KR20240031439A - 개인 맞춤식 디지털 치료 방법 및 디바이스 - Google Patents

개인 맞춤식 디지털 치료 방법 및 디바이스 Download PDF

Info

Publication number
KR20240031439A
KR20240031439A KR1020247006691A KR20247006691A KR20240031439A KR 20240031439 A KR20240031439 A KR 20240031439A KR 1020247006691 A KR1020247006691 A KR 1020247006691A KR 20247006691 A KR20247006691 A KR 20247006691A KR 20240031439 A KR20240031439 A KR 20240031439A
Authority
KR
South Korea
Prior art keywords
individual
disorder
behavioral
subject
digital therapy
Prior art date
Application number
KR1020247006691A
Other languages
English (en)
Inventor
브렌트 보간
샤리프 칼릴 타라만
압델 할림 압바스
Original Assignee
코그노아, 인크.
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 코그노아, 인크. filed Critical 코그노아, 인크.
Publication of KR20240031439A publication Critical patent/KR20240031439A/ko

Links

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
    • G16H20/00—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance
    • G16H20/70—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance relating to mental therapies, e.g. psychological therapy or autogenous training
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/16—Devices for psychotechnics; Testing reaction times ; Devices for evaluating the psychological state
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/16—Devices for psychotechnics; Testing reaction times ; Devices for evaluating the psychological state
    • A61B5/168—Evaluating attention deficit, hyperactivity
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/40—Detecting, measuring or recording for evaluating the nervous system
    • A61B5/4076—Diagnosing or monitoring particular conditions of the nervous system
    • A61B5/4088—Diagnosing of monitoring cognitive diseases, e.g. Alzheimer, prion diseases or dementia
    • 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
    • A61B5/7267—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems involving training the classification device
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61M—DEVICES FOR INTRODUCING MEDIA INTO, OR ONTO, THE BODY; DEVICES FOR TRANSDUCING BODY MEDIA OR FOR TAKING MEDIA FROM THE BODY; DEVICES FOR PRODUCING OR ENDING SLEEP OR STUPOR
    • A61M21/00—Other devices or methods to cause a change in the state of consciousness; Devices for producing or ending sleep by mechanical, optical, or acoustical means, e.g. for hypnosis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/211—Selection of the most significant subset of features
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/217—Validation; Performance evaluation; Active pattern learning techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/285—Selection of pattern recognition techniques, e.g. of classifiers in a multi-classifier system
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T19/00—Manipulating 3D models or images for computer graphics
    • G06T19/006—Mixed reality
    • G—PHYSICS
    • G09—EDUCATION; CRYPTOGRAPHY; DISPLAY; ADVERTISING; SEALS
    • G09B—EDUCATIONAL OR DEMONSTRATION APPLIANCES; APPLIANCES FOR TEACHING, OR COMMUNICATING WITH, THE BLIND, DEAF OR MUTE; MODELS; PLANETARIA; GLOBES; MAPS; DIAGRAMS
    • G09B19/00—Teaching not covered by other main groups of this subclass
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H10/00—ICT specially adapted for the handling or processing of patient-related medical or healthcare data
    • G16H10/20—ICT specially adapted for the handling or processing of patient-related medical or healthcare data for electronic clinical trials or questionnaires
    • 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
    • G16H50/70—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
    • A61M—DEVICES FOR INTRODUCING MEDIA INTO, OR ONTO, THE BODY; DEVICES FOR TRANSDUCING BODY MEDIA OR FOR TAKING MEDIA FROM THE BODY; DEVICES FOR PRODUCING OR ENDING SLEEP OR STUPOR
    • A61M21/00—Other devices or methods to cause a change in the state of consciousness; Devices for producing or ending sleep by mechanical, optical, or acoustical means, e.g. for hypnosis
    • A61M2021/0005—Other devices or methods to cause a change in the state of consciousness; Devices for producing or ending sleep by mechanical, optical, or acoustical means, e.g. for hypnosis by the use of a particular sense, or stimulus
    • A61M2021/0044—Other devices or methods to cause a change in the state of consciousness; Devices for producing or ending sleep by mechanical, optical, or acoustical means, e.g. for hypnosis by the use of a particular sense, or stimulus by the sight sense
    • A61M2021/005—Other devices or methods to cause a change in the state of consciousness; Devices for producing or ending sleep by mechanical, optical, or acoustical means, e.g. for hypnosis by the use of a particular sense, or stimulus by the sight sense images, e.g. video

Landscapes

  • Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Physics & Mathematics (AREA)
  • Medical Informatics (AREA)
  • Public Health (AREA)
  • General Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Artificial Intelligence (AREA)
  • Pathology (AREA)
  • Biophysics (AREA)
  • Molecular Biology (AREA)
  • Evolutionary Computation (AREA)
  • General Physics & Mathematics (AREA)
  • Developmental Disabilities (AREA)
  • General Engineering & Computer Science (AREA)
  • Psychiatry (AREA)
  • Epidemiology (AREA)
  • Primary Health Care (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Animal Behavior & Ethology (AREA)
  • Veterinary Medicine (AREA)
  • Psychology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Software Systems (AREA)
  • Mathematical Physics (AREA)
  • Surgery (AREA)
  • Hospice & Palliative Care (AREA)
  • Child & Adolescent Psychology (AREA)
  • Neurology (AREA)
  • Computing Systems (AREA)
  • Social Psychology (AREA)
  • Databases & Information Systems (AREA)
  • Educational Technology (AREA)
  • Computational Linguistics (AREA)
  • Physiology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)

Abstract

본원에서 개시되는 플랫폼, 시스템, 디바이스, 방법 및 매체는, 발달 상태 또는 상태들에 대해 실험 대상자를 평가하고 향상된 디지털 치료법을 제공할 수 있다. 본원에서 개시되는 플랫폼, 시스템, 디바이스, 방법 및 매체는 디지털 피드백에 기초하여 발달 상태 또는 상태들을 개선하도록 구성될 수 있다.

Description

개인 맞춤식 디지털 치료 방법 및 디바이스{PERSONALIZED DIGITAL THERAPY METHODS AND DEVICES}
본 출원은 2019년 3월 22일자로 출원된 미국 가출원 일련 번호 제62/822,186호의 이익을 주장하는데, 그 내용은 참조에 의해 그 전체가 본원에 통합된다.
많은 사람들은 인지 장애, 발달 지연, 및 신경학적 장애로 고통받고 있다. 전통적인 진단 및 치료 방법을 사용하면, 이들 상태(condition)는 진단하고 치료하기가 어렵다. 배경기술은 미국 특허등록공보 US 6425764호　(공개일: 2002.07.30)에 개시되어 있다.
인지 장애, 발달 지연, 및 신경학적 장애를 포함하는 상태의 관련된 그룹으로부터의 하나 이상의 진단을 갖는 개인을 진단하고 치료하기 위한 플랫폼, 시스템, 디바이스, 방법 및 매체가 본원에서 설명된다.
인지 장애 및 발달 지연의 비제한적 예는, 자폐증(autism), 자폐 스펙트럼(autistic spectrum), 주의력 결핍 장애, 주의력 결핍 과잉 행동 장애(attention deficit hyperactive disorder) 및 말하기 및 학습 장애(speech and learning disability)를 포함한다. 신경학적 장애의 비제한적 예는 뇌성 마비 및 신경 퇴행성 질병(neurodegenerative disease)을 포함한다. 인지 장애, 발달 지연 및 신경학적 장애를 포함하는 관련된 상태의 이들 그룹은, 개인이 이들 그룹의 상태 중 하나보다 더 많은 것으로 분류될 증상 또는 행동을 나타낼 수도 있고 종종 개인이 다수의 이들 상태를 갖는다는 의미에서 관련이 있다. 그러한 만큼, 질병의 스펙트럼(예를 들면, 자폐 스펙트럼 장애)에 따라 다수의 상태를 갖는 진단 사이를 정확하게 구별하는 것은 어렵다. 그러한 만큼, 중첩되는 증상(예를 들면, 자폐증 및 ADHD)를 갖는 진단 사이를 구별하는 것은 어렵다.
인지 장애, 발달 지연 및 신경학적 장애를 진단하고 치료하기 위한 현재의 방법은, 진단 프로세스에서 활용되는 정보 및 치료법을 결정하는 데 이용 가능하게 만들어지는 것의 관점에서 병목 현상을 경험한다. 예를 들면, 개인은 자폐 스펙트럼 장애를 갖는 것으로 카테고리형 진단(categorical diagnosis)을 받을 수도 있고, 그 다음, 진단에 기초하여 범용 치료 요법(general purpose treatment regimen)을 제공받을 수도 있다. 예를 들면, 얼굴 표정에 기초하여 감정적 단서(emotional cue)를 인식하는 능력의 정도와 같은 특정한 장애에 관련될 수도 있는 정보는, 적절한 치료를 결정할 때 누락될 수도 있다.
따라서, 진단 데이터를 치료 설계에 통합하는 것에 의해 이러한 오래된 문제에 대한 기술적 솔루션을 제공하는 플랫폼, 시스템, 디바이스, 방법, 및 매체가 본원에서 개시된다. 환자를 몇 가지 카테고리형 버킷 중 하나에 넣고, 그 다음, 종종 상이한 건강 관리 제공자(healthcare provider)에 의한 일반적인 치료가 후속되는 일반적인 진단을 제공하는 대신, 진단 또는 평가 프로세스는, 사례 기반으로 치료법을 커스터마이징하는 목적을 위해 평가 또는 진단으로부터 다차원 공간을 통합하는 치료 프로세스와 결합될 수 있다.
몇몇 경우에, 진단 및 치료 정보 둘 모두를 포함하는 단일의 유저 계정이 제공되고, 따라서, 유저 정보를 프로세스 둘 모두에 연결한다. 이 결합된 접근법은, 진단을 내리거나 또는 적절한 치료 요법을 결정할 때 잠재적으로 관련된 정보가 누락되지 않는 것을 보장하는 것을 돕는다. 진단 및 치료법을 동일한 플랫폼 또는 프로세스에 연결하는 것에 의해, 네트워크 및/또는 시너지 효과가 달성될 수 있다. 예를 들면, 치료법은, 증강 현실 도구를 사용하는 감정 인식 검출 치료법, 또는 심지어 다른 유사한 활동보다 더 잘 작동할 것으로 예측되는 도구를 사용한 특정한 활동으로부터 실험 대상자가 혜택을 받을 것이라는 것을 결정하기 위해 사용되는 감정 인식에 관련이 있는 특정한 차원을 고려하도록 커스터마이징될 수 있다.
진단 프로세스 동안 입력 데이터에 기초하여 계산되는 내부 진단 차원은 보존될 수 있고, 그 다음, 최적의 치료를 식별함에 있어서의 사용을 위해 치료 프로세스로 전송될 수 있다. 따라서, 진단 프로세스에 의해 생성되는 다차원 공간(차원은 입력 피쳐의 비선형 조합임) 내에서의 환자의 위치는 치료 모델에 의해 분석되어 (향상된) 치료 효능을 제공할 것으로 예측되는 하나 이상의 특정한 치료법을 결정하거나 또는 식별할 수 있다.
따라서, 디지털 치료법은, 동일한 실험 대상자의 디지털 진단법 또는 평가의 적용 동안 계산되는 다차원 피쳐 세트에 기초하여 사례 기반으로 커스터마이징될 수 있다. 이 접근법은, 특정한 사례에서의 상태의 특정한 표현의 미세하게 세분화된 이해 대신 카테고리형 진단에 기초하는 치료 계획에서의 종래의 접근법과 비교하여, 더욱 효율적이고 더욱 효과적인 정밀 디지털 치료법을 적용하는 고유의 능력을 제공한다.
본원에서 개시되는 방법 및 디바이스는, 예를 들면, 임상적 또는 비임상적 환경에서 실험 대상자의 발달 진전(developmental progress)과 같은 인지 기능 속성을 결정하도록 구성된다. 예를 들면, 설명되는 방법 및 디바이스는, 실험 대상자를, 발달의 하나 이상의 영역에서 발달적으로 진보된 것으로 식별할 수 있거나, 또는, 실험 대상자를, 하나 이상의 발달 장애를 가질 위험이 있거나 또는 발달적으로 지연된 것으로 식별할 수 있다.
개시되는 방법 및 디바이스는 평가 모델에 기초하여 실험 대상자의 복수의 특성 또는 피쳐를 평가하는 것에 의해 실험 대상자의 발달 진전을 결정할 수 있는데, 여기서 평가 모델은 머신 러닝 접근법을 사용하여 관련 실험 대상자 모집단의 대규모 데이터세트로부터 생성될 수 있다. 본원에서 개시되는 방법 및 디바이스는 하나 이상의 머신 러닝 모델을 사용하여 복수의 장애 중의 장애를 갖는 실험 대상자를 진단하기 위한 개선된 논리적 구조 및 프로세스를 포함한다.
예를 들면, 실험 대상자의 발달 장애를 비롯한, 인지 기능 속성의 식별 및 치료는, 정확도와 효율성 양자의 측면에서 어려운 기술적 문제를 제시할 수 있다. 그러한 속성 또는 장애를 식별하기 위한 많은 공지된 방법은 종종 시간 소모적이고 리소스 집약적이며, 실험 대상자에게 많은 수의 질문에 답변할 것을 요구하거나 또는, 실험 대상자의 지리적 위치에 의존하여 수에서 그리고 이용 가능성에서 제한될 수도 있는 자격을 갖춘 임상의의 시행 하에서 광범위한 관찰을 받을 것을 요구한다.
또한, 관련된 행동적, 신경학적 또는 정신 건강 상태 또는 장애를 식별하고 치료하기 위한 많은 공지된 방법은, 행동 장애(behavioral disorder), 발달 지연(developmental delay), 또는 신경학적 장애(neurologic impairment) 내에서 복수의 질병의 상호 관련성 때문에, 이상적인 정확도 및 일관성보다 더 낮은 정확도 및 일관성을 갖는다. 게다가, 많은 실험 대상자는 두 개 이상의 관련된 장애 또는 상태를 가질 수도 있다. 각각의 테스트가 단지 하나의 장애 또는 상태만을 진단하도록 또는 식별하도록 설계되는 경우, 다수의 장애를 갖는 실험 대상자는 다수의 테스트를 받을 것을 요구받을 수도 있다. 다수의 진단 테스트를 사용한 실험 대상자의 평가는, 시간이 오래 걸리고, 비용이 많이 들고, 불편하고, 효율적으로(logistically) 배열하기가 어려울 수도 있다. 충분한 민감도 및 특이성(specificity)을 가지고 다수의 관련된 장애 또는 상태를 식별 또는 진단할 수 있는 단일의 진단 테스트를 사용하여 실험 대상자를 테스트하는 방식을 제공하는 것이 바람직할 것이다.
그러한 기술적 문제에 대한 기술적 솔루션이 본원에서 설명되는데, 그 기술적 솔루션은 현존하는 방법의 정확도 및 효율성 둘 모두를 향상시킨다. 그러한 기술적 솔루션은, 행동적, 신경학적 또는 정신적 건강 상태 또는 장애와 같은 인지 기능의 속성을 식별하고 치료하기 위한 방법을 시행하는 데 필요한 시간과 리소스를 감소시키고, 실험 대상자에 걸친 식별 결과의 정확도 및 일관성을 향상시킨다.
추가적으로, 진보한, 정상의 및 뒤처진 인지 기능을 갖는 실험 대상자에 대한 인지 기능을 향상시키기 위해 실험 대상자에게 적용될 수 있는 방법 및 치료가 본원에서 개시된다. 상기의 내용을 고려하여, 발달 장애와 같은 특정한 인지 기능 속성에 대한 위험에 처한 실험 대상자를 진단 및 식별하는 그리고 개선된 디지털 치료법을 제공하기 위한 개선된 방법 및 시스템이 필요로 된다. 이상적으로 그러한 방법과 디바이스는, 더 적은 질문, 감소된 양의 시간을 요구할 것이고, 행동적, 신경학적 또는 정신적 건강 상태 또는 장애와 같은 복수의 인지 기능 속성을 결정할 것이고, 그리고 치료 효능을 모니터링하고 적응시키기 위해 사용될 수 있는, 임상적 또는 비임상적 환경에서 임상적으로 허용 가능한 민감도 및 특이성을 제공할 것이다. 또한, 개선된 디지털 치료법은 환자에게 맞춤형 치료 계획을 제공할 수 있고, 맞춤형 치료 계획에 응답하여 업데이트된 진단 데이터를 수신하여 진전을 결정할 수 있고, 그에 따라 치료 계획을 업데이트할 수 있다. 그러한 방법 및 디바이스는 또한, 실험 대상자의 발달 진전을 결정하기 위해, 그리고 발달 진전을 진척시키기 위한 치료를 제공하기 위해 사용될 수 있다.
본원에서 개시되는 방법 및 디바이스는, 예를 들면, 임상적 또는 비임상적 환경에서 복수의 관련된 발달 장애 중 하나 이상의 발달 장애를 가질 위험에 처한 실험 대상자와 같은, 하나 이상의 인지 기능 속성을 가질 위험에 처한 실험 대상자를, 더 적은 질문을 사용하여, 감소된 양의 시간에서, 그리고 임상적 환경에서 임상적으로 허용 가능한 민감도 및 특이성을 가지고 진단하거나 또는 식별할 수 있다. 프로세서는 가장 예측 가능한 다음 번 질문을 식별하기 위한 명령어를 가지고 구성될 수 있고, 그 결과, 사람은, 더 적은 질문을 사용하여, 위험에 처한 것으로서 진단되거나 또는 식별될 수 있다. 복수의 답변에 응답하여 가장 예측 가능한 다음 번 질문을 식별하는 것은, 더 적은 질문을 사용하여, 민감도 및 특이성을 증가시키는 이점을 갖는다. 본원에서 개시되는 방법 및 디바이스는, 단일의 테스트를 사용하여 복수의 관련된 발달 장애에 대해 실험 대상자를 평가하도록, 그리고 단일의 테스트를 사용하여 복수의 발달 장애 중 하나 이상의 발달 장애의 위험에 처한 실험 대상자를 진단 또는 결정하도록 구성될 수 있다. 제시되는 질문의 수를 감소시키는 것은, 실험 대상자가 복수의 가능한 발달 장애를 나타내는 경우에 특히 도움이 될 수 있다. 단일의 테스트만을 사용하여 복수의 가능한 장애에 대해 실험 대상자를 평가하는 것은 평가 프로시져의 길이 및 비용을 크게 감소시킬 수 있다. 본원에서 개시되는 방법 및 디바이스는, 중첩되는 증상을 가질 수도 있는 복수의 가능한 발달 장애 중에서 단일의 발달 장애를 가질 위험에 처한 실험 대상자를 진단하거나 또는 식별할 수 있다.
가장 예측 가능한 다음 번 질문이 다양한 방식으로 결정될 수 있지만, 많은 경우에서, 가장 예측 가능한 다음 번 질문은, 이전의 가장 예측 가능한 다음 번 질문을 포함할 수도 있는 선행 질문에 대한 복수의 답변에 응답하여 결정된다. 가장 예측 가능한 다음 번 질문은 통계적으로 결정될 수 있고, 가장 예측 가능한 다음 번 질문을 결정하기 위해 가능한 가장 예측 가능한 다음 번 질문의 세트가 평가될 수 있다. 많은 경우에, 가능한 가장 예측 가능한 다음 번 질문의 각각에 대한 답변은 질문의 관련성에 관련되며, 질문의 관련성은 질문에 대한 각각의 가능한 답변의 결합된 피쳐 importance(combined feature importance)에 응답하여 결정될 수 있다.
본원에서 개시되는 방법 및 디바이스는 실험 대상자를 다음의 세 가지 카테고리 중 하나로 분류할 수 있다: 하나 이상의 발달 상태를 가짐, 발달적으로 정상적이거나 또는 통상적임, 또는 미확정(inconclusive)(즉, 실험 대상자가 임의의 발달 상태를 가지고 있는지의 여부를 결정하기 위해 추가적인 평가를 필요로 함). 발달 상태는 발달 장애 또는 발달 진보(developmental advancement)일 수 있다. 본원에서 개시되는 방법 및 디바이스는 발달 상태로 제한되지 않으며, 행동적, 신경학적 또는 정신적 건강 상태와 같은 다른 인지 기능 속성에 적용될 수도 있다는 것을 유의한다. 방법 및 디바이스는, 처음에, 실험 대상자를 세 가지 카테고리 중 하나로 분류할 수도 있고, 후속하여, 실험 대상자로부터 추가적인 정보를 수집하는 것에 의해 최초 "미확정"으로 분류되는 실험 대상자의 평가를 계속할 수도 있다. 최초 "미확정"으로 분류되는 실험 대상자의 그러한 계속된 평가는, 단일의 선별 프로시져(예를 들면, 다양한 평가 모듈 포함함)를 사용하여 계속해서 수행될 수도 있다. 대안적으로 또는 추가적으로, 미확정 그룹에 속하는 것으로 식별되는 실험 대상자는 별개의 추가적인 선별 프로시져를 사용하여 평가될 수도 있고 및/또는 추가적인 평가를 위해 임상의에게 회부될 수도 있다.
본원에서 개시되는 방법 및 디바이스는 설문지 및 비디오 입력의 조합을 사용하여 실험 대상자를 평가할 수 있는데, 여기서 두 개의 입력은 실험 대상자의 분류 또는 진단의 민감도 및/또는 특이성을 최적화하기 위해 수학적으로 통합될 수도 있다. 옵션 사항으로(optionally), 방법 및 디바이스는, 애플리케이션 설정에 의존하여 예상된 유병률(prevalence rate)의 차이를 설명하기 위해 상이한 설정(예를 들면, 1차 진료(care) 대 2차 진료)에 대해 최적화될 수 있다.
본원에서 개시되는 방법 및 디바이스는, 예를 들면, 실험 대상자의 연령, 실험 대상자와 관련되는 지리적 위치, 실험 대상자의 성별 또는 실험 대상자와 관련되는 임의의 다른 실험 대상자 고유의 또는 인구 통계학적 데이터 데이터와 같은 상이한 실험 대상자 고유의 차원을 설명할 수 있다. 특히, 본원에서 개시되는 방법 및 디바이스는, 실험 대상자의 평가, 진단, 또는 분류의 민감도 및 특이성을 증가시키기 위해, 발달 상태와 같은 하나 이상의 인지 기능 속성을 가질 위험에 처한 실험 대상자를 식별함에 있어서 상이한 실험 대상자 고유의 차원을 고려할 수 있다. 예를 들면, 상이한 연령 그룹에 속하는 실험 대상자는 상이한 머신 러닝 평가 모델을 사용하여 평가될 수도 있는데, 그 머신 러닝 평가 모델의 각각은 특정한 연령 그룹의 실험 대상자에서 하나 이상의 발달 상태를 식별하도록 특별히 튜닝될 수 있다. 각각의 연령 그룹 고유의 평가 모델은 평가 아이템(예를 들면, 질문, 비디오 관찰 결과(observation))의 고유의 그룹을 포함할 수도 있는데, 여기서 평가 아이템 중 일부는 다른 연령 그룹 고유의 평가 모델의 것들과 중첩될 수도 있다.
또한, 본원에서 설명되는 디지털 개인 맞춤식 의료 시스템 및 방법은 환자에게 디지털 진단법 및 디지털 치료법을 제공할 수 있다. 디지털 개인 맞춤식 의료 시스템은, 개인 맞춤된 또는 더욱 적절한 치료 개입 및 개선된 진단을 통지하는 방식으로 환자의 증상을 평가하거나 또는 진단하기 위해 디지털 데이터를 사용할 수 있다.
하나의 양태에서, 디지털 개인 맞춤식 의료 시스템은 프로세서 및 다음의 것을 하도록 구성될 수 있는 관련 소프트웨어를 갖는 디지털 디바이스를 포함할 수 있다: 환자를 평가하고 진단하기 위해 데이터를 사용하는 것; 치료 개입으로부터 유래하는 효능, 순응도 및 반응의 상대적 레벨을 식별하는 상호 작용 및 피드백 데이터를 캡쳐하는 것; 및 데이터 분석을 수행하는 것. 그러한 데이터 분석은, 치료 개입의 효능을 추가로 개인화, 개선 또는 평가하기 위해, 예를 들면, 머신 러닝을 비롯한 인공 지능, 및/또는 유저 데이터 및 유저 프로파일을 평가하기 위한 통계적 모델을 포함할 수 있다.
몇몇 경우에, 시스템은 디지털 진단법 및 디지털 치료법을 사용하도록 구성될 수 있다. 디지털 진단법 및 디지털 치료법은, 몇몇 실시형태에서, 개인의 의학적, 심리적 또는 생리학적 상태를 향상시키기 위해, 정보를 디지털 방식으로 수집하고 제공된 데이터를 프로세싱 및 평가하기 위한 디바이스 또는 방법을 함께 포함한다. 디지털 치료 시스템은, 유저 데이터를 평가하고, 진단을 모니터링 및 개선하고, 치료 개입을 제공하기 위해, 소프트웨어 기반의 학습을 적용할 수 있다. 몇몇 실시형태에서, 디지털 치료법은, 개인이 감정을 표현하는 사람 또는 가상 이미지와 상호 작용하는 동안 개인이 실시간으로 감정의 표현을 식별하는 것을 돕는 것에 의해 자폐증 또는 자폐 스펙트럼 장애를 갖는 개인의 사회적 상호성(social reciprocity)을 개선시키도록 구성된다.
시스템에서의 디지털 진단 데이터는, 환자, 또는 간병인(caregiver), 또는 평가되는 개인과는 독립적인 당사자로부터 수집되는 데이터 및 메타데이터를 포함할 수 있다. 몇몇 경우에, 수집된 데이터는 개인 이외의 당사자에 의해 이루어지는 행동, 관찰 결과, 판단, 또는 평가를 모니터링하는 것을 포함할 수 있다. 또 다른 예에서, 평가는 평가를 수행하는 성인을 포함할 수 있거나 또는 아이 또는 청소년의 평가를 위한 데이터를 제공할 수 있다. 데이터 및 메타데이터는, 이동 전화, 비디오 캡쳐, 오디오 캡쳐, 활동 모니터, 또는 웨어러블 디지털 모니터와 같은 하나 이상의 디지털 디바이스를 통해 디지털 포맷으로 능동적 또는 수동적으로 수집될 수 있다.
디지털 진단법은, 환자의 상태를 평가하거나 또는 진단하기 위한 머신 러닝, 인공 지능, 및 통계적 모델링과 같은 도구로부터의 분석과 함께, 디지털 진단법 밖에서 캡쳐되는 무료 진단 데이터를 포함할 수 있는, 환자에 대해 시스템에 의해 수집되는 데이터를 사용한다. 디지털 진단법은 또한, 진단 및 잠재적인 치료 개입을 향상하거나 또는 개선하기 위한 피드백을 시스템으로 제공하기 위해, 머신 러닝, 인공 지능, 및 통계적 모델링과 같은 도구에 의해 분석 및 평가될 수 있는 데이터 및 메타데이터를 통해 직접적으로 또는 간접적으로 환자의 상태 또는 성과(performance)에서의 변화의 평가를 제공할 수 있다.
디지털 진단법으로부터의 데이터 평가 및 머신 러닝, 및 치료 개입으로부터의 대응하는 반응, 또는 그 결여는, 환자에 대한 신규의 진단 및 환자 및 간병인 둘 모두에 대한 신규의 치료 요법의 식별로 이어질 수 있다.
