KR20240002162A - 심전도 판독 서비스를 제공하는 시스템 및 그 방법 - Google Patents
심전도 판독 서비스를 제공하는 시스템 및 그 방법 Download PDFInfo
- Publication number
- KR20240002162A KR20240002162A KR1020230048239A KR20230048239A KR20240002162A KR 20240002162 A KR20240002162 A KR 20240002162A KR 1020230048239 A KR1020230048239 A KR 1020230048239A KR 20230048239 A KR20230048239 A KR 20230048239A KR 20240002162 A KR20240002162 A KR 20240002162A
- Authority
- KR
- South Korea
- Prior art keywords
- data
- ecg
- server
- reading
- electrocardiogram
- Prior art date
Links
- 238000000034 method Methods 0.000 title claims abstract description 34
- 238000003062 neural network model Methods 0.000 claims abstract description 54
- 238000013503 de-identification Methods 0.000 claims abstract description 22
- 238000012545 processing Methods 0.000 claims abstract description 16
- 201000010099 disease Diseases 0.000 claims description 29
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 claims description 29
- 230000008569 process Effects 0.000 claims description 17
- 238000005259 measurement Methods 0.000 claims description 15
- 238000003745 diagnosis Methods 0.000 claims description 10
- 230000005856 abnormality Effects 0.000 claims description 8
- 230000002159 abnormal effect Effects 0.000 claims description 7
- 238000013528 artificial neural network Methods 0.000 description 16
- 208000019622 heart disease Diseases 0.000 description 15
- 238000004891 communication Methods 0.000 description 14
- 238000010586 diagram Methods 0.000 description 8
- 238000012360 testing method Methods 0.000 description 7
- 230000006870 function Effects 0.000 description 6
- 206010003119 arrhythmia Diseases 0.000 description 5
- 230000006793 arrhythmia Effects 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 4
- 230000008520 organization Effects 0.000 description 4
- 230000005540 biological transmission Effects 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000002565 electrocardiography Methods 0.000 description 3
- 210000003414 extremity Anatomy 0.000 description 3
- 238000010801 machine learning Methods 0.000 description 3
- 239000002699 waste material Substances 0.000 description 3
- 238000012790 confirmation Methods 0.000 description 2
- 230000008602 contraction Effects 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 239000003814 drug Substances 0.000 description 2
- 229940079593 drug Drugs 0.000 description 2
- 230000003862 health status Effects 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 210000005245 right atrium Anatomy 0.000 description 2
- 208000024891 symptom Diseases 0.000 description 2
- 208000002102 Atrial Premature Complexes Diseases 0.000 description 1
- 206010008479 Chest Pain Diseases 0.000 description 1
- 206010061818 Disease progression Diseases 0.000 description 1
- 206010049694 Left Ventricular Dysfunction Diseases 0.000 description 1
- 206010033557 Palpitations Diseases 0.000 description 1
- 206010042602 Supraventricular extrasystoles Diseases 0.000 description 1
- 208000001871 Tachycardia Diseases 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 210000000577 adipose tissue Anatomy 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 210000001992 atrioventricular node Anatomy 0.000 description 1
- 230000036772 blood pressure Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 210000004027 cell Anatomy 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000005750 disease progression Effects 0.000 description 1
- 208000002173 dizziness Diseases 0.000 description 1
- 210000001174 endocardium Anatomy 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 210000005246 left atrium Anatomy 0.000 description 1
- 210000005240 left ventricle Anatomy 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000000691 measurement method Methods 0.000 description 1
- 230000028161 membrane depolarization Effects 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 210000004165 myocardium Anatomy 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000005180 public health Effects 0.000 description 1
- 210000003742 purkinje fiber Anatomy 0.000 description 1
- 230000004213 regulation of atrial cardiomyocyte membrane depolarization Effects 0.000 description 1
- 230000034225 regulation of ventricular cardiomyocyte membrane depolarization Effects 0.000 description 1
- 230000013577 regulation of ventricular cardiomyocyte membrane repolarization Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 210000005241 right ventricle Anatomy 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 210000001013 sinoatrial node Anatomy 0.000 description 1
- 239000010454 slate Substances 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 206010042772 syncope Diseases 0.000 description 1
- 230000006794 tachycardia Effects 0.000 description 1
- 210000000115 thoracic cavity Anatomy 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 230000002861 ventricular Effects 0.000 description 1
- 210000000707 wrist Anatomy 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
- A61B5/316—Modalities, i.e. specific diagnostic methods
- A61B5/318—Heart-related electrical modalities, e.g. electrocardiography [ECG]
- A61B5/346—Analysis of electrocardiograms
-
- 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
- A61B5/746—Alarms related to a physiological condition, e.g. details of setting alarm thresholds or avoiding false alarms
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H10/00—ICT specially adapted for the handling or processing of patient-related medical or healthcare data
- G16H10/60—ICT specially adapted for the handling or processing of patient-related medical or healthcare data for patient-specific data, e.g. for electronic patient records
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H15/00—ICT specially adapted for medical reports, e.g. generation or transmission thereof
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H40/00—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices
- G16H40/20—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices for the management or administration of healthcare resources or facilities, e.g. managing hospital staff or surgery rooms
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/30—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for calculating health indices; for individual health risk assessment
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/50—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for simulation or modelling of medical disorders
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H80/00—ICT specially adapted for facilitating communication between medical practitioners or patients, e.g. for collaborative diagnosis, therapy or health monitoring
Landscapes
- Health & Medical Sciences (AREA)
- Engineering & Computer Science (AREA)
- Medical Informatics (AREA)
- Public Health (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Epidemiology (AREA)
- Primary Health Care (AREA)
- Physics & Mathematics (AREA)
- Pathology (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Theoretical Computer Science (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Animal Behavior & Ethology (AREA)
- Veterinary Medicine (AREA)
- General Business, Economics & Management (AREA)
- Artificial Intelligence (AREA)
- Computational Linguistics (AREA)
- Cardiology (AREA)
- Computing Systems (AREA)
- Surgery (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Heart & Thoracic Surgery (AREA)
- Business, Economics & Management (AREA)
- Physiology (AREA)
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
Abstract
본 개시는 심전도 판독 서비스를 제공하는 시스템 및 방법에 관한 것으로서, 사용자 입력을 기초로 사용자에 대한 심전도 데이터를 생성하여 심전도 판독 요청을 수행하고, 상기 심전도 데이터에 대한 심전도 판독 결과 데이터를 열람하는 사용자 단말; 상기 심전도 데이터를 수신하고, 상기 심전도 데이터에 대해 사용자 비식별화 처리를 위한 비식별화 코드값을 이용하여 비식별 정보를 생성하고, 상기 생성된 비식별 정보와 상기 심전도 데이터를 포함하는 협진 요청 데이터를 제공하는 제1 서버; 및 상기 협진 요청 데이터를 수신하고, 사전 학습된 신경망 모델을 사용하여 상기 협진 요청 데이터를 기초로 하는 상기 심전도 데이터에 대한 심전도 판독 결과 데이터를 생성하는 제2 서버를 포함하되, 상기 제1 서버는, 상기 제2 서버로부터 심전도 판독 결과 데이터를 수신하고, 상기 비식별화 코드값을 이용하여 상기 비식별 정보를 복호화하여 사용자를 식별하고, 식별된 사용자와 상기 심전도 판독 결과 데이터를 연계하여 저장하는 시스템을 제공하고자 한다.
Description
본 개시의 내용은 심전도 판독 서비스를 제공하는 시스템에 관한 것으로, 구체적으로 심전도를 기초로 신경망 모델을 이용하여 심전도 판독 서비스를 제공하는 시스템에 관한 것이다.
심전도(ECG: electrocardiogram)는 심장에서 발생하는 전기적인 신호를 측정하여 심장에서부터 전극까지의 전도계통의 이상 유무를 확인하여 질환유무를 판별할 수 있게 하는 신호이다.
심전도의 발생 원인인 심장박동은 우심방(right atrium)에 자리잡은 동방결절(sinus node)에서 시작된 임펄스가 먼저 우심방과 좌심방(left atrium)을 탈분극(deploarization)시키며 방실결절(atrioventricular node)에서 잠시 지체된 후 심실을 활성화시킨다.
중격(septum)이 가장 빠르고 벽이 얇은 우심실은 벽이 두꺼운 좌심실보다 먼저 활성화된다. 푸르키녜 섬유(purkinje fiber)까지 전달된 탈분극 파는 심근에서 파도(wavefront)와 같이 심장내막에서 외심막으로 퍼져나가면서 심실수축을 일으키게 된다. 정상적으로 전기적 자극이 심장을 통하여 전도되기 때문에 심장은 분당 약 60~100회 수축된다. 각 수축은 1회 심박동수로 나타낸다.
이와 같은 심전도는 두 부위 간의 전위차를 기록하는 양극 유도(bipolar lead)와 전극을 부착시킨 부위의 전위를 기록하는 단극 유도(unipolar lead)를 통해 검출할 수 있으며, 심전도를 측정하는 방법에는 양극 유도인 표준 유도(standard limb lead), 단극 유도인 사지 유도(unipolar limb lead), 단극 유도인 흉부 유도(precordial lead) 등이 있다.
