KR20230171561A - 만성 폐쇄성 폐질환을 예측하는 장치 및 방법과 이를 위한 시스템 - Google Patents
만성 폐쇄성 폐질환을 예측하는 장치 및 방법과 이를 위한 시스템 Download PDFInfo
- Publication number
- KR20230171561A KR20230171561A KR1020220071871A KR20220071871A KR20230171561A KR 20230171561 A KR20230171561 A KR 20230171561A KR 1020220071871 A KR1020220071871 A KR 1020220071871A KR 20220071871 A KR20220071871 A KR 20220071871A KR 20230171561 A KR20230171561 A KR 20230171561A
- Authority
- KR
- South Korea
- Prior art keywords
- patient
- obstructive pulmonary
- pulmonary disease
- chronic obstructive
- fvc
- Prior art date
Links
- 208000006545 Chronic Obstructive Pulmonary Disease Diseases 0.000 title claims abstract description 108
- 238000000034 method Methods 0.000 title claims abstract description 15
- 230000000391 smoking effect Effects 0.000 claims abstract description 42
- 208000008589 Obesity Diseases 0.000 claims abstract description 40
- 235000020824 obesity Nutrition 0.000 claims abstract description 40
- 206010013975 Dyspnoeas Diseases 0.000 claims abstract description 35
- 238000004891 communication Methods 0.000 claims abstract description 19
- 208000000059 Dyspnea Diseases 0.000 claims abstract description 16
- 230000029058 respiratory gaseous exchange Effects 0.000 claims abstract description 13
- 208000013220 shortness of breath Diseases 0.000 claims abstract description 10
- 230000008569 process Effects 0.000 claims description 7
- 238000010586 diagram Methods 0.000 description 16
- 238000012360 testing method Methods 0.000 description 8
- 238000013125 spirometry Methods 0.000 description 7
- 238000012549 training Methods 0.000 description 7
- 238000012417 linear regression Methods 0.000 description 5
- 238000003745 diagnosis Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 208000011623 Obstructive Lung disease Diseases 0.000 description 3
- 206010033307 Overweight Diseases 0.000 description 3
- 238000013473 artificial intelligence Methods 0.000 description 3
- 230000036541 health Effects 0.000 description 3
- 238000010989 Bland-Altman Methods 0.000 description 2
- 230000014509 gene expression Effects 0.000 description 2
- 230000004199 lung function Effects 0.000 description 2
- 238000009613 pulmonary function test Methods 0.000 description 2
- 230000035945 sensitivity Effects 0.000 description 2
- 208000024891 symptom Diseases 0.000 description 2
- 206010007559 Cardiac failure congestive Diseases 0.000 description 1
- 206010011224 Cough Diseases 0.000 description 1
- 206010019280 Heart failures Diseases 0.000 description 1
- 206010020772 Hypertension Diseases 0.000 description 1
- 206010062717 Increased upper airway secretion Diseases 0.000 description 1
- 208000019693 Lung disease Diseases 0.000 description 1
- 208000006011 Stroke Diseases 0.000 description 1
- NDAUXUAQIAJITI-UHFFFAOYSA-N albuterol Chemical compound CC(C)(C)NCC(O)C1=CC=C(O)C(CO)=C1 NDAUXUAQIAJITI-UHFFFAOYSA-N 0.000 description 1
- 208000007502 anemia Diseases 0.000 description 1
- 239000003242 anti bacterial agent Substances 0.000 description 1
- 229940088710 antibiotic agent Drugs 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 210000004556 brain Anatomy 0.000 description 1
- 230000001684 chronic effect Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000003111 delayed effect Effects 0.000 description 1
- 206010012601 diabetes mellitus Diseases 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 229940079593 drug Drugs 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 238000013399 early diagnosis Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000005713 exacerbation Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000013100 final test Methods 0.000 description 1
- PCHJSUWPFVWCPO-UHFFFAOYSA-N gold Chemical compound [Au] PCHJSUWPFVWCPO-UHFFFAOYSA-N 0.000 description 1
- 238000002483 medication Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 208000026435 phlegm Diseases 0.000 description 1
- 238000004393 prognosis Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000000241 respiratory effect Effects 0.000 description 1
- 238000012552 review Methods 0.000 description 1
- 238000005096 rolling process Methods 0.000 description 1
- 229960002052 salbutamol Drugs 0.000 description 1
- 210000000115 thoracic cavity Anatomy 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 208000019553 vascular disease Diseases 0.000 description 1
Images
Classifications
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/08—Detecting, measuring or recording devices for evaluating the respiratory organs
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/08—Detecting, measuring or recording devices for evaluating the respiratory organs
- A61B5/091—Measuring volume of inspired or expired gases, e.g. to determine lung capacity
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7271—Specific aspects of physiological measurement analysis
- A61B5/7275—Determining trends in physiological measurement data; Predicting development of a medical condition based on physiological measurements, e.g. determining a risk factor
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/74—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
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H10/00—ICT specially adapted for the handling or processing of patient-related medical or healthcare data
- G16H10/60—ICT specially adapted for the handling or processing of patient-related medical or healthcare data for patient-specific data, e.g. for electronic patient records
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/30—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
- G16H50/50—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for simulation or modelling of medical disorders
Landscapes
- Health & Medical Sciences (AREA)
- Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Public Health (AREA)
- Medical Informatics (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Pathology (AREA)
- Epidemiology (AREA)
- Primary Health Care (AREA)
- Heart & Thoracic Surgery (AREA)
- Molecular Biology (AREA)
- Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- Physics & Mathematics (AREA)
- Biophysics (AREA)
- Veterinary Medicine (AREA)
- Pulmonology (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- Physiology (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Psychiatry (AREA)
- Signal Processing (AREA)
- Measuring And Recording Apparatus For Diagnosis (AREA)
Abstract
본 발명은 만성 폐쇄성 폐질환을 예측하는 장치 및 방법과 이를 위한 시스템에 관한 것이다.
이를 위해, 본 발명의 일 실시 예에 따른 만성 폐쇄성 폐질환을 예측하는 장치는, 적어도 하나의 사용자 단말로부터 만성 폐쇄성 폐질환을 예측하기 위해 환자의 생체 정보를 수신하는 통신부, 및 상기 통신부와 전기적으로 연결된 프로세서를 포함하며, 상기 프로세서는, 상기 수신된 생체 정보에 기반하여 상기 환자의 나이, 성별, 비만, 흡연 이력 및 호흡 곤란에 대한 점수를 각각 계산하고, 상기 각각 계산된 점수의 합에 기반하여, 1초간 노력성 호기량(Forced Expiratory Volume in one second, FEV1)과 강제 폐활량(Forced Vital Capacity, FVC)의 비율(FEV1/FVC)이 미리 결정된 값 미만이면, 상기 환자를 만성 폐쇄성 폐질환 환자로 판단하고, 판단 결과를 상기 사용자 단말로 전송할 수 있다.
이를 위해, 본 발명의 일 실시 예에 따른 만성 폐쇄성 폐질환을 예측하는 장치는, 적어도 하나의 사용자 단말로부터 만성 폐쇄성 폐질환을 예측하기 위해 환자의 생체 정보를 수신하는 통신부, 및 상기 통신부와 전기적으로 연결된 프로세서를 포함하며, 상기 프로세서는, 상기 수신된 생체 정보에 기반하여 상기 환자의 나이, 성별, 비만, 흡연 이력 및 호흡 곤란에 대한 점수를 각각 계산하고, 상기 각각 계산된 점수의 합에 기반하여, 1초간 노력성 호기량(Forced Expiratory Volume in one second, FEV1)과 강제 폐활량(Forced Vital Capacity, FVC)의 비율(FEV1/FVC)이 미리 결정된 값 미만이면, 상기 환자를 만성 폐쇄성 폐질환 환자로 판단하고, 판단 결과를 상기 사용자 단말로 전송할 수 있다.
