KR20240017319A - 심전도 판독 서비스를 제공하는 방법, 프로그램 및장치 - Google Patents
심전도 판독 서비스를 제공하는 방법, 프로그램 및장치 Download PDFInfo
- Publication number
- KR20240017319A KR20240017319A KR1020230096757A KR20230096757A KR20240017319A KR 20240017319 A KR20240017319 A KR 20240017319A KR 1020230096757 A KR1020230096757 A KR 1020230096757A KR 20230096757 A KR20230096757 A KR 20230096757A KR 20240017319 A KR20240017319 A KR 20240017319A
- Authority
- KR
- South Korea
- Prior art keywords
- additional information
- machine learning
- learning model
- readout
- data
- Prior art date
Links
- 238000000034 method Methods 0.000 title claims abstract description 32
- 238000010801 machine learning Methods 0.000 claims abstract description 86
- 201000010099 disease Diseases 0.000 claims abstract description 73
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 claims abstract description 73
- 230000015654 memory Effects 0.000 claims description 18
- 238000012360 testing method Methods 0.000 claims description 18
- 230000035945 sensitivity Effects 0.000 claims description 12
- 230000009471 action Effects 0.000 claims description 10
- 230000007613 environmental effect Effects 0.000 claims description 9
- 238000012549 training Methods 0.000 claims description 7
- 238000004590 computer program Methods 0.000 claims description 6
- 238000007689 inspection Methods 0.000 claims description 6
- 238000010200 validation analysis Methods 0.000 claims description 3
- 238000013473 artificial intelligence Methods 0.000 description 15
- 238000013528 artificial neural network Methods 0.000 description 13
- 238000004891 communication Methods 0.000 description 13
- 230000008569 process Effects 0.000 description 12
- 238000012545 processing Methods 0.000 description 12
- 206010003658 Atrial Fibrillation Diseases 0.000 description 8
- 239000000284 extract Substances 0.000 description 7
- 238000004364 calculation method Methods 0.000 description 5
- 230000036541 health Effects 0.000 description 5
- 238000011282 treatment Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 238000003062 neural network model Methods 0.000 description 3
- 239000013589 supplement Substances 0.000 description 3
- 238000012795 verification Methods 0.000 description 3
- BSYNRYMUTXBXSQ-UHFFFAOYSA-N Aspirin Chemical compound CC(=O)OC1=CC=CC=C1C(O)=O BSYNRYMUTXBXSQ-UHFFFAOYSA-N 0.000 description 2
- 229960001138 acetylsalicylic acid Drugs 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 230000002785 anti-thrombosis Effects 0.000 description 2
- 239000003146 anticoagulant agent Substances 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 229940079593 drug Drugs 0.000 description 2
- 239000003814 drug Substances 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 208000010125 myocardial infarction Diseases 0.000 description 2
- 208000000924 Right ventricular hypertrophy Diseases 0.000 description 1
- 208000003734 Supraventricular Tachycardia Diseases 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000009474 immediate action Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000007774 longterm 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
- 210000002569 neuron Anatomy 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 230000002250 progressing effect Effects 0.000 description 1
- 238000000718 qrs complex Methods 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 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
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7235—Details of waveform analysis
- A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
-
- 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
- A61B5/7465—Arrangements for interactive communication between patient and care services, e.g. by using a telephone network
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
- G06F16/33—Querying
- G06F16/338—Presentation of query results
-
- 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
- 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
- G16H30/00—ICT specially adapted for the handling or processing of medical images
- G16H30/20—ICT specially adapted for the handling or processing of medical images for handling medical images, e.g. DICOM, HL7 or PACS
-
- 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
- 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
-
- 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)
- Pathology (AREA)
- Epidemiology (AREA)
- Primary Health Care (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- Databases & Information Systems (AREA)
- Theoretical Computer Science (AREA)
- Artificial Intelligence (AREA)
- Heart & Thoracic Surgery (AREA)
- Molecular Biology (AREA)
- Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- Veterinary Medicine (AREA)
- Biophysics (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Cardiology (AREA)
- General Physics & Mathematics (AREA)
- Psychiatry (AREA)
- Computational Linguistics (AREA)
- Nursing (AREA)
- Signal Processing (AREA)
- Fuzzy Systems (AREA)
- Physiology (AREA)
- Computing Systems (AREA)
- Business, Economics & Management (AREA)
- General Business, Economics & Management (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
Abstract
본 개시의 일 실시예에 따라 컴퓨팅 장치에 의해 수행되는, 심전도 판독 서비스를 제공하는 방법, 프로그램 및 장치가 개시된다. 상기 방법은, 심전도를 기초로 질환을 진단하도록 사전 학습된 제 1 머신러닝 모델을 이용하여 생성된 판독문을 분석하여, 상기 판독문에 포함된 판독 결과에 대한 제 1 추가 정보를 생성하는 단계; 상기 판독문을 생성하는데 이용된 제 1 머신러닝 모델과 관련된 정보를 제 2 추가 정보로 생성하는 단계; 및 상기 제 1 추가 정보 또는 상기 제 2 추가 정보 중 적어도 하나를 사용자 인터페이스를 통해 제공하는 단계를 포함할 수 있다.
Description
본 개시의 내용은 의료 분야의 데이터 처리 기술에 관한 것으로, 구체적으로 인공지능을 이용한 심전도 판독의 결과를 보충할 수 있는 정보를 가공하여 추가적으로 제공할 수 있는 방법에 관한 것이다.
기존에 수행되고 있던 심전도 자동 판독은 심전도를 기반으로 단순히 어떤 질환이 있을 수 있다는 것만 이야기 해준다. 하지만, 어떤 질환이 있을 수 있다는 정보만으로는 심전도 판독 결과를 확인하는 의사에게 도움이 되지 않는다. 심전도 판독 서비스를 이용하는 의사들(즉, 심전도 판독 서비스를 의뢰한 의사들)은 심전도 판독에 대한 전문 지식이 부족한 의사들이기 때문에, 심전도에서 어떤 질병이 의심된다는 판독 결과를 확인하더라도 이를 고치기 위해 어떤 검사나 치료를 처방해야 하는지 잘 알지 못한다. 따라서, 이런 의뢰자(비전문의)에게 A라는 병이 있다는 것 뿐만 아니라 어떤 검사를 추가로 해야 하는지, 어떤 처방을 내려야 하는지 등을 함께 이야기해줄 필요가 있다.