시스템에 의해 수집되고 활용되는 데이터의 타입은, 예를 들면, 환자 및 간병인 비디오, 오디오, 질문 또는 활동에 대한 반응, 및 활동, 게임 또는 시스템의 소프트웨어 피쳐와의 유저 상호 작용으로부터의 능동적인 또는 수동적 데이터 스트림을 포함할 수 있다. 그러한 데이터는, 예를 들면, 추천된 활동을 수행할 때, 시스템과의 환자 또는 간병인 상호 작용으로부터의 메타데이터를 또한 포함할 수 있다. 특정한 메타데이터 예는, 유저의 행동의 양태, 프로파일, 활동, 소프트웨어 시스템과의 상호 작용, 게임과의 상호 작용, 사용의 빈도, 세션 시간, 선택되는 옵션 또는 피쳐, 및 콘텐츠 및 활동 선호도를 캡쳐하는 시스템의 디바이스 또는 모바일 앱과의 유저의 상호 작용으로부터의 데이터를 포함한다. 데이터는 활동 모니터, 게임 또는 상호 작용식 콘텐츠와 같은 다양한 써드파티 디바이스로부터의 데이터 및 메타데이터를 또한 포함할 수 있다.
몇몇 실시형태에서, 디지털 치료법, 비디지털(non-digital) 치료법, 의약품, 또는 이들의 임의의 조합을 포함하는 개인 맞춤식 치료 요법이 본원에서 개시된다. 디지털 치료법은 시스템에 의해 환자 또는 간병인에게 제공되는 지침, 피드백, 활동 또는 상호 작용을 포함할 수 있다. 예는, 제안된 행동, 활동, 게임 또는 시스템 소프트웨어 및/또는 써드파티 디바이스와의 상호 작용식 세션을 포함한다. 디지털 치료법은, 증강 현실, 실시간 인지 지원, 가상 현실, 또는 기술을 사용하여 증강되는 다른 행동 치료법을 비롯한 다양한 방법을 사용하여 구현될 수 있다. 몇몇 경우에, 디지털 치료법은 인공 지능을 사용하여 구현된다. 예를 들면, 행동적, 신경학적 또는 정신적 건강 상태 또는 장애를 갖는 아이에 대한 사회적 결과를 개선하기 위한 행동적 개입을 제공하기 위해 인공 지능 구동식 웨어러블 디바이스가 사용될 수 있다. 몇몇 실시형태에서, 개인 맞춤식 치료 요법은 적응적인데, 예를 들면, 진행 중인 치료 동안 실험 대상자로부터의 캡쳐된 피드백 및/또는 추가적인 관련 정보(예를 들면, 자폐증 평가로부터의 결과)에 기초하여 그 치료법을 동적으로 업데이트하거나 또는 재구성한다.
추가적인 양태에서, 본원에서 개시되는 디지털 치료 방법 및 시스템은, 임상적 또는 비임상적 환경에서, 복수의 행동적, 신경학적 또는 정신적 건강 상태 또는 장애 중에서 하나 이상의 행동적, 신경학적 또는 정신적 건강 상태 또는 장애를 가질 위험에 처한 실험 대상자를 진단 및 치료할 수 있다. 이 진단 및 치료는, 더 적은 질문을 사용하여, 감소된 양의 시간에서, 그리고 임상적 환경에서 임상적으로 허용 가능한 민감도 및 특이성을 가지고 본원에서 개시되는 방법 및 시스템을 사용하여 달성할 수 있으며, 치료 추천을 제공할 수 있다. 이것은, 예를 들면, 실험 대상자가 올바르지 않은 진단에 기초하여 치료를 개시할 때 도움이 될 수 있다. 사람이 최적의 수의 질문 또는 관찰 결과만을 사용하여 위험에 처한 것으로 신뢰성 있게 진단되거나 또는 식별될 수 있도록, 프로세서는 가장 예측 가능한 다음 번 질문 또는 가장 유익한 다음 번 증상 또는 관찰 결과를 식별하기 위한 명령어를 가지고 구성될 수 있다. 복수의 답변에 응답하여 가장 예측 가능한 다음 번 질문 또는 가장 유익한 다음 번 증상 또는 관찰 결과를 식별하는 것은, 진단 프로세스의 민감도 또는 특이성을 저하시키지 않으면서, 더 적은 질문을 갖는 치료를 제공하는 이점을 갖는다. 몇몇 경우에, 다음 번 더 관련성이 높은 증상에 대한 정보를 예측하거나 또는 수집하기 위해, 추가적인 프로세서가 제공될 수 있다. 본원에서 개시되는 방법 및 디바이스는, 단일의 적응 테스트를 사용하여 복수의 관련된 장애에 대해 실험 대상자를 평가 및 치료하도록, 그리고 단일의 테스트를 사용하여 복수의 장애 중 하나 이상의 장애의 위험에 처한 실험 대상자를 진단 또는 결정하도록 구성될 수 있다. 제시되는 질문 또는 사용되는 증상 또는 측정의 수를 감소시키는 것은, 실험 대상자가 치료될 수 있는 복수의 가능한 장애를 나타내는 경우에 특히 도움이 될 수 있다. 단일의 적응적 테스트만을 사용하여 복수의 가능한 장애에 대해 실험 대상자를 평가하는 것은 평가 프로시져의 길이 및 비용을 크게 감소시킬 수 있고 치료를 향상시킬 수 있다. 본원에서 개시되는 방법 및 디바이스는, 중첩되는 증상을 가질 수도 있는 복수의 가능한 장애 중 단일의 장애를 가질 위험에 처한 실험 대상자를 진단 및 치료할 수 있다.
디지털 치료 요법을 위해 사용되는 가장 예측 가능한 다음 번 질문, 가장 유익한 다음 번 증상 또는 관찰 결과는 많은 방식으로 결정될 수 있다. 많은 경우에, 가장 예측 가능한 다음 번 질문, 증상, 또는 관찰 결과는, 실험 대상자의 치료를 평가하고 폐루프 평가를 제공하기 위해, 이전의 가장 예측 가능한 다음 번 질문, 증상, 또는 관찰 결과를 포함할 수도 있는 선행 질문 또는 관찰 결과에 대한 복수의 답변에 응답하여 결정될 수 있다. 가장 예측 가능한 다음 번 질문, 증상, 또는 관찰 결과는 통계적으로 결정될 수 있고, 가장 예측 가능한 다음 번 질문, 증상, 또는 관찰 결과를 결정하기 위해 후보의 세트가 평가될 수 있다. 많은 경우에, 후보의 각각에 대한 관찰 결과 또는 답변은 질문 또는 관찰 결과의 관련성에 관련되며, 질문 또는 관찰 결과의 관련성은 질문 또는 관찰 결과에 대한 각각의 가능한 답변의 결합된 피쳐 중요도에 응답하여 결정될 수 있다. 일단 치료가 개시되면, 질문, 증상, 또는 관찰 결과는 반복될 수 있거나 또는 진전을 더욱 정확하게 모니터링하고 디지털 치료법에 대한 변경을 제안하기 위해, 상이한 질문, 증상, 또는 관찰 결과가 사용될 수 있다. 다음 번 질문, 증상 또는 관찰 결과의 관련성은, 질문의 상이한 답변 선택 또는 관찰 결과에 대한 잠재적 옵션 사이의 궁극적인 평가의 분산(variance)에 또한 의존할 수 있다. 예를 들면, 답변 선택이 장래의 궁극적인 평가에 중대한 영향을 끼칠 수도 있는 질문은, 답변 선택이 하나의 특정한 상태에 대한 중증도(severity)에서의 차이를 식별하는 데에만 도움이 될 수도 있는, 또는 그렇지 않으면 덜 중요한 질문보다 더욱 관련성이 있는 것으로 간주될 수 있다.
예시적인 디바이스
행동 장애, 발달 지연, 또는 신경학적 장애와 관련하여 개인을 평가하고 개인에게 치료를 제공하기 위한 플랫폼이 본원에서 설명되는데, 상기 플랫폼은: 프로세서; 컴퓨터 프로그램을 저장하는 비일시적 컴퓨터 판독 가능 매체를 포함하는 컴퓨팅 디바이스를 포함하되, 컴퓨터 프로그램은, 상기 프로세서로 하여금 다음의 것을 하게 하도록 구성된다: (a) 상기 행동 장애, 상기 발달 지연, 또는 상기 신경학적 장애에 관련되는 상기 개인에 대한 입력을 수신하는 것; (b) 상기 행동 장애, 상기 발달 지연, 또는 상기 신경학적 장애를 갖는 복수의 개인으로부터의 데이터를 사용하여 트레이닝되는 상기 컴퓨터 프로그램의 트레이닝된 분류기 모듈을 사용하여 상기 행동 장애, 상기 발달 지연, 또는 상기 신경학적 장애의 존재의 표시를 상기 개인이 갖는다는 것을 결정하는 것; (c) 상기 컴퓨터 프로그램에 의해 생성되는 머신 러닝 모델을 사용하여, 상기 개인이 상기 존재의 상기 표시를 갖는 상기 행동 장애, 상기 발달 지연, 또는 상기 신경학적 장애가 사회적 상호성을 촉진하는 디지털 치료법에 의해 개선될 것이라는 것을 결정하는 것; 및 (d) 사회적 상호성을 촉진하는 디지털 치료법을 제공하는 것.
몇몇 실시형태에서, 상기 머신 러닝 모델은 상기 디지털 치료법에 의해 달성될 개선의 정도를 결정한다.
몇몇 실시형태에서, 상기 행동 장애, 상기 발달 지연, 또는 상기 신경학적 장애는 자폐증 또는 자폐 스펙트럼 장애이다.
몇몇 실시형태에서, 상기 프로세서는, 상기 자폐증 또는 상기 자폐 스펙트럼 장애가 상기 디지털 치료법에 의해 개선될 것이라는 것이 결정되는 경우 상기 디지털 치료법을 상기 개인에게 제공하기 위한 추가적인 명령어를 가지고 구성된다.
몇몇 실시형태에서, 상기 디지털 치료법은 증강 현실 경험을 포함한다
몇몇 실시형태에서, 상기 디지털 치료법은 가상 현실 경험을 포함한다.
몇몇 실시형태에서, 상기 디지털 치료법은 모바일 컴퓨팅 디바이스에 의해 제공된다.
몇몇 실시형태에서, 상기 모바일 컴퓨팅 디바이스는 스마트폰, 태블릿 컴퓨터, 랩탑, 스마트워치 또는 다른 웨어러블 컴퓨팅 디바이스를 포함한다.
몇몇 실시형태에서, 상기 프로세서는, 상기 모바일 컴퓨팅 디바이스의 카메라를 사용하여 상기 증강 현실 경험에서 상기 개인에 의해 상호 작용되는 사람의 비디오 또는 이미지를 획득하기 위한 추가적인 명령어를 가지고 구성된다.
몇몇 실시형태에서, 상기 프로세서는 상기 비디오 또는 상기 이미지를 분석하기 위한 이미지 분석 모듈을 사용하여 상기 사람과 관련되는 감정을 결정하기 위한 추가적인 명령어를 가지고 구성된다.
몇몇 실시형태에서, 상기 가상 현실 경험은 디스플레이된 가상의 사람 또는 캐릭터를 포함하고, 상기 디바이스는 상기 가상 현실 경험 내에서 상기 가상의 사람 또는 캐릭터에 의해 표현되는 감정을 결정하는 것을 더 포함한다.
몇몇 실시형태에서, 상기 감정의 설명은, 상기 모바일 컴퓨팅 디바이스의 화면 상에서 상기 설명을 인쇄하는 것 또는 상기 모바일 컴퓨팅 디바이스의 오디오 출력을 통해 상기 설명의 소리를 내는(sounding) 것 중 어느 하나에 의해 상기 증강 현실 또는 가상 현실 경험 내에서 상기 개인에게 실시간으로 디스플레이된다.
몇몇 실시형태에서, 상기 분석 모듈은 상기 비디오 또는 이미지 내에서 상기 사람의 얼굴을 검출하기 위한 얼굴 인식 모듈을 포함한다.
몇몇 실시형태에서, 상기 이미지 분석 모듈은 상기 얼굴을 상기 감정을 나타내는 것으로서 분류하기 위해 머신 러닝을 사용하여 트레이닝되는 분류기를 포함한다.
몇몇 실시형태에서, 상기 컴퓨팅 디바이스는 상기 증강 현실 경험으로부터 오디오를 캡쳐하도록 구성되는 마이크를 포함한다.
몇몇 실시형태에서, 상기 프로세서는, 상기 마이크로부터의 사운드를 감정과 관련되는 것으로서 분류하기 위한 추가적인 명령어를 가지고 구성된다.
몇몇 실시형태에서, 상기 프로세서는, 상기 개인이 활동 모드에 참가하도록 상기 디지털 치료법과 함께 지침을 제공하기 위한 추가적인 명령어를 가지고 구성된다.
몇몇 실시형태에서, 상기 활동 모드는 감정 유도 활동, 감정 인식 활동, 또는 구조화되지 않은 놀이(unstructured play)를 포함한다.
몇몇 실시형태에서, 치료제가 상기 디지털 치료법과 함께 상기 개인에게 제공된다.
몇몇 실시형태에서, 상기 치료제는 상기 개인이 상기 디지털 치료법을 받는 동안 상기 개인의 인식력(cognition)을 개선시킨다.
몇몇 실시형태에서, 상기 디바이스는 웨어러블 디바이스이다.
몇몇 실시형태에서, 상기 플랫폼은, 비디오 분석가가 컴퓨팅 디바이스를 사용하여 캡쳐되고 업로딩되는 하나 이상의 비디오를 리뷰하는 것 및 상기 입력의 일부를 업로드하는 것을 허용하는 비디오 분석가 포털을 포함한다.
몇몇 실시형태에서, 상기 플랫폼은 건강 관리 제공자가 상기 입력의 일부를 업로드하는 것을 허용하는 건강 관리 제공자 포털을 포함한다.
다른 예시적인 디바이스
몇몇 양태에서, 행동 장애, 발달 지연, 또는 신경학적 장애와 관련하여 개인을 평가하고 개인에게 치료를 제공하기 위한 디바이스가 본원에서 개시되는데, 상기 디바이스는: 프로세서; 컴퓨터 프로그램을 저장하는 비일시적 컴퓨터 판독 가능 매체를 포함하되, 컴퓨터 프로그램은, 상기 프로세서로 하여금 다음의 것을 하게 하도록 구성된다: (a) 상기 행동 장애, 상기 발달 지연, 또는 상기 신경학적 장애에 관련되는 상기 개인에 대한 입력을 수신하는 것; (b) 상기 행동 장애, 상기 발달 지연, 또는 상기 신경학적 장애를 갖는 복수의 개인으로부터의 데이터를 사용하여 트레이닝되는 상기 컴퓨터 프로그램의 트레이닝된 분류기 모듈을 사용하여 상기 행동 장애, 상기 발달 지연, 또는 상기 신경학적 장애의 존재의 표시를 상기 개인이 갖는다는 것을 결정하는 것; (c) 상기 컴퓨터 프로그램에 의해 생성되는 머신 러닝 모델을 사용하여, 상기 개인이 상기 존재의 상기 표시를 갖는 상기 행동 장애, 상기 발달 지연, 또는 상기 신경학적 장애가 사회적 상호성을 촉진하는 디지털 치료법에 의해 개선될 것이라는 것을 결정하는 것; 및 (d) 사회적 상호성을 촉진하는 디지털 치료법을 제공하는 것.
몇몇 실시형태에서, 상기 머신 러닝 모델은 상기 디지털 치료법에 의해 달성될 개선의 정도를 결정한다.
몇몇 실시형태에서, 상기 행동 장애, 상기 발달 지연, 또는 상기 신경학적 장애는 자폐증 또는 자폐 스펙트럼 장애이다.
몇몇 실시형태에서, 상기 프로세서는, 상기 자폐증 또는 상기 자폐 스펙트럼 장애가 상기 디지털 치료법에 의해 개선될 것이라는 것이 결정되는 경우 상기 디지털 치료법을 상기 개인에게 제공하기 위한 추가적인 명령어를 가지고 구성된다.
몇몇 실시형태에서, 상기 디지털 치료법은 증강 현실 경험을 포함한다
몇몇 실시형태에서, 상기 디지털 치료법은 가상 현실 경험을 포함한다.
몇몇 실시형태에서, 상기 디지털 치료법은 모바일 컴퓨팅 디바이스에 의해 제공된다. 몇몇 실시형태에서, 상기 모바일 컴퓨팅 디바이스는 스마트폰, 태블릿 컴퓨터, 랩탑, 스마트워치 또는 다른 웨어러블 컴퓨팅 디바이스를 포함한다.
몇몇 실시형태에서, 상기 프로세서는, 상기 모바일 컴퓨팅 디바이스의 카메라를 사용하여 상기 증강 현실 경험에서 상기 개인에 의해 상호 작용되는 사람의 비디오 또는 이미지를 획득하기 위한 추가적인 명령어를 가지고 구성된다.
몇몇 실시형태에서, 상기 프로세서는 상기 비디오 또는 상기 이미지를 분석하기 위한 이미지 분석 모듈을 사용하여 상기 사람과 관련되는 감정을 결정하기 위한 추가적인 명령어를 가지고 구성된다.
몇몇 실시형태에서, 상기 가상 현실 경험은 디스플레이된 가상의 사람 또는 캐릭터를 포함하고, 상기 디바이스는 상기 가상 현실 경험 내에서 상기 가상의 사람 또는 캐릭터에 의해 표현되는 감정을 결정하는 것을 더 포함한다.
몇몇 실시형태에서, 상기 감정의 설명은, 상기 모바일 컴퓨팅 디바이스의 화면 상에서 상기 설명을 인쇄하는 것 또는 상기 모바일 컴퓨팅 디바이스와 커플링되는 오디오 출력을 통해 상기 설명의 소리를 내는 것 중 어느 하나에 의해 상기 증강 현실 또는 가상 현실 경험 내에서 상기 개인에게 실시간으로 디스플레이된다.
몇몇 실시형태에서, 상기 분석 모듈은 상기 비디오 또는 이미지 내에서 상기 사람의 얼굴을 검출하기 위한 얼굴 인식 모듈을 포함한다.
몇몇 실시형태에서, 상기 이미지 분석 모듈은 상기 얼굴을 상기 감정을 나타내는 것으로서 분류하기 위해 머신 러닝을 사용하여 트레이닝되는 분류기를 포함한다.
몇몇 실시형태에서, 상기 컴퓨팅 디바이스는 상기 증강 현실 경험으로부터 오디오를 캡쳐하도록 구성되는 마이크를 포함한다.
몇몇 실시형태에서, 상기 프로세서는, 상기 마이크로부터의 사운드를 감정과 관련되는 것으로서 분류하기 위한 추가적인 명령어를 가지고 구성된다.
몇몇 실시형태에서, 상기 프로세서는, 상기 개인이 활동 모드에 참가하도록 상기 디지털 치료법과 함께 지침을 제공하기 위한 추가적인 명령어를 가지고 구성된다.
몇몇 실시형태에서, 상기 활동 모드는 감정 유도 활동, 감정 인식 활동, 또는 구조화되지 않은 놀이를 포함한다.
몇몇 실시형태에서, 치료제가 상기 디지털 치료법과 함께 상기 개인에게 제공된다.
몇몇 실시형태에서, 상기 치료제는 상기 개인이 상기 디지털 치료법을 받는 동안 상기 개인의 인식력을 개선시킨다.
몇몇 실시형태에서, 상기 디바이스는 웨어러블 디바이스이다.
예시적인 방법
몇몇 양태에서, 디지털 치료법을 사용하여 행동 장애, 발달 지연, 또는 신경학적 장애와 관련하여 개인을 치료하기 위한 컴퓨터 구현 방법이 본원에서 개시되는데, 상기 방법은 다음의 것을 포함한다: (a) 상기 행동 장애, 상기 발달 지연, 또는 상기 신경학적 장애에 관련되는 상기 개인에 대한 입력을 수신하는 것; (b) 트레이닝된 분류기를 사용하여, 상기 행동 장애, 상기 발달 지연, 또는 상기 신경학적 장애를 갖는다는 것의 표시를 상기 개인이 갖는다는 것을 결정하는 것; (c) 머신 러닝 모델을 사용하여, 상기 개인이 갖는다는 것의 표시를 갖는 상기 행동 장애, 상기 발달 지연, 또는 상기 신경학적 장애가 사회적 상호성을 촉진하도록 구성되는 디지털 치료법에 의해 개선될 것이라는 것을 결정하는 것.
몇몇 실시형태에서, 상기 머신 러닝 모델은 상기 디지털 치료법에 의해 달성될 개선의 정도를 결정한다.
몇몇 실시형태에서, 방법은, 상기 발달 장애가 자폐증 또는 자폐 스펙트럼 장애라는 것이 결정되는 경우 상기 개인에게 상기 디지털 치료법을 제공하는 것을 포함한다.
몇몇 실시형태에서, 상기 디지털 치료법은 증강 현실 경험을 포함한다
몇몇 실시형태에서, 상기 디지털 치료법은 가상 현실 경험을 포함한다.
몇몇 실시형태에서, 상기 디지털 치료법은 모바일 컴퓨팅 디바이스에 의해 제공된다.
몇몇 실시형태에서, 상기 모바일 컴퓨팅 디바이스는 스마트폰, 태블릿 컴퓨터, 랩탑, 스마트워치 또는 다른 웨어러블 컴퓨팅 디바이스를 포함한다.
몇몇 실시형태에서, 방법은, 상기 모바일 컴퓨팅 디바이스의 카메라를 사용하여 상기 증강 현실 경험에서 상기 개인에 의해 상호 작용되는 사람의 비디오 또는 이미지를 획득하는 것을 포함한다.
몇몇 실시형태에서, 방법은 상기 비디오 또는 상기 이미지를 분석하기 위한 이미지 분석 모듈을 사용하여 상기 사람과 관련되는 감정을 결정하는 것을 포함한다.
몇몇 실시형태에서, 상기 가상 현실 경험은 디스플레이된 가상의 사람 또는 캐릭터를 포함하고, 상기 방법은 상기 가상 현실 경험 내에서 상기 가상의 사람 또는 캐릭터에 의해 표현되는 감정을 결정하는 것을 더 포함한다.
몇몇 실시형태에서, 상기 감정의 설명은, 상기 모바일 컴퓨팅 디바이스의 화면 상에서 상기 설명을 인쇄하는 것 또는 상기 모바일 컴퓨팅 디바이스와 커플링되는 오디오 출력을 통해 상기 설명의 소리를 내는 것 중 어느 하나에 의해 상기 증강 현실 또는 가상 현실 경험 내에서 상기 개인에게 실시간으로 디스플레이된다.
몇몇 실시형태에서, 상기 분석 모듈은 상기 비디오 또는 이미지 내에서 상기 사람의 얼굴을 검출하기 위한 얼굴 인식 모듈을 포함한다.
몇몇 실시형태에서, 상기 이미지 분석 모듈은 상기 얼굴을 상기 감정을 나타내는 것으로서 분류하기 위해 머신 러닝을 사용하여 트레이닝되는 분류기를 포함한다.
몇몇 실시형태에서, 상기 컴퓨팅 디바이스는 상기 증강 현실 경험으로부터 오디오를 캡쳐하도록 구성되는 마이크를 포함한다.
몇몇 실시형태에서, 방법은 상기 마이크로부터의 사운드를 감정과 관련되는 것으로서 분류하는 것을 포함한다.
몇몇 실시형태에서, 방법은 상기 개인이 활동 모드에 참가하도록 상기 디지털 치료법과 함께 지침을 제공하는 것을 더 포함한다.
몇몇 실시형태에서, 상기 활동 모드는 감정 유도 활동, 감정 인식 활동, 또는 구조화되지 않은 놀이를 포함한다.
몇몇 실시형태에서, 방법은 상기 디지털 치료법과 함께 치료제를 제공하는 것을 포함한다.
몇몇 실시형태에서, 상기 치료제는 상기 개인이 상기 디지털 치료법을 받는 동안 상기 개인의 인식력을 개선시킨다.
몇몇 실시형태에서, 상기 디지털 치료법은 상기 개인의 사회적 상호성을 촉진하도록 구성된다.
예시적인 매체
몇몇 양태에서, 컴퓨터 프로그램을 저장하는 비일시적 컴퓨터 판독 가능 매체가 본원에서 개시되는데, 컴퓨터 프로그램은, 프로세서로 하여금 다음의 것을 하게 하도록 구성된다: (a) 상기 행동 장애, 상기 발달 지연, 또는 상기 신경학적 장애에 관련되는 상기 개인에 대한 입력을 수신하는 것; (b) 상기 행동 장애, 상기 발달 지연, 또는 상기 신경학적 장애를 갖는 복수의 개인으로부터의 데이터를 사용하여 트레이닝되는 상기 컴퓨터 프로그램의 트레이닝된 분류기 모듈을 사용하여 상기 행동 장애, 상기 발달 지연, 또는 상기 신경학적 장애의 존재의 표시를 상기 개인이 갖는다는 것을 결정하는 것; (c) 상기 컴퓨터 프로그램에 의해 생성되는 머신 러닝 모델을 사용하여, 상기 개인이 상기 존재의 상기 표시를 갖는 상기 행동 장애, 상기 발달 지연, 또는 상기 신경학적 장애가 사회적 상호성을 촉진하는 디지털 치료법에 의해 개선될 것이라는 것을 결정하는 것; 및 (d) 사회적 상호성을 촉진하는 디지털 치료법을 제공하는 것.
몇몇 실시형태에서, 상기 머신 러닝 모델은 상기 디지털 치료법에 의해 달성될 개선의 정도를 결정한다.
몇몇 실시형태에서, 상기 행동 장애, 상기 발달 지연, 또는 상기 신경학적 장애는 자폐증 또는 자폐 스펙트럼 장애이다.
몇몇 실시형태에서, 상기 프로세서는, 상기 자폐증 또는 상기 자폐 스펙트럼 장애가 상기 디지털 치료법에 의해 개선될 것이라는 것이 결정되는 경우 상기 디지털 치료법을 상기 개인에게 제공하기 위한 추가적인 명령어를 가지고 구성된다.
몇몇 실시형태에서, 상기 디지털 치료법은 증강 현실 경험을 포함한다
몇몇 실시형태에서, 상기 디지털 치료법은 가상 현실 경험을 포함한다.
몇몇 실시형태에서, 상기 디지털 치료법은 모바일 컴퓨팅 디바이스에 의해 제공된다.
몇몇 실시형태에서, 상기 모바일 컴퓨팅 디바이스는 스마트폰, 태블릿 컴퓨터, 랩탑, 스마트워치 또는 다른 웨어러블 컴퓨팅 디바이스를 포함한다.
몇몇 실시형태에서, 상기 컴퓨터 판독 가능 매체는, 상기 프로세서로 하여금, 상기 모바일 컴퓨팅 디바이스의 카메라를 사용하여 상기 증강 현실 경험에서 상기 개인에 의해 상호 작용되는 사람의 비디오 또는 이미지를 획득하게 하기 위한 추가적인 명령어를 가지고 구성된다.
몇몇 실시형태에서, 상기 컴퓨터 판독 가능 매체는, 상기 프로세서로 하여금, 상기 비디오 또는 상기 이미지를 분석하기 위한 이미지 분석 모듈을 사용하여 상기 사람과 관련되는 감정을 결정하게 하기 위한 추가적인 명령어를 가지고 구성된다.
몇몇 실시형태에서, 상기 가상 현실 경험은 디스플레이된 가상의 사람 또는 캐릭터를 포함하고, 상기 디바이스는 상기 가상 현실 경험 내에서 상기 가상의 사람 또는 캐릭터에 의해 표현되는 감정을 결정하는 것을 더 포함한다.
몇몇 실시형태에서, 상기 감정의 설명은, 상기 모바일 컴퓨팅 디바이스의 화면 상에서 상기 설명을 인쇄하는 것 또는 상기 모바일 컴퓨팅 디바이스와 커플링되는 오디오 출력을 통해 상기 설명의 소리를 내는 것 중 어느 하나에 의해 상기 증강 현실 또는 가상 현실 경험 내에서 상기 개인에게 실시간으로 디스플레이된다.
몇몇 실시형태에서, 상기 분석 모듈은 상기 비디오 또는 이미지 내에서 상기 사람의 얼굴을 검출하기 위한 얼굴 인식 모듈을 포함한다.
몇몇 실시형태에서, 상기 이미지 분석 모듈은 상기 얼굴을 상기 감정을 나타내는 것으로서 분류하기 위해 머신 러닝을 사용하여 트레이닝되는 분류기를 포함한다.