Description
본 발명은 만성 폐쇄성 폐질환을 예측하는 장치 및 방법과 이를 위한 시스템에 관한 것이다.
일반적으로 만성 폐쇄성 폐질환(Chronic Obstructive Pulmonary Disease, COPD)은 전 세계적으로 세 번째 주요 사망 원인이며, 진행성 기류 폐쇄를 특징으로 하는 일반적이고 예방 가능한 질병이다. 만성 폐쇄성 폐질환(COPD)의 주요 문제 중 하나는 빈번한 진단 부족이다. 따라서, 조기 또는 진단되지 않은 만성 폐쇄성 폐질환을 가진 사람들은 진단을 받기 수년 전에 악화로 인한 심각한 이환율이 있을 수 있으며, 이것은 의료 비용에 부담을 줄 수 있다.
만성 폐쇄성 폐질환의 진단 지연의 가장 중요한 요인 중 하나는 1차 진료에서 폐활량 측정법의 낮은 사용이다. 조기 또는 진단되지 않은 만성 폐쇄성 폐질환이 있는 사람들은 1차 진료 환경에서 의료 시스템을 접할 가능성이 가장 크기 때문에, 1차 진료 시 이러한 만성 폐쇄성 폐질환을 진단할 필요성이 있다.
또한, 1차 진료에서 만성 폐쇄성 폐질환을 조기에 진단하고 적절한 관리를 하면 예후를 크게 향상시킬 수 있으나, 1차 진료 제공자가 만성 폐쇄성 폐질환 의심 환자에게 폐활량 측정법을 사용할 수 있는 접근, 시간 또는 적절한 교육이 항상 있는 것은 아니다.
따라서, 만성 폐쇄성 폐질환을 조기에 진단할 필요성이 제기된다. 또한, 이러한 만성 폐쇄성 폐질환을 조기에 진단하기 위해 FEV1(Forced Expiratory Volume in one second)/FVC(Forced Vital Capacity) 비율을 예측하는 노모그램의 필요성이 제기된다.
따라서, 본 발명은 만성 폐쇄성 폐질환을 예측하는 장치 및 방법과 이를 위한 시스템을 제공하는 것이다.
또한, 본 발명은 만성 폐쇄성 폐질환을 예측하는 프로그램을 제공하는 것이다.
본 발명의 목적들은 이상에서 언급한 목적으로 제한되지 않으며, 언급되지 않은 본 발명의 다른 목적 및 장점들은 하기의 설명에 의해서 이해될 수 있고, 본 발명의 실시 예에 의해 보다 분명하게 이해될 것이다. 또한, 본 발명의 목적 및 장점들은 특허 청구 범위에 나타낸 수단 및 그 조합에 의해 실현될 수 있음을 쉽게 알 수 있을 것이다.
이러한 목적을 달성하기 위해 본 발명의 일 실시 예에 따른 만성 폐쇄성 폐질환을 예측하는 장치는, 적어도 하나의 사용자 단말로부터 만성 폐쇄성 폐질환을 예측하기 위해 환자의 생체 정보를 수신하는 통신부, 및 상기 통신부와 전기적으로 연결된 프로세서를 포함하며, 상기 프로세서는, 상기 수신된 생체 정보에 기반하여 상기 환자의 나이, 성별, 비만, 흡연 이력 및 호흡 곤란에 대한 점수를 각각 계산하고, 상기 각각 계산된 점수의 합에 기반하여, 1초간 노력성 호기량(Forced Expiratory Volume in one second, FEV1)과 강제 폐활량(Forced Vital Capacity, FVC)의 비율(FEV1/FVC)이 미리 결정된 값 미만이면, 상기 환자를 만성 폐쇄성 폐질환 환자로 판단하고, 판단 결과를 상기 사용자 단말로 전송할 수 있다.
또한, 본 발명의 일 실시 예에 따른 만성 폐쇄성 폐질환을 예측하는 방법은, 적어도 하나의 사용자 단말로부터 만성 폐쇄성 폐질환을 예측하기 위해 환자의 생체 정보를 수신하는 과정, 상기 수신된 생체 정보에 기반하여 상기 환자의 나이, 성별, 비만, 흡연 이력 및 호흡 곤란에 대한 점수를 각각 계산하는 과정, 상기 각각 계산된 점수의 합에 기반한 1초간 노력성 호기량(Forced Expiratory Volume in one second, FEV1)과 강제 폐활량(Forced Vital Capacity, FVC)의 비율(FEV1/FVC)이 미리 결정된 값 미만이면, 상기 환자를 만성 폐쇄성 폐질환 환자로 판단하는 과정, 및 판단 결과를 상기 사용자 단말로 전송하는 과정을 포함할 수 있다.
또한, 본 발명의 일 실시 예에 따른 만성 폐쇄성 폐질환을 예측하는 시스템은 만성 폐쇄성 폐질환을 예측하기 위한 환자의 생체 정보를 웹 페이지를 통해 장치로 전송하는 사용자 단말, 및 상기 생체 정보에 기반하여 상기 환자의 나이, 성별, 비만, 흡연 이력 및 호흡 곤란에 대한 점수를 각각 계산하고, 상기 각각 계산된 점수의 합에 기반하여, 1초간 노력성 호기량(Forced Expiratory Volume in one second, FEV1)과 강제 폐활량(Forced Vital Capacity, FVC)의 비율(FEV1/FVC)이 미리 결정된 값 미만이면, 상기 환자를 만성 폐쇄성 폐질환 환자로 판단하고, 판단 결과를 상기 사용자 단말로 전송하는 상기 장치를 포함하며, 상기 사용자 단말은, 상기 환자의 만성 폐쇄성 폐질환에 대한 판단 결과를 상기 장치로부터 수신하여 표시할 수 있다.
또한, 본 발명의 일 실시 예에 따른 만성 폐쇄성 폐질환을 예측하는 명령어들을 포함하는 프로그램을 저장하는 컴퓨터 판독 가능 저장 매체는, 적어도 하나의 사용자 단말로부터 만성 폐쇄성 폐질환을 예측하기 위해 환자의 생체 정보를 수신하는 명령어들, 상기 수신된 생체 정보에 기반하여 상기 환자의 나이, 성별, 비만, 흡연 이력 및 호흡 곤란에 대한 점수를 각각 계산하는 명령어들, 상기 각각 계산된 점수의 합에 기반하여, 1초간 노력성 호기량(Forced Expiratory Volume in one second, FEV1)과 강제 폐활량(Forced Vital Capacity, FVC)의 비율(FEV1/FVC)이 미리 결정된 값 미만이면, 상기 환자를 만성 폐쇄성 폐질환 환자로 판단하는 명령어들, 및 판단 결과를 상기 사용자 단말로 전송하는 명령어들을 포함할 수 있다.
본 발명은 사용자 단말로부터 수신된 환자의 나이, 성별, 비만, 흡연 이력 및 호흡 곤란에 대한 점수를 통해 FEV1/FVC을 계산함으로써, 환자의 만성 폐쇄성 폐질환 유무를 판단하기 위한 별도의 장비 없이도 만성 폐쇄성 폐질환 유무를 효율적으로 판단할 수 있다.
또한, 본 발명은 조기 의심 후, 환자의 나이, 성별, 비만, 흡연 이력 및 호흡 곤란을 통해 폐활량 측정으로 폐 기능을 검사함으로써, 1차 진료에서 만성 폐쇄성 폐질환의 과소 진단을 줄일 수 있다.
