KR20240022865A - 투석 중 저혈압 발생 예측 방법 및 그 시스템 - Google Patents
투석 중 저혈압 발생 예측 방법 및 그 시스템 Download PDFInfo
- Publication number
- KR20240022865A KR20240022865A KR1020220101462A KR20220101462A KR20240022865A KR 20240022865 A KR20240022865 A KR 20240022865A KR 1020220101462 A KR1020220101462 A KR 1020220101462A KR 20220101462 A KR20220101462 A KR 20220101462A KR 20240022865 A KR20240022865 A KR 20240022865A
- Authority
- KR
- South Korea
- Prior art keywords
- dialysis
- data
- predicting
- occurrence
- hypotension
- Prior art date
Links
- 208000001953 Hypotension Diseases 0.000 title claims abstract description 65
- 238000000034 method Methods 0.000 title claims abstract description 64
- 230000036543 hypotension Effects 0.000 title claims description 36
- 238000000502 dialysis Methods 0.000 claims abstract description 183
- 206010062300 Procedural hypotension Diseases 0.000 claims abstract description 39
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 36
- 208000012866 low blood pressure Diseases 0.000 claims abstract description 29
- 238000012545 processing Methods 0.000 claims abstract description 15
- 238000004590 computer program Methods 0.000 claims description 9
- 230000035487 diastolic blood pressure Effects 0.000 claims description 8
- 229940079593 drug Drugs 0.000 claims description 8
- 239000003814 drug Substances 0.000 claims description 8
- 238000011156 evaluation Methods 0.000 claims description 8
- 230000035488 systolic blood pressure Effects 0.000 claims description 8
- 201000010099 disease Diseases 0.000 claims description 7
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 claims description 7
- 230000008569 process Effects 0.000 claims description 7
- 238000000108 ultra-filtration Methods 0.000 claims description 6
- 230000017531 blood circulation Effects 0.000 claims description 4
- 238000012360 testing method Methods 0.000 claims description 4
- 238000012549 training Methods 0.000 claims description 4
- 238000010801 machine learning Methods 0.000 claims description 2
- 238000010586 diagram Methods 0.000 description 11
- 238000004891 communication Methods 0.000 description 9
- 230000006870 function Effects 0.000 description 6
- 239000013598 vector Substances 0.000 description 6
- 230000008859 change Effects 0.000 description 5
- 230000001419 dependent effect Effects 0.000 description 5
- 239000000284 extract Substances 0.000 description 5
- 239000011575 calcium Substances 0.000 description 4
- OYPRJOBELJOOCE-UHFFFAOYSA-N Calcium Chemical compound [Ca] OYPRJOBELJOOCE-UHFFFAOYSA-N 0.000 description 3
- 230000009471 action Effects 0.000 description 3
- 230000003416 augmentation Effects 0.000 description 3
- 210000004204 blood vessel Anatomy 0.000 description 3
- 229910052791 calcium Inorganic materials 0.000 description 3
- 230000000052 comparative effect Effects 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000002615 hemofiltration Methods 0.000 description 3
- 102100036893 Parathyroid hormone Human genes 0.000 description 2
- 108090000445 Parathyroid hormone Proteins 0.000 description 2
- OAICVXFJPJFONN-UHFFFAOYSA-N Phosphorus Chemical compound [P] OAICVXFJPJFONN-UHFFFAOYSA-N 0.000 description 2
- 230000010100 anticoagulation Effects 0.000 description 2
- 230000003190 augmentative effect Effects 0.000 description 2
- 238000013136 deep learning model Methods 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 238000001631 haemodialysis Methods 0.000 description 2
- 230000000322 hemodialysis Effects 0.000 description 2
- 230000001951 hemoperfusion Effects 0.000 description 2
- 238000007477 logistic regression Methods 0.000 description 2
- 239000011574 phosphorus Substances 0.000 description 2
- 229910052698 phosphorus Inorganic materials 0.000 description 2
- 238000000926 separation method Methods 0.000 description 2
- 239000011734 sodium Substances 0.000 description 2
- 208000024891 symptom Diseases 0.000 description 2
- 238000002560 therapeutic procedure Methods 0.000 description 2
- 102000009027 Albumins Human genes 0.000 description 1
- 108010088751 Albumins Proteins 0.000 description 1
- 102000015427 Angiotensins Human genes 0.000 description 1
- 108010064733 Angiotensins Proteins 0.000 description 1
- 229940127291 Calcium channel antagonist Drugs 0.000 description 1
- 208000006545 Chronic Obstructive Pulmonary Disease Diseases 0.000 description 1
- 102000008857 Ferritin Human genes 0.000 description 1
- 238000008416 Ferritin Methods 0.000 description 1
- 108050000784 Ferritin Proteins 0.000 description 1
- WQZGKKKJIJFFOK-GASJEMHNSA-N Glucose Natural products OC[C@H]1OC(O)[C@H](O)[C@@H](O)[C@@H]1O WQZGKKKJIJFFOK-GASJEMHNSA-N 0.000 description 1
- 102000001554 Hemoglobins Human genes 0.000 description 1
- 108010054147 Hemoglobins Proteins 0.000 description 1
- DGAQECJNVWCQMB-PUAWFVPOSA-M Ilexoside XXIX Chemical compound C[C@@H]1CC[C@@]2(CC[C@@]3(C(=CC[C@H]4[C@]3(CC[C@@H]5[C@@]4(CC[C@@H](C5(C)C)OS(=O)(=O)[O-])C)C)[C@@H]2[C@]1(C)O)C)C(=O)O[C@H]6[C@@H]([C@H]([C@@H]([C@H](O6)CO)O)O)O.[Na+] DGAQECJNVWCQMB-PUAWFVPOSA-M 0.000 description 1
- 239000002160 alpha blocker Substances 0.000 description 1
- 229940124308 alpha-adrenoreceptor antagonist Drugs 0.000 description 1
- 239000002220 antihypertensive agent Substances 0.000 description 1
- 229940127088 antihypertensive drug Drugs 0.000 description 1
- 206010003119 arrhythmia Diseases 0.000 description 1
- 230000006793 arrhythmia Effects 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 239000002876 beta blocker Substances 0.000 description 1
- 229940097320 beta blocking agent Drugs 0.000 description 1
- 239000011230 binding agent Substances 0.000 description 1
- 230000036772 blood pressure Effects 0.000 description 1
- 239000000480 calcium channel blocker Substances 0.000 description 1
- 238000013145 classification model Methods 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 206010012601 diabetes mellitus Diseases 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000008103 glucose Substances 0.000 description 1
- 208000018578 heart valve disease Diseases 0.000 description 1
- 238000005534 hematocrit Methods 0.000 description 1
- 208000019423 liver disease Diseases 0.000 description 1
- 238000000691 measurement method Methods 0.000 description 1
- 238000002483 medication Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 208000031225 myocardial ischemia Diseases 0.000 description 1
- 230000001151 other effect Effects 0.000 description 1
- 239000000199 parathyroid hormone Substances 0.000 description 1
- 229960001319 parathyroid hormone Drugs 0.000 description 1
- 238000011176 pooling Methods 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 229910052708 sodium Inorganic materials 0.000 description 1
- 230000002459 sustained effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- 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
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/02—Detecting, measuring or recording pulse, heart rate, blood pressure or blood flow; Combined pulse/heart-rate/blood pressure determination; Evaluating a cardiovascular condition not otherwise provided for, e.g. using combinations of techniques provided for in this group with electrocardiography or electroauscultation; Heart catheters for measuring blood pressure
- A61B5/021—Measuring pressure in heart or blood vessels
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/02—Detecting, measuring or recording pulse, heart rate, blood pressure or blood flow; Combined pulse/heart-rate/blood pressure determination; Evaluating a cardiovascular condition not otherwise provided for, e.g. using combinations of techniques provided for in this group with electrocardiography or electroauscultation; Heart catheters for measuring blood pressure
- A61B5/026—Measuring blood flow
-
- 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
- G16H20/00—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance
- G16H20/40—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance relating to mechanical, radiation or invasive therapies, e.g. surgery, laser therapy, dialysis or acupuncture
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/30—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for calculating health indices; for individual health risk assessment
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/70—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for mining of medical data, e.g. analysing previous cases of other patients
Landscapes
- Health & Medical Sciences (AREA)
- Engineering & Computer Science (AREA)
- Public Health (AREA)
- Medical Informatics (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Data Mining & Analysis (AREA)
- Epidemiology (AREA)
- Pathology (AREA)
- Primary Health Care (AREA)
- Databases & Information Systems (AREA)
- Physics & Mathematics (AREA)
- Biophysics (AREA)
- Cardiology (AREA)
- Molecular Biology (AREA)
- Surgery (AREA)
- Physiology (AREA)
- Theoretical Computer Science (AREA)
- Heart & Thoracic Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- Veterinary Medicine (AREA)
- Computational Linguistics (AREA)
- Artificial Intelligence (AREA)
- Hematology (AREA)
- Evolutionary Computation (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Vascular Medicine (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Urology & Nephrology (AREA)
- External Artificial Organs (AREA)
Abstract
투석 중 저혈압 발생 예측 방법 및 그 시스템이 제공된다. 본 개시의 몇몇 실시예들에 따른 투석 중 저혈압 발생 예측 방법은, 투석 환자의 의료 데이터를 가공하여 CNN(Convolutional Neural Network) 기반 예측 모델의 입력 데이터를 구성하는 단계, 구성된 입력 데이터를 예측 모델에 입력하여투석 환자에 대한 투석 중 저혈압 발생 위험을 예측하는 단계를 포함할 수 있다. CNN 기반 예측 모델은 투석세션축과 독립변수축을 갖는 2차원의 입력 데이터를 토대로 예측을 수행함으로써 투석 중 저혈압 발생 위험을 정확하게 예측할 수 있다.
Description
본 개시는투석 중 저혈압 발생 예측 방법 및 그 시스템에 관한 것으로, 보다 상세하게는, 딥러닝 기술을 이용하여 투석 중 저혈압의 발생 위험을 예측하는 방법 및 그 방법을 수행하는 시스템에 관한 것이다.
투석 중 저혈압(IntraDialytic Hypotension, IDH)은 투석 환자들에게 흔하게 발생하면서도 매우 위험한 부작용 중하나이다. 투석 중 저혈압은합병증을 유발하여 투석 환자들의 입원 기간과 사망률을 크게 증가시키는 것으로 알려져 있다.