심장의 전기적 활성단계는 크게 심방 탈분극, 심실 탈분극, 심실 재분극 시기로 나뉘며, 이러한 각 단계는 도 1에 나타난 바와 같이 P, Q, R, S, T파라고 불리는 몇 개의 파의 형태로 반영된다.
이러한 파들은 표준 형태를 갖추어야 심장의 전기적 활성이 정상이라고 볼 수 있다. 표준 형태인지 아닌지를 파악하기 위해서는 각 파가 유지되는 시간, 각 파끼리의 간격(interval), 각 파의 진폭, 첨도 등의 특징들이 정상 범위(또는 기준)에 속하는지를 검사하여야 한다.
이러한 심전도는 고가의 측정 장비로 측정되어 환자의 건강상태를 측정하기 위한 보조 도구로 사용되며, 일반적으로 심전도 측정 장비는 측정결과만을 표시해주며 진단은 온전히 의사의 몫이었다.
특히, 24시간 심전도 검사는 소형 카세트 크기의 측정기기를 사용자의 몸에 장착한 후에 일정시간(예를 들어, 20시간 정도) 이후에 심전도 검사가 종료된 후 심전도 변화를 측정하는 검사이다. 이러한 24시간 심전도 검사는 일상생활 중에 나타나는 어지러움, 실신, 심계항진, 가슴통증 등의 증상이 부정맥과 관련성이 있는지를 심전도 상에서 확인하여 심장질환을 진단하기 위한 검사이지만, 검사를 시행하는 동안은 기기 부착과 탈착을 위해 검사실(예를 들어, 병원 등)에 사용자 직접 2회 정도 방문해야 하는 불편함이 있다. 실제로, 간헐적으로 발생하는 심장의 이상신호를 심전도 검사를 통해 발견하기 위해서는 병원 방문을 여러 번 해야 하는 어려움이 있고, 증상이 심하지 않거나 과거 질병으로 인한 사후관리를 하는 환자들은 병원 방문에 많은 시간과 노력을 할애해야 한다는 문제점이 있다.
현재 의사의 의존도를 낮추기 위해 심전도를 기초로 인공지능을 이용하여 신속 정확하게 질환을 진단하는 연구가 계속되고 있다. 또한, 스마트 워치 등의 웨어러블 형태의 자가 심전도 측정 기기의 발달과 함께 심전도를 기초로 심장 질환뿐만 아닌 다른 여러 질환을 진단 및 모니터링할 수 있는 가능성이 대두되고 있다.
현재 자가 심전도 측정 기기를 이용한 양성 예측율이 5% 정도, 즉 자가 심전도 측정 기기를 이용한 심장 질환이 있다고 판독된 결과 중 95%는 질환이 없는 것이므로 신뢰도가 매우 낮다는 문제점이 있다. 여기서, 양성 예측율은 질환이 있다고 판단되었으나 실제로 질환이 있을 확률을 의미한다.
자가 심전도 측정 기기의 심전도 판독 결과에서 비정상 소견이 발견된 경우, 사용자가 직접 병원 방문을 통해 질환이 없음을 확인해야 하므로 불필요한 병원 방문으로 인한 의료비의 낭비가 증가하고, 일상생활에서 측정한 심전도의 신뢰도가 감소하여 심장질환을 조기 발견하여 합병증을 예방할 수 있는 기회를 놓칠 수 있다는 문제점이 있다.
또한, 스마트워치 등의 자가 심전도 측정 기기가 병원에 설치된 의료정보시스템과 연동되지 않기 때문에, 사용자가 직접 심전도 측정 결과를 많은 양의 종이로 인쇄하거나 본인의 핸드폰에 저장하여, 병원 방문을 통해 의료진에게 심전도 판독 결과를 요청해야 하므로, 의료진이 다수의 사용자들에 대한 심전도 판독을 위해 많은 시간을 소비하게 되어 의료 자원의 낭비가 발생하는 문제점이 있다
따라서, 향후 심전도 검사 시스템은 사용자가 일상생활에서 지속적으로 심전도를 측정하여 데서 그치지 않고, 사용자에 대한 심전도 데이터를 병원에 설치된 의료정보시스템과 연동하여 사전 학습된 신경망 모델을 통해 신속 정확하게 질환을 진단할 수 있는 플랫폼을 제공할 수 있어야 한다.
본 개시는 전술한 배경기술에 대응하여 안출된 것으로, 일상생활에서 측정된 심전도를 판독하고 병원 진료에 활용할 수 있도록 제공하고, 사용자가 실시간으로 판독 결과를 열람할 수 있도록 하며, 위중한 상태인 경우에 병원 방문을 권유할 수 있는 심전도 판독 서비스에 관한 시스템을 제공하는 것을 목적으로 한다.
다만, 본 개시에서 해결하고자 하는 과제는 이상에서 언급된 과제로 제한되지 않으며, 언급되지 않은 또 다른 과제들은 아래의 기재를 근거로 명확하게 이해될 수 있을 것이다.
전술한 바와 같은 과제를 실현하기 위한 본 개시의 일 실시예에 따라 심전도 판독 서비스를 제공하는 시스템을 제공하고자 한다. 시스템은, 사용자 입력을 기초로 사용자에 대한 심전도 데이터를 생성하여 심전도 판독 요청을 수행하고, 상기 심전도 데이터에 대한 심전도 판독 결과 데이터를 열람하는 사용자 단말; 상기 심전도 데이터를 수신하고, 상기 심전도 데이터에 대해 사용자 비식별화 처리를 위한 비식별화 코드값을 이용하여 비식별 정보를 생성하고, 상기 생성된 비식별 정보와 상기 심전도 데이터를 포함하는 협진 요청 데이터를 제공하는 제1 서버; 및 상기 협진 요청 데이터를 수신하고, 사전 학습된 신경망 모델을 사용하여 상기 협진 요청 데이터를 기초로 하는 상기 심전도 데이터에 대한 심전도 판독 결과 데이터를 생성하는 제2 서버를 포함하되, 상기 제1 서버는, 상기 제2 서버로부터 심전도 판독 결과 데이터를 수신하고, 상기 비식별화 코드값을 이용하여 상기 비식별 정보를 복호화하여 사용자를 식별하고, 식별된 사용자와 상기 심전도 판독 결과 데이터를 연계하여 저장하는 것을 특징으로 한다.
대안적으로, 상기 제1 서버는, 상기 심전도 판독 결과 데이터를 1차 판독 결과로 상기 사용자 단말에 제공하고, 상기 사용자 단말의 2차 판독 요청에 따라 상기 제2 서버와 통신하여, 전문가 심층 판독을 위한 전문가 단말로부터 전문가 판독 정보를 획득하여 상기 전문가 판독 정보를 포함하는 2차 판독 결과를 상기 사용자 단말에 제공하되, 상기 제2 서버는 전문가 심층 판독을 위한 사용자 인터페이스를 상기 전문가 단말에 제공하고, 상기 전문가 단말로부터 전문가 판독 정보를 획득하여 상기 제1 서버로 제공하는 것을 특징으로 한다.
대안적으로, 상기 사용자 단말에 1차적으로 제공되는 심전도 판독 결과 데이터는, 상기 신경망 모델에 의해 수행되는, 질환 여부 또는 질환과 관련된 질환 가능성 점수 증 적어도 하나를 포함하고, 상기 전문가 심층 판독으로 제공되는 심전도 판독 결과 데이터는, 상기 질환에 관한 전문가 판독 정보를 포함하는 것을 특징으로 한다.
대안적으로, 상기 제2 서버는, 상기 신경망 모델에 의해 생성된 상기 심전도 판독 결과 데이터를 1차 판독 결과로 획득하고, 전문가 심층 판독을 위한 사용자 인터페이스를 전문가 단말에 제공하여, 상기 전문가 단말로부터 전문가 판독 정보를 2차 판독 결과로 획득한 후, 상기 1차 판독 결과 및 2차 판독 결과를 토대로 최종 심전도 판독 결과 데이터를 생성하는 것을 특징으로 한다.
대안적으로, 상기 제2 서버는, 상기 신경망 모델에 의해 상기 협진 요청 데이터에 포함된 심전도 데이터가 판독 가능한지 여부를 판단하고, 상기 심전도 데이터의 판독 가능 여부에 따라 전문가 심층 판독을 위한 사용자 인터페이스를 전문가 단말에 제공하여, 상기 전문가 단말로부터 전문가 판독 정보를 획득하는 것을 특징으로 한다.
대안적으로, 상기 제2 서버는, 상기 신경망 모델에 의해 상기 협진 요청 데이터에 포함된 심전도 데이터가 판독이 불가능한 경우, 상기 전문가 단말로 상기 협진 요청 데이터를 전송하고, 상기 전문가 단말에 의해 생성된 심전도 판독 결과 데이터를 수신하는 것을 특징으로 한다.
대안적으로, 상기 제2 서버는, 상기 심전도 판독 결과 데이터에 사용자가 응급 상태임을 나타내는 정보가 포함되는 경우, 전문가 심층 판독을 위한 사용자 인터페이스를 상기 전문가 단말에 제공한 후 상기 전문가 단말로부터 전문가 판독 정보를 수신하는 것을 특징으로 한다.
대안적으로, 상기 제2 서버는, 상기 심전도 판독 결과 데이터에 포함된 질병 가능성에 대한 예측값과 기 설정된 임계치를 비교하고, 상기 비교의 결과에 따라 전문가 심층 판독을 위한 사용자 인터페이스를 전문가 단말에 제공하여 전문가 판독정보를 획득하는 것을 특징으로 한다.