상술한 효과와 더불어 본 발명의 구체적인 효과는 이하 발명을 실시하기 위한 구체적인 사항을 설명하면서 함께 기술한다.
도 1은 본 발명의 일 실시 예에 따른 만성 폐쇄성 폐질환을 예측하는 시스템을 나타낸 예시도이다.
도 2는 본 발명의 일 실시 예에 따른 만성 폐쇄성 폐질환을 예측하는 장치의 블록도이다.
도 3은 본 발명의 일 실시 예에 따른 만성 폐쇄성 폐질환을 예측하는 과정을 나타낸 순서도이다.
도 4는 본 발명의 일 실시 예에 따른 만성 폐쇄성 폐질환을 예측하기 위해 사용자 단말에 환자의 생체 정보를 입력 받는 화면을 나타낸 예시도이다.
도 5는 본 발명의 일 실시 예에 따른 만성 폐쇄성 폐질환 환자의 특성을 나타낸 도면이다.
도 6은 본 발명의 일 실시 예에 따른 FEV1/FVC 비율에 대한 선형 회귀 결과를 나타낸 도면이다.
도 7은 본 발명의 일 실시 예에 따른 FEV1/FVC 비율에 대한 판별 모델 성능을 나타낸 도면이다.
도 8은 본 발명의 일 실시 예에 따른 FEV1/FVC 비율에 대한 예측 값과 실제 값을 나타낸 도면이다.
도 9는 본 발명의 일 실시 예에 따른 FEV1/FVC 비율을 예측하는 노모그램을 나타낸 예시도이다.
도 2는 본 발명의 일 실시 예에 따른 만성 폐쇄성 폐질환을 예측하는 장치의 블록도이다.
도 3은 본 발명의 일 실시 예에 따른 만성 폐쇄성 폐질환을 예측하는 과정을 나타낸 순서도이다.
도 4는 본 발명의 일 실시 예에 따른 만성 폐쇄성 폐질환을 예측하기 위해 사용자 단말에 환자의 생체 정보를 입력 받는 화면을 나타낸 예시도이다.
도 5는 본 발명의 일 실시 예에 따른 만성 폐쇄성 폐질환 환자의 특성을 나타낸 도면이다.
도 6은 본 발명의 일 실시 예에 따른 FEV1/FVC 비율에 대한 선형 회귀 결과를 나타낸 도면이다.
도 7은 본 발명의 일 실시 예에 따른 FEV1/FVC 비율에 대한 판별 모델 성능을 나타낸 도면이다.
도 8은 본 발명의 일 실시 예에 따른 FEV1/FVC 비율에 대한 예측 값과 실제 값을 나타낸 도면이다.
도 9는 본 발명의 일 실시 예에 따른 FEV1/FVC 비율을 예측하는 노모그램을 나타낸 예시도이다.
전술한 목적, 특징 및 장점은 첨부된 도면을 참조하여 상세하게 후술되며, 이에 따라 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자가 본 발명의 기술적 사상을 용이하게 실시할 수 있을 것이다. 본 발명을 설명함에 있어서 본 발명과 관련된 공지 기술에 대한 구체적인 설명이 본 발명의 요지를 불필요하게 흐릴 수 있다고 판단되는 경우에는 상세한 설명을 생략한다. 이하, 첨부된 도면을 참조하여 본 발명에 따른 바람직한 실시 예를 상세히 설명하기로 한다. 도면에서 동일한 참조부호는 동일 또는 유사한 구성요소를 가리키는 것으로 사용된다.
비록 제1, 제2 등이 다양한 구성요소들을 서술하기 위해서 사용되나, 이들 구성요소들은 이들 용어에 의해 제한되지 않음은 물론이다. 이들 용어들은 단지 하나의 구성요소를 다른 구성요소와 구별하기 위하여 사용하는 것으로, 특별히 반대되는 기재가 없는 한, 제1 구성요소는 제2 구성요소일 수도 있음은 물론이다.
이하에서 구성요소의 "상부 (또는 하부)" 또는 구성요소의 "상 (또는 하)"에 임의의 구성이 배치된다는 것은, 임의의 구성이 상기 구성요소의 상면 (또는 하면)에 접하여 배치되는 것뿐만 아니라, 상기 구성요소와 상기 구성요소 상에 (또는 하에) 배치된 임의의 구성 사이에 다른 구성이 개재될 수 있음을 의미할 수 있다.
또한 어떤 구성요소가 다른 구성요소에 "연결", "결합" 또는 "접속"된다고 기재된 경우, 상기 구성요소들은 서로 직접적으로 연결되거나 또는 접속될 수 있지만, 각 구성요소 사이에 다른 구성요소가 "개재"되거나, 각 구성요소가 다른 구성요소를 통해 "연결", "결합" 또는 "접속"될 수도 있는 것으로 이해되어야 할 것이다.
명세서 전체에서, 특별히 반대되는 기재가 없는 한, 각 구성요소는 단수일수도 있고 복수일 수도 있다.
본 명세서에서 사용되는 단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 복수의 표현을 포함한다. 본 출원에서, "구성된다" 또는 "포함한다" 등의 용어는 명세서 상에 기재된 여러 구성 요소들, 또는 여러 단계들을 반드시 모두 포함하는 것으로 해석되지 않아야 하며, 그 중 일부 구성 요소들 또는 일부 단계들은 포함되지 않을 수도 있고, 또는 추가적인 구성 요소 또는 단계들을 더 포함할 수 있는 것으로 해석되어야 한다.
명세서 전체에서, "A 및/또는 B" 라고 할 때, 이는 특별한 반대되는 기재가 없는 한, A, B 또는 A 및 B 를 의미하며, "C 내지 D" 라고 할 때, 이는 특별한 반대되는 기재가 없는 한, C 이상이고 D 이하인 것을 의미한다.
이하에서는, 본 발명의 몇몇 실시 예에 따른 만성 폐쇄성 폐질환을 예측하는 장치 및 방법을 설명한다.
도 1은 본 발명의 일 실시 예에 따른 만성 폐쇄성 폐질환을 예측하는 시스템을 나타낸 예시도이다.
도 1을 참조하면, 본 발명의 일 실시 예에 따른 만성 폐쇄성 폐질환을 예측하는 시스템(100)은 적어도 하나의 사용자 단말(110, 120, 130, 140), 만성 폐쇄성 폐질환을 예측하는 장치(150), 및 서버(예: 전자의무기록 데이터베이스)(160)를 포함할 수 있다.
일 실시 예에 따르면, 사용자 단말(110, 120, 130, 140)은 1차 또는 2차 진료 기관에 배치되어 환자에 대한 다양한 생체 정보를 의사에 의해 입력 받을 수 있다. 적어도 하나의 사용자 단말(110, 120, 130, 140)은 인터넷을 통해 만성 폐쇄성 폐질환을 예측하는 장치(150)가 제공하는 웹 페이지에 접속할 수 있다. 적어도 하나의 사용자 단말(110, 120, 130, 140)은 웹 페이지를 통해 의사로부터 환자에 대한 다양한 생체 정보(예: 나이, 성별, 비만, 흡연 이력 및 호흡 곤란)에 대한 정보를 입력 받을 수 있다. 그리고, 적어도 하나의 사용자 단말(110, 120, 130, 140)은 이러한 생체 정보를 만성 폐쇄성 폐질환을 예측하는 장치(150)로 전송할 수 있다.
또한, 적어도 하나의 사용자 단말(110, 120, 130, 140)은 만성 폐쇄성 폐질환을 예측하는 장치(150)로부터 만성 폐쇄성 폐질환 여부에 대한 결과를 수신하여 표시할 수 있다.