또한, 기존에 수행되고 있던 심전도 자동 판독에서는 판독 결과가 나오는 이유를 함께 설명하지 못하기 때문에, 판독 결과에 대한 신뢰도를 외부에서 확인하기 어려운 측면이 존재한다. 따라서, 심전도 판독 서비스를 이용하는 의사들이 판독 결과를 신뢰하지 못하고 사용하지 않는 경우가 발생할 가능성이 존재한다.
본 개시는 심전도 판독 결과로 질환을 진단하는 것에 그치는 것이 아니라, 추가로 해야 할 검사나 조치 등 진단 결과를 보충할 수 있고 판독 결과가 도출된 이유를 설명할 수 있는 추가적인 정보를 함께 제공하는 방법을 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 컴퓨팅 장치에 의해 수행되는, 심전도 판독 서비스를 제공하는 방법이 개시된다. 상기 방법은, 심전도를 기초로 질환을 진단하도록 사전 학습된 제 1 머신러닝 모델을 이용하여 생성된 판독문을 분석하여, 상기 판독문에 포함된 판독 결과에 대한 제 1 추가 정보를 생성하는 단계; 상기 판독문을 생성하는데 이용된 제 1 머신러닝 모델과 관련된 정보를 제 2 추가 정보로 생성하는 단계; 및 상기 제 1 추가 정보 또는 상기 제 2 추가 정보 중 적어도 하나를 사용자 인터페이스를 통해 제공하는 단계를 포함할 수 있다.
대안적으로, 상기 심전도를 기초로 질환을 진단하도록 사전 학습된 제 1 머신러닝 모델을 이용하여 생성된 판독문을 분석하여, 상기 판독문에 포함된 판독 결과에 대한 제 1 추가 정보를 생성하는 단계는, 상기 판독문에 포함된 질환 명칭 혹은 심전도 특징 중 적어도 하나를 키워드로 추출하는 단계; 및 기 구축된 키워드 데이터베이스 또는 사전 학습된 생성형 모델인 제 2 머신러닝 모델을 이용하여, 상기 추출된 키워드와 관련된 처방, 검사 또는 후속 조치 중 적어도 하나를 포함하는 제 1 추가 정보를 생성하는 단계를 포함할 수 있다.
대안적으로, 상기 기 구축된 키워드 데이터베이스는, 질환 명칭에 대응되는 키(key) 데이터, 상기 질환 명칭과 연관된 처방, 검사 또는 후속 조치에 관한 명칭 중 적어도 하나에 대응되는 서브 키 데이터 및 상기 서브 키 데이터에 대응되는 컨텐츠 데이터를 구성요소로 포함하는 데이터 구조로 데이터를 관리할 수 있다.
대안적으로, 기 구축된 키워드 데이터베이스 또는 사전 학습된 생성형 모델인 제 2 머신러닝 모델을 이용하여, 상기 추출된 키워드와 관련된 처방, 검사 또는 후속 조치 중 적어도 하나를 포함하는 제 1 추가 정보를 생성하는 단계는, 상기 기 구축된 키워드 데이터베이스에서 상기 추출된 키워드에 매칭되는 키 데이터를 도출하는 단계; 및 상기 도출된 키 데이터를 기준으로 서브 키 데이터 및 컨텐츠 데이터를 추출하여, 상기 제 1 추가 정보를 생성하는 단계를 포함할 수 있다.
대안적으로, 상기 제 2 머신러닝 모델은, 의료진에 의해 작성된 혹은 검수된 판독문 데이터, 또는 의무전자기록 데이터 중 적어도 하나를 포함하는 학습 데이터를 기초로, 상기 학습 데이터에 포함된 키워드와 관련된 처방, 검사 또는 후속 조치에 관한 정보를 생성하도록 사전 학습될 수 있다.
대안적으로, 상기 제 1 머신러닝 모델은, 심전도를 입력 받아, 질환의 발병 가능성 또는 진행 경과를 나타내는 스코어를 출력하도록 사전 학습될 수 있다.
대안적으로, 상기 제 2 추가 정보는, 상기 제 1 머신러닝 모델로부터 출력된 스코어에 대한 판독 기준에 대응되는 컷오프 값, 상기 제 1 머신러닝 모델이 분석하는 질환의 유병률, 상기 제 1 머신러닝 모델의 민감도, 상기 제 1 머신러닝 모델의 특이도, 상기 제 1 머신러닝 모델의 학습 데이터에 관한 정보, 또는 상기 제 1 머신러닝 모델의 검증(validation) 데이터에 관한 정보 중 적어도 하나를 포함할 수 있다.
대안적으로, 상기 컷오프 값 또는 상기 유병률은, 상기 제 1 머신러닝 모델에 입력된 심전도 데이터가 측정된 환경 정보를 기초로 결정될 수 있다.
대안적으로, 상기 민감도 또는 상기 특이도는, 상기 결정된 컷오프 값을 기초로 결정될 수 있다.
대안적으로, 상기 제 1 추가 정보 또는 상기 제 2 추가 정보 중 적어도 하나를 사용자 인터페이스를 통해 제공하는 단계는, 상기 사용자 인터페이스를 통해 입력된 제 2 사용자 요청에 따라, 상기 제 1 추가 정보 또는 상기 제 2 추가 정보 중 적어도 하나를 상기 판독문과 함께 시각화 하는 단계를 포함할 수 있다.
전술한 바와 같은 과제를 실현하기 위한 본 개시의 일 실시예에 따라 컴퓨터 판독가능 저장 매체에 저장된 컴퓨터 프로그램(program)이 개시된다. 상기 컴퓨터 프로그램은 하나 이상의 프로세서에서 실행되는 경우, 심전도 판독 서비스를 제공하기 위한 동작들을 수행하도록 한다. 이때, 상기 동작들은, 심전도를 기초로 질환을 진단하도록 사전 학습된 제 1 머신러닝 모델을 이용하여 생성된 판독문을 분석하여, 상기 판독문에 포함된 판독 결과에 대한 제 1 추가 정보를 생성하는 동작; 상기 판독문을 생성하는데 이용된 제 1 머신러닝 모델과 관련된 정보를 제 2 추가 정보로 생성하는 동작; 및 상기 제 1 추가 정보 또는 상기 제 2 추가 정보 중 적어도 하나를 사용자 인터페이스를 통해 제공하는 동작을 포함할 수 있다.