투석 중 저혈압 발생가능성을 예측할 수 있는 최선의 방식은 투석 중인 환자의 상태를 실시간으로 모니터링하면서 저혈압 발생 징후를 미리 감지하는 것이다. 그러나, 이러한 방식은 많은 의료 인력과 복잡한 모니터링 장비를 필요로 하기 때문에, 현실화되기는 어렵다.
본 개시의 몇몇 실시예들을 통해 해결하고자 하는 기술적 과제는, 투석 중 저혈압의 발생 위험을 정확하게 예측할 수 있는 방법 및 그 방법을 수행하는 시스템을 제공하는 것이다.
본 개시의 몇몇 실시예들을 통해 해결하고자 하는 다른 기술적 과제는, 투석 중 저혈압의 발생 위험을 정확하게 예측할 수 있는 딥러닝 모델을 구축하는 방법 및 그 방법을 수행하는 시스템을 제공하는 것이다.
본 개시의 몇몇 실시예들을 통해 해결하고자 하는 또 다른 기술적 과제는, 투석 중 저혈압의 발생 위험을 예측하는 모델의 성능을 보장할 수 있는 주요 변수(피처)들을 제공하는 것이다.
본 개시의 기술적 과제들은 이상에서 언급한 기술적 과제들로 제한되지 않으며, 언급되지 않은 또 다른 기술적 과제들은 아래의 기재로부터 본 개시의 기술분야에서의 통상의 기술자에게 명확하게 이해될 수 있을 것이다.
상기 기술적 과제를 해결하기 위한, 본 개시의 몇몇 실시예들에 따른 투석 중 저혈압 발생 예측 방법은, 적어도 하나의 컴퓨팅 장치에 의해 수행되는 방법으로서, 투석 환자의 의료 데이터를 획득하는 단계 - 상기 의료 데이터는 복수의 투석세션들에 관한 투석 데이터를 포함하고 상기 투석 데이터는 복수의 독립변수들을 가짐 - , 상기 의료 데이터를 가공하여 CNN(Convolutional Neural Network) 기반 예측 모델의 입력 데이터를 구성하는 단계 - 상기 입력 데이터는 투석세션축과 독립변수축을 갖는 2차원 데이터임 - 및상기 입력 데이터를 상기 예측 모델에 입력하여 상기 투석 환자에 대한 투석 중 저혈압 발생 위험을 예측하는 단계를 포함할 수 있다.
몇몇 실시예들에서, 상기 복수의 독립변수들은 활력징후 및 투석시행정보에 관한 변수를 포함할 수 있다.
몇몇 실시예들에서, 상기 복수의 독립변수들은 수축기혈압(SBP), 이완기혈압(DBP), UFR(ultrafiltration rate) 및 저혈압 발생 여부 중 적어도 하나에 관한 변수를 포함할 수 있다.
몇몇 실시예들에서, 상기 복수의 독립변수들은 투석액, 투석모드, 투석소요시간 및 혈류속도(BFR) 중 적어도 하나에 관한 변수를 포함할 수 있다.
몇몇 실시예들에서, 상기 의료 데이터는 상기 투석 환자의 인구통계학적 특성, 질병 이력, 복약 이력 및 상기 투석 환자의 투석 전 검사 결과에 관한 데이터 중 적어도 하나를 더 포함할 수 있다.
몇몇 실시예들에서, 상기 예측 모델은 상기 투석세션축을 따라 상기 입력 데이터에 대해 1차원 컨볼루션 연산을 수행하는 컨볼루션 레이어를 포함할 수 있다.
몇몇 실시예들에서, 상기 의료 데이터는 투석 중 저혈압 발생에 관한 정답 레이블이 존재하는 학습 데이터이고, 상기 예측의 결과와 상기 정답 레이블의 차이에 기초하여 상기 예측 모델을 학습시키는 단계를 더 포함할 수 있다.
몇몇 실시예들에서, 상기 투석 데이터는 상기 투석 환자가 받은 이전 투석세션에 관한 제1 데이터와 상기 투석 환자가 받을 현재 투석세션에 관한 제2 데이터를 포함하고, 상기 예측하는 단계는, 상기 예측 모델을 통해 상기 현재 투석세션에서 저혈압이 발생될 위험을 예측하는 단계를 포함할 수 있다.
상술한 기술적 과제를 해결하기 위한, 본 개시의 몇몇 실시예들에 따른 투석 중 저혈압 발생 예측 시스템은, 하나 이상의 인스트럭션을 저장하는 메모리 및하나 이상의 프로세서를 포함하고, 상가 하나 이상의 프로세서는, 상기 저장된 하나 이상의 인스트럭션을 실행시킴으로써, 투석 환자의 의료 데이터를 획득하는 동작 - 상기 의료 데이터는 복수의 투석세션들에 관한 투석 데이터를 포함하고 상기 투석 데이터는 복수의 독립변수들을 가짐 - , 상기 의료 데이터를 가공하여 CNN(Convolutional Neural Network) 기반 예측 모델의 입력 데이터를 구성하는 동작 - 상기 입력 데이터는 투석세션축과 독립변수축을 갖는 2차원 데이터임 - 및상기 입력 데이터를 상기 예측 모델에 입력하여 상기 투석 환자에 대한 투석 중 저혈압 발생 위험을 예측하는 동작을 수행할 수 있다.
상술한 기술적 과제를 해결하기 위한, 본 개시의 몇몇 실시예들에 따른 컴퓨터 프로그램은, 컴퓨팅 장치와 결합되어, 투석 환자의 의료 데이터를 획득하는 단계 - 상기 의료 데이터는 복수의 투석세션들에 관한 투석 데이터를 포함하고 상기 투석 데이터는 복수의 독립변수들을 가짐 - , 상기 의료 데이터를 가공하여 CNN(Convolutional Neural Network) 기반 예측 모델의 입력 데이터를 구성하는 단계 - 상기 입력 데이터는 투석세션축과 독립변수축을 갖는 2차원 데이터임 - 및상기 입력 데이터를 상기 예측 모델에 입력하여 상기 투석 환자에 대한 투석 중 저혈압 발생 위험을 예측하는 단계를 실행시키기 위하여 컴퓨터로 판독가능한 기록매체에 저장될 수 있다.
본 개시의 몇몇실시예들에 따르면, CNN(Convolutional Neural Network) 기반의 예측 모델을 통해 투석 중 저혈압 발생 위험이 조기에 정확하게 예측될 수 있다. 가령, 예측 모델을 통해 예정된투석세션에서(즉, 투석 세션이 시작되기 전에) 저혈압이 발생될 위험이 정확하게 예측될 수 있다. 아울러, 예측 결과에 따른 선제적 조치를 통해 투석 중 저혈압 발생률은 크게 감소될 수 있다.
또한, 다양한 독립변수들(e. g. , 인구통계학적 특성, 질병이력, 복약 이력, 투석세션별 활력징후 및 투석시행정보 등)을 갖는 투석 환자의 의료 데이터셋을 이용하여 예측 모델이 학습될 수 있다. 이에 따라, 다양한 요인들을 복합적으로 고려하여 저혈압 발생 위험을 정확하게 예측하는 모델이 구축될 수 있다.
또한, 투석 환자의 의료 데이터로부터 구성된 2차원 데이터(즉, 투석세션축과 독립변수축을 갖는 2차원의 데이터)가 CNN 기반 예측 모델의 학습 데이터로 이용될 수 있다. 이러한 경우, 예측 모델이 투석세션들간의 연관성과 독립변수들 간의 연관성을 종합적으로 고려하여 예측을 수행하도록 학습되기 때문에, 고성능의 예측 모델이 구축될 수 있다.
본 개시의 기술적 사상에 따른 효과들은 이상에서 언급한 효과들로 제한되지 않으며, 언급되지 않은 또 다른 효과들은 아래의 기재로부터 통상의 기술자에게 명확하게 이해될 수 있을 것이다.
도 1은본 개시의 몇몇 실시예들에 따른 투석 중 저혈압 발생 예측 시스템과 그의 입출력을 개략적으로 설명하기 위한 예시적인 도면이다.
도 2는 본 개시의 몇몇 실시예들에서 참조될 수 잇는 투석 중 저혈압 증상을 나타내는 예시적인 도면이다.
도 3은 본 개시의 몇몇 실시예들에 따른 투석 중 저혈압 발생 예측 시스템이 예측서비스를 제공하는 과정을 설명하기 위한 예시적인 도면이다.
도 4는 본 개시의 몇몇 실시예들에 따른 투석 중 저혈압 발생 예측 방법을 나타내는 예시적인 흐름도이다.
도 5및 도 6은 본 개시의 몇몇 실시예들에 따른 예측 모델의 구조 및 동작 원리를 설명하기 위한 예시적인 도면이다.
도 7은 본 개시의 다른 몇몇 실시예들에 따른 예측 모델의 구조 및 동작 원리를 설명하기 위한 예시적인 도면이다.
도 8 내지 도 10은 본 개시의 몇몇 실시예들에 따른 예측 모델 구축 방법을 설명하기 위한 예시적인 도면이다.
도 11은 본 개시의 몇몇 실시예들에 따른 주요 독립변수 선별 방법을 설명하기 위한 예시적인 도면이다.
도 12는 본 개시의 다른 몇몇 실시예들에 따른 주요 독립변수 선별 방법을 설명하기 위한 예시적인 도면이다.
도 13및 도 14는 본 개시의 몇몇 실시예들에 따른 데이터 증강 방법을 설명하기 위한 예시적인 도면이다.
도 15는 본 개시의 몇몇 실시예들에 따른 투석 중 저혈압 발생 예측 시스템을 구현할 수 있는 예시적인 컴퓨팅 장치를 도시한다.
도 2는 본 개시의 몇몇 실시예들에서 참조될 수 잇는 투석 중 저혈압 증상을 나타내는 예시적인 도면이다.
도 3은 본 개시의 몇몇 실시예들에 따른 투석 중 저혈압 발생 예측 시스템이 예측서비스를 제공하는 과정을 설명하기 위한 예시적인 도면이다.
도 4는 본 개시의 몇몇 실시예들에 따른 투석 중 저혈압 발생 예측 방법을 나타내는 예시적인 흐름도이다.