일 실시 예에 따르면, 상기 만성 폐쇄성 폐질환을 예측하는 장치(150)는 적어도 하나의 사용자 단말(110, 120, 130, 140)로부터 수신된 생체 정보에 기반하여 환자의 나이, 성별, 비만, 흡연 이력 및 호흡 곤란에 대한 점수를 각각 계산할 수 있다. 그리고, 상기 만성 폐쇄성 폐질환을 예측하는 장치(150)는 각각 계산된 점수의 합에 기반하여, 1초간 노력성 호기량(Forced Expiratory Volume in one second, FEV1)과 강제 폐활량(Forced Vital Capacity, FVC)의 비율(FEV1/FVC)이 미리 결정된 값 미만이면, 환자를 만성 폐쇄성 폐질환 환자로 판단할 수 있다. 또는, 상기 만성 폐쇄성 폐질환을 예측하는 장치(150)는 비율(FEV1/FVC)이 미리 결정된 값 이상이면, 환자를 만성 폐쇄성 폐질환 환자로 판단하지 않을 수 있다.
그리고, 만성 폐쇄성 폐질환을 예측하는 장치(150)는 판단 결과를 적어도 하나의 사용자 단말(110, 120, 130, 140)로 전송할 수 있다.
일 실시 예에 따르면, 상기 서버(160)는 전자의무기록 데이터베이스, 의료 기관 서버를 포함할 수 있다.
상기 서버(160)는 의료 기관에서 폐활량 측정을 포함한 폐기능 검사를 받은 환자들에 대한 다양한 생체 정보를 저장하고 있다.
또는, 상기 서버(160)는 환자에 대한 다양한 생체 정보를 적어도 하나의 사용자 단말(110, 120, 130, 140)로 제공할 수 있다.
도 2는 본 발명의 일 실시 예에 따른 만성 폐쇄성 폐질환을 예측하는 장치의 블록도이다.
도 2를 참조하면, 본 발명의 일 실시 예에 따른 만성 폐쇄성 폐질환을 예측하는 장치(150)는 통신부(210), 메모리(220), 표시부(230), 입력부(240), 및 프로세서(250)를 포함할 수 있다.
도 2에 도시된 만성 폐쇄성 폐질환을 예측하는 장치(150)의 구성은 일 실시 예에 따른 것이고, 만성 폐쇄성 폐질환을 예측하는 장치(150)의 구성 요소들이 도 2에 도시된 실시 예에 한정되는 것은 아니며, 필요에 따라 일부 구성 요소가 부가, 변경 또는 삭제될 수 있다.
일 실시 예에 따르면, 상기 통신부(210)는 유선 또는 무선을 통해 적어도 하나의 사용자 단말(예: 휴대 단말, 개인 컴퓨터, 태블릿 PC 등)(110, 120, 130, 140))과 통신할 수 있으며, 적어도 하나의 사용자 단말로부터 만성 폐쇄성 폐질환(Chronic Obstructive Pulmonary Disease, COPD)을 예측하기 위해 환자의 생체 정보를 수신할 수 있다.
일 실시 예에 따르면, 상기 통신부(210)는 사용자 단말에 표시된 웹 페이지를 통해 입력된 환자에 대한 생체 정보를 사용자 단말로부터 수신할 수 있다.
또한, 상기 통신부(210)는 적어도 하나의 사용자 단말, 및 서버와 적어도 하나의 신호 또는 정보를 네트워크(미도시)를 통해 송수신할 수 있는 적어도 하나의 회로를 포함할 수 있다.
또한, 상기 통신부(210)는 만성 폐쇄성 폐질환을 예측하기 위해 환자의 생체 정보에 기반하여 환자가 만성 폐쇄성 폐질환 환자로 판단된 결과를 해당 사용자 단말로 전송할 수 있다.
또한, 상기 통신부(210)는 서버(예: 전자의무기록 데이터베이스)(160)로부터 환자의 만성 폐쇄성 폐질환을 예측하기 위해 요구되는 데이터(예: 환자들의 나이, 성별, 비만, 흡연 이력 및 호흡 곤란에 대한 평균 데이터)를 획득할 수 있다.
일 실시 예에 따르면, 상기 메모리(220)는 상기 장치(150)의 동작에 필요한 정보, 데이터, 프로그램, 어플리케이션, 소프트웨어, 명령어 등을 저장할 수 있다. 또한, 상기 메모리(220)는 예를 들면, 플래시 메모리 타입(flash memory type), 하드디스크 타입(hard disk type), 멀티미디어 카드 마이크로 타입(multimedia card micro type), 카드 타입의 메모리(예를 들어 SD 또는 XD 메모리 등), 램(RAM), 롬(EEPROM 등) 중 적어도 하나의 타입의 저장매체를 포함할 수 있다. 상기 메모리(220)는 소비자의 휴대 단말에게 제공되는 의류 판매 어플리케이션을 저장할 수 있다.
일 실시 예에 따르면, 상기 메모리(220)는 환자의 나이 별, 성 별, 비만 여부, 흡연 이력 여부, 및 호흡 곤란 여부에 대한 점수를 저장할 수 있다.
또한, 상기 메모리(220)는 전국 각지에 위치하는 사용자 단말(예: 1차 의료 기관의 의사 컴퓨터)로부터 수신되는 만성 폐쇄성 폐질환을 예측하기 위해 환자의 생체 정보를 저장할 수 있다.
또한, 상기 메모리(220)는 프로세서(250)의 제어 하에, 서버(160)와 주기적으로 송수신되는 만성 폐쇄성 폐질환을 예측하기 위해 환자의 생체 정보(예: 환자들의 나이, 성별, 비만, 흡연 이력 및 호흡 곤란에 대한 평균 데이터)를 저장할 수 있다.
일 실시 예에 따르면, 상기 표시부(230)는 만성 폐쇄성 폐질환을 예측하기 위해 환자에 대한 생체 정보를 입력 받는 웹 페이지를 표시할 수 있다. 상기 표시부(230)는 만성 폐쇄성 폐질환을 예측하는 과정에 대한 다양한 정보 또는 데이터를 웹 페이지 상에 표시할 수 있다. 통신부(210)는 웹 페이지를 통해 사용자 단말로부터 만성 폐쇄성 폐질환을 예측하기 위해 환자의 생체 정보를 수신할 수 있다.
또한, 상기 표시부(230)는 만성 폐쇄성 폐질환을 예측하는데 있어서 다양한 설정 값 또는 명령어들을 사용자로부터 입력 받을 수 있다.
일 실시 예에 따르면, 상기 입력부(240)는 사용자로부터 명령 또는 데이터를 입력 받을 수 있는 마우스, 키보드, 조이스틱 등 다양한 디바이스를 포함할 수 있다.
일 실시 예에 따르면, 상기 프로세서(250)는 통신부(210), 메모리(220), 표시부(230), 및 입력부(240)로부터 수신된 명령 또는 데이터를 상기 메모리(220)에 로드하여 처리하고, 처리된 데이터를 메모리(220)에 저장할 수 있다.
일 실시 예에 따르면, 상기 프로세서(250)는 인공지능 알고리즘을 수행할 수 있다. 또는, 상기 인공지능 알고리즘은 상기 프로세서(250)에 의해 구현될 수 있다. 상기 인공지능은 인간의 뇌 신경망을 모방한 프로그램으로서 다양한 데이터를 스스로 분석, 인지, 추론, 판단하는 딥러닝 알고리즘을 지원할 수 있으며, 이를 통해 만성 폐쇄성 폐질환을 예측할 수 있다.