대안적으로, 상기 제2 서버는, 상기 예측값이 상기 기 설정된 임계값 이상인 경우, 상기 전문가 단말로 상기 협진 요청 데이터를 전송하고, 상기 전문가 단말에 의해 생성된 심전도 판독 결과 데이터를 수신하는 것을 특징으로 한다.
대안적으로, 상기 제1 서버는, 상기 사용자 단말의 초기 접속 과정에서 사용자 인증을 거쳐 사용자 식별 정보를 부여하고, 사용자 또는 사용자 그룹 별로 서로 다른 비식별화 코드값을 적용하여 상기 사용자 식별 정보를 비식별화 처리하여 상기 비식별 정보를 생성하는 것을 특징으로 한다.
대안적으로, 상기 제2 서버는, 상기 심전도 판독 결과 데이터에 기 설정된 심전도 이상 진단 조건에 대한 예측 결과가 포함된 경우, 상기 심전도 판독 결과 데이터에 심전도 이상 상태를 알리기 위한 경고 플래그 데이터를 추가하는 것을 특징으로 한다.
대안적으로, 상기 심전도 이상 진단 조건은, 심전도 특징에 기반하여 기 설정된 정상 기준에서 벗어난 비정상 심전도가 도출되는 것을 특징으로 한다.
대안적으로, 상기 제1 서버는, 상기 경고 플래그 데이터가 추가된 심전도 판독 결과 데이터가 수신되면, 상기 사용자 단말에 상기 심전도 판독 결과 데이터에 대한 알림 서비스를 제공하는 것을 특징으로 한다.
대안적으로, 상기 협진 요청 데이터는, 생물학적 정보 또는 심전도 측정 시간 중 적어도 하나를 더 포함하고, 상기 심전도 판독 결과 데이터는, 상기 비식별 정보 및 심전도 판독 정보를 포함하는 것을 특징으로 한다.
한편, 본 개시의 일 실시예에 따라 컴퓨팅 장치에 의해 수행되는, 적어도 하나의 프로세서를 포함하는 컴퓨팅 장치에 의해 수행되는, 심전도 판독 서비스를 제공하는 방법으로서, 사용자 단말은 사용자 입력을 기초로 사용자에 대한 심전도 데이터를 생성하여 제1 서버로 심전도 판독 요청을 수행하는 단계; 상기 제1 서버는 상기 사용자 단말로부터 심전도 데이터를 수신하고, 상기 심전도 데이터에 대해 사용자 비식별화 처리를 위한 비식별화 코드값을 이용하여 비식별 정보를 생성하고, 상기 생성된 비식별 정보와 상기 심전도 데이터를 포함하는 협진 요청 데이터를 생성하여 제2 서버로 전송하는 단계; 및 상기 제2 서버는 상기 제1 서버로부터 상기 협진 요청 데이터를 수신하고, 사전 학습된 신경망 모델을 사용하여 상기 협진 요청 데이터를 기초로 하는 상기 심전도 데이터에 대한 심전도 판독 결과 데이터를 생성하여 상기 제1 서버로 전송하는 단계를 포함하되, 상기 제1 서버는, 상기 제2 서버로부터 심전도 판독 결과 데이터를 수신하고, 상기 비식별화 코드값을 이용하여 상기 비식별 정보를 복호화하여 사용자를 식별하고, 식별된 사용자와 상기 심전도 판독 결과 데이터를 연계 저장하여, 상기 사용자 단말에서 사용자에 대한 심전도 판독 결과 데이터를 열람하도록 하는 방법을 제공하고자 한다.
본 개시의 일 실시예에 따른 심전도 판독 서비스를 제공하는 시스템은 사용자 단말로부터 전송되는 심전도 데이터를 병원에 설치된 의료정보시스템과 연동하고, 사용자 비식별화 처리된 심전도 데이터를 신경망 모델을 이용하여 신속 정확하게 판독함으로써 심장질환을 조기에 포착할 수 있다. 그리고, 판독 불가능한 심전도 데이터에 대해 전문가 심층 판독을 수행함으로써 의료 사고의 위험을 줄이며, 자가 심전도 측정 기기에서 측정한 심전도 데이터의 판독에 필요한 의료 자원 낭비를 줄일 수 있다.
또한, 본 개시의 일 실시예에 따른 심전도 판독 서비스를 제공하는 시스템은 병원에 설치된 의료정보시스템을 통해 심전도 판독 결과를 사용자가 지정한 기관과 공유할 수 있어 다양한 의료 서비스 및 헬스케어 서비스와 연동할 수 있는 효과가 있다.
도 1은 본 개시에 따른 심전도 신호를 보여주는 도면이다.
도 2는 본 개시의 일 실시예에 따른 컴퓨팅 장치의 블록도이다.
도 3은 본 개시의 일 실시예에 따라 심전도 판독 서비스를 제공하는 시스템의 구성을 설명하는 블록도이다.
도 4는 본 개시의 일 실시예에 따른 사용자 단말에서의 서비스앱 실행 화면을 설명하는 예시도이다.
도 5는 본 개시의 일 실시예에 따라 심전도 판독 서비스를 제공하는 방법을 보여주는 순서도이다.
도 6은 본 개시의 일 실시예에 따른 심전도 판독 정보를 설명하는 예시도이다.
도 2는 본 개시의 일 실시예에 따른 컴퓨팅 장치의 블록도이다.
도 3은 본 개시의 일 실시예에 따라 심전도 판독 서비스를 제공하는 시스템의 구성을 설명하는 블록도이다.
도 4는 본 개시의 일 실시예에 따른 사용자 단말에서의 서비스앱 실행 화면을 설명하는 예시도이다.
도 5는 본 개시의 일 실시예에 따라 심전도 판독 서비스를 제공하는 방법을 보여주는 순서도이다.
도 6은 본 개시의 일 실시예에 따른 심전도 판독 정보를 설명하는 예시도이다.
아래에서는 첨부한 도면을 참조하여 본 개시의 기술 분야에서 통상의 지식을 가진 자(이하, 당업자)가 용이하게 실시할 수 있도록 본 개시의 실시예가 상세히 설명된다. 본 개시에서 제시된 실시예들은 당업자가 본 개시의 내용을 이용하거나 또는 실시할 수 있도록 제공된다. 따라서, 본 개시의 실시예들에 대한 다양한 변형들은 당업자에게 명백할 것이다. 즉, 본 개시는 여러 가지 상이한 형태로 구현될 수 있으며, 이하의 실시예에 한정되지 않는다.
본 개시의 명세서 전체에 걸쳐 동일하거나 유사한 도면 부호는 동일하거나 유사한 구성요소를 지칭한다. 또한, 본 개시를 명확하게 설명하기 위해서, 도면에서 본 개시에 대한 설명과 관계없는 부분의 도면 부호는 생략될 수 있다.
본 개시에서 사용되는 "또는" 이라는 용어는 배타적 "또는" 이 아니라 내포적 "또는" 을 의미하는 것으로 의도된다. 즉, 본 개시에서 달리 특정되지 않거나 문맥상 그 의미가 명확하지 않은 경우, "x는 a 또는 b를 이용한다"는 자연적인 내포적 치환 중 하나를 의미하는 것으로 이해되어야 한다. 예를 들어, 본 개시에서 달리 특정되지 않거나 문맥상 그 의미가 명확하지 않은 경우, "x는 a 또는 b를 이용한다" 는 x가 a를 이용하거나, x가 b를 이용하거나, 혹은 x가 a 및 b 모두를 이용하는 경우 중 어느 하나로 해석될 수 있다.
본 개시에서 사용되는 "및/또는" 이라는 용어는 열거된 관련 개념들 중 하나 이상의 개념의 가능한 모든 조합을 지칭하고 포함하는 것으로 이해되어야 한다.
본 개시에서 사용되는 "포함한다" 및/또는 "포함하는" 이라는 용어는, 특정 특징 및/또는 구성요소가 존재함을 의미하는 것으로 이해되어야 한다. 다만, "포함한다" 및/또는 "포함하는" 이라는 용어는, 하나 이상의 다른 특징, 다른 구성요소 및/또는 이들에 대한 조합의 존재 또는 추가를 배제하지 않는 것으로 이해되어야 한다.
본 개시에서 달리 특정되지 않거나 단수 형태를 지시하는 것으로 문맥상 명확하지 않은 경우에, 단수는 일반적으로 "하나 또는 그 이상" 을 포함할 수 있는 것으로 해석되어야 한다.
본 개시에서 사용되는 "제 n(n은 자연수)" 이라는 용어는 본 개시의 구성요소들을 기능적 관점, 구조적 관점, 혹은 설명의 편의 등 소정의 기준에 따라 상호 구별하기 위해 사용되는 표현으로 이해될 수 있다. 예를 들어, 본 개시에서 서로 다른 기능적 역할을 수행하는 구성요소들은 제1 구성요소 혹은 제2 구성요소로 구별될 수 있다. 다만, 본 개시의 기술적 사상 내에서 실질적으로 동일하나 설명의 편의를 위해 구분되어야 하는 구성요소들도 제1 구성요소 혹은 제2 구성요소로 구별될 수도 있다.
