KR20240029727A - 대상에 대한 갑상선기능이상증의 예측방법 및 시스템 - Google Patents
대상에 대한 갑상선기능이상증의 예측방법 및 시스템 Download PDFInfo
- Publication number
- KR20240029727A KR20240029727A KR1020237008885A KR20237008885A KR20240029727A KR 20240029727 A KR20240029727 A KR 20240029727A KR 1020237008885 A KR1020237008885 A KR 1020237008885A KR 20237008885 A KR20237008885 A KR 20237008885A KR 20240029727 A KR20240029727 A KR 20240029727A
- Authority
- KR
- South Korea
- Prior art keywords
- section
- day
- heart rate
- heart rates
- concentration
- Prior art date
Links
- 238000000034 method Methods 0.000 title claims abstract description 122
- 230000006016 thyroid dysfunction Effects 0.000 title claims abstract description 117
- 229940088597 hormone Drugs 0.000 claims abstract description 234
- 239000005556 hormone Substances 0.000 claims abstract description 234
- 238000007781 pre-processing Methods 0.000 claims abstract description 104
- 238000009826 distribution Methods 0.000 claims abstract description 87
- 210000001685 thyroid gland Anatomy 0.000 claims abstract description 32
- 230000008859 change Effects 0.000 claims description 267
- 206010020850 Hyperthyroidism Diseases 0.000 claims description 176
- 102000011923 Thyrotropin Human genes 0.000 claims description 109
- 108010061174 Thyrotropin Proteins 0.000 claims description 109
- AUYYCJSJGJYCDS-LBPRGKRZSA-N Thyrolar Chemical compound IC1=CC(C[C@H](N)C(O)=O)=CC(I)=C1OC1=CC=C(O)C(I)=C1 AUYYCJSJGJYCDS-LBPRGKRZSA-N 0.000 claims description 79
- 208000003532 hypothyroidism Diseases 0.000 claims description 74
- 230000002989 hypothyroidism Effects 0.000 claims description 71
- 230000000284 resting effect Effects 0.000 claims description 65
- XNSAINXGIQZQOO-UHFFFAOYSA-N L-pyroglutamyl-L-histidyl-L-proline amide Natural products NC(=O)C1CCCN1C(=O)C(NC(=O)C1NC(=O)CC1)CC1=CN=CN1 XNSAINXGIQZQOO-UHFFFAOYSA-N 0.000 claims description 30
- 102100032251 Pro-thyrotropin-releasing hormone Human genes 0.000 claims description 30
- 239000000627 Thyrotropin-Releasing Hormone Substances 0.000 claims description 30
- 101800004623 Thyrotropin-releasing hormone Proteins 0.000 claims description 30
- XNSAINXGIQZQOO-SRVKXCTJSA-N protirelin Chemical compound NC(=O)[C@@H]1CCCN1C(=O)[C@@H](NC(=O)[C@H]1NC(=O)CC1)CC1=CN=CN1 XNSAINXGIQZQOO-SRVKXCTJSA-N 0.000 claims description 30
- 229940034199 thyrotropin-releasing hormone Drugs 0.000 claims description 30
- 210000002966 serum Anatomy 0.000 claims description 16
- 238000012545 processing Methods 0.000 claims description 14
- XUIIKFGFIJCVMT-LBPRGKRZSA-N L-thyroxine Chemical compound IC1=CC(C[C@H]([NH3+])C([O-])=O)=CC(I)=C1OC1=CC(I)=C(O)C(I)=C1 XUIIKFGFIJCVMT-LBPRGKRZSA-N 0.000 claims description 13
- XUIIKFGFIJCVMT-UHFFFAOYSA-N thyroxine-binding globulin Natural products IC1=CC(CC([NH3+])C([O-])=O)=CC(I)=C1OC1=CC(I)=C(O)C(I)=C1 XUIIKFGFIJCVMT-UHFFFAOYSA-N 0.000 claims description 8
- 229950008325 levothyroxine Drugs 0.000 claims description 7
- 238000012360 testing method Methods 0.000 description 767
- 208000013403 hyperactivity Diseases 0.000 description 109
- 239000005495 thyroid hormone Substances 0.000 description 87
- 229940036555 thyroid hormone Drugs 0.000 description 87
- 238000003745 diagnosis Methods 0.000 description 53
- 238000012549 training Methods 0.000 description 45
- 238000009532 heart rate measurement Methods 0.000 description 32
- 238000007689 inspection Methods 0.000 description 31
- 230000006870 function Effects 0.000 description 27
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 22
- 238000004891 communication Methods 0.000 description 19
- 238000002372 labelling Methods 0.000 description 19
- 208000035475 disorder Diseases 0.000 description 18
- 230000007423 decrease Effects 0.000 description 17
- 238000002360 preparation method Methods 0.000 description 13
- 230000004043 responsiveness Effects 0.000 description 13
- 230000035945 sensitivity Effects 0.000 description 13
- 230000002159 abnormal effect Effects 0.000 description 8
- 238000010586 diagram Methods 0.000 description 8
- 230000000052 comparative effect Effects 0.000 description 7
- 230000008569 process Effects 0.000 description 7
- 238000004422 calculation algorithm Methods 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 6
- 230000028327 secretion Effects 0.000 description 6
- 230000005856 abnormality Effects 0.000 description 5
- 210000004369 blood Anatomy 0.000 description 5
- 239000008280 blood Substances 0.000 description 5
- 230000003247 decreasing effect Effects 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 4
- 201000010099 disease Diseases 0.000 description 4
- 238000012544 monitoring process Methods 0.000 description 4
- 238000007637 random forest analysis Methods 0.000 description 4
- 238000012706 support-vector machine Methods 0.000 description 4
- 208000024891 symptom Diseases 0.000 description 4
- 206010039840 Secondary hypothyroidism Diseases 0.000 description 3
- XUIMIQQOPSSXEZ-UHFFFAOYSA-N Silicon Chemical compound [Si] XUIMIQQOPSSXEZ-UHFFFAOYSA-N 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 3
- 230000010267 cellular communication Effects 0.000 description 3
- 208000029305 central congenital hypothyroidism Diseases 0.000 description 3
- 238000013145 classification model Methods 0.000 description 3
- 230000033001 locomotion Effects 0.000 description 3
- 238000005259 measurement Methods 0.000 description 3
- 229910052710 silicon Inorganic materials 0.000 description 3
- 239000010703 silicon Substances 0.000 description 3
- 239000007787 solid Substances 0.000 description 3
- 206010062767 Hypophysitis Diseases 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000002405 diagnostic procedure Methods 0.000 description 2
- 229940079593 drug Drugs 0.000 description 2
- 239000003814 drug Substances 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 210000003635 pituitary gland Anatomy 0.000 description 2
- ZCYVEMRRCGMTRW-UHFFFAOYSA-N 7553-56-2 Chemical compound [I] ZCYVEMRRCGMTRW-UHFFFAOYSA-N 0.000 description 1
- XUIIKFGFIJCVMT-GFCCVEGCSA-N D-thyroxine Chemical compound IC1=CC(C[C@@H](N)C(O)=O)=CC(I)=C1OC1=CC(I)=C(O)C(I)=C1 XUIIKFGFIJCVMT-GFCCVEGCSA-N 0.000 description 1
- GCKMFJBGXUYNAG-HLXURNFRSA-N Methyltestosterone Chemical compound C1CC2=CC(=O)CC[C@]2(C)[C@@H]2[C@@H]1[C@@H]1CC[C@](C)(O)[C@@]1(C)CC2 GCKMFJBGXUYNAG-HLXURNFRSA-N 0.000 description 1
- 206010033557 Palpitations Diseases 0.000 description 1
- 208000022249 Sleep-Wake Transition disease Diseases 0.000 description 1
- 238000010241 blood sampling Methods 0.000 description 1
- 210000004556 brain Anatomy 0.000 description 1
- 238000012790 confirmation Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000002124 endocrine Effects 0.000 description 1
- 230000016507 interphase Effects 0.000 description 1
- 229910052740 iodine Inorganic materials 0.000 description 1
- 239000011630 iodine Substances 0.000 description 1
- 230000007257 malfunction Effects 0.000 description 1
- 230000004060 metabolic process Effects 0.000 description 1
- 230000037323 metabolic rate Effects 0.000 description 1
- 210000000056 organ Anatomy 0.000 description 1
- 230000007170 pathology Effects 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000036578 sleeping time Effects 0.000 description 1
- 208000011726 slow pulse Diseases 0.000 description 1
- 230000004936 stimulating effect Effects 0.000 description 1
- 229940034208 thyroxine Drugs 0.000 description 1
- 210000000707 wrist Anatomy 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
- A61B5/024—Detecting, measuring or recording pulse rate or heart rate
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/41—Detecting, measuring or recording for evaluating the immune or lymphatic systems
- A61B5/414—Evaluating particular organs or parts of the immune or lymphatic systems
- A61B5/415—Evaluating particular organs or parts of the immune or lymphatic systems the glands, e.g. tonsils, adenoids or thymus
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/42—Detecting, measuring or recording for evaluating the gastrointestinal, the endocrine or the exocrine systems
- A61B5/4222—Evaluating particular parts, e.g. particular organs
- A61B5/4227—Evaluating particular parts, e.g. particular organs endocrine glands, i.e. thyroid, adrenals, hypothalamic, pituitary
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7271—Specific aspects of physiological measurement analysis
- A61B5/7275—Determining trends in physiological measurement data; Predicting development of a medical condition based on physiological measurements, e.g. determining a risk factor
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/30—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for calculating health indices; for individual health risk assessment
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/70—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for mining of medical data, e.g. analysing previous cases of other patients
-
- 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
- A61B5/024—Detecting, measuring or recording pulse rate or heart rate
- A61B5/02405—Determining heart rate variability
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/145—Measuring characteristics of blood in vivo, e.g. gas concentration, pH value; Measuring characteristics of body fluids or tissues, e.g. interstitial fluid, cerebral tissue
- A61B5/14546—Measuring characteristics of blood in vivo, e.g. gas concentration, pH value; Measuring characteristics of body fluids or tissues, e.g. interstitial fluid, cerebral tissue for measuring analytes not otherwise provided for, e.g. ions, cytochromes
-
- 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
Landscapes
- Health & Medical Sciences (AREA)
- Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Medical Informatics (AREA)
- Public Health (AREA)
- Biomedical Technology (AREA)
- Pathology (AREA)
- General Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- Biophysics (AREA)
- Heart & Thoracic Surgery (AREA)
- Molecular Biology (AREA)
- Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- Veterinary Medicine (AREA)
- Physiology (AREA)
- Primary Health Care (AREA)
- Epidemiology (AREA)
- Databases & Information Systems (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Cardiology (AREA)
- Signal Processing (AREA)
- Psychiatry (AREA)
- Endocrinology (AREA)
- Theoretical Computer Science (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- Mathematical Physics (AREA)
- Urology & Nephrology (AREA)
- Gastroenterology & Hepatology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Fuzzy Systems (AREA)
- Immunology (AREA)
- Vascular Medicine (AREA)
- Investigating Or Analysing Biological Materials (AREA)
Abstract
본 출원에 의하면, 대상(subject)에 대한 갑상선기능이상증(thyroid dysfunction)의 예측방법이 개시된다. 상기 예측방법은, 트리거 신호에 기초하여 결정된 대상일(target date)을 결정함; 상기 결정된 대상일에 대응되는 구간 심박수들을 획득함; 상기 대상에 대하여, 상기 획득된 대상일에 대응되는 구간 심박수들에 대한 제1 전처리 결과를 획득함 - 이때, 상기 제1 전처리 결과는 상기 대상일에 대응되는 구간 심박수들의 평균 및 분포(distribution)에 관한 적어도 하나의 지표 중 적어도 하나를 포함함 - ; 상기 대상에 대하여, 기준일에 대응되는 갑상선에 관련된 적어도 하나 이상의 호르몬 농도를 획득함; 상기 대상에 대하여, 상기 기준일에 대응되는 구간 심박수들에 대한 제2 전처리 결과를 획득함 - 이때, 상기 제2 전처리 결과는 상기 기준일에 대응되는 구간 심박수들의 평균 및 분포(distribution)에 관한 적어도 하나의 지표 중 적어도 하나를 포함함 - ; 상기 제2 전처리 결과에 대한 상기 제1 전처리 결과의 차이를 획득함; 및 상기 기준일에 대응되는 적어도 하나 이상의 호르몬 농도 및 상기 차이를 포함하는 값들에 기초하여 획득된 갑상선기능이상증에 대한 예측결과를 획득함;을 포함한다.
Description
본 출원은 환자의 심박수를 분석하고, 그 분석결과에 기초하여 갑상선의 기능이상에 대해 예측하는 방법 및 그 방법을 수행하기 위한 장치 및 시스템에 관한 것이다.
갑상선은 목의 앞부분에 위치하는 내분비기관으로, 뇌에 있는 뇌하수체에서 분비되는 갑상선자극호르몬의 신호를 받아 갑상선 호르몬을 만들어 내는 일을 한다.
갑상선에서 생성되는 갑상선 호르몬은 우리 몸의 대사 속도를 조절하는 역할을 한다. 이러한 갑상선 호르몬이 정상 수준보다 더 많이 분비되면, 신체의 대사가 비정상적으로 빠르게 진행되어 평소보다 더위를 많이 느끼거나 가슴이 두근거리는 것을 느끼게 되는 등의 증상이 나타나게 된다. 반면, 이러한 갑상선 호르몬이 정상 수준보다 더 적게 분비되면, 추위를 심하게 느끼거나 피로감 및 무력감을 느끼게 되고, 맥박이 느려지는 등의 증상이 나타나게 된다.
갑상선의 기능이 정상적일 때에는, 갑상선 호르몬의 분비가 문제없이 이루어지지만, 갑상선의 기능에 이상이 생기게 되면, 갑상선 호르몬의 분비가 줄어들거나 늘어나게 되는데, 갑상선 호르몬의 분비가 줄어들어서 생기는 일련의 질환들을 갑상선기능저하증(hypothyroidism)이라고 하며, 갑상선 호르몬의 분비가 늘어서 생기는 일련의 질환들을 갑상선기능항진증(hyperthyroidism)이라고 한다. 아울러, 이 두 질환을 갑상선기능이상증(thyroid dysfunction)이라고 한다.
현재, 갑상선의 기능의 이상을 확인하기 위한 유일한 진단 방법은 환자의 혈액속에 있는 갑상선 호르몬의 농도를 확인하여, 갑상선 호르몬의 농도가 정상범위 이내인지, 아니면 높은 수준인지 혹은 낮은 수준인지를 임상병리학적으로 확인하는 것이 유일한 방법이다.
한편, 갑상선기능항진증과 갑상선기능저하증을 치료하는 데에는 여러가지 방법들이 있지만, 가장 널리 사용되고 있는 치료방법은 약물치료방법이다. 갑상선항진증을 겪고 있는 환자들과 갑상선기능저하증을 겪고 있는 환자들은 대부분 일정 기간 동안의 약물 복용을 통해 정상 수준의 갑상선의 호르몬 생성 및 분비 기능을 되찾게 된다. 그러나, 갑상선기능항진증과 갑상선기능저하증은 완치율이 높지 않고 재발율이 매우 높은 질환으로 갑상선기능항진증 또는 갑상선기능저하증이 재발하는지 여부에 대해서 지속적으로 모니터링을 할 필요가 있다.
그러나, 전술한 바와 같이, 갑상선의 기능을 확인하기 위한 유일한 진단방법은 채혈을 통한 호르몬의 농도를 확인하는 방법이기 때문에, 갑상선의 기능 이상 여부를 모니터링하기 위해서는 환자가 주기적으로 병원에 방문하여야 하는 문제가 있다.
이에, 채혈을 통한 호르몬 수치의 확인 이외의 방법으로 보다 더 정확하게 갑상선의 기능에 이상이 있는지 여부를 확인할 수 있는 기술의 개발이 요구되고 있다.
즉, 환자들이, 병원 직접 방문 없이도, 개개인이 보다 간편하고 신속하게 갑상선의 기능 이상에 관한 모니터링을 할 수 있도록 하며, 필요한 경우 환자의 내원을 유도하는 방법의 개발이 요구되고 있다.
상술한 갑상선의 기능 이상에 관한 모니터링 방법 중 하나로, (특허문헌 0001) 공개특허공보 제10-2019-0032668호 (2019.03.28.)가 개시되어있다.
본 출원에 의해 개시되는 내용들이 해결하고자 하는 과제는 전문적인 의학 진단 기기가 아닌 일반인들이 사용할 수 있는 개인용 전자기기(personal electronic device)를 이용하여 획득된 심박수 정보에 기초하여 갑상선의 기능 이상 여부를 예측할 수 있는 예측 모델을 제공하는 것이다.
본 출원에 의해 개시되는 내용들이 해결하고자 하는 다른 과제는 전술한 심박수 정보에 기초하여 갑상선의 기능 이상 여부를 예측할 수 있는 예측 모델의 학습 방법을 제공하는 것이다.
본 출원에 의해 개시되는 내용들이 해결하고자 하는 또 다른 과제는 전술한 심박수 정보에 기초하여 갑상선의 기능 이상 여부를 예측하는 모델을 이용하여 일반인들이, 의사의 도움없이 그리고 병원 직접 방문 없이, 지속적으로 갑상선의 기능 이상에 대해 모니터링할 수 있는 방법 및 시스템을 제공하는 것이다.
본 출원이 해결하고자 하는 과제가 상술한 과제로 제한되는 것은 아니며, 언급되지 아니한 과제들은 본 명세서 및 첨부된 도면으로부터 본 출원에 의해 개시되는 기술이 속하는 기술분야에서 통상의 지식을 가진 자에게 명확하게 이해될 수 있을 것이다.
본 출원의 일 양태에 의하면, 대상(subject)에 대한 갑상선기능이상증(thyroid dysfunction)의 예측방법이 개시된다. 상기 대상에 대한 갑상선기능이상증의 예측방법은, 트리거 신호를 획득함; 상기 획득된 트리거 신호에 기초하여 결정된 대상일(target date)을 결정함; 상기 결정된 대상일에 대응되는 구간 심박수들을 획득함; 상기 대상에 대하여, 상기 획득된 대상일에 대응되는 구간 심박수들에 대한 제1 전처리 결과를 획득함 - 이때, 상기 제1 전처리 결과는 상기 대상일에 대응되는 구간 심박수들의 평균 및 분포(distribution)에 관한 적어도 하나의 지표를 포함함 - ; 상기 대상에 대하여, 기준일에 대응되는 갑상선에 관련된 적어도 하나 이상의 호르몬 농도를 획득함; 상기 대상에 대하여, 상기 기준일에 대응되는 구간 심박수들에 대한 제2 전처리 결과를 획득함 - 이때, 상기 제2 전처리 결과는 상기 기준일에 대응되는 구간 심박수들의 평균 및 분포(distribution)에 관한 적어도 하나의 지표를 포함함 - ; 상기 제2 전처리 결과에 대한 상기 제1 전처리 결과의 차이를 획득함; 및 상기 기준일에 대응되는 적어도 하나 이상의 호르몬 농도 및 상기 차이를 포함하는 값들에 기초하여 획득된 갑상선기능이상증에 대한 예측결과를 획득함;을 포함한다. 이때, 상기 갑상선기능이상증에 대한 예측결과는 상기 기준일에 대응되는 적어도 하나 이상의 호르몬 농도 및 상기 차이를 포함하는 입력값들이 갑상선기능이상 예측 모델에 의해 처리된 결과일 수 있다.
본 출원에 의해 개시되는 몇몇 실시예들에 있어서, 상기 대상일에 대응되는 구간 심박수들의 분포에 관한 적어도 하나의 지표는 상기 대상일에 대응되는 구간 심박수들의 표준편차, 왜도 및 첨도를 포함하고, 상기 기준일에 대응되는 구간 심박수들의 분포에 관한 적어도 하나의 지표는 상기 기준일에 대응되는 구간 심박수들의 표준편차, 왜도 및 첨도를 포함할 수 있다.
본 출원에 의해 개시되는 몇몇 실시예들에 있어서, 상기 제2 전처리 결과에 대한 상기 제1 전처리 결과의 차이는, 1) 상기 기준일에 대한 상기 대상일의 구간 심박수들의 평균의 변화량, 2) 상기 기준일에 대한 상기 대상일의 구간 심박수들의 평균의 변화율, 3) 상기 기준일에 대한 상기 대상일의 표준편차의 변화량, 4) 상기 기준일에 대한 상기 대상일의 상대 표준편차의 변화량, 5) 상기 기준일에 대한 상기 대상일의 왜도의 변화량, 6) 상기 기준일에 대한 상기 대상일의 첨도의 변화량 및 7) 상기 기준일에 대응되는 구간 삼박수들과 상기 대상일에 대응되는 구간 심박수들 간의 JS Divergence로 이루어진 그룹에서 선택된 하나 또는 그들의 조합일 수 있다.
본 출원에 의해 개시되는 몇몇 실시예들에 있어서, 상기 기준일에 대응되는 적어도 하나 이상의 호르몬 농도는 1) 갑상선 자극 호르몬(thyroid stimulating hormone, TSH)의 농도, 2) 사요오드티로닌(tetraiodothyronine, T4)의 농도, 3) 혈청에 유리된 T4 (free T4)의 농도, 4) 삼요오드티로닌(triiodothyronine, T3)의 농도, 5) 혈청에 유리된 T3 (free T3)의 농도 및 6) 갑상샘자극호르몬-방출 호르몬(Thyrotropin-Releasing Hormone, TRH)의 농도로 이루어진 그룹에서 선택된 하나 또는 이들의 조합일 수 있다.
본 출원에 의해 개시되는 몇몇 실시예들에 있어서, 상기 대상에 대한 갑상선기능이상증의 예측방법은, 1) 상기 기준일에 대한 상기 대상일의 구간 심박수들의 평균의 변화량, 2) 상기 기준일에 대한 상기 대상일의 구간 심박수들의 평균의 변화율, 3) 상기 기준일에 대한 상기 대상일의 표준편차의 변화량, 4) 상기 기준일에 대한 상기 대상일의 상대 표준편차의 변화량, 5) 상기 기준일에 대한 상기 대상일의 왜도의 변화량, 6) 상기 기준일에 대한 상기 대상일의 첨도의 변화량, 7) 상기 기준일에 대응되는 구간 삼박수들과 상기 대상일에 대응되는 구간 심박수들 간의 JS Divergence, 8) 상기 기준일에 대응되는 상기 대상의 갑상선 자극 호르몬(thyroid stimulating hormone, TSH)의 농도, 9) 상기 기준일에 대응되는 상기 대상의 사요오드티로닌(tetraiodothyronine, T4)의 농도, 10) 상기 기준일에 대응되는 상기 대상의 혈청에 유리된 T4 (free T4)의 농도, 11) 상기 기준일에 대응되는 상기 대상의 삼요오드티로닌(triiodothyronine, T3)의 농도, 12) 상기 기준일에 대응되는 상기 대상의 혈청에 유리된 T3 (free T3)의 농도 및 13) 상기 기준일에 대응되는 상기 대상의 갑상샘자극호르몬-방출 호르몬(Thyrotropin-Releasing Hormone, TRH)의 농도로 이루어진 그룹에서 제1 값 및 제2 값을 획득함; 및 상기 i) 상기 제1 값과 상기 제2 값을 곱한 값, ii) 상기 제1 값을 상기 제2 값으로 나눈 값 및 iii) 상기 제2 값을 상기 제1값으로 나눈 값 중 하나를 획득함;을 더 포함할 수 있다.
이때, 상기 기준일에 대응되는 적어도 하나 이상의 호르몬 농도 및 상기 차이를 포함하는 값들에 기초하여 획득된 갑상선기능이상증에 대한 예측결과를 획득함은, 상기 기준일에 대응되는 적어도 하나 이상의 호르몬 농도, 상기 차이 및 상기 획득된 하나의 값을 포함하는 값들에 기초하여 획득된 갑상선기능이상증에 대한 예측결과를 획득하는 것이고, 상기 갑상선기능이상증에 대한 예측결과는 상기 기준일에 대응되는 적어도 하나 이상의 호르몬 농도, 상기 차이 및 상기 획득된 하나의 값을 포함하는 입력값들이 갑상선기능이상 예측 모델에 의해 처리된 결과일 수 있다.
본 출원에 의해 개시되는 몇몇 실시예들에 있어서, 상기 대상에 대한 갑상선기능이상증의 예측방법은, 상기 대상일과 상기 기준일 사이의 차이(day gap)를 획득함;을 더 포함할 수 있다.
이때, 상기 기준일에 대응되는 적어도 하나 이상의 호르몬 농도 및 상기 차이를 포함하는 값들에 기초하여 획득된 갑상선기능이상증에 대한 예측결과를 획득함은, 상기 기준일에 대응되는 적어도 하나 이상의 호르몬 농도, 상기 차이 및 상기 대상일과 상기 기준일 사이의 차이(day gap)를 포함하는 값들에 기초하여 획득된 갑상선기능이상증에 대한 예측결과를 획득하는 것이고, 상기 갑상선기능이상증에 대한 예측결과는 상기 기준일에 대응되는 적어도 하나 이상의 호르몬 농도, 상기 차이 및 상기 대상일과 상기 기준일 사이의 차이를 포함하는 입력값들이 갑상선기능이상 예측 모델에 의해 처리된 결과일 수 있다.
본 출원에 의해 개시되는 몇몇 실시예들에 있어서, 상기 대상일에 대응되는 구간 심박수들은 상기 대상일을 기준으로 미리 결정된 기간에 대응되는 모든 휴지기 심박수(resting heart rate)이고, 상기 기준일에 대응되는 구간 심박수들은 상기 기준일을 기준으로 상기 미리 결정된 기간에 대응되는 모든 휴지기 심박수일 수 있다.
이때, 상기 미리 결정된 기간은 8, 9, 10, 11, 12, 13, 14, 15, 16 및 17일 중에서 선택된 어느 하나일 수 있다.
본 출원에 의해 개시되는 몇몇 실시예들에 있어서, 상기 갑상선기능이상증 예측모델은 갑상선기능항진증 예측모델 및 갑상선기능저하증 예측모델을 포함할 수 있다.
이때, 상기 갑상선기능이상증에 대한 예측결과는 상기 기준일에 대응되는 적어도 하나 이상의 호르몬 농도 및 상기 차이를 포함하는 입력값들이 상기 갑상선기능항진증 예측모델에 의해 처리된 제1 예측결과와 상기 기준일에 대응되는 적어도 하나 이상의 호르몬 농도 및 상기 차이를 포함하는 입력값들이 상기 갑상선기능저하증 예측모델에 의해 처리된 제2 예측결과를 고려하여 결정될 수 있다.
본 출원에 의해 개시되는 내용들에 의하여, 전문적인 의학 진단 기기가 아닌 일반인들이 사용할 수 있는 개인용 전자기기(personal electronic device)를 이용하여 획득된 심박수 정보에 기초하여 갑상선의 기능 이상 여부를 예측할 수 있는 예측 모델을 제공될 수 있다.
본 출원에 의해 개시되는 내용들에 의하여, 전술한 심박수 정보에 기초하여 갑상선의 기능 이상 여부를 예측할 수 있는 예측 모델의 학습 방법이 제공된다.
본 출원에 의해 개시되는 내용들에 의하여, 전술한 심박수 정보에 기초하여 갑상선의 기능 이상 여부를 예측하는 모델을 이용하여 일반인들이, 의사의 도움없이 그리고 병원 직접 방문 없이, 지속적으로 갑상선의 기능 이상에 대해 모니터링할 수 있는 방법 및 시스템을 제공된다.
도 1은 본 출원에 의해 개시되는 일실시예에 따른 갑상선기능이상증을 예측하기 위한 시스템을 도시하는 도면이다.
도 2는 본 출원에 의해 개시되는 심박수 측정 디바이스의 블록도이다.
도 3은 본 출원에 의해 개시되는 사용자 단말기의 블록도이다.
도 4는 본 출원에 의해 개시되는 서버의 블록도이다.
도 5는 본 출원에 의해 개시되는 갑상선기능이상증을 예측하는 방법을 설명하기 위한 흐름도이다.
도 6은 본 출원에 의해 개시되는 갑상선기능이상증을 예측하는 방법을 설명하기 위한 흐름도이다.
도 2는 본 출원에 의해 개시되는 심박수 측정 디바이스의 블록도이다.
도 3은 본 출원에 의해 개시되는 사용자 단말기의 블록도이다.
도 4는 본 출원에 의해 개시되는 서버의 블록도이다.
도 5는 본 출원에 의해 개시되는 갑상선기능이상증을 예측하는 방법을 설명하기 위한 흐름도이다.
도 6은 본 출원에 의해 개시되는 갑상선기능이상증을 예측하는 방법을 설명하기 위한 흐름도이다.
본 출원의 상술한 목적, 특징들 및 장점은 첨부된 도면과 관련된 다음의 상세한 설명을 통해 보다 분명해질 것이다. 다만, 본 출원은 다양한 변경을 가할 수 있고 여러 가지 실시예들을 가질 수 있는 바, 이하에서는 특정 실시예들을 도면에 예시하고 이를 상세히 설명하고자 한다.
명세서 전체에 걸쳐서 동일한 참조번호들은 원칙적으로 동일한 구성요소들을 나타낸다. 또한, 각 실시예의 도면에 나타나는 동일한 사상의 범위 내의 기능이 동일한 구성요소는 동일한 참조부호를 사용하여 설명하며, 이에 대한 중복되는 설명은 생략하기로 한다.
본 출원과 관련된 공지 기능 혹은 구성에 대한 구체적인 설명이 본 출원의 요지를 불필요하게 흐릴 수 있다고 판단되는 경우 그 상세한 설명을 생략한다. 또한, 본 명세서의 설명 과정에서 이용되는 숫자(예를 들어, 제1, 제2 등)는 하나의 구성요소를 다른 구성요소와 구분하기 위한 식별기호에 불과하다.
또한, 이하의 실시예에서 사용되는 구성요소에 대한 접미사 "모듈" 및 "부"는 명세서 작성의 용이함만이 고려되어 부여되거나 혼용되는 것으로서, 그 자체로 서로 구별되는 의미 또는 역할을 갖는 것은 아니다.
이하의 실시예에서, 단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 복수의 표현을 포함한다.
이하의 실시예에서, 포함하다 또는 가지다 등의 용어는 명세서상에 기재된 특징, 또는 구성요소가 존재함을 의미하는 것이고, 하나 이상의 다른 특징들 또는 구성요소가 부가될 가능성을 미리 배제하는 것은 아니다.
도면에서는 설명의 편의를 위하여 구성 요소들이 그 크기가 과장 또는 축소될 수 있다. 예컨대, 도면에서 나타난 각 구성의 크기 및 두께는 설명의 편의를 위해 임의로 나타낸 것으로, 본 발명이 반드시 도시된 바에 한정되지 않는다.
어떤 실시예가 달리 구현 가능한 경우에 특정한 프로세스의 순서는 설명되는 순서와 다르게 수행될 수도 있다. 예를 들어, 연속하여 설명되는 두 프로세스가 실질적으로 동시에 수행될 수도 있고, 설명되는 순서와 반대의 순서로 진행될 수 있다.
이하의 실시예에서, 구성 요소 등이 연결되었다고 할 때, 구성 요소들이 직접적으로 연결된 경우뿐만 아니라 구성요소들 중간에 구성 요소들이 개재되어 간접적으로 연결된 경우도 포함한다. 예컨대, 본 명세서에서 구성 요소 등이 전기적으로 연결되었다고 할 때, 구성 요소 등이 직접 전기적으로 연결된 경우뿐만 아니라, 그 중간에 구성 요소 등이 개재되어 간접적으로 전기적 연결된 경우도 포함한다.
본 출원의 일 양태에 의하면, 대상(subject)에 대한 갑상선기능이상증(thyroid dysfunction)의 예측방법이 개시된다. 상기 대상에 대한 갑상선기능이상증의 예측방법은, 트리거 신호를 획득함; 상기 획득된 트리거 신호에 기초하여 결정된 대상일(target date)을 결정함; 상기 결정된 대상일에 대응되는 구간 심박수들을 획득함; 상기 대상에 대하여, 상기 획득된 대상일에 대응되는 구간 심박수들에 대한 제1 전처리 결과를 획득함 - 이때, 상기 제1 전처리 결과는 상기 대상일에 대응되는 구간 심박수들의 평균 및 분포(distribution)에 관한 적어도 하나의 지표를 포함함 - ; 상기 대상에 대하여, 기준일에 대응되는 갑상선에 관련된 적어도 하나 이상의 호르몬 농도를 획득함; 상기 대상에 대하여, 상기 기준일에 대응되는 구간 심박수들에 대한 제2 전처리 결과를 획득함 - 이때, 상기 제2 전처리 결과는 상기 기준일에 대응되는 구간 심박수들의 평균 및 분포(distribution)에 관한 적어도 하나의 지표를 포함함 - ; 상기 제2 전처리 결과에 대한 상기 제1 전처리 결과의 차이를 획득함; 및 상기 기준일에 대응되는 적어도 하나 이상의 호르몬 농도 및 상기 차이를 포함하는 값들에 기초하여 획득된 갑상선기능이상증에 대한 예측결과를 획득함;을 포함한다. 이때, 상기 갑상선기능이상증에 대한 예측결과는 상기 기준일에 대응되는 적어도 하나 이상의 호르몬 농도 및 상기 차이를 포함하는 입력값들이 갑상선기능이상 예측 모델에 의해 처리된 결과일 수 있다.