일 실시 예에 따르면, 상기 프로세서(250)는 적어도 하나의 사용자 단말(110, 120, 130, 140)로부터 만성 폐쇄성 폐질환을 예측하기 위해 환자의 생체 정보를 획득할 수 있다. 사용자 단말은 1차 의료 기관에서 진료 의사의 컴퓨터, 휴대폰, 태블릿 PC, 노트북 등을 포함할 수 있다.
일 실시 예에 따르면, 상기 프로세서(250)는 상기 사용자 단말에 표시된 웹 페이지를 통해 입력되는 만성 폐쇄성 폐질환을 예측하기 위해 환자의 생체 정보를 통신부(210)를 통해 획득할 수 있다.
일 실시 예에 따르면, 상기 프로세서(250)는 상기 생체 정보에 기반하여 환자의 나이, 성별, 비만, 흡연 이력 및 호흡 곤란에 대한 점수를 각각 계산할 수 있다.
일 실시 예에 따르면, 상기 프로세서(250)는 환자의 나이, 성별, 비만, 흡연 이력 및 호흡 곤란 각각에 대한 점수를 합산한 값(예: 전체 합산 값)에 0.24108을 곱한 후, 63.31726을 더하여 1초간 노력성 호기량(Forced Expiratory Volume in one second, FEV1)과 강제 폐활량(Forced Vital Capacity, FVC)의 비율(FEV1/FVC)를 계산할 수 있다.
예를 들면, 상기 프로세서(250)는 아래 <수학식 1>과 같이 163.6364에서 1.818182와 환자의 나이를 곱한 값을 차감하여 환자의 나이에 점수를 계산할 수 있다.
상기 <수학식 1>에서 Age는 환자의 나이를 나타낸다.
예를 들면, 상기 프로세서(250)는 상기 환자가 남성이면 성별에 대한 점수를 0으로 계산하고, 상기 환자가 여성이면 성별에 대한 점수를 19.6으로 계산할 수 있다.
예를 들면, 상기 프로세서(250)는 상기 환자가 비만이면 비만에 대한 점수를 11.9로 계산하고, 상기 환자가 비만이 아니면 비만에 대한 점수를 0으로 계산할 수 있으며, 상기 비만은 연령대 및 신장에 기반하여 결정될 수 있다.
예를 들면, 상기 프로세서(250)는 상기 환자가 흡연자이면 흡연 이력에 대한 점수를 0로 계산하고, 상기 환자가 흡연자가 아니면 흡연 이력에 대한 점수를 43.2으로 계산할 수 있다.
예를 들면, 상기 프로세서(250)는 상기 환자가 호흡이 곤란한 것으로 판단되면 호흡 곤란에 대한 점수를 0으로 계산하고, 상기 환자가 호흡이 곤란하지 않는 것으로 판단되면 호흡 곤란에 대한 점수를 7.31로 계산할 수 있다.
일 실시 예에 따르면, 상기 프로세서(250)는 환자의 나이, 성별, 비만, 흡연 이력 및 호흡 곤란 각각에 대한 점수에 기반하여 FEV1/FVC를 계산할 수 있다.
상기 프로세서(250)는 아래 <수학식 2>를 이용하여 FEV1/FVC의 비율을 계산할 수 있다.
상기 <수학식 2>에서 전체 합산 값은 환자의 나이, 성별, 비만, 흡연 이력 및 호흡 곤란 각각에 대해 계산된 점수를 합산한 값이다.
상기 프로세서(250)는 환자의 나이, 성별, 비만, 흡연 이력 및 호흡 곤란 각각에 대한 점수를 합산한 값에 0.24108을 곱한 후, 63.31726을 더하여 FEV1/FVC의 비율을 계산할 수 있다.
일 실시 예에 따르면, 상기 프로세서(250)는 환자의 나이, 성별, 비만, 흡연 이력 및 호흡 곤란에 대한 점수를 합한 값에 기반한, FEV1/FVC의 비율이 미리 결정된 값 미만이면, 환자를 만성 폐쇄성 폐질환 환자로 판단할 수 있다. 예를 들면, 상기 미리 결정된 값은 70일 수 있다.
상기 프로세서(250)는 환자의 나이, 성별, 비만, 흡연 이력 및 호흡 곤란 각각에 대한 점수를 합산한 값에 0.24108을 곱한 후, 63.31726을 더하여 상기 FEV1/FVC의 비율을 계산할 수 있다.
도 3은 본 발명의 일 실시 예에 따른 만성 폐쇄성 폐질환을 예측하는 과정을 나타낸 순서도이다. 도 4는 본 발명의 일 실시 예에 따른 만성 폐쇄성 폐질환을 예측하기 위해 사용자 단말에 환자의 생체 정보를 입력 받는 화면을 나타낸 예시도이다. 도 5는 본 발명의 일 실시 예에 따른 만성 폐쇄성 폐질환 환자의 특성을 나타낸 도면이다. 도 6은 본 발명의 일 실시 예에 따른 FEV1/FVC 비율에 대한 선형 회귀 결과를 나타낸 도면이다. 도 7은 본 발명의 일 실시 예에 따른 FEV1/FVC 비율에 대한 판별 모델 성능을 나타낸 도면이다. 도 8은 본 발명의 일 실시 예에 따른 FEV1/FVC 비율에 대한 예측 값과 실제 값을 나타낸 도면이다. 도 9는 본 발명의 일 실시 예에 따른 FEV1/FVC 비율을 예측하는 노모그램을 나타낸 예시도이다.
일 실시 예에 따르면, 장치(150)(예: 통신부(210))는 적어도 하나의 사용자 단말(110, 120, 130, 140)로부터 만성 폐쇄성 폐질환을 예측하기 위한 환자의 나이, 성별, 비만, 흡연 이력, 및 호흡 곤란에 관한 생체 정보를 수신할 수 있다(S310). 그리고, 프로세서(250)는 이러한 생체 정보를 통신부(210)를 통해 획득할 수 있다.
일 실시 예에 따르면, 프로세서(250)는 웹 페이지 상에 입력되는 환자의 생체 정보(예: 나이, 성별, 키, 몸무게, 흡연력, 및 호흡 곤란 여부)를 통신부(210)를 획득할 수 있다.
도 4를 참조하면, 적어도 하나의 사용자 단말(110, 120, 130, 140)은 환자의 생체 정보를 입력 받는 화면(410)을 표시할 수 있다. 예를 들면, 적어도 하나의 사용자 단말(110, 120, 130, 140)은 만성 폐쇄성 폐질환을 예측하는 장치(150)의 웹 페이지에 접속하여 환자의 생체 정보(예: 나이(411), 성별(412), 키(413), 몸무게(414), 흡연력(415), 및 호흡 곤란 여부(416))를 입력할 수 있다. 예를 들면, 이러한 환자의 생체 정보는 1차 의료 기관의 의사가 입력할 수 있다. 그리고, 이러한 생체 정보는 메뉴(417)의 선택에 의해 서버(150)로 전송된다.
일 실시 예에 따르면, 장치(150)(예: 프로세서(250))는 환자의 나이, 성별, 비만, 흡연 이력, 및 호흡 곤란에 대한 점수를 각각 계산할 수 있다(S312). 상기 프로세서(250)는 서버(160)로부터 수신된 환자의 만성 폐쇄성 폐질환 환자의 특성을 나타내는 평균 데이터를 수신하여 메모리(220)로 저장할 수 있다.
예를 들면, 상기 프로세서(250)는 상기 <수학식 1>과 같이 163.6364에서 1.818182와 환자의 나이를 곱한 값을 차감하여 환자의 나이에 점수를 계산할 수 있다.