본 개시에서 사용되는 "획득" 이라는 용어는, 외부 장치 혹은 시스템과의 유무선 통신 네트워크를 통해 데이터를 수신하는 것 뿐만 아니라, 온-디바이스(on-device) 형태로 데이터를 생성하는 것을 의미하는 것으로 이해될 수 있다.
한편, 본 개시에서 사용되는 용어 "모듈(module)", 또는 "부(unit)" 는 컴퓨터 관련 엔티티(entity), 펌웨어(firmware), 소프트웨어(software) 혹은 그 일부, 하드웨어(hardware) 혹은 그 일부, 소프트웨어와 하드웨어의 조합 등과 같이 컴퓨팅 자원을 처리하는 독립적인 기능 단위를 지칭하는 용어로 이해될 수 있다. 이때, "모듈", 또는 "부"는 단일 요소로 구성된 단위일 수도 있고, 복수의 요소들의 조합 혹은 집합으로 표현되는 단위일 수도 있다. 예를 들어, 협의의 개념으로서 "모듈", 또는 "부"는 컴퓨팅 장치의 하드웨어 요소 또는 그 집합, 소프트웨어의 특정 기능을 수행하는 응용 프로그램, 소프트웨어 실행을 통해 구현되는 처리 과정(procedure), 또는 프로그램 실행을 위한 명령어 집합 등을 지칭할 수 있다. 또한, 광의의 개념으로서 "모듈", 또는 "부"는 시스템을 구성하는 컴퓨팅 장치 그 자체, 또는 컴퓨팅 장치에서 실행되는 애플리케이션 등을 지칭할 수 있다. 다만, 상술한 개념은 하나의 예시일 뿐이므로, "모듈", 또는 "부"의 개념은 본 개시의 내용을 기초로 당업자가 이해 가능한 범주에서 다양하게 정의될 수 있다.
본 개시에서 사용되는 "모델(model)" 이라는 용어는 특정 문제를 해결하기 위해 수학적 개념과 언어를 사용하여 구현되는 시스템, 특정 문제를 해결하기 위한 소프트웨어 단위의 집합, 혹은 특정 문제를 해결하기 위한 처리 과정에 관한 추상화 모형으로 이해될 수 있다. 예를 들어, 신경망(neural network) "모델" 은 학습을 통해 문제 해결 능력을 갖는 신경망으로 구현되는 시스템 전반을 지칭할 수 있다. 이때, 신경망은 노드(node) 혹은 뉴런(neuron)을 연결하는 파라미터(parameter)를 학습을 통해 최적화하여 문제 해결 능력을 가질 수 있다. 신경망 "모델" 은 단일 신경망을 포함할 수도 있고, 복수의 신경망들이 조합된 신경망 집합을 포함할 수도 있다.
본 개시에서 사용되는 "블록(block)" 이라는 용어는 종류, 기능 등과 같은 다양한 기준을 기초로 구분된 구성의 집합으로 이해될 수 있다. 따라서, 하나의 "블록"으로 분류되는 구성은 기준에 따라 다양하게 변경될 수 있다. 예를 들어, 신경망 "블록"은 적어도 하나의 신경망을 포함하는 신경망 집합으로 이해될 수 있다. 이때, 신경망 "블록"에 포함된 신경망을 특정 연산을 동일하게 수행하는 것으로 가정할 수 있다. 전술한 용어의 설명은 본 개시의 이해를 돕기 위한 것이다. 따라서, 전술한 용어를 본 개시의 내용을 한정하는 사항으로 명시적으로 기재하지 않은 경우, 본 개시의 내용을 기술적 사상을 한정하는 의미로 사용하는 것이 아님을 주의해야 한다.
도 2는 본 개시의 일 실시예에 따른 컴퓨팅 장치의 블록 구성도이다.
본 개시의 일 실시예에 따른 컴퓨팅 장치(100)는 데이터의 종합적인 처리 및 연산을 수행하는 하드웨어 장치 혹은 하드웨어 장치의 일부일 수도 있고, 통신 네트워크로 연결되는 소프트웨어 기반의 컴퓨팅 환경일 수도 있다. 예를 들어, 컴퓨팅 장치(100)는 집약적 데이터 처리 기능을 수행하고 자원을 공유하는 주체인 서버일 수도 있고, 서버와의 상호 작용을 통해 자원을 공유하는 클라이언트(client)일 수도 있다. 또한, 컴퓨팅 장치(100)는 복수의 서버들 및 클라이언트들이 상호 작용하여 데이터를 종합적으로 처리하는 클라우드 시스템(cloud system)일 수도 있다. 상술한 기재는 컴퓨팅 장치(100)의 종류와 관련된 하나의 예시일 뿐이므로, 컴퓨팅 장치(100)의 종류는 본 개시의 내용을 기초로 당업자가 이해 가능한 범주에서 다양하게 구성될 수 있다.
도 2를 참조하면, 본 개시의 일 실시예에 따른 컴퓨팅 장치(100)는 프로세서(processor)(110), 메모리(memory)(120), 및 네트워크부(network unit)(130)를 포함할 수 있다. 다만, 도 2는 하나의 예시일 뿐이므로, 컴퓨팅 장치(100)는 컴퓨팅 환경을 구현하기 위한 다른 구성들을 포함할 수 있다. 또한, 상기 개시된 구성들 중 일부만이 컴퓨팅 장치(100)에 포함될 수도 있다.
본 개시의 일 실시예에 따른 프로세서(110)는 컴퓨팅 연산을 수행하기 위한 하드웨어 및/또는 소프트웨어를 포함하는 구성 단위로 이해될 수 있다. 예를 들어, 프로세서(110)는 컴퓨터 프로그램을 판독하여 기계 학습을 위한 데이터 처리를 수행할 수 있다. 프로세서(110)는 기계 학습을 위한 입력 데이터의 처리, 기계 학습을 위한 특징 추출, 역전파(backpropagation)에 기반한 오차 계산 등과 같은 연산 과정을 처리할 수 있다. 이와 같은 데이터 처리를 수행하기 위한 프로세서(110)는 중앙 처리 장치(CPU: central processing unit), 범용 그래픽 처리 장치(GPGPU: general purpose graphics processing unit), 텐서 처리 장치(TPU: tensor processing unit), 주문형 반도체(ASICc: application specific integrated circuit), 혹은 필드 프로그래머블 게이트 어레이(FPGA: field programmable gate array) 등을 포함할 수 있다. 상술한 프로세서(110)의 종류는 하나의 예시일 뿐이므로, 프로세서(110)의 종류는 본 개시의 내용을 기초로 당업자가 이해 가능한 범주에서 다양하게 구성될 수 있다.
프로세서(110)는 심전도 데이터를 기초로 심장질환을 진단하는 신경망 모델을 학습시킬 수 있다. 예를 들어, 프로세서(110)는 심전도 데이터와 함께, 성별, 나이, 체중, 신장 등의 정보를 포함하는 생물학적 정보를 기초로 부정맥 및 기타 심장질환을 추정하도록 신경망 모델을 학습시킬 수 있다. 구체적으로, 프로세서(110)는 심전도 데이터 및 각종 생물학적 정보를 신경망 모델에 입력하여 신경망 모델이 부정맥이나 기타 심장질환에 따른 심전도의 변화를 감지하도록, 신경망 모델을 학습시킬 수 있다. 이때, 신경망 모델은 심전도 데이터에서 추출한 특징들과 부정맥 및 기타 심장질환의 진단 데이터들 포함하는 심전도 데이터셋을 토대로 학습을 수행할 수 있다. 프로세서(110)는 신경망 모델의 학습 과정에서 신경망 모델에 포함된 적어도 하나의 신경망 블록을 표현하는 연산을 수행할 수 있다.
프로세서(110)는 상술한 학습 과정을 통해 생성된 신경망 모델을 이용하여 사용자가 입력한 심전도 데이터를 기초로 심전도 판독 결과 데이터를 추정할 수 있다. 프로세서(110)는 상술한 과정을 통해 학습된 신경망 모델로 심전도 데이터 및, 성별, 나이, 체중, 신장 등의 정보를 포함하는 생물학적 정보를 입력하여 심장 질환에 대한 확률을 추정한 결과를 나타내는 추론 데이터를 생성할 수 있다. 예를 들어, 프로세서(110)는 학습이 완료된 신경망 모델로 심전도 데이터를 입력하여, 부정맥이나 기타 심장질환 유무, 진행 정도 등을 예측할 수 있다.
상술한 예시 이외에도 의료 데이터의 종류 및 신경망 모델의 출력은 본 개시의 내용을 기초로 당업자가 이해 가능한 범주에서 다양하게 구성될 수 있다.
본 개시의 일 실시예에 따른 메모리(120)는 컴퓨팅 장치(100)에서 처리되는 데이터를 저장하고 관리하기 위한 하드웨어 및/또는 소프트웨어를 포함하는 구성 단위로 이해될 수 있다. 즉, 메모리(120)는 프로세서(110)가 생성하거나 결정한 임의의 형태의 데이터 및 네트워크부(130)가 수신한 임의의 형태의 데이터를 저장할 수 있다. 예를 들어, 메모리(120)는 플래시 메모리 타입(flash memory type), 하드디스크 타입(hard disk type), 멀티미디어 카드 마이크로 타입(multimedia card micro type), 카드 타입의 메모리, 램(ram: random access memory), 에스램(sram: static random access memory), 롬(rom: read-only memory), 이이피롬(eeprom: electrically erasable programmable read-only memory), 피롬(prom: programmable read-only memory), 자기 메모리, 자기 디스크, 광디스크 중 적어도 하나의 타입의 저장매체를 포함할 수 있다. 또한, 메모리(120)는 데이터를 소정의 체제로 통제하여 관리하는 데이터베이스(database) 시스템을 포함할 수도 있다. 상술한 메모리(120)의 종류는 하나의 예시일 뿐이므로, 메모리(120)의 종류는 본 개시의 내용을 기초로 당업자가 이해 가능한 범주에서 다양하게 구성될 수 있다.