본 출원에 의해 개시되는 몇몇 실시예들에 있어서, 상기 대상일에 대응되는 구간 심박수들의 분포에 관한 적어도 하나의 지표는 상기 대상일에 대응되는 구간 심박수들의 표준편차, 왜도 및 첨도를 포함하고, 상기 기준일에 대응되는 구간 심박수들의 분포에 관한 적어도 하나의 지표는 상기 기준일에 대응되는 구간 심박수들의 표준편차, 왜도 및 첨도를 포함할 수 있다.
본 출원에 의해 개시되는 몇몇 실시예들에 있어서, 상기 제2 전처리 결과에 대한 상기 제1 전처리 결과의 차이는, 1) 상기 기준일에 대한 상기 대상일의 구간 심박수들의 평균의 변화량, 2) 상기 기준일에 대한 상기 대상일의 구간 심박수들의 평균의 변화율, 3) 상기 기준일에 대한 상기 대상일의 표준편차의 변화량, 4) 상기 기준일에 대한 상기 대상일의 상대 표준편차의 변화량, 5) 상기 기준일에 대한 상기 대상일의 왜도의 변화량, 6) 상기 기준일에 대한 상기 대상일의 첨도의 변화량 및 7) 상기 기준일에 대응되는 구간 삼박수들과 상기 대상일에 대응되는 구간 심박수들 간의 JS Divergence로 이루어진 그룹에서 선택된 하나 또는 그들의 조합일 수 있다.
본 출원에 의해 개시되는 몇몇 실시예들에 있어서, 상기 기준일에 대응되는 적어도 하나 이상의 호르몬 농도는 1) 갑상선 자극 호르몬(thyroid stimulating hormone, TSH)의 농도, 2) 사요오드티로닌(tetraiodothyronine, T4)의 농도, 3) 혈청에 유리된 T4 (free T4)의 농도, 4) 삼요오드티로닌(triiodothyronine, T3)의 농도, 5) 혈청에 유리된 T3 (free T3)의 농도 및 6) 갑상샘자극호르몬-방출 호르몬(Thyrotropin-Releasing Hormone, TRH)의 농도로 이루어진 그룹에서 선택된 하나 또는 이들의 조합일 수 있다.
본 출원에 의해 개시되는 몇몇 실시예들에 있어서, 상기 대상에 대한 갑상선기능이상증의 예측방법은, 1) 상기 기준일에 대한 상기 대상일의 구간 심박수들의 평균의 변화량, 2) 상기 기준일에 대한 상기 대상일의 구간 심박수들의 평균의 변화율, 3) 상기 기준일에 대한 상기 대상일의 표준편차의 변화량, 4) 상기 기준일에 대한 상기 대상일의 상대 표준편차의 변화량, 5) 상기 기준일에 대한 상기 대상일의 왜도의 변화량, 6) 상기 기준일에 대한 상기 대상일의 첨도의 변화량, 7) 상기 기준일에 대응되는 구간 삼박수들과 상기 대상일에 대응되는 구간 심박수들 간의 JS Divergence, 8) 상기 기준일에 대응되는 상기 대상의 갑상선 자극 호르몬(thyroid stimulating hormone, TSH)의 농도, 9) 상기 기준일에 대응되는 상기 대상의 사요오드티로닌(tetraiodothyronine, T4)의 농도, 10) 상기 기준일에 대응되는 상기 대상의 혈청에 유리된 T4 (free T4)의 농도, 11) 상기 기준일에 대응되는 상기 대상의 삼요오드티로닌(triiodothyronine, T3)의 농도, 12) 상기 기준일에 대응되는 상기 대상의 혈청에 유리된 T3 (free T3)의 농도 및 13) 상기 기준일에 대응되는 상기 대상의 갑상샘자극호르몬-방출 호르몬(Thyrotropin-Releasing Hormone, TRH)의 농도로 이루어진 그룹에서 제1 값 및 제2 값을 획득함; 및 상기 i) 상기 제1 값과 상기 제2 값을 곱한 값, ii) 상기 제1 값을 상기 제2 값으로 나눈 값 및 iii) 상기 제2 값을 상기 제1값으로 나눈 값 중 하나를 획득함;을 더 포함할 수 있다.
이때, 상기 기준일에 대응되는 적어도 하나 이상의 호르몬 농도 및 상기 차이를 포함하는 값들에 기초하여 획득된 갑상선기능이상증에 대한 예측결과를 획득함은, 상기 기준일에 대응되는 적어도 하나 이상의 호르몬 농도, 상기 차이 및 상기 획득된 하나의 값을 포함하는 값들에 기초하여 획득된 갑상선기능이상증에 대한 예측결과를 획득하는 것이고, 상기 갑상선기능이상증에 대한 예측결과는 상기 기준일에 대응되는 적어도 하나 이상의 호르몬 농도, 상기 차이 및 상기 획득된 하나의 값을 포함하는 입력값들이 갑상선기능이상 예측 모델에 의해 처리된 결과일 수 있다.
본 출원에 의해 개시되는 몇몇 실시예들에 있어서, 상기 대상에 대한 갑상선기능이상증의 예측방법은, 상기 대상일과 상기 기준일 사이의 차이(day gap)를 획득함;을 더 포함할 수 있다.
이때, 상기 기준일에 대응되는 적어도 하나 이상의 호르몬 농도 및 상기 차이를 포함하는 값들에 기초하여 획득된 갑상선기능이상증에 대한 예측결과를 획득함은, 상기 기준일에 대응되는 적어도 하나 이상의 호르몬 농도, 상기 차이 및 상기 대상일과 상기 기준일 사이의 차이(day gap)를 포함하는 값들에 기초하여 획득된 갑상선기능이상증에 대한 예측결과를 획득하는 것이고, 상기 갑상선기능이상증에 대한 예측결과는 상기 기준일에 대응되는 적어도 하나 이상의 호르몬 농도, 상기 차이 및 상기 대상일과 상기 기준일 사이의 차이를 포함하는 입력값들이 갑상선기능이상 예측 모델에 의해 처리된 결과일 수 있다.
본 출원에 의해 개시되는 몇몇 실시예들에 있어서, 상기 대상일에 대응되는 구간 심박수들은 상기 대상일을 기준으로 미리 결정된 기간에 대응되는 모든 휴지기 심박수(resting heart rate)이고, 상기 기준일에 대응되는 구간 심박수들은 상기 기준일을 기준으로 상기 미리 결정된 기간에 대응되는 모든 휴지기 심박수일 수 있다.
이때, 상기 미리 결정된 기간은 8, 9, 10, 11, 12, 13, 14, 15, 16 및 17일 중에서 선택된 어느 하나일 수 있다.
본 출원에 의해 개시되는 몇몇 실시예들에 있어서, 상기 갑상선기능이상증 예측모델은 갑상선기능항진증 예측모델 및 갑상선기능저하증 예측모델을 포함할 수 있다.
이때, 상기 갑상선기능이상증에 대한 예측결과는 상기 기준일에 대응되는 적어도 하나 이상의 호르몬 농도 및 상기 차이를 포함하는 입력값들이 상기 갑상선기능항진증 예측모델에 의해 처리된 제1 예측결과와 상기 기준일에 대응되는 적어도 하나 이상의 호르몬 농도 및 상기 차이를 포함하는 입력값들이 상기 갑상선기능저하증 예측모델에 의해 처리된 제2 예측결과를 고려하여 결정될 수 있다.
1. 용어의 정의
심박수(heart rate)
본 명세서에서, 용어 "심박수(heart rate)"는 단위시간당 심장박동 수를 의미한다. 예를 들어, 심박수는 분당 심장박동수(beats per minute, bpm)로 측정될 수 있다. 한편, 본 명세서에서, 특별한 언급이 있거나 그 용어를 일반적인 과학적 설명을 목적으로 사용하는 경우가 아니라면, "심박수"는 그 심박수가 측정된 시점(estimation time point)과 대응되거나 연계되어 있는 것으로 본다.
휴지기(resting period)
본 명세서에서, 용어 "휴지기(resting period)"는 사람의 신체적인 움직임이 일정 수준 이하인 구간을 의미한다. 일반적으로 "휴지기"는 대상이 깨어 있으면서 움직임이 없는 기간을 의미하지만, 본 명세서에서 용어 "휴지기"는 대상이 수면을 취하고 있는 기간도 포함하여 지칭한다.
휴지기 심박수들(resting heart rates)
본 명세서에서, 용어 "휴지기 심박수들(resting heart rates)"는 그 심박수가 측정된 시점이 사람의 휴지기(resting period) 내에 있는 심박수들을 의미한다.
특히, 본 명세서에서 "X일에 대응되는 휴지기 심박수들"이라 함은 X일의 오전 12시 00분 00초부터 X일의 오후 11시 59분 59초까지의 기간에 포함된 휴지기에 대응되는 모든 심박수들을 의미할 수 있다.
다만, i) 휴지기는 일반적으로 사람의 수면시간을 포함한다는 점, ii) 사람들의 수면 습관들을 고려할 때, 오전 12시 00분 00초 이전에 수면을 시작하는 사람들이 많이 있다는 점 등을 고려하여, 본 명세서에서 "X일에 대응되는 휴지기 심박수들"은 X일의 바로 전날(이하, X-1일이라 함)에 잠들기 시작한 시각부터 X-1일의 오후 11시 59분 59초까지의 시간에 대응되는 휴지기 심박수들을 포함할 수 있다. 이와 유사하게, "X일에 대응되는 휴지기 심박수들"는 X일에 잠들기 시작한 시각부터 X일의 오후 11시 59분 59초까지의 시간에 대응되는 휴지기 심박수들을 포함하지 않을 수 있다. 즉, X일에 잠들기 시작한 시각부터 X일의 오후 11시 59분 59초까지의 시간에 대응되는 휴지기 심박수들은 전술한 바와 같이 "X일의 다음날(이하, X+1일이라 함)에 대응되는 휴지기 심박수들"에 포함될 수 있다.
구간 심박수들(period heart rates)
본 명세서에서, 용어 "구간 심박수들(period heart rates)"는 2일 이상의 기간에 대응되는 모든 휴지기 심박수들을 의미한다. 본 명세서에서 용어 "구간 휴지기 심박수들(period resting heart rates)"는 "구간 심박수들"과 동일한 의미로 사용될 수 있다.
구간 평균 심박수(period average heart rate)
본 명세서에서, 용어 "구간 평균 심박수(period average heart rate)"는 2일이상의 기간 동안 측정된 휴지기 심박수들(즉, 구간 심박수들)의 평균값을 의미한다. 예를 들어, 5일간의 구간 평균 심박수는 제1일(first day)에 대응되는 휴지기 심박수들, 제2일(second day)에 대응되는 휴지기 심박수들, 제3일(third day)에 대응되는 휴지기 심박수들, 제4일(fourth day)에 대응되는 휴지기 심박수들 및 제5일(fifth day)에 대응되는 휴지기 심박수들의 평균값을 의미한다. 본 명세서에서 용어 "구간 심박수들의 평균(average of period heart rates)"는 "구간 평균 심박수"와 동일한 의미로 사용될 수 있다.
갑상선 호르몬
본 명세서에서, 용어 "갑상선 호르몬(thyroid hormone)"은 갑상선(thyroid)에서 분비되는 호르몬인 티록신(thyroxine, T4) 또는 사요오드티로닌(tetraiodothyronine), T4가 혈청에 유리된 형태인 혈청 유리 T4(free T4) 뿐만 아니라, T4로부터 요오드가 떨어져 나가도록 전환된 삼요오드티로닌(triiodothyronine, T3), T3가 혈청에 유리된 형태인 혈청 유리 T3(free T3), 뇌하수체에서 분비되는 갑상선 자극 호르몬(Thyroid Stimulating Hormone, TSH), 그리고 갑상샘자극호르몬-방출 호르몬(Thyrotropin-Releasing Hormone, TRH)도 포함하는 의미이다.
한편, 본 명세서에서, 용어 "호르몬"은 용어 "갑상선 호르몬"과 동일한 의미로 사용될 수 있다.
갑상선기능항진증(hyperthyroidism)
본 명세서에서, 용어 "갑상선기능항진증(hyperthyroidism)"은 갑상선에서 분비되는 호르몬들이 과다하게 생성, 분비되거나 그 외의 요인으로 혈중 갑상선호르몬 농도가 과도하게 높아지는 상태 및 그로 인하여 발생되는 임상병리학적인 증상들을 모두 일컫는다.
갑상선기능저하증(hypothyroidism)
본 명세서에서, 용어 "갑상선기능저하증(hypothyroidism)"은 갑상선에서 분비되는 호르몬들이 과소하게 생성, 분비되거나 그 외의 요인으로 혈중 갑상선호르몬 농도가 과도하게 낮아지는 상태 및 그로 인하여 발생되는 임상병리학적인 증상들을 모두 일컫는다.
갑상선기능이상증(thyroid dysfunction)
본 명세서에서, 용어 "갑상선기능이상증(thyroid dysfunction)"은 전술한 "갑상선기능저하증" 및 "갑상선기능항진증"을 모두 포함하는 의미이다.
2. 학습 방법
개요
본 출원의 출원인은 2017년에 전술한 종래기술의 문제를 해결하고 시장의 니즈에 부합하는 기술을 개발하고자, 심박수와 갑상선기능항진증의 상관관계에 기초하여, 환자의 갑상선 기능이 "정상"이라고 판단된 시점에 대응되는 심박수, 현재의 심박수를 주요 입력변수로 하여 환자의 현재상태가 갑상선의 기능이 정상인 상태인지 혹은 현재의 상태가 갑상선의 기능에 이상이 있는 상태인지(즉, 갑상선기능항진증 혹은 갑상선기능저하증 인지 여부)를 판단하는 방법 및 시스템에 관한 기술 개발을 완료하고 이에 관한 특허출원을 진행한 바 있다.
그러나, 본 출원의 출원인이 개발하였던 기술에는 몇 가지 문제점이 존재하였다.
첫째, 사람마다 갑상선 기능이 정상인 상태에서의 심박수(미리 정해진 기간에 대한 구간 평균 심박수)가 다 다르기 때문에, 단순히 정상 상태일 때의 심박수와 현재 상태의 심박수를 인자(factor)로 하여 갑상선기능이상여부를 출력하는 함수를 도출하는 데에 어려움이 있었다.
둘째, "정상"일 때의 심박수가 인자로 사용되기 때문에, 호르몬 수치를 검사한 날 "정상"이 아닌 "갑상선기능항진증" 또는 "갑상선기능저하증"으로 판단된 경우에는, 전술한 기술을 적용할 수 없다는 문제점이 있었다.
전술한 문제점들로 인하여, 종래에 개발하였던 기술은 낮은 정확도 및 사용 상의 불편함 등으로 인해 지속적인 모니터링의 필요성을 요구하는 시장의 니즈를 충족시키기에는 부족함이 있었다.
이러한 문제점들을 극복하기 위하여, 본 출원인들은 본 명세서에 의해 개시되는 머신 러닝 기반의 갑상선기능이상 예측 모델을 제안한다.
또한, 본 출원인들은 갑상선기능이상 여부를 예측하는 예측모델을 학습시킴에 있어서, 개인화된 예측모델을 만들어 내기에는 여러 문제점이 있었기 때문에, 예측모델을 학습시키기 위한 데이터들의 속성을 분석하고, 이로부터 예측의 정확도를 높이기 위한 목적을 가지고 모델을 다양한 방식으로 학습을 시켜보았고, 이로부터 예측모델의 정확도를 높이기 위한 몇몇 유의미한 학습방법들을 확인하였고, 본 명세서를 통해 정확도를 높이기 위한 학습방법들을 개시한다.
임상 데이터의 수집
본 출원에 의해 개시되는 예측 모델을 학습시키기 위한 기본적인 임상 데이터들을 수집한 방법에 대하여 먼저 설명한다.
(1) 갑상선기능항진증 또는 갑상선기능저하증을 겪고 있는 환자들이 선별된다.
(2) 선별된 환자들에 대한 개인 정보들이 획득된다. 예를 들어, 선별된 환자들의 성명, 성별, 나이, 몸무게, 키 등등을 포함한 환자들의 개인정보들이 획득된다.
(3) 선별된 환자들 각각에게, 손목에 착용가능하고 환자들의 심박수를 측정할 수 있는 기능이 탑재된 웨어러블 디바이스가 제공된다.
(4) 선별된 환자들 각각에 대하여, 선별된 환자들이 병원에 방문하여 갑상선 호르몬 검사를 하면, 환자들에게 제공되었던 웨어러블 디바이스에 의해 측정된 심박수들 중 상기 검사일에 대응되는 구간 심박수들(period heart rates)이 확보된다.
(5) 선별된 환자들 각각에 대하여, 상기 검사일에 시행된 갑상선 호르몬들의 농도값들이 확보된다.
(6) 선별된 환자들 각각에 대하여, 상기 갑상선 호르몬 검사 결과에 기초하여, 의사의 상기 환자에 대한 진단 결과가 확보된다. 즉, 상기 갑상선 호르몬 검사 결과, 상기 환자가 갑상선기능항진증, 갑상선기능저하증 및 정상 중 어떤 상태인지 여부가 확보된다.
결과적으로, 한 명의 환자가 갑상선 호르몬 검사를 1회 받게 되면, i) 환자의 개인정보, ii) 검사일, iii) 검사일에 대응되는 구간 심박수, iv) 검사일에 시행된 검사에 따른 갑상선 호르몬들의 농도, v) 상기 검사일에 시행된 검사 결과에 따른 갑상선기능이상여부에 대한 의사의 진단결과를 포함하는 하나의 데이터 세트가 확보될 수 있다.
즉, 100명의 환자들로부터 한 환자 당 평균 4번의 호르몬 검사결과에 따른 데이터 세트들이 확보된다면, 총 400개의 데이터세트들이 확보될 수 있으며, 300명의 환자들로부터 한 환자 당 평균 3번의 호르몬 검사결과에 따른 데이터 세트들이 확보된다면, 총 900개의 데이터 세트들이 확보될 수 있다.
갑상선기능이상을 겪고 있는 환자들은 3개월에 한 번씩 병원에 방문하여 호르몬 수치검사를 위한 채혈검사를 할 것을 권고 받는다. 따라서, 기본적으로 전술한 방식으로 데이터 세트들을 충분히 확보를 하려면, 데이터 세트의 수집 대상이 되는 환자들의 수를 늘리거나 혹은 환자 당 데이터 세트를 확보하는 기간을 수년 이상으로 늘려야 한다. 즉, 많은 비용이 투입되거나 혹은 많은 시간이 투입되어야만 갑상선기능이상에 관련된 많은 임상 데이터들이 확보될 수 있는 것이 현재의 실정이다.
학습방법 실시예#1. 기준일 심박수와의 차이값과 기준일의 호르몬값
본 출원에 의해 개시되는 제1 실시예에 따르면, 학습 모델을 학습시키기 위하여, 제1 검사일에 대응되는 구간 평균 심박수에서 제2 검사일에 대응되는 구간 평균 심박수를 뺀 값 및 제2 검사일의 호르몬 농도를 입력값으로 사용하고, 상기 제1 검사일에 대응되어 있는 진단 결과를 라벨링값으로 사용할 수 있다.
이때, 상기 학습 모델은 light gradient boosting machine, support vector machine, random forest, extra trees, ada boost, extreme gradient boosting, CatBoost 등을 포함하는 분류 모델들이 사용될 수 있다.
상기 학습 모델은 갑상선기능항진증을 예측하기 위한 항진증 예측 모델(hyperthyroidism prediction model)과 갑상선기능저하증을 예측하기 위한 저하증 예측 모델(hypothyroidism prediction model)을 포함한다.
제1 실시예에 따라 항진증 예측 모델을 학습시킬 때, 확보한 모든 임상데이터가 활용될 수는 없고, 진단결과에 적어도 한번 이상 갑상선기능항진증 진단을 받은 환자들의 임상 데이터들만 학습 데이터로 사용될 수 있다.
이하에서는, 설명의 편의를 위하여, 진단결과에서 적어도 한번 이상 갑상선기능항진증 진단을 받은 적이 있는 환자는 '항진증 환자(hyperthyroidism patient)'라고 지칭할 수 있다.
한편, 구간 평균 심박수를 산출함에 있어서, 특정일을 기준으로 미리 정해진 기간 동안의 휴지기 심박수들을 활용할 수 있으며, 이 때 상기 미리 정해진 기간은 1, 2, 3, 4, 5, 6, 7, 8, 9, 10, 11, 12, 13, 14, 15, 16, 17, 18, 19, 20, 21, 22, 23, 24, 25, 26, 27, 28, 29 및 30일 중 하나일 수 있다.
제1 실시예에 따라, 항진증 예측 모델을 학습시키기 위하여, 항진증 환자들의 임상 데이터들을 이용하여 [(제1 검사일에 대응되는 구간 평균 심박수 - 제2 검사일에 대응되는 구간 평균 심박수), 제2 검사일에 대응되는 갑상선 호르몬 농도, 제1 검사일에 대응되는 진단결과(항진 또는 항진아님)]와 같은 포맷의 학습 데이터 세트들이 생성될 수 있다.
예를 들어, 제1 항진증 환자로부터 획득한 데이터 세트들은 총 3개이고, 첫번째 검사에 대한 진단결과는 '항진'이며, 이때 호르몬 농도는 제1 농도였고, 두번째 검사에 대한 진단 결과는 '정상'이며, 이때 호르몬 농도는 제2 농도였고, 세번째 검사에 대한 진단 결과는 '정상'이며, 이때 호르몬 농도는 제3 농도였다고 가정한다면, 상기 제1 항진증 환자의 임상데이터로부터 확보할 수 있는 학습 데이터세트들은 다음과 같이 생성될 수 있다.
[(제1 검사일에 대응되는 구간 평균 심박수 - 제2 검사일에 대응되는 구간 평균 심박수), 제2 농도, 항진],
[(제1 검사일에 대응되는 구간 평균 심박수 - 제3 검사일에 대응되는 구간 평균 심박수), 제3 농도, 항진],
[(제2 검사일에 대응되는 구간 평균 심박수 - 제1 검사일에 대응되는 구간 평균 심박수), 제1 농도, 항진아님],
*[(제2 검사일에 대응되는 구간 평균 심박수 - 제3 검사일에 대응되는 구간 평균 심박수), 제3 농도, 항진아님],
[(제3 검사일에 대응되는 구간 평균 심박수 - 제1 검사일에 대응되는 구간 평균 심박수), 제1 농도, 항진아님], 및
[(제3 검사일에 대응되는 구간 평균 심박수 - 제2 검사일에 대응되는 구간 평균 심박수), 제2 농도, 항진아님],
다른 예를 들어, 제2 항진증 환자로부터 획득한 데이터 세트들은 총 4개이고, 첫번째 검사에 대한 진단결과는 '항진'이며, 이때 호르몬 농도는 제1 농도였고, 두번째 검사에 대한 진단 결과는 '정상'이며, 이때 호르몬 농도는 제2 농도였으며, 세번째 검사에 대한 진단결과는 '항진'이며, 이때 호르몬 농도는 제3 농도였으며, 네번째 검사에 대한 진단 결과는 '정상'이며, 이때 호르몬 농도는 제4 농도였다고 가정한다면, 상기 제2 항진증 환자의 임상데이터로부터 확보할 수 있는 학습 데이터세트들은 다음과 같이 생성될 수 있다.
[(제1 검사일에 대응되는 구간 평균 심박수 - 제2 검사일에 대응되는 구간 평균 심박수), 제2 농도, 항진],
[(제1 검사일에 대응되는 구간 평균 심박수 - 제3 검사일에 대응되는 구간 평균 심박수), 제3 농도, 항진],
[(제1 검사일에 대응되는 구간 평균 심박수 - 제4 검사일에 대응되는 구간 평균 심박수), 제4 농도, 항진],
[(제2 검사일에 대응되는 구간 평균 심박수 - 제1 검사일에 대응되는 구간 평균 심박수), 제1 농도, 항진아님],
[(제2 검사일에 대응되는 구간 평균 심박수 - 제3 검사일에 대응되는 구간 평균 심박수), 제3 농도, 항진아님],
[(제2 검사일에 대응되는 구간 평균 심박수 - 제4 검사일에 대응되는 구간 평균 심박수), 제4 농도, 항진아님],
[(제3 검사일에 대응되는 구간 평균 심박수 - 제1 검사일에 대응되는 구간 평균 심박수), 제1 농도, 항진],
[(제3 검사일에 대응되는 구간 평균 심박수 - 제2 검사일에 대응되는 구간 평균 심박수), 제2 농도, 항진],
[(제3 검사일에 대응되는 구간 평균 심박수 - 제4 검사일에 대응되는 구간 평균 심박수), 제4 농도, 항진],
[(제4 검사일에 대응되는 구간 평균 심박수 - 제1 검사일에 대응되는 구간 평균 심박수), 제1 농도, 항진아님],
[(제4 검사일에 대응되는 구간 평균 심박수 - 제2 검사일에 대응되는 구간 평균 심박수), 제2 농도, 항진아님], 및
[(제4 검사일에 대응되는 구간 평균 심박수 - 제3 검사일에 대응되는 구간 평균 심박수), 제3 농도, 항진아님],
제1 실시예에 따라, 저하증 예측 모델을 학습시킬 때 확보한 모든 임상데이터가 활용될 수는 없고, 진단결과에 적어도 한번 이상 갑상선기능저하증 진단을 받은 환자들의 임상 데이터들만 학습 데이터로 사용될 수 있다.
이하에서는, 설명의 편의를 위하여, 진단결과에서 적어도 한번 이상 갑상선기능저하증 진단을 받은 적이 있는 환자는 '저하증 환자(hypothyroidism patient)'라고 지칭할 수 있다.
제1 실시예에 따라, 저하증 예측 모델을 학습시키기 위하여, 저하증 환자들의 임상 데이터들을 이용하여 [(제1 검사일에 대응되는 구간 평균 심박수 - 제2 검사일에 대응되는 구간 평균 심박수), 제2 검사일에 대응되는 갑상선 호르몬 농도, 제1 검사일에 대응되는 진단결과(저하 또는 저하아님)]와 같은 포맷의 학습 데이터 세트들이 생성될 수 있다.
예를 들어, 제1 저하증 환자로부터 획득한 데이터 세트들은 총 3개이고, 첫번째 검사에 대한 진단결과는 '저하'이며, 이때 호르몬 농도는 제1 농도였고, 두번째 검사에 대한 진단 결과는 '정상'이며, 이때 호르몬 농도는 제2 농도였고, 세번째 검사에 대한 진단 결과는 '정상'이며, 이때 호르몬 농도는 제3 농도였다고 가정한다면, 상기 제1 저하증 환자의 임상데이터로부터 확보할 수 있는 학습 데이터세트들은 다음과 같이 생성될 수 있다.
[(제1 검사일에 대응되는 구간 평균 심박수 - 제2 검사일에 대응되는 구간 평균 심박수), 제2 농도, 저하],
[(제1 검사일에 대응되는 구간 평균 심박수 - 제3 검사일에 대응되는 구간 평균 심박수), 제3 농도, 저하],
[(제2 검사일에 대응되는 구간 평균 심박수 - 제1 검사일에 대응되는 구간 평균 심박수), 제1 농도, 저하아님],
*[(제2 검사일에 대응되는 구간 평균 심박수 - 제3 검사일에 대응되는 구간 평균 심박수), 제3 농도, 저하아님],
[(제3 검사일에 대응되는 구간 평균 심박수 - 제1 검사일에 대응되는 구간 평균 심박수), 제1 농도, 저하아님], 및
[(제3 검사일에 대응되는 구간 평균 심박수 - 제2 검사일에 대응되는 구간 평균 심박수), 제2 농도, 저하아님],
다른 예를 들어, 제2 저하증 환자로부터 획득한 데이터 세트들은 총 4개이고, 첫번째 검사에 대한 진단결과는 '저하'이며, 이때 호르몬 농도는 제1 농도였고, 두번째 검사에 대한 진단 결과는 '정상'이며, 이때 호르몬 농도는 제2 농도였으며, 세번째 검사에 대한 진단결과는 '저하'이며, 이때 호르몬 농도는 제3 농도였으며, 네번째 검사에 대한 진단 결과는 '정상'이며, 이때 호르몬 농도는 제4 농도였다고 가정한다면, 상기 제2 저하증 환자의 임상데이터로부터 확보할 수 있는 학습 데이터세트들은 다음과 같이 생성될 수 있다.
[(제1 검사일에 대응되는 구간 평균 심박수 - 제2 검사일에 대응되는 구간 평균 심박수), 제2 농도, 저하],
[(제1 검사일에 대응되는 구간 평균 심박수 - 제3 검사일에 대응되는 구간 평균 심박수), 제3 농도, 저하],
[(제1 검사일에 대응되는 구간 평균 심박수 - 제4 검사일에 대응되는 구간 평균 심박수), 제4 농도, 저하],
[(제2 검사일에 대응되는 구간 평균 심박수 - 제1 검사일에 대응되는 구간 평균 심박수), 제1 농도, 저하아님],
[(제2 검사일에 대응되는 구간 평균 심박수 - 제3 검사일에 대응되는 구간 평균 심박수), 제3 농도, 저하아님],
[(제2 검사일에 대응되는 구간 평균 심박수 - 제4 검사일에 대응되는 구간 평균 심박수), 제4 농도, 저하아님],
[(제3 검사일에 대응되는 구간 평균 심박수 - 제1 검사일에 대응되는 구간 평균 심박수), 제1 농도, 저하],
[(제3 검사일에 대응되는 구간 평균 심박수 - 제2 검사일에 대응되는 구간 평균 심박수), 제2 농도, 저하],
[(제3 검사일에 대응되는 구간 평균 심박수 - 제4 검사일에 대응되는 구간 평균 심박수), 제4 농도, 저하],
[(제4 검사일에 대응되는 구간 평균 심박수 - 제1 검사일에 대응되는 구간 평균 심박수), 제1 농도, 저하아님],
[(제4 검사일에 대응되는 구간 평균 심박수 - 제2 검사일에 대응되는 구간 평균 심박수), 제2 농도, 저하아님], 및
[(제4 검사일에 대응되는 구간 평균 심박수 - 제3 검사일에 대응되는 구간 평균 심박수), 제3 농도, 저하아님],
제1 실시예에 있어서, 호르몬 농도는 T4의 농도, free T4의 농도, T3의 농도, free T3의 농도, TSH의 농도 및 갑상샘자극호르몬방출호르몬(Thyrotropin-Releasing Hormone, TRH)의 농도로 이루어진 그룹에서 선택된 하나 또는 이들의 조합일 수도 있다.
학습방법 실시예#2. 기준일 심박수와의 차이값, 대상일 구간 평균 심박수와 기준일의 호르몬값
본 출원에 의해 개시되는 제2 실시예에 따르면, 학습 모델을 학습시키기 위하여, 제1 검사일에 대응되는 구간 평균 심박수에서 제2 검사일에 대응되는 구간 평균 심박수를 뺀 값, 제2 검사일의 호르몬 농도 및 제1 검사일에 대응되는 구간 평균 심박수를 입력값으로 사용하고, 상기 제1 검사일에 대응되어 있는 진단 결과를 라벨링값으로 사용할 수 있다.
이때, 상기 학습 모델은 light gradient boosting machine, support vector machine, random forest, extra trees, ada boost, extreme gradient boosting, CatBoost 등을 포함하는 분류 모델들이 사용될 수 있다.
상기 학습 모델은 갑상선기능항진증을 예측하기 위한 항진증 예측 모델(hyperthyroidism prediction model)과 갑상선기능저하증을 예측하기 위한 저하증 예측 모델(hypothyroidism prediction model)을 포함한다.
제2 실시예에 따라, 항진증 예측 모델을 학습시킬 때, 확보한 모든 임상데이터가 활용될 수는 없고, 진단결과에 적어도 한번 이상 갑상선기능항진증 진단을 받은 환자들의 임상 데이터들만 학습 데이터로 사용될 수 있다.
이하에서는, 설명의 편의를 위하여, 진단결과에서 적어도 한번 이상 갑상선기능항진증 진단을 받은 적이 있는 환자는 '항진증 환자(hyperthyroidism patient)'라고 지칭할 수 있다.
한편, 구간 평균 심박수를 산출함에 있어서, 특정일을 기준으로 미리 정해진 기간 동안의 휴지기 심박수들을 활용할 수 있으며, 이 때 상기 미리 정해진 기간은 1, 2, 3, 4, 5, 6, 7, 8, 9, 10, 11, 12, 13, 14, 15, 16, 17, 18, 19, 20, 21, 22, 23, 24, 25, 26, 27, 28, 29 및 30일 중 하나일 수 있다.
제2 실시예에 따라, 항진증 예측 모델을 학습시키기 위하여, 항진증 환자들의 임상 데이터들을 이용하여 [(제1 검사일에 대응되는 구간 평균 심박수 - 제2 검사일에 대응되는 구간 평균 심박수), 제1 검사일에 대응되는 구간 평균 심박수, 제2 검사일에 대응되는 갑상선 호르몬 농도, 제1 검사일에 대응되는 진단결과(항진 또는 항진아님)]와 같은 포맷의 학습 데이터 세트들이 생성될 수 있다.
예를 들어, 제1 항진증 환자로부터 획득한 데이터 세트들은 총 3개이고, 첫번째 검사에 대한 진단결과는 '항진'이며, 이때 호르몬 농도는 제1 농도였고, 두번째 검사에 대한 진단 결과는 '정상'이며, 이때 호르몬 농도는 제2 농도였고, 세번째 검사에 대한 진단 결과는 '정상'이며, 이때 호르몬 농도는 제3 농도였다고 가정한다면, 상기 제1 항진증 환자의 임상데이터로부터 확보할 수 있는 학습 데이터세트들은 다음과 같이 생성될 수 있다.
