 총 운동 점수(TMS) 값을 예측하기 위한 분석 모델, 특히 회귀 모델에 대한 상관관계 플롯을 보여준다. 입력 데이터는 46명의 대상체로부터의 HD OLE 연구, ISIS 44319-CS2의 데이터였다. ISIS 443139-CS2 연구는 ISIS 443139-CS1 연구에 참여한 환자를 위한 OLE(Open Label Extension)이다. 연구 ISIS 443139-CS1은 25~65세의 조기 발현 HD 환자 46명을 대상으로 한 MAD(Multiple-ascending Dose) 연구였다. 총 43개의 특징이 하나의 테스트 모양 그리기(Draw-A-Shape) 테스트(위 참조)로부터 평가되었으며, 본 발명에 따른 방법을 사용하여 모델을 구축하는 동안 평가되었다. 다음 표는 예측에 사용되는 선택된 특징, 특징이 도출된 테스트, 특징의 짧은 설명 및 순위의 개요를 제공한다:
도 3c는 각 회귀자 유형에 대한, 특히, 왼쪽에서 오른쪽으로, kNN, 선형 회귀, PLS, RF 및 XT에 대한 각각의 분석 모델에 포함된 특징 f의 수의 함수로서 예측된 표적 변수와 참 표적 변수 간 스피어만 상관 계수 rs를 보여준다. 상단 행은 테스트 데이터 세트에서 테스트된 각 분석 모델의 성능을 보여준다. 하단 행은 훈련 데이터에서 테스트된 각 분석 모델의 성능을 보여준다. 하단 행에서의 곡선은 훈련 데이터에서 표적 변수를 예측함으로써 얻은 "모두" 및 "평균"에 대한 결과를 보여준다. "평균"은 대상체별 모든 관측치의 평균 값에 대한 예측을 의미한다. "모두"는 모든 개별 관측치에 대한 예측을 의미한다. 임의의 머신 러닝 모델의 성능을 평가하기 위해, 테스트 데이터(상단 행)의 결과가 더 신뢰할 수 있는 것으로 간주되었다. 가장 성능이 좋은 회귀 모델은 원과 화살표로 지시되는 모델에 4개의 특징이 포함되고, 0.65의 rs 값을 갖는 PLS인 것으로 밝혀졌다.
도 4는 핀치 테스트 특징 및 모양 그리기 테스트로부터 추출될 수 있는 오버슈트/언더슈트 특징에 관한 본 발명의 많은 원리를 설명한다.
도 4는 본 출원의 발명을 수행할 수 있는 하드웨어의 예시적인 배열의 하이-레벨 시스템 다이어그램을 도시한다. 시스템(100)은 다음의 두 개의 메인 구성요소를 포함한다: 모바일 장치(102) 및 처리 유닛(104). 모바일 장치(102)는 유선 네트워크 또는 무선 네트워크, 가령, Wi-Fi 또는 셀룰러 네트워크일 수 있는 네트워크(106)에 의해 처리 유닛(104)에 연결될 수 있다. 본 발명의 일부 구현에서, 처리 유닛(104)은 요구되지 않으며, 그 기능이 모바일 장치(102) 상에 존재하는 처리 유닛(112)에 의해 수행될 수 있다. 모바일 장치(102)는 터치스크린 디스플레이(108), 사용자 입력 인터페이스 모듈(110), 처리 유닛(112) 및 가속도계(114)를 포함한다.
시스템(100)은 본 출원에서 이전에 설명된 바와 같이 핀치 테스트 및/또는 모양 그리기 테스트 중 적어도 하나를 구현하는 데 사용될 수 있다. 핀치 테스트의 목표는 핀치 오므린 손가락 움직임의 정확도를 평가하여 미세 원위 운동 조작(쥐기 및 파지) 및 제어를 평가하는 것이다. 상기 테스트는 손상된 손 운동 기능의 다음 측면을 다룰 수 있다: 쥐기/파지 기능 손상, 근육 약화 및 눈과 손의 협응 장애. 테스트를 수행하기 위해 환자는 테스트 받지 않은 손으로 모바일 장치를 고정하고(또는 테이블이나 다른 표면에 놓고) 동일한 손의 두 손가락(바람직하게는 엄지 + 검지/중지)으로 스크린을 터치하여 고정된 시간, 예를 들어 30초 동안 가능한 한 많은 둥근 모양을 비틀거나/핀치하도록 지시 받는다. 둥근 모양은 게임 영역 내의 무작위 위치에 디스플레이된다. 미세 운동 성능이 손상되면 성능에 영향을 미칠 것이다. 테스트는 왼손과 오른손으로 번갈아 수행될 수 있다. 핀치 테스트를 설명할 때 다음 용어가 사용될 것이다:
·
터치 이벤트: OS가 손가락이 스크린을 터치한 시간과 스크린이 터치된 위치를 기록함으로써 기록된 터치 상호작용
·
시작 거리: 두 손가락의 첫 번째 탭으로 식별되는 두 포인트 사이의 거리
·
경계 상자: 비틀 모양을 담는 상자
·
초기 손가락 거리: 두 개의 손가락이 스크린을 터치할 때의 초기 거리
·
게임 영역: 게임 영역은 비틀 모양을 완전히 담고 있고 사각형으로 구분된다.
·
게임 영역 패딩: 스크린 가장자리와 실제 게임 영역 사이의 패딩. 이 패딩 영역에는 모양이 디스플레이되지 않는다.
다음 파라미터 중 일부 또는 전부가 정의될 수 있다:
·
경계 상자 높이
·
경계 상자 폭
·
핀치 전에 두 포인터들 사이의 최소 초기 거리
·
모양을 비틀기 위한 두 포인터 사이의 최소 거리.
·
손가락들 사이의 간격의 최소 변화.
도 5a 및 도 5b는 핀치 테스트를 수행할 때 사용자가 볼 수 있는 디스플레이의 예를 도시한다. 구체적으로, 도 5a는 터치스크린 디스플레이(108)를 갖는 모바일 장치(102)를 도시한다. 터치스크린 디스플레이(108)는 모양 S가 두 개의 포인트 P1 및 P2를 포함하는 일반적인 핀치 테스트를 보여준다. 어떤 경우에는, 사용자에게 모양 S만 표시될 것이다(즉, 포인트 P1과 P2가 구체적으로 식별되지 않음). 중간포인트 M도 도 5a에 도시되어 있지만, 이는 사용자에게 디스플레이되지 않을 수 있다. 테스트를 받기 위해 장치의 사용자는 두 손가락을 동시에 사용하여 포인트 P1과 P2를 서로 최대한 가깝게 가져옴으로써 모양 S를 가능한 한 많이 "핀치"해야 한다. 바람직하게는, 사용자는 두 개의 손가락만을 사용하여 그렇게 할 수 있다. 터치스크린에 의해 수신 입력으로부터 추출될 수 있는 디지털 바이오마커 특징이 이전에 논의되었다. 이들 중 일부는 도 5b를 참조하여 아래에서 설명된다.
도 5b는 각각 경로 1과 경로 2의 종료포인트인 두 개의 추가 포인트 P1'과 P2'를 보여준다. 경로 1과 경로 2는 핀치 테스트를 수행할 때 사용자의 손가락이 이동하는 경로를 나타낸다. 도 5b의 배열로부터 도출될 수 있는 일부 특징은 다음을 포함한다:
·
P1'과 P2' 사이의 거리.
·
P1'과 M 사이의 평균 거리, 및 P2'와 M 사이의 거리.
·
경로 1의 길이와 P1과 P1' 사이의 거리(직선)의 비이다.
·
경로 2의 길이와 P2과 P2' 사이의 거리(직선)의 비이다.
·
복수의 테스트에 기초하여 앞서 도출된 통계 파라미터.
본 출원에서 이전에 논의된 모든 특징은 도 5a에 도시된 시스템(100)과 함께 사용될 수 있다는 것이 강조되어야 하며, 이는 도 5b에 도시된 예에 제한되지 않는다.
도 6a 내지 6e는 상기 언급된 다양한 파라미터, 및 테스트가 시작되었는지 여부, 테스트가 완료되었는지 여부, 및 테스트가 성공적으로 완료되었는지 여부를 결정하기 위해 이들 파라미터가 어떻게 사용될 수 있는지에 대한 예를 도시한다. 이들 조건은 도면에 도시된 핀치 테스트의 구체적 예보다 더 일반적으로 적용된다는 것이 강조되어야 한다. 이제 도 6a를 참조하면, 테스트는 두 손가락이 스크린을 터치하고 있을 때(도 6a에서 가장 바깥쪽 원으로 도시됨), "초기 손가락 거리"가 "최소 시작 거리"보다 클 때, 두 손가락 사이의 중심 포인트("초기 손가락 거리"의 중간포인트에 있는 점)가 경계 상자 내에 위치할 때 및/또는 손가락들이 상이한 방향으로 움직이지 않을 때 시작되는 것으로 간주될 수 있다.