도 5및 도 6은 본 개시의 몇몇 실시예들에 따른 예측 모델의 구조 및 동작 원리를 설명하기 위한 예시적인 도면이다.
도 7은 본 개시의 다른 몇몇 실시예들에 따른 예측 모델의 구조 및 동작 원리를 설명하기 위한 예시적인 도면이다.
도 8 내지 도 10은 본 개시의 몇몇 실시예들에 따른 예측 모델 구축 방법을 설명하기 위한 예시적인 도면이다.
도 11은 본 개시의 몇몇 실시예들에 따른 주요 독립변수 선별 방법을 설명하기 위한 예시적인 도면이다.
도 12는 본 개시의 다른 몇몇 실시예들에 따른 주요 독립변수 선별 방법을 설명하기 위한 예시적인 도면이다.
도 13및 도 14는 본 개시의 몇몇 실시예들에 따른 데이터 증강 방법을 설명하기 위한 예시적인 도면이다.
도 15는 본 개시의 몇몇 실시예들에 따른 투석 중 저혈압 발생 예측 시스템을 구현할 수 있는 예시적인 컴퓨팅 장치를 도시한다.
이하, 첨부된 도면을 참조하여 본 개시의 바람직한 실시예들을 상세히 설명한다. 본 개시의 이점 및 특징, 그리고 그것들을 달성하는 방법은 첨부되는 도면과 함께 상세하게 후술되어 있는 실시예들을 참조하면 명확해질 것이다. 그러나 본 개시의 기술적 사상은 이하의실시예들에 한정되는 것이 아니라 서로 다른 다양한 형태로 구현될 수 있으며, 단지 이하의실시예들은 본 개시의 기술적 사상을 완전하도록 하고, 본 개시가 속하는 기술분야에서 통상의 지식을 가진 자에게 본 개시의 범주를 완전하게 알려주기 위해 제공되는 것이며, 본 개시의 기술적 사상은 청구항의 범주에 의해 정의될 뿐이다.
각 도면의 구성요소들에 참조부호를 부가함에 있어서, 동일한 구성요소들에 대해서는 비록 다른 도면상에 표시되더라도 가능한 한 동일한 부호를 가지도록 하고 있음에 유의해야 한다. 또한, 본 개시를 설명함에 있어, 관련된 공지 구성 또는 기능에 대한 구체적인 설명이 본 개시의 요지를 흐릴 수 있다고 판단되는 경우에는 그 상세한 설명은 생략한다.
다른 정의가 없다면, 본 명세서에서 사용되는 모든 용어(기술 및 과학적 용어를 포함)는 본 개시가 속하는 기술분야에서 통상의 지식을 가진 자에게 공통적으로 이해될 수 있는 의미로 사용될 수 있다. 또 일반적으로 사용되는 사전에 정의되어 있는 용어들은 명백하게 특별히 정의되어 있지 않는 한 이상적으로 또는 과도하게 해석되지 않는다. 본 명세서에서 사용된 용어는 실시예들을 설명하기 위한 것이며 본 개시를 제한하고자 하는 것은 아니다. 본 명세서에서, 단수형은 문구에서 특별히 언급하지 않는 한 복수형도 포함한다.
또한, 본 개시의구성요소를설명하는데있어서, 제1, 제2, A, B, (a), (b) 등의 용어를 사용할 수 있다. 이러한 용어는 그 구성 요소를 다른 구성 요소와 구별하기 위한 것일 뿐, 그 용어에 의해 해당 구성 요소의 본질이나 차례 또는 순서 등이 한정되지 않는다. 어떤 구성 요소가 다른 구성요소에 "연결", "결합" 또는 "접속"된다고 기재된 경우, 그 구성 요소는 그 다른 구성요소에 직접적으로 연결되거나 또는 접속될 수 있지만, 각 구성 요소 사이에 또 다른 구성 요소가 "연결", "결합" 또는 "접속"될 수도 있다고 이해되어야 할 것이다.
본 개시에서 사용되는 "포함한다(comprises)" 및/또는 "포함하는(comprising)"은 언급된 구성요소, 단계, 동작 및/또는 소자는 하나 이상의 다른 구성요소, 단계, 동작 및/또는 소자의 존재 또는 추가를 배제하지 않는다.
이하, 본 개시의 다양한 실시예들에 대하여 첨부된 도면에 따라 상세하게 설명한다.
도 1은 본 개시의 몇몇 실시예들에 따른 투석 중 저혈압 발생 예측 시스템(10)과 그의 입출력을 설명하기 위한 예시적인 도면이다. 도 1 이하의 도면에서, 투석 중 저혈압 발생 예측 시스템(10)은 ‘예측 시스템(10)’으로 도시되었고, 이하의 설명에서도 투석 중 저혈압 발생 예측 시스템(10)을 ‘예측 시스템(10)’으로 약칭하도록 한다.
도 1에 도시된 바와 같이, 예측 시스템(10)은 투석 환자의의료 데이터를 입력받고, 입력된 데이터를 토대로 해당 환자에 대한투석 중 저혈압(IntraDialytic Hypotension, IDH) 발생 위험을 예측하여 출력하는 컴퓨팅 시스템일 수 있다. 가령, 예측 시스템(10)은 예측 모델(11)을 통해예정된투석세션에서 환자에게 저혈압이 발생될 위험(e. g. , 도 2에 예시된 바와 같이, 투석 중에 혈압이 급격하게 저하되는 증상이 발생될 위험)을 예측할 수 있다.
보다 구체적으로, 예측 시스템(10)은 복수의 투석 환자들에 대한 의료 데이터셋을 이용하여 예측 모델(11)을 학습시키고, 학습된 예측 모델(11)을 통해 특정 환자의 투석 중 저혈압 발생 위험을 예측할 수 있다. 도시된 바와 같이, 예측 모델(11)은 CNN(Convolutional Neural Network) 기반의 모델일 수 있으며, 학습 및 예측 시에 투석 환자의 의료 데이터는 2차원의입력 데이터(12)로 가공되어 예측 모델(11)로 입력될 수 있다.
예측 결과는 예를 들어 투석 중 저혈압 발생 여부(e. g. , IDH 또는 No-IDH), 투석 중 저혈압 발생 위험도(즉, 투석 중 저혈압이 발생할 가능성/확률), 투석 중 저혈압의 위험 단계(e. g. , Nadir100, Nadir90 등), 단계별 위험도 등이 될 수 있을 것이나, 이에 한정되는 것은 아니다. 예측 시스템(10)이 학습 및 예측을 수행하는 구체적인 방식에 관하여서는 도 4 이하의 도면을 참조하여 상세하게 설명하도록 한다.
예측 모델(11)의 학습(또는 예측)에 이용되는 의료 데이터셋(또는 데이터)은 적어도 하나의 종속변수와 다수의 독립변수들로 구성될 수 있는데, 이와 관련하여서는 후술하도록 한다. 참고로, 당해 기술 분야에서 변수(variable)는 ‘피처(feature)’, ‘속성(attribute)’, ‘요소(element)’, ‘컬럼(column)’, ‘항목(item)’및 ‘필드(field)’등의 용어와 혼용되어 사용될 수 있다. 또한, 의료 데이터셋을 구성하는 각각의 개별 데이터는 ‘샘플(sample)’, ‘사례(example)’, ‘레코드(record)’, ‘인스턴스(instance)’, ‘엔트리(entry)’, ‘데이터 포인트(data point)’및 ‘관측값(observation)’등의 용어와 혼용되어 사용될 수 있다.
몇몇 실시예들에서는, 도 3에 도시된 바와 같이, 예측 시스템(10)이 투석 중 저혈압 발생에 관한 예측 서비스를 제공할 수도 있다. 가령, 예측 시스템(10)은 사용자 단말(20)로부터 투석 환자의 의료 데이터를 수신하고, 수신된 의료 데이터를 토대로 투석 중 저혈압 발생 위험을 예측하며, 예측 결과를 사용자 단말(20)에게 제공할 수 있다. 사용자는 환자 또는 의료진 등이 될 수 있을 것이나, 본 개시의 범위가 이에 한정되는 것은 아니다. 예측 시스템(10)은 웹 인터페이스(또는 앱 인터페이스)를 통해 이러한 예측 서비스를 제공할 수 있을 것이나, 본 개시의 범위가 이에 한정되는 것은 아니다.
예측 시스템(10)은 적어도 하나의 컴퓨팅 장치로 구현될 수 있다. 예를 들어, 예측 시스템(10)의 모든 기능이 하나의 컴퓨팅 장치로 구현될 수도 있고, 예측 시스템(1)의 제1기능은 제1 컴퓨팅 장치에서 구현되고 제2 기능은 제2 컴퓨팅 장치에서 구현될 수도 있다. 또는, 예측 시스템(10)의 특정 기능이 복수의 컴퓨팅 장치들에서 구현될 수도 있다.
컴퓨팅 장치는 컴퓨팅(프로세싱) 기능을 구비한 임의의 장치를 모두 포괄할 수 있으며, 이러한 장치의 일 예시에 관하여서는 도 15를 참조하도록 한다. 컴퓨팅 장치는 복수의 구성요소들(e. g. 프로세서, 메모리 등)이 상호작용하는 하나의 집합체이므로, 경우에 따라 ‘컴퓨팅 시스템’으로 명명될 수도 있다. 또한, 컴퓨팅 시스템은 복수의 컴퓨팅 장치들이 동일한 목적을 위해 상호작용하는 집합체를 의미하는 것일 수도 있다.
지금까지 도 1내지 도 3을 참조하여 본 개시의 몇몇 실시예들에 따른 예측 시스템(10)에 대하여 개략적으로 설명하였다. 이하에서는, 도 1에 예시된 예측 시스템(10)에서 수행될 수 있는 다양한 방법들에 대하여 상세하게 설명하도록 한다.
이하에서는, 이해의 편의를 제공하기 위해, 후술될 방법들의 모든 단계(동작)들이 도 1에 예시된 예측 시스템(10)에서 수행되는 것을 가정하여 설명을 이어가도록 한다. 따라서, 특정 단계(동작)의 주어가 생략된 경우, 예측 시스템(10)에 의해 수행되는 것으로 이해될 수 있다. 다만, 실제 환경에서는 후술될 방법의 일부 단계가 다른 컴퓨팅 장치에서 수행될 수도 있다. 가령, 예측 모델(e. g. 도 1의 11)의 학습단계는 경우에 따라 다른 컴퓨팅 장치에서 수행될 수도 있다.