[(제1 검사일에 대응되는 구간 평균 심박수 - 제2 검사일에 대응되는 구간 평균 심박수), 제1 검사일에 대응되는 구간 평균 심박수, 제2 농도, 항진],
[(제1 검사일에 대응되는 구간 평균 심박수 - 제3 검사일에 대응되는 구간 평균 심박수), 제1 검사일에 대응되는 구간 평균 심박수, 제3 농도, 항진],
[(제2 검사일에 대응되는 구간 평균 심박수 - 제1 검사일에 대응되는 구간 평균 심박수), 제2 검사일에 대응되는 구간 평균 심박수, 제1 농도, 항진아님],
[(제2 검사일에 대응되는 구간 평균 심박수 - 제3 검사일에 대응되는 구간 평균 심박수), 제2 검사일에 대응되는 구간 평균 심박수, 제3 농도, 항진아님],
[(제3 검사일에 대응되는 구간 평균 심박수 - 제1 검사일에 대응되는 구간 평균 심박수), 제3 검사일에 대응되는 구간 평균 심박수, 제1 농도, 항진아님], 및
[(제3 검사일에 대응되는 구간 평균 심박수 - 제2 검사일에 대응되는 구간 평균 심박수), 제3 검사일에 대응되는 구간 평균 심박수, 제2 농도, 항진아님],
다른 예를 들어, 제2 항진증 환자로부터 획득한 데이터 세트들은 총 4개이고, 첫번째 검사에 대한 진단결과는 '항진'이며, 이때 호르몬 농도는 제1 농도였고, 두번째 검사에 대한 진단 결과는 '정상'이며, 이때 호르몬 농도는 제2 농도였으며, 세번째 검사에 대한 진단결과는 '항진'이며, 이때 호르몬 농도는 제3 농도였으며, 네번째 검사에 대한 진단 결과는 '정상'이며, 이때 호르몬 농도는 제4 농도였다고 가정한다면, 상기 제2 항진증 환자의 임상데이터로부터 확보할 수 있는 학습 데이터세트들은 다음과 같이 생성될 수 있다.
[(제1 검사일에 대응되는 구간 평균 심박수 - 제2 검사일에 대응되는 구간 평균 심박수), 제1 검사일에 대응되는 구간 평균 심박수, 제2 농도, 항진],
[(제1 검사일에 대응되는 구간 평균 심박수 - 제3 검사일에 대응되는 구간 평균 심박수), 제1 검사일에 대응되는 구간 평균 심박수, 제3 농도, 항진],
[(제1 검사일에 대응되는 구간 평균 심박수 - 제4 검사일에 대응되는 구간 평균 심박수), 제1 검사일에 대응되는 구간 평균 심박수, 제4 농도, 항진],
[(제2 검사일에 대응되는 구간 평균 심박수 - 제1 검사일에 대응되는 구간 평균 심박수), 제2 검사일에 대응되는 구간 평균 심박수, 제1 농도, 항진아님],
[(제2 검사일에 대응되는 구간 평균 심박수 - 제3 검사일에 대응되는 구간 평균 심박수), 제2 검사일에 대응되는 구간 평균 심박수, 제3 농도, 항진아님],
[(제2 검사일에 대응되는 구간 평균 심박수 - 제4 검사일에 대응되는 구간 평균 심박수), 제2 검사일에 대응되는 구간 평균 심박수, 제4 농도, 항진아님],
[(제3 검사일에 대응되는 구간 평균 심박수 - 제1 검사일에 대응되는 구간 평균 심박수), 제3 검사일에 대응되는 구간 평균 심박수, 제1 농도, 항진],
[(제3 검사일에 대응되는 구간 평균 심박수 - 제2 검사일에 대응되는 구간 평균 심박수), 제3 검사일에 대응되는 구간 평균 심박수, 제2 농도, 항진],
[(제3 검사일에 대응되는 구간 평균 심박수 - 제4 검사일에 대응되는 구간 평균 심박수), 제3 검사일에 대응되는 구간 평균 심박수, 제4 농도, 항진],
[(제4 검사일에 대응되는 구간 평균 심박수 - 제1 검사일에 대응되는 구간 평균 심박수), 제4 검사일에 대응되는 구간 평균 심박수, 제1 농도, 항진아님],
[(제4 검사일에 대응되는 구간 평균 심박수 - 제2 검사일에 대응되는 구간 평균 심박수), 제4 검사일에 대응되는 구간 평균 심박수, 제2 농도, 항진아님], 및
[(제4 검사일에 대응되는 구간 평균 심박수 - 제3 검사일에 대응되는 구간 평균 심박수), 제4 검사일에 대응되는 구간 평균 심박수, 제3 농도, 항진아님],
제2 실시예에 따라 저하증 예측 모델을 학습시킬 때, 확보한 모든 임상데이터가 활용될 수는 없고, 진단결과에 적어도 한번 이상 갑상선기능저하증 진단을 받은 환자들의 임상 데이터들만 학습 데이터로 사용될 수 있다.
이하에서는, 설명의 편의를 위하여, 진단결과에서 적어도 한번 이상 갑상선기능저하증 진단을 받은 적이 있는 환자는 '저하증 환자(hypothyroidism patient)'라고 지칭할 수 있다.
제2 실시예에 따라 저하증 예측 모델을 학습시키기 위하여, 저하증 환자들의 임상 데이터들을 이용하여 [(제1 검사일에 대응되는 구간 평균 심박수 - 제2 검사일에 대응되는 구간 평균 심박수), 제1 검사일에 대응되는 구간 평균 심박수, 제2 검사일에 대응되는 갑상선 호르몬 농도, 제1 검사일에 대응되는 진단결과(저하 또는 저하아님)]와 같은 포맷의 학습 데이터 세트들이 생성될 수 있다.
예를 들어, 제1 저하증 환자로부터 획득한 데이터 세트들은 총 3개이고, 첫번째 검사에 대한 진단결과는 '저하'이며, 이때 호르몬 농도는 제1 농도였고, 두번째 검사에 대한 진단 결과는 '정상'이며, 이때 호르몬 농도는 제2 농도였고, 세번째 검사에 대한 진단 결과는 '정상'이며, 이때 호르몬 농도는 제3 농도였다고 가정한다면, 상기 제1 저하증 환자의 임상데이터로부터 확보할 수 있는 학습 데이터세트들은 다음과 같이 생성될 수 있다.
[(제1 검사일에 대응되는 구간 평균 심박수 - 제2 검사일에 대응되는 구간 평균 심박수), 제1 검사일에 대응되는 구간 평균 심박수, 제2 농도, 저하],
[(제1 검사일에 대응되는 구간 평균 심박수 - 제3 검사일에 대응되는 구간 평균 심박수), 제1 검사일에 대응되는 구간 평균 심박수, 제3 농도, 저하],
[(제2 검사일에 대응되는 구간 평균 심박수 - 제1 검사일에 대응되는 구간 평균 심박수), 제2 검사일에 대응되는 구간 평균 심박수, 제1 농도, 저하아님],
[(제2 검사일에 대응되는 구간 평균 심박수 - 제3 검사일에 대응되는 구간 평균 심박수), 제2 검사일에 대응되는 구간 평균 심박수, 제3 농도, 저하아님],
[(제3 검사일에 대응되는 구간 평균 심박수 - 제1 검사일에 대응되는 구간 평균 심박수), 제3 검사일에 대응되는 구간 평균 심박수, 제1 농도, 저하아님], 및
[(제3 검사일에 대응되는 구간 평균 심박수 - 제2 검사일에 대응되는 구간 평균 심박수), 제3 검사일에 대응되는 구간 평균 심박수, 제2 농도, 저하아님],
다른 예를 들어, 제2 저하증 환자로부터 획득한 데이터 세트들은 총 4개이고, 첫번째 검사에 대한 진단결과는 '저하'이며, 이때 호르몬 농도는 제1 농도였고, 두번째 검사에 대한 진단 결과는 '정상'이며, 이때 호르몬 농도는 제2 농도였으며, 세번째 검사에 대한 진단결과는 '저하'이며, 이때 호르몬 농도는 제3 농도였으며, 네번째 검사에 대한 진단 결과는 '정상'이며, 이때 호르몬 농도는 제4 농도였다고 가정한다면, 상기 제2 저하증 환자의 임상데이터로부터 확보할 수 있는 학습 데이터세트들은 다음과 같이 생성될 수 있다.
[(제1 검사일에 대응되는 구간 평균 심박수 - 제2 검사일에 대응되는 구간 평균 심박수), 제1 검사일에 대응되는 구간 평균 심박수, 제2 농도, 저하],
[(제1 검사일에 대응되는 구간 평균 심박수 - 제3 검사일에 대응되는 구간 평균 심박수), 제1 검사일에 대응되는 구간 평균 심박수, 제3 농도, 저하],
[(제1 검사일에 대응되는 구간 평균 심박수 - 제4 검사일에 대응되는 구간 평균 심박수), 제1 검사일에 대응되는 구간 평균 심박수, 제4 농도, 저하],
[(제2 검사일에 대응되는 구간 평균 심박수 - 제1 검사일에 대응되는 구간 평균 심박수), 제2 검사일에 대응되는 구간 평균 심박수, 제1 농도, 저하아님],
[(제2 검사일에 대응되는 구간 평균 심박수 - 제3 검사일에 대응되는 구간 평균 심박수), 제2 검사일에 대응되는 구간 평균 심박수, 제3 농도, 저하아님],
[(제2 검사일에 대응되는 구간 평균 심박수 - 제4 검사일에 대응되는 구간 평균 심박수), 제2 검사일에 대응되는 구간 평균 심박수, 제4 농도, 저하아님],
[(제3 검사일에 대응되는 구간 평균 심박수 - 제1 검사일에 대응되는 구간 평균 심박수), 제3 검사일에 대응되는 구간 평균 심박수, 제1 농도, 저하],
[(제3 검사일에 대응되는 구간 평균 심박수 - 제2 검사일에 대응되는 구간 평균 심박수), 제3 검사일에 대응되는 구간 평균 심박수, 제2 농도, 저하],
[(제3 검사일에 대응되는 구간 평균 심박수 - 제4 검사일에 대응되는 구간 평균 심박수), 제3 검사일에 대응되는 구간 평균 심박수, 제4 농도, 저하],
[(제4 검사일에 대응되는 구간 평균 심박수 - 제1 검사일에 대응되는 구간 평균 심박수), 제4 검사일에 대응되는 구간 평균 심박수, 제1 농도, 저하아님],
[(제4 검사일에 대응되는 구간 평균 심박수 - 제2 검사일에 대응되는 구간 평균 심박수), 제4 검사일에 대응되는 구간 평균 심박수, 제2 농도, 저하아님], 및
[(제4 검사일에 대응되는 구간 평균 심박수 - 제3 검사일에 대응되는 구간 평균 심박수), 제4 검사일에 대응되는 구간 평균 심박수, 제3 농도, 저하아님],
제2 실시예에 있어서, 호르몬 농도는 T4의 농도, free T4의 농도, T3의 농도, free T3의 농도, TSH의 농도 및 갑상샘자극호르몬방출호르몬(Thyrotropin-Releasing Hormone, TRH)의 농도로 이루어진 그룹에서 선택된 하나 또는 이들의 조합일 수도 있다.
학습방법 실시예#3. 기준일 심박수와의 차이값, 기준일의 호르몬값 및 분포의 변화
본 출원에 의해 개시되는 제3 실시예에 따르면 학습 모델을 학습시키기 위하여, 제1 검사일에 대응되는 구간 평균 심박수에서 제2 검사일에 대응되는 구간 평균 심박수를 뺀 값, 제1 검사일에 대응되는 구간 심박수들의 표준편차에서 제2 검사일에 대응되는 구간 심박수들의 표준편차를 뺀 값 및 제2 검사일의 호르몬 농도를 입력값으로 사용하고, 상기 제1 검사일에 대응되어 있는 진단 결과를 라벨링값으로 사용할 수 있다.
이때, 상기 학습 모델은 light gradient boosting machine, support vector machine, random forest, extra trees, ada boost, extreme gradient boosting, CatBoost 등을 포함하는 분류 모델들이 사용될 수 있다.
상기 학습 모델은 갑상선기능항진증을 예측하기 위한 항진증 예측 모델(hyperthyroidism prediction model)과 갑상선기능저하증을 예측하기 위한 저하증 예측 모델(hypothyroidism prediction model)을 포함한다.
제3 실시예에 따라 항진증 예측 모델을 학습시킬 때, 확보한 모든 임상데이터가 활용될 수는 없고, 진단결과에 적어도 한번 이상 갑상선기능항진증 진단을 받은 환자들의 임상 데이터들만 학습 데이터로 사용될 수 있다.
이하에서는, 설명의 편의를 위하여, 진단결과에서 적어도 한번 이상 갑상선기능항진증 진단을 받은 적이 있는 환자는 '항진증 환자(hyperthyroidism patient)'라고 지칭할 수 있다.
한편, 구간 평균 심박수를 산출함에 있어서, 특정일을 기준으로 미리 정해진 기간 동안의 휴지기 심박수들을 활용할 수 있으며, 이 때 상기 미리 정해진 기간은 1, 2, 3, 4, 5, 6, 7, 8, 9, 10, 11, 12, 13, 14, 15, 16, 17, 18, 19, 20, 21, 22, 23, 24, 25, 26, 27, 28, 29 및 30일 중 하나일 수 있다.
제3 실시예에 따라, 항진증 예측 모델을 학습시키기 위하여, 항진증 환자들의 임상 데이터들을 이용하여 [(제1 검사일에 대응되는 구간 평균 심박수 - 제2 검사일에 대응되는 구간 평균 심박수), (제1 검사일에 대응되는 구간 심박수들의 표준편차 - 제2 검사일에 대응되는 구간 심박수들의 표준편차), 제2 검사일에 대응되는 갑상선 호르몬 농도, 제1 검사일에 대응되는 진단결과(항진 또는 항진아님)]와 같은 포맷의 학습 데이터 세트들이 생성될 수 있다.
예를 들어, 제1 항진증 환자로부터 획득한 데이터 세트들은 총 3개이고, 첫번째 검사에 대한 진단결과는 '항진'이며, 이때 호르몬 농도는 제1 농도였고, 두번째 검사에 대한 진단 결과는 '정상'이며, 이때 호르몬 농도는 제2 농도였고, 세번째 검사에 대한 진단 결과는 '정상'이며, 이때 호르몬 농도는 제3 농도였다고 가정한다면, 상기 제1 항진증 환자의 임상데이터로부터 확보할 수 있는 학습 데이터세트들은 다음과 같이 생성될 수 있다.
[(제1 검사일에 대응되는 구간 평균 심박수 - 제2 검사일에 대응되는 구간 평균 심박수), (제1 검사일에 대응되는 구간 심박수들의 표준편차 - 제2 검사일에 대응되는 구간 심박수들의 표준편차), 제2 농도, 항진],
[(제1 검사일에 대응되는 구간 평균 심박수 - 제3 검사일에 대응되는 구간 평균 심박수), (제1 검사일에 대응되는 구간 심박수들의 표준편차 - 제3 검사일에 대응되는 구간 심박수들의 표준편차), 제3 농도, 항진],
[(제2 검사일에 대응되는 구간 평균 심박수 - 제1 검사일에 대응되는 구간 평균 심박수), (제2 검사일에 대응되는 구간 심박수들의 표준편차 - 제1 검사일에 대응되는 구간 심박수들의 표준편차), 제1 농도, 항진아님],
[(제2 검사일에 대응되는 구간 평균 심박수 - 제3 검사일에 대응되는 구간 평균 심박수), (제2 검사일에 대응되는 구간 심박수들의 표준편차 - 제3 검사일에 대응되는 구간 심박수들의 표준편차), 제3 농도, 항진아님],
[(제3 검사일에 대응되는 구간 평균 심박수 - 제1 검사일에 대응되는 구간 평균 심박수), (제3 검사일에 대응되는 구간 심박수들의 표준편차 - 제1 검사일에 대응되는 구간 심박수들의 표준편차), 제1 농도, 항진아님], 및
[(제3 검사일에 대응되는 구간 평균 심박수 - 제2 검사일에 대응되는 구간 평균 심박수), (제3 검사일에 대응되는 구간 심박수들의 표준편차 - 제2 검사일에 대응되는 구간 심박수들의 표준편차), 제2 농도, 항진아님],
다른 예를 들어, 제2 항진증 환자로부터 획득한 데이터 세트들은 총 4개이고, 첫번째 검사에 대한 진단결과는 '항진'이며, 이때 호르몬 농도는 제1 농도였고, 두번째 검사에 대한 진단 결과는 '정상'이며, 이때 호르몬 농도는 제2 농도였으며, 세번째 검사에 대한 진단결과는 '항진'이며, 이때 호르몬 농도는 제3 농도였으며, 네번째 검사에 대한 진단 결과는 '정상'이며, 이때 호르몬 농도는 제4 농도였다고 가정한다면, 상기 제2 항진증 환자의 임상데이터로부터 확보할 수 있는 학습 데이터세트들은 다음과 같이 생성될 수 있다.
[(제1 검사일에 대응되는 구간 평균 심박수 - 제2 검사일에 대응되는 구간 평균 심박수), (제1 검사일에 대응되는 구간 심박수들의 표준편차 - 제2 검사일에 대응되는 구간 심박수들의 표준편차), 제2 농도, 항진],
[(제1 검사일에 대응되는 구간 평균 심박수 - 제3 검사일에 대응되는 구간 평균 심박수), (제1 검사일에 대응되는 구간 심박수들의 표준편차 - 제3 검사일에 대응되는 구간 심박수들의 표준편차), 제3 농도, 항진],
[(제1 검사일에 대응되는 구간 평균 심박수 - 제4 검사일에 대응되는 구간 평균 심박수), (제1 검사일에 대응되는 구간 심박수들의 표준편차 - 제4 검사일에 대응되는 구간 심박수들의 표준편차), 제4 농도, 항진],
[(제2 검사일에 대응되는 구간 평균 심박수 - 제1 검사일에 대응되는 구간 평균 심박수), (제2 검사일에 대응되는 구간 심박수들의 표준편차 - 제1 검사일에 대응되는 구간 심박수들의 표준편차), 제1 농도, 항진아님],
[(제2 검사일에 대응되는 구간 평균 심박수 - 제3 검사일에 대응되는 구간 평균 심박수), (제2 검사일에 대응되는 구간 심박수들의 표준편차 - 제3 검사일에 대응되는 구간 심박수들의 표준편차), 제3 농도, 항진아님],
[(제2 검사일에 대응되는 구간 평균 심박수 - 제4 검사일에 대응되는 구간 평균 심박수), (제2 검사일에 대응되는 구간 심박수들의 표준편차 - 제4 검사일에 대응되는 구간 심박수들의 표준편차), 제4 농도, 항진아님],
[(제3 검사일에 대응되는 구간 평균 심박수 - 제1 검사일에 대응되는 구간 평균 심박수), (제3 검사일에 대응되는 구간 심박수들의 표준편차 - 제1 검사일에 대응되는 구간 심박수들의 표준편차), 제1 농도, 항진],
[(제3 검사일에 대응되는 구간 평균 심박수 - 제2 검사일에 대응되는 구간 평균 심박수), (제3 검사일에 대응되는 구간 심박수들의 표준편차 - 제2 검사일에 대응되는 구간 심박수들의 표준편차), 제2 농도, 항진],
[(제3 검사일에 대응되는 구간 평균 심박수 - 제4 검사일에 대응되는 구간 평균 심박수), (제1 검사일에 대응되는 구간 심박수들의 표준편차 - 제4 검사일에 대응되는 구간 심박수들의 표준편차), 제4 농도, 항진],
[(제4 검사일에 대응되는 구간 평균 심박수 - 제1 검사일에 대응되는 구간 평균 심박수), (제4 검사일에 대응되는 구간 심박수들의 표준편차 - 제1 검사일에 대응되는 구간 심박수들의 표준편차), 제1 농도, 항진아님],
[(제4 검사일에 대응되는 구간 평균 심박수 - 제2 검사일에 대응되는 구간 평균 심박수), (제4 검사일에 대응되는 구간 심박수들의 표준편차 - 제2 검사일에 대응되는 구간 심박수들의 표준편차), 제2 농도, 항진아님], 및
[(제4 검사일에 대응되는 구간 평균 심박수 - 제3 검사일에 대응되는 구간 평균 심박수), (제4 검사일에 대응되는 구간 심박수들의 표준편차 - 제3 검사일에 대응되는 구간 심박수들의 표준편차), 제3 농도, 항진아님]
제3 실시예에 따라 저하증 예측 모델을 학습시킬 때, 확보한 모든 임상데이터가 활용될 수는 없고, 진단결과에 적어도 한번 이상 갑상선기능저하증 진단을 받은 환자들의 임상 데이터들만 학습 데이터로 사용될 수 있다.
이하에서는, 설명의 편의를 위하여, 진단결과에서 적어도 한번 이상 갑상선기능저하증 진단을 받은 적이 있는 환자는 '저하증 환자(hypothyroidism patient)'라고 지칭할 수 있다.
제3 실시예에 따라 저하증 예측 모델을 학습시키기 위하여, 저하증 환자들의 임상 데이터들을 이용하여 [(제1 검사일에 대응되는 구간 평균 심박수 - 제2 검사일에 대응되는 구간 평균 심박수), (제1 검사일에 대응되는 구간 심박수들의 표준편차 - 제2 검사일에 대응되는 구간 심박수들의 표준편차), 제2 검사일에 대응되는 갑상선 호르몬 농도, 제1 검사일에 대응되는 진단결과(저하 또는 저하아님)]와 같은 포맷의 학습 데이터 세트들이 생성될 수 있다.
예를 들어, 제1 저하증 환자로부터 획득한 데이터 세트들은 총 3개이고, 첫번째 검사에 대한 진단결과는 '저하'이며, 이때 호르몬 농도는 제1 농도였고, 두번째 검사에 대한 진단 결과는 '정상'이며, 이때 호르몬 농도는 제2 농도였고, 세번째 검사에 대한 진단 결과는 '정상'이며, 이때 호르몬 농도는 제3 농도였다고 가정한다면, 상기 제1 저하증 환자의 임상데이터로부터 확보할 수 있는 학습 데이터세트들은 다음과 같이 생성될 수 있다.
[(제1 검사일에 대응되는 구간 평균 심박수 - 제2 검사일에 대응되는 구간 평균 심박수), (제1 검사일에 대응되는 구간 심박수들의 표준편차 - 제2 검사일에 대응되는 구간 심박수들의 표준편차), 제2 농도, 저하],
[(제1 검사일에 대응되는 구간 평균 심박수 - 제3 검사일에 대응되는 구간 평균 심박수), (제1 검사일에 대응되는 구간 심박수들의 표준편차 - 제3 검사일에 대응되는 구간 심박수들의 표준편차), 제3 농도, 저하],
[(제2 검사일에 대응되는 구간 평균 심박수 - 제1 검사일에 대응되는 구간 평균 심박수), (제2 검사일에 대응되는 구간 심박수들의 표준편차 - 제1 검사일에 대응되는 구간 심박수들의 표준편차), 제1 농도, 저하아님],
[(제2 검사일에 대응되는 구간 평균 심박수 - 제3 검사일에 대응되는 구간 평균 심박수), (제2 검사일에 대응되는 구간 심박수들의 표준편차 - 제3 검사일에 대응되는 구간 심박수들의 표준편차), 제3 농도, 저하아님],
[(제3 검사일에 대응되는 구간 평균 심박수 - 제1 검사일에 대응되는 구간 평균 심박수), (제3 검사일에 대응되는 구간 심박수들의 표준편차 - 제1 검사일에 대응되는 구간 심박수들의 표준편차), 제1 농도, 저하아님], 및
[(제3 검사일에 대응되는 구간 평균 심박수 - 제2 검사일에 대응되는 구간 평균 심박수), (제3 검사일에 대응되는 구간 심박수들의 표준편차 - 제2 검사일에 대응되는 구간 심박수들의 표준편차), 제2 농도, 저하아님],
다른 예를 들어, 제2 저하증 환자로부터 획득한 데이터 세트들은 총 4개이고, 첫번째 검사에 대한 진단결과는 '저하'이며, 이때 호르몬 농도는 제1 농도였고, 두번째 검사에 대한 진단 결과는 '정상'이며, 이때 호르몬 농도는 제2 농도였으며, 세번째 검사에 대한 진단결과는 '저하'이며, 이때 호르몬 농도는 제3 농도였으며, 네번째 검사에 대한 진단 결과는 '정상'이며, 이때 호르몬 농도는 제4 농도였다고 가정한다면, 상기 제2 저하증 환자의 임상데이터로부터 확보할 수 있는 학습 데이터세트들은 다음과 같이 생성될 수 있다.
[(제1 검사일에 대응되는 구간 평균 심박수 - 제2 검사일에 대응되는 구간 평균 심박수), (제1 검사일에 대응되는 구간 심박수들의 표준편차 - 제2 검사일에 대응되는 구간 심박수들의 표준편차), 제2 농도, 저하],
[(제1 검사일에 대응되는 구간 평균 심박수 - 제3 검사일에 대응되는 구간 평균 심박수), (제1 검사일에 대응되는 구간 심박수들의 표준편차 - 제3 검사일에 대응되는 구간 심박수들의 표준편차), 제3 농도, 저하],
[(제1 검사일에 대응되는 구간 평균 심박수 - 제4 검사일에 대응되는 구간 평균 심박수), (제1 검사일에 대응되는 구간 심박수들의 표준편차 - 제4 검사일에 대응되는 구간 심박수들의 표준편차), 제4 농도, 저하],
[(제2 검사일에 대응되는 구간 평균 심박수 - 제1 검사일에 대응되는 구간 평균 심박수), (제2 검사일에 대응되는 구간 심박수들의 표준편차 - 제1 검사일에 대응되는 구간 심박수들의 표준편차), 제1 농도, 저하아님],
[(제2 검사일에 대응되는 구간 평균 심박수 - 제3 검사일에 대응되는 구간 평균 심박수), (제2 검사일에 대응되는 구간 심박수들의 표준편차 - 제3 검사일에 대응되는 구간 심박수들의 표준편차), 제3 농도, 저하아님],
[(제2 검사일에 대응되는 구간 평균 심박수 - 제4 검사일에 대응되는 구간 평균 심박수), (제2 검사일에 대응되는 구간 심박수들의 표준편차 - 제4 검사일에 대응되는 구간 심박수들의 표준편차), 제4 농도, 저하아님],
[(제3 검사일에 대응되는 구간 평균 심박수 - 제1 검사일에 대응되는 구간 평균 심박수), (제3 검사일에 대응되는 구간 심박수들의 표준편차 - 제1 검사일에 대응되는 구간 심박수들의 표준편차), 제1 농도, 저하],
[(제3 검사일에 대응되는 구간 평균 심박수 - 제2 검사일에 대응되는 구간 평균 심박수), (제3 검사일에 대응되는 구간 심박수들의 표준편차 - 제2 검사일에 대응되는 구간 심박수들의 표준편차), 제2 농도, 저하],
[(제3 검사일에 대응되는 구간 평균 심박수 - 제4 검사일에 대응되는 구간 평균 심박수), (제3 검사일에 대응되는 구간 심박수들의 표준편차 - 제4 검사일에 대응되는 구간 심박수들의 표준편차), 제4 농도, 저하],
[(제4 검사일에 대응되는 구간 평균 심박수 - 제1 검사일에 대응되는 구간 평균 심박수), (제4 검사일에 대응되는 구간 심박수들의 표준편차 - 제1 검사일에 대응되는 구간 심박수들의 표준편차), 제1 농도, 저하아님],
[(제4 검사일에 대응되는 구간 평균 심박수 - 제2 검사일에 대응되는 구간 평균 심박수), (제4 검사일에 대응되는 구간 심박수들의 표준편차 - 제2 검사일에 대응되는 구간 심박수들의 표준편차), 제2 농도, 저하아님], 및
[(제4 검사일에 대응되는 구간 평균 심박수 - 제3 검사일에 대응되는 구간 평균 심박수), (제4 검사일에 대응되는 구간 심박수들의 표준편차 - 제3 검사일에 대응되는 구간 심박수들의 표준편차), 제3 농도, 저하아님]
전술한 제3 실시예에 대한 설명에서는 입력값으로 표준편차의 차이값을 활용하는 것을 기준으로 설명하였으나, 제X 검사일에 대응되는 구간 심박수들과 제Y 검사일에 대응되는 구간 심박수들 사이에 대해서 계산될 수 있는, 구간 심박수들의 표준편차의 차이값, 구간 심박수들의 상대 표준편차의 차이값, 구간 심박수들의 왜도(skewness)의 차이값, 구간 심박수들의 첨도(kurtois)의 차이값 및 제X 검사일에 대응되는 구간 심박수들 분포와 제Y 검사일에 대응되는 구간 심박수들의 분포 사이의 차이를 나타내는 JS divergence로 이루어진 그룹에서 선택된 어느 하나의 값 또는 이들의 조합이 입력값으로 활용될 수 있다.
학습방법 실시예#4. 기준일 심박수와의 차이값, 대상일의 구간 평균 심박수,기준일의 호르몬값 및 분포의 변화
본 출원에 의해 개시되는 제4 실시예에 따르면 학습 모델을 학습시키기 위하여, 제1 검사일에 대응되는 구간 평균 심박수에서 제2 검사일에 대응되는 구간 평균 심박수를 뺀 값, 제1 검사일에 대응되는 구간 심박수들의 표준편차에서 제2 검사일에 대응되는 구간 심박수들의 표준편차를 뺀 값, 제1 검사일에 대응되는 구간 평균 심박수 및 제2 검사일의 호르몬 농도를 입력값으로 사용하고, 상기 제1 검사일에 대응되어 있는 진단 결과를 라벨링값으로 사용할 수 있다.
제4 실시예는, 제3 실시예와 비교할 때, "제1 검사일의 구간 평균 심박수"를 입력값으로 더 사용한다는 것만 상이하고 다른 것들 대부분 동일하기 때문에, 여기에서는 자세한 설명을 생략하기로 한다.
전술한 제4 실시예에 대한 설명에서는 입력값으로 표준편차의 차이값을 활용하는 것을 기준으로 설명하였으나, 제X 검사일에 대응되는 구간 심박수들과 제Y 검사일에 대응되는 구간 심박수들 사이에 대해서 계산될 수 있는, 구간 심박수들의 표준편차의 차이값, 구간 심박수들의 상대 표준편차의 차이값, 구간 심박수들의 왜도(skewness)의 차이값, 구간 심박수들의 첨도(kurtois)의 차이값 및 제X 검사일에 대응되는 구간 심박수들 분포와 제Y 검사일에 대응되는 구간 심박수들의 분포 사이의 차이를 나타내는 JS divergence로 이루어진 그룹에서 선택된 어느 하나의 값 또는 이들의 조합이 입력값으로 활용될 수 있다.
학습방법 실시예#5. 기준일 심박수와의 변화율, 기준일의 호르몬값
본 출원에 의해 개시되는 제5 실시예에 따르면 학습 모델을 학습시키기 위하여, 제2 검사일에 대한 제1 검사일의 구간 평균 심박수의 변화율 (즉, (제1 검사일에 대응되는 구간 평균 심박수 - 제2 검사일에 대응되는 구간 평균 심박수) / (제2 검사일에 대응되는 구간 평균 심박수)) 및 제2 검사일의 호르몬 농도를 입력값으로 사용하고, 상기 제1 검사일에 대응되어 있는 진단 결과를 라벨링값으로 사용할 수 있다.
제5 실시예는, 제1 실시예와 비교할 때, "구간 평균 심박수의 변화량"을 사용하는 대신 "구간 평균 심박수의 변화율"을 사용하는 것만 상이하고 다른 것들은 대부분 동일하기 때문에, 여기에서는 자세한 설명을 생략하기로 한다.
학습방법 실시예#6. 기준일 심박수와의 변화율, 대상일의 구간 평균 심박수,기준일의 호르몬값
본 출원에 의해 개시되는 제6 실시예에 따르면, 학습 모델을 학습시키기 위하여, 제2 검사일에 대한 제1 검사일의 구간 평균 심박수의 변화율 (즉, (제1 검사일에 대응되는 구간 평균 심박수 - 제2 검사일에 대응되는 구간 평균 심박수) / (제2 검사일에 대응되는 구간 평균 심박수)), 제1 검사일에 대응되는 구간 평균 심박수 및 제2 검사일의 호르몬 농도를 입력값으로 사용하고, 상기 제1 검사일에 대응되어 있는 진단 결과를 라벨링값으로 사용할 수 있다.
제6 실시예는, 제5 실시예와 비교할 때, "제1 검사일의 구간 평균 심박수"를 입력값으로 더 사용한다는 것만 상이하고 다른 것들 대부분 동일하기 때문에, 여기에서는 자세한 설명을 생략하기로 한다.
학습방법 실시예#7. 기준일 심박수와의 변화율, 기준일의 호르몬값 및 분포의 변화
본 출원에 의해 개시되는 제7 실시예에 따르면, 학습 모델을 학습시키기 위하여, 제2 검사일에 대한 제1 검사일의 구간 평균 심박수의 변화율 (즉, (제1 검사일에 대응되는 구간 평균 심박수 - 제2 검사일에 대응되는 구간 평균 심박수) / (제2 검사일에 대응되는 구간 평균 심박수)), 제2 검사일에 대한 제1 검사일의 구간 심박수들의 상대 표준편차의 변화량 (즉, (제1 검사일에 대응되는 구간 심박수들의 표준편차 / 제1 검사일에 대응되는 구간 평균 심박수) - (제2 검사일에 대응되는 구간 심박수들의 표준편차 / 제2 검사일에 대응되는 구간 평균 심박수)) 및 제2 검사일의 호르몬 농도를 입력값으로 사용하고, 상기 제1 검사일에 대응되어 있는 진단 결과를 라벨링값으로 사용할 수 있다.