전술한 바와 같은 과제를 실현하기 위한 본 개시의 일 실시예에 따라, 심전도 판독 서비스를 제공하기 위한 컴퓨팅 장치가 개시된다. 상기 장치는, 적어도 하나의 코어(core)를 포함하는 프로세서; 상기 프로세서에서 실행 가능한 프로그램 코드(code)들을 포함하는 메모리(memory)를 포함할 수 있다. 이때, 상기 프로세서는, 심전도를 기초로 질환을 진단하도록 사전 학습된 제 1 머신러닝 모델을 이용하여 생성된 판독문을 분석하여, 상기 판독문에 포함된 판독 결과에 대한 제 1 추가 정보를 생성하고, 상기 판독문을 생성하는데 이용된 제 1 머신러닝 모델과 관련된 정보를 제 2 추가 정보로 생성하고, 상기 제 1 추가 정보 또는 상기 제 2 추가 정보 중 적어도 하나를 사용자 인터페이스를 통해 제공할 수 있다.
본 개시는 심전도 판독 결과로 질환을 진단하는 것에 그치는 것이 아니라, 추가로 해야 할 검사나 조치 등 진단 결과를 보충할 수 있고 판독 결과가 도출된 이유를 설명할 수 있는 추가적인 정보를 함께 제공함으로써, 판독 결과에 대한 신뢰도를 높일 수 있고, 고객이 판독 결과를 정확하게 이해할 수 있도록 도움을 줄 수 있다.
도 1은 본 개시의 일 실시예에 따른 컴퓨팅 장치의 블록도이다.
도 2는 본 개시의 일 실시예에 따라 심전도 판독 서비스를 제공하는 과정을 나타낸 블록도이다.
도 3은 본 개시의 일 실시예에 따른 심전도 판독 서비스를 제공하는 방법을 나타낸 순서도이다.
도 2는 본 개시의 일 실시예에 따라 심전도 판독 서비스를 제공하는 과정을 나타낸 블록도이다.
도 3은 본 개시의 일 실시예에 따른 심전도 판독 서비스를 제공하는 방법을 나타낸 순서도이다.
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 제 1 구성요소 혹은 제 2 구성요소로 구별될 수 있다. 다만, 본 개시의 기술적 사상 내에서 실질적으로 동일하나 설명의 편의를 위해 구분되어야 하는 구성요소들도 제 1 구성요소 혹은 제 2 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.
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 1은 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 1을 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 1은 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 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(ASIC: 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 인공지능 기반으로 생성된 판독문을 분석하여, 판독문에 포함된 판독 결과에 대한 제 1 추가 정보를 생성할 수 있다. 프로세서(110)는 판독문에 포함된 텍스트를 분석하고, 분석된 텍스트에 매칭되는 정보를 기 구축된 데이터베이스 혹은 머신러닝 모델을 이용하여 도출할 수 있다. 이때, 제 1 추가 정보는 판독 결과로 도출된 질환과 관련된 처방, 검사 또는 후속 조치 등과 같이 질환의 진단에 도움을 줄 수 있는 정보로 이해될 수 있다. 예를 들어, 인공지능 기반으로 생성된 판독문에 "심방세동이 의심된다." 와 같이 단순히 어떤 질환이 있을 수 있다는 내용이 포함되면, 프로세서(110)는 판독문의 텍스트를 분석하여, '심방세동' 이라는 키워드를 추출할 수 있다. 그리고, 프로세서(110)는 기 구축된 데이터베이스 또는 머신러닝 모델을 통해 '심방세동' 과 관련된 추가적인 검사와 치료 등에 대한 정보를 추출할 수 있다. 프로세서(110)는 추출된 정보를 텍스트로 정리하여, "처음 발견된 소견이라면 심장내과 전문의 진료가 필요하다. 24시간 심전도 검사가 추가로 필요하고 항혈전제 투약이 필요하다. 아스피린을 처방하고 심장내과 전문의가 있는 병원으로 의뢰를 권고한다." 와 같은 형태로 제 1 추가 정보를 생성할 수 있다. 이때, 프로세서(110)가 정보를 추출하는 데이터베이스는 질환 및 질환과 관련된 처방, 검사 또는 후속 조치 등의 보충적 정보가 통합 관리되는 데이터의 집합일 수 있다. 그리고, 머신러닝 모델은 판독문의 텍스트를 분석하여 도출된 키워드를 기초로 키워드와 연관된 처방, 검사 또는 후속 조치 등과 같은 보충적 정보를 생성하도록 사전 학습된 모델일 수 있다.
상술한 바와 같이 프로세서(110)에 의해 생성된 제 1 추가 정보를 통해, 심전도 판독을 의뢰한 고객은 추가적인 의학적 판단이나 정보 수집을 수행하지 않더라도 질환의 진단 혹은 추가적인 조치를 원활하게 수행할 수 있다. 특히, 심전도 서비스를 이용하는 비전문의는 심전도를 분석하여 어떤 질환이 의심되었을 때 추가적으로 어떤 검사나 처치를 해야 하는지 잘 모르는 경우가 많기 때문에, 제 1 추가 정보는 질환의 진단 및 즉각적인 대처에 실질적인 도움을 줄 수 있다.
프로세서(110)는 서비스를 통해 판독 결과 뿐만 아니라 판독 결과가 도출된 이유도 함께 제공하기 위해서, 판독문을 분석하는데 사용된 인공지능 모델과 관련된 제 2 추가 정보를 생성할 수 있다. 판독문이 생성되면, 프로세서(110)는 판독문을 분석하는데 사용된 인공지능 모델을 파악할 수 있다. 그리고, 프로세서(110)는 인공지능 모델의 개발에 사용된 데이터의 종류, 인공지능 모델의 출력과 관련된 지표, 인공지능 모델의 출력에 대한 가공 방법 등을 분석하여, 판독 결과가 도출된 근거에 대응되는 제 2 추가 정보를 생성할 수 있다. 이때, 제 2 추가 정보를 생성하기 위해 수행되는 인공지능 모델에 대한 분석은 인공지능 모델을 개발하거나 업데이트 할 때 사용된 데이터에 관한 정보, 판독을 위해 인공지능 모델에 입력된 데이터와 관련된 정보, 인공지능 모델의 출력과 관련된 정보 등이 관리되는 데이터베이스를 기반으로 수행될 수 있다. 예를 들어, 프로세서(110)는 판독문을 생성하는데 사용된 머신러닝 모델의 사양(specification), 판독에 사용되거나 판독 결과로 도출된 데이터 자체 혹은 데이터와 관련된 정보에 대한 분석을 수행할 수 있다. 구체적으로, 프로세서(110)는 판독에 사용된 머신러닝 모델을 개발하는데 사용한 데이터, 모델의 출력 정확도, 모델의 출력 정확도를 검증한 병원에 대한 정보, 모델의 민감도, 모델의 특이도, 또는 모델이 분석한 질환의 유병률 등과 같은 통계 정보 중 적어도 하나를 제 2 추가 정보로 생성할 수 있다.