몇몇 실시형태에서, 상기 컴퓨팅 디바이스는 상기 증강 현실 경험으로부터 오디오를 캡쳐하도록 구성되는 마이크를 포함한다.
몇몇 실시형태에서, 상기 컴퓨터 판독 가능 매체는, 상기 프로세서로 하여금, 상기 마이크로부터의 사운드를 감정과 관련되는 것으로서 분류하게 하기 위한 추가적인 명령어를 가지고 구성된다.
몇몇 실시형태에서, 상기 컴퓨터 판독 가능 매체는, 상기 프로세서로 하여금, 상기 개인이 활동 모드에 참가하도록 상기 디지털 치료법과 함께 지침을 제공하게 하기 위한 추가적인 명령어를 가지고 구성된다.
몇몇 실시형태에서, 상기 활동 모드는 감정 유도 활동, 감정 인식 활동, 또는 구조화되지 않은 놀이를 포함한다.
몇몇 실시형태에서, 치료제가 상기 디지털 치료법과 함께 상기 개인에게 제공된다.
몇몇 실시형태에서, 상기 치료제는 상기 개인이 상기 디지털 치료법을 받는 동안 상기 개인의 인식력을 개선시킨다.
몇몇 실시형태에서, 상기 디바이스는 웨어러블 디바이스이다.
다른 예시적인 방법
몇몇 양태에서, 디지털 치료법을 사용하여 행동 장애, 발달 지연, 또는 신경학적 장애와 관련하여 개인을 치료하기 위한 컴퓨터 구현 방법이 본원에서 개시되는데, 상기 방법은 다음의 것을 포함한다: (a) 상기 행동 장애, 상기 발달 지연, 또는 상기 신경학적 장애에 관련되는 상기 개인에 대한 입력을 수신하는 것; (b) 트레이닝된 분류기를 사용하여, 상기 행동 장애, 상기 발달 지연, 또는 상기 신경학적 장애를 갖는다는 것의 표시를 상기 개인이 갖는다는 것을 결정하는 것; (c) 머신 러닝 모델을 사용하여, 상기 개인이 갖는다는 것의 표시를 갖는 상기 행동 장애, 상기 발달 지연, 또는 상기 신경학적 장애가 사회적 상호성을 촉진하도록 구성되는 디지털 치료법에 의해 개선될 것이라는 것을 결정하는 것.
몇몇 실시형태에서, 상기 머신 러닝 모델은 상기 디지털 치료법에 의해 달성될 개선의 정도를 결정한다.
몇몇 실시형태에서, 상기 방법은, 상기 발달 장애가 자폐증 또는 자폐 스펙트럼 장애라는 것이 결정되는 경우 상기 개인에게 상기 디지털 치료법을 제공하는 것을 포함한다.
몇몇 실시형태에서, 상기 디지털 치료법은 증강 현실 경험을 포함한다
몇몇 실시형태에서, 상기 디지털 치료법은 가상 현실 경험을 포함한다.
몇몇 실시형태에서, 상기 디지털 치료법은 모바일 컴퓨팅 디바이스에 의해 제공된다.
몇몇 실시형태에서, 상기 모바일 컴퓨팅 디바이스는 스마트폰, 태블릿 컴퓨터, 랩탑, 스마트워치 또는 다른 웨어러블 컴퓨팅 디바이스를 포함한다.
몇몇 실시형태에서, 방법은, 상기 모바일 컴퓨팅 디바이스의 카메라를 사용하여 상기 증강 현실 경험에서 상기 개인에 의해 상호 작용되는 사람의 비디오 또는 이미지를 획득하는 것을 포함한다.
몇몇 실시형태에서, 방법은 상기 비디오 또는 상기 이미지를 분석하기 위한 이미지 분석 모듈을 사용하여 상기 사람과 관련되는 감정을 결정하는 것을 포함한다.
몇몇 실시형태에서, 상기 가상 현실 경험은 디스플레이된 가상의 사람 또는 캐릭터를 포함하고, 상기 방법은 상기 가상 현실 경험 내에서 상기 가상의 사람 또는 캐릭터에 의해 표현되는 감정을 결정하는 것을 더 포함한다.
몇몇 실시형태에서, 상기 감정의 설명은, 상기 모바일 컴퓨팅 디바이스의 화면 상에서 상기 설명을 인쇄하는 것 또는 상기 모바일 컴퓨팅 디바이스와 커플링되는 오디오 출력을 통해 상기 설명의 소리를 내는 것 중 어느 하나에 의해 상기 증강 현실 또는 가상 현실 경험 내에서 상기 개인에게 실시간으로 디스플레이된다.
몇몇 실시형태에서, 상기 분석 모듈은 상기 비디오 또는 이미지 내에서 상기 사람의 얼굴을 검출하기 위한 얼굴 인식 모듈을 포함한다.
몇몇 실시형태에서, 상기 이미지 분석 모듈은 상기 얼굴을 상기 감정을 나타내는 것으로서 분류하기 위해 머신 러닝을 사용하여 트레이닝되는 분류기를 포함한다.
몇몇 실시형태에서, 상기 컴퓨팅 디바이스는 상기 증강 현실 경험으로부터 오디오를 캡쳐하도록 구성되는 마이크를 포함한다.
몇몇 실시형태에서, 방법은 상기 마이크로부터의 사운드를 감정과 관련되는 것으로서 분류하는 것을 포함한다.
몇몇 실시형태에서, 방법은 상기 개인이 활동 모드에 참가하도록 상기 디지털 치료법과 함께 지침을 제공하는 것을 더 포함한다.
몇몇 실시형태에서, 상기 활동 모드는 감정 유도 활동, 감정 인식 활동, 또는 구조화되지 않은 놀이를 포함한다.
몇몇 실시형태에서, 방법은 상기 디지털 치료법과 함께 치료제를 제공하는 것을 포함한다.
몇몇 실시형태에서, 상기 치료제는 상기 개인이 상기 디지털 치료법을 받는 동안 상기 개인의 인식력을 개선시킨다.
몇몇 실시형태에서, 상기 디지털 치료법은 상기 개인의 사회적 상호성을 촉진하도록 구성된다.
다른 예시적인 디바이스
몇몇 양태에서, 행동 장애, 발달 지연, 또는 신경학적 장애와 관련하여 개인에게 디지털 치료법을 제공하기 위한 디바이스가 본원에서 개시되는데, 상기 디바이스는: (a) 디스플레이; 및 (b) 프로세서를 포함하되, 상기 프로세서는 다음의 것을 하기 위한 명령어를 가지고 구성된다: (i) 상기 복수의 관련된 행동 장애, 발달 지연, 및 신경학적 장애에 관련되는 상기 개인에 대한 입력을 수신하는 것; (ii) 평가 분류기를 사용하여, 상기 개인이 상기 입력에 기초하여 자폐증 또는 자폐 스펙트럼 장애의 진단을 갖는다는 것을 결정하는 것; 및 (iii) 머신 러닝 모델을 사용하여, 상기 개인의 상기 자폐증 또는 상기 자폐 스펙트럼 장애가 상기 디지털 치료법에 의해 개선될 것이라는 것을 결정하는 것.
몇몇 실시형태에서, 상기 머신 러닝 모델은 상기 디지털 치료법에 의해 달성될 개선의 정도를 결정한다.
몇몇 실시형태에서, 상기 행동 장애, 상기 발달 지연, 또는 상기 신경학적 장애는 자폐증 또는 자폐 스펙트럼 장애이다.
몇몇 실시형태에서, 상기 프로세서는, 상기 자폐증 또는 상기 자폐 스펙트럼 장애가 상기 디지털 치료법에 의해 개선될 것이라는 것이 결정되는 경우 상기 디지털 치료법을 상기 개인에게 제공하기 위한 추가적인 명령어를 가지고 구성된다.
몇몇 실시형태에서, 상기 디지털 치료법은 증강 현실 경험을 포함한다
몇몇 실시형태에서, 상기 디지털 치료법은 가상 현실 경험을 포함한다.
몇몇 실시형태에서, 상기 디지털 치료법은 모바일 컴퓨팅 디바이스에 의해 제공된다.
몇몇 실시형태에서, 상기 모바일 컴퓨팅 디바이스는 스마트폰, 태블릿 컴퓨터, 랩탑, 스마트워치 또는 다른 웨어러블 컴퓨팅 디바이스를 포함한다.
몇몇 실시형태에서, 상기 프로세서는, 상기 모바일 컴퓨팅 디바이스의 카메라를 사용하여 상기 증강 현실 경험에서 상기 개인에 의해 상호 작용되는 사람의 비디오 또는 이미지를 획득하기 위한 추가적인 명령어를 가지고 구성된다.
몇몇 실시형태에서, 상기 프로세서는 상기 비디오 또는 상기 이미지를 분석하기 위한 이미지 분석 모듈을 사용하여 상기 사람과 관련되는 감정을 결정하기 위한 추가적인 명령어를 가지고 구성된다.
몇몇 실시형태에서, 상기 가상 현실 경험은 디스플레이된 가상의 사람 또는 캐릭터를 포함하고, 상기 디바이스는 상기 가상 현실 경험 내에서 상기 가상의 사람 또는 캐릭터에 의해 표현되는 감정을 결정하는 것을 더 포함한다.
몇몇 실시형태에서, 상기 감정의 설명은, 상기 모바일 컴퓨팅 디바이스의 화면 상에서 상기 설명을 인쇄하는 것 또는 상기 모바일 컴퓨팅 디바이스와 커플링되는 오디오 출력을 통해 상기 설명의 소리를 내는 것 중 어느 하나에 의해 상기 증강 현실 또는 가상 현실 경험 내에서 상기 개인에게 실시간으로 디스플레이된다.
몇몇 실시형태에서, 상기 분석 모듈은 상기 비디오 또는 이미지 내에서 상기 사람의 얼굴을 검출하기 위한 얼굴 인식 모듈을 포함한다.
몇몇 실시형태에서, 상기 이미지 분석 모듈은 상기 얼굴을 상기 감정을 나타내는 것으로서 분류하기 위해 머신 러닝을 사용하여 트레이닝되는 분류기를 포함한다.
몇몇 실시형태에서, 상기 컴퓨팅 디바이스는 상기 증강 현실 경험으로부터 오디오를 캡쳐하도록 구성되는 마이크를 포함한다.
몇몇 실시형태에서, 상기 프로세서는, 상기 마이크로부터의 사운드를 감정과 관련되는 것으로서 분류하기 위한 추가적인 명령어를 가지고 구성된다.
몇몇 실시형태에서, 상기 프로세서는, 상기 개인이 활동 모드에 참가하도록 상기 디지털 치료법과 함께 지침을 제공하기 위한 추가적인 명령어를 가지고 구성된다.
몇몇 실시형태에서, 상기 활동 모드는 감정 유도 활동, 감정 인식 활동, 또는 구조화되지 않은 놀이를 포함한다.
몇몇 실시형태에서, 치료제가 상기 디지털 치료법과 함께 상기 개인에게 제공된다.
몇몇 실시형태에서, 상기 치료제는 상기 개인이 상기 디지털 치료법을 받는 동안 상기 개인의 인식력을 개선시킨다.
몇몇 실시형태에서, 상기 디지털 치료법은 상기 개인의 사회적 상호성을 촉진하도록 구성된다.
다른 예시적인 방법
하나의 양태에서, 실험 대상자의 적어도 하나의 인지 기능 속성의 평가를 제공하는 방법은 다음의 것을 포함할 수도 있다: 프로세서 및 프로세서에 의한 실행을 위한 컴퓨터 프로그램을 저장하는 메모리를 갖는 컴퓨터 시스템 상에서, 컴퓨터 프로그램은 다음의 것을 하기 위한 명령어를 포함한다: 인지 기능 속성에 관련되는 실험 대상자의 데이터를 수신하는 것; 머신 러닝 모델을 사용하여 실험 대상자의 데이터를 평가하는 것; 및 실험 대상자에 대한 평가 - 평가는 데이터에 응답하여 미확정 결정(inconclusive determination) 및 카테고리형 결정(categorical determination)으로 구성되는 그룹으로부터 선택됨 - 를 제공하는 것. 머신 러닝 모델은 복수의 머신 러닝 평가 모델의 선택된 서브세트를 포함할 수도 있다.
카테고리형 결정은 인지 기능 속성의 존재 및 인지 기능 속성의 부재를 포함할 수도 있다. 실험 대상자로부터 데이터를 수신하는 것은 데이터의 초기 세트를 수신하는 것을 포함할 수도 있다. 실험 대상자로부터의 데이터를 평가하는 것은, 튜닝 가능한 머신 러닝 평가 모델의 예비 서브세트의 각각에 대한 수치 점수를 출력하기 위해, 복수의 튜닝 가능한 머신 러닝 평가 모델로부터 선택되는 튜닝 가능한 머신 러닝 평가 모델의 예비 서브세트를 사용하여 데이터의 초기 세트를 평가하는 것을 포함할 수도 있다.
방법은, 데이터의 초기 세트의 분석에 기초하여 실험 대상자의 인지 기능 속성의 존재 또는 부재에 관한 카테고리형 결정 또는 미확정 결정을 제공하는 것을 더 포함할 수도 있는데, 여기서 미확정 결정 대 카테고리형 결정의 비율은 조정될 수 있다. 방법은 다음의 것을 더 포함할 수도 있다: 데이터의 초기 세트의 분석이 미확정 결정을 산출하는 경우, 복수의 튜닝 가능한 머신 러닝 평가 모델로부터 선택되는 추가적인 평가 모델을 적용할지의 여부를 결정하는 것; 결정의 결과에 기초하여 실험 대상자로부터 데이터의 추가적인 세트를 수신하는 것; 결정의 결과에 기초하여 추가적인 평가 모델의 각각에 대한 수치 점수를 출력하기 위해, 추가적인 평가 모델을 사용하여 실험 대상자로부터 데이터의 추가적인 세트를 평가하는 것; 및 추가적인 평가 모델을 사용한 실험 대상자로부터의 데이터의 추가적인 세트의 분석에 기초하여 실험 대상자의 인지 기능 속성의 존재 또는 부재에 관한 카테고리형 결정 또는 미확정 결정을 제공하는 것 - 미확정 결정 대 카테고리형 결정의 비율은 조정될 수 있음 - .
방법은 다음의 것을 더 포함할 수도 있다: 결합된 예비 출력 점수를 생성하기 위해 평가 모델의 예비 서브세트의 각각에 대한 수치 점수를 결합하는 것; 및 결합된 예비 출력 점수를, 실험 대상자의 인지 기능 속성의 존재 또는 부재에 관한 카테고리형 결정으로 또는 미확정 결정으로 매핑하는 것 - 미확정 결정 대 카테고리형 결정의 비율은 조정될 수 있음 - .
방법은, 평가 모델의 예비 서브세트의 각각에 대한 수치 점수를 결합하기 위해 그리고 추가적인 평가 모델의 각각에 대한 수치 점수를 결합하기 위해 규칙 기반의 로직 또는 조합 기술을 활용하는 것을 더 포함할 수도 있다. 미확정 결정 대 카테고리형 결정의 비율은 포함 비율(inclusion rate)을 명시하는 것에 의해 조정될 수도 있다. 실험 대상자의 발달 상태의 존재 또는 부재에 관한 카테고리형 결정은, 민감도 및 특이성 메트릭을 제공하는 것에 의해 평가될 수도 있다. 포함 비율은 70 % 이상일 수도 있고, 카테고리형 결정은 적어도 70의 대응하는 특이성과 함께 적어도 70의 민감도로 나타날 수도 있다. 포함 비율은 70 % 이상일 수도 있고, 카테고리형 결정은 적어도 80의 대응하는 특이성과 함께 적어도 80의 민감도로 나타날 수도 있다. 포함 비율은 70 % 이상일 수도 있고, 카테고리형 결정은 적어도 90의 대응하는 특이성과 함께 적어도 90의 민감도로 나타날 수도 있다.
실험 대상자로부터의 데이터는 진단 기구의 샘플 중 적어도 하나를 포함할 수도 있는데, 여기서 진단 기구는 진단 질문 및 대응하는 선택 가능한 답변의 세트, 및 인구 통계학적 데이터를 포함한다.
방법은 다음의 것을 더 포함할 수도 있다: 발달 상태에 대한 이전에 평가된 복수의 실험 대상자로부터의 데이터를 사용하여 복수의 튜닝 가능한 머신 러닝 평가 모델을 트레이닝시키는 것 - 트레이닝은: 머신 러닝 기술을 사용하여 복수의 실험 대상자로부터의 데이터를 사전 프로세싱하는 것을 포함함 - ; 사전 프로세싱된 데이터로부터 머신 러닝 피쳐를 추출하고 인코딩하는 것; 의도된 애플리케이션 설정에서 실험 대상자 사이의 인지 기능 속성의 예상된 유병률을 반영하기 위해 복수의 실험 대상자로부터의 데이터를 프로세싱하는 것; 프로세싱된 머신 러닝 피쳐의 서브세트를 선택하는 것; 성과에 대해 복수의 튜닝 가능한 머신 러닝 평가 모델의 각각의 모델을 평가하는 것 - 각각의 모델은 사전 결정된 포함 비율에 대한 민감도 및 특이성에 대해 평가됨 - ; 및 복수의 튜닝 가능한 머신 러닝 평가 모델의 선택된 서브세트 내의 모든 모델을 사용하는 이점을 결정하는 것에 기초하여 각각의 모델에 대한 파라미터의 최적의 세트를 결정하는 것. 각각의 모델에 대한 파라미터의 최적의 세트를 결정하는 것은 상이한 튜닝 파라미터 설정 하에서 각각의 모델의 파라미터를 튜닝하는 것을 포함할 수도 있다.
인코딩된 머신 러닝 피쳐를 프로세싱하는 것은: 데이터의 모든 샘플에 샘플 가중치를 계산하여 할당하는 것을 포함할 수도 있는데, 여기서 데이터의 각각의 샘플은 복수의 실험 대상자 중의 실험 대상자에 대응하고, 샘플은 실험 대상자 고유의 차원에 따라 그룹화되고, 샘플 가중치는, 의도된 설정에서 실험 대상자 사이의 각각의 차원의 예상된 분포를 반영하기 위해, 샘플의 하나의 그룹을 샘플의 모든 다른 그룹에 대해 균형을 맞추도록 계산되고 할당된다. 실험 대상자 고유의 차원은 실험 대상자의 성별, 실험 대상자가 거주하는 지리적 지역, 및 실험 대상자의 연령을 포함할 수도 있다. 사전 프로세싱된 데이터로부터 머신 러닝 피쳐를 추출하고 인코딩하는 것은, 원 핫 인코딩(one-hot encoding), 중증도 인코딩, 및 행동의 존재 인코딩과 같은 그러나 이들로 제한되지는 않는 피쳐 인코딩 기술을 사용하는 것을 포함할 수도 있다. 프로세싱된 머신 러닝 피쳐의 서브세트를 선택하는 것은, 프로세싱된 머신 러닝 피쳐로부터 구별 피쳐의 서브세트를 식별하기 위해 부트스트래핑 기술(bootstrapping technique)을 사용하는 것을 포함할 수도 있다.
인지 기능 속성은 행동 장애 및 발달 진보를 포함할 수도 있다. 실험 대상자에 대해 제공되는 카테고리형 결정은, 데이터에 응답하여, 미확정 결정, 다수의 인지 기능 속성의 존재, 및 다수의 인지 기능 속성의 부재로 구성되는 그룹으로부터 선택될 수도 있다.
다른 양태에서, 실험 대상자의 인지 기능 속성을 평가하기 위한 장치는, 실행시, 프로세서로 하여금 상기에서 설명되는 방법을 수행하게 하는 명령어를 가지고 구성되는 프로세서를 포함할 수도 있다.
다른 예시적인 디바이스
다른 양태에서, 실험 대상자의 적어도 하나의 인지 기능 속성의 평가를 제공하기 위한 모바일 디바이스는: 디스플레이; 및 프로세서를 포함할 수도 있는데, 상기 프로세서는: 인지 기능 속성에 관련되는 실험 대상자의 데이터를 수신 및 디스플레이하기 위한; 그리고 실험 대상자에 대한 평가 - 평가는 미확정 결정 및 카테고리형 결정으로 구성되는 그룹으로부터 선택됨 - 를 수신 및 디스플레이하기 위한 명령어를 가지고 구성되되; 실험 대상자에 대한 평가는 실험 대상자의 데이터에 응답하여 결정되었다.
카테고리형 결정은 인지 기능 속성의 존재, 및 인지 기능 속성의 부재로 구성되는 그룹으로부터 선택될 수도 있다. 인지 기능 속성은 인지 기능 속성의 존재 또는 부재에 대해, 각각, 적어도 80 %의 민감도 및 적어도 80 %의 특이성을 사용하여 결정될 수도 있다. 인지 기능 속성은 인지 기능 속성의 존재 또는 부재에 대해, 각각, 적어도 90 %의 민감도 및 적어도 90 %의 특이성을 사용하여 결정될 수도 있다. 인지 기능 속성은 행동 장애, 발달 지연, 또는 신경학적 장애를 포함할 수도 있다.
다른 예시적인 디바이스
다른 양태에서, 디지털 치료법 전달 디바이스는 다음의 것을 포함할 수도 있다: 소프트웨어 명령어를 포함하는 하나 이상의 프로세서; 실험 대상자로부터 데이터를 수신하고 실험 대상자에 대한 진단 데이터를 출력하기 위한 진단 모듈 - 진단 모듈은, 실험 대상자에 대한 진단 데이터를 결정하기 위해, 실험 대상자 모집단에 기초하여 머신 러닝 또는 통계적 모델링을 사용하여 구축되는 하나 이상의 분류기를 포함함 - .
몇몇 실시형태에서, 진단 소프트웨어는 Triton(트라이톤) 모델 - 여기서 진단 데이터는 실험 대상자에 대한 평가를 포함하고, 평가는 실험 대상자로부터 수신되는 데이터에 응답하여 미확정 결정 및 카테고리형 결정으로 구성되는 그룹으로부터 선택됨 - ; 및 진단 데이터를 수신하고 실험 대상자에 대한 개인 치료 요법 계획을 출력하기 위한 치료 모듈 - 치료 모듈은 실험 대상자의 개인 치료 요법 계획을 결정 및 출력하기 위해 실험 대상자 모집단의 적어도 일부에 기초하여 머신 러닝 또는 통계적 모델링을 사용하여 구축되는 하나 이상의 모델을 포함하고, 진단 모듈은 실험 대상자의 치료법에 응답하여 실험 대상자로부터 업데이트된 실험 대상자 데이터를 수신하도록 그리고 실험 대상자로부터 업데이트된 진단 데이터를 생성하도록 구성되고 치료 모듈은 업데이트된 진단 데이터를 수신하도록 그리고 진단 데이터 및 업데이트된 진단 데이터에 응답하여 실험 대상자에 대한 업데이트된 개인 치료 계획을 출력하도록 구성됨 - 을 활용한다.
진단 모듈은 실험 대상자 모집단에 대해 트레이닝되는 진단 머신 러닝 분류기를 포함할 수도 있고 치료 모듈은 실험 대상자 모집단의 적어도 일부에 대해 트레이닝되는 치료 머신 러닝 분류기를 포함할 수도 있고 진단 모듈 및 치료 모듈은, 진단 모듈이 치료 계획의 성과에 기초하여 치료 모듈에 피드백을 제공하도록 배열될 수도 있다. 치료 분류기는, 실험 대상자가 그 멤버가 아닌 모집단을 포함하는 데이터 세트에 대해 트레이닝되는 명령어를 포함할 수도 있으며 실험 대상자군은 모집단의 멤버가 아닌 사람을 포함할 수도 있다. 진단 모듈은 적어도 10,000 명의 사람들의 실험 대상자 모집단의 복수의 프로파일에 대해 트레이닝되는 진단 분류기 및 실험 대상자 모집단의 복수의 프로파일에 대해 트레이닝되는 치료 프로파일을 포함할 수도 있다.
다른 예시적인 시스템
다른 양태에서, 실험 대상자의 적어도 하나의 인지 기능 속성을 평가하기 위한 시스템은: 명령어를 가지고 구성되는 프로세서를 포함할 수도 있는데, 그 명령어는, 실행시, 프로세서로 하여금: 분류기의 복수의 체인으로부터 복수의 질문을 제시하게 하고, 분류기의 복수의 체인은, 사회적/행동적 지연 분류기를 포함하는 제1 체인 및 말하기 및 언어 지연 분류기(speech & language delay classifier)를 포함하는 제2 체인을 포함한다. 사회적/행동적 지연 분류기는 자폐증 및 주의력 결핍 과잉 행동 장애(attention deficit hyperactivity disorder; ADHD) 분류기에 동작 가능하게 커플링될 수도 있다. 사회적/행동적 지연 분류기는, 실험 대상자가 사회적/행동적 지연을 갖는 경우 양성의 결과를 출력하도록 그리고 실험 대상자가 사회적/행동적 지연을 가지지 않는 경우 음성의 결과를 출력하도록 구성될 수도 있다. 사회적/행동적 지연 분류기는, 실험 대상자가 사회적/행동적 지연을 갖는지 또는 갖지 않는지의 여부가 명시된 민감도 및 특이성을 사용하여 결정될 수 없는 경우, 미확정 결과를 출력하도록 구성될 수도 있다. 사회적/행동적 지연 분류기 출력은 자폐증 및 ADHD 분류기의 입력에 커플링될 수도 있고, 자폐증 및 ADHD 분류기는 실험 대상자가 자폐증 또는 ADHD를 갖는 경우 양성의 결과를 출력하도록 구성될 수도 있다. 자폐증 및 ADHD 분류기의 출력은 자폐증 대 ADHD 분류기의 입력에 커플링될 수도 있고, 자폐증 대 ADHD 분류기는 실험 대상자가 자폐증을 갖는 경우 제1 출력을 그리고 실험 대상자가 ADHD를 갖는 경우 제2 출력을 생성하도록 구성될 수도 있다. 자폐증 대 ADHD 분류기는, 실험 대상자가 자폐증 또는 ADHD를 갖는지 또는 갖지 않는지의 여부가 명시된 민감도 및 특이성을 사용하여 결정될 수 없는 경우, 미확정 출력을 제공하도록 구성될 수도 있다. 말하기 및 언어 지연 분류기는 지적 장애 분류기에 동작 가능하게 커플링될 수도 있다. 말하기 및 언어 지연 분류기는, 실험 대상자가 말하기 및 언어 지연을 갖는 경우 양성의 결과를 그리고 실험 대상자가 말하기 및 언어 지연을 갖지 않는 경우 음성의 출력을 출력하도록 구성될 수도 있다. 말하기 및 언어 지연 분류기는, 실험 대상자가 말하기 및 언어 지연을 갖는지 또는 갖지 않는지의 여부가 명시된 민감도 및 특이성을 사용하여 결정될 수 없는 경우 미확정 결과를 출력하도록 구성될 수도 있다. 말하기 및 언어 지연 분류기 출력은 지적 장애 분류기의 입력에 커플링될 수도 있고 지적 장애 분류기는, 실험 대상자가 지적 장애를 갖는 경우 제1 출력을 그리고 실험 대상자가 말하기 및 언어 지연을 갖는 그러나 어떠한 지적 장애도 갖지 않는 경우 제2 출력을 생성하도록 구성될 수도 있다. 지적 장애 분류기는, 실험 대상자가 지적 장애를 갖는지 또는 갖지 않는지의 여부가 명시된 민감도 및 특이성을 사용하여 결정될 수 없는 경우, 미확정 출력을 제공하도록 구성될 수도 있다.
프로세서는 각각의 체인에 대한 질문을 순서대로 제시하고 중복되는 질문을 스킵하기 위한 명령어를 가지고 구성될 수도 있다. 제1 체인은 자폐증 및 ADHD 분류기에 커플링되는 사회적/행동적 지연 분류기를 포함할 수도 있다. 제2 체인은 지적 장애 분류기에 커플링되는 말하기 및 언어 지연 분류기를 포함할 수도 있다. 유저는 제1 체인 및 제2 체인을 순서대로 거쳐갈 수도 있다.