제7 실시예는, 제5 실시예와 비교할 때, "구간 심박수들의 상대표준편차의 변화량"을 입력값으로 더 사용하는 것만 상이하고 다른 것들은 대부분 동일하기 때문에, 여기에서는 자세한 설명을 생략하기로 한다.
전술한 제7 실시예에 대한 설명에서는 입력값으로 상대 표준편차의 차이값을 활용하는 것을 기준으로 설명하였으나, 제X 검사일에 대응되는 구간 심박수들과 제Y 검사일에 대응되는 구간 심박수들 사이에 대해서 계산될 수 있는, 구간 심박수들의 표준편차의 차이값, 구간 심박수들의 상대 표준편차의 차이값, 구간 심박수들의 왜도(skewness)의 차이값, 구간 심박수들의 첨도(kurtois)의 차이값 및 제X 검사일에 대응되는 구간 심박수들 분포와 제Y 검사일에 대응되는 구간 심박수들의 분포 사이의 차이를 나타내는 JS divergence로 이루어진 그룹에서 선택된 어느 하나의 값 또는 이들의 조합이 입력값으로 활용될 수 있다.
학습방법 실시예#8. 기준일 심박수와의 변화율, 대상일의 구간 평균 심박수, 기준일의 호르몬값 및 분포의 변화
본 출원에 의해 개시되는 제8 실시예에 따르면, 학습 모델을 학습시키기 위하여, 제2 검사일에 대한 제1 검사일의 구간 평균 심박수의 변화율 (즉, (제1 검사일에 대응되는 구간 평균 심박수 - 제2 검사일에 대응되는 구간 평균 심박수) / (제2 검사일에 대응되는 구간 평균 심박수)), 제2 검사일에 대한 제1 검사일의 구간 심박수들의 상대 표준편차의 변화량 (즉, (제1 검사일에 대응되는 구간 심박수들의 표준편차 / 제1 검사일에 대응되는 구간 평균 심박수) - (제2 검사일에 대응되는 구간 심박수들의 표준편차 / 제2 검사일에 대응되는 구간 평균 심박수)), 제1 검사일에 대응되는 구간 평균 심박수 및 제2 검사일의 호르몬 농도를 입력값으로 사용하고, 상기 제1 검사일에 대응되어 있는 진단 결과를 라벨링값으로 사용할 수 있다.
제8 실시예는, 제7 실시예와 비교할 때, "제1 기준일의 구간 평균 심박수"를 입력값으로 더 사용하는 것만 상이하고 다른 것들은 대부분 동일하기 때문에, 여기에서는 자세한 설명을 생략하기로 한다.
전술한 제8 실시예에 대한 설명에서는 입력값으로 상대 표준편차의 차이값을 활용하는 것을 기준으로 설명하였으나, 제X 검사일에 대응되는 구간 심박수들과 제Y 검사일에 대응되는 구간 심박수들 사이에 대해서 계산될 수 있는, 구간 심박수들의 표준편차의 차이값, 구간 심박수들의 상대 표준편차의 차이값, 구간 심박수들의 왜도(skewness)의 차이값, 구간 심박수들의 첨도(kurtois)의 차이값 및 제X 검사일에 대응되는 구간 심박수들 분포와 제Y 검사일에 대응되는 구간 심박수들의 분포 사이의 차이를 나타내는 JS divergence로 이루어진 그룹에서 선택된 어느 하나의 값 또는 이들의 조합이 입력값으로 활용될 수 있다.
학습방법 실시예#9. 기준일 심박수와의 변화율(또는 변화량), 기준일의 호르몬값, 분포의 변화 및 검사일 간의 차이
본 출원에 의해 개시되는 제9 실시예에 따르면 학습 모델을 학습시키기 위하여, 제2 검사일에 대한 제1 검사일의 구간 평균 심박수의 변화율 (즉, (제1 검사일에 대응되는 구간 평균 심박수 - 제2 검사일에 대응되는 구간 평균 심박수) / (제2 검사일에 대응되는 구간 평균 심박수)), 제2 검사일에 대한 제1 검사일의 구간 심박수들의 상대 표준편차의 변화량 (즉, (제1 검사일에 대응되는 구간 심박수들의 표준편차 / 제1 검사일에 대응되는 구간 평균 심박수) - (제2 검사일에 대응되는 구간 심박수들의 표준편차 / 제2 검사일에 대응되는 구간 평균 심박수)), 제2 검사일의 호르몬 농도 및 제1 검사일과 제2 검사일 사이의 차이(days)를 입력값으로 사용하고, 상기 제1 검사일에 대응되어 있는 진단 결과를 라벨링값으로 사용할 수 있다.
제9 실시예는, 제7 실시예와 비교할 때, 제1 검사일과 제2 검사일 사이의 차이를 입력값으로 더 활용한다는 것만 상이하고 다른 것들은 대부분 동일하기 때문에, 여기서는 자세한 설명을 생략하기로 한다.
전술한 제9 실시예에 대한 설명에서는 입력값으로 상대 표준편차의 차이값을 활용하는 것을 기준으로 설명하였으나, 제X 검사일에 대응되는 구간 심박수들과 제Y 검사일에 대응되는 구간 심박수들 사이에 대해서 계산될 수 있는, 구간 심박수들의 표준편차의 차이값, 구간 심박수들의 상대 표준편차의 차이값, 구간 심박수들의 왜도(skewness)의 차이값, 구간 심박수들의 첨도(kurtois)의 차이값 및 제X 검사일에 대응되는 구간 심박수들 분포와 제Y 검사일에 대응되는 구간 심박수들의 분포 사이의 차이를 나타내는 JS divergence로 이루어진 그룹에서 선택된 어느 하나의 값 또는 이들의 조합이 입력값으로 활용될 수 있다.
한편, 기준일 심박수와의 변화율 및 상대 표준편차의 변화량을 사용하는 대신, 기준일 심박수와의 변화량 및 표준편차의 변화량을 사용하는 것도 가능하다. 이 경우, 상대 표준편차의 변화량 뿐만 아니라, 제X 검사일에 대응되는 구간 심박수들과 제Y 검사일에 대응되는 구간 심박수들 사이에 대해서 계산될 수 있는, 구간 심박수들의 표준편차의 차이값, 구간 심박수들의 상대 표준편차의 차이값, 구간 심박수들의 왜도(skewness)의 차이값, 구간 심박수들의 첨도(kurtois)의 차이값 및 제X 검사일에 대응되는 구간 심박수들 분포와 제Y 검사일에 대응되는 구간 심박수들의 분포 사이의 차이를 나타내는 JS divergence로 이루어진 그룹에서 선택된 어느 하나의 값 또는 이들의 조합이 입력값으로 활용될 수 있다.
학습방법 실시예#10. 변수들의 조합
본 출원에 의해 개시되는 제10 실시예에 따르면, 학습 모델을 학습시키기 위하여, 다음의 [표1]에 개시된 변수들의 조합값(combination value)이 입력값으로 더 활용될 수 있다.
| No | 변수 |
| 1 | 구간 평균 심박수 변화량 |
| 2 | 구간 평균 심박수 변화율 |
| 3 | 표준편차 변화량 |
| 4 | 상대 표준편차 변화량 |
| 5 | 구간 심박수의 왜도 변화량 |
| 6 | 구간 심박수의 첨도 변화량 |
| 7 | JS Divergence |
| 8 | 제2 기준일의 TSH 농도 |
| 9 | 제2 기준일의 free T4 농도 |
| 10 | 제2 기준일의 T4 농도 |
| 11 | 제2 기준일의 free T3 농도 |
| 12 | 제2 기준일의 T3 농도 |
| 13 | 제2 기준일의 TRH 농도 |
제1 기준일에 제1 구간 평균 심박수, 제1 표준편차, 제1 왜도, 제1 첨도, 제1 TSH 호르몬 농도, 제1 free T4 농도, 제1 T4 농도, 제1 free T3 농도, 제1 T3 농도, 제1 TRH 농도 및 제1 기준일에 대한 갑상선기능이상증에 대한 진단결과가 대응되어 있고, 제2 기준일에 제2 구간 평균 심박수, 제2 표준편차, 제2 왜도, 제2 첨도, 제2 TSH 호르몬 농도, 제2 free T4 농도, 제2 T4 농도, 제2 free T3 농도, 제2 T3 농도, 제2 TRH 농도 및 제2 기준일에 대한 갑상선기능이상증에 대한 진단결과가 대응되어 있을 때, 상기 변수들은 다음과 같이 산출된다.(1) 구간 평균 심박수 변화량 = 제1 기준일의 구간 평균 심박수 - 제2 기준일의 구간 평균 심박수
(2) 구간 평균 심박수 변화율 = (제1 기준일의 구간 평균 심박수 - 제2 기준일의 구간 평균 심박수) / 제2 기준일의 구간 평균 심박수
(3) 표준편차 변화량 = 제1 기준일의 구간 심박수들의 표준편차 - 제2 기준일의 구간심박수들의 표준편차
(4) 상대 표준편차 변화량 = (제1 기준일의 구간 심박수들의 표준편차 / 제1 기준일의 구간 평균 심박수) - (제2 기준일의 구간심박수들의 표준편차 / 제2 기준일의 구간 평균 심박수)
(5) 구간 심박수의 왜도 변화량 = 제1 기준일의 구간 심박수들의 왜도 - 제2 기준일의 구간 심박수들의 왜도
(6) 구간 심박수의 첨도 변화량 = 제1 기준일의 구간 심박수들의 첨도 - 제2 기준일의 구간 심박수들의 왜도
(7) JS Divergence : 제1 기준일의 구간 심박수들과 제2 기준일의 구간 심박수들 사이에서 계산되는 JS Divergence
이때, 상기 변수들간의 조합값은 상기 변수들 중에서 선택되는 하나의 값(이하, 제1 값이라 함)과 상기 상기 변수들 중에서 선택되는 다른 하나의 값(이하, 제2 값이라 함)을 서로 곱한 값, 제1 값을 제2 값으로 나눈 값 및 제2 값을 제1 값으로 나눈 값 중 하나를 의미한다. 예를 들어, 상기 조합값은 제2 기준일의 free T4의 농도값을 JS Divergence로 나눈값일 수 있다.
이론적으로, 상기 조합값들의 개수는 12*11 = 132개일 수 있다.
한편, 변수들간의 조합값은 둘 이상이 사용될 수 있다.
제10 실시예에 따라 학습 모델을 학습시킬 때, 입력값은 다음과 같을 수 있다.
[구간 평균 심박수의 변화량, 제2 검사일의 호르몬 농도들 중 적어도 하나, 전술한 조합값들 중 적어도 하나]
[구간 평균 심박수의 변화량, 제2 검사일의 호르몬 농도들 중 적어도 하나, 구간 평균 심박수의 표준편차 변화량, 전술한 조합값들 중 적어도 하나]
[구간 평균 심박수의 변화량, 제2 검사일의 호르몬 농도들 중 적어도 하나, 제1 기준일의 구간 평균 심박수, 전술한 조합값들 중 적어도 하나]
[구간 평균 심박수의 변화량, 제2 검사일의 호르몬 농도들 중 적어도 하나, 구간 평균 심박수의 표준편차 변화량, 제1 기준일의 구간 평균 심박수, 전술한 조합값들 중 적어도 하나]
[구간 평균 심박수의 변화량, 제2 검사일의 호르몬 농도들 중 적어도 하나, 구간 평균 심박수의 표준편차 변화량, 제1 기준일의 구간 평균 심박수, 제2 기준일과 제1 기준일 사이의 차이(day gap), 전술한 조합값들 중 적어도 하나]
[구간 평균 심박수의 변화율, 제2 검사일의 호르몬 농도들 중 적어도 하나, 전술한 조합값들 중 적어도 하나]
[구간 평균 심박수의 변화율, 제2 검사일의 호르몬 농도들 중 적어도 하나, 구간 평균 심박수의 상대 표준편차 변화량, 전술한 조합값들 중 적어도 하나]
[구간 평균 심박수의 변화율, 제2 검사일의 호르몬 농도들 중 적어도 하나, 제1 기준일의 구간 평균 심박수, 전술한 조합값들 중 적어도 하나]
[구간 평균 심박수의 변화율, 제2 검사일의 호르몬 농도들 중 적어도 하나, 구간 평균 심박수의 상대 표준편차 변화량, 제1 기준일의 구간 평균 심박수, 전술한 조합값들 중 적어도 하나]
[구간 평균 심박수의 변화율, 제2 검사일의 호르몬 농도들 중 적어도 하나, 구간 평균 심박수의 상대 표준편차 변화량, 제1 기준일의 구간 평균 심박수, 제2 기준일과 제1 기준일 사이의 차이(day gap), 전술한 조합값들 중 적어도 하나]
[구간 평균 심박수의 변화량, 제2 검사일의 호르몬 농도들 중 적어도 하나, 구간 평균 심박수들의 왜도 또는 첨도의 변화량 또는 JS Divergence, 전술한 조합값들 중 적어도 하나]
[구간 평균 심박수의 변화량, 제2 검사일의 호르몬 농도들 중 적어도 하나, 구간 평균 심박수들의 왜도 또는 첨도의 변화량 또는 JS Divergence, 제1 기준일의 구간 평균 심박수, 전술한 조합값들 중 적어도 하나]
[구간 평균 심박수의 변화량, 제2 검사일의 호르몬 농도들 중 적어도 하나, 구간 평균 심박수들의 왜도 또는 첨도의 변화량 또는 JS Divergence, 제1 기준일의 구간 평균 심박수, 제2 기준일과 제1 기준일 사이의 차이(day gap), 전술한 조합값들 중 적어도 하나]
[구간 평균 심박수의 변화율, 제2 검사일의 호르몬 농도들 중 적어도 하나, 구간 평균 심박수들의 왜도 또는 첨도의 변화량 또는 JS Divergence, 전술한 조합값들 중 적어도 하나]
[구간 평균 심박수의 변화율, 제2 검사일의 호르몬 농도들 중 적어도 하나, 구간 평균 심박수들의 왜도 또는 첨도의 변화량 또는 JS Divergence, 제1 기준일의 구간 평균 심박수, 전술한 조합값들 중 적어도 하나]
[구간 평균 심박수의 변화율, 제2 검사일의 호르몬 농도들 중 적어도 하나, 구간 평균 심박수들의 왜도 또는 첨도의 변화량 또는 JS Divergence, 제1 기준일의 구간 평균 심박수, 제2 기준일과 제1 기준일 사이의 차이(day gap), 전술한 조합값들 중 적어도 하나]
[구간 평균 심박수의 변화량, 제2 검사일의 호르몬 농도들 중 적어도 하나, 구간 평균 심박수들의 표준편차의 변화량, 구간 평균 심박수들의 왜도 또는 첨도의 변화량 또는 JS Divergence, 전술한 조합값들 중 적어도 하나]
[구간 평균 심박수의 변화량, 제2 검사일의 호르몬 농도들 중 적어도 하나, 구간 평균 심박수들의 표준편차의 변화량, 구간 평균 심박수들의 왜도 또는 첨도의 변화량 또는 JS Divergence, 제1 기준일의 구간 평균 심박수, 전술한 조합값들 중 적어도 하나]
[구간 평균 심박수의 변화량, 제2 검사일의 호르몬 농도들 중 적어도 하나, 구간 평균 심박수들의 표준편차의 변화량, 구간 평균 심박수들의 왜도 또는 첨도의 변화량 또는 JS Divergence, 제1 기준일의 구간 평균 심박수, 제2 기준일과 제1 기준일 사이의 차이(day gap), 전술한 조합값들 중 적어도 하나]
[구간 평균 심박수의 변화율, 제2 검사일의 호르몬 농도들 중 적어도 하나, 구간 평균 심박수들의 상대 표준편차의 변화량, 구간 평균 심박수들의 왜도 또는 첨도의 변화량 또는 JS Divergence, 전술한 조합값들 중 적어도 하나]
[구간 평균 심박수의 변화율, 제2 검사일의 호르몬 농도들 중 적어도 하나, 구간 평균 심박수들의 상대 표준편차의 변화량, 구간 평균 심박수들의 왜도 또는 첨도의 변화량 또는 JS Divergence, 제1 기준일의 구간 평균 심박수, 전술한 조합값들 중 적어도 하나]
[구간 평균 심박수의 변화율, 제2 검사일의 호르몬 농도들 중 적어도 하나, 구간 평균 심박수들의 상대 표준편차의 변화량, 구간 평균 심박수들의 왜도 또는 첨도의 변화량 또는 JS Divergence, 제1 기준일의 구간 평균 심박수, 제2 기준일과 제1 기준일 사이의 차이(day gap), 전술한 조합값들 중 적어도 하나]
한편, 제10 실시예에 따라 학습 모델을 학습시킬 때, 라벨링값은 제1 검사일의 진단결과일 수 있다. 예를 들어, 갑상선기능항진증 예측 모델을 학습시킬 때, 제1 검사일의 진단 결과가 '항진증'이면, 그 라벨값은 '항진'으로, 제1 검사일의 진단 결과가 '정상'이면, 그 라벨값은 '항진아님'으로 라벨할 수 있고, 갑상선기능저하증 예측 모델을 학습시킬 때, 제1 검사일의 진단 결과가 '저하증'이면, 그 라벨값은 '저하'로, 제1 검사일의 진단 결과가 '정상'이면, 그 라벨값은 '저하아님'으로 라벨할 수 있다.
학습방법 실시예#11. 성별 및 연령 등의 개인정보의 활용
본 출원에 의해 개시되는 제11 실시예에 따르면, 학습 모델을 학습시키기 위하여, 전술한 제1 실시예 내지 제10 실시예에서 설명한 입력값에 더하여, 대상의 개인정보를 입력값으로 사용할 수 있다. 예를 들어, 대상의 성별 및/또는 나이가 입력값으로 사용될 수 있다.
예를 들어, 제6 실시예에서 설명한 입력값에 더하여 대상의 성별 및 나이를입력값으로 사용하는 경우, 제2 검사일에 대한 제1 검사일의 구간 평균 심박수의 변화율 (즉, (제1 검사일에 대응되는 구간 평균 심박수 - 제2 검사일에 대응되는 구간 평균 심박수) / (제2 검사일에 대응되는 구간 평균 심박수)), 제1 검사일에 대응되는 구간 평균 심박수, 제2 검사일의 호르몬 농도, 성별 및 나이를 입력값으로 사용하고, 상기 제1 검사일에 대응되어 있는 진단 결과를 라벨링값으로 사용할 수 있다.
제1 실시예 내지 제10 실시예에서 설명된 입력값들에 더하여 대상의 개인정보를 보다 더 사용하는 것에 대한 자세한 설명은 생략하기로 한다.
한편, 대상의 개인정보로 성별과 나이를 모두 사용하는 것에 대하여 설명하였지만, 성별과 나이가 함께 사용되는 대신, 성별만 사용되거나 나이만 사용되는 실시예도 가능하며, 성별과 나이 이외의 다른 개인정보가 더 활용될 수도 있을 것이다.
이하에서는, 본 출원에 의해 개시되는 예측 모델을 이용하여 대상(subject)의 갑상선기능이상증을 예측하는 방법 및 시스템에 대해서 설명한다.
3. 전체 시스템
(1) 시스템의 하드웨어적 구성
도 1은 본 출원에 의해 개시되는 일실시예에 따른 갑상선기능이상증을 예측하기 위한 시스템을 도시하는 도면이다.
도 1을 참조하면, 상기 시스템(1)은 복수의 심박수 측정 디바이스들(heart rate measuring device, 10), 복수의 사용자 단말기들(user terminal, 20) 및 서버(30)를 포함한다.
이하에서는, 상기 복수의 심박수 측정 디바이스들(10), 상기 복수의 사용자 단말기들(20) 및 상기 서버(30)에 대해 보다 구체적으로 설명한다.
(2) 심박수 측정 디바이스의 기능
상기 복수의 심박수 측정 디바이스들(10)은 대상(사용자)의 심박수(heart rate)를 측정할 수 있다. 예를 들어, 상기 심박수 측정 디바이스들(10)은 대상의 단위 시간당 심박수(beats per minute)를 측정할 수 있다. 즉, 상기 심박수 측정 디바이스들(10)은 대상의 분당 심박수를 측정할 수 있다.
상기 복수의 심박수 측정 디바이스들(10)은 측정된 대상의 심박수들을 저장할 수 있다. 이때, 상기 심박수 측정 디바이스들(10)은, 상기 복수의 심박수들을 저장할 때, 상기 심박수(단위 시간당 심박수)가 측정된 시각(time point)를 함께 매칭시켜 저장할 수 있다.
상기 복수의 심박수 측정 디바이스들(10)은 상기 저장된 심박수들을 상기 복수의 사용자 단말기들(20) 및/또는 상기 서버(30)로 전송할 수 있다.
상기 복수의 심박수 측정 디바이스들(10)은 상기 서버(30) 또는 상기 사용자단말기들(20)로부터 갑상선기능이상증에 관한 예측결과를 수신할 수 있다.
(3) 심박수 측정 디바이스의 종류
상기 심박수 측정 디바이스는 웨어러블 워치(wearable watch), 웨어러블 밴드(wearable band) 또는 패치 타입 디바이스(patch type device)일 수 있다.
(4) 사용자 단말기의 기능
상기 복수의 사용자 단말기들(20)은 각종 네트워크를 통해 상기 서버(30)에 정보를 전송하고, 또 상기 서버(30)로부터 정보를 수신한다.
상기 복수의 사용자 단말기들(20)은 상기 심박수 측정 디바이스(10)로부터 상기 측정된 심박수들을 수신하고 또 상기 수신된 심박수들을 저장할 수 있다.
상기 복수의 사용자 단말기들(20)은 상기 저장된 심박수들을 전처리할 수 있다. 예를 들어, 상기 사용자 단말기들(20)은 저장되어 있는 모든 심박수들 중에서 휴지기에 측정된 심박수들을 선별할 수 있다. 다른 예를 들어, 상기 사용자 단말기들(20)은 특정한 날을 기준으로 상기 저장되어 있는 모든 심박수들 중에서 전술한 구간 심박수들을 선별할 수 있다. 또 다른 예를 들어, 상기 사용자 단말기들(20)은 상기 특정한 날을 기준으로 선별된 구간 심박수들의 평균을 산출할 수 있다. 또 다른 예를 들어, 상기 사용자 단말기들(20)은 상기 특정한 날을 기준으로 선별된 구간 심박수들의 표준편차, 상대 표준편차, 왜도, 첨도 등을 산출할 수 있다.
상기 복수의 사용자 단말기들(20)은 사용자의 호르몬 농도의 검사일을 획득할 수 있으며, 상기 검사일에 대응되는 검사결과(예를 들어, 호르몬 농도 및/또는 의사의 진단 결과 등)를 획득할 수 있다. 상기 복수의 사용자 단말기들(20)은 상기 검사일 및 그에 대한 검사결과를 사용자의 입력에 의해 획득할 수도 있으며, 네트워크를 통해 외부로부터 수신하는 방식으로 획득할 수도 있다.
상기 복수의 사용자 단말기들(20)은 상기 저장된 심박수들 및/또는 상기 전처리된 결과들을 상기 서버(30)로 전송할 수 있다.
상기 복수의 사용자 단말기들(20)은 상기 검사일 및 검사결과를 상기 서버(30)로 전송할 수 있다.
상기 복수의 사용자 단말기들(20)은 상기 서버(30)에 의해 처리된 갑상선기능이상증에 관한 예측결과를 상기 서버(30)로부터 수신할 수 있다.
(5) 사용자 단말기의 종류
상기 복수의 사용자 단말기들(20) 스마트폰, 태블릿 PC, 랩탑, 데스크탑 중 적어도 하나일 수 있다.
(6) 서버의 기능
상기 서버(30)는 각종 네트워크를 통해 상기 복수의 사용자 단말기들(20)에 정보를 전송하고, 또 상기 복수의 사용자 단말기들(20)로부터 정보를 수신한다.
상기 서버(30)는 상기 복수의 사용자 단말기들(20)로부터 측정된 심박수들의전부 또는 일부를 수신할 수 있다. 이때, 상기 서버(30)는 상기 수신된 심박수들을 전처리할 수 있다.
또는 상기 서버(30)는 상기 복수의 사용자 단말기들(20)로부터 상기 사용자 단말기(20)에 의해 전처리된 결과를 수신할 수 있다.
또한, 상기 서버(30)는 사용자들 각각에 대하여 호르몬 농도 검사일 및 그에 대한 검사결과를 획득할 수 있다. 상기 검사일 및 검사결과는 상기 사용자 단말기(20)로부터 수신되거나 혹은 다른 외부 장치로부터 수신될 수 있다.
상기 서버(30)는 상기 전처리된 결과 등에 기초하여 대상의 갑상선기능이상증에 대한 예측결과를 획득할 수 있다.
상기 서버(30)는 상기 갑상선기능이상증에 대한 예측결과를 상기 심박수 측정 디바이스(10) 및/또는 상기 복수의 사용자 단말기들(20)로 전송할 수 있다.
(7) 시스템의 소프트웨어적 구성
상기 시스템(1)이 동작하기 위하여, 몇몇 소프트웨어적 구성들이 필요하다.
상기 사용자 단말기들(20)과 상기 서버(30) 사이의 통신을 수행하기 위하여, 상기 복수의 사용자 단말기들(20)에 단말기 소프트웨어가 설치될 필요가 있으며, 상기 서버(30)에 서버 소프트웨어가 설치될 필요가 있다.
상기 전처리된 결과에 기초하여 갑상선기능이상증을 예측하기 위한 복수의 예측모델들이 사용될 수 있다.
상기 복수의 예측모델들은 상기 서버(30)에 설치되는 소프트웨어에 의해 구동될 수도 있다. 또는 상기 복수의 예측모델들은 상기 사용자 단말기들(20)에 설치되는 단말기 소프트웨어에 의해 구동될 수 있다. 또는 상기 복수의 학습모델들의 일부는 상기 사용자 단말기들(20)에 의해 실행되고, 나머지 일부는 상기 서버(30)에 의해 실행될 수 있다.
(8) 심박수 측정 디바이스의 구성요소
도 2는 본 출원에 의해 개시되는 심박수 측정 디바이스의 블록도이다.
도 2를 참조하면, 본 출원에 의해 개시되는 심박수 측정 디바이스(10)는 출력부(110), 통신부(120), 메모리(130), 심박수 측정부(140) 및 컨트롤러(150)를 포함한다.
출력부(110)는 컨트롤러(150)의 제어 명령에 따라 각종 정보를 출력한다. 일 실시예에 따르면, 출력부(110)는 사용자에게 정보를 시각적으로 출력하는 디스플레이(112)를 포함할 수 있다. 또는, 도면에 도시하지는 않았지만, 사용자에게 정보를 청각적으로 출력하는 스피커, 사용자에게 정보를 촉각적으로 출력하는 진동모터를 포함할 수 있다.
통신부(120)는 무선 통신 모듈 및/또는 유선 통신 모듈을 포함할 수 있다. 여기서, 무선 통신 모듈은 와이파이(Wi-Fi) 통신 모듈, 셀룰러 통신 모듈 등을 포함할 수 있다.
메모리(130)는 컨트롤러(150)에 의해 읽힐 수 있는 실행 코드, 처리된 결과값 및 필요한 데이터 등을 저장한다. 상기 메모리(130)는 HDD(Hard Disk Drive), SSD(Solid State Disk), SDD(Silicon Disk Drive), ROM, RAM 등을 포함할 수 있다. 메모리(130)는 전술한 단말기 소프트웨어를 저장할 수 있고, 전술한 다양한 전처리 알고리즘 및/또는 학습모델들을 구현하기 위한 실행코드들을 저장할 수 있다. 나아가, 메모리(130)는 상기 심박수 측정부(140)를 통해 획득되는 대상의 심박수 및 그 심박수의 측정 시각 등을 저장할 수 있다.
심박수 측정부(140)는 대상(사용자)의 분당 심박수를 측정할 수 있다. 대상의 분당 심박수를 측정하는 방식은 널리 알려져 있으므로 이에 대한 자세한 설명은 생략한다.
컨트롤러(150)는 적어도 하나의 프로세서를 포함할 수 있다. 이때, 각각의 프로세서는 메모리(130)에 저장된 적어도 하나의 명령어를 실행시킴으로써, 소정의 동작을 실행할 수 있다. 구체적으로, 컨트롤러(150)는 상기 심박수 측정 디바이스(10)에서 구동되는 단말기 소프트웨어, 전처리 알고리즘 및/또는 학습모델에 따라 정보를 처리할 수 있다. 한편, 상기 컨트롤러(150)는 심박수 측정 디바이스(10)의 전반적인 동작을 제어한다.
도면에 도시하지는 않았지만, 상기 심박수 측정 디바이스(10)는 사용자 입력부를 포함할 수 있다. 상기 심박수 측정 디바이스(10)는 상기 사용자 입력부를 통해 심박수 측정 디바이스(10)의 동작에 필요한 여러 정보를 사용자로부터 입력 받을 수 있다.
(9) 사용자 단말기의 구성요소
도 3은 본 출원에 의해 개시되는 사용자 단말기의 블록도이다.
도 3을 참조하면, 본 출원에 의해 개시되는 사용자 단말기(20)는 출력부(210), 통신부(220), 메모리(230) 및 컨트롤러(250)를 포함한다.
출력부(210)는 컨트롤러(250)의 제어 명령에 따라 각종 정보를 출력한다. 일 실시예에 따르면, 출력부(210)는 사용자에게 정보를 시각적으로 출력하는 디스플레이(212)를 포함할 수 있다. 또는, 도면에 도시하지는 않았지만, 사용자에게 정보를 청각적으로 출력하는 스피커, 사용자에게 정보를 촉각적으로 출력하는 진동모터를 포함할 수 있다.
통신부(220)는 무선 통신 모듈 및/또는 유선 통신 모듈을 포함할 수 있다. 여기서, 무선 통신 모듈은 와이파이(Wi-Fi) 통신 모듈, 셀룰러 통신 모듈 등을 포함할 수 있다.
메모리(230)는 컨트롤러(250)에 의해 읽힐 수 있는 실행 코드, 처리된 결과값 및 필요한 데이터 등을 저장한다. 상기 메모리(230)는 HDD(Hard Disk Drive), SSD(Solid State Disk), SDD(Silicon Disk Drive), ROM, RAM 등을 포함할 수 있다. 메모리(230)는 전술한 단말기 소프트웨어를 저장할 수 있고, 전술한 다양한 전처리 알고리즘 및/또는 학습모델들을 구현하기 위한 실행코드들을 저장할 수 있다.
컨트롤러(240)는 적어도 하나의 프로세서를 포함할 수 있다. 이때, 각각의 프로세서는 메모리(230)에 저장된 적어도 하나의 명령어를 실행시킴으로써, 소정의 동작을 실행할 수 있다. 구체적으로, 컨트롤러(240)는 상기 사용자 단말기(20)에서 구동되는 단말기 소프트웨어, 전처리 알고리즘 및/또는 학습모델에 따라 정보를 처리할 수 있다. 한편, 상기 컨트롤러(240)는 상기 사용자 단말기(20)의 전반적인 동작을 제어한다.
도면에 도시하지는 않았지만, 상기 사용자 단말기(20)는 사용자 입력부를 포함할 수 있다. 상기 사용자 단말기(20)는 상기 사용자 입력부를 통해 사용자 단말기(20)의 동작에 필요한 여러 정보를 사용자로부터 입력 받을 수 있다.
(10) 서버의 구성요소
도 4는 본 출원에 의해 개시되는 서버의 블록도이다.
도 4를 참조하면, 본 출원에 의해 개시되는 서버(30)는 통신부(310), 메모리(320) 및 컨트롤러(330)를 포함한다.
통신부(310)는 무선 통신 모듈 및/또는 유선 통신 모듈을 포함할 수 있다. 여기서, 무선 통신 모듈은 와이파이(Wi-Fi) 통신 모듈, 셀룰러 통신 모듈 등을 포함할 수 있다.
메모리(320)는 컨트롤러(330)에 의해 읽힐 수 있는 실행 코드, 처리된 결과값 및 필요한 데이터 등을 저장한다. 상기 메모리(320)는 HDD(Hard Disk Drive), SSD(Solid State Disk), SDD(Silicon Disk Drive), ROM, RAM 등을 포함할 수 있다. 메모리(320)는 전술한 서버 소프트웨어를 저장할 수 있고, 전술한 다양한 전처리 알고리즘 및/또는 학습모델들을 구현하기 위한 실행코드들을 저장할 수 있다. 나아가, 메모리(320)는 상기 사용자 단말기(20)로부터 사용자별 심박수 및/또는 그에 대한 전처리 결과 등을 저장할 수 있다.
컨트롤러(330)는 적어도 하나의 프로세서를 포함할 수 있다. 이때, 각각의 프로세서는 메모리(320)에 저장된 적어도 하나의 명령어를 실행시킴으로써, 소정의 동작을 실행할 수 있다. 구체적으로, 컨트롤러(330)는 상기 서버(30)에서 구동되는 서버 소프트웨어, 전처리 알고리즘 및/또는 학습모델에 따라 정보를 처리할 수 있다. 한편, 상기 컨트롤러(330)는 상기 서버(30)의 전반적인 동작을 제어한다.