이제 테스트가 "완료"되었는지 여부를 결정하는 데 사용될 수 있는 다양한 특징이 설명된다. 예를 들어, 손가락들 사이의 거리가 감소하고, 손가락 사이의 거리가 핀치 갭보다 작아지고, 손가락 사이의 거리가 적어도 손가락 사이의 간격의 최소 변화만큼 감소하면 테스트가 완료된 것으로 간주될 수 있다. 테스트가 "완료"되었는지 여부를 결정하는 것 외에도 테스트가 "성공"한 시기를 결정하도록 애플리케이션이 구성될 수 있다. 예를 들어, 두 손가락 사이의 중심 포인트가 모양의 중심 또는 경계 박스의 중심에 지정 임계값보다 가까운 경우 시도가 성공한 것으로 간주될 수 있다. 이 지정 임계값은 핀치 갭의 절반일 수 있다.
도 6b 내지 6d는 테스트가 완료된 경우, 불완전한 경우, 성공 및 실패한 경우를 도시한다:
·
도 6b에서 시도가 완료되지 않았다. 손가락들 사이의 거리가 감소되고, 손가락들 사이의 거리가 필요한 임계값보다 많이 감소되었다. 그러나 손가락들 사이의 갭이 핀치 갭보다 크므로 테스트가 완료되지 않았다.
·
도 6c에서 시도가 완료되었다. 손가락들 사이의 거리가 감소 중이고, 손가락들 사이의 거리가 핀치 갭보다 작아지며, 손가락들 사이의 간격이 임계값보다 많이 감소되었다. 이 경우에도 손가락들 사이의 중심 포인트가 모양의 중심으로부터 핀치 갭의 절반보다 작기 때문에 시도가 성공적이다.
·
도 6d에서, 손가락들 사이의 거리가 감소 중이고, 손가락들 사이의 거리가 핀치 갭보다 작아지며, 손가락들 사이의 이격거리가 임계 이격거리보다 많이 감소되었기 때문에 테스트는 완료된다. 그러나, 손가락들 사이의 중심 포인트가 모양의 중심(즉, 경계 상자의 중심)에서 핀치 간격의 절반보다 더 멀리 있기 때문에 시도는 성공하지 못했다.
도 7 내지 10은 모양 그리기 테스트를 수행할 때 사용자가 볼 수 있는 디스플레이의 예를 나타낸다. 도 11은 앞으로 사용자의 모양 그리기 시도로부터 도출될 수 있고, 분석 모델에 입력될 수 있는 디지털 바이오마커 특징 데이터를 형성하는 결과를 보여준다.
도 7은 사용자가 터치스크린 디스플레이(108)에서 위에서 아래로 선을 추적해야 하는 모양 그리기 테스트의 간단한 예를 도시한다. 도 7의 특정 경우에서, 사용자에게 시작 포인트 P1, 종료 포인트 P2, 일련의 중간 포인트 P 및 추적 경로의 일반적인 표시(도 7에서 회색)가 나타난다. 또한 사용자에게는 어느 방향으로 경로를 따라야 할지를 나타내는 화살표가 제공된다. 도 8은 사용자가 아래에서 위로 선을 추적하는 것을 제외하고 유사하다. 도 9와 10도 역시, 이들 경우 모양이 각각 닫힌 사각형과 원형임을 제외하고, 유사하다. 이들 경우, 제1 포인트 P1은 종료 포인트 P1과 동일하며 화살표는 모양이 시계 방향으로 따라야 하는지 반시계 방향으로 따라야 하는지를 나타낸다. 본 발명은 선, 사각형 및 원으로 제한되지 않는다. 사용될 수 있는 다른 모양(곧 표시됨)은 8자 모양과 나선이다.
본 출원의 앞부분에서 논의된 바와 같이, 모양 그리기 테스트에서 세 가지 유용한 특징이 추출될 수 있다. 이들은 도 11에 도시되어 있다. 도 11은 사용자 경로의 원하는 종료 포인트 P2와 종료 포인트 P2' 사이의 편차인 "종료 자취 거리"로서 본 명세서에서 지칭되는 특징을 도시한다. 이는 사용자의 오버슈트를 효과적으로 파라미터화한다. 이는 사용자의 운동 제어 정도의 효과적인 표지자인 움직임의 종료 포인트를 제어할 수 있는 사용자의 능력을 측정하는 방법을 제공하기 때문에 유용한 특징이다. 도 12a 내지 12c는 각각 유사한 특징을 나타내는데, "시작-종료 추적 거리", 즉, 사용자 경로 P1'의 시작 포인트와 사용자 경로 P2'의 종료 포인트 사이의 거리이다. 테스트가 완벽하게 실행되는 경우, 경로는 종료되는 포인트와 동일한 곳에서 시작해야 하기 때문에 이는 닫힌 모양, 가령, 도 12a, 12b, 및 12c에 나타난 사각형, 원, 및 8자 모양으로부터 각각 추출되기에 유용한 특징이다. 따라서 시작-종료 자취 거리 특징은 앞에서 설명한 종료 자취 거리와 동일한 유용한 정보를 제공한다. 그러나 덧붙여 이 특징은 운동 제어의 개별 측면도 테스트하는 희망 시작 위치 P1에 손가락을 얼마나 정확하게 놓을 수 있는지에 대한 정보도 제공한다. 도 13a 내지 도 13c는 사용자의 시작 포인트 P1'와 희망 시작 포인트 P1 사이의 거리인 "시작 자취 거리"를 나타낸다. 논의한 바와 같이 이는 사용자가 처음에 손가락을 얼마나 정확하게 배치할 수 있는지에 대한 정보를 제공한다.
추가 실험 결과
다발성 경화증(MS)은 중추 신경계의 만성 염증성 자가면역 탈수초성 질병이다.1 상지 기능을 포함한 여러 기능 영역의 손상을 초래할 수 있다. 연구에 따르면 MS(PwMS) 환자의 최대 60-76%가 질병 중에 상지 기능 장애를 경험하거나 징후를 보인다.2-4 이러한 장애는 일상 생활 활동을 수행하는 능력을 제한하여 삶의 질을 저하시킬 수 있다.5 따라서 상지 기능을 평가하는 것은 질병을 모니터링하는 데 중요한 역할을 한다.6 불행하게도, 상지 기능은 삶의 질에 큰 영향을 미치고 더 뚜렷한 장애가 있는 환자에게 중요한 측정이지만 대부분의 치료 시험에서는 거의 측정되지 않는다. 상지 기능 또는 손의 기민성을 측정하기 위해 여러 가지 다른 평가가 사용 가능하다. 여기에는 근력-기민성 테스트,7 그루브 페그보드(Grooved Pegboard),8 미네소타 기민성 테스트(Minnesota Dexterity Test)(및 이의 하위테스트),9 기능 기민성 테스트(Functional Dexterity Test)10, 11 및 9홀 페그 테스트(9HPT: Nine-Hole Peg Test)6 등이 포함된다. 사용 용이성과 유리한 정신측정 속성 때문에, 9HPT는 상지 기능의 일반적으로 사용되는 평가가 되었으며 다발성 경화증 기능성 복합 검사(MSFC: Multiple Sclerosis Functional Composite)에 포함된다.6, 12, 13 그러나 9HPT와 같은 기능적 평가는 외래 진료 동안은 거의 시행되지 않기 때문에 유용성이 제한적이다.14 따라서, 최소한의 환자 부담으로 원격으로 수행할 수 있고 따라서 더 자주 시행될 수 있는 새로운 평가가 필요하다. 핀치 테스트는 감독 없이 가정에서 원격으로 스마트폰으로 수행될 수 있는 상지 기능의 객관적이고 생태학적으로 유효한 센서 기반 평가로 설계되었다.15 스마트폰 장치에 내장된 센서를 이용함으로써, 9HPT와 같이 단일 요약 점수를 제공하는 것과는 반대로 핀치 동작의 여러 특성을 측정할 수 있다. 핀치 테스트는 임상 시험 'Monitoring of Multiple Sclerosis Participants with the Use of Digital Technology (Smartphones and Smartwatches) ― A Feasibility Study' (NCT02952911)에서 처음 배치되었다.16 본 연구에서는, 9HPT, EDSS(Expanded Disability Status Scale),17 MSIS-29(29-item Multiple Sclerosis Impact Scale)의 팔 관련 아이템18 및 전체 뇌 체적과 상관된 두 개의 특징 ― 성공적인 핀치의 횟수 및 이중 터치 비동시성 ― 이 준수-양호한(moderate-to-good) 테스트-재테스트 신뢰도를 보여줬다.15 여기에 제시된 상지 기능에 대한 더 풍부한 데이터를 분석함으로써, 이 이전 작업은 상지 기능 장애의 다양한 측면을 조사하고 상지 기능의 객관적인 원격 평가로서 핀치 테스트의 사용을 추가로 특성화하도록 설계된 확장된 범위의 특징을 탐색함으로써 확장된다. MS 질병 상태의 표준 임상 척도와의 일치 및 PwMS를 건강한 대조군(HC)과 구별할 수 있는 능력과 함께 확장된 특징 공간의 테스트-재테스트 신뢰도가 검사된다. 또한, 핀치 테스트 특징 간에 포착된 공유되는 보완 정보도 평가된다.