다른 예시적인 방법
다른 양태에서, 실험 대상자에게 약물을 투여하기 위한 방법은 다음의 것을 포함할 수도 있다: 머신 러닝 분류기를 사용하여 실험 대상자의 신경학적 장애를 검출하는 것; 및 검출된 신경학적 장애에 응답하여 실험 대상자에게 약물을 투여하는 것.
암페타민은 5 mg 내지 50 mg의 용량으로 투여될 수도 있다. 덱스트로암페타민은 5 mg 내지 60 mg의 범위 내에 있는 용량으로 투여될 수도 있다. 메틸페니데이트는 5 mg 내지 60 mg의 범위 내에 있는 용량으로 투여될 수도 있다. 메탐페타민은 5 mg 내지 25 mg의 범위 내에 있는 용량으로 투여될 수도 있다. 덱스메틸페니데이트는 2.5 mg 내지 40 mg의 범위 내에 있는 용량으로 투여될 수도 있다. 구안판신은 1 mg 내지 10 mg의 범위 내에 있는 용량으로 투여될 수도 있다. 아토목세틴은 10 mg 내지 100 mg 범위 내에 있는 투여량으로 투여될 수도 있다. 리스덱삼페타민은 30 mg 내지 70 mg의 범위 내에 있는 용량으로 투여될 수도 있다. 클로니딘은 0.1 mg 내지 0.5 mg의 범위 내에 있는 용량으로 투여될 수도 있다. 모다피닐은 100 mg 내지 500 mg의 범위 내에 있는 용량으로 투여될 수도 있다. 리스페리돈은 0.5 mg 내지 20 mg의 범위 내에 있는 용량으로 투여될 수도 있다. 쿠에티아핀은 25 mg 내지 1000 mg의 범위 내에 있는 용량으로 투여될 수도 있다. 부스피론은 5 mg 내지 60 mg의 범위 내에 있는 용량으로 투여될 수도 있다. 설트랄린은 최대 200 mg의 용량으로 투여될 수도 있다. 에스시탈로프람은 최대 40 mg의 용량으로 투여될 수도 있다. 시탈로프람은 최대 40 mg의 용량으로 투여될 수도 있다. 플로옥세틴은 40 mg 내지 80 mg의 범위 내에 있는 용량으로 투여될 수도 있다. 파록세틴은 40 mg 내지 60 mg의 범위 내에 있는 용량으로 투여될 수도 있다. 벤라팍신은 최대 375 mg의 용량으로 투여될 수도 있다. 클로미프라민은 최대 250 mg의 용량으로 투여될 수도 있다. 플루복사민은 최대 300 mg의 용량으로 투여될 수도 있다.
머신 러닝 분류기는 70 % 이상의 포함 비율을 가질 수도 있다. 머신 러닝 분류기는 미확정 결과를 출력할 수 있을 수도 있다.
다른 예시적인 방법
복수의 관련된 행동 장애, 발달 지연, 및 신경학적 장애와 관련하여 개인을 평가하기 위한 컴퓨터 구현 방법이 본원에서 설명되는데, 상기 방법은 다음의 것을 포함한다: 상기 복수의 관련된 행동 장애, 발달 지연, 및 신경학적 장애에 관련되는 상기 개인에 대한 입력을 수신하는 것; 평가 분류기를 사용하여, 상기 개인이 상기 입력에 기초하여 자폐증 또는 자폐 스펙트럼 장애의 진단을 갖는다는 것을 결정하는 것; 및 머신 러닝 모델을 사용하여, 상기 개인의 상기 자폐증 또는 상기 자폐 스펙트럼 장애가 상기 디지털 치료법에 의해 개선될 것이라는 것을 결정하는 것.
몇몇 실시형태에서, 상기 머신 러닝 모델은 상기 디지털 치료법에 의해 달성될 개선의 정도를 결정한다.
몇몇 실시형태에서, 방법은, 상기 자폐증 또는 상기 자폐 스펙트럼 장애가 상기 디지털 치료법에 의해 개선될 것이라는 것이 결정되는 경우 상기 디지털 치료법을 상기 개인에게 제공하는 것을 포함한다.
몇몇 실시형태에서, 상기 디지털 치료법은 증강 현실 경험을 포함한다.
몇몇 실시형태에서, 상기 디지털 치료법은 가상 현실 경험을 포함한다.
몇몇 실시형태에서, 상기 디지털 치료법은 모바일 컴퓨팅 디바이스에 의해 제공된다.
몇몇 실시형태에서, 상기 모바일 컴퓨팅 디바이스는 스마트폰, 태블릿 컴퓨터, 랩탑, 스마트워치 또는 다른 웨어러블 컴퓨팅 디바이스를 포함한다.
몇몇 실시형태에서, 방법은, 상기 모바일 컴퓨팅 디바이스의 카메라를 사용하여 상기 증강 현실 경험에서 상기 개인에 의해 상호 작용되는 사람의 비디오 또는 이미지를 획득하는 것을 포함한다.
몇몇 실시형태에서, 방법은 상기 비디오 또는 상기 이미지를 분석하기 위한 이미지 분석 모듈을 사용하여 상기 사람과 관련되는 감정을 결정하는 것을 포함한다.
몇몇 실시형태에서, 상기 가상 현실 경험은 디스플레이된 가상의 사람 또는 캐릭터를 포함하고, 상기 방법은 상기 가상 현실 경험 내에서 상기 가상의 사람 또는 캐릭터에 의해 표현되는 감정을 결정하는 것을 더 포함한다.
몇몇 실시형태에서, 상기 감정의 설명은, 상기 모바일 컴퓨팅 디바이스의 화면 상에서 상기 설명을 인쇄하는 것 또는 상기 모바일 컴퓨팅 디바이스와 커플링되는 오디오 출력을 통해 상기 설명의 소리를 내는 것 중 어느 하나에 의해 상기 증강 현실 또는 가상 현실 경험 내에서 상기 개인에게 실시간으로 디스플레이된다.
몇몇 실시형태에서, 상기 분석 모듈은 상기 비디오 또는 이미지 내에서 상기 사람의 얼굴을 검출하기 위한 얼굴 인식 모듈을 포함한다.
몇몇 실시형태에서, 상기 이미지 분석 모듈은 상기 얼굴을 상기 감정을 나타내는 것으로서 분류하기 위해 머신 러닝을 사용하여 트레이닝되는 분류기를 포함한다.
몇몇 실시형태에서, 상기 컴퓨팅 디바이스는 상기 증강 현실 경험으로부터 오디오를 캡쳐하도록 구성되는 마이크를 포함한다.
몇몇 실시형태에서, 방법은 상기 마이크로부터의 사운드를 감정과 관련되는 것으로서 분류하는 것을 포함한다.
몇몇 실시형태에서, 방법은 상기 개인이 활동 모드에 참가하도록 상기 디지털 치료법과 함께 지침을 제공하는 것을 포함한다.
몇몇 실시형태에서, 상기 활동 모드는 감정 유도 활동, 감정 인식 활동, 또는 구조화되지 않은 놀이를 포함한다.
몇몇 실시형태에서, 방법은 상기 디지털 치료법과 함께 치료제를 제공하는 것을 포함한다.
몇몇 실시형태에서, 상기 치료제는 상기 개인이 상기 디지털 치료법을 받는 동안 상기 개인의 인식력을 개선시킨다.
몇몇 실시형태에서, 상기 디지털 치료법은 상기 개인의 사회적 상호성을 촉진하도록 구성된다.
다른 예시적인 디바이스
행동 장애, 발달 지연, 또는 신경학적 장애와 관련하여 개인에게 디지털 치료법을 제공하기 위한 디바이스가 본원에서 설명되는데, 상기 디바이스는: 디스플레이; 및 프로세서를 포함하되, 상기 프로세서는: 상기 복수의 관련된 행동 장애, 발달 지연, 및 신경학적 장애에 관련되는 상기 개인에 대한 입력을 수신하기 위한; 평가 분류기를 사용하여, 상기 개인이 상기 입력에 기초하여 자폐증 또는 자폐 스펙트럼 장애의 진단을 갖는다는 것을 결정하기 위한; 그리고 머신 러닝 모델을 사용하여, 상기 개인의 상기 자폐증 또는 상기 자폐 스펙트럼 장애가 상기 디지털 치료법에 의해 개선될 것이라는 것을 결정하기 위한 명령어를 가지고 구성된다.
몇몇 실시형태에서, 상기 머신 러닝 모델은 상기 디지털 치료법에 의해 달성될 개선의 정도를 결정한다.
몇몇 실시형태에서, 상기 프로세서는, 상기 자폐증 또는 상기 자폐 스펙트럼 장애가 상기 디지털 치료법에 의해 개선될 것이라는 것이 결정되는 경우 상기 디지털 치료법을 상기 개인에게 제공하기 위한 추가적인 명령어를 가지고 구성된다.
몇몇 실시형태에서, 상기 디지털 치료법은 증강 현실 경험을 포함한다.
몇몇 실시형태에서, 상기 디지털 치료법은 가상 현실 경험을 포함한다.
몇몇 실시형태에서, 상기 디지털 치료법은 모바일 컴퓨팅 디바이스에 의해 제공된다.
몇몇 실시형태에서, 상기 모바일 컴퓨팅 디바이스는 스마트폰, 태블릿 컴퓨터, 랩탑, 스마트워치 또는 다른 웨어러블 컴퓨팅 디바이스를 포함한다.
몇몇 실시형태에서, 상기 프로세서는, 상기 모바일 컴퓨팅 디바이스의 카메라를 사용하여 상기 증강 현실 경험에서 상기 개인에 의해 상호 작용되는 사람의 비디오 또는 이미지를 획득하기 위한 추가적인 명령어를 가지고 구성된다.
몇몇 실시형태에서, 상기 프로세서는 상기 비디오 또는 상기 이미지를 분석하기 위해 이미지 분석 모듈을 사용하여 상기 사람과 관련되는 감정을 결정하기 위한 추가적인 명령어를 가지고 구성된다.
몇몇 실시형태에서, 상기 가상 현실 경험은 디스플레이된 가상의 사람 또는 캐릭터를 포함하고, 상기 디바이스는 상기 가상 현실 경험 내에서 상기 가상의 사람 또는 캐릭터에 의해 표현되는 감정을 결정하는 것을 더 포함한다.
몇몇 실시형태에서, 상기 감정의 설명은, 상기 모바일 컴퓨팅 디바이스의 화면 상에서 상기 설명을 인쇄하는 것 또는 상기 모바일 컴퓨팅 디바이스와 커플링되는 오디오 출력을 통해 상기 설명의 소리를 내는 것 중 어느 하나에 의해 상기 증강 현실 또는 가상 현실 경험 내에서 상기 개인에게 실시간으로 디스플레이된다.
몇몇 실시형태에서, 상기 분석 모듈은 상기 비디오 또는 이미지 내에서 상기 사람의 얼굴을 검출하기 위한 얼굴 인식 모듈을 포함한다.
몇몇 실시형태에서, 상기 이미지 분석 모듈은 상기 얼굴을 상기 감정을 나타내는 것으로서 분류하기 위해 머신 러닝을 사용하여 트레이닝되는 분류기를 포함한다.
몇몇 실시형태에서, 상기 컴퓨팅 디바이스는 상기 증강 현실 경험으로부터 오디오를 캡쳐하도록 구성되는 마이크를 포함한다.
몇몇 실시형태에서, 상기 프로세서는, 상기 마이크로부터의 사운드를 감정과 관련되는 것으로서 분류하기 위한 추가적인 명령어를 가지고 구성된다.
몇몇 실시형태에서, 상기 프로세서는, 상기 개인이 활동 모드에 참가하도록 상기 디지털 치료법과 함께 지침을 제공하기 위한 추가적인 명령어를 가지고 구성된다.
몇몇 실시형태에서, 상기 활동 모드는 감정 유도 활동, 감정 인식 활동, 또는 구조화되지 않은 놀이를 포함한다.
몇몇 실시형태에서, 치료제가 상기 디지털 치료법과 함께 상기 개인에게 제공된다.
몇몇 실시형태에서, 상기 치료제는 상기 개인이 상기 디지털 치료법을 받는 동안 상기 개인의 인식력을 개선시킨다.
몇몇 실시형태에서, 상기 디지털 치료법은 상기 개인의 사회적 상호성을 촉진하도록 구성된다.
참조에 의한 통합
본 출원에서 언급되는 모든 간행물, 특허, 및 특허 출원은, 마치 각각의 개개의 간행물, 특허, 또는 특허 출원이 참조에 의해 통합되는 것으로 구체적으로 그리고 개별적으로 나타내어진 것과 동일한 정도로 참조에 의해 본원에 통합된다.
본 발명의 신규의 피쳐는 첨부된 청구범위에서 특별히 기술된다. 본 발명의 피쳐 및 이점의 더 나은 이해는, 본 발명의 원리가 활용되는 비제한적인 예시적 실시형태를 기술하는 다음의 상세한 설명, 및 첨부의 도면에 대한 참조에 의해 획득될 것인데, 첨부의 도면 중:
도 1a 및 도 1b는 본원에서 설명되는 바와 같은 평가 프로시져를 사용하여 평가될 수도 있는 일부 발달 장애를 도시한다.
도 2는 본원에서 설명되는 바와 같은 평가 프로시져를 제공하기 위한 데이터 프로세싱 모듈의 개략도이다.
도 3은 랜덤 포레스트 분류기에 기초한 평가 모델의 일부를 예시하는 개략도이다.
도 4는 본원에서 설명되는 바와 같은 예측 모듈의 동작 흐름이다.
도 5는 본원에서 설명되는 바와 같은 피쳐 추천 모듈의 동작 흐름이다.
도 6은 본원에서 설명되는 피쳐 추천 모듈에 의해 수행되는 바와 같은 예상된 피쳐 중요도 결정 알고리즘의 동작 흐름이다.
도 7은 본원에서 설명되는 바와 같은 평가 프로시져를 시행하는 방법을 예시한다.
도 8은 본원에서 설명되는 방법 및 디바이스와의 통합에 적절한 컴퓨터 시스템을 도시한다.
도 9는 본원에서 설명되는 바와 같은 평가 모델에 대한 감도 대 폴아웃(fall-out)을 매핑하는 수신기 동작 특성(receiver operating characteristic; ROC) 곡선을 도시한다.
도 10은 본원에서 설명되는 바와 같은 피쳐 추천 모듈에 대한 성과 메트릭을 예시하는 산포도(scatter plot)이다.
도 11은 본원에서 설명되는 바와 같은 평가 모듈의 동작 흐름이다.
도 12는 본원에서 설명되는 바와 같은 모델 튜닝 모듈의 동작 흐름이다.
도 13은 본원에서 설명되는 바와 같은 평가 모듈의 다른 동작 흐름이다.
도 14는 도 13에서 묘사되는 모델 출력 결합 단계의 동작 흐름이다.
도 15는 본원에서 설명되는 바와 같은 카테고리형 결정만을 제공하도록 구성되는 설문지 선별 알고리즘을 도시한다.
도 16은 본원에서 설명되는 바와 같은 카테고리형 및 미확정 결정을 제공하도록 구성되는 설문지 선별 알고리즘을 도시한다.
도 17은 본원에서 설명되는 바와 같은 모든 샘플에 대한 다양한 알고리즘의 성과의 비교를 도시한다.
도 18은 본원에서 설명되는 바와 같은 4세 미만 아이로부터 취해지는 샘플에 대한 다양한 알고리즘에 대한 성과의 비교를 도시한다.
도 19는 본원에서 설명되는 4세 이상 아이로부터 취해지는 샘플에 대한 다양한 알고리즘에 대한 성과의 비교를 도시한다.
도 20은 본원에서 설명되는 바와 같은 모든 샘플에 대한 75 % 내지 85 % 감도 범위에서의 알고리즘 전반의 특이성을 도시한다.
도 21은 본원에서 설명되는 바와 같은 4세 미만 아이에 대한 75 % 내지 85 % 민감도 범위에서의 알고리즘 전반의 특이성을 도시한다.
도 22는 본원에서 설명되는 바와 같은 4세 이상의 아이에 대한 75 % 내지 85 % 민감도 범위에서의 알고리즘 전반의 특이성을 도시한다.
도 23a는 디지털 개인 맞춤식 의료 플랫폼에 대한 시스템 다이어그램을 예시한다.
도 23b는 진단 모듈의 상세도를 예시한다.
도 23c는 치료 모듈의 다이어그램을 예시한다.
도 24는 디지털 개인 맞춤식 의료 플랫폼에서 제공될 진단 및 치료법에 대한 방법을 예시한다.
도 25는 자폐 관련 발달 지연의 핸들링을 도시하는 흐름도를 예시한다.
도 26은 다중 소스로부터의 정보를 통합하도록 구성되는, 진단 모듈 및 치료 모듈을 포함하는 디지털 개인 맞춤식 의료 시스템에 대한 데이터 프로세싱 흐름의 전체를 예시한다.
도 27은 다수의 임상적 적응(clinical indication)에 대해 실험 대상자를 평가하기 위한 시스템을 도시한다.
도 28은 본원에서 설명되는 플랫폼, 시스템, 디바이스, 방법 및 매체에 의한 진단에 응답하여 투여될 수도 있는 약물을 도시한다.
도 29는 본원에서 설명되는 바와 같은 개인을 평가하기 위한 플랫폼의 다이어그램을 도시한다.
도 30은 개인을 평가하기 위한 비제한적인 흐름도를 도시한다.
도 31a는 본원에서 설명되는 플랫폼, 시스템, 디바이스, 방법, 및 매체에 따라 개인을 평가하기 위한 모바일 디바이스에 대한 로그인 화면을 도시한다.
도 31b는 ASD 평가의 유저 부분의 완료를 나타내는 모바일 디바이스의 디스플레이 화면을 도시한다.
도 31c는 ASD를 갖는 것으로 의심되는 실험 대상자의 비디오를 캡쳐하기 위한 명령어를 제공하는 모바일 디바이스의 디스플레이 화면을 도시한다.
도 31d, 도 31e, 및 도 31f는 본원에서 설명되는 플랫폼, 시스템, 디바이스, 방법, 및 매체에 따라 실험 대상자를 평가함에 있어서의 사용을 위해 질문에 답변할 것을 유저에게 촉구하는 모바일 디바이스의 디스플레이 화면을 도시한다.
도 32는 본원에서 설명되는 플랫폼, 시스템, 디바이스, 방법, 및 매체에 따른 비디오 분석가 설문지의 일부로서 질문을 디스플레이하는 비디오 분석가 포털의 디스플레이 화면을 도시한다.
도 33은 본원에서 설명되는 플랫폼, 시스템, 디바이스, 방법, 및 매체에 따른 건강 관리 제공자 설문지의 일부로서 질문을 디스플레이하는 건강 관리 제공자 포털의 디스플레이 화면을 도시한다.
도 34는 본원에서 설명되는 플랫폼, 시스템, 디바이스, 방법, 및 매체에 따른 비디오 및 완료된 간병인 설문지를 포함하는 개인에 대한 업로드된 정보를 디스플레이하는 건강 관리 제공자 포털의 디스플레이 화면을 도시한다.
도 35는, 모바일 디바이스 소프트웨어 및 서버 소프트웨어를 비롯한, 본원에서 설명되는 바와 같은 실험 대상자에게 디지털 치료법을 제공하기 위한 플랫폼의 다이어그램을 도시한다.
도 36은 본원에서 설명되는 플랫폼, 시스템, 디바이스, 방법, 및 매체에 따라 디지털 치료법을 제공하도록 구성되는 디바이스의 다이어그램을 도시한다.
도 37은 본원에서 설명되는 플랫폼, 시스템, 디바이스, 방법, 및 매체에 따른 결합된 디지털 진단법 및 디지털 치료법의 동작 흐름을 도시한다.
도 38은 감정적 또는 사회적 단서를 검출하기 위해 이미지 또는 비디오 분석을 수행하는 얼굴 인식 모듈 및 감정 검출 모듈의 다이어그램을 도시한다.
용어 "기초하여" 및 "에 응답하여"는 본 개시에서 상호 교환 가능하게 사용된다.
용어 "프로세서"는 로컬 프로세서, 원격 프로세서, 또는 프로세서 시스템 중 하나 이상, 및 이들의 조합을 포함한다.
용어 "피쳐"는, 실험 대상자의 발달 진전을 결정하는 것에 관련되는 특성 또는 속성을 설명하기 위해 본원에서 사용된다. 예를 들면, "피쳐"는 하나 이상의 발달 장애에 대한 실험 대상자의 임상 평가 또는 진단에 관련되는 임상 특성(예를 들면, 연령, 실험 대상자가 가상 놀이(pretend play)에 참가하는 능력, 등등)을 나타낼 수도 있다. 용어 "피쳐 값"은 본원에서 대응하는 피쳐에 대한 특정한 실험 대상자의 값을 설명하기 위해 사용된다. 예를 들면, "피쳐 값"은 하나 이상의 발달 장애에 관련되는 실험 대상자의 임상적 특성을 나타낼 수도 있다(예를 들면, 피쳐가 "연령"인 경우, 피쳐 값은 3일 수 있고; 피쳐가 "가상 놀이에 참가하는 실험 대상자의 능력"인 경우, 피쳐 값은 "가상 놀이의 다양성" 또는 "가상 놀이 없음"일 수 있음).
본원에서 사용될 때, 어구 "자폐증" 및 "자폐 스펙트럼 장애"는 상호 교환 가능하게 사용될 수도 있다.
본원에서 사용될 때, 어구 "주의력 결핍 장애(attention deficit disorder; ADD)" 및 "주의력 결핍/과잉 행동 장애(ADHD)"는 상호 교환 가능하게 사용될 수도 있다.
본원에서 사용될 때, 용어 "얼굴 인식 표현 활동"은 (예를 들면, 디지털 치료 애플리케이션 또는 디바이스에서의) 치료 활동을 가리키는데, 여기서 아이는 그들의 환경에서 특정한 감정을 나타내는 사람을 찾을 것을 그리고 실시간 감정 확인을 받을 것을 촉구받는다(prompted). 얼굴 인식 표현 활동은 구조화되지 않은 놀이로서 또한 설명될 수 있다. 이 활동은 얼굴이 감정에서의 변화를 갖는다는 것에 보강을 제공하고 그리고 감정 사이를 구별하는 방법에 대한 트레이닝을 제공한다.
본원에서 사용될 때, 어구 "사회적 상호성"은 개인 사이의 서로 간의 상호적인 사회적 상호 작용 및/또는 의사 소통을 지칭한다. 사회적 상호성은, 예를 들면, 대화 또는 얼굴 표정 및/또는 신체 언어의 교환과 같은 언어적 및 비언어적 사회적 상호 작용을 포함할 수 있다. 사회적 상호성의 하나 이상의 엘리먼트 또는 지표는, 본원에서 개시되는 플랫폼, 시스템, 디바이스, 방법, 및 매체에 따라 측정될 수도 있다. 예를 들면, 사회적 상호성은 눈맞춤 또는 시선 고정(gaze fixation), 사회적 또는 감정적 단서에 대한 언어적 반응성(예를 들면, 부모에 의한 인사에 응답하여 "안녕하세요"라고 말하는 것), 사회적 또는 감정적 단서에 대한 비언어적 반응성(예를 들면, 부모의 미소에 응답하는 미소)을 사용하여 측정될 수 있다.
실험 대상자의 발달 진전을 결정하기 위한 방법 및 디바이스가 본원에서 설명된다. 예를 들면, 설명되는 방법 및 디바이스는, 실험 대상자를, 발달의 하나 이상의 영역에서 발달적으로 진보한 것으로 또는 하나 이상의 인지 기능에서 인지적으로 뒤처지는 것으로 식별할 수 있거나, 또는, 실험 대상자를, 하나 이상의 발달 장애를 가질 위험이 있거나 또는 발달적으로 지연된 것으로 식별할 수 있다. 개시되는 방법 및 디바이스는 평가 모델에 기초하여 실험 대상자의 복수의 특성 또는 피쳐를 평가하는 것에 의해 실험 대상자의 발달 진전을 결정할 수 있는데, 여기서 평가 모델은 머신 러닝 접근법을 사용하여 관련 실험 대상자 모집단의 대규모 데이터세트로부터 생성될 수 있다.
방법 및 디바이스가, 본원에서는, 실험 대상자의 하나 이상의 발달 장애를 식별하는 맥락에서 설명되지만, 방법 및 디바이스는 실험 대상자의 임의의 발달 진전을 결정함에 있어서의 사용에 대해 잘 적합된다. 예를 들면, 방법 및 디바이스는, 실험 대상자가 진보한 발달의 하나 이상의 영역을 식별하는 것에 의해, 실험 대상자를 발달적으로 진보한 것으로 식별하기 위해 사용될 수 있다. 진보한 발달의 하나 이상의 영역을 식별하기 위해, 방법 및 디바이스는, 예를 들면, 진보한 또는 재능이 있는 행동에 관련되는 실험 대상자의 하나 이상의 피쳐 또는 특성을 평가하도록 구성될 수도 있다. 설명되는 바와 같은 방법 및 디바이스는, 실험 대상자의 하나 이상의 인지 기능을 평가하는 것에 의해, 실험 대상자를, 하나 이상의 인지 기능에서 인지적으로 뒤처지는 것으로 식별하기 위해 또한 사용될 수 있다.
실험 대상자에서 하나 이상의 발달 장애에 대한 위험을 진단하거나 또는 평가하기 위한 방법 및 디바이스가 본원에서 설명된다. 방법은, 복수의 발달 장애 또는 상태 중 하나 이상에 대해 실험 대상자를 선별하기 위한 평가 프로시져를 구성 및 시행하기 위해 활용될 수 있는 데이터 프로세싱 모듈을 제공하는 것을 포함할 수도 있다. 평가 프로시져는 실험 대상자의 복수의 피쳐 또는 특성을 평가할 수 있는데, 여기서 각각의 피쳐는, 실험 대상자가 프로시져에 의해 선별 가능한 복수의 발달 장애 중 적어도 하나를 가질 가능성에 관련될 수 있다. 각각의 피쳐는, 실험 대상자가 두 개 이상의 관련된 발달 장애를 가질 가능성에 관련될 수도 있는데, 여기서 두 개 이상의 관련된 장애는 하나 이상의 관련된 증상을 가질 수도 있다. 피쳐는 많은 방식으로 평가될 수 있다. 예를 들면, 피쳐는, 본원에서 더욱 상세하게 설명되는 바와 같이, 질문에 대한 실험 대상자의 답변, 실험 대상자의 관찰 결과, 또는 실험 대상자와의 구조화된 상호 작용의 결과를 통해 평가될 수도 있다.
단일의 선별 프로시져 내에서 실험 대상자의 복수의 발달 장애를 구별하기 위해, 프로시져는 이전에 제시된 피쳐(예를 들면, 이전 질문에 대한 답변)에 대한 실험 대상자의 값에 기초하여, 프로시져의 시행 동안 실험 대상자에서 평가될 피쳐를 동적으로 선택할 수 있다. 평가 프로시져는 컴퓨팅 디바이스에 의해 제공되는 유저 인터페이스를 사용하여 실험 대상자 또는 실험 대상자의 돌보미(caretaker)에게 시행될 수 있다. 컴퓨팅 디바이스는, 유저가 유저 인터페이스를 통해 데이터 프로세싱 모듈과 상호 작용하는 것을 허용하기 위한 명령어를 저장한 프로세서를 포함한다. 평가 프로시져는 실험 대상자에게 시행하는 데 10분 미만, 예를 들면, 5분 미만이 소요될 수도 있다. 따라서, 본원에서 설명되는 장치 및 방법은, 단일의 상대적으로 짧은 선별 프로시져를 사용하여, 복수의 발달 장애 중 하나 이상을 가질 실험 대상자의 위험의 예측을 제공할 수 있다.