4. 갑상선기능이상증의 예측방법
본 출원에 의해 개시되는 갑상선기능이상증(thyroid dysfunction)을 예측하는 방법은 전술한 시스템(1)에 의해 수행될 수 있다.
도 5는 본 출원에 의해 개시되는 갑상선기능이상증을 예측하는 방법을 설명하기 위한 흐름도이다.
도 5를 참고하면, 본 출원에 의해 개시되는 대상(subject)에 대한 갑상선기능이상증을 예측하는 방법은 트리거 신호를 획득함(S100), 상기 트리거 신호에 의해 결정되는 대상일에 대응되는 구간 심박수들을 획득함(S110), 상기 대상일에 대응되는 상기 구간 심박수들을 전처리함(S120), 기준일에 대응되는 호르몬 농도를 획득함(S130), 상기 기준일에 대응되는 구간 심박수들에 대한 전처리 결과를 획득함(S140), 상기 대상일에 대응되는 구간 심박수들의 전처리 결과와 상기 기준일에 대응되는 구간 심박수들에 대한 전처리 결과의 차이를 획득함(S150), 상기 획득된 차이 및 상기 기준일에 대응되는 호르몬 농도를 갑상선기능이상 예측모델을 이용하여 처리하고 상기 대상에 대한 갑상선기능이상증에 대한 결과를 획득함(S160)을 포함한다.
트리거 신호의 획득(S100)
트리거 신호가 획득될 수 있다(S100).
여기서, 트리거 신호라 함은 대상의 갑상선기능이상증에 대한 예측결과를 획득할 것을 요청하는 신호를 의미한다.
상기 트리거 신호는 상기 사용자의 입력에 의해 생성될 수 있다. 예를 들어, 사용자가 사용자 단말기(20)의 사용자 입력부를 통해 갑상선기능이상증에 대한 예측결과를 획득할 것을 요청하고, 상기 사용자의 요청에 응답하여 상기 사용자 단말기(20)는 상기 트리거 신호를 생성할 수 있다. 다른 예를 들어, 사용자가 상기 사용자 단말기(20)와 통신을 수행하고 있는 심박수 측정 디바이스(10)의 사용자 입력부를 통해 갑상선기능이상증에 대한 예측결과를 획득할 것을 요청하고, 상기 사용자의 요청에 응답하여 상기 심박수 측정 디바이스(10) 또는 상기 사용자 단말기(20)는 상기 트리거 신호를 생성할 수 있다.
또는, 상기 트리거 신호는 상기 시스템(1)에 의해 사용자의 요청과 무관하게 자동으로 생성될 수 있다. 예를 들어, 상기 심박수 측정 디바이스(10), 상기 사용자 단말기(20) 또는 상기 서버(30)에 설치되어 있는 소프트웨어는 미리 정해진 규칙에 따라 상기 트리거 신호를 생성할 수 있다. 만약 상기 심박수 측정 디바이스(10) 또는 상기 서버(30)에 의해 상기 트리거 신호가 생성된 경우, 상기 생성된 트리거 신호는 상기 사용자 단말기(20)로 전송될 수 있다.
트리거 신호에 기초한 대상일의 결정(S110)
상기 트리거 신호에 의해 대상일이 결정될 수 있다. 예를 들어, 상기 트리거 신호가 생성된 날이 상기 대상일로 결정될 수 있다. 다른 예를 들어, 상기 트리거 신호가 생성될 때, 상기 사용자의 입력 혹은 상기 시스템(1)에 의해 특정한 날(specific day)이 함께 지정(designate)될 수 있으며, 이 경우 상기 지정된 특정한 날이 상기 대상일로 결정될 수 있다.
대상일에 대응되는 구간 심박수들의 획득(S110)
미리 정해진 기간에 따라 상기 대상일에 대응되는 구간 심박수들이 획득될 수 있다(S110).
상기 미리 정해진 기간은 1, 2, 3, 4, 5, 6, 7, 8, 9, 10, 11, 12, 13, 14, 15, 16, 17, 18, 19, 20, 21, 22, 23, 24, 25, 26, 27, 28, 29 및 30일 중 하나일 수 있다.
상기 미리 정해진 기간이 10일이고 상기 대상일이 07월 21일인 경우, 상기 구간 심박수들은 07월 21일에 대응되는 휴지기 심박수들, 07월 20일에 대응되는 휴지기 심박수들, 07월 19일에 대응되는 휴지기 심박수들, 07월 18일에 대응되는 휴지기 심박수들, 07월 17일에 대응되는 휴지기 심박수들, 07월 16일에 대응되는 휴지기 심박수들, 07월 15일에 대응되는 휴지기 심박수들, 07월 14일에 대응되는 휴지기 심박수들, 07월 13일에 대응되는 휴지기 심박수들, 07월 12일에 대응되는 휴지기 심박수들이 상기 구간 심박수들로 획득된다.
상기 구간 심박수들은 상기 결정된 대상일 및 상기 미리 정해진 기간에 의해 결정되는 날들에 대응되어 저장된 모든 심박수들 중에서 선택된다. 상기 심박수들에 대응된 측정 시각에 기초하여, 상기 측정 시각이 대상(subject)(즉, 사용자)의 휴지기 내에 있는 심박수들이 휴지기 심박수들로 선택된다.
상기 휴지기는 다양한 방식에 의해 결정될 수 있다.
예를 들어, 상기 휴지기는 상기 심박수 측정 디바이스(10) 또는 상기 사용자 단말기(20)에 내장되어 있는 모션 센서를 통해 사용자의 움직임이 기준값 이하인 구간으로 결정될 수 있다.
다른 예를 들어, 상기 휴지기는 상기 심박수 측정 디바이스(10) 또는 상기 사용자 단말기(20)에 내장되어 있는 다양한 센서들을 통해 사용자가 휴식 또는 수면 중이라고 판단된 구간으로 결정될 수 있다.
또 다른 예를 들어, 상기 휴지기는 상기 심박수 측정 디바이스(10) 또는 상기 사용자 단말기(20)를 통해 사용자가 직접 입력한 수면 기간(수면 시작 시각 및 수면 종료 시각)에 의해 결정될 수 있다.
대상일에 대응되는 구간 심박수들의 전처리(S120)
상기 대상일에 대응되는 구간 심박수들이 전처리될 수 있다(S120).
상기 대상일에 대응되는 구간 심박수들의 평균이 계산될 수 있다.
상기 대상일에 대응되는 구간 심박수들의 분포(distribution)에 관련된 다양한 지표들이 산출될 수 있다. 예를 들어, 상기 대상일에 대응되는 구간 심박수들의 표준편차(standard deviation)가 계산될 수 있다. 다른 예를 들어, 상기 대상일에 대응되는 구간 심박수들의 왜도(skewness)가 계산될 수 있다. 또 다른 예를 들어, 상기 대상일에 대응되는 구간 심박수들의 첨도(kurtosis)가 계산될 수 있다.
상기 대상일에 대응되는 구간 심박수들의 다양한 전처리 결과들 중 후술하는 예측모델의 학습에 사용된 입력값에 관련된 전처리 결과들만 획득될 수 있다. 예를 들어, 상기 예측모델의 학습에 대상일과 기준일에 대한 구간 심박수들의 평균값의 변화율 및 상대 표준편차의 변화량이 사용된 경우, 상기 대상일에 대응되는 구간 심박수들로부터 상기 대상일에 대응되는 구간 심박수들의 평균 및 표준편차만 획득될 수 있다. 다만, 예측모델의 학습에 사용된 입력값과 무관하게 전술한 모든 또는 일부의 전처리 결과들이 획득될 수도 있다.
기준일의 결정(S130)
*상기 대상에 대한 기준일이 결정될 수 있다(S130).
상기 기준일은 상기 대상이 호르몬 검사를 받은 적어도 하나 이상의 검사일 중에서 선택될 수 있다. 즉, 상기 기준일은 상기 대상의 과거 호르몬 검사일들 중에서 선택된다.
상기 기준일은 상기 대상의 호르몬 농도가 대응되어 저장된 적어도 하나 이상의 날들 중에서 선택될 수 있다. 즉, 상기 기준일은 상기 대상의 과거 호르몬 농도가 저장되어 있는 날들 중에서 선택될 수 있다.
상기 기준일은 오직 하나만 선택될 수 있으나, 이에 국한되지 않는다. 즉, 상기 기준일은 복수개가 선택될 수 있다.
복수의 검사일 혹은 복수의 호르몬 농도가 저장되어 있는 날들 중에서 오직 하나의 기준일이 선택되는 경우, 상기 기준일은 상기 대상일을 기준으로 가장 가까운 날로 결정될 수 있다.
기준일에 대응되는 호르몬 농도의 획득(S130)
상기 결정된 기준일에 대응되는 호르몬 농도가 획득될 수 있다.
상기 호르몬 농도는 T4의 농도, free T4의 농도, T3의 농도, free T3의 농도, TSH의 농도 및 TRH의 농도로 이루어진 그룹에서 선택된 하나 또는 이들의 조합일 수 있다.
상기 결정된 기준일에 대응되는 호르몬 농도들 중에서, 후술하는 예측모델의 학습에 사용된 호르몬 농도값들만 선택적으로 선택될 수 있다. 예를 들어, 결정된 기준일에 대응된 호르몬 농도가 T4의 농도, free T4의 농도, T3의 농도, free T3의 농도, TSH의 농도 및 TRH의 농도를 모두 포함하고 있을 때, 상기 예측모델의 학습에 free T4 및 TSH의 농도만 사용된 경우, free T3 및 TSH의 농도만 획득될 수 있다.
만약, 복수의 기준일이 결정된 경우, 복수의 기준일 각각에 대응되는 호르몬 농도가 획득될 수 있다.
기준일에 대응되는 구간 심박수들의 전처리 결과 획득(S140)
상기 기준일에 대응되는 구간 심박수들의 전처리가 이미 수행되었고, 그 전처리 결과가 저장되어 있는 경우, 상기 저장된 전처리 결과가 획득될 수 있다.
만약, 상기 기준일에 대응되는 구간 심박수들의 전처리가 아직 수행되지 않은 경우, 상기 기준일에 대응되는 구간 심박수들의 전처리가 수행될 수 있다.
상기 기준일에 대응되는 구간 심박수들의 획득 및 그에 대한 전처리는 전술한 대상일에 대응되는 구간 심박수들의 획득 및 그에 대한 전처리와 유사하기 때문에 여기서는 자세한 설명을 생략한다.
결과적으로, 상기 기준일에 대한 구간 심박수들의 전처리 결과는 상기 기준일에 대응되는 구간 심박수들의 평균 및 상기 기준일에 대응되는 구간 심박수들의 분포(distribution)에 관한 지표 중 적어도 하나를 포함할 수 있다. 이때, 상기 기준일에 대응되는 구간 심박수들의 분포에 관한 지표는 상기 대상일에 대응되는 구간 심박수들의 표준편차(standard deviation), 상기 대상일에 대응되는 구간 심박수들의 왜도(skewness) 및 상기 대상일에 대응되는 구간 심박수들의 첨도(kurtosis) 중 적어도 하나를 포함할 수 있다.
만약, 복수의 기준일이 결정된 경우, 복수의 기준일 각각에 대응되는 구간 심박수들의 전처리 결과가 획득될 수 있다.
한편, 상기 기준일에 대응되는 구간 심박수들의 다양한 전처리 결과들 중 후술하는 예측모델의 학습에 사용된 입력값에 관련된 전처리 결과들만 획득될 수 있다. 예를 들어, 상기 예측모델의 학습에 대상일과 기준일에 대한 구간 심박수들의 평균값의 변화율 및 상대 표준편차의 변화량이 사용된 경우, 상기 기준일에 대응되는 구간 심박수들로부터 상기 기준일에 대응되는 구간 심박수들의 평균 및 표준편차만 획득될 수 있다. 다만, 예측모델의 학습에 사용된 입력값과 무관하게 전술한 모든 또는 일부의 전처리 결과들이 획득될 수도 있다.
대상일의 구간 심박수들에 대한 전처리 결과와 기준일의 구간 심박수들에 대한 전처리 결과의 차이의 산출(S150)
대상일의 구간 심박수들에 대한 전처리 결과와 기준일의 구간 심박수들에 대한 전처리 결과의 차이는 다음 중 하나 또는 이들의 조합일 수 있다.
1) 대상일에 대응되는 구간 심박수들의 평균(대상일의 구간 평균 심박수)의기준일에 대응되는 구간 심박수들의 평균(기준일의 구간 평균 심박수)에 대한 변화량 (대상일의 구간 평균 심박수 - 기준일의 구간 평균 심박수)
2) 대상일에 대응되는 구간 심박수들의 평균(대상일의 구간 평균 심박수)의 기준일에 대응되는 구간 심박수들의 평균(기준일의 구간 평균 심박수)에 대한 변화율 ( (대상일의 구간 평균 심박수 - 기준일의 구간 평균 심박수) / 기준일의 구간 평균 심박수 )
*3) 대상일에 대응되는 구간 심박수들의 표준편차의 기준일에 대응되는 구간 심박수들의 표준편차에 대한 변화량 (대상일에 대응되는 구간 심박수들의 표준편차 - 기준일에 대응되는 구간 심박수들의 표준편차)
4) 대상일에 대응되는 구간 심박수들의 상대 표준편차의 기준일에 대응되는 구간 심박수들의 상대 표준편차에 대한 변화량 ( (대상일에 대응되는 구간 심박수들의 표준편차 / 대상일의 구간 평균 심박수) - (기준일에 대응되는 구간 심박수들의 표준편차 / 기준일의 구간 평균 심박수) )
5) 대상일에 대응되는 구간 심박수들의 왜도의 기준일에 대응되는 구간 심박수들의 왜도에 대한 변화량 (대상일에 대응되는 구간 심박수들의 왜도 - 기준일에 대응되는 구간 심박수들의 왜도)
6) 대상일에 대응되는 구간 심박수들의 첨도의 기준일에 대응되는 구간 심박수들의 첨도에 대한 변화량 (대상일에 대응되는 구간 심박수들의 첨도 - 기준일에 대응되는 구간 심박수들의 첨도)
7) 대상일에 대응되는 구간 심박수들의 분포(distribution)과 기준일에 대응되는 구간 심박수들의 분포(distribution) 사이의 JS divergence
만약, 복수의 기준일이 결정된 경우, 복수의 기준일 각각에 대한 전처리 결과의 차이들이 획득될 수 있다. 예를 들어, 제1 기준일과 대상일 사이에서 결정되는 제1 전처리 결과의 차이와 제2 기준일과 대상일 사이에서 결정되는 제2 전처리 결과의 차이가 획득될 수 있다.
한편, 상기 전처리 결과의 차이들 중 후술하는 예측모델의 학습에 사용된 입력값에 관련된 전처리 결과의 차이들만 획득될 수 있다. 예를 들어, 상기 예측모델의 학습에 대상일과 기준일에 대한 구간 심박수들의 평균값의 변화율 및 상대 표준편차의 변화량이 사용된 경우, 대상일에 대응되는 구간 심박수들의 평균(대상일의 구간 평균 심박수)의 기준일에 대응되는 구간 심박수들의 평균(기준일의 구간 평균 심박수)에 대한 변화율 및 대상일에 대응되는 구간 심박수들의 표준편차의 기준일에 대응되는 구간 심박수들의 표준편차에 대한 변화량만 획득될 수 있다. 다만, 예측모델의 학습에 사용된 입력값과 무관하게 전술한 모든 또는 일부의 전처리 결과의 차이들이 획득될 수도 있다.
조합값의 산출
본 출원에 의해 개시되는 몇몇 실시예들에 따르면, 변수들의 조합값이 산출될 수 있다.
제1 기준일에 제1 구간 평균 심박수, 제1 표준편차, 제1 왜도, 제1 첨도, 제1 TSH 호르몬 농도, 제1 free T4 농도, 제1 T4 농도, 제1 free T3 농도, 제1 T3 농도, 제1 TRH 농도 및 제1 기준일에 대한 갑상선기능이상증에 대한 진단결과가 대응되어 있고, 제2 기준일에 제2 구간 평균 심박수, 제2 표준편차, 제2 왜도, 제2 첨도, 제2 TSH 호르몬 농도, 제2 free T4 농도, 제2 T4 농도, 제2 free T3 농도, 제2 T3 농도, 제2 TRH 농도 및 제2 기준일에 대한 갑상선기능이상증에 대한 진단결과가 대응되어 있을 때, 상기 변수들은 다음과 같이 산출된다.
(1) 구간 평균 심박수 변화량 = 제1 기준일의 구간 평균 심박수 - 제2 기준일의 구간 평균 심박수,
(2) 구간 평균 심박수 변화율 = (제1 기준일의 구간 평균 심박수 - 제2 기준일의 구간 평균 심박수) / 제2 기준일의 구간 평균 심박수,
(3) 표준편차 변화량 = 제1 기준일의 구간 심박수들의 표준편차 - 제2 기준일의 구간심박수들의 표준편차,
(4) 상대 표준편차 변화량 = (제1 기준일의 구간 심박수들의 표준편차 / 제1 기준일의 구간 평균 심박수) - (제2 기준일의 구간심박수들의 표준편차 / 제2 기준일의 구간 평균 심박수),
(5) 구간 심박수의 왜도 변화량 = 제1 기준일의 구간 심박수들의 왜도 - 제2 기준일의 구간 심박수들의 왜도,
(6) 구간 심박수의 첨도 변화량 = 제1 기준일의 구간 심박수들의 첨도 - 제2 기준일의 구간 심박수들의 왜도,
(7) JS Divergence : 제1 기준일의 구간 심박수들과 제2 기준일의 구간 심박수들 사이에서 계산되는 JS Divergence,
(8) 제1 TSH 호르몬 농도,
(9) 제1 free T4 농도,
(10) 제1 T4 농도,
(11) 제1 free T3 농도,
(12) 제1 T3 농도,
(13) 제1 TRH 농도,
(14) 제2 TSH 호르몬 농도,
(15) 제2 free T4 농도,
(16) 제2 T4 농도,
(17) 제2 free T3 농도,
(18) 제2 T3 농도, 및
(19) 제2 TRH 농도
이때, 상기 변수들간의 조합값은 상기 변수들 중에서 선택되는 하나의 값(이하, 제1 값이라 함)과 상기 상기 변수들 중에서 선택되는 다른 하나의 값(이하, 제2 값이라 함)을 서로 곱한 값, 제1 값을 제2 값으로 나눈 값 및 제2 값을 제1 값으로 나눈 값 중 하나를 의미한다. 예를 들어, 상기 조합값은 제2 기준일의 free T4의 농도값을 JS Divergence로 나눈값일 수 있다.
대상일와 기준일의 차이(day gap)을 산출
본 출원에 의해 개시되는 몇몇 실시예들에 따르면, 상기 대상일과 상기 기준일 사이의 차이(day gap)가 획득될 수 있다.
사용자의 개인 정보 획득
본 출원에 의해 개시되는 몇몇 실시예들에 따르면, 대상(subject)의 개인 정보, 즉 사용자의 개인 정보가 획득될 수 있다.
갑상선기능이상 예측모델을 통한 갑상선기능이상증에 대한 예측결과 획득(S160)
갑상선기능항진증 예측모델을 통한 갑상선기능항진증에 대한 예측결과 획득
학습방법 실시예#1에서 설명한 바와 같이 학습된 갑상선기능항진증 예측모델에 상기 획득된 기준일의 호르몬 농도 및 상기 획득된 대상일에 대응되는 구간 심박수들의 평균(대상일의 구간 평균 심박수)의 기준일에 대응되는 구간 심박수들의 평균(기준일의 구간 평균 심박수)에 대한 변화량이 입력될 수 있으며, 그에 따라 대상이 갑상선기능항진증 인지 혹은 갑상선기능항진증이 아닌지에 대한 결과가 획득될 수 있다. 즉, 갑상선기능항진 여부에 대한 예측결과가 획득될 수 있다.
학습방법 실시예#2에서 설명한 바와 같이 학습된 갑상선기능항진증 예측모델에 상기 획득된 기준일의 호르몬 농도, 상기 획득된 대상일에 대응되는 구간 심박수들의 평균(대상일의 구간 평균 심박수)의 기준일에 대응되는 구간 심박수들의 평균(기준일의 구간 평균 심박수)에 대한 변화량 및 상기 대상일에 대응되는 구간 평균 심박수가 입력될 수 있으며, 그에 따라 대상이 갑상선기능항진증 인지 혹은 갑상선기능항진증이 아닌지에 대한 결과가 획득될 수 있다. 즉, 갑상선기능항진 여부에 대한 예측결과가 획득될 수 있다.
학습방법 실시예#3에서 설명한 바와 같이 학습된 갑상선기능항진증 예측모델에 상기 획득된 기준일의 호르몬 농도, 상기 획득된 대상일에 대응되는 구간 심박수들의 평균(대상일의 구간 평균 심박수)의 기준일에 대응되는 구간 심박수들의 평균(기준일의 구간 평균 심박수)에 대한 변화량 및 상기 대상일에 대응되는 구간 심박수들의 분포(distribution)에 관한 지표와 상기 기준일에 대응되는 구간 심박수들의 분포(distribution)에 관한 지표 사이의 차이가 입력될 수 있으며, 그에 따라 대상이 갑상선기능항진증 인지 혹은 갑상선기능항진증이 아닌지에 대한 결과가 획득될 수 있다. 즉, 갑상선기능항진 여부에 대한 예측결과가 획득될 수 있다. 이때, 상기 대상일에 대응되는 구간 심박수들의 분포에 관한 지표와 기준일에 대응되는 구간 심박수들의 분포에 관한 지표 사이의 차이는 다음에서 선택되는 하나 또는 이들의 조합일 수 있다.
1) 대상일에 대응되는 구간 심박수들의 표준편차의 기준일에 대응되는 구간 심박수들의 표준편차에 대한 변화량 (대상일에 대응되는 구간 심박수들의 표준편차 - 기준일에 대응되는 구간 심박수들의 표준편차)
2) 대상일에 대응되는 구간 심박수들의 왜도의 기준일에 대응되는 구간 심박수들의 왜도에 대한 변화량 (대상일에 대응되는 구간 심박수들의 왜도 - 기준일에 대응되는 구간 심박수들의 왜도)
3) 대상일에 대응되는 구간 심박수들의 첨도의 기준일에 대응되는 구간 심박수들의 첨도에 대한 변화량 (대상일에 대응되는 구간 심박수들의 첨도 - 기준일에 대응되는 구간 심박수들의 첨도)
4) 대상일에 대응되는 구간 심박수들의 분포(distribution)과 기준일에 대응되는 구간 심박수들의 분포(distribution) 사이의 JS divergence
학습방법 실시예#4에서 설명한 바와 같이 학습된 갑상선기능항진증 예측모델에 상기 획득된 기준일의 호르몬 농도 및 상기 획득된 대상일에 대응되는 구간 심박수들의 평균(대상일의 구간 평균 심박수)의 기준일에 대응되는 구간 심박수들의 평균(기준일의 구간 평균 심박수)에 대한 변화량, 상기 대상일에 대응되는 구간 심박수들의 평균, 및 상기 대상일에 대응되는 구간 심박수들의 분포(distribution)에 관한 지표와 상기 기준일에 대응되는 구간 심박수들의 분포(distribution)에 관한 지표 사이의 차이가 입력될 수 있으며, 그에 따라 대상이 갑상선기능항진증 인지 혹은 갑상선기능항진증이 아닌지에 대한 결과가 획득될 수 있다. 즉, 갑상선기능항진 여부에 대한 예측결과가 획득될 수 있다.
학습방법 실시예#5에서 설명한 바와 같이 학습된 갑상선기능항진증 예측모델에 상기 획득된 기준일의 호르몬 농도 및 상기 획득된 대상일에 대응되는 구간 심박수들의 평균(대상일의 구간 평균 심박수)의 기준일에 대응되는 구간 심박수들의 평균(기준일의 구간 평균 심박수)에 대한 변화율이 입력될 수 있으며, 그에 따라 대상이 갑상선기능항진증 인지 혹은 갑상선기능항진증이 아닌지에 대한 결과가 획득될 수 있다. 즉, 갑상선기능항진 여부에 대한 예측결과가 획득될 수 있다.
학습방법 실시예#6에서 설명한 바와 같이 학습된 갑상선기능항진증 예측모델에 상기 획득된 기준일의 호르몬 농도, 상기 획득된 대상일에 대응되는 구간 심박수들의 평균(대상일의 구간 평균 심박수)의 기준일에 대응되는 구간 심박수들의 평균(기준일의 구간 평균 심박수)에 대한 변화율 및 상기 대상일에 대응되는 구간 심박수들의 평균이 입력될 수 있으며, 그에 따라 대상이 갑상선기능항진증 인지 혹은 갑상선기능항진증이 아닌지에 대한 결과가 획득될 수 있다. 즉, 갑상선기능항진 여부에 대한 예측결과가 획득될 수 있다.
학습방법 실시예#7에서 설명한 바와 같이 학습된 갑상선기능항진증 예측모델에 상기 획득된 기준일의 호르몬 농도, 상기 획득된 대상일에 대응되는 구간 심박수들의 평균(대상일의 구간 평균 심박수)의 기준일에 대응되는 구간 심박수들의 평균(기준일의 구간 평균 심박수)에 대한 변화율, 및 대상일에 대응되는 구간 심박수들의 분포(distribution)에 관한 지표와 기준일에 대응되는 구간 심박수들의 분포(distribution)에 관한 지표 사이의 차이가 입력될 수 있으며, 그에 따라 대상이 갑상선기능항진증 인지 혹은 갑상선기능항진증이 아닌지에 대한 결과가 획득될 수 있다. 즉, 갑상선기능항진 여부에 대한 예측결과가 획득될 수 있다. 이때, 상기 대상일에 대응되는 구간 심박수들의 분포에 관한 지표와 기준일에 대응되는 구간 심박수들의 분포에 관한 지표 사이의 차이는 다음에서 선택되는 하나 또는 이들의 조합일 수 있다.
1) 대상일에 대응되는 구간 심박수들의 상대 표준편차의 기준일에 대응되는 구간 심박수들의 상대 표준편차에 대한 변화량 ( (대상일에 대응되는 구간 심박수들의 표준편차 / 대상일의 구간 평균 심박수) - (기준일에 대응되는 구간 심박수들의 표준편차 / 기준일의 구간 평균 심박수) )
2) 대상일에 대응되는 구간 심박수들의 왜도의 기준일에 대응되는 구간 심박수들의 왜도에 대한 변화량 (대상일에 대응되는 구간 심박수들의 왜도 - 기준일에 대응되는 구간 심박수들의 왜도)
3) 대상일에 대응되는 구간 심박수들의 첨도의 기준일에 대응되는 구간 심박수들의 첨도에 대한 변화량 (대상일에 대응되는 구간 심박수들의 첨도 - 기준일에 대응되는 구간 심박수들의 첨도)
4) 대상일에 대응되는 구간 심박수들의 분포(distribution)과 기준일에 대응되는 구간 심박수들의 분포(distribution) 사이의 JS divergence
학습방법 실시예#8에서 설명한 바와 같이 학습된 갑상선기능항진증 예측모델에 상기 획득된 기준일의 호르몬 농도, 상기 획득된 대상일에 대응되는 구간 심박수들의 평균(대상일의 구간 평균 심박수)의 기준일에 대응되는 구간 심박수들의 평균(기준일의 구간 평균 심박수)에 대한 변화율, 상기 대상일에 대응되는 구간 심박수들의 평균 및 대상일에 대응되는 구간 심박수들의 분포(distribution)에 관한 지표와 기준일에 대응되는 구간 심박수들의 분포(distribution)에 관한 지표 사이의 차이가 입력될 수 있으며, 그에 따라 대상이 갑상선기능항진증 인지 혹은 갑상선기능항진증이 아닌지에 대한 결과가 획득될 수 있다. 즉, 갑상선기능항진 여부에 대한 예측결과가 획득될 수 있다. 이때, 상기 대상일에 대응되는 구간 심박수들의 분포에 관한 지표와 기준일에 대응되는 구간 심박수들의 분포에 관한 지표 사이의 차이는 다음에서 선택되는 하나 또는 이들의 조합일 수 있다.
1) 대상일에 대응되는 구간 심박수들의 상대 표준편차의 기준일에 대응되는 구간 심박수들의 상대 표준편차에 대한 변화량 ( (대상일에 대응되는 구간 심박수들의 표준편차 / 대상일의 구간 평균 심박수) - (기준일에 대응되는 구간 심박수들의 표준편차 / 기준일의 구간 평균 심박수) )
2) 대상일에 대응되는 구간 심박수들의 왜도의 기준일에 대응되는 구간 심박수들의 왜도에 대한 변화량 (대상일에 대응되는 구간 심박수들의 왜도 - 기준일에 대응되는 구간 심박수들의 왜도)
3) 대상일에 대응되는 구간 심박수들의 첨도의 기준일에 대응되는 구간 심박수들의 첨도에 대한 변화량 (대상일에 대응되는 구간 심박수들의 첨도 - 기준일에 대응되는 구간 심박수들의 첨도)
4) 대상일에 대응되는 구간 심박수들의 분포(distribution)과 기준일에 대응되는 구간 심박수들의 분포(distribution) 사이의 JS divergence
학습방법 실시예#9에서 설명한 바와 같이 학습된 갑상선기능항진증 예측모델에 상기 획득된 기준일의 호르몬 농도, 상기 획득된 대상일에 대응되는 구간 심박수들의 평균(대상일의 구간 평균 심박수)의 기준일에 대응되는 구간 심박수들의 평균(기준일의 구간 평균 심박수)에 대한 변화율(또는 변화량), 대상일에 대응되는 구간 심박수들의 분포(distribution)에 관한 지표와 기준일에 대응되는 구간 심박수들의 분포(distribution)에 관한 지표 사이의 차이 및 상기 대상일과 상기 기준일 사이의 차이(day gap)이 입력될 수 있으며, 그에 따라 대상이 갑상선기능항진증 인지 혹은 갑상선기능항진증이 아닌지에 대한 결과가 획득될 수 있다. 즉, 갑상선기능항진 여부에 대한 예측결과가 획득될 수 있다. 이때, 상기 대상일에 대응되는 구간 심박수들의 분포에 관한 지표와 기준일에 대응되는 구간 심박수들의 분포에 관한 지표 사이의 차이는 다음에서 선택되는 하나 또는 이들의 조합일 수 있다.
1) 대상일에 대응되는 구간 심박수들의 표준편차의 기준일에 대응되는 구간 심박수들의 표준편차에 대한 변화량 (대상일에 대응되는 구간 심박수들의 표준편차 - 기준일에 대응되는 구간 심박수들의 표준편차)
2) 대상일에 대응되는 구간 심박수들의 상대 표준편차의 기준일에 대응되는 구간 심박수들의 상대 표준편차에 대한 변화량 ( (대상일에 대응되는 구간 심박수들의 표준편차 / 대상일의 구간 평균 심박수) - (기준일에 대응되는 구간 심박수들의 표준편차 / 기준일의 구간 평균 심박수) )
3) 대상일에 대응되는 구간 심박수들의 왜도의 기준일에 대응되는 구간 심박수들의 왜도에 대한 변화량 (대상일에 대응되는 구간 심박수들의 왜도 - 기준일에 대응되는 구간 심박수들의 왜도)
4) 대상일에 대응되는 구간 심박수들의 첨도의 기준일에 대응되는 구간 심박수들의 첨도에 대한 변화량 (대상일에 대응되는 구간 심박수들의 첨도 - 기준일에 대응되는 구간 심박수들의 첨도)
5) 대상일에 대응되는 구간 심박수들의 분포(distribution)과 기준일에 대응되는 구간 심박수들의 분포(distribution) 사이의 JS divergence
학습방법 실시예#10에서 설명한 바와 같이 학습된 갑상선기능항진증 예측모델에 상기 획득된 기준일의 호르몬 농도, 상기 획득된 대상일에 대응되는 구간 심박수들의 평균(대상일의 구간 평균 심박수)의 기준일에 대응되는 구간 심박수들의 평균(기준일의 구간 평균 심박수)에 대한 변화율(또는 변화량), 대상일에 대응되는 구간 심박수들의 분포(distribution)에 관한 지표와 기준일에 대응되는 구간 심박수들의 분포(distribution)에 관한 지표 사이의 차이 및 변수들 간의 조합값이 입력될 수 있으며, 그에 따라 대상이 갑상선기능항진증 인지 혹은 갑상선기능항진증이 아닌지에 대한 결과가 획득될 수 있다. 즉, 갑상선기능항진 여부에 대한 예측결과가 획득될 수 있다.
이때, 상기 대상일에 대응되는 구간 심박수들의 분포에 관한 지표와 기준일에 대응되는 구간 심박수들의 분포에 관한 지표 사이의 차이는 다음에서 선택되는 하나 또는 이들의 조합일 수 있다.