메모리(120)는 프로세서(110)가 연산을 수행하는데 필요한 데이터, 데이터의 조합, 및 프로세서(110)에서 실행 가능한 프로그램 코드(code) 등을 구조화 및 조직화하여 관리할 수 있다. 예를 들어, 메모리(120)는 후술할 네트워크부(130)를 통해 수신된 심전도 데이터를 저장할 수 있다. 메모리(120)는 신경망 모델이 의료 데이터를 입력받아 학습을 수행하도록 동작시키는 프로그램 코드, 신경망 모델이 의료 데이터를 입력받아 컴퓨팅 장치(100)의 사용 목적에 맞춰 추론을 수행하도록 동작시키는 프로그램 코드, 및 프로그램 코드가 실행됨에 따라 생성된 가공 데이터 등을 저장할 수 있다.
본 개시의 일 실시예에 따른 네트워크부(130)는 임의의 형태의 공지된 유무선 통신 시스템을 통해 데이터를 송수신하는 구성 단위로 이해될 수 있다. 예를 들어, 네트워크부(130)는 근거리 통신망(LAN: local area network), 광대역 부호 분할 다중 접속(WCDMA: wideband code division multiple access), 엘티이(LTE: long term evolution), 와이브로(WIBRO: wireless broadband internet), 5세대 이동통신(5g), 초광역대 무선통신(ultra wide-band), 지그비(zigbee), 무선주파수(RF: radio frequency) 통신, 무선랜(wireless lan), 와이파이(wireless fidelity), 근거리 무선통신(NFC: near field communication), 또는 블루투스(bluetooth) 등과 같은 유무선 통신 시스템을 사용하여 데이터 송수신을 수행할 수 있다. 상술한 통신 시스템들은 하나의 예시일 뿐이므로, 네트워크부(130)의 데이터 송수신을 위한 유무선 통신 시스템은 상술한 예시 이외에 다양하게 적용될 수 있다.
네트워크부(130)는 임의의 시스템 혹은 임의의 클라이언트 등과의 유무선 통신을 통해, 프로세서(110)가 연산을 수행하는데 필요한 데이터를 수신할 수 있다. 또한, 네트워크부(130)는 임의의 시스템 혹은 임의의 클라이언트 등과의 유무선 통신을 통해, 프로세서(110)의 연산을 통해 생성된 데이터를 송신할 수 있다. 예를 들어, 네트워크부(130)는 병원 환경 내 데이터베이스, 의료 데이터의 표준화 등의 작업을 수행하는 클라우드 서버, 혹은 컴퓨팅 장치 등과의 통신을 통해 의료 데이터를 수신할 수 있다. 네트워크부(130)는 전술한 데이터베이스, 서버, 혹은 컴퓨팅 장치 등과의 통신을 통해, 신경망 모델의 출력 데이터, 및 프로세서(110)의 연산 과정에서 도출되는 중간 데이터, 가공 데이터 등을 송신할 수 있다.
도 3은 본 개시의 일 실시예에 따라 심전도 판독 서비스를 제공하는 시스템의 구성을 설명하는 블록도이고, 도 4는 본 개시의 일 실시예에 따른 사용자 단말에서의 서비스앱 실행 화면을 설명하는 예시도이다.
심전도 판독 서비스를 제공하는 시스템(200)은, 사용자 단말(210), 제1 서버(220), 제2 서버(230) 및 전문가 단말(240)를 포함하지만 이에 한정되지는 않는다.
사용자 단말(210)은 사용자 입력을 기초로 사용자에 대한 심전도 데이터를 생성하여 제1 서버(220)로 심전도 판독 요청을 수행하고, 제1 서버(220)를 통해 심전도 데이터에 대한 심전도 판독 결과 데이터를 열람할 수 있다.
이러한 사용자 단말(210)은 사용자 신체에 착용되어 심박수, 체지방률, 혈압 등 다양한 건강지표를 측정하여 수집할 수 있는 웨어러블 디바이스(111), 이와 연결되는 스마트 단말기(115)를 포함할 수 있다. 웨어러블 디바이스(111)는 일상생활 심전도를 측정할 수 있도록 식품 의약품 안전처에서 의료기기 인허가를 받은 전자 앱세사리(appcessory) 및 스마트 워치(smartwatch) 등을 포함할 수 있고, 스마트 단말기(115)는 휴대폰, 스마트 폰(smart phone), 노트북 컴퓨터(laptop computer), 디지털방송용 단말기, PDA(personal digital assistants), PMP(portable multimedia player), 네비게이션, 슬레이트 PC(slate PC), 태블릿 PC(tablet PC), 울트라북(ultrabook) 등이 포함될 수 있다. 여기서, 일상생활 심전도는 식약처 의료기기 인허가 받은 웨어러블 디바이스(111)를 사용하여 병원 외부에서 자가로 측정한 심전도를 의미할 수 있다.
한편, 본 개시에서는 손목 시계형이나 패치 등과 같은 웨어러블 디바이스(211)를 이용한 단유도 방식으로 심전도를 측정하는 것을 예시로 들어 설명하였으나, 이 외에도 12유도 방식, 6유도 방식 등 다양한 전극 조합을 이용하여 심전도를 측정할 수 있다. 심전도 측정 시간 또한 얻고자 하는 신호에 따라 가감되어 설정되는 것이 바람직하다.
스마트 단말기(215)는 심전도 판독 서비스와 관련된 서비스앱을 실행하여, 데이터 선택, 전송, 열람 및 다운로드 등의 기능을 수행할 수 있다. 사용자는 스마트 단말기(215)에서 실행되는 서비스앱을 통해 웨어러블 디바이스(211)에서 측정된 심전도 데이터를 선택한 후 제1 서버(220)로 전송할 수 있다(도 3의 (a) 참조). 이때, '심전도 데이터 연동' 버튼은 웨어러블 디바이스(111)에 설치된 앱을 통해 정해진 폴더에 저장되어 있는 심전도 데이터들을 서비스앱의 데이터 목록에 연동할 수 있다.
사용자 단말(210)은 서비스앱을 통해 제1 서버(220)에 접속하여 사용자에 대한 심전도 판독 결과 데이터를 열람, 다운로드, 지정된 메일로 전송하는 기능을 수행할 수 있다(도 3의 (b) 참조).
사용자 단말(210)은 서비스앱을 통해 제1 서버(220)에서 전송되는 알림 메시지를 확인할 수 있다(도 3의 (c) 참조). 이때, 서비스 앱을 통해 출력되는 메시지 창은 제1 서버(220)에서 사용자 단말(210)로 전송되는 일방향 메시지들만 저장되는 것으로서, 사용자는 해당 메시지 창을 통해 제1 서버(220)로 메시지를 전송할 수 없다. 그러나, 사용자는 알림 메시지를 수신할 제1 서버(220)를 메시지 수신 병원 목록에서 선택할 수 있고, 본인의 심전도 판독 결과 데이터를 공유할 제4 서버(250)를 결과지 공유 기관 목록에서 선택할 수 있다.
제1 서버(220)는 사용자 단말(210)로부터 심전도 데이터를 수신하고, 심전도 데이터에 대해 사용자 비식별화 처리를 위한 비식별화 코드값을 이용하여 사용자 식별 정보를 암호화하여 비식별 정보를 생성하고, 생성된 비식별 정보와 심전도 데이터를 포함하는 협진 요청 데이터를 생성할 수 있다. 또한, 제1 서버(220)는 제2 서버(230)로부터 심전도 판독 결과 데이터를 수신하여, 협진 요청 데이터의 비식별 정보를 비식별 코드값을 이용하여 복호화하여 사용자를 식별하고, 식별된 사용자와 심전도 판독 결과 데이터를 연계하여 저장할 수 있다. 이때, 제1 서버(220)는 비식별화 코드값을 사용자 단말이나 다른 서버와 공유하지 않고, 단방향 암호화 방식을 사용함으로써 개인정보의 식별성을 완전히 제거할 수 있다.
이러한 제1 서버(220)는 의료 서비스를 제공하는 의료 기관, 즉 병원, 보건소, 검진센터 등에 설치된 의료정보시스템과 연동하여 사용자 단말(210)을 통해 의료정보를 제공하는 서버일 수 있다.
제1 서버(220)는 사용자 단말(210)의 초기 접속 과정에서 사용자 인증을 거쳐 사용자 식별 정보를 부여하고, 사용자 단말(210)의 이미 생성되어 있는 비식별화 코드값을 사용자 식별 정보에 적용하여 암호화 과정을 거쳐 비식별 정보를 생성할 수 있다. 제1 서버(220)는 사용자 또는 사용자의 소속 기관별로 서로 다른 비식별화 코드값을 적용할 수 있다.