본원에서 개시되는 방법 및 디바이스는, 실험 대상자의 이전에 식별된 피쳐에 기초하여, 실험 대상자의 피쳐에 관련되는 가장 많이 관련된 다음 번 질문을 결정하기 위해 사용될 수 있다. 예를 들면, 방법 및 디바이스는 실험 대상자에 관련되는 이전에 답변된 질문에 응답하여 가장 많이 관련된 다음 번 질문을 결정하도록 구성될 수 있다. 가장 예측 가능한 다음 번 질문은 각각의 이전 질문이 답변을 받은 이후 식별될 수 있으며, 가장 예측 가능한 다음 번 질문의 시퀀스 및 답변의 대응하는 시퀀스가 생성될 수 있다. 답변의 시퀀스는 실험 대상자의 답변 프로파일을 포함할 수 있으며, 가장 예측 가능한 다음 번 질문은 실험 대상자의 답변 프로파일에 응답하여 생성될 수도 있다.
본원에서 개시되는 방법 및 디바이스는, 예를 들면, 이전 답변에 응답하여 가장 예측 가능한 다음 번 질문을 식별하는 것에 의해, 더 적은 수의 질문에 응답하여 위험에 처한 실험 대상자를 진단하거나 또는 식별하기 위해 사용될 수 있는 이전 질문과의 조합에 대해 잘 적합된다.
하나의 양태에서, 실험 대상자의 적어도 하나의 인지 기능 속성의 평가를 제공하는 방법은 다음의 동작을 포함한다: 프로세서 및 프로세서에 의한 실행을 위한 컴퓨터 프로그램을 저장하는 메모리를 갖는 컴퓨터 시스템 상에서. 컴퓨터 프로그램은 다음의 것을 하기 위한 명령어를 포함할 수도 있다: 1) 인지 기능 속성에 관련되는 실험 대상자의 데이터를 수신하는 것; 2) 머신 러닝 모델을 사용하여 실험 대상자의 데이터를 평가하는 것; 및 3) 실험 대상자에 대한 평가를 제공하는 것. 평가는, 데이터에 응답하여, 미확정 결정 및 카테고리형 결정으로 구성되는 그룹으로부터 선택될 수도 있다. 머신 러닝 모델은 복수의 머신 러닝 평가 모델의 선택된 서브세트를 포함할 수도 있다. 카테고리형 결정은 인지 기능 속성의 존재 및 인지 기능 속성의 부재를 포함할 수도 있다.
실험 대상자로부터 데이터를 수신하는 것은 데이터의 초기 세트를 수신하는 것을 포함할 수도 있다. 실험 대상자로부터의 데이터를 평가하는 것은, 튜닝 가능한 머신 러닝 평가 모델의 예비 서브세트의 각각에 대한 수치 점수를 출력하기 위해, 복수의 튜닝 가능한 머신 러닝 평가 모델로부터 선택되는 튜닝 가능한 머신 러닝 평가 모델의 예비 서브세트를 사용하여 데이터의 초기 세트를 평가하는 것을 포함할 수도 있다. 방법은, 데이터의 초기 세트의 분석에 기초하여 실험 대상자의 인지 기능 속성의 존재 또는 부재에 관한 카테고리형 결정 또는 미확정 결정을 제공하는 것을 더 포함할 수도 있는데, 여기서 미확정 결정 대 카테고리형 결정의 비율은 조정될 수 있다.
방법은 다음의 동작을 더 포함할 수도 있다: 1) 데이터의 초기 세트의 분석이 미확정 결정을 산출하는 경우, 복수의 튜닝 가능한 머신 러닝 평가 모델로부터 선택되는 추가적인 평가 모델을 적용할지의 여부를 결정하는 동작; 2) 결정의 결과에 기초하여 실험 대상자로부터 데이터의 추가적인 세트를 수신하는 동작; 3) 결정의 결과에 기초하여 추가적인 평가 모델의 각각에 대한 수치 점수를 출력하기 위해, 추가적인 평가 모델을 사용하여 실험 대상자로부터 데이터의 추가적인 세트를 평가하는 동작; 및 4) 추가적인 평가 모델을 사용한 실험 대상자로부터의 데이터의 추가적인 세트의 분석에 기초하여 실험 대상자의 인지 기능 속성의 존재 또는 부재에 관한 카테고리형 결정 또는 미확정 결정을 제공하는 동작. 미확정 결정 대 카테고리형 결정의 비율은 조정될 수도 있다.
방법은 다음의 동작을 더 포함할 수도 있다: 1) 결합된 예비 출력 점수를 생성하기 위해 평가 모델의 예비 서브세트의 각각에 대한 수치 점수를 결합하는 동작; 및 2) 결합된 예비 출력 점수를, 실험 대상자의 인지 기능 속성의 존재 또는 부재에 관한 카테고리형 결정으로 또는 미확정 결정으로 매핑하는 동작. 미확정 결정 대 카테고리형 결정의 비율은 조정될 수도 있다. 방법은 다음의 동작을 더 포함할 수도 있다: 1) 결합된 추가적인 출력 점수를 생성하기 위해 추가적인 평가 모델의 각각에 대한 수치 점수를 결합하는 동작; 및 2) 결합된 추가적인 출력 점수를, 실험 대상자의 인지 기능 속성의 존재 또는 부재에 관한 카테고리형 결정으로 또는 미확정 결정으로 매핑하는 동작. 미확정 결정 대 카테고리형 결정의 비율은 조정될 수도 있다. 방법은, 평가 모델의 예비 서브세트의 각각에 대한 수치 점수를 결합하기 위해 그리고 추가적인 평가 모델의 각각에 대한 수치 점수를 결합하기 위해 규칙 기반의 로직 또는 조합 기술을 활용하는 것을 더 포함할 수도 있다.
미확정 결정 대 카테고리형 결정의 비율은 포함 비율을 명시하는 것에 의해 조정될 수도 있는데, 여기서 실험 대상자의 발달 상태의 존재 또는 부재에 관한 카테고리형 결정은 민감도 및 특이성 메트릭을 제공하는 것에 의해 평가된다. 포함 비율은 70 % 이상일 수도 있는데, 카테고리형 결정은 적어도 70 %의 대응하는 특이성과 함께 적어도 70 %의 민감도로 나타날 수도 있다. 포함 비율은 70 % 이상일 수도 있는데, 카테고리형 결정은 적어도 80 %의 대응하는 특이성과 함께 적어도 80 %의 민감도로 나타날 수도 있다. 포함 비율은 70 % 이상일 수도 있는데, 카테고리형 결정은 적어도 90 %의 대응하는 특이성과 함께 적어도 90 %의 민감도로 나타날 수도 있다. 실험 대상자로부터의 데이터는 진단 기구의 샘플 중 적어도 하나를 포함할 수도 있는데, 여기서 진단 기구는 진단 질문 및 대응하는 선택 가능한 답변의 세트, 및 인구 통계학적 데이터를 포함한다.
방법은, 발달 상태에 대한 이전에 평가된 복수의 실험 대상자로부터의 데이터를 사용하여 복수의 튜닝 가능한 머신 러닝 평가 모델을 트레이닝시키는 것을 더 포함할 수도 있다. 트레이닝은 다음의 동작을 포함할 수도 있다: 1) 머신 러닝 기술을 사용하여 복수의 실험 대상자로부터의 데이터를 사전 프로세싱하는 동작; 2) 사전 프로세싱된 데이터로부터 머신 러닝 피쳐를 추출하고 인코딩하는 동작; 3) 의도된 애플리케이션 설정에서 실험 대상자 사이의 인지 기능 속성의 예상된 유병률을 반영하기 위해 복수의 실험 대상자로부터의 데이터를 프로세싱하는 동작; 4) 프로세싱된 머신 러닝 피쳐의 서브세트를 선택하는 동작; 5) 성과에 대해 복수의 튜닝 가능한 머신 러닝 평가 모델의 각각의 모델을 평가하는 동작; 및 6) 복수의 튜닝 가능한 머신 러닝 평가 모델의 선택된 서브세트 내의 모든 모델을 사용하는 이점을 결정하는 것에 기초하여 각각의 모델에 대한 파라미터의 최적의 세트를 결정하는 동작. 각각의 모델은 사전 결정된 포함 비율에 대한 민감도 및 특이성에 대해 평가될 수도 있다. 각각의 모델에 대한 파라미터의 최적의 세트를 결정하는 것은 상이한 튜닝 파라미터 설정 하에서 각각의 모델의 파라미터를 튜닝하는 것을 포함할 수도 있다. 인코딩된 머신 러닝 피쳐를 프로세싱하는 것은 데이터의 모든 샘플에 샘플 가중치를 계산하여 할당하는 것을 포함할 수도 있다. 데이터의 각각의 샘플은 복수의 실험 대상자 중의 실험 대상자에 대응할 수도 있다. 샘플은 실험 대상자 고유의 차원에 따라 그룹화될 수도 있다. 샘플 가중치는, 의도된 설정에서 실험 대상자 사이의 각각의 차원의 예상된 분포를 반영하기 위해, 샘플의 하나의 그룹을 샘플의 모든 다른 그룹에 대해 균형을 맞추도록 계산되고 할당될 수도 있다. 실험 대상자 고유의 차원은 실험 대상자의 성별, 실험 대상자가 거주하는 지리적 지역, 및 실험 대상자의 연령을 포함할 수도 있다. 사전 프로세싱된 데이터로부터 머신 러닝 피쳐를 추출하고 인코딩하는 것은, 원 핫 인코딩, 중증도 인코딩, 및 행동의 존재 인코딩과 같은 그러나 이들로 제한되지는 않는 피쳐 인코딩 기술을 사용하는 것을 포함할 수도 있다. 프로세싱된 머신 러닝 피쳐의 서브세트를 선택하는 것은, 프로세싱된 머신 러닝 피쳐로부터 구별 피쳐의 서브세트를 식별하기 위해 부트스트래핑 기술을 사용하는 것을 포함할 수도 있다.
인지 기능 속성은 행동 장애 및 발달 진보를 포함할 수도 있다. 실험 대상자에 대해 제공되는 카테고리형 결정은, 데이터에 응답하여 미확정 결정, 다수의 인지 기능 속성의 존재 및 다수의 인지 기능 속성의 부재로 구성되는 그룹으로부터 선택될 수도 있다.
다른 양태에서, 실험 대상자의 인지 기능 속성을 평가하기 위한 장치는 프로세서를 포함할 수도 있다. 프로세서는, 실행시, 프로세서로 하여금, 인지 기능 속성에 관련되는 실험 대상자의 데이터를 수신하게 하는 그리고 규칙을 적용하여 실험 대상자에 대한 카테고리형 결정을 생성하는 명령어를 가지고 구성될 수도 있다. 카테고리형 결정은, 데이터에 응답하여, 미확정 결정, 인지 기능 속성의 존재, 및 인지 기능 속성의 부재로 구성되는 그룹으로부터 선택될 수도 있다. 인지 기능 속성은 인지 기능 속성의 존재 또는 부재에 대해, 각각, 적어도 70 %의 민감도 및 적어도 70 %의 특이성을 사용하여 결정될 수도 있다. 인지 기능 속성은, 자폐증, 자폐 스펙트럼, 주의력 결핍 장애, 주의력 결핍 과잉 행동 장애 및 말하기 및 학습 장애로 구성되는 그룹으로부터 선택될 수도 있다. 인지 기능 속성은 인지 기능 속성의 존재 또는 부재에 대해, 각각, 적어도 80 %의 민감도 및 적어도 80 %의 특이성을 사용하여 결정될 수도 있다. 인지 기능 속성은 인지 기능 속성의 존재 또는 부재에 대해, 각각, 적어도 90 %의 민감도 및 적어도 90 %의 특이성을 사용하여 결정될 수도 있다. 인지 기능 속성은 행동 장애 및 발달 진보를 포함할 수도 있다.
다른 양태에서, 실험 대상자의 인지 기능 속성을 평가하기 위한 프로세서에 의해 실행 가능한 명령어를 포함하는 컴퓨터 프로그램으로 인코딩되는 비일시적 컴퓨터 판독 가능 저장 매체는 매체 상에 레코딩되는 데이터베이스를 포함한다. 데이터베이스는 적어도 하나의 인지 기능 속성 및 복수의 튜닝 가능한 머신 러닝 평가 모델에 관련되는 복수의 실험 대상자의 데이터; 평가 소프트웨어 모듈; 및 모델 튜닝 소프트웨어 모듈을 포함할 수도 있다. 평가 소프트웨어 모듈은 다음의 것을 하기 위한 명령어를 포함할 수도 있다: 1) 인지 기능 속성에 관련되는 실험 대상자의 데이터를 수신하는 것; 2) 복수의 머신 러닝 평가 모델의 선택된 서브세트를 사용하여 실험 대상자의 데이터를 평가하는 것; 및 3) 실험 대상자에 대한 카테고리형 결정 - 카테고리형 결정은, 데이터에 응답하여, 미확정 결정, 인지 기능 속성의 존재 및 인지 기능 속성의 부재로 구성되는 그룹으로부터 선택됨 - 을 제공하는 것. 모델 튜닝 소프트웨어 모듈은 다음의 것을 하기 위한 명령어를 포함할 수도 있다: 1) 머신 러닝 기술을 사용하여 복수의 실험 대상자로부터의 데이터를 사전 프로세싱하는 것; 2) 사전 프로세싱된 데이터로부터 머신 러닝 피쳐를 추출하고 인코딩하는 것; 3) 의도된 애플리케이션 설정에서 예상되는 실험 대상자 분포를 반영하기 위해 인코딩된 머신 러닝 피쳐를 프로세싱하는 것; 4) 프로세싱된 머신 러닝 피쳐의 서브세트를 선택하는 것; 5) 성과에 대해 복수의 튜닝 가능한 머신 러닝 평가 모델의 각각의 모델을 평가하는 것; 및 6) 상이한 튜닝 파라미터 설정 하에서 각각의 모델의 파라미터를 튜닝하는 것; 및 7) 복수의 튜닝 가능한 머신 러닝 평가 모델의 선택된 서브세트 내의 모든 모델을 사용하는 이점을 결정하는 것에 기초하여 각각의 모델에 대한 파라미터의 최적의 세트를 결정하는 것. 각각의 모델은 사전 결정된 포함 비율에 대한 민감도 및 특이성에 대해 평가될 수도 있다. 인지 기능 속성은 행동 장애 및 발달 진보를 포함할 수도 있다.
다른 양태에서, 컴퓨터 구현 시스템은 디지털 프로세싱 디바이스를 포함할 수도 있다. 디지털 프로세싱은 적어도 하나의 프로세서, 실행 가능 명령어를 수행하도록 구성되는 오퍼레이팅 시스템, 메모리, 및 컴퓨터 프로그램을 포함할 수도 있다. 메모리는 적어도 하나의 인지 기능 속성에 관련되는 복수의 실험 대상자의 데이터를 수용하기 위한 스토리지 및 복수의 머신 러닝 평가 모델을 수용하기 위한 스토리지를 포함할 수도 있다. 컴퓨터 프로그램은 다음의 것을 하기 위한 디지털 프로세싱 디바이스에 의해 실행 가능한 명령어를 포함할 수도 있다: 1) 인지 기능 속성에 관련되는 실험 대상자의 데이터를 수신하는 것; 2) 복수의 머신 러닝 평가 모델의 선택된 서브세트를 사용하여 실험 대상자의 데이터를 평가하는 것; 및 3) 실험 대상자에 대한 카테고리형 결정 - 카테고리형 결정은, 데이터에 응답하여, 미확정 결정, 인지 기능 속성의 존재 및 인지 기능 속성의 부재로 구성되는 그룹으로부터 선택됨 - 을 제공하는 것. 인지 기능 속성은 행동 장애 및 발달 진보를 포함할 수도 있다.
다른 양태에서, 실험 대상자의 적어도 하나의 인지 기능 속성의 평가를 제공하기 위한 모바일 디바이스는 디스플레이 및 프로세서를 포함할 수도 있다. 프로세서는 인지 기능 속성에 관련되는 실험 대상자의 데이터를 수신 및 디스플레이하고 실험 대상자에 대한 평가를 수신 및 디스플레이하기 위한 명령어를 가지고 구성될 수도 있다. 평가는 미확정 결정 및 카테고리형 결정으로 구성되는 그룹으로부터 선택될 수도 있다. 실험 대상자에 대한 평가는 실험 대상자의 데이터에 응답하여 결정될 수도 있다. 카테고리형 결정은 인지 기능 속성의 존재 및 인지 기능 속성의 부재로 구성되는 그룹으로부터 선택될 수도 있다. 인지 기능 속성은 인지 기능 속성의 존재 또는 부재에 대해, 각각, 적어도 80 %의 민감도 및 적어도 80 %의 특이성을 사용하여 결정될 수도 있다. 인지 기능 속성은 인지 기능 속성의 존재 또는 부재에 대해, 각각, 적어도 90의 민감도 및 적어도 90의 특이성을 사용하여 결정될 수도 있다. 인지 기능 속성은 행동 장애 및 발달 진보를 포함할 수도 있다.
다른 양태에서, 개인 치료 요법 계획을 사용하여 실험 대상자를 치료하기 위한 디지털 치료 시스템은 하나 이상의 프로세서, 실험 대상자로부터 데이터를 수신하고 실험 대상자에 대한 진단 데이터를 출력하기 위한 진단 모듈, 및 진단 데이터를 수신하고 실험 대상자에 대한 개인 치료 요법 계획을 출력하기 위한 치료 모듈을 포함할 수도 있다. 진단 모듈은, 실험 대상자에 대한 진단 데이터를 결정하기 위해, 실험 대상자 모집단에 기초하여 통계적 모델링 또는 머신 러닝을 사용하여 구축되는 하나 이상의 분류기를 포함할 수도 있다. 진단 데이터는 실험 대상자에 대한 평가를 포함할 수도 있는데, 그 평가는, 실험 대상자로부터 수신되는 데이터에 응답하여, 미확정 결정 및 카테고리형 결정으로 구성되는 그룹으로부터 선택된다. 치료 모듈은, 실험 대상자의 개인 치료 요법 계획을 결정하고 출력하기 위해, 실험 대상자 모집단의 적어도 일부에 기초하여 통계적 모델링 또는 머신 러닝을 사용하여 구축되는 하나 이상의 모델을 포함할 수도 있다. 진단 모듈은, 실험 대상자의 치료에 응답하여 실험 대상자로부터 업데이트된 실험 대상자 데이터를 수신하도록 그리고 실험 대상자로부터 업데이트된 진단 데이터를 생성하도록 구성될 수도 있다. 치료 모듈은 업데이트된 진단 데이터를 수신하도록 그리고 진단 데이터 및 업데이트된 진단 데이터에 응답하여 실험 대상자에 대한 업데이트된 개인 치료 계획을 출력하도록 구성될 수도 있다. 진단 모듈은 실험 대상자 모집단에 대해 트레이닝되는 진단 머신 러닝 분류기를 포함할 수도 있다. 치료 모듈은 실험 대상자 모집단의 적어도 일부에 대해 트레이닝되는 치료 머신 러닝 분류기를 포함할 수도 있다. 진단 모듈 및 치료 모듈은, 진단 모듈이 치료 계획의 성과에 기초하여 치료 모듈에 피드백을 제공하도록 배열될 수도 있다. 치료 분류기는 실험 대상자가 멤버가 아닌 모집단을 포함하는 데이터 세트에 대해 트레이닝되는 명령어를 포함할 수도 있다. 실험 대상자는 모집단의 멤버가 아닌 사람을 포함할 수도 있다. 진단 모듈은 적어도 10,000 명의 사람들의 실험 대상자 모집단의 복수의 프로파일에 대해 트레이닝되는 진단 분류기 및 실험 대상자 모집단의 복수의 프로파일에 대해 트레이닝되는 치료 프로파일을 포함할 수도 있다.
다른 양태에서, 개인 치료 요법 계획을 사용하여 실험 대상자를 치료하기 위한 디지털 치료 시스템은 프로세서, 실험 대상자로부터 데이터를 수신하고 실험 대상자에 대한 진단 데이터를 출력하기 위한 진단 모듈, 및 진단 데이터를 수신하고 실험 대상자에 대한 개인 치료 요법 계획을 출력하기 위한 치료 모듈을 포함할 수도 있다. 진단 데이터는 실험 대상자에 대한 평가를 포함할 수도 있는데, 그 평가는, 실험 대상자로부터 수신되는 데이터에 응답하여, 미확정 결정 및 카테고리형 결정으로 구성되는 그룹으로부터 선택된다. 개인 치료 요법 계획은 디지털 치료법을 포함할 수도 있다. 디지털 치료법은 실험 대상자 또는 간병인에게 제공되는 지침, 피드백, 활동 또는 상호 작용을 포함할 수도 있다. 디지털 치료법은 모바일 디바이스를 사용하여 제공될 수도 있다. 진단 데이터 및 개인 치료 요법 계획은 써드파티 시스템으로 제공될 수도 있다. 써드파티 시스템은 건강 관리 전문가의 컴퓨터 시스템 또는 치료 전달 시스템을 포함할 수도 있다. 진단 모듈은, 실험 대상자의 피드백 데이터에 응답하여 실험 대상자로부터 업데이트된 실험 대상자 데이터를 수신하도록 그리고 업데이트된 진단 데이터를 생성하도록 구성될 수도 있다. 치료 모듈은 업데이트된 진단 데이터를 수신하도록 그리고 진단 데이터 및 업데이트된 진단 데이터에 응답하여 실험 대상자에 대한 업데이트된 개인 치료 계획을 출력하도록 구성될 수도 있다. 업데이트된 실험 대상자 데이터는 개인 치료 요법 계획으로부터 유래하는 상대적 레벨의 효능, 순응도 및 반응을 식별하는 피드백 데이터에 응답하여 수신될 수도 있다. 진단 모듈은 진단 데이터를 결정하기 위해 실험 대상자 모집단에 기초하여 머신 러닝 또는 통계적 모델링을 사용할 수도 있다. 치료 모듈은 실험 대상자의 개인 치료 요법 계획을 결정하기 위해 실험 대상자 모집단의 적어도 일부에 기초할 수도 있다. 진단 모듈은 실험 대상자 모집단에 대해 트레이닝되는 진단 머신 러닝 분류기를 포함할 수도 있다. 치료 모듈은 실험 대상자 모집단의 적어도 일부에 대해 트레이닝되는 치료 머신 러닝 분류기를 포함할 수도 있다. 진단 모듈은 개인 치료 요법 계획의 성과에 기초하여 치료 모듈에 피드백을 제공하도록 구성될 수도 있다. 실험 대상자로부터의 데이터는 실험 대상자 및 간병인 비디오, 오디오, 질문 또는 활동에 대한 반응, 및 활동, 게임 또는 시스템의 소프트웨어 피쳐와의 유저 상호 작용으로부터의 능동적인 또는 수동적 데이터 스트림 중 적어도 하나를 포함할 수도 있다. 실험 대상자는 행동 장애, 신경학적 장애 및 정신 건강 장애로 구성되는 그룹으로부터 선택되는 위험을 가질 수도 있다. 행동, 신경학적 또는 정신 건강 장애는, 자폐증, 자폐 스펙트럼, 주의력 결핍 장애, 우울증, 강박 장애(obsessive compulsive disorder), 정신분열증(schizophrenia), 알츠하이머병, 치매, 주의력 결핍 과잉 행동 장애 및 말하기 및 학습 장애로 구성되는 그룹으로부터 선택될 수도 있다. 진단 모듈은 성인이 아이 또는 청소년의 평가를 수행하도록 또는 평가를 위한 데이터를 제공하도록 구성될 수도 있다. 진단 모듈은 간병인 또는 가족 멤버가 실험 대상자의 평가를 수행하도록 또는 실험 대상자의 평가를 위한 데이터를 제공하도록 구성될 수도 있다.
다른 양태에서, 비일시적 컴퓨터 판독 가능 저장 매체는 프로그램으로 인코딩될 수도 있다. 컴퓨터 프로그램은 다음의 것을 하기 위한 실행 가능한 명령어를 포함할 수도 있다: 1) 실험 대상자로부터 입력 데이터를 수신하고 실험 대상자에 대한 진단 데이터를 출력하는 것; 2) 진단 데이터를 수신하고 실험 대상자에 대한 개인 치료 요법 계획을 출력하는 것; 및 3) 실험 대상자의 개인 치료 요법 계획을 결정하고 출력하기 위해 실험 대상자 모집단의 적어도 일부에 기초하여 진단 데이터를 평가하는 것. 진단 데이터는 실험 대상자에 대한 평가를 포함할 수도 있는데, 그 평가는, 실험 대상자로부터 수신되는 입력 데이터에 응답하여, 미확정 결정 및 카테고리형 결정으로 구성되는 그룹으로부터 선택된다. 업데이트된 실험 대상자 입력 데이터는 실험 대상자의 치료에 응답하여 실험 대상자로부터 수신될 수도 있고 업데이트된 진단 데이터는 실험 대상자로부터 생성될 수도 있다. 업데이트된 진단 데이터가 수신될 수도 있고 진단 데이터 및 업데이트된 진단 데이터에 응답하여 실험 대상자에 대한 업데이트된 개인 치료 계획이 출력될 수도 있다.
다른 양태에서, 비일시적 컴퓨터 판독 가능 저장 매체는 컴퓨터 프로그램으로 인코딩될 수도 있다. 컴퓨터 프로그램은, 실험 대상자로부터 입력 데이터를 수신하고 실험 대상자에 대한 진단 데이터를 출력하고 진단 데이터를 수신하고 실험 대상자에 대한 개인 치료 요법 계획을 출력하기 위한 실행 가능 명령어를 포함할 수도 있다. 진단 데이터는 실험 대상자에 대한 평가를 포함할 수도 있는데, 그 평가는, 실험 대상자로부터 수신되는 데이터에 응답하여, 미확정 결정 및 카테고리형 결정으로 구성되는 그룹으로부터 선택된다. 개인 치료 요법 계획은 디지털 치료법을 포함할 수도 있다.
다른 양태에서, 개인 치료 요법 계획을 사용하여 실험 대상자를 치료하는 방법은, 실험 대상자로부터 데이터를 수신하고 실험 대상자에 대한 진단 데이터 - 진단 데이터는 실험 대상자에 대한 평가를 포함함 - 를 출력하는 진단 프로세스 및 진단 데이터를 수신하고 실험 대상자에 대한 개인 치료 요법 계획을 출력하는 치료 프로세스를 포함할 수도 있다. 평가는 실험 대상자로부터 수신되는 데이터에 응답하여 미확정 결정 및 카테고리형 결정으로 구성되는 그룹으로부터 선택될 수도 있다. 진단 프로세스는, 실험 대상자의 치료에 응답하여 실험 대상자로부터 업데이트된 실험 대상자 데이터를 수신하는 것 및 실험 대상자로부터 업데이트된 진단 데이터를 생성하는 것을 포함할 수도 있다. 치료 프로세스는 업데이트된 진단 데이터를 수신하는 것 및 진단 데이터 및 업데이트된 진단 데이터에 응답하여 실험 대상자에 대한 업데이트된 개인 치료 계획을 출력하는 것을 포함할 수도 있다. 업데이트된 실험 대상자 데이터는 개인 치료 요법 계획으로부터 유래하는 상대적 레벨의 효능, 순응도 및 반응을 식별하는 피드백 데이터에 응답하여 수신될 수도 있다. 개인 치료 요법 계획은 디지털 치료법을 포함할 수도 있다. 디지털 치료법은 실험 대상자 또는 간병인에게 제공되는 지침, 피드백, 활동 또는 상호 작용을 포함할 수도 있다. 디지털 치료법은 모바일 디바이스를 사용하여 제공될 수도 있다. 방법은 진단 데이터 및 개인 치료 요법 계획을 써드파티 시스템으로 제공하는 것을 더 포함할 수도 있다. 써드파티 시스템은 건강 관리 전문가의 컴퓨터 시스템 또는 치료 전달 시스템을 포함할 수도 있다. 진단 프로세스는, 진단 데이터를 결정하기 위해, 실험 대상자 모집단에 기초하여 머신 러닝, 분류기, 인공 지능, 또는 통계적 모델링으로 구성되는 그룹으로부터 선택되는 프로세스에 의해 수행될 수도 있다. 치료 프로세스는, 실험 대상자의 개인 치료 요법 계획을 결정하기 위해, 실험 대상자 모집단의 적어도 일부에 기초하여 머신 러닝, 분류기, 인공 지능, 또는 통계적 모델링으로 구성되는 그룹으로부터 선택되는 프로세스에 의해 수행될 수도 있다. 진단 프로세스는 실험 대상자 모집단에 대해 트레이닝되는 진단 머신 러닝 분류기에 의해 수행될 수도 있다. 치료 프로세스는 실험 대상자 모집단의 적어도 일부에 대해 트레이닝되는 치료 머신 러닝 분류기에 의해 수행될 수도 있다. 진단 프로세스는 개인 치료 요법 계획의 성과에 기초하여 치료 모듈에 피드백을 제공하는 것을 포함할 수도 있다. 실험 대상자로부터의 데이터는 실험 대상자 및 간병인 비디오, 오디오, 질문 또는 활동에 대한 반응, 및 활동, 게임 또는 소프트웨어 피쳐와의 유저 상호 작용으로부터의 능동적인 또는 수동적 데이터 스트림 중 적어도 하나를 포함할 수도 있다. 진단 프로세스는 아이 또는 청소년의 평가를 수행하기 위해 또는 평가를 위한 데이터를 제공하기 위해 성인에 의해 수행될 수도 있다. 진단 프로세스는 간병인 또는 가족 멤버가 실험 대상자의 평가를 수행하는 것 또는 평가를 위한 데이터를 제공하는 것을 가능하게 할 수도 있다. 실험 대상자는 행동 장애, 신경학적 장애 및 정신 건강 장애로 구성되는 그룹으로부터 선택되는 위험을 가질 수도 있다. 위험은 자폐증, 자폐 스펙트럼, 주의력 결핍 장애, 우울증, 강박 장애, 정신분열증, 알츠하이머병, 치매, 주의력 결핍 과잉 행동 장애, 및 말하기 및 학습 장애로 구성되는 그룹으로부터 선택될 수도 있다.