방법
24주간의 전향적 연구에서, 프로비저닝된 스마트폰 상의 Floodlight PoC 앱을 사용하여 원격으로 MS를 모니터링하는 가능성이 평가됐다. 전체 연구 설계, 포함 및 제외 기준은 이전에 보고된 바 있다16. 18-55세의 PwMS 76명과 HC 25명이 두 사이트에 걸쳐 등록되었다. PwMS는 2010년 개정된 McDonald 기준19으로 진단되었으며 기준선 EDSS 점수는 0.0에서 5.5 사이였다. 연구는 모든 연구 참가자가 표준 임상 조치를 받는 3회의 외래 방문(기준선, 12주 및 24주[연구 종료])을 포함했다. PwMS는 9HPT, EDSS, MSIS-29, 구두 SDMT(Symbol Digit Modalities Test) 및 FSMC(Fatigue Scale for Motor and Cognitive Functions)로 평가되었으며, HC는 9HPT, 구두 SDMT 및 FSMC로만 평가되었다. 또한 기본 방문 동안 모든 연구 참가자는 Floodlight PoC 앱이 사전 설치된 프로비저닝된 Samsung Galaxy S7 스마트폰을 받았고 핀치 테스트를 포함하여 매일 스마트폰 기반 테스트를 수행하도록 지시 받았다.
핀치 테스트
이 특허 출원의 주제인 핀치 테스트는 상지 기능의 운동, 시각 및 인지 측면을 테스트하도록 설계되었다.15 두 손가락(엄지 손가락과 두 번째 또는 세 번째 손가락)의 협응력을 평가하여 작은 물체, 가령, 열쇠, 펜 또는 문 손잡이를 파지하는 데 필요한 능력을 평가한다. 테스트를 수행하기 위해, 참가자는 한 손에 스마트폰을 들고 다른 손을 사용하여 30초 동안 가능한 한 많은 토마토 모양을 핀치하거나 비틀며, 이는 도 22를 참조할 수 있다. 테스트 받는 손의 두 손가락을 사용하여 토마토 모양을 성공적으로 핀치한 후 스마트폰 디스플레이 상의 새로운 무작위 위치에 새로운 토마토 모양이 나타났다. 우세 손(dominant hand)과 비-우세 손(non-dominant hand)이 번갈아 테스트 실행으로 평가됐다.
특징 추출
총, 테스트를 설명하는 13개의 기본 특징, 11개의 관성 측정 장치(IMU) 기반 특징, 및 13개의 피로 특징이 원시 터치스크린 및 가속도계 신호로부터 추출되었으며, 이는 도 23을 참조할 수 있다.
이 특허 출원에서 우리는 다음 특징의 결과를 고려한다:
·
2-손가락 시도 비율:
·
핀치 시간
·
갭 시간
·
마지막 포인트 거리
·
손가락 경로 비
·
수평성
·
배향 안정성
·
피로 성공적 시도 비율
·
피로 2-손가락 시도 비율
·
피로 핀치 시간
·
피로 이중 터치 비동시성
·
피로 손가락 경로 길이
이들 특징, 및 그 밖의 다른 비교 가능한 특징의 정의가 도 14a 내지 14g를 통해 배포된 표로 제공된다.
기본 특징은 상지의 전반적인 장애(수행된 핀치 횟수, 성공적인 핀치 횟수, 성공한 시도의 비율 및 두 손가락 시도의 비율), 손가락 협응(이중 터치 비동시성 및 이중 들어올림 비동시성), 핀치 반응성(갭 타임), 운동 범위 또는 핀치 정밀도(손가락 경로 길이), 및 근육 약화, 경직 또는 떨림(손가락 경로 비, 손가락 경로 속도, 첫 포인트와 마지막 포인트 사이의 거리, 핀치 시간)을 포착한다. IMU 기반 특징이 스마트폰 장치를 들고 있는 테스트되지 않는 손의 가속도계 크기 또는 스마트폰 배향의 평균, 표준 편차 및 첨도를 기반으로 하며 두 손 사이의 협응, 근력 약화 또는 떨림에서 발생하는 신호를 캡처하도록 개발되었다. 테스트의 전반부와 후반부의 성능 차이를 측정함으로써 각 기본 특징에 대한 피로 특징이 계산되었다.
데이터 처리
핀치 테스트가 감독되지 않기 때문에 테스트 지침에 따라 수행되지 않은 개별 테스트 실행을 식별하는 것이 중요하다.15 연구 참여자들은 핀치 테스트를 하는 동안 테스트 받지 않은 손으로 전화기를 잡도록 지시 받았고, 테이블과 같은 단단한 표면에 놓인 전화기를 특징으로 하는 임의의 테스트 실행은 무시되었고 무효로 간주되었다. 또한, 상지 기능의 유의미한 평가를 가능하게 하기 위해, 적어도 20개의 유효한 테스트 실행에 기여한 연구 참가자만 분석을 위해 유지되었다. 마지막으로 데이터는 다음과 같이 통합되었다:
·
테스트-재테스트 신뢰도 분석을 위해, 피칭 테스트 특징이 2주 기간에 걸쳐 수집된 적어도 3개의 유효한 개인 평가를 이용해 중앙 특징 값을 계산함으로써 통합됨으로써, 평일과 주말의 차이 또는 환자 건강의 변화에 기여할 수 있는 포괄적인 질병-독립적 가변성을 감소시킬 수 있다.
·
PwMS의 피로 수준은 매일 변동될 수 있으므로20 2주 기간에 걸친 표준 편차를 취함으로써 피로 특징이 추가로 통합되었다.
·
다른 모든 분석의 경우, 전체 연구 기간 동안 중앙값(기본, IMU 기반 및 피로 틀징) 또는 표준 편차(피로 특징만)를 취함으로써 핀치 테스트 특징이 통합되었다.
·
또한, 표준 임상 척도(9HPT, EDSS, 구두 SDMT, MSIS-29 팔 아이템 2, 6, 15, FSMC 신체적 하위 척도)가 모든 외래에서의 평균을 구함으로써 통합되었다.
통계 분석
4번의 개별 분석이 수행되었다. 우세 손과 비-우세 손의 데이터는 매우 유사했지만(도 15 참조), 우세 손 데이터의 변동성은 약간 더 낮았다. 따라서 우세 손에 대해 수행된 분석만 보고된다.
모든 연속되는 2주 기간을 고려한 클래스내 상관 계수(2,1) (ICC[2,1])를 계산함으로써 PwMS에서 테스트-재테스트 신뢰도가 평가됐다.15 각 2주 기간 동안 적어도 3회의 유효한 테스트 실행이 요구됐다. 테스트-재테스트 신뢰도는 나쁨(ICC < 0.05), 준수(ICC = 0.5 내지 0.74), 양호(ICC = 0.75 내지 0.9) 또는 우수(ICC > 0.9)로 간주되었다.21
나이 및 성별-조정된 스피어만 순위 상관 분석이 표준 임상 척도와의 일치를 평가했다. 핀치 테스트 특징이 9HPT, EDSS, MSIS-29 팔 아이템, 구두 SDMT, 및 FSMC와 상관되었다. 이 분석은 EDDS와 MSIS-29가 모두 HC에서 수집되지 않았기 때문에 PwMS에만 국한되었다. 상관관계의 강도는 상관관계 없음(│r│< 0.25), 적당함(fair)(│r│= 0.25 내지 0.49), 준수-양호(moderate-to-good)(│r│=0.5 내지 0.75) 또는 양호-우수(good-to excellent)(│r│> 0.75)로 간주되었다.22
덧붙여, 두 개의 개별 나이 및 성별-조정된 부분 스피어만 순위 상관 분석이 1) 기본 특징이 운동 또는 인지 성분(또는 둘 모두)에 의해 주로 구동되는지 여부를 평가하기 위해 기본 특징, 9HPT 및 구두 SDMT에서, 그리고 2) 피로 특징이 주로 상지 기능 또는 피로의 척도인지 여부를 연구하기 위해, 피로 특징, 9HPT 및 FSMC에서 실시되었다.
나이 및 성별-조정된 알려진 그룹 유효성 분석은 HC와 PwMS 하위그룹을 구별하는 능력을 평가하고 만-휘트니(Mann-Whitney) U 테스트, 코헨 d(Cohen's d) 효과 크기, 및 수신자 작동 곡선(AUC) 아래 영역을 사용하여 평가되었다. 다음의 2개의 PwMS 하위그룹이 포함되었다: 기준선에서 정상 9HPT 시간을 갖는 PwMS(PwMS-정상) 및 기준선에서 비정상 9HPT 시간을 갖는 PwMS(PwMS-비정상). 비정상 9HPT에 대한 임계값은 Erasmus et al.로부터 얻어진 HC의 지배 손 정규 데이터의 평균과 2개의 표준 편차로 정의되었다.23 따라서, 우세 손에 대한 기준선 9HPT 시간이 22.15초 미만인 모든 PwMS는 PwMS-정상으로 간주되는 반면, 나머지 모든 PwMS는 PwMS-비정상으로 간주되었다. 별도의 분석에서, 적어도 경미한 수준의 피로(FSMC 신체 하위척도에서 ≥22점)24로 정의된 신체적 피로가 없는 PwMS와 이러한 피로가 있는 PwMS를 구별하는 피로 특징의 능력이 연구되었다. 핀치 테스트 특징들 간의 공유되는 보완 정보를 평가하기 위해 횡단 쌍별 스피어만 순위 상관 및 반복 측정 상관이 수행됐다. 쌍별 상관과 비교하여, 반복 측정 상관 분석은 각 대상체에 대한 독립적인 절편을 추정하므로 대상체들 간 질병 중증도의 차이로 인해 발생할 수 있는 편향을 최소화한다. 이는 주성분 분석과 요인 분석을 수행함으로써 보완되었다.