상술한 바와 같이 프로세서(110)에 의해 생성된 제 2 추가 정보를 통해, 심전도 판독을 의뢰한 고객은 판독 결과 뿐만 아니라, 판독에 사용된 모델은 어떠한 데이터를 통해 만들어졌고, 어떠한 연구 결과를 통해 검증되었으며, 판독 결과로 도출된 질환의 유병률은 얼마인지 등과 같은 판독 결과가 도출된 근거에 대한 정보를 얻을 수 있다. 또한, 제 2 추가 정보는 모델이 데이터를 분석하여 질환이 있을 것이라고 판단하는 확률 값 뿐만 아니라, 그 판단에 대한 신뢰도(certainty, uncertainty)를 함께 포함할 수 있으므로, 판독 결과의 신뢰도를 높일 수 있고, 고객이 판독 결과의 의미를 정확하게 이해할 수 있도록 도울 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 조직화 하여 관리할 수 있다. 예를 들어, 메모리(120)는 후술할 네트워크부(130)를 통해 수신된 의료 데이터를 저장할 수 있다. 메모리(120)는 의료 데이터를 처리하기 위한 룰을 저장하는 프로그램 코드, 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, 스마트 워치와 같은 클라이언트 혹은 의료 컴퓨팅 장치 등과의 통신을 통해 의료 데이터를 수신할 수 있다. 네트워크부(130)는 전술한 데이터베이스, 서버, 클라이언트 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 2는 본 개시의 일 실시예에 따라 심전도 판독 서비스를 제공하는 과정을 나타낸 블록도이다.
본 개시의 일 실시예에 따른 컴퓨팅 장치(100)는 심전도 데이터(10)를 제 1 머신러닝 모델(200)에 입력하여 질환의 발병 가능성 또는 진행 경과를 나타내는 질환 스코어(20)를 산출할 수 있다. 이때, 질환 스코어(20)는 0점 내지 100점의 수치로 표현될 수 있다. 질환 스코어(20)가 0점에 가까울수록 질환의 발병 가능성이 낮고 건강한 상태를 나타내고, 100점에 가까울수록 질환의 발병 가능성이 높거나 질환의 중증도가 높은 위험한 상태를 나타낼 수 있다.
한편, 제 1 머신러닝 모델(200)은 심전도 데이터와 질환의 발병 가능성 또는 진행 경과를 나타내는 라벨을 포함하는 학습 데이터를 기초로 학습된 모델일 수 있다. 예를 들어, 제 1 머신러닝 모델(200)은 학습 데이터에 포함된 심전도 데이터를 입력 받아 심전도 특징을 추출할 수 있다. 이때, 심전도 특징은 P파, QRS 복합체, T파 등과 같은 심전도 신호의 파형에서 파악되는 특징으로 이해될 수 있다. 제 1 머신러닝 모델(200)은 추출된 심전도 특징을 기초로 질환 스코어를 산출할 수 있다. 그리고, 제 1 머신러닝 모델(200)은 산출된 질환 스코어와 라벨을 비교하여 신경망 파라미터를 업데이트할 수 있다. 이때, 질환 스코어와 라벨의 비교는 손실 함수를 기초로 수행될 수 있다. 손실 함수를 통해 질환 스코어와 라벨 간의 오차가 산출되면, 제 1 머신러닝 모델(200)은 오차가 최소 기준을 만족할 때까지 신경망 파라미터를 업데이트 하는 과정을 반복 수행할 수 있다. 상술한 예시와 같은 지도 학습 이외에도 제 1 머신러닝 모델(200)은 어텐션(attention) 레이어를 포함하는 신경망을 포함하여 자기 지도 학습을 통해 학습을 수행할 수도 있다.
컴퓨팅 장치(100)는 질환 스코어(20)를 토대로 질환의 발생 유무를 판별할 수 있다. 컴퓨팅 장치(100)는 질환 스코어(20)와 컷오프 값을 비교하여, 심전도 데이터(10)를 측정한 대상의 질환 발병 유무를 판단할 수 있다. 예를 들어, 질환 스코어(20)가 컷오프 값 이상인 경우, 컴퓨팅 장치(100)는 심전도 데이터(10)를 측정한 대상에게 질환이 발병한 것으로 판단할 수 있다. 질환 스코어(20)가 컷오프 값 미만인 경우, 컴퓨팅 장치(100)는 심전도 데이터(10)를 측정한 대상에게 질환이 발병하지 않은 것으로 판단할 수 있다. 이때, 컷오프 값은 심전도 데이터(10)가 측정된 환경에 따라 동적으로 변화하는 값으로 이해될 수 있다. 측정 환경이 의료 환경 중에서도 응급도가 낮은 건강검진센터인 경우, 컷오프 값은 높아질 수 있고, 측정 환경이 의료 환경 중에서도 응급도가 높은 중환자실인 경우, 컷오프 값은 낮아질 수 있다.
컴퓨팅 장치(100)는 프로세서(110)를 통해 구현되는 판독문 생성부(300)를 통해 판독 결과를 텍스트 형태로 정리하여 판독문을 생성할 수 있다. 예를 들어, 판독문은 "CONSIDER RIGHT VENTRICULAR HYPERTROPHY ... large R or R' V1/V2", "SUPRAVENTRICULAR TACHYCARDIA, RATE 231 ... V-rate>(220-age) or 150" 등과 같이 판독 정보가 텍스트로 나열된 형태일 수 있다. 이때, 판독문에 나열되는 판독 정보는 질환 명칭, 해당 질환의 심전도 특징 등을 포함할 수 있다.
컴퓨팅 장치(100)는 프로세서(110)를 통해 구현되는 추가 정보 생성부(400)를 통해 판독문에 포함된 텍스트 형태의 판독 결과에서 키워드를 추출할 수 있다. 컴퓨팅 장치(100)는 추가 정보 생성부(400)를 통해 추출된 키워드와 관련된 질환의 처방, 검사 또는 후속 조치 중 적어도 하나를 포함하는 제 1 추가 정보(30)를 생성할 수 있다. 이때, 제 1 추가 정보(30)는 기 구축된 키워드 데이터베이스 또는 사전 학습된 생성형 모델인 제 2 머신러닝 모델을 통해 생성될 수 있다.