1) 대상일에 대응되는 구간 심박수들의 표준편차의 기준일에 대응되는 구간 심박수들의 표준편차에 대한 변화량 (대상일에 대응되는 구간 심박수들의 표준편차 - 기준일에 대응되는 구간 심박수들의 표준편차)
2) 대상일에 대응되는 구간 심박수들의 상대 표준편차의 기준일에 대응되는 구간 심박수들의 상대 표준편차에 대한 변화량 ( (대상일에 대응되는 구간 심박수들의 표준편차 / 대상일의 구간 평균 심박수) - (기준일에 대응되는 구간 심박수들의 표준편차 / 기준일의 구간 평균 심박수) )
3) 대상일에 대응되는 구간 심박수들의 왜도의 기준일에 대응되는 구간 심박수들의 왜도에 대한 변화량 (대상일에 대응되는 구간 심박수들의 왜도 - 기준일에 대응되는 구간 심박수들의 왜도)
4) 대상일에 대응되는 구간 심박수들의 첨도의 기준일에 대응되는 구간 심박수들의 첨도에 대한 변화량 (대상일에 대응되는 구간 심박수들의 첨도 - 기준일에 대응되는 구간 심박수들의 첨도)
5) 대상일에 대응되는 구간 심박수들의 분포(distribution)과 기준일에 대응되는 구간 심박수들의 분포(distribution) 사이의 JS divergence
한편, 변수들 간의 조합값은 학습방법 실시예#10에서 자세히 설명한 바 있으므로, 여기서는 자세한 설명을 생략한다.
학습방법 실시예#11에서 설명한 바와 같이 학습된 갑상선기능항진증 예측모델에 다음과 같은 값들이 입력될 수 있으며, 그에 따라 갑상선기능항진증 인지 혹은 갑상선기능항진증이 아닌지에 대한 결과가 획득될 수 있다. 즉, 갑상선기능항진 여부에 대한 예측결과가 획득될 수 있다.
(1) 상기 획득된 기준일의 호르몬 농도, 상기 획득된 대상일에 대응되는 구간 심박수들의 평균(대상일의 구간 평균 심박수)의 기준일에 대응되는 구간 심박수들의 평균(기준일의 구간 평균 심박수)에 대한 변화량 및 상기 대상의 나이 및/또는 성별
(2) 상기 획득된 기준일의 호르몬 농도, 상기 획득된 대상일에 대응되는 구간 심박수들의 평균(대상일의 구간 평균 심박수)의 기준일에 대응되는 구간 심박수들의 평균(기준일의 구간 평균 심박수)에 대한 변화량, 상기 대상일에 대응되는 구간 평균 심박수 및 상기 대상의 나이 및/또는 성별
(3) 상기 획득된 기준일의 호르몬 농도, 상기 획득된 대상일에 대응되는 구간 심박수들의 평균(대상일의 구간 평균 심박수)의 기준일에 대응되는 구간 심박수들의 평균(기준일의 구간 평균 심박수)에 대한 변화량, 상기 대상일에 대응되는 구간 심박수들의 분포(distribution)에 관한 지표와 상기 기준일에 대응되는 구간 심박수들의 분포(distribution)에 관한 지표 사이의 차이 및 상기 대상의 나이 및/또는 성별
(4) 상기 획득된 기준일의 호르몬 농도 및 상기 획득된 대상일에 대응되는 구간 심박수들의 평균(대상일의 구간 평균 심박수)의 기준일에 대응되는 구간 심박수들의 평균(기준일의 구간 평균 심박수)에 대한 변화량, 상기 대상일에 대응되는 구간 심박수들의 평균, 상기 대상일에 대응되는 구간 심박수들의 분포(distribution)에 관한 지표와 상기 기준일에 대응되는 구간 심박수들의 분포(distribution)에 관한 지표 사이의 차이 및 상기 대상의 나이 및/또는 성별
(5) 상기 획득된 기준일의 호르몬 농도, 상기 획득된 대상일에 대응되는 구간 심박수들의 평균(대상일의 구간 평균 심박수)의 기준일에 대응되는 구간 심박수들의 평균(기준일의 구간 평균 심박수)에 대한 변화율 및 상기 대상의 나이 및/또는 성별
(6) 상기 획득된 기준일의 호르몬 농도, 상기 획득된 대상일에 대응되는 구간 심박수들의 평균(대상일의 구간 평균 심박수)의 기준일에 대응되는 구간 심박수들의 평균(기준일의 구간 평균 심박수)에 대한 변화율, 상기 대상일에 대응되는 구간 심박수들의 평균 및 상기 대상의 나이 및/또는 성별
(7) 상기 획득된 기준일의 호르몬 농도, 상기 획득된 대상일에 대응되는 구간 심박수들의 평균(대상일의 구간 평균 심박수)의 기준일에 대응되는 구간 심박수들의 평균(기준일의 구간 평균 심박수)에 대한 변화율, 대상일에 대응되는 구간 심박수들의 분포(distribution)에 관한 지표와 기준일에 대응되는 구간 심박수들의 분포(distribution)에 관한 지표 사이의 차이 및 상기 대상의 나이 및/또는 성별
(8) 상기 획득된 기준일의 호르몬 농도, 상기 획득된 대상일에 대응되는 구간 심박수들의 평균(대상일의 구간 평균 심박수)의 기준일에 대응되는 구간 심박수들의 평균(기준일의 구간 평균 심박수)에 대한 변화율, 상기 대상일에 대응되는 구간 심박수들의 평균, 대상일에 대응되는 구간 심박수들의 분포(distribution)에 관한 지표와 기준일에 대응되는 구간 심박수들의 분포(distribution)에 관한 지표 사이의 차이 및 상기 대상의 나이 및/또는 성별
(9) 상기 획득된 기준일의 호르몬 농도, 상기 획득된 대상일에 대응되는 구간 심박수들의 평균(대상일의 구간 평균 심박수)의 기준일에 대응되는 구간 심박수들의 평균(기준일의 구간 평균 심박수)에 대한 변화율(또는 변화량), 대상일에 대응되는 구간 심박수들의 분포(distribution)에 관한 지표와 기준일에 대응되는 구간 심박수들의 분포(distribution)에 관한 지표 사이의 차이, 상기 대상일과 상기 기준일 사이의 차이(day gap) 및 상기 대상의 나이 및/또는 성별
(10) 상기 획득된 기준일의 호르몬 농도, 상기 획득된 대상일에 대응되는 구간 심박수들의 평균(대상일의 구간 평균 심박수)의 기준일에 대응되는 구간 심박수들의 평균(기준일의 구간 평균 심박수)에 대한 변화율(또는 변화량), 대상일에 대응되는 구간 심박수들의 분포(distribution)에 관한 지표와 기준일에 대응되는 구간 심박수들의 분포(distribution)에 관한 지표 사이의 차이, 변수들 간의 조합값 및 상기 대상의 나이 및/또는 성별
갑상선기능저하증 예측모델을 통한 갑상선기능저하증에 대한 예측결과 획득
갑상선기능항진증 예측모델을 통한 갑상선기능항진증에 대한 예측결과 획득에 설명한 바와 유사하게, 갑상선기능저하증 예측모델을 통해 갑상선기능저항증에 대한 예측결과를 획득할 수 있다. 이에 대한 자세한 설명은 생략한다.
갑상선기능이상증에 대한 예측결과의 획득
상기 갑상선기능항진증에 대한 예측결과와 상기 갑상성기능저하증에 대한 예측결과를 종합하여 대상의 갑상선기능이상증에 대한 예측 결과가 획득된다.
갑상선기능항진증에 대한 예측결과(A)와 갑상선기능저하증에 대한 예측결과(B)를 고려한 갑상선기능이상증에 대한 예측 결과는 다음의 [표2]와 같이 획득될 수 있다.
| A | B | 갑상선기능이상증 예측 결과 |
| 갑상선기능항진증 | 갑상성기능저하증 | 갑상선기능항진증 또는 갑상선기능저하증 |
| 갑상선기능항진증아님 | 갑상성기능저하증아님 | 정상 |
| 갑상선기능항진증 | 갑상성기능저하증아님 | 갑상선기능항진증 |
| 갑상선기능항진증아님 | 갑상성기능저하증 | 갑상성기능저하증 |
한편, 갑상선기능항진증에 대한 예측결과가 갑상선기능항진증으로 나오고, 갑상선기능저하증에 대한 예측결과도 갑상선기능저하증으로 나온 경우, 갑상선기능항진증 예측모델의 출력값(확률값)과 갑상선기능저하증 예측모델의 출력값(확률값)을 비교하여, 보다 더 높은 확률값을 출력한 결과가 최종적인 갑상선기능이상증에 대한 결과로 채택될 수 있다.전술한 트리거 신호를 획득함(S100), 상기 트리거 신호에 의해 결정되는 대상일에 대응되는 구간 심박수들을 획득함(S110), 상기 대상일에 대응되는 상기 구간 심박수들을 전처리함(S120), 기준일에 대응되는 호르몬 농도를 획득함(S130), 상기 기준일에 대응되는 구간 심박수들에 대한 전처리 결과를 획득함(S140), 상기 대상일에 대응되는 구간 심박수들의 전처리 결과와 상기 기준일에 대응되는 구간 심박수들에 대한 전처리 결과의 차이를 획득함(S150), 상기 획득된 차이 및 상기 기준일에 대응되는 호르몬 농도를 갑상선기능이상 예측모델을 이용하여 처리하고 상기 대상에 대한 갑상선기능이상증에 대한 결과를 획득함(S160)은 모두 상기 심박수 측정 디바이스(10)에 의해 수행될 수 있다.
전술한 트리거 신호를 획득함(S100), 상기 트리거 신호에 의해 결정되는 대상일에 대응되는 구간 심박수들을 획득함(S110), 상기 대상일에 대응되는 상기 구간 심박수들을 전처리함(S120), 기준일에 대응되는 호르몬 농도를 획득함(S130), 상기 기준일에 대응되는 구간 심박수들에 대한 전처리 결과를 획득함(S140), 상기 대상일에 대응되는 구간 심박수들의 전처리 결과와 상기 기준일에 대응되는 구간 심박수들에 대한 전처리 결과의 차이를 획득함(S150), 상기 획득된 차이 및 상기 기준일에 대응되는 호르몬 농도를 갑상선기능이상 예측모델을 이용하여 처리하고 상기 대상에 대한 갑상선기능이상증에 대한 결과를 획득함(S160)은 모두 상기 사용자 단말기(20)에 의해 수행될 수 있다.
전술한 트리거 신호를 획득함(S100), 상기 트리거 신호에 의해 결정되는 대상일에 대응되는 구간 심박수들을 획득함(S110), 상기 대상일에 대응되는 상기 구간 심박수들을 전처리함(S120), 기준일에 대응되는 호르몬 농도를 획득함(S130), 상기 기준일에 대응되는 구간 심박수들에 대한 전처리 결과를 획득함(S140), 상기 대상일에 대응되는 구간 심박수들의 전처리 결과와 상기 기준일에 대응되는 구간 심박수들에 대한 전처리 결과의 차이를 획득함(S150), 상기 획득된 차이 및 상기 기준일에 대응되는 호르몬 농도를 갑상선기능이상 예측모델을 이용하여 처리하고 상기 대상에 대한 갑상선기능이상증에 대한 결과를 획득함(S160)은 모두 상기 서버(30)에 의해 수행될 수 있다.
전술한 트리거 신호를 획득함(S100), 상기 트리거 신호에 의해 결정되는 대상일에 대응되는 구간 심박수들을 획득함(S110), 상기 대상일에 대응되는 상기 구간 심박수들을 전처리함(S120), 기준일에 대응되는 호르몬 농도를 획득함(S130), 상기 기준일에 대응되는 구간 심박수들에 대한 전처리 결과를 획득함(S140), 상기 대상일에 대응되는 구간 심박수들의 전처리 결과와 상기 기준일에 대응되는 구간 심박수들에 대한 전처리 결과의 차이를 획득함(S150), 상기 획득된 차이 및 상기 기준일에 대응되는 호르몬 농도를 갑상선기능이상 예측모델을 이용하여 처리하고 상기 대상에 대한 갑상선기능이상증에 대한 결과를 획득함(S160)은 상기 심박수 측정 디바이스(10), 상기 사용자 단말기(20) 및 상기 서버(30)에 의해 적절히 분산되어 수행될 수 있다.
예를 들어, 트리거 신호를 획득함(S100), 상기 트리거 신호에 의해 결정되는 대상일에 대응되는 구간 심박수들을 획득함(S110), 상기 대상일에 대응되는 상기 구간 심박수들을 전처리함(S120)은 상기 사용자 단말기(20)에 의해 수행되고, 기준일에 대응되는 호르몬 농도를 획득함(S130), 상기 기준일에 대응되는 구간 심박수들에 대한 전처리 결과를 획득함(S140), 상기 대상일에 대응되는 구간 심박수들의 전처리 결과와 상기 기준일에 대응되는 구간 심박수들에 대한 전처리 결과의 차이를 획득함(S150), 상기 획득된 차이 및 상기 기준일에 대응되는 호르몬 농도를 갑상선기능이상 예측모델을 이용하여 처리하고 상기 대상에 대한 갑상선기능이상증에 대한 결과를 획득함(S160)은 상기 서버(30)에 의해 수행될 수 있다.
다른 예를 들어, 트리거 신호를 획득함(S100)은 상기 사용자 단말기(20)에 의해 수행되고, 상기 트리거 신호에 의해 결정되는 대상일에 대응되는 구간 심박수들을 획득함(S110), 상기 대상일에 대응되는 상기 구간 심박수들을 전처리함(S120), 기준일에 대응되는 호르몬 농도를 획득함(S130), 상기 기준일에 대응되는 구간 심박수들에 대한 전처리 결과를 획득함(S140), 상기 대상일에 대응되는 구간 심박수들의 전처리 결과와 상기 기준일에 대응되는 구간 심박수들에 대한 전처리 결과의 차이를 획득함(S150), 상기 획득된 차이 및 상기 기준일에 대응되는 호르몬 농도를 갑상선기능이상 예측모델을 이용하여 처리하고 상기 대상에 대한 갑상선기능이상증에 대한 결과를 획득함(S160)은 상기 서버(30)에 의해 수행될 수 있다.
다만, 전술한 분산 수행의 형태에 국한되지 않고, 더 다양한 형태로 분산 수행될 수 있다.
5. 실험예
이하에서는, 본 출원에 의해 개시되는 갑상선기능이상증 예측모델을 학습시킨 실험예들과 그에 대한 정확도 등을 분석한 결과를 설명한다.
이하에서 설명하는 실험예들 및 비교예들에 사용된 임상 데이터는 전술한 방법에 의해 수집을 하였으며, 총 297명의 환자를 대상으로 수집한 총 1,027개의 임상 데이터 세트들이 활용되었고, 이 중 호르몬 농도에 대한 진단 결과 " 갑상선기능항진증"으로 분류된 임상 데이터 세트들은 총 168개, "정상"으로 분류된 임상 데이터 세트들은 총 801개, "갑상선기능저하증"으로 분류된 임상 데이터 세트들은 총 58개였다.
(1) 비교예#1 - 정상 기준일에 대한 심박수 차이 - 라벨링
학습 데이터 세트들의 준비
본 출원에 의해 개시되는 다양한 실시예들의 실험 결과와 비교하기 위한 비교예에 따른 예측모델을 학습시키기 위하여, 다음과 같은 방식으로 학습 데이터 세트가 준비되었다.
환자들 각각에 대하여, 진단결과가 정상이 아닌 검사일에 대응되는 구간 평균 심박수에서 진단결과가 정상인 검사일에 대응되는 구간 평균 심박수를 뺀 값이 입력값(예를 들어, 구간 평균 심박수의 변화량)으로 사용되었고, 상기 진단결과가 정상이 아닌 검사일에 대응되어 있는 진단 결과(항진 또는 저하)가 라벨링값으로 사용되었다. 그리고, 진단결과가 정상인 검사일이 둘 이상인 경우, 하나의 검사일(정상인 검사일)에 대응되는 구간 평균 심박수에서 다른 하나의 검사일(정상인 다른 검사일)에 대응되는 구간 평균 심박수를 뺀 값이 입력값으로 사용되었고, 항진아님 또는 저하아님이 라벨링값으로 사용되었다.
이때, 상기 검사일에 대응되는 구간 평균 심박수는 상기 검사일을 기준으로 10일간의 휴지기 심박수들을 획득하고, 상기 획득된 휴지기 심박수들의 평균을 산출하였다.
이때, 서로 다른 환자들의 임상 데이터들 사이의 "차이"를 이용하여 학습 데이터 세트가 생성되지는 않았으며, 한 명의 환자로부터 획득된 임상 데이터 세트들을 이용하여 학습 데이터 세트가 생성되었다.
이 때, 학습에 활용된 임상 데이터들은 157명의 환자로부터 확보한 495개의데이터들이 활용되었으며, 이로부터 생성된 학습 데이터 세트들의 개수는 총 1,199개였다.
갑상선기능항진증 예측모델의 학습
Light gradient boosting machine을 이용하여, 전술한 학습 데이터 세트들을 이용하여 갑상선기능항진증 예측모델이 학습되었다.
갑상선기능항진증 예측모델의 테스트
학습된 예측 모델의 정확도를 판단하기 위하여 사용된 테스트 데이터 세트들은 총 121명의 환자로부터 확보된 437개의 임상 데이터들로부터 생성되었으며, 총 1,138개의 테스트 데이터 세트들이 생성되었다.
비교예#1에 따르는 갑상선기능항진증 예측모델의 정확도, 민감도, 특이도, PPV (Positive Predictive Value), NPV (Negative Predictive Value)는 다음의 [표3]와 같다.
| 정확도 | 민감도 | 특이도 | PPV | NPV | |
| 비교예#1 | 71.62 | 60.66 | 73.43 | 27.01 | 92.00 |
(2) 실험예#1 - 심박수 차이 + 호르몬수치 (vs 비교예 #1)
학습 데이터 세트들의 준비
총 171명의 환자를 대상으로 수집한 총 563개의 임상 데이터 세트들이 사용되었다.
전술한 학습방법 실시예#1에 기재한 갑상선기능항진증 예측 모델의 학습 방법에 따라 모델이 학습되었다. 즉, [(제1 검사일에 대응되는 구간 평균 심박수 - 제2 검사일에 대응되는 구간 평균 심박수), 제2 검사일에 대응되는 갑상선 호르몬 농도, 제1 검사일에 대응되는 진단결과(항진 또는 항진아님)]와 같은 포맷의 학습 데이터 세트들이 생성되었고, 이 학습 데이터 세트들이 모델을 학습시키는 데에 사용되었다.
이때, 상기 검사일에 대응되는 구간 평균 심박수는 상기 검사일을 기준으로 10일간의 휴지기 심박수들을 획득하고, 상기 획득된 휴지기 심박수들의 평균을 산출하였다.
그리고, 사용된 호르몬 수치는 free T4의 농도만 사용하거나 또는 free T4 및 TSH 농도 모두 사용하는 방식을 함께 사용하였다.
이때, 서로 다른 환자들의 임상 데이터들 사이의 "차이"를 이용하여 학습 데이터 세트가 생성되지는 않았으며, 한 명의 환자로부터 획득된 임상 데이터 세트들을 이용하여 학습 데이터 세트가 생성되었다.
이 때, 학습에 활용된 임상 데이터들은 171명의 환자로부터 확보한 563개의데이터들이 활용되었으며, 이로부터 생성된 학습 데이터 세트들의 개수는 총 1,542개였다.
갑상선기능항진증 예측모델의 학습
Light gradient boosting machine을 이용하여, 전술한 학습 데이터 세트들을 이용하여 갑상선기능항진증 예측모델이 학습되었다.
갑상선기능항진증 예측모델의 테스트
학습된 예측 모델의 정확도를 판단하기 위하여 사용된 테스트 데이터 세트들은 총 126명의 환자로부터 확보된 464개의 임상 데이터들로부터 생성되었으며, 총 1,416개의 테스트 데이터 세트들이 생성되었다.
실험예#1에 따라 학습된 갑상선기능항진증 예측모델의 정확도의 테스트는 전술한 테스트 세트들을 이용하여 진행되었다.
실험예#1에 따르는 갑상선기능항진증 예측모델의 정확도, 민감도, 특이도, PPV (Positive Predictive Value), NPV (Negative Predictive Value)는 다음의 [표4]와 같다.
| 정확도 | 민감도 | 특이도 | PPV | NPV | |
| free T4 | 82.33 | 78.38 | 83.08 | 46.77 | 95.29 |
| free T4 + TSH | 82.54 | 86.49 | 81.79 | 47.41 | 96.96 |
본 출원의 발명자들은, 비교예#1과 같이 호르몬 수치가 "정상"인 때를 기준일로 결정하고, 해당 기준일과 분석 대상일 사이의 구간 평균 심박수 간의 차이를 활용하지 않고, "정상"인지 "갑상선기능항진증"인지 여부와 무관하게 기준일을 결정하고, 해당 기준일에 대응되는 호르몬 농도와 함께 기준일과 분석 대상일 사이의 구간 평균 심박수 간의 차이를 활용하여도 "갑상선기능항진증"인지 여부를 충분히 예측할 수 있다는 것을 알 수 있었으며, 오히려 정확도와 민감도 등의 결과가 훨씬 더 높아지는 것을 알 수 있었다.이로써, 동일한 수준의 임상 데이터로부터 보다 더 많은 학습 데이터 세트를 얻을 수 있게 되었을 뿐만 아니라, 보다 더 정확하게 갑상선기능이상증을 예측할 수 있는 예측모델을 확보할 수 있게 되었다.
(3) 실험예#2 - 심박수 차이 + 현재 심박수 + 호르몬수치
*학습 데이터 세트들의 준비
총 171명의 환자를 대상으로 수집한 총 563개의 임상 데이터 세트들이 사용되었다.
전술한 학습방법 실시예#2에 기재한 갑상선기능항진증 예측 모델의 학습 방법에 따라 모델이 학습되었다. 즉, [(제1 검사일에 대응되는 구간 평균 심박수 - 제2 검사일에 대응되는 구간 평균 심박수), 제1 검사일에 대응되는 구간 평균 심박수, 제2 검사일에 대응되는 갑상선 호르몬 농도, 제1 검사일에 대응되는 진단결과(항진 또는 항진아님)]와 같은 포맷의 학습 데이터 세트들이 생성되었고, 이 학습 데이터 세트들이 모델을 학습시키는 데에 사용되었다.
이때, 상기 검사일에 대응되는 구간 평균 심박수는 상기 검사일을 기준으로 10일간의 휴지기 심박수들을 획득하고, 상기 획득된 휴지기 심박수들의 평균을 산출하였다.
그리고, 사용된 호르몬 수치는 free T4의 농도만 사용하거나 또는 free T4 및 TSH 농도 모두 사용하는 방식을 함께 사용하였다.
이때, 서로 다른 환자들의 임상 데이터들 사이의 "차이"를 이용하여 학습 데이터 세트가 생성되지는 않았으며, 한 명의 환자로부터 획득된 임상 데이터 세트들을 이용하여 학습 데이터 세트가 생성되었다.
이 때, 학습에 활용된 임상 데이터들은 171명의 환자로부터 확보한 563개의데이터들이 활용되었으며, 이로부터 생성된 학습 데이터 세트들의 개수는 총 1,542개였다.
갑상선기능항진증 예측모델의 학습
Light gradient boosting machine을 이용하여, 전술한 학습 데이터 세트들을 이용하여 갑상선기능항진증 예측모델이 학습되었다.
갑상선기능항진증 예측모델의 테스트
학습된 예측 모델의 정확도를 판단하기 위하여 사용된 테스트 데이터 세트들은 총 126명의 환자로부터 확보된 464개의 임상 데이터들로부터 생성되었으며, 총 1,416개의 테스트 데이터 세트들이 생성되었다.
실험예#2에 따라 학습된 갑상선기능항진증 예측모델의 정확도의 테스트는 전술한 테스트 세트들을 이용하여 진행되었다.
실험예#2에 따르는 갑상선기능항진증 예측모델의 정확도, 민감도, 특이도, PPV (Positive Predictive Value), NPV (Negative Predictive Value)는 다음의 [표5]와 같다.
| 정확도 | 민감도 | 특이도 | PPV | NPV | |
| free T4 | 83.62 | 71.62 | 85.90 | 49.07 | 94.10 |
| free T4 + TSH | 85.34 | 74.32 | 87.44 | 52.88 | 94.72 |
본 출원의 발명자들은, 갑상선기능항진증을 예측함에 있어서, 구간 평균 심박수의 변화량에 더하여 대상일의 구간 평균 심박수(현재의 구간 평균 심박수)를 입력값으로 더 활용하는 경우, 정확도가 조금 더 상승하는 것을 알 수 있었다.(4) 실험예#3 - 심박수 차이 + 호르몬수치 + 표준편차
학습 데이터 세트들의 준비
총 171명의 환자를 대상으로 수집한 총 563개의 임상 데이터 세트들이 사용되었다.
전술한 학습방법 실시예#3에 기재한 갑상선기능항진증 예측 모델의 학습 방법에 따라 모델이 학습되었다. 즉, [(제1 검사일에 대응되는 구간 평균 심박수 - 제2 검사일에 대응되는 구간 평균 심박수), (제1 검사일에 대응되는 구간 심박수들의 표준편차 - 제2 검사일에 대응되는 구간 심박수들의 표준편차), 제2 검사일에 대응되는 갑상선 호르몬 농도, 제1 검사일에 대응되는 진단결과(항진 또는 항진아님)]와 같은 포맷의 학습 데이터 세트들이 생성되었고, 이 학습 데이터 세트들이 모델을 학습시키는 데에 사용되었다.
이때, 상기 검사일에 대응되는 구간 평균 심박수는 상기 검사일을 기준으로 10일간의 휴지기 심박수들을 획득하고, 상기 획득된 휴지기 심박수들의 평균을 산출하였다.
그리고, 사용된 호르몬 수치는 free T4 및 TSH 농도를 모두 입력값으로 사용하였다.
이때, 서로 다른 환자들의 임상 데이터들 사이의 "차이"를 이용하여 학습 데이터 세트가 생성되지는 않았으며, 한 명의 환자로부터 획득된 임상 데이터 세트들을 이용하여 학습 데이터 세트가 생성되었다.
이 때, 학습에 활용된 임상 데이터들은 171명의 환자로부터 확보한 563개의데이터들이 활용되었으며, 이로부터 생성된 학습 데이터 세트들의 개수는 총 1,542개였다.
갑상선기능항진증 예측모델의 학습
Light gradient boosting machine을 이용하여, 전술한 학습 데이터 세트들을 이용하여 갑상선기능항진증 예측모델이 학습되었다.
갑상선기능항진증 예측모델의 테스트
학습된 예측 모델의 정확도를 판단하기 위하여 사용된 테스트 데이터 세트들은 총 126명의 환자로부터 확보된 464개의 임상 데이터들로부터 생성되었으며, 총 1,416개의 테스트 데이터 세트들이 생성되었다.
실험예#3에 따라 학습된 갑상선기능항진증 예측모델의 정확도의 테스트는 전술한 테스트 세트들을 이용하여 진행되었다.
실험예#3에 따르는 갑상선기능항진증 예측모델의 정확도, 민감도, 특이도, PPV (Positive Predictive Value), NPV (Negative Predictive Value)는 다음의 [표6]와 같다.
| 정확도 | 민감도 | 특이도 | PPV | NPV | |
| free T4 + TSH | 81.03 | 79.73 | 81.28 | 44.70 | 95.48 |
본 출원의 발명자들은, 갑상선기능항진증을 예측함에 있어서, 구간 평균 심박수의 변화량에 더하여 대상일의 구간 평균 심박수(현재의 구간 평균 심박수)를 입력값으로 더 활용하는 경우, 정확도가 조금 더 상승하는 것을 알 수 있었다.(5) 실험예#4 - 심박수 차이 + 호르몬수치 + 표준편차 변화 + 왜도
학습 데이터 세트들의 준비
총 171명의 환자를 대상으로 수집한 총 563개의 임상 데이터 세트들이 사용되었다.
전술한 학습방법 실시예#4에 기재한 갑상선기능항진증 예측 모델의 학습 방법에 따라 모델이 학습되었다. 다만, 표준편차 및 왜도를 분포와 관련된 지표로 사용하였다. 즉, [(제1 검사일에 대응되는 구간 평균 심박수 - 제2 검사일에 대응되는 구간 평균 심박수), (제1 검사일에 대응되는 구간 심박수들의 표준편차 - 제2 검사일에 대응되는 구간 심박수들의 표준편차), (제1 검사일에 대응되는 구간 심박수들의 왜도 - 제2 검사일에 대응되는 구간 심박수들의 왜도), 제2 검사일에 대응되는 갑상선 호르몬 농도, 제1 검사일에 대응되는 진단결과(항진 또는 항진아님)]와 같은 포맷의 학습 데이터 세트들이 생성되었고, 이 학습 데이터 세트들이 모델을 학습시키는 데에 사용되었다.
이때, 상기 검사일에 대응되는 구간 평균 심박수는 상기 검사일을 기준으로 10일간의 휴지기 심박수들을 획득하고, 상기 획득된 휴지기 심박수들의 평균을 산출하였다.
그리고, 사용된 호르몬 수치는 free T4 및 TSH 농도를 모두 입력값으로 사용하였다.
이때, 서로 다른 환자들의 임상 데이터들 사이의 "차이"를 이용하여 학습 데이터 세트가 생성되지는 않았으며, 한 명의 환자로부터 획득된 임상 데이터 세트들을 이용하여 학습 데이터 세트가 생성되었다.
이 때, 학습에 활용된 임상 데이터들은 171명의 환자로부터 확보한 563개의데이터들이 활용되었으며, 이로부터 생성된 학습 데이터 세트들의 개수는 총 1,542개였다.
갑상선기능항진증 예측모델의 학습
Light gradient boosting machine을 이용하여, 전술한 학습 데이터 세트들을 이용하여 갑상선기능항진증 예측모델이 학습되었다.
갑상선기능항진증 예측모델의 테스트
학습된 예측 모델의 정확도를 판단하기 위하여 사용된 테스트 데이터 세트들은 총 126명의 환자로부터 확보된 464개의 임상 데이터들로부터 생성되었으며, 총 1,416개의 테스트 데이터 세트들이 생성되었다.
실험예#4에 따라 학습된 갑상선기능항진증 예측모델의 정확도의 테스트는 전술한 테스트 세트들을 이용하여 진행되었다.
실험예#4에 따르는 갑상선기능항진증 예측모델의 정확도, 민감도, 특이도, PPV (Positive Predictive Value), NPV (Negative Predictive Value)는 다음의 [표7]와 같다.
| 정확도 | 민감도 | 특이도 | PPV | NPV | |
| free T4 + TSH | 83.62 | 81.08 | 84.10 | 49.18 | 95.91 |
(6) 실험예#5 - 심박수 차이 + 호르몬수치 + 표준편차 변화 + 첨도
학습 데이터 세트들의 준비
실험예#5는, 실험예#4와 비교할 때, 분포와 관련된 지표로 표준편차 및 왜도를 사용하는 대신 표준편차 및 첨도를 사용하였다는 것을 제외하면 동일하게 학습 데이터 세트들 및 테스트 데이터 세트들이 생성되었다.
갑상선기능항진증 예측모델의 학습
Light gradient boosting machine을 이용하여, 전술한 학습 데이터 세트들을 이용하여 갑상선기능항진증 예측모델이 학습되었다.
갑상선기능항진증 예측모델의 테스트
실험예#5에 따라 학습된 갑상선기능항진증 예측모델의 정확도의 테스트는 전술한 테스트 세트들을 이용하여 진행되었다.
실험예#5에 따르는 갑상선기능항진증 예측모델의 정확도, 민감도, 특이도, PPV (Positive Predictive Value), NPV (Negative Predictive Value)는 다음의 [표8]와 같다.
| 정확도 | 민감도 | 특이도 | PPV | NPV | |
| free T4 + TSH | 83.19 | 83.78 | 83.08 | 48.44 | 96.43 |
(7) 실험예#6 - 심박수 차이 + 호르몬수치 + 표준편차 변화 + JS Divergence
학습 데이터 세트들의 준비
실험예#6은, 실험예#4와 비교할 때, 분포와 관련된 지표의 차이로 표준편차 및 왜도의 차이를 사용하는 대신 JS Divergence를 사용하였다는 것을 제외하면 동일하게 학습 데이터 세트들 및 테스트 데이터 세트들이 생성되었다.
갑상선기능항진증 예측모델의 학습
Light gradient boosting machine을 이용하여, 전술한 학습 데이터 세트들을 이용하여 갑상선기능항진증 예측모델이 학습되었다.
갑상선기능항진증 예측모델의 테스트
실험예#6에 따라 학습된 갑상선기능항진증 예측모델의 정확도의 테스트는 전술한 테스트 세트들을 이용하여 진행되었다.
실험예#6에 따르는 갑상선기능항진증 예측모델의 정확도, 민감도, 특이도, PPV (Positive Predictive Value), NPV (Negative Predictive Value)는 다음의 [표9]와 같다.
| 정확도 | 민감도 | 특이도 | PPV | NPV | |
| free T4 + TSH | 83.19 | 78.38 | 84.10 | 48.33 | 95.35 |
본 출원의 발명자들은, 실험예#4,5,6을 통해 알 수 있듯이, 갑상선기능항진증을 예측함에 있어서, 표준편차의 변화량에 더하여, 구간 심박수들의 분포의 변화를 관찰하기 위한 추가적인 변수들이 함께 입력값으로 활용될 때 조금씩 정확도가 더 상승하는 것을 알 수 있었다.(8) 실험예#7 - 심박수 변화율 + 호르몬 수치 + 상대표준편차 변화
학습 데이터 세트들의 준비
총 171명의 환자를 대상으로 수집한 총 563개의 임상 데이터 세트들이 사용되었다.