FDR(False Discover Rate) 보정 후 통계적 유의성은 p<0.05로 설정되었으며, 각 특징 범주(기본, IMU 기반, 피로)에 개별적으로 적용되었다.
결과
총, 76개의 PwMS와 25개의 HC가 등록되었으며 이 중 67개의 PwMS와 18개의 HC가 여기에 제시된 분석에 포함되었다. 여기에 포함된 참가자의 기본 인구 통계 및 질병 특성(이 특허 출원의 설명 끝에 첨부된 표 1 참조)은 전체 연구 모집단의 것과 유사했다.16 평균(SD) EDSS 점수가 2.4(1.4)이고 평균(SD) 9HPT 시간이 양손의 경우 22.3초(4.2), 우세 손의 경우 22.1(4.7)인 때, 분석에 포함된 PwMS는 제한된 상지 기능 장애에 따라 감소했다. HC와 비교하여 PwMS 코호트는 여성 참가자의 비율이 더 높았고(68% vs 33%) 평균적으로 약간 더 나이가 많았다(39.2[7.8]세 vs 35.0[8.9]세).
테스트-재테스트 신뢰도
PwMS에 대한 테스트-재테스트 신뢰도 분석이 도 16에 제공되어 있다. 기본 핀치 테스트 특징이 0.55-0.81 사이의 ICC(2,1)로 준수 또는 양호한 테스트-재테스트 신뢰도를 보여줬다. 3번의 외래 방문에서 우세 손의 9HPT 시간에 대한 ICC(2,1)는 0.83이었다. IMU 기반 특징은 0.51-0.81 범위의 유사한 ICC(2,1)를 보여주었다. 모든 특징에서, ICC(2.1)들은 HC에서 더 작은 경향이 있었는데, 아마도 이 코호트에서 대상체 간 가변성이 더 낮기 때문일 수 있으며, 이는 도 17을 참조할 수 있다.
상관 분석
대부분의 기본 특징은 도 18에 표시된 것처럼 상지 기능 및 전반적인 질병 중증도의 표준 임상 척도와 적당(fair)하거나 준수-양호한(moderate-to-good) 상관관계를 보여주었다. 9HPT와의 가장 강한 일치는 이중 터치 비동시성(r = 0.54), 수행된 핀치 횟수(r = -0.48) 및 성공적인 핀치 횟수(r = -0.48)에 대해 관측되었다. 7개의 추가 기본 특징 ― 2-손가락 시도 비율, 핀치 시간, 갭 시간, 마지막 포인트 거리, 손가락 경로 길이, 손가락 속도 및 손가락 경로 비 ― 가 9HPT와 적당한 상관관계 (│r│ ≤ 0.46)를 보여주었다. 기본 특징의 대부분은 EDSS와 적당한 상관관계(│r│ ≤ 0.39)를 보였고 MSIS-29 팔 아이템과 적당한 또는 준수-양호한 상관관계(│r│ ≤ 0.53)를 보였다. 기본 특징은 도 19와 같이 정보 처리 속도 및 피로와 관련이 있다. 13가지 기본 특징 모두가 구두 SDMT와 적당한 또는 준수-양호한 상관관계(│r│ ≤ 0.55)를 보였으며, 대부분의 기본 특징의 경우 FSMC 총 점수와의 상관관계가 적당한 또는 준수-양호한 강도(│r│ ≤ 0.52)에 이르렀다. 배향 안정성 ― 도 18 및 19에 나타낸 바와 같이, 적어도 3가지 임상 척도(9HPT: r = -0.27, MSIS-29 팔 아이템: r = -0.27, 구두 SDMT: r = -0.28)와 적당한 상관관계를 보여줬다. 피로 특징은 일반적으로 도 18과 같이 특히 표준 편차 통합을 적용할 때 상지 기능 및 전반적인 질병 중증도의 임상 척도와 연관된다. 이 통합 방법을 사용하여, 9HPT와의 상관관계는 대부분의 피로 특징에 대해 적당한 또는 준수-양호한 강도에 도달했다(│r│ ≤ 0.61). EDSS와의 상관관계(│r│ ≤ 0.41) 및 MSIS-29 팔 아이템과의 상관관계(│r│ ≤ 0.46)는 대부분 적당했다. 표준 편차를 취함으로써 통합된 피로 특징이 도 19에 나타난 바와 같이, 정보 처리 및 피로와 연관되었다. 대부분의 피로 특징에 대해, 구두 SDMT와의 상관관계는 적당한 또는 준수-양호였으며(│r│ ≤ 0.63), FSMC 총점과의 상관관계는 적당한 강도에 이르렀다(│r│ ≤ 0.47). 기본 특징, IMU 기반 특징 및 피로 특징에 걸쳐, FSMC 신체 및 인지 하위척도와의 상관관계는 도 20에 나타난 바와 같이 FSMC 총점과 매우 유사했다.
다음으로, 기본 특징에 대해 부분 상관 분석을 수행되어 주로 상지 기능 및 인지 성분에 의해 구동되는지 여부를 평가했으며, 이는 도 21의 파트 A 및 B를 참조할 수 있다. 수행된 핀치 횟수, 이중 터치 비동시성, 갭 시간, 및 손가락 경로 비가 모두 구두 SDMT에서의 올바른 응답의 수를 고려한 후 9HPT와 상관관계가 있었다(각각 r = -0.27, r = 0.31, r = 0.29, 및 r = 0.32). 별도의 부분 상관 분석이 피로 피로가 주로 피로를 포착하는지 또는 상지 기능을 포착하는지 평가했으며, 이는 도 21의 파트 C 및 D를 참조할 수 있다. 중앙값 통합 방법을 사용할 때 피로 핀치 시간(r = -0.29), 피로 경로 길이(r = -0.30) 및 피로 이중 들어올림 비동시성(r = -0.26)이 9HPT 시간을 고려한 후에도 FSMC 총점과 상관관계가 있었다. 2개의 피로 특징은 표준 편차 통합 방법을 대신 적용할 때 9HPT 시간을 고려한 후 FMSC 총 점수와 상관관계가 있었다(피로 성공 시도 비율: r = -0.26, 첫 번째 포인트 거리: r = 0.27).
HC와 PwMS 하위그룹을 구별하고 구분할 수 있는 능력
HC, PwMS-정상 및 PwMS-비정상을 구별하고 구분할 수 있는 핀치 테스트 특징의 능력은 본 출원의 설명에 첨부된 표 2에 요약되어 있다. 전반적으로 기본 특징은 PwMS-정상과 PwMS-비정상을 구별하는 가장 큰 능력을 보여주었다. 성공적인 핀치 횟수를 포함하는 2개의 하위그룹(녹색 표 칸, p < 0.05) 간에 통계적으로 유의미한 차이를 보인 8가지 기본 특징의 경우 AUC는 0.68-0.79 범위이고, 코헨 d는 0.43-1.04 범위였다. 또한 HC와 PwMS-비정상(AUC = 0.75-0.75, 코헨 d = 0.35-0.79, 세 가지 특징 모두에 대해 모두 p < 0.05) 간에 세 가지 기본 특징이 구별되었다. 대신 표준 편차 집계 방법을 사용할 때 일부 피로 특징이 PwMS-정상과 PwMS-비정상을 구별했다. 2개의 하위그룹(녹색 표 칸, p < 0.05) 간에 통계적으로 유의미한 차이를 보인 5가지 피로 특징의 경우 AUC는 0.70-0.82 범위이고, 코헨 d는 0.38-1.10 범위였다. 또한 이들 특징 중 세 가지가 PwMS-비정상과 HC를 구별했다(AUC: 0.74-0.76, 코헨 d = 0.52-0.64, 모든 세 가지 특징에 대해 p < 0.05).
핀치 테스트 특징들 간의 관계
기본 특징들 간의 관계도 연구되었다. 쌍별 스피어만 순위 상관 분석은 도 21 파트 A에 표시된 것처럼 여러 특징들이 서로 독립적인 것으로 나타났다. 특징들 간 일부 상관관계가 언급되었지만, 손가락 경로 비 또는 피로 핀치 시간에 대해서는 그렇지 않았다. 관측된 상관관계는 질병의 중증도에 의해 영향을 받을 수 있다. 평가된 특징에 대한 개체내 공통 연관성을 결정하기 위해 반복 측정 상관 분석이 수행되었다. 쌍별 상관 분석과 달리, 반복 측정 상관 분석은 두 가지 특징이 각각의 대상체와 얼마나 강하게 상관되는지를 측정하며, 따라서 질병 중증도에 의해 혼동되지 않는다. 결과 상관 행렬이 도 21 파트 B에 나타나 있다. 예상대로, 느린 핀치 또는 큰 갭 시간일수록 30초 기간에서 더 적은 수의 핀치를 도출할 것이기 때문에, 수행된 핀치 횟수는 핀치 시간(상관 계수 [CC] = -0.58), 갭 시간(CC = -0.43) 및 손가락 속도(CC = 0.58)와 상관관계가 있다. 더욱 놀라운 것은 갭 시간이 이중 터치 비동시성과 상관관계가 있었다는 것이다(CC = 0.65). 이 상관관계는 아직 설명되지 않았지만 핀치 반응성(즉, 갭 시간)과 손가락 협응(즉, 이중 터치 비동시성) 모두에 영향을 미치는 공통 요인을 가리킨다. 대부분의 특징이 고유한 정보를 포착한다는 개념은 주성분 분석에 의해서도 뒷받침되었다. 분산의 약 80%를 설명하기 위해 4개의 주성분이 필요했고 분산의 90%를 설명하기 위해 6개의 주성분이 필요했으며, 이는 도 21의 파트 C에 나타나 있다. 이는 또한 요인 분석에 반영되어 기본 특징에 의해 포착된 데이터를 설명하는 데 필요한 요인에 고유한 부하가 있음을 나타내며, 이는 도 21 파트 D를 참조할 수 있다.