쉽게 이용 가능한 컴퓨팅 디바이스(예를 들면, 스마트폰)를 사용하여 디지털 치료법과 함께 진단을 제공하며 머신 러닝을 활용하는 시스템 및 방법이 본원에서 개시된다.
행동 장애, 발달 지연, 및 신경학적 장애의 관련된 카테고리로부터의 하나 이상의 진단을 갖는 개인을 평가하고 치료하기 위한 방법 및 디바이스가 본원에서 설명된다. 몇몇 실시형태에서, 평가는 개인의 진단의 식별 또는 확인을 포함하는데, 여기서 진단은 다음의 것을 포함하는 진단의 관련된 카테고리 중 하나 이상 내에 속한다: 행동 장애, 발달 지연, 및 신경학적 장애. 몇몇 실시형태에서, 본원에서 설명되는 방법 또는 디바이스에 의해 실행되는 평가는, 개인이 치료에 반응할지의 여부의 평가를 포함한다. 몇몇 실시형태에서, 본원에서 설명되는 방법 또는 디바이스에 의해 실행되는 바와 같은 평가는, 개인이 특정한 치료에 반응할 정도의 평가를 포함한다. 예를 들면, 몇몇 실시형태에서, 개인은, 본원에서 설명되는 방법 또는 디바이스를 사용하여, 디지털 치료법에 고도로 반응하는 것으로 평가된다. 몇몇 실시형태에서, 디지털 치료법은, 개인이 디지털 치료법에 고도로 반응할 것이라는 것이 결정되는 경우, 시행된다.
디지털 치료법, 비디지털 치료법, 의약품, 또는 이들의 임의의 조합을 포함하는 개인 맞춤식 치료 요법이 또한 본원에서 설명된다. 몇몇 실시형태에서, 치료제는 디지털 치료법과 함께 투여된다. 몇몇 실시형태에서, 디지털 치료법과 함께 투여되는 치료제는 디지털 치료법을 받고 있는 개인에 대한 디지털 치료법의 성과를 개선하도록 구성된다. 몇몇 실시형태에서, 디지털 치료법과 함께 투여되는 치료제는 디지털 치료법을 받고 있는 개인의 인식력을 개선시킨다. 몇몇 실시형태에서, 치료제는 디지털 치료법을 받고 있는 개인을 이완시킨다. 몇몇 실시형태에서, 치료제는 디지털 치료법을 받고 있는 개인의 집중력 또는 초점의 레벨을 개선한다.
디지털 치료법은 본원에서 설명되는 방법 또는 디바이스에 의해 개인 또는 간병인에게 제공되는 지침, 피드백, 활동 또는 상호 작용을 포함할 수 있다. 몇몇 실시형태에서 디지털 치료법은 시스템 소프트웨어 및/또는 써드파티 디바이스와의 행동, 활동, 게임 또는 상호 작용 세션을 제안하도록 구성된다.
본원에서 설명되는 방법 및 디바이스에 의해 활용되는 디지털 치료법은, 증강 현실, 가상 현실, 실시간 인지 지원, 또는 기술을 사용하여 증강되는 다른 행동 치료법을 비롯한, 다양한 디지털 애플리케이션을 사용하여 구현될 수 있다. 디지털 치료법은 가상 또는 증강 현실 환경을 생성하도록 구성되는 임의의 디바이스를 사용하여 구현될 수 있다. 그러한 디바이스는, 카메라 및/또는 마이크를 사용하여 캡쳐되는 비디오 및/또는 오디오와 같은 하나 이상의 센서 입력을 포함하도록 구성될 수 있다. 본원에서 설명되는 바와 같은 디지털 치료법을 제공하기에 적절한 디바이스의 비제한적인 예는, 웨어러블 디바이스, 스마트폰, 태블릿 컴퓨팅 디바이스, 랩탑, 프로젝터 및 가상 또는 증강 현실 경험을 생성하기에 적절한 임의의 다른 디바이스를 포함한다.
본원에서 설명되는 시스템 및 방법은 기술적 증강 경험(예를 들면, 증강 현실 및/또는 가상 현실)을 통해 유저에게 사회성 학습 도구(social learning tool) 또는 보조 기구를 제공할 수 있다. 몇몇 실시형태에서, 디지털 치료법은 개인의 사회적 상호성을 촉진하도록 또는 개선하도록 구성된다. 몇몇 실시형태에서, 디지털 치료법은 자폐증 또는 자폐 스펙트럼 장애를 갖는 개인의 사회적 상호성을 촉진하도록 또는 개선하도록 구성된다.
본원에서 설명되는 방법 및 디바이스의 몇몇 실시형태에서, 가상 또는 증강 현실 기반의 디지털 치료법을 전달하기 위한 방법 또는 디바이스는 입력을 수신하고 이들 실시형태 중 일부에서 입력은 가상 또는 증강 현실이 치료를 받고 있는 개인에게 제시되는 방식에 영향을 끼친다. 몇몇 실시형태에서, 디지털 치료법을 전달하기 위해 사용되는 컴퓨팅 디바이스의 카메라 및/또는 마이크로부터 입력이 수신된다. 몇몇 예에서, 입력은, 예를 들면, 모션 센서 또는 활력 징후(vital sign) 센서와 같은 센서로부터 수신된다. 몇몇 실시형태에서, 비디오, 이미지, 및/또는 사운드의 형태의 입력은, 제공되는 가상 또는 증강 현실을 통해 실험 대상자에게 피드백 및/또는 행동 수정을 제공하기 위해, 인공 지능 또는 머신 러닝 모델과 같은 알고리즘(들)을 사용하여 캡쳐되고 분석된다.
몇몇 실시형태에서, 방법 또는 디바이스에 대한 입력은, 디지털 치료법 수혜자(digital therapy recipient)가 가상 현실 또는 증강 현실 상호 작용 중 어느 하나에서 상호 작용하는 한 명 이상의 다른 개인의 얼굴 표정 또는 다른 사회적 단서의 평가를 포함한다.
증강 현실 디지털 치료법 경험의 비제한적인 예에서, 개인은 실제 사람과 반응할 수도 있고, 이 예에서, 사람의 비디오, 이미지 및/또는 사운드 레코딩은 디지털 치료법을 전달하고 있는 컴퓨팅 디바이스에 의해 취해진다. 그 다음, 비디오, 이미지, 및/또는 사운드 레코딩은, 증강 현실 환경에서 개인에 의해 상호 작용되는 사람의 얼굴 표정(또는 다른 사회적 단서)과 관련되는 감정을 결정하는 분석 분류기를 사용하여 분석된다. 얼굴 표정(또는 다른 사회적 단서)의 분석은 얼굴 표정 및/또는 다른 사회적 단서와 관련되는 감정 또는 기분의 평가를 포함할 수도 있다. 분석의 결과는, 그 다음, 디지털 치료법을 받고 있는 개인에게 제공된다. 몇몇 실시형태에서, 분석의 결과는 증강 현실 환경 내에서 디스플레이된다. 몇몇 실시형태에서, 분석의 결과는 컴퓨팅 디바이스의 화면 상에서 디스플레이된다. 몇몇 실시형태에서, 분석의 결과는 가청의 사운드 또는 메시지를 통해 제공된다.
가상 현실 디지털 치료법 경험의 비제한적인 예에서, 디지털 치료법을 받고 있는 개인은 실제 사람의 이미지 또는 표현 또는 상호 작용식 오브젝트의 다른 예술적 렌더링 또는 만화 캐릭터와 같은 가상 오브젝트 또는 캐릭터의 이미지 또는 표현과 상호 작용할 수도 있다. 이 예에서, 소프트웨어는 가상 현실 환경 내에서 가상의 사람, 캐릭터 또는 오브젝트에 의해 전달되는 감정을 결정한다. 분석의 결과는, 그 다음, 디지털 치료법을 받고 있는 개인에게 제공된다. 몇몇 실시형태에서, 분석의 결과는 증강 현실 환경 내에서 디스플레이된다. 몇몇 실시형태에서, 분석의 결과는 컴퓨팅 디바이스의 화면 상에서 디스플레이된다. 몇몇 실시형태에서, 분석의 결과는 가청의 사운드 또는 메시지를 통해 제공된다.
추가로 예시적인 예로서, 디지털 치료법 수혜자에 의해 상호 작용되는 미소 짓고 있는 개인은 행복한 것으로 평가된다. 이 예에서, 입력은 얼굴 표정 또는 다른 사회적 단서의 평가를 포함하고, 그것은, 이들 얼굴 표정 또는 사회적 단서의 인식을 학습하는 것을 돕기 위해, 디스플레이되거나 또는 다르게는 디지털 치료법의 수혜자가 이용 가능하게 만들어진다. 즉, 이 예에서, 개인이 표현하는 것으로 평가되는 감정(이 예에서는 행복)은, 예를 들면, 가상 또는 증강 현실 경험에서 개인이 미소 짓고 있는 동안 또는 그 시간 근처에서 모바일 컴퓨팅의 화면 상에 단어 "행복"을 디스플레이하는 것에 의해, 디스플레이되거나 또는 다르게는 디지털 치료법 수혜자가 이용 가능하게 만들어진다. 본원에서 설명되는 바와 같은 다양한 게임 또는 활동에서 검출 및/또는 사용될 수 있는 감정의 예는, 행복, 슬픔, 화남, 놀람, 좌절, 두려워/무서움, 침착, 역겨움, 및 경멸을 포함한다.
소정의 예에서, 디바이스는, 입력(들)으로서 캡쳐되는 다른 개인에 대해 검출되는 감정 또는 사회적 단서를 실험 대상자에게 전달하기 위해, 오디오 또는 시각적 신호를 사용한다. 시각적 신호는 검출된 감정 또는 사회적 단서에 대응하는 단어, 디자인 또는 그림, 이모티콘, 컬러, 또는 다른 시각적 단서로서 디스플레이될 수 있다. 오디오 신호는, 검출된 감정 또는 사회적 단서에 대응하는 오디오 워드, 톤 또는 비트와 같은 사운드, 음악, 또는 다른 오디오 단서로서 전달될 수 있다. 몇몇 경우에, 시각적 및 청각적 신호의 조합이 활용된다. 이들 단서는 오디오/비주얼 신호의 개인 맞춤된 세트를 제공하기 위해 단서의 어레이로부터 선택될 수 있거나 또는 커스터마이징될 수 있다. 이 커스터마이징된 경험의 일부로서, 신호가 또한 스위치온되거나 또는 스위치오프될 수 있다.
소정의 경우에, 디지털 치료법 경험은 활동 모드를 포함한다. 활동 모드는, 감정 유도 활동, 감정 인식 활동, 또는 구조화되지 않은 놀이를 포함할 수 있다. 구조화되지 않은 놀이는, 유저가 하나 이상의 디지털 치료 활동에 자유롭게 참가할 수 있는 즉흥적(unscripted) 모드, 자유롭게 거닐기 모드(free roaming mode), 또는 다르게는 구조화되지 않은 모드일 수 있다. 구조화되지 않은 모드의 예는, 유저가 실제 사람의 하나 이상의 이미지 또는 표현 또는 상호 작용식 오브젝트의 다른 예술적 렌더링 또는 만화 캐릭터와 같은 가상 오브젝트 또는 캐릭터의 이미지 또는 표현을 자유롭게 수집하는 게임 또는 활동이다. 이 구조화되지 않은 모드는, 유저에게 일련의 태스크를 강제하는 진전 스타일과는 대조적으로, 유저 결정 또는 게임플레이에 대해 거의 제한을 두지 않는 "샌드박스(sandbox)" 스타일의 놀이로서 특성 묘사될 수 있다. 유저는 스마트폰과 같은 디바이스의 카메라를 사용하여 그러한 이미지를 수집할 수 있다(예를 들면, 가족 멤버 또는 돌보미와 같은 다른 개인의 사진 촬영). 대안적으로 또는 조합하여, 유저는, 예컨대 라이브러리 또는 데이터베이스를 브라우징하는(browsing) 것을 통해 디지털 방식으로 이미지 또는 표현을 수집할 수 있다. 예시적인 예로서, 유저는 그의 집 안을 돌아다니며 스마트폰 카메라를 사용하여 그의 부모님의 사진을 촬상한다. 또한, 유저는, 사진을 선택하고 및/또는 스마트폰 상으로 다운로드하는 것에 의해 소셜 미디어 상에서 가족 멤버에 의해 게시되는 셀카(selfie)를 수집한다. 몇몇 경우에, 디바이스는 이미지 내의 사람에 대한 식별 또는 분류된 감정과 함께, 라이브 이미지 또는 캡쳐된 또는 다운로딩된 이미지를 디스플레이한다. 이것은, 유저가, 다양한 다른 개인에 의해 표현되고 있는 감정의 실세계 예를 조우하면서 구조화되지 않은 학습에 참가하는 것을 허용한다.
감정 인식 활동은, 구조화된 학습 경험을 통해 감정 또는 감정적 단서를 인식하게끔 유저를 테스트 및/또는 트레이닝시키도록 구성될 수 있다. 예를 들면, 감정 인식 활동은, 유저가 이미 이전에 노출되었던 이미지(예를 들면, 구조화되지 않은 놀이 동안 유저가 캡쳐했던 돌보미의 사진)를 제공하는 것에 의해 유저가 보강 학습(reinforcement learning)에 참가하는 것을 돕기 위해 사용될 수 있다. 보강 학습은, 유저가 그들에게 이전에 이미 나타내어졌던 감정의 그들의 인식을 보강하는 것을 허용한다. 보강 학습은 하나 이상의 상호 작용식 활동 또는 게임을 포함할 수 있다. 하나의 예는, 유저가 상이한 감정에 대응하는 다수의 이미지(예를 들면, 스마트폰 화면은 미소 짓고 있는 사람의 이미지 및 찡그리고 있는 사람의 다른 이미지를 나타냄) 및 특정한 감정에 대응하는 이미지를 식별하라는 프롬프트(예를 들면, 유저가 올바른 이미지를 식별하라는 질문 또는 커맨드를 화면이 나타내거나 또는 마이크가 출력함)를 제시받는 게임이다. 유저는 화면 상의 다수의 이미지 중 하나를 선택하는 것 또는 오디오 반응을 제공하는 것(예를 들면, "좌측/가운데/우측 이미지" 또는 "답변 A/B/C"를 언급함)에 의해 반응할 수 있다. 다른 예는, 유저가 감정에 대응하는 단일의 이미지를 제시받고 감정을 식별할 것을 요청받는 게임이다. 몇몇 경우에, 유저는 다수의 감정의 선택지를 제공받는다. 대안적으로, 유저는 선택지의 선택을 제공받지 않은 상태에서 반응을 제공해야만 한다(예를 들면, 다수의 선택지 선택 대신, 타이핑된 또는 오디오의 짧은 답변). 몇몇 경우에, 선택지의 선택이 제공된다. 선택지의 선택은 시각적일 수 있거나 또는 비시각적일 수 있다(예를 들면, 그래픽 유저 인터페이스 상에서 나타나지 않는 오디오 선택). 예시적인 예로서, 유저는 미소 짓고 있는 간병인의 이미지를 제시받고 다음의 오디오 질문 "이 사람은 행복한가요 또는 슬픈가요?"를 질문받는다(prompted). 대안적으로, 질문은 화면 상에서 나타내어진다. 그 다음, 유저는 오디오 답변을 제공하거나 또는 답변을 입력할 수 있다. 다른 예는, 유저가 다수의 이미지 및 다수의 감정을 제시받고 그 이미지를 대응하는 감정에 매칭시킬 수 있는 게임이다.
소정의 예에서, 촬상된 및/또는 다운로딩된 이미지는, 디지털 치료법 경험의 일부로서 하나 이상의 활동 또는 게임에서의 사용을 위해, 태그 지정되고, 분류되고, 및/또는 필터링된다. 예를 들면, 보강 학습이, 유저가 이미 노출되었던 이미지와 관련하여 유저가 질문을 받는 것을 수반할 수 있기 때문에, 이용 가능한 이미지 라이브러리는, 다음의 규칙 중 하나 이상을 충족하지 않는 이미지를 제거하도록 필터링될 수도 있다: (1) 적어도 하나의 얼굴이 성공적으로 검출됨; (2) 적어도 하나의 감정이 성공적으로 검출됨; (3) 이미지가 이전에 유저에게 제시되었거나 또는 보여졌음. 몇몇 경우에, 이미지는 특정한 활동에 따라 추가로 필터링된다. 예를 들면, 유저는, 이전 활동의 불량한 성과에 기인하여 분노를 인식하는 것을 특별히 대상으로 하는 감정 인식 보강 학습 활동을 할당받을 수도 있고; 따라서, 이 보강 학습 활동을 위해 사용되는 이미지는, 분노 또는 분노에 대응하는 감정적 단서가 검출되는 적어도 하나의 이미지를 포함하도록 또한 필터링될 수도 있다.
소정의 예에서, 촬상된 및/또는 다운로딩된 이미지는, 디지털 치료 소프트웨어에 의해 액세스 가능한 수집된 이미지의 라이브러리로 임포트된다(imported). 대안적으로 또는 조합하여, 이미지는, 그들이 상호 작용식 디지털 치료법 경험의 목적을 위해 수집되는 이미지로서 디지털 치료 소프트웨어에 의해 인식되도록 태그가 지정될 수 있다. 태그 지정(tagging)은, 유저가 상호 작용식 디지털 치료법 경험의 맥락 내에서 사진을 찍을 때 태그 지정이 자동적일 수 있다. 예시적인 예로서, 유저는 스마트폰 상의 디지털 치료 애플리케이션을 열고 즉흥적 모드 또는 자유롭게 거닐기 모드를 선택한다. 그 다음, 스마트폰은, 다른 사람의 얼굴의 사진을 찍기 위한 글로 작성된 및/또는 오디오 명령어와 함께, 그 터치스크린 상에서 사진 인터페이스를 제공한다. 유저가 디바이스 카메라를 사용하여 캡쳐하는 임의의 사진은, 그 다음, 자동적으로 태그 지정되고 및/또는 라이브러리 또는 데이터베이스에 추가된다. 대안적으로, 디지털 치료 애플리케이션 밖에서 소셜 미디어를 브라우징하는 유저는 게시된 이미지를 선택하고 디지털 치료 애플리케이션에 의한 액세스를 위해 이미지를 다운로드, 임포트, 또는 태그 지정하는 옵션을 선택한다.
소정의 경우에, 관련 정보를 식별하기 위해 이미지는 태그 지정된다. 이 정보는 이미지 내의 사람의 아이덴티티(예를 들면, 이름, 자격, 유저에 대한 관계) 및/또는 이미지 내의 사람에 의해 표현되는 얼굴 표정 또는 감정을 포함할 수 있다. 본원에서 설명되는 바와 같은 얼굴 인식 및 감정 분류는 이미지를 평가하여 이미지에 대한 하나 이상의 태그를 생성 또는 결정하기 위해 사용될 수 있다. 예시적인 예로서, 유저는 그의 돌보미의 사진을 촬상하고, 사진은 얼굴 인식을 위해 선별되고, 인식된 얼굴에 기초한 감정 분류가 후속된다. 분류된 감정은 "HAPPY(행복)"인데, 이것은 이미지가 식별된 감정으로 태그 지정되는 것으로 귀결된다. 몇몇 경우에, 태그 지정은 다른 유저, 예를 들면, 부모 또는 간병인에 의해 수행된다. 예시적인 예로서, 부모는 디지털 치료 애플리케이션에 로그인하고 유저에 의해 수집되는 이미지의 라이브러리 또는 데이터베이스에 액세스한다. 부모는 태그 지정되지 않은 이미지를 분류하고, 그 다음, 이미지 내에서 사람에 의해 표현되는 감정에 대해 적절한 태그를 선택한다.
예시적인 예로서, 카메라 및 마이크를 포함하는 컴퓨팅 디바이스는 얼굴을 추적하고 외향(outward-facing) 카메라 및 마이크를 사용하여 디지털 치료법 수혜자의 사회적 파트너의 감정을 분류하고, 디지털 치료법 수혜자에게 두 가지 형태의 단서를 실시간으로 제공한다. 디바이스는 주변장치 모니터 및 스피커를 갖는 내향(inward-facing) 디지털 디스플레이를 또한 구비한다. 디지털 치료법 수혜자에 의해 상호 작용되는 개인의 표정이 머신 러닝 분류기를 사용하여 평가되고, 얼굴이 감정을 표현하는 것으로서 분류되면, 그 감정은 디바이스에 입력되고 디지털 치료법의 수혜자에게 디스플레이되거나 또는 다르게는 제시된다.
몇몇 경우에, 디바이스는 내향 카메라(예를 들면, "셀카" 카메라)를 또한 포함하고 디지털 치료법 수혜자의 감정을 추적하고 분류한다. 사회적 파트너의 감정 및 디지털 치료법 수혜자의 감정의 추적 및 분류는 실시간으로 동시에 또는 가까운 시간적 근접하여(예를 들면, 서로 1, 2, 3, 4 또는 5초 이내에, 또는 어떤 다른 적절한 시간 프레임 내에) 수행될 수 있다. 대안적으로, 사회적 파트너 및/또는 디지털 치료법 수혜자의 이미지가 캡쳐될 수도 있고, 그 다음, 나중의 시간에(즉, 실시간이 아님) 그들의 각각의 감정을 추적하고 분류하기 위해 평가될 수 있다. 이것은, 환자와 목표로 하는 개인(target individual) 사이의 사회적 상호 작용이, 예를 들면, 두 사람 모두의 결합된 얼굴 표정 및/또는 감정으로서 캡쳐되는 것을 허용한다. 몇몇 경우에, 사회적 상호 작용에 대한 당사자의 검출된 표현 및/또는 감정은, 하나 이상의 사회적 상호 작용을 구성하는 표현, 감정, 또는 다른 상호 작용의 시퀀스를 결정하기 위해, 타임스탬프가 찍히거나 또는 다르게는 정렬된다. 이들 사회적 상호 작용은 사회적 상호성에 참가하는 환자의 능력에 대해 평가될 수 있다.
예시적인 예로서, 환자는 그에게 미소 짓는 그의 부모에게 전화기를 향하게 한다. 전화기의 디스플레이 화면은, 환자가 그의 부모의 얼굴 표정에 대응하는 감정을 인식하는 것을 돕기 위해 미소 짓는 얼굴의 이모티콘을 실시간으로 디스플레이한다. 또한, 디스플레이 화면은, 옵션 사항으로, 환자가 부모에게 반응할 지침을 제공한다. 환자는 그의 부모에게 미소로 화답하지 않으며, 내향 카메라는 이 반응을 하나 이상의 이미지 또는 비디오에서 캡쳐한다. 그 다음, 사회적 상호 작용의 이미지 및/또는 비디오 및 타임라인 또는 타임스탬프가 찍힌 시퀀스는 디바이스 상에 저장된다(옵션 사항으로, 원격 네트워크 또는 클라우드에 업로드되거나 또는 저장됨). 이 경우, 부모의 미소는 '미소'로 라벨링되고, 환자의 반응 없음은 '반응 없음' 또는 '미소 없음'으로 라벨링된다. 따라서, 이 특정한 사회적 상호 작용은 미소 상호성에 참가하는 데 실패한 것으로 결정된다. 목표로 하는 개인(부모) 및 환자가 "정중한 미소(polite smile)"가 아닌 "진정한(genuine)" 미소를 표현했는지의 여부에 기초하여 사회적 상호 작용은 추가로 또한 분할될 수 있다. 예를 들면, "미소" 또는 "감정"을 검출하기 위한 본원에서 설명되는 알고리즘 및 분류기는, 실제 미소와 정중한 미소 사이를 구별하도록 트레이닝될 수 있는데, 이들은, 진정한 미소에서의 눈 근육의 관여 및 경찰 미소(police smile)에서의 눈 근육 관여의 결여에 대응하는 시각적 단서에 기초하여 구별될 수 있다. 감정 또는 얼굴 표정의 타입 또는 하위 타입에서의 이러한 구분은, 라벨링된 이미지, 예를 들면, "정중한" 미소로 라벨링된 이미지 대 "진정한" 미소로 라벨링된 이미지의 적절한 데이터 세트에 대해 알고리즘 또는 분류기를 트레이닝시키는 것에 기초할 수 있다.
몇몇 양태에서, 본원에서 개시되는 플랫폼, 시스템, 디바이스, 방법, 및 매체는 디지털 치료법의 관리 및/또는 모니터링을 가능하게 하도록 구성되는 소프트웨어 애플리케이션을 포함한다. 소프트웨어 애플리케이션은 모바일 애플리케이션, 웹 애플리케이션, 또는 다른 컴퓨터 애플리케이션일 수 있다. 몇몇 경우에, 애플리케이션은 실험 대상자 또는 실험 대상자의 간병인이 디바이스를 관리하는 것을 허용하는 제어 센터를 제공한다. 디바이스는, 유저가, 비디오, 오디오, 사진, 또는 검출된 또는 분류된 감정적 단서와 같은 캡쳐된 데이터를 리뷰, 업로드, 또는 삭제하는 것을 가능하게 할 수 있다. 유저는, 예를 들면, 데이터 캡쳐 설정(예를 들면, 어떤 종류의 데이터가 캡쳐되는지, 그것이 얼마나 오래 저장되는지, 등등)과 같은 설정을 입력하거나 또는 구성하기 위해 디바이스를 또한 사용할 수 있다. 몇몇 경우에, 애플리케이션은 이미지(예를 들면, 캡쳐된 비디오로부터의 정지 이미지)를 획득하고, 감정적 단서 분류기를 실행하고, 및/또는 비디오 및 사용량 데이터를 저장한다.
때때로, 본원에서 개시되는 플랫폼, 시스템, 디바이스, 방법, 및 매체는 상호 작용식 피쳐를 갖는 디지털 치료법을 제공한다. 한 실시형태에서의 상호 작용식 피쳐는, 디지털 치료법 수혜자가 개인과 상호 작용하는 모든 사람에 대한 얼굴 표정 또는 사회적 단서에 기초하여 다른 사람의 감정을 추측하도록 구성된다. 몇몇 예에서, 본원에서 개시되는 플랫폼, 시스템, 디바이스, 방법, 및 매체는 유저에게 비디오 또는 오디오와 같은 캡쳐된 데이터를 삭제하기 위한 옵션을 제공한다. 이 옵션은 가족이 데이터를 삭제하는 것을 가능하게 하는 것에 의해 가족의 개인 정보를 보호한다. 사용량, 비디오의 연령, 비디오가 저장되었는지 또는 삭제되었는지의 여부, 개입 기간 동안의 사용량, 및 다른 관련 파라미터와 같은, 캡쳐된 데이터에 대한 메트릭이 획득될 수 있거나 또는 계산될 수 있다.