도4는 본 개시의 몇몇 실시예들에 따른 투석 중 저혈압 발생 예측 방법을 개략적으로 나타내는 예시적인 흐름도이다. 단, 이는본 개시의 목적을 달성하기 위한 바람직한 실시예일뿐이며, 필요에 따라 일부 단계가 추가되거나 삭제될 수 있음은 물론이다.
도 4에 도시된 바와 같이, 실시예들에 따른 예측 방법은 투석 환자들에 대한의료 데이터셋을 획득하는 단계 S41에서 시작될 수 있다. 의료 데이터셋은 다수의 투석 환자들에 대한의료 데이터(즉, 데이터 샘플)로 구성될 수 있고, 각각의 의료 데이터(즉, 데이터 샘플)는복수의 투석세션들에 관한 데이터를 포함할 수 있다. 또한, 각각의 의료 데이터(즉, 데이터 샘플)는하나 이상의 종속변수와 복수의 독립변수들을 가질 수 있다.
하나 이상의 종속변수(즉, 정답 레이블)는투석 중 저혈압 발생에관한 것으로서, 예를 들어 투석 중 저혈압 발생 여부(e. g. , IDH 또는 No-IDH), 투석 중 저혈압의 위험 단계(e. g. , Nadir100, Nadir90 등) 등이 될 수 있을 것이나, 이에 한정되는 것은 아니다. 참고로, 투석 중 저혈압은 ‘Nadir90’, ‘Fall20Nadir90’ 등과 같이 다양한 방식으로 정의될 수 있으며, 어떠한 방식으로 정의되더라도 무방하다.
복수의 독립변수들은 예를 들어 환자의 인구통계학적 특성, 질병 이력, 복약 이력, 환자가 투석 전에 받은 검사 결과, 이전/현재 투석세션의 활력징후, 이전/현재 투석세션의 투석시행정보 등에 관한 변수들을 포함할 수 있다. 그러나, 본 개시의 범위가 이에 한정되는 것은 아니다. 독립변수들에 대한 구체적인 예시는 하기의 표 1을 참조하도록 한다.
| 구분 | 세부 변수 | |
| 인구통계학 | 나이, 성별, BMI 등 | |
| 질병 이력 | 당뇨병, 허혈성심질환, 부정맥, 심장판막질환, 간질환, 만성폐색성폐질환, 투병 기간, 투석 기간 등 | |
| 복약 이력 | 항고혈압제(e. g. , 칼슘채널차단제, 알파차단제, 베타차단제, 안지오텐신차단제 등), 칼슘계 인결합제, 복약 기간, 복용 약물의 개수 등 | |
| 검사 결과 | 부갑상선호르몬(Intact PTH), 칼슘(Ca), 인(P), 페리틴(Ferritin), 당(Glucose), 알부민(Albumin), 헤모글로빈(Hemoglobin), 적혈구용적률(Hematocrit), 나트륨(Na)등 | |
| 이전 세션 | 활력징후 | 수축기혈압(SBP), 이완기혈압(DBP), 맥박수, IDH 발생 여부, IDH 발생 횟수, 투석간 체중 변화 등 |
| 투석시행정보 | 혈류속도(BFR), 혈관 종류, 투석액, 투석기, 투석 모드, 투석 시간, 항응고요법, UFR(Ultrafiltration rate) 등 | |
| 현재 세션 | 활력징후 | 수축기혈압(SBP), 이완기혈압(DBP), 맥박수, 투석간 체중 변화 등 |
| 투석시행정보 | 혈류속도(BFR), 혈관 종류, 투석액, 투석기, 투석 모드, 투석 시간, 항응고요법, UFR(Ultrafiltration rate) 등 | |
상기 표 1에서, 이전 투석세션의 활력징후는 예를 들어 해당 투석세션 중에 측정된 값(e. g. , 평균값)이 될 수 있고, 현재 투석세션의 활력징후는 예를 들어 해당투석세션이 시작되기 전에 측정된 값이 될 수 있다. 그러나, 본 개시의 범위가 이에 한정되는 것은 아니다.
또한, 투석 간 체중 변화는 현재 투석세션 시작 전 환자의 체중과 이전 투석세션이 종료 후 체중의 차이를 나타내는 값으로서, 예를 들어 두 체중의 차이를 환자의 건체중으로 나눈 값일 수 있다. 그러나, 이에 한정되는 것은 아니다.
또한, 투석액의 종류는 예를 들어 G액, A액, 저칼슘액, 기타로 구분될 수 있으나, 본 개시의 범위가 이에 한정되는 것은 아니다.
또한, 혈관종류는예를 들어 AVF, AVG, 카테터(Catheter), 기타로 구분될 수 있으나, 본 개시의 범위가 이에 한정되는 것은 아니다.
또한, 투석모드는 예를 들어혈액투석(HD), 혈액여과투석(HDF), 혈액여과(HF), 혈액관류(HP), 한외여과(UF), 지속성순화혈액투석(sustained low efficiency dialysis, SLED)으로 구분될 수 있으나, 본 개시의 범위가 이에 한정되는 것은 아니다.
위와 같은 다양한 독립변수들을 예측 모델의 학습에 이용하면, 예측 모델이 다양한 요인들을복합적으로 고려하여투석 중 저혈압 발생 위험을 정확하게 예측할 수 있게 된다. 가령, 표 1에 예시된 독립변수들을 이용하여 학습된 예측 모델은 환자의 질병 이력, 투석 전 환자의 상태, 환자의 투석시행정보를 복합적(종합적)으로 고려하여 투석 중 저혈압이 발생될 위험(e. g. , 예정된투석세션에서 저혈압이 발생될 위험)을 정확하게 예측할 수 있게 된다.
한편, 몇몇 실시예들에서는, 의료 데이터셋을 구성하는 다수의 독립변수들 중에서 주요 독립변수가 선별될 수도 있다. 그리고, 주요 독립변수에 대한 의료 데이터셋이 예측 모델의 학습데이터셋으로 이용될 수 있다. 그렇게 함으로써, 예측 모델의 성능이 더욱 향상될 수 있는데, 본 실시예에 관하여서는 추후 도 11및 도 12를 참조하여 보다 상세하게 설명하도록 한다.
또한, 몇몇 실시예들에서는, 의료 데이터셋의 클래스 불균형(class imbalance) 문제를 경감시키기 위해, 저혈압 발생 클래스(즉, 투석 중 저혈압이 발생된 케이스)의 데이터셋을 증강(augmentation)시키는 처리가 수행될 수도 있다. 본 실시예에 관하여서는 추후 도 13및 도 14를 참조하여 보다 상세하게 설명하도록 한다.
단계 S42에서, 의료 데이터셋을 이용하여 투석 중 저혈압 발생 위험을 예측하는 모델이 구축될 수 있다. 예측 모델은 CNN 기반의 모델일 수 있으나, 그 세부 구조는 실시예에 따라 달라질 수 있다.
몇몇 실시예들에서는, 예측 모델이CNN 계열의 모델로 구현될 수 있다. 가령, 도 5에 도시된 바와 같이, 예측 모델은 컨볼루션 레이어(52), 풀링 레이어(53)및 출력 레이어(54)를 포함하도록 구성될 수 있다. 이러한 예측 모델은 2차원의 입력 데이터(51)로부터 특징맵을 추출하고, 추출된 특징맵에 기반하여 투석 중 저혈압 발생 위험을 정확하게 예측(e. g. , 투석 중 저혈압 발생 여부에 관한 컨피던스 스코어를 출력함)할 수 있다. 출력 레이어(54)가 클래스별 컨피던스 스코어(confidence score)를 출력하도록 구성된 경우, 저혈압(IDH) 클래스의 컨피던스 스코어(또는 이를 가공한 값)는 투석 중 저혈압의 발생 위험도를 나타내는 값으로 이용될 수 있다. 당해 기술 분야의 종사자라면, 각 레이어(52 내지 54)의동작 원리에 대해 이미 숙지하고 있을 것인 바, 이에 대한 설명은 생략하도록 한다. 투석 환자의 의료 데이터로부터 2차원의 입력 데이터(51)를 구성(생성)하는 방법에 관하여서는 잠시 후에 상세하게 설명하도록 한다.
앞선 실시예들에서, 컨볼루션 레이어(52)는 1차원 컨볼루션(1d conv) 연산을 통해 특징맵을 추출하도록 구성될 수도 있다. 가령, 도 6에 도시된 바와 같이, 입력 데이터(62)가 투석세션축과 독립변수축으로 구성된 2차원 데이터라고 할 때, 컨볼루션 레이어(52)는 컨볼루션 필터(61)를 투석세션축을 따라 이동시키며(즉, 한방향으로만 이동시킴), 입력 데이터(62)에 대해 컨볼루션 연산을 수행할 수 있다. 이러한 경우, 컨볼루션 레이어(52)가 RNN(Recurrent Neural Network) 계열의 모델과 유사하게 투석세션에 따른 시계열 특성을 정확하게 추출할 수 있게 되며, 그 결과 예측 모델의성능은크게 향상될 수 있다. 뿐만 아니라, CNN 계열 모델은 통상적으로 RNN 계열 모델보다 파라미터(즉, 가중치 파라미터)개수가훨씬 적기 때문에, 예측 모델의 학습에 소요되는 시간 비용 및 컴퓨팅 비용은 절감될 수 있다(즉, 예측 모델이RNN 계열의 모델로 구현된 경우보다 학습 비용이 감소될 수 있음).
다른 몇몇 실시예들에서는, 예측 모델이 CNN과 RNN의 조합에 기초하여 구현될 수 있다. 가령, 도 7에 도시된 바와 같이, 예측 모델이 복수의 CNN 블록들(72-1 내지 72-n), 복수의 RNN 블록들(73-1 내지 73-n) 및 복수의 출력 레이어들(74-1 내지 74-n)을 포함하도록 구성될 수 있다. 여기서, CNN 블록들(72-1 내지 72-n)은 2차원의 입력 데이터(71-1 내지 71-n, e. g. , 시계열 순서에 따른 복수의 2차원 데이터)로부터 특징맵들을 추출할 수 있고, RNN 블록들(73-1 내지 73-n)은 시계열 순서를 고려하여 특징맵들을 분석할 수 있으며, 출력 레이어들(74-1 내지 74-n)은 대응되는 투석세션에 대한 저혈압 발생 위험을 예측하여 출력할 수 있다.