논고
간단하고 생태학적으로 유효한 스마트폰 센서 기반 핀치 테스트로부터의 신뢰할 수 있는 특징이 상지 기능, 전반적인 질병 중증도, 인지 기능 및 피로의 표준 임상 척도와 연관되고, 상지 기능 장애가 있는 PwMS를 확인했다. 핀치 테스트는 물건을 집거나, 셔츠 단추를 채우거나, 식기를 조절하는 등의 일상생활 활동을 수행하는 능력을 측정하기 위해 고안되었으며, 환자가 집에서 자주 그리고 독립적으로 수행할 수 있다. 상용화된 스마트폰에 내장된 센서를 이용함으로써, 핀치의 다수의 측면, 가령, 핀치의 정확성, 효율성, 및 평활도와 두 손가락의 운동 범위 및 협응을 평가할 수 있다. 이상적인 핀치 테스트 특징은 무엇보다도 다음 세 가지 기준을 충족한다: 테스트-재테스트 신뢰도, 표준 임상 척도와의 일치, 상지 기능 장애가 있는 PwMS와 상지 기능 장애가 없는 PwMS를 구별 및 구분할 수 있는 능력. 이 연구에서, 우리는 표 3(이 출원의 끝에 첨부됨)에 나타난 바와 같이 세 가지 모든 기준을 모두 충족하는 특징을 확인했다. 이들은 기본 특징의 대부분, 가령, 수행된 핀치 횟수, 성공한 핀치 횟수, 2-손가락 시도 비율, 핀치 시간, 갭 시간, 이중 터치 비동시성, 마지막 포인트 거리, 및 손가락 경로 비를 포함한다. 이들 특징은 MS25 및 파킨슨병26, 27의 상지 기능에 대한 스마트폰 센서 기반 평가에 대한 이전 연구와 일치하는, 준수한 또는 양호한 테스트-재테스트 신뢰도를 입증했다. 가장 신뢰할 수 있는 핀치 테스트 특징은 9HPT에 대해 이전에 보고28된 0.84의 ICC와 비교되는 0.81의 ICC(2,1)를 달성했다. 임상의가 보고한 평가(9HPT 및 EDSS)와 질병의 영향에 대한 환자의 관점(MSIS-29의 팔 관련 아이템) 모두에 대한 일치는 일반적으로 기본 특징에 대해 가장 강했다. 스마트폰 장치에서 30초 이내에 가능한 한 많은 토마토를 핀치하려면 운동 기술뿐만 아니라 빠른 정보 처리 및 주의력도 필요하기 때문에 많은 기본 특징이 9HPT와 구두 SDMT 모두와 상관관계가 있다는 것은 놀라운 일이 아니다. 또한, 두 가지 임상 척도 모두가 질병의 중증도에 의해 혼동된다. 따라서 구두 SDMT와 어느 정도의 상관관계가 기대될 수 있다. 결과적으로, 운동 성분을 주로 포착하는 특징이 구두 SDMT를 고려한 후에도 9HPT와 유의미한 상관관계를 유지할 것이며, 구두 SDMT와의 상관관계는 9HPT를 고려한 후 0이 되는 경향이 있다. 수행된 핀치 횟수, 이중 터치 비동시성, 손가락 경로 비 및 갭 시간 모두 이러한 특성을 나타낸다. 핀치 제스처가 시작될 때 스마트폰 스크린을 터치하는 엄지와 두 번째 또는 세 번째 손가락 사이의 지속시간을 측정하기 때문에 이중 터치 비동시성이 주로 운동 성분에 의해 구동되는 특징으로 식별되는 것은 놀라운 일이 아니다. 이와 같이, 스크린 상에 나타나는 새로운 토마토 모양을 인식하는 것과 관련된 인지 작업과 독립적으로 설계되었다. 기본 특징은 또한 PwMS-정상과 PwMS-비정상을 구별할 수 있는 가장 큰 능력을 보여주었고, 이는 기능 장애의 수준이 높을수록 핀치 테스트에서 성능이 저하됨을 나타낸다. 이들 특징 중 세 가지 ― 2-손가락 시도 비율, 갭 시간 및 이중 터치 비동시성 ― 가 또한 HC와 PwMS-비정상을 구별했다. 전역 9HPT 임계값이 PwMS를 PwMS-정상 또는 PwMS-비정상으로 분류하는 데 사용되었다. 이 임계값은 Erasmus et al.23의 표준 개체군으로부터 도출되었는데, 이 개체군이 우리의 PwMS 코호트와 유사한 나이 및 성별 분포를 보이기 때문이다. 적은 수의 HC 및 PwMS-비정상과 그룹 간의 나이 및 성별 불균형이 HC를 PwMS 하위그룹과 구별하는 능력을 제한했다.
스마트폰을 들고 있는 손의 기능을 평가하는 IMU 기반 특징이 일반적으로 테스트-재테스트 신뢰도 기준을 충족했으며, 이는 설명에 첨부된 표 3 참조할 수 있다. ICC(2,1)는 기본 특징으로 얻은 것과 비교되었지만 임상 척도와의 일치 및 HC와 PwMS 하위그룹을 구별하는 능력 측면에서 성능이 떨어졌다. 이 연구에 등록된 대부분의 PwMS가 재발 완화 질환을 가지고 있다는 점을 고려할 때, 이 연구에서 발생한 운동 이상 또는 운동 결함의 진폭이 이들 특징이 질병 관련 신호를 포착하기에 충분히 크지 않았을 가능성이 있다. 마지막으로, 우리는 피로 특성을 조사했다. 이들 특징은 테스트의 전반부와 후반부 동안의 테스트 성능을 비교하고 피로도를 포착할 것이라는 가설을 세웠다. 표 4에서 나타난 바와 같이 표준 편차를 취함으로써 개별 테스트를 통합할 때 몇 가지 피로 특징이 세 가지 기준 중 최대 두 가지를 충족했다(피로 핀치 시간이 세 가지 기준 모두 충족). 표준 편차 통합의 향상된 성능은 PwMS에서 일반적으로 관찰되는 피로의 변동을 반영할 수 있다.20
핀치 테스트는 MS의 표준 임상 평가를 보완할 수 있는 상지 기능에 대한 객관적이고 자가 관리되는 평가를 제공한다. 다양한 특징이 조사되었고 다음을 포함하여 핀치 동작의 다양한 측면에 대한 신뢰할 수 있는 척도를 제공하는 특징을 식별할 수 있었다: 핀치의 정확성, 효율성, 반응성 및 평활도; 상지 기능 및 전반적인 질병 중증도의 임상 척도와의 일치; 및 상지 기능 장애가 있는 것과 없는 PwMS를 구별하는 능력.
참조 문헌
1.
Reich DS, Lucchinetti CF and Calabresi PA. Multiple Sclerosis. New England Journal of Medicine 2018; 378: 169-180. DOI: 10.1056/NEJMra1401483.
2.
Johansson S, Ytterberg C, Claesson IM, et al. High concurrent presence of disability in multiple sclerosis. Associations with perceived health. J Neurol 2007; 254: 767-773. 2007/04/02. DOI: 10.1007/s00415-006-0431-5.
3.
Kister I, Bacon TE, Chamot E, et al. Natural history of multiple sclerosis symptoms. Int J MS Care 2013; 15: 146-158. DOI: 10.7224/1537-2073.2012-053.
4.
Bertoni R, Lamers I, Chen CC, et al. Unilateral and bilateral upper limb dysfunction at body functions, activity and participation levels in people with multiple sclerosis. Mult Scler 2015; 21: 1566-1574. 2015/02/11. DOI: 10.1177/1352458514567553.
5.
Yozbatiran N, Baskurt F, Baskurt Z, et al. Motor assessment of upper extremity function and its relation with fatigue, cognitive function and quality of life in multiple sclerosis patients. J Neurol Sci 2006; 246: 117-122. 2006/05/05. DOI: 10.1016/j.jns.2006.02.018.
6.
Feys P, Lamers I, Francis G, et al. The Nine-Hole Peg Test as a manual dexterity performance measure for multiple sclerosis. Multiple Sclerosis Journal 2017; 23: 711-720. DOI: 10.1177/1352458517690824.
7.
Valero-Cuevas FJ, Smaby N, Venkadesan M, et al. The strength-dexterity test as a measure of dynamic pinch performance. J Biomech 2003; 36: 265-270.
8.
Almuklass AM, Feeney DF, Mani D, et al. Peg-manipulation capabilities during a test of manual dexterity differ for persons with multiple sclerosis and healthy individuals. Exp Brain Res 2017; 235: 3487-3493. 2017/08/30. DOI: 10.1007/s00221-017-5075-4.
9.
Tesio L, Simone A, Zebellin G, et al. Bimanual dexterity assessment: validation of a revised form of the turning subtest from the Minnesota Dexterity Test. Int J Rehabil Res 2016; 39: 57-62. DOI: 10.1097/MRR.0000000000000145.