몇몇 경우에, 디바이스는 ~15-20 FPS의 프레임 레이트에서 동작하는데, 이것은 100 ms 이내에 얼굴 표정 인식을 가능하게 한다. 디바이스는 10 FPS 내지 100 FPS의 프레임 레이트에서 동작될 수 있다. 디바이스는 10 FPS 내지 15 FPS, 10 FPS 내지 20 FPS, 10 FPS 내지 25 FPS, 10 FPS 내지 30 FPS, 10 FPS 내지 35 FPS, 10 FPS 내지 40 FPS, 10 FPS 내지 45 FPS, 10 FPS 내지 50 FPS, 10 FPS 내지 60 FPS, 10 FPS 내지 80 FPS, 10 FPS 내지 100 FPS, 15 FPS 내지 20 FPS, 15 FPS 내지 25 FPS, 15 FPS 내지 30 FPS, 15 FPS 내지 35 FPS, 15 FPS 내지 40 FPS, 15 FPS 내지 45 FPS, 15 FPS 내지 50 FPS, 15 FPS 내지 60 FPS, 15 FPS 내지 80 FPS, 15 FPS 내지 100 FPS, 20 FPS 내지 25 FPS, 20 FPS 내지 30 FPS, 20 FPS 내지 35 FPS, 20 FPS 내지 40 FPS, 20 FPS 내지 45 FPS, 20 FPS 내지 50 FPS, 20 FPS 내지 60 FPS, 20 FPS 내지 80 FPS, 20 FPS 내지 100 FPS, 25 FPS 내지 30 FPS, 25 FPS 내지 35 FPS, 25 FPS 내지 40 FPS, 25 FPS 내지 45 FPS, 25 FPS 내지 50 FPS, 25 FPS 내지 60 FPS, 25 FPS 내지 80 FPS, 25 FPS 내지 100 FPS, 30 FPS 내지 35 FPS, 30 FPS 내지 40 FPS, 30 FPS 내지 45 FPS, 30 FPS 내지 50 FPS, 30 FPS 내지 60 FPS, 30 FPS 내지 80 FPS, 30 FPS 내지 100 FPS, 35 FPS 내지 40 FPS, 35 FPS 내지 45 FPS, 35 FPS 내지 50 FPS, 35 FPS 내지 60 FPS, 35 FPS 내지 80 FPS, 35 FPS 내지 100 FPS, 40 FPS 내지 45 FPS, 40 FPS 내지 50 FPS, 40 FPS 내지 60 FPS, 40 FPS 내지 80 FPS, 40 FPS 내지 100 FPS, 45 FPS 내지 50 FPS, 45 FPS 내지 60 FPS, 45 FPS 내지 80 FPS, 45 FPS 내지 100 FPS, 50 FPS 내지 60 FPS, 50 FPS 내지 80 FPS, 50 FPS 내지 100 FPS, 60 FPS 내지 80 FPS, 60 FPS 내지 100 FPS, 또는 80 FPS 내지 100 FPS의 프레임 레이트에서 동작될 수 있다. 디바이스는 10 FPS, 15 FPS, 20 FPS, 25 FPS, 30 FPS, 35 FPS, 40 FPS, 45 FPS, 50 FPS, 60 FPS, 80 FPS, 또는 100 FPS의 프레임 레이트에서 동작될 수 있다. 디바이스는 적어도 10 FPS, 15 FPS, 20 FPS, 25 FPS, 30 FPS, 35 FPS, 40 FPS, 45 FPS, 50 FPS, 60 FPS, 또는 80 FPS의 프레임 레이트에서 동작될 수 있다. 디바이스는 최대 15 FPS, 20 FPS, 25 FPS, 30 FPS, 35 FPS, 40 FPS, 45 FPS, 50 FPS, 60 FPS, 80 FPS, 또는 100 FPS의 프레임 레이트에서 동작될 수 있다.
몇몇 경우에, 디바이스는 10 ms 내지 200 ms 이내에 얼굴 표정 또는 모션을 검출할 수 있다. 이 디바이스는, 10 ms 내지 20 ms, 10 ms 내지 30 ms, 10 ms 내지 40 ms, 10 ms 내지 50 ms, 10 ms 내지 60 ms, 10 ms 내지 70 ms, 10 ms 내지 80 ms, 10 ms 내지 90 ms, 10 ms 내지 100 ms, 10 ms 내지 150 ms, 10 ms 내지 200 ms, 20 ms 내지 30 ms, 20 ms 내지 40 ms, 20 ms 내지 50 ms, 20 ms 내지 60 ms, 20 ms 내지 70 ms, 20 ms 내지 80 ms, 20 ms 내지 90 ms, 20 ms 내지 100 ms, 20 ms 내지 150 ms, 20 ms 내지 200 ms, 30 ms 내지 40 ms, 30 ms 내지 50 ms, 30 ms 내지 60 ms, 30 ms 내지 70 ms, 30 ms 내지 80 ms, 30 ms 내지 90 ms, 30 ms 내지 100 ms, 30 ms 내지 150 ms, 30 ms 내지 200 ms, 40 ms 내지 50 ms, 40 ms 내지 60 ms, 40 ms 내지 70 ms, 40 ms 내지 80 ms, 40 ms 내지 90 ms, 40 ms 내지 100 ms, 40 ms 내지 150 ms, 40 ms 내지 200 ms, 50 ms 내지 60 ms, 50 ms 내지 70 ms, 50 ms 내지 80 ms, 50 ms 내지 90 ms, 50 ms 내지 100 ms, 50 ms 내지 150 ms, 50 ms 내지 200 ms, 60 ms 내지 70 ms, 60 ms 내지 80 ms, 60 ms 내지 90 ms, 60 ms 내지 100 ms, 60 ms 내지 150 ms, 60 ms 내지 200 ms, 70 ms 내지 80 ms, 70 ms 내지 90 ms, 70 ms 내지 100 ms, 70 ms 내지 150 ms, 70 ms 내지 200 ms, 80 ms 내지 90 ms, 80 ms 내지 100 ms, 80 ms 내지 150 ms, 80 ms 내지 200 ms, 90 ms 내지 100 ms, 90 ms 내지 150 ms, 90 ms 내지 200 ms, 100 ms 내지 150 ms, 100 ms 내지 200 ms, 또는 150 ms 내지 200 ms 이내에 얼굴 표정 또는 모션을 검출할 수 있다. 이 디바이스는 10 ms, 20 ms, 30 ms, 40 ms, 50 ms, 60 ms, 70 ms, 80 ms, 90 ms, 100 ms, 150 ms, 또는 200 ms 이내에 얼굴 표정 또는 모션을 검출할 수 있다. 디바이스는 적어도 10 ms, 20 ms, 30 ms, 40 ms, 50 ms, 60 ms, 70 ms, 80 ms, 90 ms, 100 ms, 또는 150 ms 이내에 얼굴 표정 또는 모션을 검출할 수 있다. 디바이스는 최대 20 ms, 30 ms, 40 ms, 50 ms, 60 ms, 70 ms, 80 ms, 90 ms, 100 ms, 150 ms, 또는 200 ms 이내에 얼굴 표정 또는 모션을 검출할 수 있다.
감정적 또는 사회적 단서를 검출하기 위한 머신 러닝 프레임워크를 제공하는 플랫폼, 시스템, 디바이스, 방법, 및 매체가 본원에서 개시된다. 입력 데이터는 이미지 및/또는 비디오 데이터 및 옵션 사항으로 추가적인 센서 데이터(예를 들면, 가속도계 데이터, 오디오 데이터, 등등)를 포함할 수 있다. 입력 데이터는, 감정적 또는 사회적 단서를 검출하는 또는 식별하는 감정 검출 시스템으로 제공되는데, 이것은 컴퓨팅 디바이스 상의 유저 인터페이스를 통해 예컨대 실시간으로 유저에게 출력될 수 있다.
감정 검출 시스템은 감정적 또는 사회적 단서를 식별하도록 트레이닝되는 인공 지능 또는 머신 러닝 모델(들)을 포함한다. 몇몇 경우에, 시스템은 데이터의 사전 프로세싱, 머신 러닝 모델 또는 분류기, 옵션 사항으로, 출력을 프로세싱하거나 또는 포맷하기 위한 추가적인 단계를 제공한다. 출력은, 입력을 다수의 사회적 또는 감정적 단서 카테고리 중 하나 이상에 속하는 것으로 배치하기 위해, 하나 이상의 임계치에 대해 평가될 수도 있다.
몇몇 실시형태에서, 머신 러닝 모델은 회귀 모델(예를 들면, 분노의 정도와 같은 사회적 단서의 정도와 상관될 수도 있는 연속적인 출력을 제공함)로서 구현된다. 대안적으로, 모델은 분류 모델(예를 들면, 미소 또는 찡그린 얼굴을 나타내는 카테고리형 출력이 검출됨)로서 구현된다. 몇몇 경우에, 검출되고 있는 단서의 타입에 의존하여 양자의 타입의 모델이 구현된다.
몇몇 경우에, 감정 검출 시스템은 전체 프로세스가 기능하는 데 필요한 특정한 태스크를 수행하기 위한 하나 이상의 모듈을 포함한다. 감정 검출 시스템은, 하나 이상의 이미지 또는 비디오 데이터에서 존재하는 사람의 얼굴을 검출하고 추적하기 위한 얼굴 인식 모듈 및 검출된 얼굴을 평가하여 하나 이상의 감정적 또는 사회적 단서의 존재를 식별하는 표정 또는 감정 검출 모듈을 포함할 수 있다. 임의의 오디오 입력(예를 들면, 유저의 발화된 단어 또는 구두 커맨드(verbal command))을 프로세싱하기 위한 오디오 모듈, 또는 추가적인 센서 입력에 대응하는 다른 모듈과 같은 추가적인 모듈이 존재할 수도 있다. 감정 검출 시스템의 특정한 구현에 의존하여 이들 모듈의 다양한 조합이 고려된다.
얼굴 인식 모듈(3810) 및 감정 검출 모듈(3820)은, 예컨대 도 38에서 도시되는 비제한적인 다이어그램에서 예시되는 일련의 단계를 함께 수행할 수 있다. 먼저, 이미지 및/또는 비디오를 포함하는 입력 데이터가 제공된다(3801). 얼굴 검출은 입력 데이터에 대해(예를 들면, 비디오 피드의 각각의 이미지 또는 프레임에 대해) 수행된다(3802). 이것은 기준점 얼굴 추적 또는 정확한 얼굴 검출을 제공하는 데 유용한 다른 프로세스를 포함할 수도 있다. 얼굴은 표준 사이즈 및/또는 위치 또는 각도에 대해 정규화될 수도 있고 및/또는 등록될 수도 있다. 적용될 수도 있는 다른 이미지 프로세싱 기술은 조명의 정규화를 포함한다. 다음으로, 얼굴 상의 주목하는 영역에 대한 기울기 피쳐 추출의 히스토그램이 생성된다(3803). 그 다음, 사회적 또는 감정적 단서(예를 들면, 미소, 찡그린 표정, 분노, 등등)를 검출하기 위해 얼굴 표정이 분류된다(3804). 분류는, 라벨링된 이미지의 트레이닝 데이터 세트에 대해 트레이닝되는 로지스틱 회귀 머신 러닝 모델(logistic regression machine learning model)을 사용하여 실행될 수도 있다. 마지막으로, 머신 러닝 모델의 출력은, 예를 들면, 이동 평균 또는 저역 통과 시간 도메인 필터와 같은 필터링 알고리즘을 사용하여 필터링될 수 있다(3805). 이것은, 이미지 또는 비디오 데이터로부터 너무 많은 단서가 검출되는 것을 방지하는 것에 의해, 시간이 지남에 따라 일정하게 유지되는 실시간의 사회적 또는 감정적 단서 검출을 제공하는 데 도움이 될 수 있다. 실시간의 감정적 또는 사회적 단서 검출을 제공하기 위한 다양한 방법이 활용될 수 있다. 예는, 중립적인 얼굴 피쳐를 실시간으로 추정하고 추출된 피쳐로부터 차감하는 얼굴 표정 인식을 위한 중립 차감(neutral subtraction), 및 예컨대 비디오 피드에서 다수의 이미지를 분류하고, 그 다음, 시간이 지남에 따라 그들을 평균화하거나 또는 평활화하여 노이즈를 완화하는 것을 포함한다. 다양한 머신 러닝 모델, 예를 들면, 순환 신경망과 연계하여 사용되는 피드포워드 컨볼루션 신경망이 사용될 수 있다. 사회적 또는 감정적 단서 검출을 위한 이 프레임워크는, 외향 카메라(예를 들면, 목표로 하는 개인)로부터의 입력 및 내향 카메라(예를 들면, 유저)로부터의 입력 둘 모두에 대해 구현될 수 있다. 또한, 감정 및 사회적 단서 검출을 개선하기 위해, 센서 데이터와 같은 다른 입력 데이터 소스가 분석 프레임워크로 통합될 수 있다.
몇몇 실시형태에서, 감정 검출 시스템의 다양한 모듈은 다차원 머신 러닝 시스템을 사용하여 구현된다. 예를 들면, 컨볼루션 신경망은 픽셀 이미지 데이터와 같은 입력 데이터 및 옵션 사항으로 추가적인 형태의 입력 데이터에 직접적으로 기초하여 출력을 생성할 수 있다. 등록 또는 이미지 사전 프로세싱 없이, 다양한 공지된 접근법이 실험 대상자 인식, 분할, 및 위치 측정 태스크를 수행할 수 있다. 또한, 공개적으로 이용 가능한 이미지 데이터베이스에 대한 사전 트레이닝된 신경망 - 이것은, 그 다음, 적은 데이터 세트를 사용하여 미세 튜닝됨 - 을 생성하는 것에 의해 적은 양의 라벨링된 데이터가 이용 가능하게 되는 경우 감정적 및 사회적 단서 검출을 개선하기 위해 전이 학습(transfer learning)이 사용될 수 있다. 그 다음, 적은 양의 데이터를 갖는 정서적인 컴퓨팅(affective computing)의 도메인에 적용될 수 있다.
몇몇 실시형태에서, 감정 인식 시스템은 감정 검출을 개선시키기 위해 특정한 목표로 하는 개인에 기초하여 사회적 또는 감정적 단서 검출을 커스터마이징하도록 구성된다. 예를 들면, 시스템은 식별되는 이미지를 동일한 개인에게 속하는 것으로 라벨링할 수도 있는데, 그 식별되는 이미지는 머신 러닝 모델을 캘리브레이팅하는 것을 돕기 위한 타겟 고유의 데이터 세트를 제공하기 위해 사용된다. 라벨은 유저 또는 부모 또는 간병인, 예를 들면, 올바른 라벨을 적용하기 위해 또는 라벨에서의 오류를 수정하기 위해 환자에 의해 캡쳐되는 이미지를 리뷰하고 있는 부모에 의해 공급될 수도 있다. 따라서, 컨볼루션 신경망과 같은 머신 러닝 모델은 그 특정한 개인에 대한 정확도를 개선하기 위해, 계층 사이의 가중치를 조정하도록 미세 조정될(tweaked) 수도 있다. 따라서, 더 많은 데이터가 수집되기 때문에 시간이 지남에 따라 정확도는 증가될 수 있다.
디지털 치료법은, 실험 대상자가, 예를 들면, 얼굴 관여(facial engagement) 및/또는 인식과 같은 인지 성과를 증가시키기 위한 또는 사회적 상호 작용 동안 피드백을 제공하는 사회적 학습 보조 기구(social learning aid)를 포함할 수 있다. 몇몇 경우에, 본원에서 개시되는 플랫폼, 시스템, 디바이스, 방법, 및 매체는 실험 대상자 또는 실험 대상자의 돌보미에 의해 완료되어야 하는 설문 조사 또는 설문지를 포함하는 평가 도구를 제공한다. 설문 조사는 적어도 5 개, 10 개, 15 개, 20 개, 25 개, 30 개, 35 개, 40 개, 45 개, 50 개, 55 개, 60 개, 65 개, 70 개, 80 개, 90 개 또는 100 개 이상의 아이템을 포함할 수 있고 및/또는 5 개, 10 개, 15 개, 20 개, 25 개, 30 개, 35 개, 40 개, 45 개, 50 개, 55 개, 60 개, 65 개, 70 개, 80 개, 90 개, 또는 100 개 이하의 아이템을 포함할 수 있다. 이들 아이템은 복수의 도메인에 걸쳐 분류될 수 있다. 몇몇 경우에, 아이템이 두 개, 세 개, 네 개, 또는 다섯 개의 사회적 도메인에 걸쳐 분류된다. 이들 아이템에 대한 입력 또는 반응은, 트레이닝된 평가 또는 진단 모델 또는 분류기와 같은, 본원에서 설명되는 머신 러닝 알고리즘에서 활용되는 피쳐에 대응할 수 있다. 몇몇 경우에, 입력 또는 반응은 숫자 또는 점수를 포함한다. 점수는 아이템의 각각에 대한 아이템을 합산하는 것에 의해 생성될 수 있다. 임계치 미만의 점수는, 예를 들면, 자폐 스펙트럼 장애와 같은 장애(disorder), 지연, 또는 장애(impairment)를 나타내는 것으로 또는 암시하는 것으로 해석될 수 있다.
몇몇 경우에, 본원에서 개시되는 플랫폼, 시스템, 디바이스, 방법, 및 매체는, 예를 들면, 의사 소통, 일상 생활, 사회화(socialization), 운동 기능, 및 적응적 행동 스킬과 같은 다양한 도메인을 측정하는 평가 도구를 제공한다. 평가 도구는 실험 대상자를 모니터링하기 위해 사용될 수 있다. 예를 들면, 더 높은 점수는 더 큰 적응적 기능(adaptive functioning)을 나타낼 수 있다.
몇몇 실시형태에서, 본원에서 설명되는 방법 또는 디바이스는 평가 양태 및 디지털 치료법 양태를 포함하는데, 여기서 평가는 디지털 치료법과 함께 디지털 치료법을 받고 있는 개인의 사회적 상호성을 함께 개선한다. 더 구체적으로, 몇몇 실시형태에서, 머신 러닝 모델링을 사용한 개인에 대한 평가는 다음과 같은 개인을 선택한다: (1) 사회적 상호성 개선을 필요로 하는 개인 및 (2) 디지털 치료법의 사용을 통해 그들의 사회적 상호성을 상당히 개선할 개인. 소정의 개인이 디지털 치료법과의 치료적 상호 작용을 할 수 있지만, 소정의 개인은, 예를 들면, 그들이 치료 단계까지 디지털 치료법과 완전히 상호 작용하는 것을 방해하는 인지 결핍에 기인하여, 디지털 치료법으로부터 이익을 얻을 수 없다는 것을 유의하는 것이 중요하다. 본원에서 설명되는 방법 및 디바이스의 실시형태는, 더 높은 정도까지 디지털 치료법으로부터 이익을 얻을 개인에게만 디지털 치료법이 제공되고, 반면, 디지털 치료법으로부터 이익을 얻지 못하는 것으로 결정되는 개인은 다른 치료 양식을 제공받도록, 이들 개인을 선택한다. 몇몇 실시형태에서, 디지털 치료법을 받고 있는 개인은, 예를 들면, 디지털 치료법 세션 동안 개인의 인식력 및/또는 주의를 개선하는 것에 의해, 그의 디지털 치료법 경험을 향상시키는 치료제 또는 추가적인 치료법을 제공받는다.
디지털 치료법은 사회적 상호 작용 세션을 포함할 수 있는데, 실험 대상자는, 사회적 상호 작용 세션 동안, 사회적 학습 보조 기구의 지원을 통해 사회적 상호 작용에 참가한다. 몇몇 경우에, 개인 치료 계획은 하나 이상의 사회적 상호 작용 세션을 포함한다. 사회적 상호 작용 세션은, 예를 들면, 주당 적어도 한 번, 두 번, 세 번, 네 번, 다섯 번, 여섯 번, 일곱 번의 세션과 같이 스케줄링될 수 있다. 개인 치료 계획의 일부로서 구현되는 디지털 치료법은 적어도 1 주, 2 주, 3 주, 4 주, 5 주, 6 주, 7 주, 8 주, 9 주 또는 10주 이상 지속되도록 프로그래밍될 수 있다.
몇몇 경우에, 디지털 치료법은 인공 지능을 사용하여 구현된다. 예를 들면, 행동적, 신경학적 또는 정신적 건강 상태 또는 장애를 갖는 아이에 대한 사회적 결과를 개선하기 위한 행동적 개입을 제공하기 위해 웨어러블 디바이스와 같은 인공 지능 구동식 컴퓨팅 디바이스가 사용될 수 있다. 몇몇 실시형태에서, 개인 맞춤식 치료 요법은 적응적인데, 예를 들면, 진행 중인 치료 동안 실험 대상자로부터의 캡쳐된 피드백 및/또는 추가적인 관련 정보(예를 들면, 자폐증 평가로부터의 결과)에 기초하여 그 치료법을 동적으로 업데이트하거나 또는 재구성한다.
도 1a 및 도 1b는 본원에서 설명되는 바와 같은 평가 프로시져를 사용하여 평가될 수도 있는 일부 발달 장애를 도시한다. 평가 프로시져는 두 개 이상의 관련되는 발달 장애와 같은 하나 이상의 발달 장애를 가질 실험 대상자의 위험을 평가하도록 구성될 수 있다. 발달 장애는 실험 대상자의 증상 또는 피쳐에서 적어도 약간의 중첩을 가질 수도 있다. 그러한 발달 장애는, 전반적 발달 장애(pervasive development disorder; PDD), 자폐 스펙트럼 장애(ASD), 사회적 의사 소통 장애, 제한된 반복적 행동, 관심 및 활동(restricted repetitive behavior, interest, and activity; RRB), 자폐증("고전적 자폐증"), 아스퍼거(Asperger) 증후군("고기능 자폐증"), 달리 분류되지 않은 전반적 발달 장애(PDD-not otherwise specified; PDD-NOS, "비정형 자폐증"), 주의력 결핍 및 과잉 행동 장애(attention deficit and hyperactivity disorder; ADHD), 말하기 및 언어 지연, 강박 장애(obsessive compulsive disorder; OCD), 지적 장애, 학습 장애, 또는 임의의 다른 관련된 발달 정신 장애, 예컨대 정신 장애 진단 및 통계 편람(Diagnostic and Statistical Manual of Mental Disorders; DSM)의 임의의 판(edition)에서 정의되는 장애를 포함할 수도 있다. 평가 프로시져는 복수의 장애의 각각을 갖는 것에 대한 실험 대상자의 위험을 결정하도록 구성될 수도 있다. 평가 프로시져는 복수의 장애 중 제1 장애 또는 제2 장애의 더 큰 위험에 처한 실험 대상자를 결정하도록 구성될 수도 있다. 평가 프로시져는 공존 질환(comorbidity)과 함께 제1 장애 및 제2 장애의 위험에 처한 실험 대상자를 결정하도록 구성될 수도 있다. 평가 프로시져는, 정상적인 발달을 가질, 또는 프로시져가 선별하도록 구성되는 장애 중 임의의 것을 가질 위험이 낮은 실험 대상자를 예측하도록 구성될 수도 있다. 평가 프로시져는 장애에 대한 상이한 중증도 등급을 구별하기 위해 높은 민감도 및 특이성을 가지도록 추가로 구성될 수도 있고; 예를 들면, 프로시져는 DSM의 제5 판(DSM-V)에서 정의되는 것과 같은 레벨 1 ASD, 레벨 2 ASD, 또는 레벨 3 ASD를 가질 실험 대상자의 위험을 예측하도록 구성될 수도 있다.
많은 발달 장애는 유사한 또는 중첩되는 증상을 가질 수도 있고, 따라서, 실험 대상자의 발달 장애 평가를 복잡하게 만든다. 본원에서 설명되는 평가 프로시져는 하나 이상의 발달 장애에 관련될 수도 있는 실험 대상자의 복수의 피쳐를 평가하도록 구성될 수 있다. 프로시져는, 실험 대상자의 피쳐와 하나 이상의 발달 장애의 임상적 진단 사이의 통계적 관계를 학습하기 위해 임상적으로 유효성 확인된 데이터의 대규모 세트를 사용하여 트레이닝된 평가 모델을 포함할 수 있다. 따라서, 실험 대상자가 평가 프로시져에 참가할 때, 하나 이상의 선별된 발달 장애에 대한 실험 대상자의 피쳐 값의 통계적 상관을, 만약 있다면, 식별하기 위해, 각각의 평가된 피쳐(예를 들면, 질문에 대한 실험 대상자의 답변)에 대한 실험 대상자의 피쳐 값은 평가 모델에 대해 쿼리될 수 있다. 실험 대상자에 의해 제공되는 피쳐 값, 및 평가 모델에 의해 결정되는 바와 같은 하나 이상의 발달 장애에 대한 예측된 위험과 그들 값 사이의 관계에 기초하여, 평가 프로시져는 실험 대상자에서 평가될 다음 번 피쳐의 선택을 동적으로 조정할 수 있다. 평가될 다음 번 피쳐의 선택은, 선별되고 있는 복수의 장애 중 특정한 장애에 대한 위험에 처한 것으로서의 실험 대상자의 결정에 기초하여, 다음 번 가장 예측 가능한 피쳐의 식별을 포함할 수도 있다. 예를 들면, 실험 대상자가 평가 프로시져의 처음 다섯 개 질문에 답변한 이후, 평가 모델이 실험 대상자에서 낮은 자폐증의 위험 및 상대적으로 더 높은 ADHD의 위험을 예측하는 경우, 평가 프로시져는 실험 대상자에서 다음 번에 평가되도록 ADHD에 대해 더 높은 관련성을 갖는 피쳐를 선택할 수도 있다(예를 들면, 답변이 ADHD의 임상적 진단과 고도로 상관되는 질문이 실험 대상자에게 다음 번에 제시될 수도 있음). 따라서, 본원에서 설명되는 평가 프로시져는 특정한 실험 대상자의 위험 프로파일에 동적으로 재단될 수 있고, 높은 레벨의 세분성을 가지고 실험 대상자의 장애의 평가를 가능하게 할 수 있다.
도 2는 본원에서 설명되는 바와 같은 평가 프로시져를 제공하기 위한 데이터 프로세싱 모듈(100)의 개략도이다. 데이터 프로세싱 모듈(100)은 일반적으로 사전 프로세싱 모듈(105), 트레이닝 모듈(110), 및 예측 모듈(120)을 포함한다. 데이터 프로세싱 모듈은 데이터베이스로부터 트레이닝 데이터(150)를 추출할 수 있거나, 또는 유저 인터페이스(130)를 사용하여 새로운 데이터(155)를 받아들일 수 있다. 사전 프로세싱 모듈은 하나 이상의 변환을 적용하여 트레이닝 모듈 또는 예측 모듈에 대한 새로운 데이터 또는 트레이닝 데이터를 표준화할 수 있다. 사전 프로세싱된 트레이닝 데이터는 트레이닝 데이터에 기초하여 평가 모델(160)을 구성할 수 있는 트레이닝 모듈로 전달될 수 있다. 트레이닝 모듈은 임의의 적절한 유효성 확인 알고리즘(예를 들면, 계층화된 K 겹 교차 유효성 확인(Stratified K-fold cross-validation))을 사용하여 트레이닝된 평가 모델을 검증하도록 구성되는 유효성 확인 모듈(validation module; 115)을 더 포함할 수도 있다. 사전 프로세싱된 새로운 데이터는 예측 모듈로 전달될 수 있는데, 예측 모듈은 새로운 데이터를 트레이닝 모듈에서 구성되는 평가 모델에 적합되는 것에 의해 실험 대상자의 발달 장애에 대한 예측(170)을 출력할 수도 있다. 예측 모듈은, 실험 대상자에 대한 이전에 제공된 피쳐 값에 기초하여, 실험 대상자에서 평가될 다음 번 피쳐를 선택하도록 또는 추천하도록 구성되는 피쳐 추천 모듈(125)을 더 포함할 수도 있다.