이하에서는, 도 8을 참조하여 학습 단계 S42의 세부 과정에 대하여 설명하도록 한다.
도 8에 도시된 바와 같이, 투석 환자의 의료 데이터를 가공하여 2차원의 입력 데이터가 구성되고(S81), 구성된 입력 데이터를 이용하여 예측 모델이 학습될 수 있다(S82). 가령, 예측 시스템(10)은 2차원의 입력 데이터를 예측 모델에 입력하여 예측 결과를 획득하고, 예측 결과와 정답 레이블(즉, 종속변수의 값)의 차이(즉, 예측 오차)가 최소화되는 방향으로 예측 모델의 가중치 파라미터(e. g. , 컨볼루션 필터의 가중치 파라미터)를 업데이트할 수 있다. 이러한 과정이 다수의 의료 데이터에 대해 반복 수행됨으로써, 예측 모델이 투석 중 저혈압 발생 위험을 정확하게 예측할 수 있게 된다.
예측 모델의 입력 데이터를 구성하는 예시적인 방식은 도 9에 도시되어 있다.
도 9에 도시된 바와 같이, 예측 시스템(10)은 투석세션축과 독립변수축에 의해 형성되는 2차원의 데이터 평면(90) 상에 투석 환자의 의료 데이터를 배치할 수 있다. 그리고, 예측 시스템(10)은 데이터 평면(90) 상에서 기 설정된 개수의 투석세션들에 관한 데이터(91)를 추출함으로써 2차원의 입력 데이터를 생성할 수 있다. 가령, 3개의 이전 투석세션들(e. g. , 투석세션t-3 내지 t-1)의 데이터를 이용하여 현재 투석세션‘t’에 대한 예측을 수행한다고 가정하자. 이러한 경우, 예측 시스템(10)은 해당 환자의 투석세션‘t-3’부터 투석세션‘t-1’까지의 데이터(91)를 한 단위의 입력 데이터로 추출할 수 있다. 이때, 입력 데이터(91)의 정답 레이블은 투석세션‘t’에서의 저혈압 발생 여부(또는 저혈압 위험 단계 등)가 될 수 있다. 또는, 예측 시스템(10)은 3개의 이전 투석세션들에 관한 데이터(91)와 현재 투석세션 ‘t’에 관한 데이터(즉, 세션 시작 전의 활력징후, 투석시행정보 등)를 한 단위의 입력 데이터로 추출할 수도 있다. 참고로, 이전 투석세션의 데이터는 해당 투석세션 도중에 측정된 활력징후 데이터만을 포함할 수도 있고, 해당 투석세션 시작 전에 측정된 활력징후 데이터를 더 포함할 수도 있다.
예측 시스템(10)은 슬라이딩 윈도우 방식으로 예측 모델을 위한 2차원의 입력 데이터를 연속적으로 추출할 수도 있다. 가령, 예측 시스템(10)은 투석세션축과 독립변수축에 의해 형성되는 2차원의 데이터 평면 상에 의료 데이터를 배치하고, 2차원의 데이터 평면 상에서, 슬라이딩 윈도우를 투석세션축에 따라 이동시키며 예측 모델의 입력 데이터를 연속적으로 추출할 수 있다. 이때, 슬라이딩 윈도우의 크기는 입력 데이터에 포함될 투석세션의 개수에 기초하여 설정될 수 있다.
한편, 독립변수축 상에서, 독립변수들이 배열(배치)되는 위치(순서)는 다양한 방식으로 결정될 수 있다.
몇몇 실시예들에서는, 사전 지식(prior knowledge)에 기초하여 독립변수들의 배열 위치가 결정될 수 있다. 가령, 예측 시스템(10)은 사전 지식에 기초하여 연관성이 높은 독립변수들을 서로 가깝게 배치하고(e. g. , 인접 배치함), 연관성이 낮은 독립변수들은 서로 멀리 배치할 수 있다. 이러한 경우, 예측 모델이 독립변수들의 연관성을 보다 잘 고려하여 예측을 수행하게 되는 바, 예측 모델의 성능이 더욱 향상될 수 있다.
다른 몇몇 실시예들에서는, 독립변수들 간의 상관계수에 기초하여 독립변수들의 배열 위치가 결정될 수 있다. 가령, 예측 시스템(10)은 상관계수의 값이 상대적으로 큰 독립변수들을 서로 가깝게 배치하고(e. g. , 인접 배치함), 상대적으로 작은 독립변수들은 서로 멀리 배치할 수 있다. 이러한 경우, 예측 모델이 독립변수들의 연관성을 보다 잘 고려하여예측을 수행하게 되는 바, 예측 모델의 성능이 더욱 향상될 수 있다.
또 다른 몇몇 실시예들에서는, 독립변수들의 배열 위치를 변경해가며 수행된 CNN 기반 모델의 성능 평가 결과에 기초하여 독립변수들의 배열 위치가 결정될 수 있다. 가령, 도 10에 도시된 바와 같이, 예측 시스템(10)은 독립변수들의 배열 위치를 변경해가며(입력 데이터 101, 103 참조) CNN 기반 예측 모델들(102, 104)에 대한 학습 및 성능 평가를 수행할 수 있다. 그리고, 예측 시스템(10)은 성능 평가 결과를 비교함으로써 독립변수들의 배열 위치를 결정할 수 있다(e. g. 성능이 가장 우수한 예측 모델의 배열 위치로 결정함).
또 다른 몇몇 실시예들에서는, 독립변수들의 배열 위치가 랜덤하게 결정될 수도 있다.
또 다른 몇몇 실시예들에서는, 상술한 실시예들의 다양한 조합에 기초하여 독립변수들의 배열 위치가 결정될 수도 있다. 가령, 예측 시스템(10)은 제1그룹의 독립변수들의 배열 위치는 제1방식(e. g. , 상관계수, 사전 지식 등에 기초하여 결정됨)으로 결정하고, 제2그룹의 독립변수들의 배열 위치는 제2방식(e. g. , 랜덤 방식)으로 결정할 수도 있다.
다시 도 4를 참조하여 설명한다.
단계 S43에서, 학습된 예측 모델을 통해 대상 환자의 투석 중 저혈압 발생 위험이 예측될 수 있다. 구체적으로, 예측 시스템(10)은 대상 환자의 의료 데이터로부터 2차원 데이터를 구성하고, 2차원 데이터를 예측 모델에 입력함으로써 예측을 수행할 수 있다. 상술한 바와 같이, 예측 결과는 예를 들어 투석 중 저혈압 발생 여부(e. g. , IDH 또는 No-IDH), 투석 중 저혈압 발생 위험도(즉, 투석 중 저혈압이 발생할 가능성/확률), 투석 중 저혈압의 위험 단계(e. g. , Nadir100, Nadir90 등), 단계별 위험도 등이 될 수 있을 것이나, 이에 한정되는 것은 아니다. 2차원 데이터를 구성하는 방식은 도 9 등의 설명 내용을 참조하도록 한다.
한편, 몇몇 실시예들에서는, 다수의 예측 모델들이 구축될 수도 있다. 가령, 예측 시스템(10)은 의료 데이터셋을 이용하여 제1예측 모델(e. g. CNN 계열의 예측 모델)을 구축하고, 제1예측 모델과 다른 제2예측 모델(e. g. CNN과 RNN의 조합에 기초한 예측 모델)을 더 구축할 수 있다. 또는, 예측 시스템(10)은 제1독립변수들에관한 의료 데이터셋을 이용하여 제1예측 모델을 구축하고, 제1독립변수들과 적어도 일부는 상이한 제2독립변수들에 관한 의료 데이터셋을 이용하여 제2예측 모델을 구축할 수도 있다. 이러한 경우, 예측 시스템(10)은 두 예측 모델의 예측 결과를 종합적으로 고려하여 투석 중 저혈압 발생 위험을 예측할 수 있다.
지금까지 도 4 내지 도 10을 참조하여 본 개시의 몇몇 실시예들에 따른 투석 중 저혈압 발생 예측 방법에 대하여 설명하였다. 상술한 바에 따르면, CNN 기반 예측 모델을 통해 투석 중 저혈압 발생 위험이 조기에 정확하게 예측될 수 있다. 가령, 예측 모델을 통해 예정된 투석세션에서(즉, 투석 세션이 시작되기 전에) 저혈압이 발생될 위험이 정확하게 예측될 수 있다. 아울러, 예측 결과에 따른 선제적 조치를 통해 투석 중 저혈압 발생률은 크게 감소될 수 있다.
또한, 다양한 독립변수들(e. g. , 인구통계학적 특성, 질병이력, 복약 이력, 투석세션별 활력징후 및 투석시행정보 등)을 갖는 투석 환자의 의료 데이터셋을 이용하여 예측 모델이 학습될 수 있다. 이에 따라, 다양한 요인들을 복합적으로 고려하여 저혈압 발생 위험을 정확하게 예측하는 모델이 구축될 수 있다.
또한, 투석 환자의 의료 데이터로부터 구성된 2차원 데이터(즉, 투석세션축과 독립변수축을 갖는 2차원의 데이터)가 CNN 기반 예측 모델의 학습 데이터로 이용될 수 있다. 이러한 경우, 예측 모델이 투석세션들간의 연관성과 독립변수들 간의 연관성을 종합적으로 고려하여 예측을 수행하도록 학습되기 때문에, 고성능의 예측 모델이 구축될 수 있다.
이하에서는, 도 11및 도 12를 참조하여 주요 독립변수를 선별하는 방법에 관한 실시예들에 대하여 설명하도록 한다.
먼저, 도 11을 참조하여 본 개시의 몇몇 실시예들에 따른 주요 독립변수 선별 방법에 대하여 설명하도록 한다.
도 11에 도시된 바와 같이, 본 실시예들은 모델(112)에 대한 성능 평가 결과를 기초로 주요 독립변수들(113-1 내지 113-k)을 선별하는 방법에 관한 것이다.