전술한 학습방법 실시예#5에 기재한 갑상선기능항진증 예측 모델의 학습 방법에 따라 모델이 학습되었다. 즉, [((제1 검사일에 대응되는 구간 평균 심박수 - 제2 검사일에 대응되는 구간 평균 심박수) / 제2 검사일에 대응되는 구간 평균 심박수), (제1 검사일에 대응되는 구간 심박수들의 상대 표준편차 - 제2 검사일에 대응되는 구간 심박수들의 상대 표준편차), 제2 검사일에 대응되는 갑상선 호르몬 농도, 제1 검사일에 대응되는 진단결과(항진 또는 항진아님)]와 같은 포맷의 학습 데이터 세트들이 생성되었고, 이 학습 데이터 세트들이 모델을 학습시키는 데에 사용되었다.
이때, 상기 검사일에 대응되는 구간 평균 심박수는 상기 검사일을 기준으로 10일간의 휴지기 심박수들을 획득하고, 상기 획득된 휴지기 심박수들의 평균을 산출하였다.
그리고, 사용된 호르몬 수치는 free T4 및 TSH 농도 모두 사용하는 방식이 사용되었다.
이때, 서로 다른 환자들의 임상 데이터들 사이의 "차이"를 이용하여 학습 데이터 세트가 생성되지는 않았으며, 한 명의 환자로부터 획득된 임상 데이터 세트들을 이용하여 학습 데이터 세트가 생성되었다.
이 때, 학습에 활용된 임상 데이터들은 171명의 환자로부터 확보한 563개의데이터들이 활용되었으며, 이로부터 생성된 학습 데이터 세트들의 개수는 총 1,542개였다.
갑상선기능항진증 예측모델의 학습
Light gradient boosting machine을 이용하여, 전술한 학습 데이터 세트들을 이용하여 갑상선기능항진증 예측모델이 학습되었다.
갑상선기능항진증 예측모델의 테스트
학습된 예측 모델의 정확도를 판단하기 위하여 사용된 테스트 데이터 세트들은 총 126명의 환자로부터 확보된 464개의 임상 데이터들로부터 생성되었으며, 총 1,416개의 테스트 데이터 세트들이 생성되었다.
실험예#5에 따라 학습된 갑상선기능항진증 예측모델의 정확도의 테스트는 전술한 테스트 세트들을 이용하여 진행되었다.
실험예#4에 따르는 갑상선기능항진증 예측모델의 정확도, 민감도, 특이도, PPV (Positive Predictive Value), NPV (Negative Predictive Value)는 다음의 [표10]와 같다.
| 정확도 | 민감도 | 특이도 | PPV | NPV | |
| free T4 + TSH | 83.41 | 85.14 | 83.08 | 48.84 | 96.72 |
실험예#5는, 실험예#3과 비교할 때, 구간 평균 심박수의 변화량 및 표준편차의 변화량을 사용하는 대신, 구간 평균 심박수의 변화율 및 상대 표준편차의 변화량을 사용하였다는 점을 제외하면, 동일한 조건으로 진행된 실험이다.본 출원의 발명자들은, 구간 평균 심박수의 변화율 및 상대 표준편차의 변화량이 입력값으로 활용되어도 무방하다는 것을 알 수 있었다.
(9) 실험예#8 - 심박수 변화율 + 호르몬 수치 + 상대표준편차 변화 + day gap
학습 데이터 세트들의 준비
총 171명의 환자를 대상으로 수집한 총 563개의 임상 데이터 세트들이 사용되었다.
전술한 학습방법 실시예#9에 기재한 갑상선기능항진증 예측 모델의 학습 방법에 따라 모델이 학습되었다. 즉, [((제1 검사일에 대응되는 구간 평균 심박수 - 제2 검사일에 대응되는 구간 평균 심박수) / 제2 검사일에 대응되는 구간 평균 심박수), (제1 검사일에 대응되는 구간 심박수들의 상대 표준편차 - 제2 검사일에 대응되는 구간 심박수들의 상대 표준편차), 제2 검사일과 제1 검사일 사이의 차이(day gap), 제2 검사일에 대응되는 갑상선 호르몬 농도, 제1 검사일에 대응되는 진단결과(항진 또는 항진아님)]와 같은 포맷의 학습 데이터 세트들이 생성되었고, 이 학습 데이터 세트들이 모델을 학습시키는 데에 사용되었다.
이때, 상기 검사일에 대응되는 구간 평균 심박수는 상기 검사일을 기준으로 10일간의 휴지기 심박수들을 획득하고, 상기 획득된 휴지기 심박수들의 평균을 산출하였다.
그리고, 사용된 호르몬 수치는 free T4 및 TSH 농도 모두 사용하는 방식이 사용되었다.
이때, 서로 다른 환자들의 임상 데이터들 사이의 "차이"를 이용하여 학습 데이터 세트가 생성되지는 않았으며, 한 명의 환자로부터 획득된 임상 데이터 세트들을 이용하여 학습 데이터 세트가 생성되었다.
이 때, 학습에 활용된 임상 데이터들은 171명의 환자로부터 확보한 563개의데이터들이 활용되었으며, 이로부터 생성된 학습 데이터 세트들의 개수는 총 1,542개였다.
갑상선기능항진증 예측모델의 학습
Light gradient boosting machine을 이용하여, 전술한 학습 데이터 세트들을 이용하여 갑상선기능항진증 예측모델이 학습되었다.
갑상선기능항진증 예측모델의 테스트
학습된 예측 모델의 정확도를 판단하기 위하여 사용된 테스트 데이터 세트들은 총 126명의 환자로부터 확보된 464개의 임상 데이터들로부터 생성되었으며, 총 1,416개의 테스트 데이터 세트들이 생성되었다.
실험예#8에 따라 학습된 갑상선기능항진증 예측모델의 정확도의 테스트는 전술한 테스트 세트들을 이용하여 진행되었다.
실험예#8에 따르는 갑상선기능항진증 예측모델의 정확도, 민감도, 특이도, PPV (Positive Predictive Value), NPV (Negative Predictive Value)는 다음의 [표11]와 같다.
| 정확도 | 민감도 | 특이도 | PPV | NPV | |
| free T4 + TSH | 83.84 | 82.43 | 84.10 | 49.59 | 96.19 |
(10) 실험예#9 - 심박수 변화율 + 호르몬 수치 + 상대표준편차 변화 + 조합값
학습 데이터 세트들의 준비
총 171명의 환자를 대상으로 수집한 총 563개의 임상 데이터 세트들이 사용되었다.
*전술한 학습방법 실시예#10에 기재한 갑상선기능항진증 예측 모델의 학습 방법에 따라 모델이 학습되었다. 즉, [((제1 검사일에 대응되는 구간 평균 심박수 - 제2 검사일에 대응되는 구간 평균 심박수) / 제2 검사일에 대응되는 구간 평균 심박수), (제1 검사일에 대응되는 구간 심박수들의 상대 표준편차 - 제2 검사일에 대응되는 구간 심박수들의 상대 표준편차), 제2 검사일과 제1 검사일 사이의 차이(day gap), 제2 검사일에 대응되는 갑상선 호르몬 농도, 변수들의 조합값, 제1 검사일에 대응되는 진단결과(항진 또는 항진아님)]와 같은 포맷의 학습 데이터 세트들이 생성되었고, 이 학습 데이터 세트들이 모델을 학습시키는 데에 사용되었다.
이때, 상기 검사일에 대응되는 구간 평균 심박수는 상기 검사일을 기준으로 10일간의 휴지기 심박수들을 획득하고, 상기 획득된 휴지기 심박수들의 평균을 산출하였다.
그리고, 사용된 호르몬 수치는 free T4 및 TSH 농도 모두 사용하는 방식이 사용되었다.
이때, 서로 다른 환자들의 임상 데이터들 사이의 "차이"를 이용하여 학습 데이터 세트가 생성되지는 않았으며, 한 명의 환자로부터 획득된 임상 데이터 세트들을 이용하여 학습 데이터 세트가 생성되었다.
이 때, 학습에 활용된 임상 데이터들은 171명의 환자로부터 확보한 563개의데이터들이 활용되었으며, 이로부터 생성된 학습 데이터 세트들의 개수는 총 1,542개였다.
갑상선기능항진증 예측모델의 학습
Light gradient boosting machine을 이용하여, 전술한 학습 데이터 세트들을 이용하여 갑상선기능항진증 예측모델이 학습되었다.
갑상선기능항진증 예측모델의 테스트
학습된 예측 모델의 정확도를 판단하기 위하여 사용된 테스트 데이터 세트들은 총 126명의 환자로부터 확보된 464개의 임상 데이터들로부터 생성되었으며, 총 1,416개의 테스트 데이터 세트들이 생성되었다.
실험예#9에 따라 학습된 갑상선기능항진증 예측모델의 정확도의 테스트는 전술한 테스트 세트들을 이용하여 진행되었다.
실험예#9에 따르는 갑상선기능항진증 예측모델의 정확도, 민감도, 특이도, PPV (Positive Predictive Value), NPV (Negative Predictive Value)는 다음의 [표12] 및 [표 13]과 같다.
| 제1 값 | 제2 값 | 정확도 | 민감도 | 특이도 | PPV | NPV | ||
| 1 | 심박수 평균 변화율 | ÷ | 제2 기준일 TSH | 82.97 | 87.84 | 82.05 | 48.15 | 97.26 |
| 2 | 상대 표준편차 변화량 | x | 심박수 왜도 변화량 | 82.54 | 85.14 | 82.05 | 47.37 | 96.68 |
| 3 | 제2 기준일 TSH | x | 상대 표준편차 변화량 | 84.48 | 87.84 | 83.85 | 50.78 | 97.32 |
| 4 | 심박수 평균 변화율 | x | JS Divergence | 84.48 | 89.19 | 83.59 | 50.77 | 97.60 |
| 5 | 제2 기준일 free T4 | ÷ | 제2 기준일 TSH | 83.84 | 89.19 | 82.82 | 49.62 | 97.58 |
| 6 | JS Divergence | ÷ | 제2 기준일 TSH | 83.41 | 87.84 | 82.56 | 48.87 | 97.28 |
| 7 | 심박수 첨도 변화량 | ÷ | 상대 표준편차 변화량 | 83.41 | 89.19 | 82.31 | 48.89 | 97.57 |
| 8 | 심박수 평균 변화율 | ÷ | 심박수 왜도 변화량 | 84.05 | 89.19 | 83.08 | 50.00 | 97.59 |
| 9 | 심박수 평균 변화율 | ÷ | JS Divergence | 84.27 | 87.84 | 83.59 | 50.39 | 97.31 |
| 10 | 제2 기준일 free T4 | ÷ | 심박수 첨도 변화량 | 84.48 | 89.19 | 83.59 | 50.77 | 97.60 |
| 11 | 상대 표준편차 변화량 | ÷ | 제2 기준일 free T4 | 84.27 | 87.84 | 83.59 | 50.39 | 97.31 |
| 12 | 제2 기준일 TSH | ÷ | 제2 기준일 free T4 | 84.27 | 87.84 | 83.59 | 50.39 | 97.31 |
| 13 | 상대 표준편차 변화량 | ÷ | 심박수 평균 변화율 | 83.41 | 89.19 | 82.31 | 48.89 | 97.57 |
| 14 | 심박수 왜도 변화량 | ÷ | 제2 기준일 free T4 | 83.41 | 87.84 | 82.56 | 48.87 | 97.28 |
| 15 | 제2 기준일 TSH | ÷ | 심박수 왜도 변화량 | 83.19 | 86.49 | 82.56 | 48.48 | 96.99 |
| 16 | 제2 기준일 TSH | ÷ | 상대 표준편차 변화량 | 84.05 | 87.84 | 83.33 | 50.00 | 97.31 |
| 17 | 심박수 평균 변화율 | ÷ | 심박수 첨도 변화량 | 83.62 | 89.19 | 82.56 | 49.25 | 97.58 |
| 18 | 심박수 첨도 변화량 | x | JS Divergence | 84.48 | 87.84 | 83.85 | 50.78 | 97.32 |
| 19 | 심박수 왜도 변화량 | ÷ | 제2 기준일 TSH | 83.62 | 89.19 | 82.56 | 49.25 | 97.58 |
| 20 | 제2 기준일 TSH | x | 심박수 왜도 변화량 | 84.27 | 90.54 | 83.08 | 50.38 | 97.89 |
| 21 | 제2 기준일 free T4 | x | 심박수 첨도 변화량 | 83.84 | 87.84 | 83.08 | 49.62 | 97.30 |
| 22 | 상대 표준편차 변화량 | ÷ | JS Divergence | 83.84 | 89.19 | 82.82 | 49.62 | 97.58 |
| 23 | 상대 표준편차 변화량 | x | JS Divergence | 84.05 | 87.84 | 83.33 | 50.00 | 97.31 |
| 24 | 제2 기준일 free T4 | x | 심박수 왜도 변화량 | 83.41 | 86.49 | 82.82 | 48.85 | 97.00 |
| 25 | 제2 기준일 free T4 | ÷ | 심박수 평균 변화율 | 84.27 | 89.19 | 83.33 | 50.38 | 97.60 |
| 26 | 심박수 첨도 변화량 | ÷ | 심박수 평균 변화율 | 83.19 | 86.49 | 82.56 | 48.48 | 96.99 |
| 27 | JS Divergence | ÷ | 심박수 왜도 변화량 | 83.84 | 89.19 | 82.82 | 49.62 | 97.58 |
| 28 | 심박수 왜도 변화량 | ÷ | 상대 표준편차 변화량 | 83.84 | 87.84 | 83.08 | 49.62 | 97.30 |
| 29 | 제2 기준일 free T4 | x | JS Divergence | 84.05 | 89.19 | 83.08 | 50.00 | 97.59 |
| 30 | 심박수 평균 변화율 | x | 제2 기준일 free T4 | 84.05 | 87.84 | 83.33 | 50.00 | 97.31 |
| 31 | 심박수 평균 변화율 | x | 상대 표준편차 변화량 | 83.62 | 89.19 | 82.56 | 49.25 | 97.58 |
| 32 | 심박수 왜도 변화량 | x | 심박수 첨도 변화량 | 83.62 | 86.49 | 83.08 | 49.23 | 97.01 |
| 33 | 제2 기준일 TSH | ÷ | JS Divergence | 83.19 | 89.19 | 82.05 | 48.53 | 97.56 |
| 34 | 상대 표준편차 변화량 | ÷ | 심박수 왜도 변화량 | 83.62 | 89.19 | 82.56 | 49.25 | 97.58 |
| 35 | 제2 기준일 free T4 | x | 제2 기준일 TSH | 83.62 | 87.84 | 82.82 | 49.24 | 97.29 |
| 36 | 심박수 평균 변화율 | ÷ | 상대 표준편차 변화량 | 84.27 | 89.19 | 83.33 | 50.38 | 97.60 |
| 37 | 심박수 첨도 변화량 | ÷ | 심박수 왜도 변화량 | 83.84 | 89.19 | 82.82 | 49.62 | 97.58 |
| 38 | 제2 기준일 TSH | ÷ | 심박수 평균 변화율 | 84.48 | 89.19 | 83.59 | 50.77 | 97.60 |
| 39 | JS Divergence | ÷ | 심박수 평균 변화율 | 84.48 | 89.19 | 83.59 | 50.77 | 97.60 |
| 제1 값 | 제2 값 | 정확도 | 민감도 | 특이도 | PPV | NPV | ||
| 40 | 제2 기준일 TSH | x | 심박수 첨도 변화량 | 83.84 | 87.84 | 83.08 | 49.62 | 97.30 |
| 41 | 심박수 평균 변화율 | x | 심박수 왜도 변화량 | 84.48 | 89.19 | 83.59 | 50.77 | 97.60 |
| 42 | 심박수 평균 변화율 | x | 심박수 첨도 변화량 | 84.70 | 89.19 | 83.85 | 51.16 | 97.61 |
| 43 | JS Divergence | ÷ | 심박수 첨도 변화량 | 84.05 | 86.49 | 83.59 | 50.00 | 97.02 |
| 44 | 제2 기준일 free T4 | ÷ | JS Divergence | 85.34 | 90.54 | 84.36 | 52.34 | 97.92 |
| 45 | 심박수 첨도 변화량 | ÷ | 제2 기준일 free T4 | 83.62 | 87.84 | 82.82 | 49.24 | 97.29 |
| 46 | 상대 표준편차 변화량 | ÷ | 심박수 첨도 변화량 | 83.41 | 89.19 | 82.31 | 48.89 | 97.57 |
| 47 | 심박수 평균 변화율 | x | 제2 기준일 TSH | 83.62 | 87.84 | 82.82 | 49.24 | 97.29 |
| 48 | 심박수 왜도 변화량 | ÷ | JS Divergence | 84.48 | 87.84 | 83.85 | 50.78 | 97.32 |
| 49 | 제2 기준일 free T4 | x | 상대 표준편차 변화량 | 84.27 | 90.54 | 83.08 | 50.38 | 97.89 |
| 50 | 심박수 왜도 변화량 | x | JS Divergence | 84.27 | 87.84 | 83.59 | 50.39 | 97.31 |
| 51 | JS Divergence | ÷ | 상대 표준편차 변화량 | 84.70 | 86.49 | 84.36 | 51.20 | 97.05 |
| 52 | 상대 표준편차 변화량 | x | 심박수 첨도 변화량 | 83.62 | 87.84 | 82.82 | 49.24 | 97.29 |
| 53 | 상대 표준편차 변화량 | ÷ | 제2 기준일 TSH | 83.62 | 87.84 | 82.82 | 49.24 | 97.29 |
| 54 | 제2 기준일 free T4 | ÷ | 심박수 왜도 변화량 | 83.19 | 87.84 | 82.31 | 48.51 | 97.27 |
| 55 | JS Divergence | ÷ | 제2 기준일 free T4 | 84.05 | 87.84 | 83.33 | 50.00 | 97.31 |
| 56 | 심박수 첨도 변화량 | ÷ | JS Divergence | 84.05 | 86.49 | 83.59 | 50.00 | 97.02 |
| 57 | 제2 기준일 TSH | x | JS Divergence | 84.05 | 87.84 | 83.33 | 50.00 | 97.31 |
| 58 | 심박수 왜도 변화량 | ÷ | 심박수 첨도 변화량 | 83.84 | 87.84 | 83.08 | 49.62 | 97.30 |
| 59 | 심박수 왜도 변화량 | ÷ | 심박수 평균 변화율 | 84.70 | 89.19 | 83.85 | 51.16 | 97.61 |
| 60 | 제2 기준일 TSH | ÷ | 심박수 첨도 변화량 | 84.05 | 86.49 | 83.59 | 50.00 | 97.02 |
| 61 | 제2 기준일 free T4 | ÷ | 상대 표준편차 변화량 | 83.84 | 90.54 | 82.56 | 49.63 | 97.87 |
| 62 | 심박수 첨도 변화량 | ÷ | 제2 기준일 TSH | 83.62 | 89.19 | 82.56 | 49.25 | 97.58 |
| 63 | 심박수 평균 변화율 | ÷ | 제2 기준일 free T4 | 84.70 | 89.19 | 83.85 | 51.16 | 97.61 |
(11) 실험예#10 - 대상의 개인 정보 활용
학습 데이터 세트들의 준비
총 171명의 환자를 대상으로 수집한 총 563개의 임상 데이터 세트들이 사용되었다.
전술한 학습방법 실시예#11에 기재한 갑상선기능항진증 예측 모델의 학습 방법에 따라 모델이 학습되었다.
특히, (1) [(제1 검사일에 대응되는 구간 평균 심박수 - 제2 검사일에 대응되는 구간 평균 심박수), 제2 검사일에 대응되는 free T4의 농도, 대상의 나이, 대상의 성별, 제1 검사일에 대응되는 진단결과(항진 또는 항진아님)]과 같은 학습 데이터 세트들을 이용하여 학습이 진행되었으며, 또한 (2) [((제1 검사일에 대응되는 구간 평균 심박수 - 제2 검사일에 대응되는 구간 평균 심박수) / 제2 검사일에 대응되는 구간 평균 심박수), 제2 검사일에 대응되는 free T4의 농도, 대상의 나이, 대상의 성별, 제1 검사일에 대응되는 진단결과(항진 또는 항진아님)]과 같은 학습 데이터 세트들을 이용하여 학습이 진행되었고, 나아가 (3) [(제1 검사일에 대응되는 구간 평균 심박수 - 제2 검사일에 대응되는 구간 평균 심박수), 제2 검사일에 대응되는 free T4의 농도, 제2 검사일에 대응되는 TSH의 농도, 대상의 나이, 대상의 성별, 제1 검사일에 대응되는 진단결과(항진 또는 항진아님)]과 같은 학습데이터 세트들을 이용하여 학습이 진행되었으며, 또한 (4) [((제1 검사일에 대응되는 구간 평균 심박수 - 제2 검사일에 대응되는 구간 평균 심박수) / 제2 검사일에 대응되는 구간 평균 심박수), 제2 검사일에 대응되는 free T4의 농도, 제2 검사일에 대응되는 TSH의 농도, 대상의 나이, 대상의 성별, 제1 검사일에 대응되는 진단결과(항진 또는 항진아님)]과 같은 학습데이터 세트들을 이용하여 학습이 진행되었고, 마지막으로 (5) [((제1 검사일에 대응되는 구간 평균 심박수 - 제2 검사일에 대응되는 구간 평균 심박수) / 제2 검사일에 대응되는 구간 평균 심박수), (제1 검사일에 대응되는 구간 심박수들의 상대 표준편차 - 제2 검사일에 대응되는 구간 심박수들의 상대 표준편차), (제1 검사일에 대응되는 구간 심박수들의 왜도 - 제2 검사일에 대응되는 구간 심박수들의 왜도), (제1 검사일에 대응되는 구간 심박수들의 첨도 - 제2 검사일에 대응되는 구간 심박수들의 첨도), (제1 검사일에 대응되는 구간 심박수들과 제2 검사일에 대응되는 구간 심박수들 사이의 JS Divergence), 제2 검사일에 대응되는 free T4의 농도, 제2 검사일에 대응되는 TSH의 농도, 대상의 나이, 대상의 성별, 제1 검사일에 대응되는 진단결과(항진 또는 항진아님)]와 같은 학습 데이터 세트들을 이용하여 학습이 진행되었다.
이때, 상기 검사일에 대응되는 구간 평균 심박수는 상기 검사일을 기준으로 10일간의 휴지기 심박수들을 획득하고, 상기 획득된 휴지기 심박수들의 평균을 산출하였다.
이때, 서로 다른 환자들의 임상 데이터들 사이의 "차이"를 이용하여 학습 데이터 세트가 생성되지는 않았으며, 한 명의 환자로부터 획득된 임상 데이터 세트들을 이용하여 학습 데이터 세트가 생성되었다.
이 때, 학습에 활용된 임상 데이터들은 171명의 환자로부터 확보한 563개의데이터들이 활용되었으며, 이로부터 생성된 학습 데이터 세트들의 개수는 총 1,542개였다.
갑상선기능항진증 예측모델의 학습
Light gradient boosting machine을 이용하여, 전술한 학습 데이터 세트들을 이용하여 갑상선기능항진증 예측모델이 학습되었다.
갑상선기능항진증 예측모델의 테스트
학습된 예측 모델의 정확도를 판단하기 위하여 사용된 테스트 데이터 세트들은 총 126명의 환자로부터 확보된 464개의 임상 데이터들로부터 생성되었으며, 총 1,416개의 테스트 데이터 세트들이 생성되었다.
실험예#10에 따라 학습된 갑상선기능항진증 예측모델의 정확도의 테스트는 전술한 테스트 세트들을 이용하여 진행되었다.
실험예#10에 따르는 갑상선기능항진증 예측모델의 정확도, 민감도, 특이도, PPV (Positive Predictive Value), NPV (Negative Predictive Value)는 다음의 [표14]와 같다.
| 정확도 | 민감도 | 특이도 | PPV | NPV | |
| (1) | 84.27 | 53.33 | 85.30 | 10.81 | 98.21 |
| (2) | 83.41 | 53.33 | 84.41 | 10.26 | 98.19 |
| (3) | 83.41 | 53.33 | 84.41 | 10.26 | 98.19 |
| (4) | 84.48 | 53.33 | 85.52 | 10.96 | 98.21 |
| (5) | 85.99 | 60.00 | 86.86 | 13.24 | 98.48 |
(12) 실험예#11 - 미리 정해진 구간의 길이에 대한 실험
학습 데이터 세트들의 준비
총 171명의 환자를 대상으로 수집한 총 563개의 임상 데이터 세트들이 사용되었다.
전술한 학습방법 실시예#10에 기재한 갑상선기능항진증 예측 모델의 학습 방법에 따라 모델이 학습되었다.
특히, 분포의 변화를 확인하기 위한 지표들로 상대 표준편차의 변화량, 왜도의 변화량, 첨도의 변화량, JS Divergence를 사용하였으며, 나아가, 변수들의 조합값으로 (제2 기준일의 free T4 농도 / JS divergence)를 사용하였다. 즉, [((제1 검사일에 대응되는 구간 평균 심박수 - 제2 검사일에 대응되는 구간 평균 심박수) / 제2 검사일에 대응되는 구간 평균 심박수), (제1 검사일에 대응되는 구간 심박수들의 상대 표준편차 - 제2 검사일에 대응되는 구간 심박수들의 상대 표준편차), (제1 검사일에 대응되는 구간 심박수들의 왜도 - 제2 검사일에 대응되는 구간 심박수들의 왜도), (제1 검사일에 대응되는 구간 심박수들의 첨도 - 제2 검사일에 대응되는 구간 심박수들의 첨도), (제1 검사일 및 제2 검사일에 대응되는 구간 심박수들 사이의 JS Divergence), 제1 검사일과 제2 검사일 사이의 차이(day gap), 제2 검사일에 대응되는 갑상선 호르몬 농도, (제2 검사일 free T4의 농도 / 제2 검사일 및 제1 검사일에 대응되는 구간 심박수들 사이의 JS Divergence), 제1 검사일에 대응되는 진단결과(항진 또는 항진아님)]와 같은 포맷의 학습 데이터 세트들이 생성되었고, 이 학습 데이터 세트들이 모델을 학습시키는 데에 사용되었다.
본 실험예#11에서는 상기 검사일에 대응되는 구간 평균 심박수를 산출하기 위한 미리 정해진 기간을 1, 5, 10, 15, 25 및 30일로 변경하면서 정확도에 미치는 영향을 확인하였다.
그리고, 사용된 호르몬 수치는 free T4 및 TSH 농도 모두 사용하는 방식이 사용되었다.
이때, 서로 다른 환자들의 임상 데이터들 사이의 "차이"를 이용하여 학습 데이터 세트가 생성되지는 않았으며, 한 명의 환자로부터 획득된 임상 데이터 세트들을 이용하여 학습 데이터 세트가 생성되었다.
이 때, 학습에 활용된 임상 데이터들은 171명의 환자로부터 확보한 563개의데이터들이 활용되었으며, 이로부터 생성된 학습 데이터 세트들의 개수는 총 1,542개였다.
갑상선기능항진증 예측모델의 학습
Light gradient boosting machine을 이용하여, 전술한 학습 데이터 세트들을 이용하여 갑상선기능항진증 예측모델이 학습되었다.
갑상선기능항진증 예측모델의 테스트
학습된 예측 모델의 정확도를 판단하기 위하여 사용된 테스트 데이터 세트들은 총 126명의 환자로부터 확보된 464개의 임상 데이터들로부터 생성되었으며, 총 1,416개의 테스트 데이터 세트들이 생성되었다.
실험예#11에 따라 학습된 갑상선기능항진증 예측모델의 정확도의 테스트는 전술한 테스트 세트들을 이용하여 진행되었다.
실험예#11에 따르는 갑상선기능항진증 예측모델의 정확도, 민감도, 특이도, PPV (Positive Predictive Value), NPV (Negative Predictive Value)는 다음의 [표15]와 같다.
| 미리 정해진 기간 (days) |
정확도 | 민감도 | 특이도 | PPV | NPV |
| 1 | 80.60 | 71.62 | 82.31 | 43.44 | 93.86 |
| 5 | 81.90 | 74.32 | 83.33 | 45.83 | 94.48 |
| 10 | 83.41 | 79.73 | 84.10 | 48.76 | 95.63 |
| 15 | 86.21 | 81.08 | 87.18 | 54.55 | 96.05 |
| 20 | 84.48 | 85.14 | 84.36 | 50.81 | 96.76 |
| 25 | 82.54 | 81.08 | 82.82 | 47.24 | 95.85 |
| 30 | 82.97 | 79.73 | 83.59 | 47.97 | 95.60 |
본 출원의 발명자들은, 갑상선기능항진증을 예측함에 있어서, 구간 심박수들을 산출하기 위한 미리 정해진 기간은 15일을 사용하였을 때 가장 높은 정확도가 나오는 것을 알 수 있었다.이상, 갑상선기능이상증 예측모델의 학습방법, 이를 이용한 갑상선기능이상증 예측방법 및 이를 위한 시스템에 대하여 설명하였다.
이하에서는, 갑상선 호르몬 수치를 예측하는 모델의 학습방법 및 이를 이용한 갑상선기능이상증 예측방법 및 이를 위한 시스템에 대하여 간단히 설명한다.
6. 갑상선 호르몬 예측모델의 학습방법
학습방법 실시예#12. 기준일 심박수와의 차이값과 기준일의 호르몬값
본 출원에 의해 개시되는 제12 실시예에 따르면, 학습 모델을 학습시키기 위하여, 제1 검사일에 대응되는 구간 평균 심박수에서 제2 검사일에 대응되는 구간 평균 심박수를 뺀 값 및 제2 검사일의 호르몬 농도를 입력값으로 사용하고, 상기 제1 검사일에 대응되어 있는 호르몬 농도를 라벨링값으로 사용할 수 있다.
이때, 상기 학습 모델은 regression을 할 수 있는 머신러닝 모델이 사용될수있다. 예를 들어, 상기 학습 모델은 light gradient boosting machine, support vector machine, random forest, extra trees, ada boost, extreme gradient boosting, CatBoost 등이 사용될 수 있다.
상기 갑상선 호르몬 농도 예측모델(thyroid hormone concentration prediction model)은 대상일의 TRH 농도 예측모델, TSH 농도 예측모델, T4 농도 예측모델, free T4 농도 예측모델, T3 농도 예측모델 및 free T3 농도 예측모델로 이루어진 그룹에서 선택된 적어도 하나를 포함한다.
구간 평균 심박수를 산출함에 있어서, 특정일을 기준으로 미리 정해진 기간 동안의 휴지기 심박수들을 활용할 수 있으며, 이 때 상기 미리 정해진 기간은 1, 2, 3, 4, 5, 6, 7, 8, 9, 10, 11, 12, 13, 14, 15, 16, 17, 18, 19, 20, 21, 22, 23, 24, 25, 26, 27, 28, 29 및 30일 중 하나일 수 있다.
갑상선 호르몬 농도 예측모델의 종류에 따라서, 상기 라벨링 값은 상기 제1 검사일에 대응되어 있는 복수의 호르몬 농도들 중 상기 종류에 대응되는 농도값이 사용될 수 있다. 예를 들어, free T4 농도 예측모델을 학습시키고자 할 때는, 상기 라벨링값으로 상기 제1 검사일에 대응되어 있는 free T4의 농도값이 사용된다. 다른 예를 들어, TSH 농도 예측모델을 학습시키고자 할 때는, 상기 라벨링값으로 상기 제1 검사일에 대응되어 있는 TSH의 농도값이 사용된다.
이하에서는, 설명의 편의를 위하여, free T4 농도 예측모델을 학습시키는 것을 기준으로 설명한다.
제12 실시예에 따라, free T4 농도 예측 모델을 학습시키기 위하여, 확보된 임상 데이터들을 이용하여 [(제1 검사일에 대응되는 구간 평균 심박수 - 제2 검사일에 대응되는 구간 평균 심박수), 제2 검사일에 대응되는 갑상선 호르몬 농도, 제1 검사일에 대응되는 free T4 농도]와 같은 포맷의 학습 데이터 세트들이 생성될 수 있다. 이때, 상기 제2 검사일에 대응되는 갑상선 호르몬 농도는 TRH농도, TSH 농도, T4 농도, free T4 농도, T3 농도 및 free T3 농도로 이루어진 그룹에서 선택된 하나 또는 이들의 조합일 수 있다.
예를 들어, 제1 환자로부터 획득한 데이터 세트들은 총 3개이고, 첫번째 검사 시, 확인된 free T4 호르몬 농도는 제1 free T4 농도였고 확인된 TSH의 농도는 제1 TSH 농도이고, 두번째 검사 시, 확인된 free T4 호르몬 농도는 제2 free T4 농도였고 확인된 TSH의 농도는 제2 TSH 농도이며, 세번째 검사 시, 확인된 free T4 호르몬 농도는 제3 free T4 농도였고 확인된 TSH의 농도는 제3 TSH 농도라고 가정한다면, 해당 환자의 임상 데이터로부터 확보될 수 있는 학습 데이터 세트들은 다음과 같을 수 있다.