예를 들어, 추가 정보 생성부(400)는 판독문에 포함된 텍스트 형태의 판독 정보에서 질환 명칭 또는 심전도 특징 중 적어도 하나를 키워드로 추출할 수 있다. 추가 정보 생성부(400)는 추출된 키워드와 매칭되는 질환의 처방, 검사 또는 후속 조치 중 적어도 하나에 대한 정보가 저장된 키워드 데이터베이스를 탐색하여, 제 1 추가 정보(30)를 생성할 수 있다. 이때, 키워드 데이터베이스는 질환 명칭에 대응되는 키(key) 데이터, 질환 명칭과 연관된 처방, 검사 또는 후속 조치에 관한 명칭 중 적어도 하나에 대응되는 서브 키 데이터 및 서브 키 데이터에 대응되는 컨텐츠 데이터를 구성요소로 포함하는 데이터 구조로 데이터를 관리할 수 있다. 추가 정보 생성부(400)는 [키 데이터 - 서브 키 데이터 - 컨텐츠 데이터]의 형태로 데이터를 구조화 한 키워드 데이터베이스에서, 질환 명칭 혹은 심전도 특징 중 적어도 하나에 대응되는 키워드와 매칭되는 키 데이터를 탐색할 수 있다. 그리고, 추가 정보 생성부(400)는 키워드 데이터베이스에서 키 데이터와 연계된 서브 키 데이터 및 컨텐츠 데이터를 추출하여 제 1 추가 정보(30)를 생성할 수 있다.
또한, 추가 정보 생성부(400)는 판독문에서 추출된 키워드와 관련된 처방, 검사 또는 후속 조치 중 적어도 하나에 관한 정보를 생성하는 제 2 머신러닝 모델을 통해, 제 1 추가 정보(30)를 생성할 수도 있다. 추가 정보 생성부(400)는 제 2 머신러닝 모델에 판독문에서 추출된 텍스트 형태의 질환 명칭 또는 심전도 특징 중 적어도 하나를 입력하여, 키워드와 관련된 처방, 검사 또는 후속 조치 중 적어도 하나에 관한 정보를 텍스트 형태의 데이터로 생성할 수 있다. 이때, 제 2 머신러닝 모델에 입력되는 데이터 형태는 판독문에서 추출된 키워드 자체일 수도 있고, 키워드가 포함된 문장일 수도 있다. 판독문에서 추출된 질환 명칭이 심방세동이라고 가정하면, 추가 정보 생성부(400)는 "심방세동" 이라는 단어 혹은 "심방세동이 의심된다" 라는 문장을 제 2 머신러닝 모델에 입력하여, "심방세동이 처음 발견된 소견이라면 심장내과 전문의 진료가 필요하다. 24시간 심전도 검사가 추가로 필요하고 항혈전제 투약이 필요하다. 아스피린을 처방하고 심장내과 전문의가 있는 병원으로 의뢰를 권고한다. " 와 같은 심방세동과 관련된 처방, 검사 또는 후속 조치 중 적어도 하나에 관한 정보를 제 1 추가 정보(30)로 생성할 수 있다.
한편, 제 2 머신러닝 모델은 의료진에 의해 작성된 혹은 검수된 판독문 데이터, 또는 의무전자기록 데이터 중 적어도 하나를 포함하는 학습 데이터를 기초로, 학습 데이터에 포함된 키워드와 관련된 처방, 검사 또는 후속 조치에 관한 정보를 생성하도록 사전 학습된 모델일 수 있다. 예를 들어, 제 2 머신러닝 모델은 순환 신경망(RNN: recurrent neural network), 장단기기억(LSTM: long short term memory) 신경망, 혹은 트랜스포머(transformer)와 등과 같이 시퀀셜(sequential) 데이터를 처리할 수 있는 신경망을 포함할 수 있다. 그리고, 제 2 머신러닝 모델은 학습 데이터에 포함된 라벨을 통해 지도 학습을 기반으로 학습될 수도 있고, 자기 지도 학습을 통해 학습될 수도 있다.
컴퓨팅 장치(100)는 프로세서(110)를 통해 구현되는 추가 정보 생성부(400)를 통해, 판독문을 생성하는데 이용된 제 1 머신러닝 모델(200)과 관련된 정보를 제 2 추가 정보(40)로 생성할 수 있다. 이때, 제 2 추가 정보(40)는 제 1 머신러닝 모델(200)로부터 출력된 스코어에 대한 판독 기준에 대응되는 컷오프 값, 제 1 머신러닝 모델(200)이 분석하는 질환의 유병률, 제 1 머신러닝 모델(200)의 민감도, 제 1 머신러닝 모델(200)의 특이도, 제 1 머신러닝 모델(200)의 학습 데이터, 또는 제 1 머신러닝 모델(200)의 검증 데이터 중 적어도 하나를 포함할 수 있다. 컷오프 값 또는 유병률은, 제 1 머신러닝 모델(200)에 입력된 심전도 데이터(10)가 측정된 환경 정보를 기초로 결정될 수 있다. 그리고, 민감도 또는 상기 특이도는, 결정된 컷오프 값을 기초로 결정될 수 있다.
예를 들어, 컴퓨팅 장치(100)는 심전도 데이터(10)를 획득할 때 심전도 데이터(10)가 측정된 환경 정보를 획득할 수 있다. 환경 정보는 건강검진센터, 일반병동, 중환자실 등과 같이 심전도 데이터(10)가 어디서 측정되었는지에 대한 정보를 포함할 수 있다. 컴퓨팅 장치(100)는 환경 정보를 이용하여, 질환 스코어(20)를 기반으로 질환 발병 여부를 판단하는데 사용되는 컷오프 값을 결정할 수 있다. 심전도 데이터(10)가 집이나 건강검진센터 등과 같이 일상적 의료 환경에서 측정된 경우, 컴퓨팅 장치(100)는 컷오프 값을 상대적으로 높은 값으로 결정하고, 중환자실 등과 같이 비일상적 의료 환경에서 측정된 경우, 컴퓨팅 장치(100)는 컷오프 값을 상대적으로 낮은 값으로 결정할 수 있다. 컴퓨팅 장치(100)는 이와 같이 유동적으로 환경 정보에 맞추어 컷오프 값을 결정할 수 있다. 컴퓨팅 장치(100)는 환경과 유병률의 관계에 관한 정보를 저장하는 데이터베이스를 탐색하여, 환경 정보에서 확인되는 환경의 유병률을 결정할 수 있다. 컴퓨팅 장치(100)는 환경 정보를 기반으로 결정된 컷오프 값에 따라, 제 1 머신러닝 모델(200)의 민감도 및 특이도를 계산할 수 있다. 그리고, 컴퓨팅 장치(100)는 제 1 머신러닝 모델(200)의 개발 혹은 업데이트에 사용된 데이터에 관한 정보가 저장된 데이터베이스를 탐색하여, 제 1 머신러닝 모델(200)의 학습 또는 검증에 사용된 데이터에 관한 정보를 수집할 수 있다. 컴퓨팅 장치(100)는 이렇게 정리된 컷오프 값, 유병률, 민감도, 특이도, 및 학습이나 검증에 사용된 데이터에 대한 정보를 취합하여 제 2 추가 정보(40)로 생성할 수 있다.