10.
Aaron DH and Jansen CW. Development of the Functional Dexterity Test (FDT): construction, validity, reliability, and normative data. J Hand Ther 2003; 16: 12-21.
11.
Tissue CM, Velleman PF, Stegink-Jansen CW, et al. Validity and reliability of the Functional Dexterity Test in children. J Hand Ther 2017; 30: 500-506. 2016/11/15. DOI: 10.1016/j.jht.2016.08.002.
12.
Wang YC, Magasi SR, Bohannon RW, et al. Assessing dexterity function: a comparison of two alternatives for the NIH Toolbox. J Hand Ther 2011; 24: 313-320; quiz 321. 2011/07/30. DOI: 10.1016/j.jht.2011.05.001.
13.
Cutter GR, Baier ML, Rudick RA, et al. Development of a multiple sclerosis functional composite as a clinical trial outcome measure. Brain 1999; 122: 871-882. DOI: 10.1093/brain/122.5.871.
14.
Rae-Grant A, Bennett A, Sanders AE, et al. Quality improvement in neurology: Multiple sclerosis quality measures: Executive summary. Neurology 2015; 85: 1904-1908. 2015/09/02. DOI: 10.1212/WNL.0000000000001965.
15.
Montalban X, Graves J, Midaglia L, et al. A smartphone sensor-based digital outcome assessment of multiple sclerosis. Mult Scler J 2021; doi: 10.1177/13524585211028561.
16.
Midaglia L, Mulero P, Montalban X, et al. Adherence and Satisfaction of Smartphone- and Smartwatch-Based Remote Active Testing and Passive Monitoring in People With Multiple Sclerosis: Nonrandomized Interventional Feasibility Study. J Med Internet Res 2019; 21: e14863. DOI: 10.2196/14863.
17.
Kurtzke JF. Rating neurologic impairment in multiple sclerosis: an expanded disability status scale (EDSS). Neurology 1983; 33: 1444-1452.
18.
Hobart J, Lamping D, Fitzpatrick R, et al. The Multiple Sclerosis Impact Scale (MSIS-29): a new patient-based outcome measure. Brain 2001; 124: 962-973.
19.
Polman CH, Reingold SC, Banwell B, et al. Diagnostic criteria for multiple sclerosis: 2010 revisions to the McDonald criteria. Ann Neurol 2011; 69: 292-302. DOI: 10.1002/ana.22366.
20.
Powell DJH, Liossi C, Schlotz W, et al. Tracking daily fatigue fluctuations in multiple sclerosis: ecological momentary assessment provides unique insights. J Behav Med 2017; 40: 772-783. 20170309. DOI: 10.1007/s10865-017-9840-4.
21.
Koo TK and Li MY. A Guideline of Selecting and Reporting Intraclass Correlation Coefficients for Reliability Research. J Chiropr Med 2016; 15: 155-163. 2016/03/31. DOI: 10.1016/j.jcm.2016.02.012.
22.
Portney LG and Watkins MP. Foundations of Clinical Research: Applications to Practice. 3rd Edition ed.: Pearson/Prentice Hall, 2009.
23.
Erasmus L-P, Sarno S, Albrecht H, et al. Measurement of ataxic symptoms with a graphic tablet: standard values in controls and validity in Multiple Sclerosis patients. Journal of Neuroscience Methods 2001; 108: 25-37. DOI: https://doi.org/10.1016/S0165-0270(01)00373-9.
24.
Svenningsson A, Falk E, Celius EG, et al. Natalizumab treatment reduces fatigue in multiple sclerosis. Results from the TYNERGY trial; a study in the real life setting. PLoS One 2013; 8: e58643. 20130321. DOI: 10.1371/journal.pone.0058643.
25.
Messan KS, Pham L, Harris T, et al. Assessment of Smartphone-Based Spiral Tracing in Multiple Sclerosis Reveals Intra-Individual Reproducibility as a Major Determinant of the Clinical Utility of the Digital Test. Front Med Technol 2021; 3: 714682. 20220201. DOI: 10.3389/fmedt.2021.714682.
26.
Lipsmeier F, Taylor KI, Kilchenmann T, et al. Evaluation of smartphone-based testing to generate exploratory outcome measures in a phase 1 Parkinson's disease clinical trial. Mov Disord 2018; 33: 1287-1297. 2018/04/27. DOI: 10.1002/mds.27376.
27.
Sahandi Far M, Eickhoff SB, Goni M, et al. Exploring Test-Retest Reliability and Longitudinal Stability of Digital Biomarkers for Parkinson Disease in the m-Power Data Set: Cohort Study. J Med Internet Res 2021; 23: e26608. 20210913. DOI: 10.2196/26608.
28.
Goldman MD, LaRocca NG, Rudick RA, et al. Evaluation of multiple sclerosis disability outcome measures using pooled clinical trial data. Neurology 2019; 93: e1921-e1931. 2019/10/22. DOI: 10.1212/WNL.0000000000008519.
29.
Aghanavesi S, Nyholm D, Senek M, et al. A smartphone-based system to quantify dexterity in Parkinson's disease patients. Informatics in Medicine Unlocked 2017; 9: 11-17. DOI: 10.1016/j.imu.2017.05.005.
30.
Krysko KM, Akhbardeh A, Arjona J, et al. Biosensor vital sign detects multiple sclerosis progression. Ann Clin Transl Neurol 2021; 8: 4-14. 20201119. DOI: 10.1002/acn3.51187.
표 1
표 2
표 3
Claims (21)
- 질병의 상태 또는 진행을 나타내는 임상 파라미터를 정량적으로 결정하기 위한 컴퓨터로 구현되는 방법으로서, 상기 컴퓨터로 구현되는 방법은,
모바일 장치의 사용자에게 원위 운동 테스트를 제공하는 단계 ― 상기 모바일 장치는 터치스크린 디스플레이를 가지며, 상기 모바일 장치의 사용자에게 원위 운동 테스트를 제공하는 단계는,
상기 모바일 장치의 터치스크린 디스플레이가 테스트 이미지를 디스플레이하게 하는 단계를 포함함 ― ,
상기 모바일 장치의 터치스크린 디스플레이로부터 입력을 수신하는 단계 ― 상기 입력은 상기 테스트 이미지 내 제1 포인트 상에 제1 손가락을 놓고 상기 테스트 이미지 내 제2 포인트 상에 제2 손가락을 놓고 상기 제1 손가락과 상기 제2 손가락을 함께 핀치함으로써, 상기 제1 포인트와 상기 제2 포인트를 모으려는 사용자의 시도를 나타냄 ― , 및
상기 수신된 입력으로부터 디지털 바이오마커 특징 데이터를 추출하는 단계 ―
(i) 상기 추출된 디지털 바이오마커 특징 데이터가 임상 파라미터임, 또는
(ii) 상기 방법이 상기 추출된 디지털 바이오마커 특징 데이터로부터 상기 임상 파라미터를 계산하는 단계를 더 포함함 ― 를 포함하는, 컴퓨터로 구현되는 방법. - 제1항에 있어서,
상기 수신된 입력은,
상기 제1 손가락이 상기 터치스크린 디스플레이를 떠나는 시점을 나타내는 데이터,
상기 제2 손가락이 상기 터치스크린 디스플레이를 떠나는 시점을 나타내는 데이터를 포함하고,
상기 디지털 바이오마커 특징 데이터는 상기 제1 손가락이 상기 터치스크린 디스플레이를 떠나는 시점과 상기 제2 손가락이 상기 터치스크린 디스플레이를 떠나는 시점 사이의 차이를 포함하는, 컴퓨터로 구현되는 방법. - 제1항 또는 제2항에 있어서,