이때, 사용자 식별 정보는 환자 정보일 수 있다. 사용자 단말(210)이 제1 서버(220)에 최초 접속 시, 사용자 단말에 대한 환자 정보가 제1 서버(220)에 연동된 의료 기관에 없는 경우에 제1 서버(220)에서 사용자 동의 하에 사용자 식별 정보를 생성할 수 있다.
제2 서버(230)는 제1 서버(220)로부터 협진 요청 데이터를 수신하고, 사전 학습된 신경망 모델을 사용하여 협진 요청 데이터를 기초로 하는 심전도 데이터에 대한 심전도 판독 결과 데이터를 생성하여 제1 서버(220)로 전송할 수 있다.
제2 서버(230)는 사용자 단말(210)의 요청에 따라 앱 등록 절차를 통해 사용자 단말(210)에 서비스앱을 제공하고, 서비스앱에 대한 업데이트와 같은 후속 조치 등을 포함하여, 기 설정된 앱 관리 정책에 따른 앱 관리 서비스를 제공할 수 있다.
제2 서버(230)는 앱 등록 절차 과정에서, 심전도 판독 서비스를 이용하기 위해 개인 정보 및 데이터 제공에 대한 동의한 사용자 단말(210)에게 서비스앱을 제공하고, 사용자 단말(210)이 심전도 판독 결과 데이터를 공유하기 위한 공유 기관을 추가할 때마다 서비스앱을 통해 개별적으로 데이터 제공에 대한 동의를 받은 후에 데이터 전송을 수행하도록 할 수 있다.
제2 서버(230)는 신경망 모델에 의해 협진 요청 데이터에 포함된 심전도 데이터가 판독 가능한지 여부를 판단하고, 심전도 데이터의 판독 가능 여부에 따라 전문가 심층 판독을 위한 사용자 인터페이스를 전문가 단말(240)에 제공하고, 전문가 단말(240)과 통신하여 전문가 판독 정보를 획득할 수 있다.
제2 서버(230)는 신경망 모델에 의해 심전도 데이터가 판독 가능한 경우, 심전도 데이터를 사전 학습된 신경망 모델에 입력하여 심전도 판독 결과 데이터를 생성할 수 있다. 이때, 심전도 데이터가 판독 가능한 경우란 신경망 모델이 해석(또는 추론) 가능한 최소한의 정보가 심전도 데이터에 포함된 상태로 이해될 수 있다. 그리고, 심전도 판독 결과 데이터는 심전도 데이터의 측정자의 질환 발병 여부, 질환의 종류, 질환의 진행 정도, 질환 가능성 점수 등 질환 진단과 관련된 정보를 포함할 수 있다.
제2 서버(230)는 심전도 데이터에 포함된 노이즈 신호나 부정확한 측정으로 인한 오류 신호로 인해 심전도 판독이 불가능한 경우, 전문가 단말(240)로 협진 요청 데이터를 전송하여 협업을 요청할 수 있다. 전문가 단말(240)은 외부 전문가와 협업이 가능하여 전문가 심층 판독 서비스를 제공하는 심전도 판독 센터일 수 있다. 즉, 심전도 데이터가 신경망 모델의 해석(또는 추론)이 어려운 상태라면, 제2 서버(230)는 신속히 의료 전문가의 진단 서비스를 제공하는 전문가 단말(240)로 심전도 데이터를 포함한 협진 요청 데이터를 전송할 수 있다. 전문가 단말(240)에서도 판독이 불가능한 경우, 제2 서버(230)는 전문가 단말(240)의 피드백을 토대로 사용자 단말(210)로 심전도 재측정에 관한 안내를 전송할 수 있다. 심전도 재측정에 관한 안내는 사용자 단말(210)의 기종에 맞추어 제2 서버(230)에서 생성될 수 있고, 심전도 측정 방법, 측정 시간 등에 관한 정보를 포함할 수 있다.
한편, 제2 서버(230)는 신경망 모델의 결과에 따라 자동으로 전문가 판독이 실시하기 위해 전문가 단말(240)과 통신할 수 있다. 즉, 제2 서버(230)는 신경망 모델에 의한 심전도 데이터의 판독 결과가 '응급' 상태임을 나타내는 정보를 포함하는 경우, 사용자 동의가 없더라도 자동으로 전문가 단말(240)를 통해 전문가 심층 판독을 실시할 수 있다. 또는, 제2 서버(230)는 신경망 모델에 의한 심전도 데이터의 판독 결과에 질병 가능성에 대한 예측값이 기 설정된 임계치 이상인 경우, 환자 상태를 응급 수준으로 판단하여 사용자 동의가 없더라도 자동으로 전문가 단말(240)을 통해 전문가 심층 판독을 실시할 수 있다.
도 5는 본 개시의 일 실시예에 따라 심전도 판독 서비스를 제공하는 방법을 보여주는 순서도이고, 도 6은 본 개시의 일 실시예에 따른 심전도 판독 정보를 설명하는 예시도이다.
도 5를 참조하면, 적어도 하나의 프로세서를 포함하는 컴퓨팅 장치에 의해 수행되는 심전도 판독 서비스를 제공하는 방법으로서, 먼저 사용자 단말(210)에서 제1 서버(220)로 심전도 데이터를 획득하는 단계(S11)가 수행될 수 있다.
심전도 데이터는 웨어러블 디바이스(211)를 통해 측정된 것이 직접적으로 획득되거나, 웨어러블 디바이스(211)와 연결된 스마트 단말기(215)로부터 네트워크 통신을 통해 획득될 수 있다.
제1 서버(220)는 사용자 단말(210)로부터 전송되는 심전도 데이터를 저장하고, 사용자의 심전도 판독 요청에 따라 심전도 데이터에 대해 사용자 비식별화 처리를 위한 비식별 정보를 연계하여 협진 요청 데이터를 생성할 수 있다(S12, S13). 이때, 협진 요청 데이터는 비식별 정보 및 심전도 데이터를 포함하는데, 생물학적 정보와 심전도 측정시간을 더 포함할 수 있다 심전도 측정 시간은 동일한 사람이 적어도 1회 이상 심전도를 측정할 경우, 특정 시점에 측정한 심전도와 특정 판독 결과를 매칭하기 위해 필요한 데이터일 수 있다. 따라서, 심전도 측정 시간은 비식별 정보 또는 심전도 데이터 중 어느 하나에 포함될 수 있다.
제1 서버(220)는 협진 요청 데이터를 제2 서버(230)로 전송하고, 제2 서버(230)는 사전 학습된 신경망 모델을 사용하여, 협진 요청 데이터를 기초로 심전도 데이터의 사용자에 대한 심전도 판독 정보를 추정하고, 비식별 정보 및 심전도 판독 정보를 포함하는 심전도 판독 결과 데이터를 제1 서버(220)로 제공할 수 있다(S14, S15).
심전도는 개인마다 성별, 나이, 심장의 위치, 크기에 따라 다르기 때문에 개인의 고유한 신호이다. 따라서, 제2 서버(230)는 신경망 모델로 심전도 데이터와 함께 나이, 성별, 체중, 신장 중 적어도 하나를 포함하는 생물학적 정보를 입력하여, 심전도 데이터의 사용자에 대한 심전도 판독 정보를 추정하는 단계를 포함할 수 있다.
여기서, 신경망 모델은 딥러닝 알고리즘을 이용하여 심전도 데이터를 특징별로 학습하고, 학습된 모델을 이용하여 심장 질환의 진단명을 포함한 심전도 판독 정보를 도출할 수 있다. 또한, 신경망 모델은, 좌심실 수축기 장애와 심전도, 성별, 나이, 체중, 신장 등의 특성의 변화 간의 상관관계를 기초로 학습된 것일 수 있다. 구체적으로 신경망 모델은 심전도 및 심장질환의 진단 결과를 포함한 학습 데이터셋을 기초로 학습 데이터셋에서 여러 인자들 간의 상관관계를 기초로 학습된 것일 수 있다.
신경망 모델은 인체에 연결된 심전도 측정 기기의 전극으로부터 획득되는 12 리드로 측정된 심전도를 기초로 학습된 것일 수 있다. 일례로, 심전도는 10초 길이의 12 리드로 측정되고, 1초당 500개의 포인트로 저장될 수 있다. 추가로, 신경망 모델은 12 리드 심전도 중 6개의 림브 리드(limb lead) 심전도와 단일 리드(lead I) 심전도만을 추출한 부분 정보를 기초로 학습될 수 있다.
구체적으로, 신경망 모델은 심전도 데이터를 입력 받아 심전도 판독 정보를 출력할 수 있는데, 적어도 하나 이상의 컨볼루션 신경망(CNN), 배치 정규화(Batch normalization), 렐루 활성화 함수(ReLU activation function) 레이어를 포함하고, 드롭아웃(Dropout) 레이어를 포함할 수 있다. 신경망 모델은 나이, 성별, 신장, 체중 등의 생물학적 정보가 보조 정보로 입력되는 풀리 커넥티드(Fully connected) 레이어를 포함할 수 있다.
신경망 모델은 심전도 데이터의 복수의 리드들 각각에 대응되는 신경망을 포함할 수 있다. 즉, 신경망 모델은 개별 리드들로 측정된 심전도가 각각 입력되는 개별 신경망을 포함할 수 있다.