컴퓨팅 장치(100)는 판독문을 제공하기 위한 사용자 인터페이스를 생성할 수 있다. 그리고, 컴퓨팅 장치(100)는 판독문을 제공하기 위한 사용자 인터페이스를 통해 제 1 추가 정보(30) 또는 제 2 추가 정보(40) 중 적어도 하나를 추가적으로 제공할 수 있다. 예를 들어, 심전도 데이터(10)의 판독이 완료되면, 컴퓨팅 장치(100)는 사용자 인터페이스를 통해 심전도 판독을 의뢰한 고객의 단말로 판독문을 제공하여 우선적으로 시각화 할 수 있다. 이때, 사용자 인터페이스를 통해 추가 정보의 열람을 위한 사용자 요청이 입력되면, 컴퓨팅 장치(100)는 사용자 인터페이스를 통해 고객의 단말로 제 1 추가 정보(30) 또는 제 2 추가 정보(40) 중 적어도 하나를 제공하여 판독문과 함께 시각화 할 수 있다. 이때, 제 1 추가 정보(30) 또는 제 2 추가 정보(40) 중 적어도 하나는 판독문에 오버레이(overlay) 되어 시각화 될 수도 있고, 판독문과 영역이 구분되어 시각화 될 수도 있다. 컴퓨팅 장치(100)는 사용자 인터페이스를 통해 심전도 판독을 의뢰한 고객의 단말로 판독문과 제 1 추가 정보(30) 또는 제 2 추가 정보(40) 중 적어도 하나를 제공하여 동시에 시각화 할 수도 있다.
도 3은 본 개시의 일 실시예에 따른 심전도 판독 서비스를 제공하는 방법을 나타낸 순서도이다.
도 3을 참조하면, 본 개시의 일 실시예에 따른 컴퓨팅 장치(100)는 심전도를 기초로 질환을 진단하도록 사전 학습된 제 1 머신러닝 모델을 이용하여 생성된 판독문을 분석하여, 상기 판독문에 포함된 판독 결과에 대한 제 1 추가 정보를 생성할 수 있다(S100). 컴퓨팅 장치(100)는 판독문에 포함된 질환 명칭 혹은 심전도 특징 중 적어도 하나를 키워드로 추출할 수 있다. 컴퓨팅 장치(100)는 기 구축된 키워드 데이터베이스 또는 사전 학습된 생성형 모델인 제 2 머신러닝 모델을 이용하여, 추출된 키워드와 관련된 처방, 검사 또는 후속 조치 중 적어도 하나를 포함하는 제 1 추가 정보를 생성할 수 있다. 구체적으로, 컴퓨팅 장치(100)는 기 구축된 키워드 데이터베이스에서 상기 추출된 키워드에 매칭되는 키 데이터를 도출할 수 있다. 컴퓨팅 장치(100)는 도출된 키 데이터를 기준으로 서브 키 데이터 및 컨텐츠 데이터를 추출하여, 제 1 추가 정보를 생성할 수 있다. 이때, 제 1 추가 정보의 추출은 사용자 인터페이스를 통한 사용자 요청에 의해 수행될 수도 있다. 사용자가 사용자 인터페이스를 통해 제 1 추가 정보의 열람을 요청하는 경우, 컴퓨팅 장치(100)는 키 데이터, 서브 키 데이터 및 컨텐츠 데이터를 확인하여 제 1 추가 정보를 생성할 수 있다. 다만, 제 1 추가 정보의 추출에 대한 사용자 요청은 반드시 전제되어야 하는 것이 아니므로, 컴퓨팅 장치(100)는 사용자 요청이 없이도 판독문이 생성되면 곧바로 제 1 추가 정보를 생성할 수 있다. 컴퓨팅 장치(100)는 제 2 머신러닝 모델에 키워드를 입력하여, 키워드와 관련된 처방, 검사 또는 후속 조치 중 적어도 하나를 포함하는 텍스트 형태의 제 1 추가 정보를 생성할 수도 있다. 이때, 제 2 머신러닝 모델은 의료진에 의해 작성된 혹은 검수된 판독문 데이터, 또는 의무전자기록 데이터 중 적어도 하나를 포함하는 학습 데이터를 기초로, 학습 데이터에 포함된 키워드와 관련된 처방, 검사 또는 후속 조치에 관한 정보를 생성하도록 사전 학습된 모델일 수 있다.
컴퓨팅 장치(100)는 판독문을 생성하는데 이용된 제 1 머신러닝 모델과 관련된 정보를 제 2 추가 정보로 생성할 수 있다(S200). 심전도 판독이 제 1 머신러닝 모델과 같은 인공지능 모델을 이용하여 수행되므로, 제 1 머신러닝 모델의 출력에 따른 판독이 어떤 근거로 어떻게 이루어졌는지 확인되는 것이 판독 신뢰도에 중요한 부분을 차지한다. 따라서, 컴퓨팅 장치(100)는 제 1 머신러닝 모델의 개발과 업데이트에 어떠한 데이터가 사용되었으며, 제 1 머신러닝 모델의 성능은 여러 지표에 따라 어떻게 평가되는지 등에 관한 정보를 제 2 추가 정보로 생성할 수 있다. 예를 들어, 제 2 추가 정보는 제 1 머신러닝 모델로부터 출력된 스코어에 대한 판독 기준에 대응되는 컷오프 값, 제 1 머신러닝 모델이 분석하는 질환의 유병률, 제 1 머신러닝 모델의 민감도, 제 1 머신러닝 모델의 특이도, 제 1 머신러닝 모델의 학습 데이터에 관한 정보, 또는 제 1 머신러닝 모델의 검증 데이터에 관한 정보 중 적어도 하나를 포함할 수 있다. 이때, 컷오프 값 또는 유병률은, 제 1 머신러닝 모델에 입력된 심전도 데이터가 측정된 환경 정보를 기초로 결정될 수 있다. 그리고, 민감도 및 특이도는 결정된 컷오프 값을 기초로 수학적 계산에 의해 결정될 수 있다.