상기 수신된 입력은,
상기 제1 손가락이 상기 터치스크린 디스플레이를 떠나는 때의 상기 제1 손가락의 위치를 나타내는 데이터, 및
상기 제2 손가락이 상기 터치스크린 디스플레이를 떠나는 때의 상기 제2 손가락의 위치를 나타내는 데이터를 포함하고,
상기 디지털 바이오마커 특징 데이터는 상기 제1 손가락이 상기 터치스크린 디스플레이를 떠나는 때의 상기 제1 손가락의 위치와 상기 제2 손가락이 상기 터치스크린 디스플레이를 떠나는 때의 상기 제2 손가락의 위치 간 거리를 포함하는, 컴퓨터로 구현되는 방법. - 제1항 내지 제3항 중 어느 한 항에 있어서,
상기 수신된 입력은,
상기 제1 손가락이 상기 제1 포인트를 처음 터치한 시점부터 상기 터치스크린을 떠나는 시점까지 상기 제1 손가락에 의해 추적된 제1 경로를 나타내는 데이터 ― 상기 데이터는 제1 시작 포인트, 제1 종료 포인트 및 제1 경로 길이를 포함함 ― , 및
상기 제2 손가락이 상기 제2 포인트를 처음 터치한 시점부터 상기 터치스크린을 떠나는 시점까지 상기 제2 손가락에 의해 추적된 제2 경로를 나타내는 데이터 ― 상기 데이터는 제2 시작 포인트, 제2 종료 포인트 및 제2 경로 길이를 포함함 ― 를 포함하며,
상기 디지털 바이오마커 특징 데이터는 제1 평활도 파라미터를 포함하며, 상기 제1 평활도 파라미터는 상기 제1 경로 길이와 상기 제1 시작 포인트와 상기 제1 종료 포인트 간 거리의 비이며,
상기 디지털 바이오마커 특징 데이터는 제2 평활도 파라미터를 포함하며, 상기 제2 평활도 파라미터는 상기 제2 경로 길이와 상기 제2 시작 포인트와 상기 제2 종료 포인트 간 거리의 비인, 컴퓨터로 구현되는 방법. - 제1항 내지 제4항 중 어느 한 항에 있어서,
상기 방법은,
상기 모바일 장치의 터치스크린 디스플레이로부터 복수의 입력을 수신하는 단계 ― 상기 복수의 입력의 각각은 상기 테스트 이미지 내 제1 포인트 상에 제1 손가락을 놓고 상기 테스트 이미지 내 제2 포인트 상에 제2 손가락을 놓고 상기 제1 손가락과 상기 제2 손가락을 함께 핀치함으로써, 상기 제1 포인트와 상기 제2 포인트를 모으려는 사용자의 각각의 시도를 나타냄 ― , 및
상기 복수의 수신된 입력 각각으로부터 각각의 디지털 바이오마커 특징 데이터를 추출함으로써 복수의 디지털 바이오마커 특징 데이터 각각을 생성하는 단계를 포함하는, 컴퓨터로 구현되는 방법. - 제1항 내지 제4항 중 어느 한 항에 있어서,
상기 방법은,
상기 모바일 장치의 터치스크린 디스플레이로부터 복수의 입력을 수신하는 단계 ― 상기 복수의 입력의 각각은 상기 테스트 이미지 내 제1 포인트 상에 제1 손가락을 놓고 상기 테스트 이미지 내 제2 포인트 상에 제2 손가락을 놓고 상기 제1 손가락과 상기 제2 손가락을 함께 핀치함으로써, 상기 제1 포인트와 상기 제2 포인트를 모으려는 사용자의 각각의 시도를 나타냄 ― ,
성공적인 시도에 대응하는 상기 복수의 수신된 입력의 서브세트를 결정하는 단계, 및
상기 결정된 복수의 수신된 입력의 서브세트의 각각으로부터 각각의 디지털 바이오마커 특징 데이터를 추출함으로써, 복수의 디지털 바이오마커 특징 데이터 각각을 생성하는 단계를 포함하는, 컴퓨터로 구현되는 방법. - 제5항 또는 제6항에 있어서,
상기 방법은
상기 복수의 디지털 바이오마커 특징 데이터, 또는
성공적인 시도에 대응하는 각각의 디지털 바이오마커 특징 데이터의 결정된 서브세트
로부터 통계 파라미터를 도출하는 단계를 더 포함하며,
상기 통계 파라미터는,
상기 복수의 디지털 바이오마커 특징 데이터의 평균, 및/또는
상기 복수의 디지털 바이오마커 특징 데이터의 표준 편차, 및/또는
상기 복수의 디지털 바이오마커 특징 데이터의 첨도,
상기 복수의 디지털 바이오마커 특징 데이터의 중앙값,
상기 복수의 디지털 바이오마커 특징 데이터의 백분위수를 포함하는, 컴퓨터로 구현되는 방법. - 제5항 내지 제7항 중 어느 한 항에 있어서,
상기 복수의 수신된 입력은 제1 기간에 이어 제2 기간으로 이루어진 총 시간 내에 수신되며,
상기 복수의 수신된 입력은,
상기 제1 기간 동안 수신된 입력의 제1 서브세트 ― 상기 수신된 입력의 제1 서브세트는 추출된 디지털 바이오마커 특징 데이터의 각각의 제1 서브세트를 가짐 ― , 및
상기 제2 기간 동안 수신된 입력의 제2 서브세트 ― 상기 수신된 입력의 제2 서브세트는 추출된 디지털 바이오마커 특징 데이터의 각각의 제2 서브세트를 가짐 ― 를 포함하고,
상기 방법은,
상기 추출된 디지털 바이오마커 특징 데이터의 제1 서브세트에 대응하는 제1 통계 파라미터를 도출하는 단계,
상기 추출된 디지털 바이오마커 특징 데이터의 제2 서브세트에 대응하는 제2 통계 파라미터를 도출하는 단계, 및
상기 제1 통계 파라미터와 상기 제2 통계 파라미터 간 차이를 계산하고, 선택적으로, 상기 차이를 상기 제1 통계 파라미터로 나눔으로써, 피로 파라미터를 계산하는 단계를 더 포함하는, 컴퓨터로 구현되는 방법. - 제5항 내지 제8항 중 어느 한 항에 있어서,
상기 방법은,
상기 제1 손가락 및 상기 제2 손가락만이 상기 터치스크린 디스플레이에 접촉하는 사용자 시도에 대응하는 상기 복수의 수신된 입력의 제1 서브세트를 결정하는 단계,
하나의 손가락만 또는 셋 이상의 손가락이 상기 터치스크린 디스플레이에 접촉하는 사용자 시도에 대응하는 상기 복수의 수신된 입력의 제2 서브세트를 결정하는 단계를 더 포함하며,
상기 디지털 바이오마커 특징 데이터는,
수신된 입력의 상기 제1 서브세트 내 수신된 입력의 수, 및/또는
수신된 입력의 상기 제1 서브세트에 있는 수신된 입력의 총 수의 비율을 포함하는, 컴퓨터로 구현되는 방법. - 제1항 내지 제9항 중 어느 한 항에 있어서,
상기 방법은
(a) 전체 테스트 지속시간 동안 가속도의 크기로부터 도출된 통계 파라미터,
(b) 상기 제1 손가락, 상기 제2 손가락 또는 두 손가락 모두가 상기 터치스크린 디스플레이와 접촉하는 기간 동안에서만의 가속도의 크기로부터 도출된 통계 파라미터, 및
(c) 어떠한 손가락도 상기 터치스크린 디스플레이와 접촉하지 않는 기간 동안에서만의 가속도의 크기의 통계 파라미터
중 하나 이상을 포함하는 가속도 데이터를 획득하는 단계를 더 포함하며,
상기 통계 파라미터는,
평균,
표준 편차,
중앙값,
첨도, 및
백분위수 중 하나 이상을 포함하는, 컴퓨터로 구현되는 방법. - 제1항 내지 제10항 중 어느 한 항에 있어서,
상기 방법은 가속도 데이터를 획득하는 단계를 더 포함하며,
상기 가속도 데이터는,
수평 파라미터 ― 상기 수평 파라미터를 결정하는 것은,
복수의 시점 각각에 대해,
가속도의 크기, 및
상기 가속도의 z-성분의 크기 ― z-방향은 상기 터치스크린 디스플레이의 평면에 수직인 방향으로 정의됨 ― ,
상기 가속도의 z-성분과 상기 가속도의 크기의 비
를 결정하는 것,
상기 복수의 시점에 걸쳐 상기 결정된 비의 평균을 결정하는 것을 포함함 ― , 또는
배향 안정성 파라미터 ― 상기 배향 안정성 파라미터를 결정하는 것은,
복수의 시점 각각에 대해,
상기 가속도의 크기, 및
상기 가속도의 z-성분의 크기 ― z-방향은 상기 터치스크린 디스플레이의 평면에 수직인 방향으로 정의됨 ― ,
상기 가속도의 z-성분과 가속도 값의 크기의 비
를 결정하는 것,
상기 복수의 시점에 걸쳐 상기 결정된 비의 표준 편차를 결정하는 것을 포함함 ― 를 포함하는, 컴퓨터로 구현되는 방법. - 제1항 내지 제11항 중 어느 한 항에 있어서,
상기 상태가 예측될 질병은 다발성 경화증이고 상기 임상 파라미터는 확장된 장애 상태 척도(EDSS) 값을 포함하거나,
상기 상태가 예측될 질병은 척수성근위축증이고 상기 임상 파라미터는 강제 폐활량(FVC) 값을 포함하거나, 또는
상기 상태가 예측될 질병은 헌팅턴병이고 상기 임상 파라미터는 총 운동 점수(TMS) 값을 포함하는, 컴퓨터로 구현되는 방법. - 제1항 내지 제12항 중 어느 한 항에 있어서,
적어도 하나의 분석 모델을 상기 디지털 바이오마커 특징 데이터에 적용하는 단계,
상기 적어도 하나의 분석 모델의 출력에 기초하여 상기 임상 파라미터를 결정하는 단계를 더 포함하는, 컴퓨터로 구현되는 방법. - 제13항에 있어서,
상기 분석 모델은 훈련된 머신 러닝 모델을 포함하는, 컴퓨터로 구현되는 방법. - 제14항에 있어서,
상기 분석 모델은 회귀 모델이고, 훈련된 머신 러닝 모델은 다음 알고리즘들:
딥 러닝 알고리즘,
k개의 최근접 이웃(kNN),
선형 회귀,
부분 최소-제곱(PLS),
랜덤 포레스트(RF), 및
익스트림 랜덤 트리(XT)
중 하나 이상을 포함하는, 컴퓨터로 구현되는 방법. - 제15항에 있어서,
상기 분석 모델은 분류 모델이고, 상기 훈련된 머신 러닝 모델은 다음 알고리즘들:
딥 러닝 알고리즘,
k개의 최근접 이웃(kNN),
서포트 벡터 머신(SVM),
선형 판별 분석,
이차 판별 분석(QDA),
나이브 베이즈(NB),
랜덤 포레스트(RF), 및
익스트림 랜덤 트리(XT)
중 하나 이상을 포함하는, 컴퓨터로 구현되는 방법. - 질병의 상태 또는 진행을 결정하는, 컴퓨터로 구현되는 방법으로서, 상기 컴퓨터로 구현되는 방법은,
제1항 내지 제16항 중 어느 한 항의 컴퓨터로 구현되는 방법을 실행하는 단계, 및
결정된 임상 파라미터에 기초하여 상기 질병의 상태 또는 진행을 결정하는 단계를 포함하는, 컴퓨터로 구현되는 방법. - 질병의 상태 또는 진행을 나타내는 임상 파라미터를 정량적으로 결정하기 위한 시스템으로서, 상기 시스템은,
터치스크린 디스플레이, 사용자 입력 인터페이스, 및 제1 처리 유닛을 갖는 모바일 장치, 및
제2 처리 유닛을 포함하며,
상기 모바일 장치는 상기 모바일 장치의 사용자에게 원위 운동 테스트를 제공하도록 구성되며, 상기 원위 운동 테스트를 제공하는 것은,
상기 제1 처리 유닛이 상기 모바일 장치의 터치스크린 디스플레이로 하여금 테스트 이미지를 디스플레이하게 하는 것
을 포함하며,
상기 사용자 입력 인터페이스는 상기 테스트 이미지 내 제1 포인트 상에 제1 손가락을 놓고 상기 테스트 이미지 내 제2 포인트 상에 제2 손가락을 놓고 상기 제1 손가락과 상기 제2 손가락을 함께 핀치함으로써, 상기 제1 포인트와 상기 제2 포인트를 모으려는 사용자의 시도를 나타내는 입력을 상기 터치스크린 디스플레이로부터 수신하도록 구성되며,
상기 제1 처리 유닛 또는 상기 제2 처리 유닛은 상기 수신된 입력으로부터 디지털 바이오마커 특징 데이터를 추출하도록 구성되는, 시스템. - 제18항의 시스템을 포함하는 질병의 상태 또는 진행을 결정하기 위한 시스템으로서, 상기 제1 처리 유닛 또는 상기 제2 처리 유닛은 상기 추출된 디지털 바이오마커 특징 데이터에 기초하여 상기 질병의 상태 또는 진행을 결정하도록 더 구성되는, 시스템.