한편, 상술한 신경망 모델의 구조 및 신경망 종류는 하나의 예시일 뿐이므로, 본 발명의 일 실시예에 따른 신경망 모델은 상술한 예시를 토대로 다양하게 구성될 수 있다.
다시 도 5를 참조하면, 제1 서버(220)는 제2 서버(230)로부터 수신한 심전도 판독 결과 데이터에서 비식별화 코드값을 이용하여 비식별 정보를 복호화하여 사용자를 식별하고, 식별된 사용자와 심전도 판독 결과 데이터를 연계하여 저장할 수 있다(S16, S17). 도 6에 도시된 바와 같이, 제1 서버(220)는 식별된 사용자 식별 정보(예를 들어, 환자 정보) 및 심전도 데이터에 대한 진단 내용, 심장질환 소견 등의 질환 여부 및 질환 가능성 점수를 포함하는 심전도 판독 정보에 대한 심전도 판독 결과 데이터를 저장할 수 있다.
제1 서버(220)는 제2 서버(230)로부터 심전도 판독 결과 데이터가 수신되면, 기 설정된 시간 이내에 사용자 단말(210)의 서비스앱을 통해 알림 메시지를 전송할 수 있다.
사용자 단말(210)은 제1 서버(220)에 접속하여 본인의 심전도 판독 결과 데이터의 조회를 요청하고, 제1 서버(220)에서 제공하는 심전도 판독 정보를 열람할 수 있다(S21, S22, S23).
제1 서버(220)는 사용자 단말(210)에 심전도 판독 정보를 1차 판독 결과로 제공하면서, 전문가 판독 여부를 선택할 수 있도록 2차 판독 수신 동의에 대한 확인 메시지를 전송할 수 있다. 제1 서버(220)는 2차 판독 절차가 진행되는데 소요되는 비용 정보를 확인 메시지에 포함하여 제공할 수 있다.
2차 판독 수신에 동의한 사용자 단말(210)에 대해, 제1 서버(220)는 제2 서버(230)에 사용자 단말(210)의 2차 판독 요청을 알리고, 제2 서버(230)는 사용자 인터페이스를 전문가 단말(240)에 제공하여, 전문가 단말(240)로부터 전문가 판독 정보를 획득할 수 있다. 제2 서버(230)는 제1 서버(220)와 통신을 수행하여, 전문가 단말(240)로부터 획득된 심전도 데이터에 대해 판독한 전문가 판독 정보를 제1 서버(220)에 제공한다. 이때, 제2 서버(230)는 사용자 단말(210)에 대한 비식별 정보와 심전도 데이터를 포함한 협진 요청 데이터를 전문가 단말(240)로 전송할 수 있고, 제1 서버(220)는 제2 서버(230)를 통해 수신한 전문가 판독 정보를 2차 판독 결과로 사용자 단말(210)에 제공할 수 있다. 또는, 2차 판독 수신에 동의한 사용자 단말(210)에 대해, 제1 서버(220)는 제2 서버(230)를 통해 1차 판독 결과와 함께 비식별 정보를 전문가 단말(240)로 제공하도록 할 수 있다.
한편, 제2 서버(230)는 신경망 모델에 의해 1차 판독 결과를 생성한 후, 자동으로 전문가 단말(240)에 의해 2차 판독 결과가 생성되도록 전문가 단말(240)과 통신하여 전문가 판독 정보를 획득할 수 있다. 이때, 제2 서버(230)는 사용자 단말(210)의 최초 접속시 1차 판독 및 2차 판독에 대해 사전 동의 절차를 진행할 수 있다.
제1 서버(220)는 1차 판독 결과로서 '비응급'또는 '전문가 판독 요망'이라는 1차 판독 결과문을 사용자 단말(210)에 전송할 수 있고, 2차 판독 결과로서 질환명, 질병 가능성 등의 상세한 설명문이 포함된 전문가 판독 정보를 제공할 수 있다. 예를 들어, 전문가 판독 정보는"본 환자는 '조기심방수축'의 징후가 있습니다. 이상의 판독 결과는 환자의 최종 진단이나 확진 검사 결과가 아니므로, 가까운 병원에 내원하여 정확한 검사 및 진료를 받아보실 것을 권장합니다"라는 정보를 포함할 수 있다. 한편, 제2 서버(230)는 신경망 모델을 통해 추정된 심전도 판독 정보에 기 설정된 심전도 이상 진단 조건에 대한 예측 결과가 포함된 경우, 심전도 판독 결과 데이터에 심전도 이상 상태를 알리기 위한 경고 플래그 데이터를 추가할 수 있다. 이때, 심전도 이상 진단 조건은 빈맥의 빈도, QT 간격(interval)의 길이, P파, R파 및 T파의 편위 방향, 또는 QRS 지속시간 중 적어도 하나를 포함하는 심전도 특징에 기반하여 기 설정된 정상 기준에서 벗어난 비정상 심전도가 도출되는 것을 의미할 수 있다.
제1 서버(220)는 제2 서버(230)로부터 경고 플래그 데이터가 추가된 심전도 판독 결과 데이터가 수신되면, 사용자 단말(210)에 심전도 판독 결과 데이터에 대한 알림 서비스를 제공할 수 있다. 예를 들어, 제1 서버(220)는 의료진 또는 안내 담담자의 단말에 알림 서비스에 대한 내용을 전달하고, 의료진 또는 안내 담당자는 해당 사용자 단말(210)에 병원 또는 의료기관에 내원을 권고하는 문자 메시지 또는 통화 서비스를 제공할 수 있다.
사용자는 사용자 단말(210)에 제1 서버(220)로부터 알림 서비스가 제공된 경우, 서비스앱을 통해 결과지 공유 기관을 선택하여 제1 서버(220)에서 제4 서버(250)로 본인의 심전도 판독 결과 데이터가 전송되도록 할 수 있다. 이때, 제4 서버(250)는 사용자 연고지 근처 의료기관, 사용자의 보험 회사 등에 설치된 의료정보시스템일 수 있다.
이러한 시스템 및 시스템을 통해 수행되는 판독 과정을 통해 사용자는 원하는 시간 및 장소에서 자유롭고 심전도를 측정하여 손쉽게 건강 상태를 모니터링 할 수 있다. 그리고, 병원은 필요에 따라 사용자의 내원을 유도할 수 있으므로, 질환 발병 및 대처가 선제적으로 수행될 수 있는 의료 환경을 구축할 수 있다.
앞서 설명된 본 개시의 다양한 실시예는 추가 실시예와 결합될 수 있고, 상술한 상세한 설명에 비추어 당업자가 이해 가능한 범주에서 변경될 수 있다. 본 개시의 실시예들은 모든 면에서 예시적인 것이며, 한정적이 아닌 것으로 이해되어야 한다. 예를 들어, 단일형으로 설명되어 있는 각 구성요소는 분산되어 실시될 수도 있으며, 마찬가지로 분산된 것으로 설명되어 있는 구성요소들도 결합된 형태로 실시될 수 있다. 따라서, 본 개시의 특허청구범위의 의미, 범위 및 그 균등 개념으로부터 도출되는 모든 변경 또는 변형된 형태가 본 개시의 범위에 포함되는 것으로 해석되어야 한다.