구체적으로, 예측 시스템(10)은 의료 데이터셋을 구성하는 독립변수들(111-1 내지 111-n)을 이용하여 모델(112)을 학습시키고, 학습된 모델(112)의 성능을 평가할 수 있다. 가령, 예측 시스템(10)은 제1독립변수(e. g. 111-1)를 이용하여 제1모델을 학습시키고제2독립변수(e. g. 111-2)를 이용하여 제2모델을 학습시킬 수 있다. 그리고, 예측 시스템(10)은 제1모델과 제2모델 각각의 성능을 평가할 수 있다. 물론, 예측 시스템(10)은 둘 이상의 독립변수(e. g. 111-1, 111-2)를 이용하여 모델(112)을학습시킬 수도 있다.
도 11에 도시된 모델(112)은 주요 독립변수 선별에 이용된 모든 모델들이 추상화된 것으로 이해될 수 있다. 모델(112)은 학습 가능한 모델(즉, 기계학습/딥러닝 모델)로서, 상술한 예측 모델과 동일한 유형의 모델일 수도 있고, 다른 유형의 모델(e. g. , 로지스틱 회귀, 랜덤 포레스트, 결정 트리, XG부스트 등)일 수도 있다.
다음으로, 예측 시스템(10)은 모델(112)의 성능 평가 결과를 기초로 주요 독립변수(113-1 내지 113-k)를 선별할 수 있다. 가령, 예측 시스템(10)은 성능 평가 점수(e. g. , 정확도 등)가 기준치 이상인 모델의 학습에 이용된 K개(단, K는 독립변수의 전체 개수 N보다 작은 값)의 독립변수들(113-1 내지 113-k)을 주요 독립변수로 선별할 수 있다.
주요 독립변수들(113-1 내지 113-k)이 선별되면, 예측 시스템(10)은 주요 독립변수들(113-1 내지 113-k)로 구성된 의료 데이터셋을 이용하여 예측 모델을 구축할 수 있다. 그렇게 함으로써, 보다 고성능의 예측 모델이 구축될 수 있다.
이하에서는, 도 12을 참조하여 본 개시의 다른 몇몇 실시예들에 따른 주요 독립변수 선별 방법에 대하여 설명하도록 한다.
도 12에 도시된 바와 같이, 본 실시예들은특정 독립변수(e. g. , 변수2)의 값의 변화가 모델(121)의 예측 결과(e. g. 122, 123)에 미치는 영향도를 이용하여 주요 독립변수를 선별하는 방법에 관한 것이다.
구체적으로, 예측 시스템(10)은의료 데이터셋을 이용하여 모델(121)을 학습시킬 수 있다. 도시된 바와 같이, 모델(121)은 CNN 기반의 모델일 수 있으나, 본 개시의 범위가 이에 한정되는 것은 아니다.
다음으로, 예측 시스템(10)은 2차원의 제1입력 데이터(124)를 학습된 모델(121)에 입력하여 제1예측 결과(122)를 획득할 수 있다. 도 12는 모델(121)이 투석 중 저혈압 발생 클래스(IDH참조)와 미발생 클래스(No-IDH참조)에 대한 컨피던스 스코어를 출력하는 분류 모델인 경우를 예로서 도시하고 있다.
다음으로, 예측 시스템(10)은 제1입력 데이터(124)에서 특정 독립변수(e. g. 변수2)의 값(125)을 변경하여 제2 입력 데이터(126)를 생성하고, 제2입력 데이터(126)를 다시 학습된 모델(121)에 입력하여 제2예측 결과(123)를 획득할 수 있다. 가령, 예측 시스템(10)은 특정 독립변수(e. g. 변수2)의 값(125)을 ‘0’으로 변경할 수도 있고, 저혈압 미발생 클래스(또는 저혈압발생 클래스)에 속한 데이터셋의 평균값으로 변경할 수도 있다.
다음으로, 예측 시스템(10)은 두 예측 결과(122, 123)의 차이를 산출할 수 있다. 예측 시스템(10)은이러한 과정들을 다른 환자 데이터에 대해 반복함으로써 특정 독립변수(e. g. 변수2)가 모델(121)의 예측 결과(e. g. 122, 123)에 미치는 영향도(e. g. 차이값의 평균)를 측정할 수 있다. 가령, 특정 독립변수(e. g. 변수2)의 값을 ‘0’으로 변경함에 따라 저혈압발생 클래스의 컨피던스 스코어가 전반적으로 크게 감소된 경우, 예측 시스템(10)은 해당 독립변수가 모델(121)의 예측 결과(또는 종속변수)에 미치는 영향도가 높다고 판단할 수 있다.
예측 시스템(10)은 의료 데이터셋을 구성하는 독립변수들 각각의 영향도를 측정하고, 측정된 영향도가 기준치 이상인 독립변수들을 주요 독립변수로 선별할 수 있다. 그리고, 예측 시스템(10)은 주요 독립변수들로 구성된 의료 데이터셋을 이용하여 예측 모델을 구축할 수 있다. 그렇게 함으로써, 보다 고성능의 예측 모델이 구축될 수 있다.
지금까지 도11및 도 12를 참조하여 주요 독립변수를 선별하는 방법에 관한 실시예들에 대하여 설명하였다. 이하에서는, 도 13및 도 14을 참조하여 본 개시의 몇몇 실시예들에 따른 데이터셋 증강 방법에 대하여 설명하도록 한다.
도 13에 도시된 바와 같이, 본 실시예들은 오토인코더 기반 모델(133)을 이용하여 투석 중 저혈압 발생클래스(IDH참조)의 의료 데이터셋을 증강시키는 방법에 관한 것이다. 여기서, 오토인코더 기반 모델(133)은 인코더(134) 및 디코더(135)를 포함하도록 구성될 수 있다. 그리고, 인코더(134)는 입력 데이터(132)를 잠재 벡터(136, latent vector)로 인코딩할 수 있고, 디코더(135)는 잠재 벡터(136)를 디코딩하여 입력 데이터를 재구성(복원)할 수 있다. 당해 기술 분야의 종사자라면, 오토인코더 기반 모델의 구조 및 동작 원리에 대해 이미 숙지하고 있을 것인 바, 오토인코더 기반 모델 자체에 대한 설명은 생략하도록 한다. 참고로, 도 13은 오토인코더 기반 모델(133)이 기본 오토인코더 구조로 이루어진 것을 예시하고 있다.
보다 구체적으로, 예측 시스템(10)은 저혈압 발생클래스의 의료 데이터셋(131)을 이용하여 오토인코더 기반 모델(133)을 학습시킬 수 있다. 도시된 바와 같이, 예측 시스템(10)은 의료 데이터셋(131)을 구성하는 각각의 의료 데이터(132)에 대한 재구성 손실(reconstruction loss)에 기초하여 모델(133)을 학습시킬 수 있으며, 재구성 손실은 입력 데이터(132)와 출력(재구성)데이터(137)의 차이에 기초하여 산출될 수 있다. 각각의 의료 데이터(132)는 예를 들어 단일 투석세션에 관한 데이터일 수 있으나, 본 개시의 범위가 이에 한정되는 것은 아니다.
상술한 학습 과정을 통해, 인코더(134)가 저혈압 발생클래스의 의료 데이터셋(131)을 대응되는 잠재 공간(latent space) 상의 영역(이른바 ‘매니폴드’)으로 매핑할 수 있게 된다.
다음으로, 예측 시스템(10)은 학습된 인코더(134)를 통해 도 14에 예시된 바와 같은 잠재 공간 상의 영역(141, 이하 ‘잠재 영역’으로 칭함)을 식별할 수 다. 도시된 잠재 영역(141)은 잠재 공간 상에서 저혈압 발생 클래스의 의료 데이터셋(131)이 분포하고 있는 영역을 의미한다. 가령, 예측 시스템(10)은 학습된 인코더(134)를 통해 의료 데이터셋(131)에 포함된다수의 의료 데이터를 잠재 벡터(e. g. 134)로 인코딩하고, 해당 잠재 벡터들을 모두 포함하는 영역을 의료 데이터셋(131)의 잠재 영역(141)으로 식별할 수 있다.
다음으로, 예측 시스템(10)은 잠재 영역(141) 내에서 잠재 벡터(142)를 샘플링할 수 있다. 그리고, 예측 시스템(10)은 학습된 디코더(135)를 통해 샘플링된 잠재 벡터(142)를 디코딩함으로써 저혈압 발생클래스에 속한 가상의 의료 데이터를 생성할 수 있다. 이러한 샘플링 및 디코딩 과정이 반복됨에 따라 저혈압 발생클래스의 데이터셋(131)이 점진적으로 증강될 수 있다.
지금까지 도 13및 도 14을 참조하여 본 개시의 몇몇 실시예들에 따른 데이터셋 증강 방법에 대하여 설명하였다. 상술한 바에 따르면, 투석 중 저혈압 발생클래스의 의료 데이터셋을 증강시킴으로써 클래스 불균형 문제가 크게 경감될 수 있으며, 이에 따라 예측 모델의 성능은 크게 향상될 수 있다. 또한, 오토인코더 기반의 모델을 이용함으로써 상당히 그럴듯한 의료 데이터(즉, 가상의 의료 데이터)가 생성될 수 있다.
이하에서는, 본 개시의 발명자들이 수행한 실험 결과에 대하여 간략하게 소개하도록 한다.
본 발명자들은 본 개시의 실시예들에 따른 효과를 증명하기 위해 실제 투석 환자들에 대한 의료 데이터셋을 이용하여 투석 중 저혈압이 발생될 위험을 예측하는 모델을 구축하였다. 해당 의료 데이터셋은 약 2, 040명의 투석 환자들에 관한 데이터로, 총 937, 076회의 투석세션에 관한 데이터로 구성되었다. 또한, 해당 의료 데이터셋에서, 투석 중 저혈압은약 1, 507명의 환자들과 총 43, 673회의 투석세션에서 발생한 것으로 확인되었다.