- 질병의 상태 또는 진행을 나타내는 임상 파라미터를 정량적으로 결정하기 위한 컴퓨터로 구현되는 방법으로서, 상기 컴퓨터로 구현되는 방법은,
모바일 장치로부터 입력을 수신하는 단계 ― 상기 입력은,
가속도계로부터의 가속도 데이터 ― 상기 가속도 데이터는 복수의 포인트를 포함하며, 각 포인트는 각각의 시간에서의 가속도에 대응함 -
를 포함함 ― ,
상기 수신된 입력으로부터 디지털 바이오마커 특징 데이터를 추출하는 단계 ― 상기 디지털 바이오마커 특징 데이터를 추출하는 단계는,
상기 복수의 포인트 각각에 대해, 상기 각각의 시간에서의 상기 가속도의 총 크기와 상기 가속도의 z-성분의 크기의 비를 결정하는 단계, 및
복수의 결정된 비로부터 통계 파라미터를 도출하는 단계 ― 상기 통계 파라미터는 평균, 표준 편차, 백분위수, 중앙값, 및 첨도를 포함함 ― 를 포함함 ― 를 포함하는, 컴퓨터로 구현되는 방법. - 질병의 상태 또는 진행을 나타내는 임상 파라미터를 정량적으로 결정하기 위한 시스템으로서, 상기 시스템은,
가속도계, 및 제1 처리 유닛을 갖는 모바일 장치, 및
제2 처리 유닛
을 포함하며,
상기 가속도계는 가속도를 측정하도록 구성되고, 상기 가속도계, 상기 제1 처리 유닛 또는 상기 제2 처리 유닛은 복수의 포인트를 포함하는 가속도 데이터를 생성하도록 구성되며, 각 포인트는 각각의 시간에서의 가속도에 대응하고,
상기 제1 처리 유닛 또는 상기 제2 처리 유닛은,
상기 복수의 포인트 각각에 대해, 상기 각각의 시간에서의 상기 가속도의 총 크기와 상기 가속도의 z-성분의 크기의 비를 결정하는 것, 및
복수의 결정된 비로부터 통계 파라미터를 도출하는 것 ― 상기 통계 파라미터는 평균, 표준 편차, 백분위수, 중앙값, 및 첨도를 포함함 ―
에 의해, 상기 수신된 입력으로부터 디지털 바이오마커 특징 데이터를 추출하도록 구성되는, 시스템.
Applications Claiming Priority (3)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| EP21166119 | 2021-03-30 | ||
| EP21166119.4 | 2021-03-30 | ||
| PCT/EP2022/058486 WO2022207749A1 (en) | 2021-03-30 | 2022-03-30 | Computer-implemented methods and systems for quantitatively determining a clinical parameter |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| KR20230165272A true KR20230165272A (ko) | 2023-12-05 |
Family
ID=75477868
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020237036544A KR20230165272A (ko) | 2021-03-30 | 2022-03-30 | 임상 파라미터를 정량적으로 결정하기 위한 컴퓨터로 구현되는 방법 및 시스템 |
Country Status (5)
| Country | Link |
|---|---|
| EP (1) | EP4315363A1 (ko) |
| JP (1) | JP2024512708A (ko) |
| KR (1) | KR20230165272A (ko) |
| CN (1) | CN117546254A (ko) |
| WO (1) | WO2022207749A1 (ko) |
Family Cites Families (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109690689A (zh) * | 2016-09-14 | 2019-04-26 | 豪夫迈·罗氏有限公司 | 用于进行性ms的数字生物标记 |
| WO2018050763A1 (en) * | 2016-09-14 | 2018-03-22 | F. Hoffmann-La Roche Ag | Digital biomarkers for cognition and movement diseases or disorders |
| CN111557033A (zh) * | 2017-10-25 | 2020-08-18 | 豪夫迈·罗氏有限公司 | 用于认知和移动疾病或障碍的数字质量计量生物标记 |
| CN114173640A (zh) * | 2019-06-19 | 2022-03-11 | 豪夫迈·罗氏有限公司 | 数字生物标志物 |
-
2022
- 2022-03-30 JP JP2023560506A patent/JP2024512708A/ja active Pending
- 2022-03-30 WO PCT/EP2022/058486 patent/WO2022207749A1/en active Application Filing
- 2022-03-30 EP EP22720316.3A patent/EP4315363A1/en active Pending
- 2022-03-30 KR KR1020237036544A patent/KR20230165272A/ko unknown
- 2022-03-30 CN CN202280022749.9A patent/CN117546254A/zh active Pending
Also Published As
| Publication number | Publication date |
|---|---|
| WO2022207749A1 (en) | 2022-10-06 |
| EP4315363A1 (en) | 2024-02-07 |
| CN117546254A (zh) | 2024-02-09 |
| JP2024512708A (ja) | 2024-03-19 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US20200315514A1 (en) | Digital biomarkers for muscular disabilities | |
| CN110022768B (zh) | 与生理组件联接的认知平台 | |
| US20220285027A1 (en) | Prediction of disease status | |
| CN112955066A (zh) | 治疗空间评估 | |
| KR20210114012A (ko) | 주의력 결핍 과잉행동 장애 모니터링의 진단 및 효율성 | |
| JP2022537326A (ja) | デジタルバイオマーカー | |
| Alfakir et al. | Detection of low back physiotherapy exercises with inertial sensors and machine learning: Algorithm development and validation | |
| KR20230165272A (ko) | 임상 파라미터를 정량적으로 결정하기 위한 컴퓨터로 구현되는 방법 및 시스템 | |
| US20240153632A1 (en) | Computer-implemented methods and systems for quantitatively determining a clinical parameter | |
| US20220351864A1 (en) | Means and methods for assessing huntington's disease (hd) | |
| US20220223290A1 (en) | Means and methods for assessing spinal muscular atrophy (sma) | |
| US20220401010A1 (en) | Means and methods for assessing huntington's disease of the pre-manifest stage | |
| Valerio | Development of Machine Learning-Based Algorithms for Assessing Tai Chi Exercise Proficiency in Older Adults | |
| KR102357041B1 (ko) | 인공 지능을 이용한 질병 분석 및 예측 방법 | |
| WO2023053176A1 (ja) | 学習装置、行動推薦装置、学習方法、行動推薦方法及び記憶媒体 | |
| Abujelala | THINK2act: Using Multimodal Data to Assess Human Cognitive and Physical Performance | |
| Pagano et al. | Rehabilitation outcome in patients with obstructive sleep apnea syndrome using wearable inertial sensor for gait analysis | |
| Ejtehadi et al. | Learning Activities of Daily Living from Unobtrusive Multimodal Wearables: Towards Monitoring Outpatient Rehabilitation | |
| Derungs | Performance monitoring and evaluation of patients after stroke in free-living using wearable motion sensors and digital biomarkers | |
| Georgescu | A Remote Pulmonary Rehabilitation System Using the Wearable RESpeck Monitor | |
| FEDELI et al. | Use of wearable sensors to monitor Tai Chi practice | |
| Taylor | Sensor-Based Assessment of the Quality of Human Motion During Therapeutic Exercise |