[(제1 검사일에 대응되는 구간 평균 심박수 - 제2 검사일에 대응되는 구간 평균 심박수), 제2 free T4 농도, 제2 TSH 농도, 제1 free T4 농도],
[(제1 검사일에 대응되는 구간 평균 심박수 - 제3 검사일에 대응되는 구간 평균 심박수), 제3 free T4 농도, 제3 TSH 농도, 제1 free T4 농도],
[(제2 검사일에 대응되는 구간 평균 심박수 - 제1 검사일에 대응되는 구간 평균 심박수), 제1 free T4 농도, 제1 TSH 농도, 제2 free T4 농도],
[(제2 검사일에 대응되는 구간 평균 심박수 - 제3 검사일에 대응되는 구간 평균 심박수), 제3 free T4 농도, 제3 TSH 농도, 제2 free T4 농도],
[(제3 검사일에 대응되는 구간 평균 심박수 - 제1 검사일에 대응되는 구간 평균 심박수), 제1 free T4 농도, 제1 TSH 농도, 제3 free T4 농도], 및
[(제3 검사일에 대응되는 구간 평균 심박수 - 제2 검사일에 대응되는 구간 평균 심박수), 제2 free T4 농도, 제2 TSH 농도, 제3 free T4 농도]
다른 예를 들어, 제2 환자로부터 획득한 데이터 세트들은 총 4개이고, 첫번째 검사 시, 확인된 free T4 호르몬 농도는 제1 free T4 농도였고 확인된 TSH의 농도는 제1 TSH 농도이고, 두번째 검사 시, 확인된 free T4 호르몬 농도는 제2 free T4 농도였고 확인된 TSH의 농도는 제2 TSH 농도이며, 세번째 검사 시, 확인된 free T4 호르몬 농도는 제3 free T4 농도였고 확인된 TSH의 농도는 제3 TSH 농도이고, 네번째 검사 시, 확인된 free T4 호르몬 농도는 제4 free T4 농도였고 확인된 TSH의 농도는 제4 TSH 농도라고 가정한다면, 해당 환자의 임상 데이터로부터 확보될 수 있는 학습 데이터 세트들은 다음과 같을 수 있다.
[(제1 검사일에 대응되는 구간 평균 심박수 - 제2 검사일에 대응되는 구간 평균 심박수), 제2 free T4 농도, 제2 TSH 농도, 제1 free T4 농도],
[(제1 검사일에 대응되는 구간 평균 심박수 - 제3 검사일에 대응되는 구간 평균 심박수), 제3 free T4 농도, 제3 TSH 농도, 제1 free T4 농도],
[(제1 검사일에 대응되는 구간 평균 심박수 - 제4 검사일에 대응되는 구간 평균 심박수), 제4 free T4 농도, 제4 TSH 농도, 제1 free T4 농도],
[(제2 검사일에 대응되는 구간 평균 심박수 - 제1 검사일에 대응되는 구간 평균 심박수), 제1 free T4 농도, 제1 TSH 농도, 제2 free T4 농도],
[(제2 검사일에 대응되는 구간 평균 심박수 - 제3 검사일에 대응되는 구간 평균 심박수), 제3 free T4 농도, 제3 TSH 농도, 제2 free T4 농도],
[(제2 검사일에 대응되는 구간 평균 심박수 - 제4 검사일에 대응되는 구간 평균 심박수), 제4 free T4 농도, 제4 TSH 농도, 제2 free T4 농도],
[(제3 검사일에 대응되는 구간 평균 심박수 - 제1 검사일에 대응되는 구간 평균 심박수), 제1 free T4 농도, 제1 TSH 농도, 제3 free T4 농도],
[(제3 검사일에 대응되는 구간 평균 심박수 - 제2 검사일에 대응되는 구간 평균 심박수), 제2 free T4 농도, 제2 TSH 농도, 제3 free T4 농도],
[(제3 검사일에 대응되는 구간 평균 심박수 - 제4 검사일에 대응되는 구간 평균 심박수), 제4 free T4 농도, 제4 TSH 농도, 제3 free T4 농도],
[(제4 검사일에 대응되는 구간 평균 심박수 - 제1 검사일에 대응되는 구간 평균 심박수), 제1 free T4 농도, 제1 TSH 농도, 제4 free T4 농도],
[(제4 검사일에 대응되는 구간 평균 심박수 - 제2 검사일에 대응되는 구간 평균 심박수), 제2 free T4 농도, 제2 TSH 농도, 제4 free T4 농도], 및
[(제4 검사일에 대응되는 구간 평균 심박수 - 제3 검사일에 대응되는 구간 평균 심박수), 제3 free T4 농도, 제3 TSH 농도, 제4 free T4 농도]
만약, free T4의 농도를 예측하기 위한 모델이 아니라, TSH의 농도를 예측하기 위한 모델을 학습시키고자 하는 경우, 전술한 학습 데이터 세트들에서 입력값은 그대로 유지하고, 라벨링값만 free T4의 농도를 사용하는 대신 TSH의 농도를 사용하면 된다.
학습방법 실시예#13. 기준일 심박수와의 변화율과 기준일의 호르몬값
본 출원에 의해 개시되는 제13 실시예에 따르면, 전술한 제12 실시예와 비교할 때, 제1 검사일에 대응되는 구간 평균 심박수에서 제2 검사일에 대응되는 구간 평균 심박수를 뺀 값 대신 제1 검사일에 대한 제2 검사일의 구간 평균 심박수의 변화율을 입력값으로 사용하며, 나머지는 제12 실시예와 동일하다.
학습방법 실시예#14. 기준일 심박수와의 변화율, 상대 표준편차 변화량과 기준일의 호르몬값
본 출원에 의해 개시되는 제14 실시예에 따르면, 전술한 제13 실시예와 비교할 때, 제1 검사일에 대응되는 구간 심박수들의 상대 표준편차에서 제2 검사일에 대응되는 구간 심박수들의 상대 표준편차를 뺀 값을 입력값으로 더 사용하며, 나머지는 제13 실시예와 동일하다.
학습방법 실시예#15. 기준일 심박수와의 변화율, 상대 표준편차 변화량, 왜도변화량, 첨도 변화량, JS Divergence와 기준일의 호르몬값
본 출원에 의해 개시되는 제15 실시예에 따르면, 전술한 제14 실시예와 비교할 때, 제1 검사일에 대응되는 구간 심박수들의 분포(distribution)에 관한 지표와 제2 검사일에 대응되는 구간 심박수들의 분포에 관한 지표 사이의 차이에 관한 값을 입력값으로 더 사용하며, 나머지는 제14 실시예와 동일하다.
학습방법 실시예#16. 기준일 심박수와의 변화율, 상대 표준편차 변화량, 왜도변화량, 첨도 변화량, JS Divergence와 기준일의 호르몬값 + Day Gap
본 출원에 의해 개시되는 제16 실시예에 따르면, 전술한 제15 실시예와 비교할 때, 제1 검사일과 제2 검사일 사이의 차이(day gaps)에 관한 값을 입력값으로 더 사용하며, 나머지는 제15 실시예와 동일하다.
7. 갑상선 호르몬 예측모델에 기초한 갑상선기능이상증의 예측방법
본 출원에 의해 개시되는 갑상선기능이상증(thyroid dysfunction)을 예측하는 방법은 전술한 시스템(1)에 의해 수행될 수 있다.
도 6은 본 출원에 의해 개시되는 갑상선기능이상증을 예측하는 방법을 설명하기 위한 흐름도이다.
도 6을 참고하면, 본 출원에 의해 개시되는 대상(subject)에 대한 갑상선기능이상증을 예측하는 방법은 트리거 신호를 획득함(S200), 상기 트리거 신호에 의해 결정되는 대상일에 대응되는 구간 심박수들을 획득함(S210), 상기 대상일에 대응되는 상기 구간 심박수들을 전처리함(S220), 기준일에 대응되는 호르몬 농도를 획득함(S230), 상기 기준일에 대응되는 구간 심박수들에 대한 전처리 결과를 획득함(S240), 상기 대상일에 대응되는 구간 심박수들의 전처리 결과와 상기 기준일에 대응되는 구간 심박수들에 대한 전처리 결과의 차이를 획득함(S250), 상기 획득된 차이 및 상기 기준일에 대응되는 호르몬 농도를 갑상선 호르몬 농도 예측모델을 이용하여 처리하고 상기 대상에 대한 갑상선 호르몬 농도에 대한 예측 결과를 획득함(S260), 상기 호르몬 농도에 대한 예측 결과에 기초하여 상기 대상의 갑상선기능이상증에 대한 결과를 획득함(S270)을 포함한다.
이때, 트리거 신호를 획득함(S200), 상기 트리거 신호에 의해 결정되는 대상일에 대응되는 구간 심박수들을 획득함(S210), 상기 대상일에 대응되는 상기 구간 심박수들을 전처리함(S220), 기준일에 대응되는 호르몬 농도를 획득함(S230), 상기 기준일에 대응되는 구간 심박수들에 대한 전처리 결과를 획득함(S240), 상기 대상일에 대응되는 구간 심박수들의 전처리 결과와 상기 기준일에 대응되는 구간 심박수들에 대한 전처리 결과의 차이를 획득함(S250)은 각각 도 5를 참조하여 설명한 트리거 신호를 획득함(S100), 상기 트리거 신호에 의해 결정되는 대상일에 대응되는 구간 심박수들을 획득함(S110), 상기 대상일에 대응되는 상기 구간 심박수들을 전처리함(S120), 기준일에 대응되는 호르몬 농도를 획득함(S130), 상기 기준일에 대응되는 구간 심박수들에 대한 전처리 결과를 획득함(S140), 상기 대상일에 대응되는 구간 심박수들의 전처리 결과와 상기 기준일에 대응되는 구간 심박수들에 대한 전처리 결과의 차이를 획득함(S150)과 각각 동일하거나 매우 유사하기 때문에 여기서는 자세한 설명을 생략한다.
갑상선 호르몬 농도 예측모델을 통한 갑상선 호르몬 농도에 대한 예측결과 획득(S260)
제1 갑상선 호르몬 농도 예측모델을 통한 제1 갑상선 호르몬 농도에 대한 예측결과 획득
제1 갑상선 호르몬 농도 예측모델을 통해 상기 대상에 대한 제1 갑상선 호르몬 농도가 획득될 수 있다. 예를 들어, 상기 제1 갑상선 호르몬은 TRH일 수 있다.
제2 갑상선 호르몬 농도 예측모델을 통한 제2 갑상선 호르몬 농도에 대한 예측결과 획득
제2 갑상선 호르몬 농도 예측모델을 통해 상기 대상에 대한 제2 갑상선 호르몬 농도가 획득될 수 있다. 예를 들어, 상기 제2 갑상선 호르몬은 TSH일 수 있다.
제3 갑상선 호르몬 농도 예측모델을 통한 제3 갑상선 호르몬 농도에 대한 예측결과 획득
제3 갑상선 호르몬 농도 예측모델을 통해 상기 대상에 대한 제3 갑상선 호르몬 농도가 획득될 수 있다. 예를 들어, 상기 제3 갑상선 호르몬은 T4일 수 있다.
제4 갑상선 호르몬 농도 예측모델을 통한 제4 갑상선 호르몬 농도에 대한 예측결과 획득
제4 갑상선 호르몬 농도 예측모델을 통해 상기 대상에 대한 제4 갑상선 호르몬 농도가 획득될 수 있다. 예를 들어, 상기 제4 갑상선 호르몬은 free T4일 수 있다.
제5 갑상선 호르몬 농도 예측모델을 통한 제5 갑상선 호르몬 농도에 대한 예측결과 획득
제5 갑상선 호르몬 농도 예측모델을 통해 상기 대상에 대한 제5 갑상선 호르몬 농도가 획득될 수 있다. 예를 들어, 상기 제5 갑상선 호르몬은 T3일 수 있다.
제6 갑상선 호르몬 농도 예측모델을 통한 제6 갑상선 호르몬 농도에 대한 예측결과 획득
제6 갑상선 호르몬 농도 예측모델을 통해 상기 대상에 대한 제6 갑상선 호르몬 농도가 획득될 수 있다. 예를 들어, 상기 제6 갑상선 호르몬은 free T3일 수 있다.
전술한 바와 같이, 상기 제1 갑상선 호르몬 농도 내지 상기 제6 갑상선 호르몬 농도로 이루어진 그룹에서 선택된 하나 또는 이들의 조합이 획득될 수 있다.
상기 호르몬 농도에 대한 예측 결과에 기초하여 상기 대상의 갑상선기능이상증에 대한 결과를 획득함(S270)
상기 획득된 호르몬 농도에 대한 예측값들에 기초하여, 대상이 갑상선기능항진증 상태인지, 갑상선기능저하증 상태인지 혹은 정상 상태인지가 판단될 수 있다.
각 갑상선 호르몬 농도들에 대해서 '정상', '항진증' 및 '저하증'에 대응되는 범위들이 미리 결정되어 있기 때문에, 이러한 미리 결정된 범위들이 사용될 수 있을 것이다.
전술한 트리거 신호를 획득함(S200), 상기 트리거 신호에 의해 결정되는 대상일에 대응되는 구간 심박수들을 획득함(S210), 상기 대상일에 대응되는 상기 구간 심박수들을 전처리함(S220), 기준일에 대응되는 호르몬 농도를 획득함(S230), 상기 기준일에 대응되는 구간 심박수들에 대한 전처리 결과를 획득함(S240), 상기 대상일에 대응되는 구간 심박수들의 전처리 결과와 상기 기준일에 대응되는 구간 심박수들에 대한 전처리 결과의 차이를 획득함(S250), 상기 획득된 차이 및 상기 기준일에 대응되는 호르몬 농도를 갑상선 호르몬 농도 예측모델을 이용하여 처리하고 상기 대상에 대한 갑상선 호르몬 농도에 대한 예측 결과를 획득함(S260), 상기 호르몬 농도에 대한 예측 결과에 기초하여 상기 대상의 갑상선기능이상증에 대한 결과를 획득함(S270)은 상기 심박수 측정 디바이스(10), 상기 사용자 단말기(20) 및 상기 서버(30)에 의해 적절히 분산되어 수행될 수 있다.
8. 실험예
실험예#12.
학습 데이터 세트들의 준비
총 171명의 환자를 대상으로 수집한 총 563개의 임상 데이터 세트들이 사용되었다.
전술한 학습방법 실시예#13에 기재한 갑상선 호르몬 농도 예측 모델의 학습 방법에 따라 모델이 학습되었다. 특히, free T4의 농도를 예측하기 위한 예측모델이 학습되었다.
한편, 각 검사일에 대응되는 호르몬 농도는 free T4의 농도와 TSH의 농도가 사용되었으며, 상기 검사일에 대응되는 구간 평균 심박수는 상기 검사일을 기준으로 10일간의 휴지기 심박수들을 획득하고, 상기 획득된 휴지기 심박수들의 평균을 산출하였다.
이때, 서로 다른 환자들의 임상 데이터들 사이의 "차이"를 이용하여 학습 데이터 세트가 생성되지는 않았으며, 한 명의 환자로부터 획득된 임상 데이터 세트들을 이용하여 학습 데이터 세트가 생성되었다.
이 때, 학습에 활용된 임상 데이터들은 171명의 환자로부터 확보한 563개의데이터들이 활용되었으며, 이로부터 생성된 학습 데이터 세트들의 개수는 총 1,542개였다.
갑상선 호르몬 농도 예측모델의 학습
extra trees을 이용하여, 전술한 학습 데이터 세트들을 이용하여 free T4의농도 예측모델이 학습되었다.
갑상선 호르몬 농도 예측모델의 테스트
학습된 예측 모델의 정확도를 판단하기 위하여 사용된 테스트 데이터 세트들은 총 126명의 환자로부터 확보된 464개의 임상 데이터들로부터 생성되었으며, 총 1,416개의 테스트 데이터 세트들이 생성되었다.
실험예#13에 따라 학습된 free T4 농도 예측모델의 정확도의 테스트는 전술한 테스트 세트들을 이용하여 진행되었다.
실험예#13에 따르는 free T4 농도 예측모델의 MSE (Mean Squared Error), MAE (Mean Absolute Error), MAPE (Mean Absolute Percentage Error)는 다음의 [표16]과 같다.
| MAE | MSE | MAPE | |
| free T4 | 0.2272 | 0.1281 | 0.1624 |
실험예#13.실험예#13에서 사용된 학습 데이터 세트들과 테스트 데이터 세트들 및 그 생성방법은 실험예#12에서 설명한 바와 같다.
다만, 실험예#13은, 실험예#12와 달리, 전술한 학습방법 실시예#13에 따라 예측모델을 학습시킨 대신, 학습방법 실시예#14에 따라 예측모델이 학습되었다.
갑상선 호르몬 농도 예측모델의 테스트
실험예#13에 따라 학습된 free T4 농도 예측모델의 정확도의 테스트는 전술한 테스트 세트들을 이용하여 진행되었다.
실험예#13에 따르는 free T4 농도 예측모델의 MSE (Mean Squared Error), MAE (Mean Absolute Error), MAPE (Mean Absolute Percentage Error)는 다음의 [표17]과 같다.
| MAE | MSE | MAPE | |
| free T4 | 0.2219 | 0.1203 | 0.1626 |
실험예#14.실험예#14에서 사용된 학습 데이터 세트들과 테스트 데이터 세트들 및 그 생성방법은 실험예#12에서 설명한 바와 같다.
다만, 실험예#14는, 실험예#12와 달리, 전술한 학습방법 실시예#13에 따라 예측모델을 학습시킨 대신, 학습방법 실시예#15에 따라 예측모델이 학습되었다.
갑상선 호르몬 농도 예측모델의 테스트
실험예#14에 따라 학습된 free T4 농도 예측모델의 정확도의 테스트는 전술한 테스트 세트들을 이용하여 진행되었다.
실험예#14에 따르는 free T4 농도 예측모델의 MSE (Mean Squared Error), MAE (Mean Absolute Error), MAPE (Mean Absolute Percentage Error)는 다음의 [표18]과 같다.
| MAE | MSE | MAPE | |
| free T4 | 0.2177 | 0.1104 | 0.1596 |
실험예#15.실험예#15에서 사용된 학습 데이터 세트들과 테스트 데이터 세트들 및 그 생성방법은 실험예#12에서 설명한 바와 같다.
다만, 실험예#15는, 실험예#12와 달리, 전술한 학습방법 실시예#13에 따라 예측모델을 학습시킨 대신, 학습방법 실시예#16에 따라 예측모델이 학습되었다.
갑상선 호르몬 농도 예측모델의 테스트
실험예#15에 따라 학습된 free T4 농도 예측모델의 정확도의 테스트는 전술한 테스트 세트들을 이용하여 진행되었다.
실험예#15에 따르는 free T4 농도 예측모델의 MSE (Mean Squared Error), MAE (Mean Absolute Error), MAPE (Mean Absolute Percentage Error)는 다음의 [표19]와 같다.
| MAE | MSE | MAPE | |
| free T4 | 0.2159 | 0.1079 | 0.1584 |
1: 시스템10: 심박수 측정 디바이스
20: 사용자 단말기
30: 서버
Claims (12)
- 하나 이상의 프로세서에서 수행되는 대상(subject)에 대한 갑상선기능이상증(thyroid dysfunction)의 예측방법으로,
트리거 신호를 획득함;
상기 획득된 트리거 신호에 기초하여 결정된 대상일(target date)을 결정함;
상기 결정된 대상일에 대응되는 구간 심박수들을 획득함;
상기 대상에 대하여, 상기 획득된 대상일에 대응되는 구간 심박수들에 대한 제1 전처리 결과를 획득함 - 이때, 상기 제1 전처리 결과는 상기 대상일에 대응되는 구간 심박수들의 평균 및 분포(distribution)에 관한 적어도 하나의 지표를 포함함 - ;
상기 대상에 대하여, 기준일에 대응되는 갑상선에 관련된 적어도 하나 이상의 호르몬 농도를 획득함;
상기 대상에 대하여, 상기 기준일에 대응되는 구간 심박수들에 대한 제2 전처리 결과를 획득함 - 이때, 상기 제2 전처리 결과는 상기 기준일에 대응되는 구간 심박수들의 평균 및 분포(distribution)에 관한 적어도 하나의 지표를 포함함 - ;
상기 제2 전처리 결과에 대한 상기 제1 전처리 결과의 차이를 획득함; 및
상기 기준일에 대응되는 적어도 하나 이상의 호르몬 농도 및 상기 차이를 포함하는 값들에 기초하여 갑상선기능이상증에 대한 예측결과를 획득함;을 포함하며,
상기 갑상선기능이상증에 대한 예측결과는 상기 기준일에 대응되는 적어도 하나 이상의 호르몬 농도 및 상기 차이를 포함하는 입력값들이 갑상선기능이상 예측 모델에 의해 처리된 결과인
대상에 대한 갑상선기능이상증의 예측방법. - 제1항에 있어서,
상기 대상일에 대응되는 구간 심박수들의 분포에 관한 적어도 하나의 지표는 상기 대상일에 대응되는 구간 심박수들의 표준편차, 왜도 및 첨도를 포함하고,
상기 기준일에 대응되는 구간 심박수들의 분포에 관한 적어도 하나의 지표는 상기 기준일에 대응되는 구간 심박수들의 표준편차, 왜도 및 첨도를 포함하는
대상에 대한 갑상선기능이상증의 예측방법. - 제1항에 있어서,
상기 제2 전처리 결과에 대한 상기 제1 전처리 결과의 차이는, 1) 상기 기준일에 대한 상기 대상일의 구간 심박수들의 평균의 변화량, 2) 상기 기준일에 대한 상기 대상일의 구간 심박수들의 평균의 변화율, 3) 상기 기준일에 대한 상기 대상일의 구간 심박수들의 표준편차의 변화량, 4) 상기 기준일에 대한 상기 대상일의 구간 심박수들의 상대 표준편차의 변화량, 5) 상기 기준일에 대한 상기 대상일의 구간 심박수들의 왜도의 변화량, 6) 상기 기준일에 대한 상기 대상일의 구간 심박수들의 첨도의 변화량 및 7) 상기 기준일에 대응되는 구간 삼박수들과 상기 대상일에 대응되는 구간 심박수들 간의 JS Divergence로 이루어진 그룹에서 선택된 하나 또는 그들의 조합인
대상에 대한 갑상선기능이상증의 예측방법. - 제1항에 있어서,
상기 기준일에 대응되는 적어도 하나 이상의 호르몬 농도는 1) 갑상선 자극 호르몬(thyroid stimulating hormone, TSH)의 농도, 2) 사요오드티로닌(tetraiodothyronine, T4)의 농도, 3) 혈청에 유리된 T4 (free T4)의 농도, 4) 삼요오드티로닌(triiodothyronine, T3)의 농도, 5) 혈청에 유리된 T3 (free T3)의 농도 및 6) 갑상샘자극호르몬-방출 호르몬(Thyrotropin-Releasing Hormone, TRH)의 농도로 이루어진 그룹에서 선택된 하나 또는 이들의 조합인
대상에 대한 갑상선기능이상증의 예측방법. - 제1항에 있어서,
1) 상기 기준일에 대한 상기 대상일의 구간 심박수들의 평균의 변화량, 2) 상기 기준일에 대한 상기 대상일의 구간 심박수들의 평균의 변화율, 3) 상기 기준일에 대한 상기 대상일의 구간 심박수들의 표준편차의 변화량, 4) 상기 기준일에 대한 상기 대상일의 구간 심박수들의 상대 표준편차의 변화량, 5) 상기 기준일에 대한 상기 대상일의 구간 심박수들의 왜도의 변화량, 6) 상기 기준일에 대한 상기 대상일의 구간 심박수들의 첨도의 변화량, 7) 상기 기준일에 대응되는 구간 삼박수들과 상기 대상일에 대응되는 구간 심박수들 간의 JS Divergence, 8) 상기 기준일에 대응되는 상기 대상의 갑상선 자극 호르몬(thyroid stimulating hormone, TSH)의 농도, 9) 상기 기준일에 대응되는 상기 대상의 사요오드티로닌(tetraiodothyronine, T4)의 농도, 10) 상기 기준일에 대응되는 상기 대상의 혈청에 유리된 T4 (free T4)의 농도, 11) 상기 기준일에 대응되는 상기 대상의 삼요오드티로닌(triiodothyronine, T3)의 농도, 12) 상기 기준일에 대응되는 상기 대상의 혈청에 유리된 T3 (free T3)의 농도 및 13) 상기 기준일에 대응되는 상기 대상의 갑상샘자극호르몬-방출 호르몬(Thyrotropin-Releasing Hormone, TRH)의 농도로 이루어진 그룹에서 제1 값 및 제2 값을 획득함; 및
상기 i) 상기 제1 값과 상기 제2 값을 곱한 값, ii) 상기 제1 값을 상기 제2 값으로 나눈 값 및 iii) 상기 제2 값을 상기 제1값으로 나눈 값 중 하나를 획득함;을 더 포함하는
대상에 대한 갑상선기능이상증의 예측방법. - 제5항에 있어서,
상기 기준일에 대응되는 적어도 하나 이상의 호르몬 농도 및 상기 차이를 포함하는 값들에 기초하여 획득된 갑상선기능이상증에 대한 예측결과를 획득함은,
상기 기준일에 대응되는 적어도 하나 이상의 호르몬 농도, 상기 차이 및 상기 획득된 하나의 값을 포함하는 값들에 기초하여 획득된 갑상선기능이상증에 대한 예측결과를 획득하는 것이고,
상기 갑상선기능이상증에 대한 예측결과는 상기 기준일에 대응되는 적어도 하나 이상의 호르몬 농도, 상기 차이 및 상기 획득된 하나의 값을 포함하는 입력값들이 갑상선기능이상 예측 모델에 의해 처리된 결과인
대상에 대한 갑상선기능이상증의 예측방법. - 제1항에 있어서,
상기 대상일과 상기 기준일 사이의 차이(day gap)를 획득함;을 더 포함하는
대상에 대한 갑상선기능이상증의 예측방법. - 제7항에 있어서,
상기 기준일에 대응되는 적어도 하나 이상의 호르몬 농도 및 상기 차이를 포함하는 값들에 기초하여 획득된 갑상선기능이상증에 대한 예측결과를 획득함은,
상기 기준일에 대응되는 적어도 하나 이상의 호르몬 농도, 상기 차이 및 상기 대상일과 상기 기준일 사이의 차이(day gap)를 포함하는 값들에 기초하여 획득된 갑상선기능이상증에 대한 예측결과를 획득하는 것이고,
상기 갑상선기능이상증에 대한 예측결과는 상기 기준일에 대응되는 적어도 하나 이상의 호르몬 농도, 상기 차이 및 상기 대상일과 상기 기준일 사이의 차이를 포함하는 입력값들이 갑상선기능이상 예측 모델에 의해 처리된 결과인
대상에 대한 갑상선기능이상증의 예측방법. - 제1항에 있어서,
상기 대상일에 대응되는 구간 심박수들은 상기 대상일을 기준으로 미리 결정된 기간에 대응되는 모든 휴지기 심박수(resting heart rate)이고,
상기 기준일에 대응되는 구간 심박수들은 상기 기준일을 기준으로 상기 미리 결정된 기간에 대응되는 모든 휴지기 심박수인
대상에 대한 갑상선기능이상증의 예측방법. - 제9항에 있어서,
상기 미리 결정된 기간은 8, 9, 10, 11, 12, 13, 14, 15, 16 및 17일 중에서 선택된 어느 하나인
대상에 대한 갑상선기능이상증의 예측방법. - 제1항에 있어서,
상기 갑상선기능이상 예측모델은 갑상선기능항진증 예측모델 및 갑상선기능저하증 예측모델을 포함하는
대상에 대한 갑상선기능이상증의 예측방법. - 제11항에 있어서,
상기 갑상선기능이상증에 대한 예측결과는 상기 기준일에 대응되는 적어도 하나 이상의 호르몬 농도 및 상기 차이를 포함하는 입력값들이 상기 갑상선기능항진증 예측모델에 의해 처리된 제1 예측결과와 상기 기준일에 대응되는 적어도 하나 이상의 호르몬 농도 및 상기 차이를 포함하는 입력값들이 상기 갑상선기능저하증 예측모델에 의해 처리된 제2 예측결과를 고려하여 결정되는
대상에 대한 갑상선기능이상증의 예측방법.
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020247000978A KR102674339B1 (ko) | 2021-07-29 | 2022-07-29 | 대상에 대한 갑상선기능이상증의 예측방법 및 시스템 |
Applications Claiming Priority (4)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020210099606 | 2021-07-29 | ||
| KR20210099606 | 2021-07-29 | ||
| KR1020227038028A KR102511453B1 (ko) | 2021-07-29 | 2022-07-29 | 대상에 대한 갑상선기능이상증의 예측방법 및 시스템 |
| PCT/KR2022/011163 WO2023008938A1 (ko) | 2021-07-29 | 2022-07-29 | 대상에 대한 갑상선기능이상증의 예측방법 및 시스템 |
Related Parent Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020227038028A Division KR102511453B1 (ko) | 2021-07-29 | 2022-07-29 | 대상에 대한 갑상선기능이상증의 예측방법 및 시스템 |
Related Child Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020247000978A Division KR102674339B1 (ko) | 2021-07-29 | 2022-07-29 | 대상에 대한 갑상선기능이상증의 예측방법 및 시스템 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| KR20240029727A true KR20240029727A (ko) | 2024-03-06 |
Family
ID=85087981
Family Applications (2)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020237008885A KR20240029727A (ko) | 2021-07-29 | 2022-07-29 | 대상에 대한 갑상선기능이상증의 예측방법 및 시스템 |
| KR1020227038028A KR102511453B1 (ko) | 2021-07-29 | 2022-07-29 | 대상에 대한 갑상선기능이상증의 예측방법 및 시스템 |
Family Applications After (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020227038028A KR102511453B1 (ko) | 2021-07-29 | 2022-07-29 | 대상에 대한 갑상선기능이상증의 예측방법 및 시스템 |
Country Status (5)
| Country | Link |
|---|---|
| US (1) | US20230108900A1 (ko) |
| EP (1) | EP4379738A1 (ko) |
| KR (2) | KR20240029727A (ko) |
| CN (1) | CN117716442A (ko) |
| WO (1) | WO2023008938A1 (ko) |
Family Cites Families (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP3496696A4 (en) * | 2016-08-11 | 2020-04-22 | Sulfilatec, Inc. | COMPOUNDS AND METHODS FOR TREATING THE DISEASE. |
| CN106419848A (zh) * | 2016-10-21 | 2017-02-22 | 北京通和堂生物科技有限公司 | 一种监测甲状腺机能的装置及方法 |
| KR102033696B1 (ko) * | 2017-09-18 | 2019-10-21 | 서울대학교병원 | 웨어러블 장치를 이용한 갑상선기능항진증의 예측 시스템 및 예측 컴퓨터프로그램 |
-
2022
- 2022-07-29 KR KR1020237008885A patent/KR20240029727A/ko active Application Filing
- 2022-07-29 WO PCT/KR2022/011163 patent/WO2023008938A1/ko active Application Filing
- 2022-07-29 EP EP22801687.9A patent/EP4379738A1/en active Pending
- 2022-07-29 CN CN202280053030.1A patent/CN117716442A/zh active Pending
- 2022-07-29 KR KR1020227038028A patent/KR102511453B1/ko active IP Right Grant
- 2022-12-05 US US18/074,753 patent/US20230108900A1/en active Pending
Also Published As
| Publication number | Publication date |
|---|---|
| KR20230019074A (ko) | 2023-02-07 |
| US20230108900A1 (en) | 2023-04-06 |
| EP4379738A1 (en) | 2024-06-05 |
| KR102511453B1 (ko) | 2023-03-17 |
| WO2023008938A1 (ko) | 2023-02-02 |
| CN117716442A (zh) | 2024-03-15 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US20230024262A1 (en) | Methods, devices, and systems for physiological parameter analysis | |
| US20230178203A1 (en) | Systems and methods for patient-specific dosing | |
| Harvey et al. | Quest for the artificial pancreas: combining technology with treatment | |
| US10376207B2 (en) | Calculating a current circadian rhythm of a person | |
| CN108697323A (zh) | 应激水平的非侵入式生理量化 | |
| Bergenstal et al. | Randomized comparison of self-monitored blood glucose (BGM) versus continuous glucose monitoring (CGM) data to optimize glucose control in type 2 diabetes | |
| US11571170B2 (en) | Method for providing alert of potential thyroid abnormality | |
| Shalaby et al. | Study of ambulatory blood pressure in diabetic children: prediction of early renal insult | |
| US20220252621A1 (en) | Method and computer program for predicting bilirubin levels in neonates | |
| KR102674339B1 (ko) | 대상에 대한 갑상선기능이상증의 예측방법 및 시스템 | |
| CN112472052A (zh) | 基于个人运动机能指数pai的体重预测方法、装置和设备 | |
| KR20240029727A (ko) | 대상에 대한 갑상선기능이상증의 예측방법 및 시스템 | |
| KR20240009534A (ko) | 대상에 대한 갑상선기능이상증의 예측방법 및 시스템 | |
| US20190380661A1 (en) | Diagnostic Method And System | |
| US20220104752A1 (en) | Thyroid function monitoring method according to medication, and monitoring server and user terminal performing the same | |
| JP2022001966A (ja) | 情報処理方法、プログラム及び情報処理装置 | |
| JP2023513805A (ja) | 意思決定サポートおよび治療投与システム | |
| US20200121257A1 (en) | Method and system for monitoring a diabetes treatment plan | |
| Alòs et al. | Incorporating Objective Measures of Sedentary Behaviour Into the Detection and Control Methods of Type 2 Diabetes Mellitus in Office Employees: Development of a Mathematical Model for Clinical Practice. | |
| Kaufman | Proportional-integral control in the evaluation of glucose homeostasis and Type 2 Diabetes | |
| JPS61211760A (ja) | コンピユ−タ−による健康診断方法 | |
| Sumitani et al. | Clinical effect of real time pulse rate monitoring with a portable pulsimeter on physical exercise therapy for male patients with type 2 diabetes | |
| Sternad et al. | Performance of intermittently scanned continuous glucose monitoring systems in people with type 1 diabetes: A pooled analysis | |
| Graves | Timing of dysregulation in rest-activity rhythm and depression symptom severity in dementia caregivers | |
| US20190088369A1 (en) | Determining patient status based on measurable medical characteristics |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| A107 | Divisional application of patent |