Claims (15)
- 심전도 판독 서비스를 제공하는 시스템으로서,
사용자 입력을 기초로 사용자에 대한 심전도 데이터를 생성하여 심전도 판독 요청을 수행하고, 상기 심전도 데이터에 대한 심전도 판독 결과 데이터를 열람하는 사용자 단말;
상기 심전도 데이터를 수신하고, 상기 심전도 데이터에 대해 사용자 비식별화 처리를 위한 비식별화 코드값을 이용하여 비식별 정보를 생성하고, 상기 생성된 비식별 정보와 상기 심전도 데이터를 포함하는 협진 요청 데이터를 제공하는 제1 서버; 및
상기 협진 요청 데이터를 수신하고, 사전 학습된 신경망 모델을 사용하여 상기 협진 요청 데이터를 기초로 하는 상기 심전도 데이터에 대한 심전도 판독 결과 데이터를 생성하는 제2 서버를 포함하되,
상기 제1 서버는,
상기 제2 서버로부터 심전도 판독 결과 데이터를 수신하고, 상기 비식별화 코드값을 이용하여 상기 비식별 정보를 복호화하여 사용자를 식별하고, 식별된 사용자와 상기 심전도 판독 결과 데이터를 연계하여 저장하는,
시스템. - 제1항에 있어서,
상기 제1 서버는,
상기 심전도 판독 결과 데이터를 1차 판독 결과로 상기 사용자 단말에 제공하고, 상기 사용자 단말의 2차 판독 요청에 따라 상기 제2 서버와 통신하여, 전문가 심층 판독을 위한 전문가 단말로부터 전문가 판독 정보를 획득하여 상기 전문가 판독 정보를 포함하는 2차 판독 결과를 상기 사용자 단말에 제공하되,
상기 제2 서버는, 전문가 심층 판독을 위한 사용자 인터페이스를 상기 전문가 단말에 제공하고, 상기 전문가 단말로부터 전문가 판독 정보를 획득하여 상기 제1 서버로 제공하는,
시스템. - 제2항에 있어서,
상기 사용자 단말에 1차적으로 제공되는 심전도 판독 결과 데이터는,
상기 신경망 모델에 의해 수행되는, 질환 여부 또는 질환과 관련된 질환 가능성 점수 중 적어도 하나를 포함하고,
상기 전문가 심층 판독으로 제공되는 심전도 판독 결과 데이터는,
상기 질환에 관한 전문가 판독 정보를 포함하는,
시스템. - 제1항에 있어서,
상기 제2 서버는,
상기 신경망 모델에 의해 생성된 상기 심전도 판독 결과 데이터를 1차 판독 결과로 획득하고, 전문가 심층 판독을 위한 사용자 인터페이스를 전문가 단말에 제공하여, 상기 전문가 단말로부터 전문가 판독 정보를 2차 판독 결과로 획득한 후, 상기 1차 판독 결과 및 2차 판독 결과를 토대로 최종 심전도 판독 결과 데이터를 생성하는,
시스템. - 제1항에 있어서,
상기 제2 서버는,
상기 신경망 모델에 의해 상기 협진 요청 데이터에 포함된 심전도 데이터가 판독 가능한지 여부를 판단하고, 상기 심전도 데이터의 판독 가능 여부에 따라 전문가 심층 판독을 위한 사용자 인터페이스를 전문가 단말에 제공하여, 상기 전문가 단말로부터 전문가 판독 정보를 획득하는,
시스템. - 제5항에 있어서,
상기 제2 서버는,
상기 신경망 모델에 의해 상기 협진 요청 데이터에 포함된 심전도 데이터가 판독이 불가능한 경우, 상기 전문가 단말로 상기 협진 요청 데이터를 전송하고, 상기 전문가 단말에 의해 생성된 심전도 판독 결과 데이터를 수신하는,
시스템. - 제1항에 있어서,
상기 제2 서버는,
상기 심전도 판독 결과 데이터에 사용자가 응급 상태임을 나타내는 정보가 포함되는 경우, 전문가 심층 판독을 위한 사용자 인터페이스를 전문가 단말에 제공한 후 상기 전문가 단말로부터 전문가 판독 정보를 수신하는,
시스템. - 제1항에 있어서,
상기 제2 서버는,
상기 심전도 판독 결과 데이터에 포함된 질병 가능성에 대한 예측값과 기 설정된 임계치를 비교하고, 상기 비교의 결과에 따라 전문가 심층 판독을 위한 사용자 인터페이스를 전문가 단말에 제공하여 전문가 판독 정보를 획득하는,
시스템. - 제8항에 있어서,
상기 제2 서버는,
상기 예측값이 상기 기 설정된 임계값 이상인 경우, 상기 전문가 단말로 상기 협진 요청 데이터를 전송하고, 상기 전문가 단말에 의해 생성된 심전도 판독 결과 데이터를 수신하는,
시스템. - 제1항에 있어서,
상기 제1 서버는,
상기 사용자 단말의 초기 접속 과정에서 사용자 인증을 거쳐 사용자 식별 정보를 부여하고,
사용자 또는 사용자 그룹 별로 서로 다른 비식별화 코드값을 적용하여 상기 사용자 식별 정보를 비식별화 처리하여 상기 비식별 정보를 생성하는,
시스템. - 제1항에 있어서,
상기 제2 서버는,
상기 심전도 판독 결과 데이터에 기 설정된 심전도 이상 진단 조건에 대한 예측 결과가 포함된 경우, 상기 심전도 판독 결과 데이터에 심전도 이상 상태를 알리기 위한 경고 플래그 데이터를 추가하는,
시스템. - 제11항에 있어서,
상기 심전도 이상 진단 조건은,
심전도 특징에 기반하여 기 설정된 정상 기준에서 벗어난 비정상 심전도가 도출되는,
시스템. - 제11항에 있어서,
상기 제1 서버는,
상기 경고 플래그 데이터가 추가된 심전도 판독 결과 데이터가 수신되면, 상기 사용자 단말에 상기 심전도 판독 결과 데이터에 대한 알림 서비스를 제공하는,
시스템. - 제1항에 있어서,
상기 협진 요청 데이터는,
생물학적 정보 또는 심전도 측정 시간 중 적어도 하나를 더 포함하고,
상기 심전도 판독 결과 데이터는,
상기 비식별 정보 및 심전도 판독 정보를 포함하는,
시스템. - 적어도 하나의 프로세서를 포함하는 컴퓨팅 장치에 의해 수행되는, 심전도 판독 서비스를 제공하는 방법으로서,
사용자 단말은 사용자 입력을 기초로 사용자에 대한 심전도 데이터를 생성하여 제1 서버로 심전도 판독 요청을 수행하는 단계;
상기 제1 서버는 상기 사용자 단말로부터 심전도 데이터를 수신하고, 상기 심전도 데이터에 대해 사용자 비식별화 처리를 위한 비식별화 코드값을 이용하여 비식별 정보를 생성하고, 상기 생성된 비식별 정보와 상기 심전도 데이터를 포함하는 협진 요청 데이터를 생성하여 제2 서버로 전송하는 단계; 및
상기 제2 서버는 상기 제1 서버로부터 상기 협진 요청 데이터를 수신하고, 사전 학습된 신경망 모델을 사용하여 상기 협진 요청 데이터를 기초로 하는 상기 심전도 데이터에 대한 심전도 판독 결과 데이터를 생성하여 상기 제1 서버로 전송하는 단계를 포함하되,
상기 제1 서버는,
상기 제2 서버로부터 심전도 판독 결과 데이터를 수신하고, 상기 비식별화 코드값을 이용하여 상기 비식별 정보를 복호화하여 사용자를 식별하고, 식별된 사용자와 상기 심전도 판독 결과 데이터를 연계 저장하여, 상기 사용자 단말에서 사용자에 대한 심전도 판독 결과 데이터를 열람하도록 하는 것인,
방법.
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| PCT/KR2023/006146 WO2024005348A1 (ko) | 2022-06-28 | 2023-05-04 | 심전도 판독 서비스를 제공하는 시스템 및 그 방법 |
Applications Claiming Priority (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR20220079030 | 2022-06-28 | ||
| KR1020220079030 | 2022-06-28 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| KR20240002162A true KR20240002162A (ko) | 2024-01-04 |
Family
ID=89542618
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020230048239A KR20240002162A (ko) | 2022-06-28 | 2023-04-12 | 심전도 판독 서비스를 제공하는 시스템 및 그 방법 |
Country Status (1)
| Country | Link |
|---|---|
| KR (1) | KR20240002162A (ko) |
Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20150101892A (ko) | 2014-02-27 | 2015-09-04 | 동신대학교산학협력단 | 심전도 측정 시스템 및 측정 방법 |
-
2023
- 2023-04-12 KR KR1020230048239A patent/KR20240002162A/ko unknown
Patent Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20150101892A (ko) | 2014-02-27 | 2015-09-04 | 동신대학교산학협력단 | 심전도 측정 시스템 및 측정 방법 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Krittanawong et al. | Integration of novel monitoring devices with machine learning technology for scalable cardiovascular management | |
| Fayn et al. | Toward a personal health society in cardiology | |
| US20230414151A1 (en) | Mobile electrocardiogram system | |
| Ajmani et al. | Patient behaviour analysis and social health predictions through IoMT | |
| Alluhaidan et al. | Designing patient-centered mHealth technology intervention to reduce hospital readmission for heart-failure patients | |
| Akhtar et al. | An ontology-driven IoT based healthcare formalism | |
| Hebbale et al. | IoT and machine learning based self care system for diabetes monitoring and prediction | |
| Sandys et al. | Artificial intelligence and digital health for volume maintenance in hemodialysis patients | |
| CN116867436A (zh) | 医疗调查触发和呈现 | |
| US20220211332A1 (en) | Medical device system for monitoring patient health | |
| KR20240002162A (ko) | 심전도 판독 서비스를 제공하는 시스템 및 그 방법 | |
| WO2024005348A1 (ko) | 심전도 판독 서비스를 제공하는 시스템 및 그 방법 | |
| WO2022170099A1 (en) | Predicting adverse health events | |
| Singampalli et al. | AI-Based Internet of Things (AIoT): Applications of AI with IoT | |
| Talha et al. | Paving the way to cardiovascular health monitoring using Internet of Medical Things and Edge-AI | |
| Shen et al. | Toward a nationwide mobile-based public healthcare service system with wireless sensor networks | |
| KR20240032657A (ko) | 블록체인 기반의 심전도 데이터에 대한 거래 서비스를 제공하는 시스템 및 그 방법 | |
| KR20240032656A (ko) | 심전도 데이터의 거래 서비스를 제공하는 방법, 프로그램 및 장치 | |
| KR20240009892A (ko) | 심전도 측정 기능을 제공하는 키보드, 이를 포함하는시스템 및 그 방법 | |
| Ringe et al. | An Employee Health Monitoring System Using Wireless Body Area Networks and Machine Learning | |
| KR20240009884A (ko) | 심전도에 기반하여 응급 환자의 이송 서비스 및 입원환자의 모니터링을 제공하는 방법, 프로그램 및 장치 | |
| Shah et al. | Remote monitoring in heart failure: recent trends and future perspectives | |
| KR20240013676A (ko) | 심전도를 이용한 심근경색 진단 방법, 프로그램 및장치 | |
| WO2024014864A1 (ko) | 심전도 측정 기능을 제공하는 키보드, 이를 포함하는 시스템 및 그 방법 | |
| US20230069370A1 (en) | Ai-enabled access to healthcare services |