구체적으로, 본 발명자들은 도 5에 예시된 바와 같은 CNN 계열의 예측 모델을 구축하였고(이하, ‘실시예 1’), 성능 비교를 위해 로지스틱 회귀 모델을 더 구축하였으며(이하, ‘비교예 1’), 두 모델들에 대한 성능 평가를 실시하였다. 평가 결과는 하기의 표 2에 기재되어 있다. 당해 기술 분야의 종사자라면, 표 2에 기재된 성능 메트릭의 의미 및 측정 방법에 대해 이미 숙지하고 있을 것인 바, 이에 대한 설명은 생략하도록 한다.
| 구분 | 정확도 (Accuracy) |
정밀도 (precision) |
재현율 (recall) |
F1-스코어 (F1-score) |
| 실시예 1 | 0. 91 | 0. 3 | 0. 62 | 0. 68 |
| 비교예 1 | 0. 79 | 0. 16 | 0. 79 | 0. 27 |
표 2을 참고하면, 실시예 1에 따른 예측 모델의 성능이 비교예 1을 상회하는 것을 확인할 수 있다. 이는 CNN 계열의 예측 모델이투석세션들 간의 연관성과 독립변수들 간의 연관성을 종합적으로 고려하여 예측을 수행함으로써 나타난 결과로 판단된다.
지금까지 본 발명자들이 수행한 실험 결과에 대하여 간략하게 소개하였다. 이하에서는, 도 15을 참조하여 본 개시의 몇몇 실시예들에 따른 예측 시스템(10)을 구현할 수 있는 예시적인 컴퓨팅 장치(150)에 대하여 설명하도록 한다.
도 15는컴퓨팅 장치(150)를 나타내는 예시적인 하드웨어 구성도이다.
도 15에 도시된 바와 같이, 컴퓨팅 장치(150)는 하나 이상의 프로세서(151), 버스(153), 통신 인터페이스(154), 프로세서(151)에 의하여 수행되는 컴퓨터 프로그램을 로드(load)하는 메모리(152)와, 컴퓨터 프로그램(156)을 저장하는 스토리지(155)를 포함할 수 있다. 다만, 도 15에는 본 개시의 실시예와 관련있는 구성요소들만이 도시되어 있다. 따라서, 본 개시가속한 기술분야의 통상의 기술자라면 도 15에도시된 구성요소들 외에 다른 범용적인 구성 요소들이 더 포함될 수 있음을 알 수 있다. 즉, 컴퓨팅 장치(150)에는, 도 15에 도시된 구성 요소 이외에도 다양한 구성 요소가 더 포함될 수 있다. 또한, 경우에 따라, 도 15에 도시된 구성요소들 중 일부가 생략된 형태로 컴퓨팅 장치(150)가 구성될 수도 있다. 이하, 컴퓨팅 장치(150)의 각 구성요소에 대하여 설명한다.
프로세서(151)는 컴퓨팅 장치(150)의 각 구성의 전반적인 동작을 제어할 수 있다. 프로세서(151)는 CPU(Central Processing Unit), MPU(Micro Processor Unit), MCU(Micro Controller Unit), GPU(Graphic Processing Unit) 또는 본 개시의 기술 분야에 잘 알려진 임의의 형태의 프로세서 중 적어도 하나를 포함하여 구성될 수 있다. 또한, 프로세서(151)는 본 개시의 실시예들에 따른 동작/방법을 실행하기 위한 적어도 하나의 애플리케이션 또는 프로그램에 대한 연산을 수행할 수 있다. 컴퓨팅 장치(150)는 하나 이상의 프로세서를 구비할 수 있다.
다음으로, 메모리(152)는각종데이터, 명령및/또는정보를저장할 수 있다. 메모리(152)는 본 개시의 실시예들에 따른 동작/방법을 실행하기 위하여 스토리지(155)로부터 컴퓨터 프로그램(156)을 로드할 수 있다. 메모리(152)는 RAM과 같은 휘발성 메모리로 구현될 수 있을 것이나, 본 개시의 기술적 범위가 이에 한정되는 것은 아니다.
다음으로, 버스(153)는 컴퓨팅 장치(150)의 구성 요소 간 통신 기능을 제공할 수 있다. 버스(153)는 주소 버스(Address Bus), 데이터 버스(Data Bus) 및 제어 버스(Control Bus) 등 다양한 형태의 버스로 구현될 수 있다.
다음으로, 통신 인터페이스(154)는 컴퓨팅 장치(150)의 유무선 인터넷 통신을 지원할 수 있다. 또한, 통신 인터페이스(154)는 인터넷 통신 외의 다양한 통신 방식을 지원할 수도 있다. 이를 위해, 통신 인터페이스(154)는 본 개시의 기술 분야에 잘 알려진 통신 모듈을 포함하여 구성될 수 있다.
다음으로, 스토리지(155)는 하나 이상의 컴퓨터 프로그램(156)을비임시적으로저장할 수있다. 스토리지(155)는 ROM(Read Only Memory), EPROM(Erasable Programmable ROM), EEPROM(Electrically Erasable Programmable ROM), 플래시메모리등과같은비휘발성메모리, 하드디스크, 착탈형디스크, 또는본 개시가속하는기술분야에서잘알려진임의의형태의컴퓨터로읽을수있는기록매체를포함하여구성될수있다.
다음으로, 컴퓨터 프로그램(156)은 메모리(152)에 로드될 때 프로세서(151)로 하여금 본 개시의 다양한 실시예들에 따른 동작/방법을 수행하도록 하는 하나 이상의 인스트럭션을 포함할 수 있다. 즉, 프로세서(151)는 상기 하나 이상의 인스트럭션을 실행함으로써, 본 개시의 다양한 실시예에 따른 동작/방법을 수행할 수 있다.
예를 들어, 컴퓨터 프로그램(156)은 투석 환자에 대한 의료 데이터를 획득하는 동작, 의료 데이터를 가공하여 CNN기반 예측 모델의 입력 데이터를 구성하는 동작 및입력 데이터를 예측 모델에 입력하여 투석 환자에 대한 투석 중 저혈압 발생 위험을 예측하는 동작을 수행하도록 하는 인스트럭션들을 포함할 수 있다. 이와 같은 경우, 컴퓨팅 장치(150)를 통해 본 개시의 몇몇 실시예들에 따른 예측 시스템(10)이 구현될 수 있다.
지금까지 도 15를 참조하여 본 개시의 몇몇 실시예들에 따른 예측 시스템(10)을 구현할 수 있는 예시적인 컴퓨팅 장치(150)에 대하여 설명하였다.
지금까지 도 1 내지 도 15를 참조하여 설명된 본 개시의 기술적 사상은 컴퓨터가 읽을 수 있는 매체 상에 컴퓨터가 읽을 수 있는 코드로 구현될 수 있다. 상기 컴퓨터로 읽을 수 있는 기록 매체는, 예를 들어 이동형 기록 매체(CD, DVD, 블루레이 디스크, USB 저장 장치, 이동식 하드 디스크)이거나, 고정식 기록 매체(ROM, RAM, 컴퓨터 구비 형 하드 디스크)일 수 있다. 상기 컴퓨터로 읽을 수 있는 기록 매체에 기록된 상기 컴퓨터 프로그램은 인터넷 등의 네트워크를 통하여 다른 컴퓨팅 장치에 전송되어 상기 다른 컴퓨팅 장치에 설치될 수 있고, 이로써 상기 다른 컴퓨팅 장치에서 사용될 수 있다.
이상에서, 본 개시의실시예를구성하는모든구성요소들이하나로결합되거나 결합되어 동작하는 것으로 설명되었다고 해서, 본 개시의 기술적 사상이 반드시 이러한 실시예에 한정되는 것은 아니다. 즉, 본 개시의 목적 범위 안에서라면, 그 모든 구성요소들이 하나 이상으로 선택적으로 결합하여 동작할 수도 있다.
도면에서 동작들이 특정한 순서로 도시되어 있지만, 반드시 동작들이 도시된 특정한 순서로 또는 순차적 순서로 실행되어야만 하거나 또는 모든 도시된 동작들이 실행되어야만 원하는 결과를 얻을 수 있는 것으로 이해되어서는 안된다. 특정 상황에서는, 멀티태스킹 및 병렬 처리가 유리할 수도 있다. 더욱이, 위에 설명한 실시예들에서 다양한 구성들의 분리는 그러한 분리가 반드시 필요한 것으로 이해되어서는 안되고, 설명된 프로그램 컴포넌트들 및 시스템들은 일반적으로 단일 소프트웨어 제품으로 함께 통합되거나 다수의 소프트웨어 제품으로 패키지될 수 있음을 이해하여야 한다.
이상 첨부된 도면을 참조하여 본 개시의 실시예들을 설명하였지만, 본 개시가 속하는 기술분야에서 통상의 지식을 가진 자는 그 기술적 사상이나 필수적인 특징을 변경하지 않고서 본 개시가다른 구체적인 형태로도 실시될 수 있다는 것을 이해할 수 있다. 그러므로 이상에서 기술한 실시예들은 모든 면에서 예시적인 것이며 한정적인 것이 아닌 것으로 이해해야만 한다. 본 개시의 보호 범위는 아래의 청구범위에 의하여 해석되어야 하며, 그와 동등한 범위 내에 있는 모든 기술 사상은 본 개시에 의해 정의되는기술적 사상의 권리범위에포함되는 것으로 해석되어야 할 것이다.