컴퓨팅 장치(100)는 제 1 추가 정보 또는 제 2 추가 정보 중 적어도 하나를 사용자 인터페이스를 통해 제공할 수 있다(S300). 컴퓨팅 장치(100)는 판독문과 함께 제 1 추가 정보 또는 제 2 추가 정보 중 적어도 하나를 시각화 하여, 사용자 인터페이스를 통해 심전도 판독을 의뢰한 고객의 단말로 제공할 수 있다. 이때, 제 1 추가 정보 또는 제 2 추가 정보 중 적어도 하나는 판독문과 동시에 시각화 되어 단말의 디스플레이 상에 노출될 수도 있고, 사용자 요청에 따라 선택적으로 시각화 되어 단말의 디스플레이 상에 노출될 수도 있다.
예를 들어, 컴퓨팅 장치(100)는 다음과 같이 판독문에 제 1 추가 정보 및 제 2 추가 정보를 함께 포함시켜 텍스트 형태로 시각화 할 수 있다.
"OO님이 의뢰하신 심전도의 판독 결과 심근경색일 가능성은 3.7점입니다. 건강검진센터에서의 심근경색 유병률은 0.5%이며, 저희가 추천하는 컷오프는 40점입니다. 컷오프 40점을 적용했을 때 인공지능 정확도 80%, 민감도 70%, 특이도 65%입니다. 본 인공지능 모델은 2018~2022년 성인 OO명을 대상으로 건강검진센터에서 측정한 데이터를 기반으로 학습했으며, 2013~2015년 병원A에서 측정한 심전도를 토대로 검증했고 정확도는 OO%였습니다."
또한, 컴퓨팅 장치(100)는 제 1 추가 정보 및 제 2 추가 정보 없이 단독으로 판독문을 텍스트 형태로 시각화 할 수 있다. 이때, 고객이 판독문에 포함된 텍스트 중에서 질환 명칭 또는 심전도 특징 등과 같은 키워드에 마우스 커서를 올리는 마우스 오버 동작을 수행하는 경우, 선택된 키워드와 관련된 제 1 추가 정보 또는 제 2 추가 정보 중 적어도 하나가 팝업 등의 동작을 통해 텍스트 형태로 시각화 될 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 (12)
- 적어도 하나의 프로세서(processor)를 포함하는 컴퓨팅 장치에 의해 수행되는, 심전도 판독 서비스를 제공하는 방법으로서,
심전도를 기초로 질환을 진단하도록 사전 학습된 제 1 머신러닝 모델을 이용하여 생성된 판독문을 분석하여, 상기 판독문에 포함된 판독 결과에 대한 제 1 추가 정보를 생성하는 단계;
상기 판독문을 생성하는데 이용된 제 1 머신러닝 모델과 관련된 정보를 제 2 추가 정보로 생성하는 단계; 및
상기 제 1 추가 정보 또는 상기 제 2 추가 정보 중 적어도 하나를 사용자 인터페이스를 통해 제공하는 단계;
를 포함하는,
방법.
- 제 1 항에 있어서,
상기 심전도를 기초로 질환을 진단하도록 사전 학습된 제 1 머신러닝 모델을 이용하여 생성된 판독문을 분석하여, 상기 판독문에 포함된 판독 결과에 대한 제 1 추가 정보를 생성하는 단계는,
상기 판독문에 포함된 질환 명칭 혹은 심전도 특징 중 적어도 하나를 키워드로 추출하는 단계; 및
기 구축된 키워드 데이터베이스 또는 사전 학습된 생성형 모델인 제 2 머신러닝 모델을 이용하여, 상기 추출된 키워드와 관련된 처방, 검사 또는 후속 조치 중 적어도 하나를 포함하는 제 1 추가 정보를 생성하는 단계;
를 포함하는,
방법.
- 제 2 항에 있어서,
상기 기 구축된 키워드 데이터베이스는,
질환 명칭에 대응되는 키(key) 데이터, 상기 질환 명칭과 연관된 처방, 검사 또는 후속 조치에 관한 명칭 중 적어도 하나에 대응되는 서브 키 데이터 및 상기 서브 키 데이터에 대응되는 컨텐츠 데이터를 구성요소로 포함하는 데이터 구조로 데이터를 관리하는 것인,
방법.
- 제 3 항에 있어서,
기 구축된 키워드 데이터베이스 또는 사전 학습된 생성형 모델인 제 2 머신러닝 모델을 이용하여, 상기 추출된 키워드와 관련된 처방, 검사 또는 후속 조치 중 적어도 하나를 포함하는 제 1 추가 정보를 생성하는 단계는,
상기 기 구축된 키워드 데이터베이스에서 상기 추출된 키워드에 매칭되는 키 데이터를 도출하는 단계; 및
상기 도출된 키 데이터를 기준으로 서브 키 데이터 및 컨텐츠 데이터를 추출하여, 상기 제 1 추가 정보를 생성하는 단계;
를 포함하는,
방법.
- 제 2 항에 있어서,
상기 제 2 머신러닝 모델은,
의료진에 의해 작성된 혹은 검수된 판독문 데이터, 또는 의무전자기록 데이터 중 적어도 하나를 포함하는 학습 데이터를 기초로, 상기 학습 데이터에 포함된 키워드와 관련된 처방, 검사 또는 후속 조치에 관한 정보를 생성하도록 사전 학습된 것인,
방법.
- 제 1 항에 있어서,
상기 제 1 머신러닝 모델은,
심전도를 입력 받아, 질환의 발병 가능성 또는 진행 경과를 나타내는 스코어를 출력하도록 사전 학습된 것인,
방법.
- 제 6 항에 있어서,
상기 제 2 추가 정보는,
상기 제 1 머신러닝 모델로부터 출력된 스코어에 대한 판독 기준에 대응되는 컷오프 값, 상기 제 1 머신러닝 모델이 분석하는 질환의 유병률, 상기 제 1 머신러닝 모델의 민감도, 상기 제 1 머신러닝 모델의 특이도, 상기 제 1 머신러닝 모델의 학습 데이터에 관한 정보, 또는 상기 제 1 머신러닝 모델의 검증(validation) 데이터에 관한 정보 중 적어도 하나를 포함하는,
방법.