예를 들면, 상기 프로세서(250)는 상기 환자가 남성이면 성별에 대한 점수를 0으로 계산하고, 상기 환자가 여성이면 성별에 대한 점수를 19.6으로 계산할 수 있다.
예를 들면, 상기 프로세서(250)는 상기 환자가 비만이면 비만에 대한 점수를 11.9로 계산하고, 상기 환자가 비만이 아니면 비만에 대한 점수를 0으로 계산할 수 있으며, 상기 비만은 연령대 및 신장에 기반하여 결정될 수 있다.
예를 들면, 상기 프로세서(250)는 상기 환자가 흡연자이면 흡연 이력에 대한 점수를 0로 계산하고, 상기 환자가 흡연자가 아니면 흡연 이력에 대한 점수를 43.2으로 계산할 수 있다.
예를 들면, 상기 프로세서(250)는 상기 환자가 호흡이 곤란한 것으로 판단되면 호흡 곤란에 대한 점수를 0으로 계산하고, 상기 환자가 호흡이 곤란하지 않는 것으로 판단되면 호흡 곤란에 대한 점수를 7.31로 계산할 수 있다.
일 실시 예에 따르면, 장치(150)(예: 프로세서(250))는 각각 계산된 점수의 합이 미리 결정된 값을 초과하는지 판단할 수 있다(S314). 상기 프로세서(250)는 상기 <수학식 2>를 이용하여 환자의 나이, 성별, 비만, 흡연 이력 및 호흡 곤란 각각에 대한 점수에 기반한 FEV1/FVC 비율을 계산할 수 있다.
예를 들면, 상기 프로세서(250)는 환자의 나이, 성별, 비만, 흡연 이력 및 호흡 곤란 각각에 대한 점수를 합산한 값에 0.24108을 곱한 후, 63.31726을 더하여 FEV1/FVC의 비율을 계산할 수 있다.
일 실시 예에 따르면, 장치(150)(예: 프로세서(250))는 상기 환자를 만성 폐쇄성 폐질환 환자로 판단할 수 있다(S316). 상기 프로세서(250)는 환자의 나이, 성별, 비만, 흡연 이력 및 호흡 곤란에 대한 점수를 합한 값에 기반한, FEV1/FVC의 비율이 미리 결정된 값 미만이면, 환자를 만성 폐쇄성 폐질환 환자로 판단할 수 있다. 예를 들면, 상기 미리 결정된 값은 70일 수 있다.
도 5를 참조하면, 최종 연구 코호트(cohort)는 4241명의 환자(남성 2204명, 여성 2037명)로 구성되었으며 평균 연령은 67세(40-98세 범위)이다. 도 5에 도시된 바와 같이, 모든 변수의 평균 또는 빈도는 트레이닝 코호트와 테스트 코호트 간에 크게 다르지 않는다. 만성 폐쇄성 폐질환의 유병률은 연구 모집단에서 10.7%(455/4241)이다. 그리고, 평균 FEV1/FVC 비는 만성 폐쇄성 폐질환 군에서 55.3(표준편차[SD], 11.3), 비-만성 폐쇄성 폐질환 군에서 79.5(SD, 5.57)이다.
도 6을 참조하면, 다변수 선형회귀분석에서는 고령(β계수[95% CI], -0.153[-0.183, -0.122]), 남성(-1.904 [-2.749, -1.056]), 현재 또는 과거 흡연력(-3.324 [-4.200, -2.453]) 및 호흡곤란(-2.453 [-3.612, -1.291])의 존재는 감소된 FEV1/FVC와 유의미한 관련성이 있다. 반면에, 과체중의 존재(0.894 [0.191, 1.598])는 도 6과 같이 1.598 비 COPD 그룹에서 증가된 FEV1/FVC를 갖는다.
도 7을 참조하면, FEV1/FVC 비율의 예측과 실제의 평균 차이는 훈련 코호트에서 8.858이고, 테스트 코호트에서 8.721이다. 65와 75 사이의 범위에서의 FEV1/FVC에서, MAE는 훈련 코호트에서 6.324이고, 테스트 코호트에서 6.490이다.
예측된 FEV1/FVC 비율을 사용한 만성 폐쇄성 폐질환의 진단에서, AUC(area under receiver operating characteristic curve)는 트레이닝 및 테스트 코호트에서 각각 0.832(95% CI 0.812-0.845) 및 0.822(95% CI 0.789-0.854)이다.
FEV1/FVC이 70 미만을 나타내는 것은 만성 폐쇄성 폐질환을 진단하는데 사용된다. 도 7에 도시된 바와 같이, 민감도, 특이도, PPV, NPV 및 균형 정확도는 각각 82.3%, 68.6%, 25.5%, 96.7% 및 75.5%이다.
도 8을 참조하면, Bland-Altman 플롯은 실제 FEV1/FVC 값이 65보다 작을 때 본 발명에 따른 만성 폐쇄성 폐질환 예측 모델이 FEV1/FVC를 과대평가되는 경향을 보여주고 있다. 도 8에 도시된 바와 같이, 이 범위에서 95% 상한선 이상으로 많은 경우가 관찰되었다. 따라서 우리의 노모그램에 의해 예측된 만성 폐쇄성 폐질환 예측 모델의 유효 범위는 65에서 90 사이이다. 도 9와 같이, 65보다 작거나 90보다 큰 예측 만성 폐쇄성 폐질환 예측 값은 실제 값 자체가 아니라 각각 65 미만이거나, 또는 90보다 큰 것으로 해석되어야 한다.
도 8을 참조하면, 테스트 세트에서 예측 및 실제 FEV1/FVC 비율 대 예측 비율과 실제 비율 간의 차이를 나타내며, 검은색 선은 차이의 평균을 나타낸다. 그리고, 도 8과 같이, 예측된 FEV1/FVC 비율에서 약 -4.7의 편향이 있음을 알 수 있다. 그리고, 두 개의 점선은 일치 한계, ± 1.96σ를 나타낸다.
도 8은 2013년과 2019년 사이에 폐활량 측정을 받은 4241명의 성인 환자의 데이터를 후향적으로 검토한 결과이다. 선형 회귀 분석에 의해 트레이닝 코호트(n=2969)에서 FEV1/FVC와 관련된 변수가 확인되었다. 도 8은 변수를 예측 변수로 사용하여 FEV1/FVC 비율을 예측하기 위해 노모그램을 만들고 테스트 코호트(n=1272)에서 검증한 결과이다.
그리고, 고령자(β 계수 [95% CI], -0.153 [-0.183, -0.122]), 남성 성별(-1.904 [-2.749, -1.056]), 현재 또는 과거 흡연 이력(-3.324 [-4.200, -2.453]), 호흡곤란(-2.453 [-3.612, -1.291]) 또는 과체중(0.894 [0.191, 1.598])의 존재는 FEV1/FVC 비율과 유의미하게 연관되었다. 최종 테스트에서 개발된 노모그램은 예측된 FEV1/FVC 비율과 실제 FEV1/FVC 비율 간의 평균 절대 오차가 8.2%로 나타났습니다. 전체 성능은 FEV1/FVC < 70%가 COPD의 진단 기준으로 사용될 때 가장 좋다. 민감도, 특이도 및 균형 정확도는 각각 82.3%, 68.6% 및 75.5%였다.