Claims (15)
- 적어도 하나의 컴퓨팅 장치에 의해 수행되는 방법으로서,
투석 환자의 의료 데이터를 획득하는 단계 - 상기 의료 데이터는 복수의 투석세션들에 관한 투석 데이터를 포함하고 상기 투석 데이터는 복수의 독립변수들을 가짐 - ;
상기 의료 데이터를 가공하여 CNN(Convolutional Neural Network) 기반 예측 모델의 입력 데이터를 구성하는 단계 - 상기 입력 데이터는 투석세션축과 독립변수축을 갖는 2차원 데이터임 - ; 및
상기 입력 데이터를 상기 예측 모델에 입력하여 상기 투석 환자에대한 투석 중 저혈압 발생 위험을 예측하는 단계를 포함하는,
투석 중 저혈압 발생 예측 방법. - 제1항에 있어서,
상기 복수의 독립변수들은 활력징후 및 투석시행정보에 관한 변수를 포함하는,
투석 중 저혈압 발생 예측 방법. - 제1항에 있어서,
상기 복수의 독립변수들은 수축기혈압(SBP), 이완기혈압(DBP), UFR(ultrafiltration rate) 및 저혈압 발생 여부 중 적어도 하나에 관한 변수를 포함하는, 투석 중 저혈압 발생 예측 방법. - 제1항에 있어서,
상기 복수의 독립변수들은 투석액, 투석모드, 투석소요시간 및 혈류속도(BFR) 중 적어도 하나에 관한 변수를 포함하는, 투석 중 저혈압 발생 예측 방법. - 제1항에 있어서,
상기 의료 데이터는 상기 투석 환자의 인구통계학적 특성, 질병 이력, 복약 이력 및 상기 투석 환자의 투석 전 검사 결과에 관한 데이터 중 적어도 하나를 더 포함하는, 투석 중 저혈압 발생 예측 방법. - 제1항에 있어서,
상기 예측 모델은 상기 투석세션축을 따라 상기 입력 데이터에 대해 1차원 컨볼루션 연산을 수행하는 컨볼루션 레이어를 포함하는, 투석 중 저혈압 발생 예측 방법. - 제1항에 있어서,
상기 입력 데이터를 구성하는 단계는,
상기 투석세션축과 상기 독립변수축에 의해 형성되는 2차원의 데이터 평면 상에 상기 의료 데이터를 배치하는 단계; 및
상기 2차원의 데이터 평면 상에서, 미리 설정된 크기의 슬라이딩 윈도우를 상기 투석세션축에 따라 이동시키며 복수의 입력 데이터를 추출하는 단계를 포함하는, 투석 중 저혈압 발생 예측 방법. - 제1항에 있어서,
상기 의료 데이터는 투석 중 저혈압 발생에 관한 정답 레이블이 존재하는 학습 데이터이고,
상기 예측의 결과와 상기 정답 레이블의 차이에 기초하여 상기 예측 모델을 학습시키는 단계를 더 포함하는, 투석 중 저혈압 발생 예측 방법. - 제1항에 있어서,
상기 투석 데이터는 상기 투석 환자가 받은 이전 투석세션에 관한 제1 데이터와 상기 투석 환자가 받을 현재 투석세션에 관한 제2 데이터를 포함하고,
상기 예측하는 단계는,
상기 예측 모델을 통해 상기 현재 투석세션에서 저혈압이 발생될 위험을 예측하는 단계를 포함하는, 투석 중 저혈압 발생 예측 방법. - 제9항에 있어서,
상기 제1 데이터는 상기 이전 투석세션을 받는 동안에 측정된 상기 투석 환자의 활력징후 데이터를 포함하고,
상기 제2 데이터는 상기 현재 투석세션을 받기 전에 측정된 상기 투석 환자의 활력징후 데이터를 포함하는, 투석 중 저혈압 발생 예측 방법. - 제1항에 있어서,
상기 입력 데이터를 구성하는 단계는,
상기 복수의 독립변수들 중에서 일부의 변수를 선택하고 상기 선택된 변수에 대한 기계학습 모델의 성능을 평가하는 과정을 반복적으로 수행하는 단계;
상기 반복 수행의 결과에 기초하여 상기 복수의 독립변수들 중에서 주요 독립변수를 선별하는 단계; 및
상기 주요 독립변수에 대한 투석 데이터를 가공하여 상기 입력 데이터를 구성하는 단계를 포함하는, 투석 중 저혈압 발생 예측 방법. - 제1항에 있어서,
상기 독립변수축 상에서 상기 복수의 독립변수들의 배열 위치는 상기 독립변수들 간의 상관계수에 기초하여 결정되는, 투석 중 저혈압 발생 예측 방법. - 제1항에 있어서,
상기 독립변수축 상에서 상기 복수의 독립변수들의 배열 위치는 상기 독립변수들의 배열 위치를 변경해가며 수행된 CNN 기반 모델의 성능 평가 결과에 기초하여 결정되는, 투석 중 저혈압 발생 예측 방법. - 하나 이상의 인스트럭션을 저장하는 메모리; 및
하나 이상의 프로세서를 포함하고,
상가 하나 이상의 프로세서는,
상기 저장된 하나 이상의 인스트럭션을 실행시킴으로써,
투석 환자의 의료 데이터를 획득하는 동작 - 상기 의료 데이터는 복수의 투석세션들에 관한 투석 데이터를 포함하고 상기 투석 데이터는 복수의 독립변수들을 가짐 - ,
상기 의료 데이터를 가공하여 CNN(Convolutional Neural Network) 기반 예측 모델의 입력 데이터를 구성하는 동작 - 상기 입력 데이터는 투석세션축과 독립변수축을 갖는 2차원 데이터임 - 및
상기 입력 데이터를 상기 예측 모델에 입력하여 상기 투석 환자에대한 투석 중 저혈압 발생 위험을 예측하는 동작을 수행하는, 투석 중 저혈압 발생 예측 시스템. - 컴퓨팅 장치와 결합되어,
투석 환자의 의료 데이터를 획득하는 단계 - 상기 의료 데이터는 복수의 투석세션들에 관한 투석 데이터를 포함하고 상기 투석 데이터는 복수의 독립변수들을 가짐 - ;
상기 의료 데이터를 가공하여 CNN(Convolutional Neural Network) 기반 예측 모델의 입력 데이터를 구성하는 단계 - 상기 입력 데이터는 투석세션축과 독립변수축을 갖는 2차원 데이터임 - ; 및
상기 입력 데이터를 상기 예측 모델에 입력하여 상기 투석 환자에 대한 투석 중 저혈압 발생 위험을 예측하는 단계를 실행시키기 위하여 컴퓨터로 판독가능한 기록매체에 저장된, 컴퓨터 프로그램.
Priority Applications (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020220101462A KR20240022865A (ko) | 2022-08-12 | 2022-08-12 | 투석 중 저혈압 발생 예측 방법 및 그 시스템 |
| PCT/KR2023/011305 WO2024034984A1 (ko) | 2022-08-12 | 2023-08-02 | 투석 중 저혈압 발생 예측 방법 및 그 시스템 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020220101462A KR20240022865A (ko) | 2022-08-12 | 2022-08-12 | 투석 중 저혈압 발생 예측 방법 및 그 시스템 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| KR20240022865A true KR20240022865A (ko) | 2024-02-20 |
Family
ID=89852148
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020220101462A KR20240022865A (ko) | 2022-08-12 | 2022-08-12 | 투석 중 저혈압 발생 예측 방법 및 그 시스템 |
Country Status (2)
| Country | Link |
|---|---|
| KR (1) | KR20240022865A (ko) |
| WO (1) | WO2024034984A1 (ko) |
Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR102269321B1 (ko) | 2019-06-18 | 2021-06-25 | 순천향대학교 산학협력단 | 심박변이도로 투석 중 저혈압을 예측하는 방법 |
Family Cites Families (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| DE102013108543A1 (de) * | 2013-08-07 | 2015-02-26 | B. Braun Avitum Ag | Vorrichtung und ein Verfahren zur Vorhersage intradialytischer Parameter |
| US20210193317A1 (en) * | 2019-12-20 | 2021-06-24 | Fresenius Medical Care Holdings, Inc. | Real-time intradialytic hypotension prediction |
| KR102460257B1 (ko) * | 2020-07-03 | 2022-10-28 | 주식회사 뷰노 | 진단 결과를 제공하기 위한 방법 및 장치 |
-
2022
- 2022-08-12 KR KR1020220101462A patent/KR20240022865A/ko unknown
-
2023
- 2023-08-02 WO PCT/KR2023/011305 patent/WO2024034984A1/ko unknown
Patent Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR102269321B1 (ko) | 2019-06-18 | 2021-06-25 | 순천향대학교 산학협력단 | 심박변이도로 투석 중 저혈압을 예측하는 방법 |
Also Published As
| Publication number | Publication date |
|---|---|
| WO2024034984A1 (ko) | 2024-02-15 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| KR102225894B1 (ko) | 딥 어텐션 네트워크를 이용하여 환자 의료 기록으로부터 질병 예후를 예측하는 방법 및 시스템 | |
| Nikam et al. | Cardiovascular disease prediction using machine learning models | |
| KR102483693B1 (ko) | 설명 가능한 다중 심전도 부정맥 진단 장치 및 방법 | |
| Ogunleye et al. | Enhanced XGBoost-based automatic diagnosis system for chronic kidney disease | |
| Titapiccolo et al. | Artificial intelligence models to stratify cardiovascular risk in incident hemodialysis patients | |
| CN111095232A (zh) | 发掘用于机器学习技术中的基因组 | |
| EP4226856A1 (en) | Method and apparatus for predicting blood pressure by fusing calibrated photoplethysmographic signal data | |
| CN112270994A (zh) | 一种风险预测模型的构建方法、设备、终端及存储介质 | |
| CN111798944A (zh) | 基于emr/ehr和心电图的心脏异常分析多模式框架 | |
| Li et al. | A one-dimensional Siamese few-shot learning approach for ECG classification under limited data | |
| CN114049952A (zh) | 一种基于机器学习的术后急性肾损伤智能预测方法及装置 | |
| KR20240022865A (ko) | 투석 중 저혈압 발생 예측 방법 및 그 시스템 | |
| Boezer et al. | FastDTI: drug-target interaction prediction using multimodality and transformers | |
| CN113855037A (zh) | 基于Transformer的房颤识别方法及装置 | |
| Su et al. | Detection of pulmonary embolism severity using clinical characteristics, hematological indices, and machine learning techniques | |
| US20130274564A1 (en) | Apparatus and method for predicting upcoming stage of carotid stenosis | |
| Omankwu et al. | Hybrid deep learning model for heart disease prediction using recurrent neural network (RNN) | |
| Ramesh et al. | A Risk Model Based Heart Disease Prediction Using Data Lake Architecture | |
| Umamaheswari et al. | Prediction of myocardial infarction using K-medoid clustering algorithm | |
| KR20230099195A (ko) | 심전도 데이터 및 신체 정보를 이용하는 딥러닝 모델 기반 심장 질환 발병 예측 장치 및 방법 | |
| Kaur et al. | 13 Early Prediction of Sepsis | |
| MacEwen | Can data fusion techniques predict adverse physiological events during haemodialysis? | |
| Titapiccolo et al. | Mining medical data to develop clinical decision making tools in hemodialysis | |
| KR102624549B1 (ko) | 합성곱 신경망을 이용한 심실성 부정맥 예측 방법 및 장치 | |
| WO2024089928A1 (ja) | 透析による目標除水量の事前予測を支援する方法、支援装置、及び支援プログラム |