- 제 7 항에 있어서,
상기 컷오프 값 또는 상기 유병률은,
상기 제 1 머신러닝 모델에 입력된 심전도 데이터가 측정된 환경 정보를 기초로 결정되는 것인,
방법.
- 제 7 항에 있어서,
상기 민감도 또는 상기 특이도는,
상기 결정된 컷오프 값을 기초로 결정되는 것인,
방법.
- 제 1 항에 있어서,
상기 제 1 추가 정보 또는 상기 제 2 추가 정보 중 적어도 하나를 사용자 인터페이스를 통해 제공하는 단계는,
상기 사용자 인터페이스를 통해 입력된 사용자 요청에 따라, 상기 제 1 추가 정보 또는 상기 제 2 추가 정보 중 적어도 하나를 상기 판독문과 함께 시각화 하는 단계;
를 포함하는,
방법.
- 컴퓨터 판독가능 저장 매체 저장된 컴퓨터 프로그램(program)으로서, 상기 컴퓨터 프로그램은 하나 이상의 프로세서(processor)에서 실행되는 경우, 심전도 판독 서비스를 제공하기 위한 동작들을 수행하도록 하며,
상기 동작들은,
심전도를 기초로 질환을 진단하도록 사전 학습된 제 1 머신러닝 모델을 이용하여 생성된 판독문을 분석하여, 상기 판독문에 포함된 판독 결과에 대한 제 1 추가 정보를 생성하는 동작;
상기 판독문을 생성하는데 이용된 제 1 머신러닝 모델과 관련된 정보를 제 2 추가 정보로 생성하는 동작; 및
상기 제 1 추가 정보 또는 상기 제 2 추가 정보 중 적어도 하나를 사용자 인터페이스를 통해 제공하는 동작;
을 포함하는,
컴퓨터 프로그램.
- 심전도 판독 서비스를 제공하기 위한 컴퓨팅 장치로서,
적어도 하나의 코어(core)를 포함하는 프로세서(processor); 및
상기 프로세서에서 실행 가능한 프로그램 코드(code)들을 포함하는 메모리(memory);
를 포함하고,
상기 프로세서는,
심전도를 기초로 질환을 진단하도록 사전 학습된 제 1 머신러닝 모델을 이용하여 생성된 판독문을 분석하여, 상기 판독문에 포함된 판독 결과에 대한 제 1 추가 정보를 생성하고,
상기 판독문을 생성하는데 이용된 제 1 머신러닝 모델과 관련된 정보를 제 2 추가 정보로 생성하고,
상기 제 1 추가 정보 또는 상기 제 2 추가 정보 중 적어도 하나를 사용자 인터페이스를 통해 제공하는,
장치.
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| PCT/KR2023/010799 WO2024025326A1 (ko) | 2022-07-29 | 2023-07-26 | 심전도 판독 서비스를 제공하는 방법, 프로그램 및 장치 |
Applications Claiming Priority (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020220094607 | 2022-07-29 | ||
| KR20220094607 | 2022-07-29 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| KR20240017319A true KR20240017319A (ko) | 2024-02-07 |
Family
ID=89873158
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020230096757A KR20240017319A (ko) | 2022-07-29 | 2023-07-25 | 심전도 판독 서비스를 제공하는 방법, 프로그램 및장치 |
Country Status (1)
| Country | Link |
|---|---|
| KR (1) | KR20240017319A (ko) |
Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR102272448B1 (ko) | 2019-02-14 | 2021-07-02 | 주식회사 온워즈 | Ecg 기반 원격 개인 건강 관리 서비스 방법 |
-
2023
- 2023-07-25 KR KR1020230096757A patent/KR20240017319A/ko unknown
Patent Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR102272448B1 (ko) | 2019-02-14 | 2021-07-02 | 주식회사 온워즈 | Ecg 기반 원격 개인 건강 관리 서비스 방법 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Van Smeden et al. | Critical appraisal of artificial intelligence-based prediction models for cardiovascular disease | |
| US9292576B2 (en) | Hypothesis-driven, real-time analysis of physiological data streams using textual representations | |
| Abdar et al. | The need for quantification of uncertainty in artificial intelligence for clinical data analysis: increasing the level of trust in the decision-making process | |
| Afeni et al. | Hypertension prediction system using naive bayes classifier | |
| Mridha et al. | Automated stroke prediction using machine learning: an explainable and exploratory study with a web application for early intervention | |
| Kapoor et al. | Cardiovascular disease prognosis and analysis using machine learning techniques | |
| Alsaffar et al. | [Retracted] Machine Learning for Ischemic Heart Disease Diagnosis Aided by Evolutionary Computing | |
| Shuvo et al. | Machine learning embedded smartphone application for early-stage diabetes risk assessment | |
| KR20240017319A (ko) | 심전도 판독 서비스를 제공하는 방법, 프로그램 및장치 | |
| Chiari et al. | Length of stay prediction for Northern Italy COVID-19 patients based on lab tests and X-ray data | |
| Sufriyana et al. | Human and machine learning pipelines for responsible clinical prediction using high-dimensional data | |
| WO2024025326A1 (ko) | 심전도 판독 서비스를 제공하는 방법, 프로그램 및 장치 | |
| US20090156947A1 (en) | Knowledgebased image informatics system and method | |
| Raju et al. | Chronic kidney disease prediction using ensemble machine learning | |
| CN112711579A (zh) | 医疗数据的质量检测方法及装置、存储介质及电子设备 | |
| Nayan et al. | SMOTE Oversampling and Near Miss Undersampling Based Diabetes Diagnosis from Imbalanced Dataset with XAI Visualization | |
| Ashok | Diabetes Diagnosis using Ensemble Models in Machine Learning | |
| Rimal et al. | Machine learning model matters its accuracy: a comparative study of ensemble learning and automl using heart disease prediction | |
| Aftab et al. | Robust intent classification using Bayesian LSTM for clinical conversational agents (CAs) | |
| Naseer et al. | An improved hybrid model for cardiovascular disease detection using machine learning in IoT | |
| US20240203539A1 (en) | Medical device linkage and diagnostic performance enhancement system using mec and method using the same | |
| CN117764204B (zh) | 一种医学领域中的强化学习数据构建方法及系统 | |
| US20220319650A1 (en) | Method and System for Providing Information About a State of Health of a Patient | |
| Korablyov et al. | Multi-agent Clinical Decision Support System using Case-Based Reasoning. | |
| KR20240013676A (ko) | 심전도를 이용한 심근경색 진단 방법, 프로그램 및장치 |