본 발명은 폐 기능을 평가하기 위해 미국 흉부 학회/유럽 호흡기 학회(ATS/ERS) 표준에 따라 폐활량 측정을 수행하였고, 건식 롤링 봉인 폐활량계(Model 2130; SensoMedics, Yorba Linda, CA, USA)가 모든 대상에 사용되었다. 폐활량 측정 데이터의 정상 예측값은 한국의 일반 인구에서 파생된 참조 방정식을 사용하여 계산되었고, 강제 폐활량(즉, FEV1/FVC < 0.7)은 GOLD(Global Initiative for Chronic Obstructive Lung Disease) 지침에 따라 COPD 환자를 진단하는 데 사용되었다다.
그리고, 결과는 FEV1/FVC 비율과 COPD의 유무였다. 결과에 대한 예측 변수는 연령, 성별, 과체중(체질량 지수[BMI] > 25kg/m2로 정의됨), 흡연 이력, 호흡곤란, 기침 또는 가래의 증상, 기저 고혈압의 유무, 당뇨병, 울혈성, 심부전, 관상 동맥 혈관 질환, 뇌졸중 또는 빈혈, 살부타몰 또는 항생제의 이전 사용이다. 실험을 위해, 전자 의무 기록에서 연령, 성별, 키, 체중, 증상 유무에 대한 정보를, 국민건강보험 청구자료에서 약물 및 기존 건강상태에 대한 정보를 추출하였다.
FEV1/FVC 비율을 예측하기 위한 선형 회귀 모델은 훈련 코호트에 적합했고 평가 메트릭으로 평균 절대 오차(MAE)를 사용하여 테스트 코호트에서 검증되었다. 또한 예측된 FEV1/FVC 값과 실제 FEV1/FVC 값 간의 일치를 Bland-Altman 플롯을 사용하여 그래픽으로 평가했다. FEV1/FVC를 예측하는 노모그램은 훈련 코호트에 맞는 예측 모델을 기반으로 생성되었다.
도 9를 참조하면, 본 발명의 일 실시 예에 따른 FEV1/FVC 비율을 예측하는 노모그램은 먼저 각 변수에 'Point' 척도의 점수를 부여하여 사용한다. 그런 다음 모든 변수에 대한 점수를 더하여 총점을 얻고 '총점' 행에서 수직선을 그려 FEV1/FVC 비율을 추정한다. 예측된 FEV1/FVC 값은 65 미만, 또는 90을 초과로 해석될 수 있다.
일 실시 예에 따르면, 장치(150)(예: 프로세서(250))는 판단 결과를 상기 사용자 단말로 전송할 수 있다(S318). 상기 프로세서(250)는 만성 폐쇄성 폐질환을 예측하기 위해 환자의 생체 정보를 전송한 사용자 단말로 만성 폐쇄성 폐질환에 대한 예측 결과를 전송할 수 있다. 상기 프로세서(250)는 환자의 생체 정보 및 생체 정보에 기반한 만성 폐쇄성 폐질환에 대한 예측 결과를 서버(160)로 전송하여 만성 폐쇄성 폐질환을 예측하는 데이터를 갱신시킬 수 있다.
예를 들면, 도 9의 노모그램은 사용자 단말에서 표시될 수 있다. 이러한 도 9는 환자에 대한 만성 폐쇄성 폐질환의 예측 결과를 포함할 수 있다. 예를 들면, 만성 폐쇄성 폐질환의 예측 결과는 69.02이며, 이러한 결과는 폐쇄성 폐질환이 의심되며 폐기능 검사를 진행할 것을 권고하는 수치이다.
이상에서 상술한 각각의 순서도에서의 각 단계는 도시된 순서에 무관하게 동작될 수 있거나, 또는 동시에 수행될 수 있다. 또한, 본 발명의 적어도 하나의 구성 요소와, 상기 적어도 하나의 구성 요소에서 수행되는 적어도 하나의 동작은 하드웨어 및/또는 소프트웨어로 구현 가능할 수 있다.
이상과 같이 본 발명에 대해서 예시한 도면을 참조로 하여 설명하였으나, 본 명세서에 개시된 실시 예와 도면에 의해 본 발명이 한정되는 것은 아니며, 본 발명의 기술사상의 범위 내에서 통상의 기술자에 의해 다양한 변형이 이루어질 수 있음은 자명하다. 아울러 앞서 본 발명의 실시 예를 설명하면서 본 발명의 구성에 따른 작용 효과를 명시적으로 기재하여 설명하지 않았을 지라도, 해당 구성에 의해 예측 가능한 효과 또한 인정되어야 함은 당연하다.
150: 장치
210: 통신부
220: 메모리 230: 표시부
240: 입력부 250: 프로세서
220: 메모리 230: 표시부
240: 입력부 250: 프로세서
Claims (11)
- 만성 폐쇄성 폐질환을 예측하는 장치에 있어서,
적어도 하나의 사용자 단말로부터 만성 폐쇄성 폐질환을 예측하기 위해 환자의 생체 정보를 수신하는 통신부; 및
상기 통신부와 전기적으로 연결된 프로세서를 포함하며,
상기 프로세서는,
상기 수신된 생체 정보에 기반하여 상기 환자의 나이, 성별, 비만, 흡연 이력 및 호흡 곤란에 대한 점수를 각각 계산하고,
상기 각각 계산된 점수의 합에 기반하여, 1초간 노력성 호기량(Forced Expiratory Volume in one second, FEV1)과 강제 폐활량(Forced Vital Capacity, FVC)의 비율(FEV1/FVC)이 미리 결정된 값 미만이면, 상기 환자를 만성 폐쇄성 폐질환 환자로 판단하고,
판단 결과를 상기 사용자 단말로 전송하도록 설정된 장치.
- 제1 항에 있어서,
상기 프로세서는,
상기 환자의 나이, 성별, 비만, 흡연 이력 및 호흡 곤란 각각에 대한 점수를 합산한 값에 0.24108을 곱한 후, 63.31726을 더하여 상기 FEV1/FVC를 계산하도록 설정된 장치.
- 제1 항에 있어서,
상기 프로세서는,
163.6364에서 1.818182와 상기 환자의 나이를 곱한 값을 차감하여 상기 나이에 대한 점수를 계산하도록 설정된 장치.
- 제1 항에 있어서,
상기 프로세서는,
상기 환자가 남성이면 상기 성별에 대한 점수를 0으로 계산하고, 상기 환자가 여성이면 상기 성별에 대한 점수를 19.6으로 계산하도록 설정된 장치.
- 제1 항에 있어서,
상기 프로세서는,
상기 환자가 비만이면 상기 비만에 대한 점수를 11.9로 계산하고, 상기 환자가 비만이 아니면 상기 비만에 대한 점수를 0으로 계산하도록 설정되며,
상기 비만은 연령대 및 신장에 기반하여 결정됨을 특징으로 하는 장치.
- 제1 항에 있어서,
상기 프로세서는,
상기 환자가 흡연자이면 상기 흡연 이력에 대한 점수를 0로 계산하고, 상기 환자가 흡연자가 아니면 상기 흡연 이력에 대한 점수를 43.2으로 계산하도록 설정된 장치.
- 제1 항에 있어서,
상기 프로세서는,
상기 환자가 호흡이 곤란한 것으로 판단되면, 상기 호흡 곤란에 대한 점수를 0으로 계산하고, 상기 환자가 호흡이 곤란하지 않는 것으로 판단되면, 상기 호흡 곤란에 대한 점수를 7.31로 계산하도록 설정된 장치.
- 제1 항에 있어서,
상기 프로세서는,
상기 환자의 나이, 성별, 비만, 흡연 이력 및 호흡 곤란 각각에 대한 점수를 합산한 값에 0.24108을 곱한 후, 63.31726을 더하여 상기 FEV1/FVC를 계산하도록 설정된 장치.
- 만성 폐쇄성 폐질환을 예측하는 방법에 있어서,
적어도 하나의 사용자 단말로부터 만성 폐쇄성 폐질환을 예측하기 위해 환자의 생체 정보를 수신하는 과정;
상기 수신된 생체 정보에 기반하여 상기 환자의 나이, 성별, 비만, 흡연 이력 및 호흡 곤란에 대한 점수를 각각 계산하는 과정;
상기 각각 계산된 점수의 합에 기반한 1초간 노력성 호기량(Forced Expiratory Volume in one second, FEV1)과 강제 폐활량(Forced Vital Capacity, FVC)의 비율(FEV1/FVC)이 미리 결정된 값 미만이면, 상기 환자를 만성 폐쇄성 폐질환 환자로 판단하는 과정; 및
판단 결과를 상기 사용자 단말로 전송하는 과정을 포함하는 방법.
- 만성 폐쇄성 폐질환을 예측하는 시스템에 있어서,
만성 폐쇄성 폐질환을 예측하기 위한 환자의 생체 정보를 웹 페이지를 통해 장치로 전송하는 사용자 단말; 및
상기 생체 정보에 기반하여 상기 환자의 나이, 성별, 비만, 흡연 이력 및 호흡 곤란에 대한 점수를 각각 계산하고, 상기 각각 계산된 점수의 합에 기반하여, 1초간 노력성 호기량(Forced Expiratory Volume in one second, FEV1)과 강제 폐활량(Forced Vital Capacity, FVC)의 비율(FEV1/FVC)이 미리 결정된 값 미만이면, 상기 환자를 만성 폐쇄성 폐질환 환자로 판단하고, 판단 결과를 상기 사용자 단말로 전송하는 상기 장치를 포함하며,
상기 사용자 단말은, 상기 환자의 만성 폐쇄성 폐질환에 대한 판단 결과를 상기 장치로부터 수신하여 표시하는 시스템.
- 만성 폐쇄성 폐질환을 예측하는 명령어들을 포함하는 프로그램을 저장하는 컴퓨터 판독 가능 저장 매체에 있어서,
적어도 하나의 사용자 단말로부터 만성 폐쇄성 폐질환을 예측하기 위해 환자의 생체 정보를 수신하는 명령어들;
상기 수신된 생체 정보에 기반하여 상기 환자의 나이, 성별, 비만, 흡연 이력 및 호흡 곤란에 대한 점수를 각각 계산하는 명령어들;
상기 각각 계산된 점수의 합에 기반하여, 1초간 노력성 호기량(Forced Expiratory Volume in one second, FEV1)과 강제 폐활량(Forced Vital Capacity, FVC)의 비율(FEV1/FVC)이 미리 결정된 값 미만이면, 상기 환자를 만성 폐쇄성 폐질환 환자로 판단하는 명령어들; 및
판단 결과를 상기 사용자 단말로 전송하는 명령어들을 포함하는 컴퓨터 판독 가능 저장 매체.
Priority Applications (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020220071871A KR20230171561A (ko) | 2022-06-14 | 2022-06-14 | 만성 폐쇄성 폐질환을 예측하는 장치 및 방법과 이를 위한 시스템 |
| PCT/KR2023/003987 WO2023243824A1 (ko) | 2022-06-14 | 2023-03-24 | 만성 폐쇄성 폐질환을 예측하는 장치 및 방법과 이를 위한 시스템 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020220071871A KR20230171561A (ko) | 2022-06-14 | 2022-06-14 | 만성 폐쇄성 폐질환을 예측하는 장치 및 방법과 이를 위한 시스템 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| KR20230171561A true KR20230171561A (ko) | 2023-12-21 |
Family
ID=89191333
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020220071871A KR20230171561A (ko) | 2022-06-14 | 2022-06-14 | 만성 폐쇄성 폐질환을 예측하는 장치 및 방법과 이를 위한 시스템 |
Country Status (2)
| Country | Link |
|---|---|
| KR (1) | KR20230171561A (ko) |
| WO (1) | WO2023243824A1 (ko) |
Family Cites Families (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR102115643B1 (ko) * | 2017-08-28 | 2020-05-27 | 동서대학교 산학협력단 | IoT기반 만성폐쇄성 폐질환 자기진단 방법 |
| KR102099459B1 (ko) * | 2019-07-05 | 2020-04-09 | 김병수 | 보급형 호흡기 질환 검진 및 훈련 키트 |
| KR102095805B1 (ko) * | 2019-07-30 | 2020-04-01 | (주)지에이치이노텍 | 사용자 호흡량을 측정하는 호흡 상태 모니터링 장치 및 호흡 상태 출력 방법 |
-
2022
- 2022-06-14 KR KR1020220071871A patent/KR20230171561A/ko not_active Application Discontinuation
-
2023
- 2023-03-24 WO PCT/KR2023/003987 patent/WO2023243824A1/ko unknown
Also Published As
| Publication number | Publication date |
|---|---|
| WO2023243824A1 (ko) | 2023-12-21 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Quesada et al. | Machine learning to predict cardiovascular risk | |
| Chatterjee et al. | Modifiable risk factors for incident heart failure in atrial fibrillation | |
| Graham et al. | Systematic Coronary Risk Evaluation (SCORE) JACC focus seminar 4/8 | |
| KR102301202B1 (ko) | 생체인식 연령 예측 모델 생성 방법 및 장치 | |
| Jentzer et al. | Left ventricular systolic dysfunction identification using artificial intelligence-augmented electrocardiogram in cardiac intensive care unit patients | |
| KR102342770B1 (ko) | 질병 예측치의 분포를 이용한 건강관리 상담 시스템 | |
| WO2017064609A1 (en) | System and method for predicting heart failure decompensation | |
| WO2020027213A1 (ja) | 認知症リスクの提示システムおよび方法 | |
| JP2002063278A (ja) | 健康度評価システム及びその記録媒体並びに健康度評価方法 | |
| US20230245779A1 (en) | System and method for peri-anaesthetic risk evaluation | |
| Spanakis et al. | Congestive heart failure risk assessment monitoring through internet of things and mobile personal health systems | |
| e Silva et al. | Prediction of mortality in coronary artery disease: role of machine learning and maximal exercise capacity | |
| Hathaway et al. | Ultrasonic texture features for assessing cardiac remodeling and dysfunction | |
| KR101595784B1 (ko) | 패혈증 고위험군 예측 방법 및 시스템 | |
| Zheng et al. | Predictive model for heart failure readmission using nationwide readmissions database | |
| Schwager et al. | Accurate and interpretable prediction of ICU-acquired AKI | |
| KR20230171561A (ko) | 만성 폐쇄성 폐질환을 예측하는 장치 및 방법과 이를 위한 시스템 | |
| US20220328187A1 (en) | Condition predicting apparatus, condition predicting method, computer program, and recording medium | |
| JP7027359B2 (ja) | ヘルスケアデータ分析装置及びヘルスケアデータ分析方法 | |
| Garcia-Carretero et al. | Identification of clinically relevant features in hypertensive patients using penalized regression: a case study of cardiovascular events | |
| Bunney et al. | Beyond chest pain: Incremental value of other variables to identify patients for an early ECG | |
| US12004880B2 (en) | Risk management device, risk management method, and non-temporary recording medium in which risk management program is stored | |
| Vettoretti et al. | Importance of recalibrating models for type 2 diabetes onset prediction: application of the Diabetes Population Risk Tool on the health and retirement study | |
| CN114144837A (zh) | 用于动态预测普通病房中的患者的出院准备的模型 | |
| CN114007504A (zh) | 数字生物标志物 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| E902 | Notification of reason for refusal |