평가 모델을 구성하기 위해 트레이닝 모듈에 의해 사용되는 트레이닝 데이터(150)는 복수의 실험 대상자로부터의 복수의 데이터세트를 포함할 수 있는데, 각각의 실험 대상자의 데이터세트는 피쳐의 어레이 및 대응하는 피쳐 값, 및 실험 대상자의 발달 장애 또는 상태의 분류를 포함한다. 본원에서 설명되는 바와 같이, 피쳐는 실험 대상자에게 질문되는 질문, 실험 대상자의 관찰 결과, 또는 실험 대상자와의 구조화된 상호 작용 중 하나 이상을 통해 실험 대상자에서 평가될 수도 있다. 피쳐 값은, 예를 들면, 질문에 대한 답변, 비디오 이미지에 기초한 특성 묘사와 같은 실험 대상자의 관찰 결과, 또는 구조화된 상호 작용에 대한 실험 대상자의 반응 중 하나 이상을 포함할 수도 있다. 각각의 피쳐는 하나 이상의 발달 장애 또는 상태의 식별에 관련될 수도 있고, 각각의 대응하는 피쳐 값은 특정한 실험 대상자에서의 피쳐의 존재의 정도를 나타낼 수도 있다. 예를 들면, 피쳐는 상상 놀이 또는 가상 놀이에 참가하는 실험 대상자의 능력일 수도 있고, 특정한 실험 대상자에 대한 피쳐 값은 0, 1, 2, 3 또는 8 중 어느 하나의 점수일 수도 있는데, 여기서 각각의 점수는 실험 대상자에서의 피쳐의 존재의 정도에 대응한다(예를 들면, 0=다양한 가상 놀이; 1=약간의 가상 놀이; 2=가끔 가상하는(pretending) 또는 고도로 반복적인 가상 놀이; 3=가상 놀이 없음; 8=해당 사항 없음). 피쳐는 실험 대상자 또는 부모와 같은 돌보미에게 제시되는 질문을 통해 실험 대상자에서 평가될 수도 있는데, 질문에 대한 답변은 피쳐 값을 포함한다. 대안적으로 또는 조합하여, 피쳐는, 예를 들면, 소정의 행동에 참가하는 실험 대상자의 비디오와 함께 실험 대상자에서 관찰될 수도 있고, 피쳐 값은 관찰 결과를 통해 식별될 수도 있다. 피쳐의 어레이 및 대응하는 피쳐 값 외에도, 트레이닝 데이터에서의 각각의 실험 대상자 데이터세트는 실험 대상자 분류를 또한 포함한다. 예를 들면, 분류는 자폐증, 자폐 스펙트럼 장애(ASD), 또는 비 스펙트럼(non-spectrum)일 수도 있다. 바람직하게는, 분류는, 생성된 평가 모델의 예측 정확도를 향상시키기 위해, 라이센스가 부여된 임상 심리학자와 같은 자격을 갖춘 담당자에 의해 할당되는 임상적 진단을 포함한다. 트레이닝 데이터는, 자폐증 유전 자원 교환국(Autism Genetic Resource Exchange; AGRE)으로부터 입수 가능한 자폐증 진단 면담지-개정판(Autism Diagnostic Interview-Revised; ADI-R) 데이터 및/또는 자폐증 진단 관찰 스케줄(Autism Diagnostic Observation Schedule; ADOS) 데이터와 같은 대형 데이터 저장소로부터 이용 가능한 데이터세트, 또는 임의의 다른 적절한 저장소(예를 들면, 보스턴(Boston) 자폐증 컨소시엄(Autism Consortium; AC), Simons Foundation(시몬스 파운데이션), National Database for Autism Research(자폐증 연구를 위한 전국 데이터베이스), 등등)의 데이터로부터 이용 가능한 임의의 데이터세트를 포함할 수도 있다. 대안적으로 또는 조합하여, 트레이닝 데이터는 (예를 들면, 웹사이트, 모바일 애플리케이션, 등등을 통해) 유저로부터 크라우드 소싱될 수 있는 대규모 자체 보고 데이터세트를 포함할 수도 있다.
사전 프로세싱 모듈(105)은, 예를 들면, 데이터를 정리하고 정규화하기 위해 추출된 트레이닝 데이터에 하나 이상의 변환을 적용하도록 구성될 수 있다. 사전 프로세싱 모듈은 가짜 메타데이터를 포함하는 또는 관찰 결과를 거의 포함하지 않는 피쳐를 삭제하도록 구성될 수 있다. 사전 프로세싱 모듈은 피쳐 값의 인코딩을 표준화하도록 추가로 구성될 수 있다. 상이한 데이터세트는, 데이터세트의 소스에 의존하여, 상이한 방식으로 인코딩되는 동일한 피쳐 값을 종종 가질 수도 있다. 예를 들면, '900', '900.0', '904', '904.0', '-1', '-1.0', '없음(None)' 및 'NaN'은 모두 "누락된" 피쳐 값에 대해 인코딩될 수도 있다. 사전 프로세싱 모듈은 동일한 피쳐 값에 대한 인코딩 변형을 인식하도록, 그리고 주어진 피쳐 값에 대해 균일한 인코딩을 가지게끔 데이터세트를 표준화하도록 구성될 수 있다. 따라서, 사전 프로세싱 모듈은 트레이닝 및 예측 모듈에 대한 입력 데이터에서의 불규칙성을 감소시킬 수 있고, 그에 의해, 트레이닝 및 예측 모듈의 견고성을 향상시킬 수 있다.
데이터를 표준화하는 것 외에도, 사전 프로세싱 모듈은 소정의 피쳐 값을 상이한 데이터 표현으로 다시 인코딩하도록 또한 구성될 수 있다. 몇몇 경우에, 데이터세트 내의 피쳐 값의 원래의 데이터 표현은 평가 모델 구성에 대해 이상적이지 않을 수도 있다. 예를 들면, 대응하는 피쳐 값이 1에서부터 9까지의 정수로서 인코딩되는 카테고리형 피쳐의 경우, 각각의 정수 값은, 다른 값과는 독립적인 상이한 의미론적 내용을 가질 수도 있다. 예를 들면, '1'의 값 및 '9'의 값 둘 모두는 특정한 분류와 고도로 상관될 수도 있고, 한편 '5'의 값은 그렇지 않을 수도 있다. 피쳐 값이 정수 그 자체로서 인코딩되는, 피쳐 값의 원래의 데이터 표현은, 값이 선형 모델에서 표현되기 때문에, 각각의 값의 고유의 의미론적 내용을 캡쳐할 수 없을 수도 있다(예를 들면, 피쳐가 분리되어 고려되는 경우, '5'의 답변은 실험 대상자를 '1'과 '9' 사이에서 공평하게 배치할 것이지만; 그러나, 그러한 해석은, '1'과 '9'가 주어진 분류와 고도로 상관되고 한편 '5'는 그렇지 않은 상기 언급된 경우에서는 올바르지 않을 것이다). 각각의 피쳐 값의 의미론적 내용이 평가 모델의 구성에서 캡쳐되는 것을 보장하기 위해, 사전 프로세싱 모듈은, 카테고리형 피쳐에 대응하는 피쳐 값과 같은 소정의 피쳐 값을, 예를 들면, "원 핫(one-hot)" 양식으로, 다시 인코딩하기 위한 명령어를 포함할 수도 있다. "원 핫" 표현에서, 피쳐 값은 0 또는 1의 값을 갖는 비트의 어레이로서 표현될 수도 있는데, 비트의 수는 피쳐에 대한 가능한 값의 수에 대응한다. 실험 대상자에 대한 피쳐 값만이 "1"로서 표현될 수도 있는데, 모든 다른 값은 "0"으로서 표현될 수도 있다. 예를 들면, 실험 대상자가, 그 가능한 답변이 1에서부터 9까지의 정수를 포함하는 질문에 "4"를 답변한 경우, 원래의 데이터 표현은 [4]일 수도 있고, 원 핫 표현은 [0 0 0 1 0 0 0 0 0]일 수도 있다. 피쳐 값의 그러한 원 핫 표현은, 그러한 표현이 필요로 될 경우에서, 모든 값이 다른 가능한 값과는 독립적으로 고려되는 것을 허용할 수 있다. 각각의 피쳐에 대한 가장 적절한 데이터 표현을 사용하여 트레이닝 데이터를 그렇게 재인코딩하는 것에 의해, 사전 프로세싱 모듈은 트레이닝 데이터를 사용하여 구성되는 평가 모델의 정확도를 향상시킬 수 있다.
사전 프로세싱 모듈은, 다운스트림 모듈이 데이터를 올바르게 프로세싱할 수 있도록, 임의의 누락된 데이터 값을 대체하도록(impute) 추가로 구성될 수 있다. 예를 들면, 트레이닝 모듈에 제공되는 트레이닝 데이터세트가 질문 중 하나에 대한 답변을 누락한 데이터를 포함하는 경우, 사전 프로세싱 모듈은 누락된 값을 제공할 수 있고, 그 결과, 데이터세트는 트레이닝 모듈에 의해 올바르게 프로세싱될 수 있다. 유사하게, 예측 모듈로 제공되는 새로운 데이터세트가 하나 이상의 피쳐 값을 누락하는 경우(예를 들면, 쿼리되고 있는 데이터세트가 질문될 일련의 질문 중 제1 질문에 대한 답변만을 포함함), 사전 프로세싱 모듈은, 예측 모듈에 의한 데이터세트의 올바른 프로세싱을 가능하게 하기 위해, 누락 값을 제공할 수 있다. 카테고리형 피쳐 값(예를 들면, 실험 대상자의 소정의 행동의 표시의 범위)을 갖는 피쳐의 경우, 누락 값은 그와 같이 구체적으로 명시되는 적절한 데이터 표현으로서 제공될 수 있다. 예를 들면, 카테고리형 피쳐가 본원에서 설명되는 바와 같은 원 핫 표현으로 인코딩되는 경우, 사전 프로세싱 모듈은 누락된 카테고리형 피쳐 값을 '0' 비트의 어레이로서 인코딩할 수도 있다. 연속적인 피쳐 값(예를 들면, 실험 대상자의 나이)을 갖는 피쳐의 경우, 누락 값(예를 들면, 4 세의 연령) 대신 가능한 값 모두의 평균이 제공될 수 있다.
트레이닝 모듈(110)은, 예를 들면, 평가 프로시져에서 사용될 평가 모델을 구성하고 트레이닝시키기 위해 머신 러닝 알고리즘 또는 다른 알고리즘을 활용할 수 있다. 평가 모델은, 트레이닝 데이터에 기초하여, 주어진 피쳐 값과 평가 프로시져에 의해 선별될 특정한 발달 장애 사이의 통계적 관계를, 만약 있다면, 캡쳐하도록 구성될 수 있다. 평가 모델은, 예를 들면, 하나 이상의 발달 장애의 임상적 진단과 복수의 임상적 특성 사이의 통계적 상관을 포함할 수도 있다. 주어진 피쳐 값이, 평가 프로시져에서 평가될 복수의 발달 장애의 각각을 분류하기 위한 상이한 예측 효용성(predictive utility)을 가질 수도 있다. 예를 들면, 상상 놀이 또는 가상 놀이에 참가하는 실험 대상자의 능력을 포함하는 피쳐의 상기 언급된 예에서, "3" 또는 "다양한 가상 놀이 없음"의 피쳐 값은 자폐증을 분류하는 데 높은 예측 효용성을 가질 수도 있고, 한편, 동일한 피쳐 값은 ADHD를 분류하는 데 낮은 예측 효용성을 가질 수도 있다. 따라서, 각각의 피쳐 값에 대해, 평가 프로시져에 의해 선별될 복수의 발달 장애의 각각을 예측하기 위한 특정한 피쳐 값의 확률을 설명하는 확률 분포가 추출될 수도 있다. 머신 러닝 알고리즘은 트레이닝 데이터로부터 이들 통계적 관계를 추출하기 위해 그리고 하나 이상의 피쳐 값을 포함하는 데이터세트가 모델에 적합될 때 발달 장애의 정확한 예측을 산출할 수 있는 평가 모델을 구축하기 위해 사용될 수 있다.
평가 모델을 구성하기 위해, 단계적 역방향 피쳐 선택을 전개하는 서포트 벡터 머신(support vector machine) 및/또는 그래픽 모델 - 이들 둘 모두는 피쳐 사이의 상호 작용을 추론하는 이점을 가질 수 있음 - 과 같은 하나 이상의 머신 러닝 알고리즘이 사용될 수도 있다. 예를 들면, 교대하는 결정 트리(alternating decision tree; ADTree), 결정 스텀프(Decision Stump), 기능 트리(functional tree; FT), 로지스틱 모델 트리(logistic model tree; LMT), 로지스틱 회귀(logistic regression), 랜덤 포레스트(Random Forest), 선형 분류기, 또는 기술 분야에서 공지되어 있는 임의의 머신 러닝 알고리즘 또는 통계적 알고리즘과 같은 머신 러닝 알고리즘 또는 다른 통계적 알고리즘이 사용될 수도 있다. 앙상블 방법을 생성하기 위해 하나 이상의 알고리즘이 함께 사용될 수도 있는데, 여기서 앙상블 방법은, 편향 및/또는 분산을 감소시키기 위해, 부스팅(예를 들면, AdaBoost, LPBoost, TotalBoost, BrownBoost, MadaBoost, LogitBoost, 등등)과 같은 머신 러닝 앙상블 메타 알고리즘을 사용하여 최적화될 수도 있다). 일단 평가 모델이 트레이닝 데이터로부터 유도되면, 모델은 하나 이상의 발달 장애를 가질 실험 대상자의 위험을 평가하기 위한 예측 도구로서 사용될 수도 있다. 머신 러닝 분석은, 예를 들면, R, Weka(웨카), Python(파이썬) 및/또는 Matlab(매트랩)과 같은, 기술 분야에서 공지되어 있는 많은 프로그래밍 언어 및 플랫폼 중 하나 이상을 사용하여 수행될 수도 있다.
출력 예측이 개개의 트리의 예측된 분류의 모드인 복수의 결정 트리를 일반적으로 포함하는 랜덤 포레스트 분류기는, 트레이닝 데이터에 대한 과적합을 감소시킴에 있어서 도움이 될 수 있다. 결정 트리의 앙상블은, 각각의 분할 또는 결정 노드에서 피쳐의 랜덤 서브세트를 사용하여 구성될 수 있다. Gini(지니) 기준은, 가장 낮은 계산된 지니 불순도 지수(Gini impurity index)를 갖는 결정 노드가 선택되는 최상의 파티션을 선택하기 위해 활용될 수도 있다. 예측 시간에, 결정 트리 모두에 걸쳐 "투표"가 수행될 수 있으며, 과반수 투표(또는 예측된 분류의 모드)가 예측된 분류로서 출력될 수 있다.
도 3은 랜덤 포레스트 분류기에 기초한 평가 모델(160)의 일부를 예시하는 개략도이다. 평가 모듈은, 결정 트리(165a 및 165b)와 같은 복수의 개개의 결정 트리(165)를 포함할 수도 있는데, 이들의 각각은 트레이닝 데이터에서의 피쳐의 랜덤 서브세트를 사용하여 독립적으로 생성될 수 있다. 각각의 결정 트리는 도 3에서 도시되는 결정 노드(166 및 167)와 같은 하나 이상의 결정 노드를 포함할 수도 있는데, 여기서 각각의 결정 노드는 술어 조건(predicate condition)을 명시한다. 예를 들면, 결정 노드(16)는, 개인의 주어진 데이터세트에 대해, 질문 #86(비정상이 처음으로 명백하게 된 연령)에 대한 답변이 4 세 이하인 조건을 단정한다. 결정 노드(167)는, 주어진 데이터세트에 대해, 질문 #52(표시 및 방향 주목)에 대한 답변이 8 세 이하인 조건을 단정한다. 각각의 결정 노드에서, 결정 노드에 첨부되는 술어 조건이 참인지의 여부에 기초하여 결정 트리가 분할되어, 예측 노드(예를 들면, 166a, 166b, 167a, 167b)로 이어질 수 있다. 각각의 예측 노드는, 평가 모델에 의해 평가되고 있는 분류 또는 상태 중 하나 이상에 대한 "투표"를 나타내는 출력 값(도 3에서의 '값')을 포함할 수 있다. 예를 들면, 도 3에서 도시되는 예측 노드에서, 출력 값은 자폐증을 갖는 것으로 또는 비 스펙트럼인 것으로 분류되고 있는 개인에 대한 투표를 포함한다. 예측 노드는, 하나 이상의 추가적인 결정 노드 다운스트림(도 3에서는 도시되지 않음)으로 이어질 수 있는데, 각각의 결정 노드는 대응하는 출력 값을 갖는 대응하는 예측 노드와 관련되는 결정 트리에서의 추가적인 분할로 이어진다. 지니 불순도는, 정보성 피쳐(informative feature) - 이것에 기초하여 각각의 결정 트리에서의 분할이 구성될 수도 있음 - 를 발견하기 위한 기준으로서 사용될 수 있다. 평가 모델은 장애 또는 상태의 존재에 대해 실험 대상자를 검출하도록 또는 평가하도록 구성될 수 있다. 몇몇 경우에, 장애 또는 상태를 갖는 실험 대상자가 디지털 치료법, 예를 들면, 사회적 상호성을 촉진하도록 구성되는 디지털 치료법에 의해 개선될 것인지의 여부를 결정하기 위해 별개의 평가 모델이 구성된다.
평가 모델에서 쿼리되고 있는 데이터세트가 "리프", 또는 더 이상의 다운스트림 분할이 없는 최종 예측 노드에 도달하면, 리프의 출력 값은 특정한 결정 트리에 대한 투표로서 출력될 수 있다. 랜덤 포레스트 모델이 복수의 결정 트리를 포함하기 때문에, 포레스트의 모든 트리에 걸친 최종 투표는 합산되어 최종 투표 및 실험 대상자의 대응하는 분류를 산출할 수 있다. 도 3에서는 단지 두 개의 결정 트리만이 도시되지만, 모델은 임의의 수의 결정 트리를 포함할 수 있다. 많은 수의 결정 트리가, 각각의 개개의 결정 트리의 분산을 감소시키는 것에 의해, 트레이닝 데이터에 대한 평가 모델의 과적합을 감소시키는 것을 도울 수 있다. 예를 들면, 평가 모델은 적어도 약 10 개의 결정 트리, 예를 들면, 적어도 약 100 개의 개개의 결정 트리 또는 그 이상을 포함할 수 있다.
선형 분류기의 앙상블이 본원에서 설명되는 바와 같은 평가 모델의 유도에 또한 적합할 수도 있다. 각각의 선형 분류기는, "절편 항(intercept term)" 없이, 확률론적 경사 하강법(stochastic gradient descent)을 사용하여 개별적으로 트레이닝될 수 있다. 절편 항의 결여는, 분류기가 누락된 피쳐 값으로부터 임의의 유의도(significance)를 유도하는 것을 방지할 수 있다. 예를 들면, 실험 대상자가 질문에 답변하지 않고, 그 결과, 상기 질문에 대응하는 피쳐 값이 실험 대상자의 데이터 세트에서 '0' 비트의 어레이로서 표현되는 경우, 절편 항 없이 트레이닝되는 선형 분류기는 '0' 비트의 어레이에 어떠한 유의도도 부여하지 않을 것이다. 결과적으로 나타나는 평가 모델은, 그에 의해, 실험 대상자에 의해 답변된 피쳐 또는 질문의 선택과 모델에 의해 결정되는 바와 같은 실험 대상자의 최종 분류 사이의 상관을 확립하는 것을 방지할 수 있다. 그러한 알고리즘은, 피쳐 또는 질문이 아닌, 실험 대상자가 제공한 피쳐 값 또는 답변만이 실험 대상자의 최종 분류에 고려되는 것을 보장하는 것을 도울 수 있다.
트레이닝 모듈은 피쳐 선택을 포함할 수도 있다. 소정의 발달 장애를 갖는 개인과 소정의 발달 장애가 없는 개인 사이를 구별할 수 있는 피쳐를 선택하기 위해, 하나 이상의 피쳐 선택 알고리즘(예컨대, 서포트 벡터 머신, 컨볼루션 신경망)이 사용될 수도 있다. 상이한 장애의 식별에 관련이 있는 것으로서 피쳐의 상이한 세트가 선택될 수도 있다. 단계적 역방향 알고리즘이 다른 알고리즘과 함께 사용될 수도 있다. 피쳐 선택 프로시져는 피쳐의 최적 개수의 결정을 포함할 수도 있다.
트레이닝 모듈은 유도된 평가 모델의 성과를 평가하도록 구성될 수도 있다. 예를 들면, 데이터를 분류함에 있어서 모델의 정확도, 민감도, 및 특이성이 평가될 수 있다. 평가는 적절한 머신 러닝 알고리즘 또는 그 파라미터를 선택함에 있어서 가이드라인으로서 사용될 수 있다. 따라서, 트레이닝 모듈은 민감도(진양성(true positive) 비율)보다 특이성(진음성(true negative) 비율)을 최대화하도록 유도된 평가 모델을 업데이트 및/또는 향상시킬 수 있다. 그러한 최적화는, 클래스 불균형 또는 샘플 편향이 트레이닝 데이터에서 존재할 때 특히 유용할 수도 있다.
적어도 몇몇 경우에, 이용 가능한 트레이닝 데이터가 특정한 발달 장애로 진단되는 개인을 향해 왜곡될 수도 있다. 그러한 경우, 트레이닝 데이터는 샘플 편향을 반영하는 평가 모델을 생성할 수도 있고, 그 결과, 달리 이루어질 강력한 사례가 없는 한, 모델은 실험 대상자가 특정한 발달 장애의 위험에 처해 있다는 것을 가정한다. 그러한 특정한 샘플 편향을 통합하는 평가 모델은, 새로운 데이터 또는 분류되지 않은 데이터의 예측을 생성함에 있어서 이상적인 것보다는 덜한 성과를 가질 수 있는데, 그 이유는, 트레이닝 데이터에서 존재하는 것과 유사한 샘플 편향을 포함하지 않을 수도 있는 실험 대상자 모집단으로부터 새로운 데이터가 인출될 수 있기 때문이다. 왜곡된 트레이닝 데이터를 사용하여 평가 모델을 구성함에 있어서 샘플 편향을 감소시키기 위해, 평가 모델을 트레이닝함에 있어서 샘플 가중화(sample weighting)가 적용될 수도 있다. 샘플 가중화는, 모델 트레이닝 프로세스 동안 샘플의 특정한 세트에 상대적으로 더 큰 정도의 유의도를 제공하는 것을 포함할 수 있다. 예를 들면, 모델 트레이닝 동안, 트레이닝 데이터가 자폐증으로 진단되는 개인을 향해 왜곡되는 경우, 더 높은 유의도(예를 들면, 자폐로 진단되는 개인으로부터의 데이터보다 최대 50배 더 많은 유의도)는 자폐로 진단되지 않은 개인으로부터의 데이터에 기인할 수 있다. 그러한 샘플 가중화 기술은, 트레이닝 데이터에서 존재하는 샘플 편향의 균형을 실질적으로 유지할 수 있고, 그에 의해, 실제 세계에서 데이터를 분류함에 있어서 감소된 편향 및 개선된 정확도를 갖는 평가 모델을 생성할 수 있다. 평가 모델 생성에 대한 트레이닝 데이터 샘플 편향의 기여도를 추가로 감소시키기 위해, 트레이닝 프로세스 동안 부스팅 기술이 구현될 수도 있다. 부스팅은 반복 프로세스를 포함하는데, 트레이닝의 1회 반복 이후에, 각각의 샘플 데이터 포인트의 가중화는 업데이트된다. 예를 들면, 반복 이후에 잘못 분류되는 샘플은 더 높은 유의도를 가지고 업데이트될 수 있다. 그 다음, 트레이닝 프로세스는 트레이닝 데이터에 대한 업데이트된 가중화를 사용하여 반복될 수도 있다.
트레이닝 모듈은, 트레이닝 데이터를 사용하여 구성되는 평가 모델을 유효성 확인하도록 구성되는 유효성 확인 모듈(115)을 더 포함할 수도 있다. 예를 들면, 유효성 확인 모듈은, 계층화된 K 겹 교차 유효성 확인을 구현하도록 구성될 수도 있는데, 여기서 k는 교차 유효성 확인을 위해 트레이닝 데이터가 분할되는 분할의 수를 나타낸다. 예를 들면, k는 1보다 더 큰 임의의 정수, 예컨대, 3, 4, 5, 6, 7, 8, 9 또는 10일 수 있거나, 또는 어쩌면 평가 모델을 트레이닝 데이터에 과적합시킬 위험에 의존하여 더 높을 수도 있다.
트레이닝 모듈은 트레이닝된 평가 모델을 로컬 메모리 및/또는 원격 서버에 저장하도록 구성될 수도 있고, 그 결과, 모델은 트레이닝 모듈에 의한 수정을 위해 또는 예측 모듈(120)에 의한 예측의 생성을 위해 검색될 수 있다.
도 4는 본원에서 설명되는 바와 같은 예측 모듈(120)의 방법의 동작 흐름(400)이다. 예측 모듈(120)은 트레이닝 모듈에서 구성되는 평가 모델에 새로운 데이터를 적합시키는 것에 의해, 주어진 실험 대상자의 예측된 분류(예를 들면, 발달 장애)를 생성하도록 구성될 수 있다. 단계(405)에서, 예측 모듈은, 본원에서 설명되는 바와 같이, 예를 들면 가짜 메타데이터를 드랍하는 것, 피쳐 값의 균일한 인코딩을 적용하는 것, 상이한 데이터 표현을 사용하여 엄선된 피쳐를 재인코딩하는 것, 및/또는 누락된 데이터 포인트를 대체하는 것에 의해, 데이터를 표준화하기 위해 사전 프로세싱 모듈에 의해 프로세싱되었을 수도 있는 새로운 데이터를 수신할 수 있다. 새로운 데이터는 특정한 실험 대상자에 대한 피쳐의 어레이 및 대응하는 피쳐 값을 포함할 수 있다. 본원에서 설명되는 바와 같이, 피쳐는 실험 대상자에게 제시되는 복수의 질문, 실험 대상자의 관찰 결과, 또는 실험 대상자에게 할당되는 태스크를 포함할 수도 있다. 피쳐 값은 실험 대상자의 특성에 대응하는 실험 대상자로부터의 입력 데이터, 예컨대 질문되는 질문에 대한 실험 대상자의 답변, 또는 실험 대상자의 반응을 포함할 수도 있다. 예측 모듈에 제공되는 새로운 데이터는, 데이터와 관련되는 공지된 분류 또는 진단을 가질 수도 있거나 또는 가지지 않을 수도 있다; 어느 쪽이든, 예측 모듈은 실험 대상자에 대한 예측된 분류를 생성함에 있어서 사전 할당된 분류 정보를 사용하지 않을 수도 있다. 새로운 데이터는, 복수의 발달 장애 중 하나 이상을 가질 위험에 대해 진단될 또는 평가될 실험 대상자에 대한 이전에 수집된 완전한 데이터세트를 포함할 수도 있다. 대안적으로 또는 조합하여, 새로운 데이터는, 예를 들면, 본원에서 더욱 상세하게 설명되는 바와 같이 유저 인터페이스를 사용하여, 실험 대상자 또는 실험 대상자의 돌보미로부터 실시간으로 수집되는 데이터를 포함할 수도 있고, 그 결과, 실험 대상자에 의해 제공되는 각각의 새로운 피쳐 값이 평가 모델에 대해 순차적으로 쿼리되기 때문에 완전한 데이터세트는 실시간으로 채워질 수 있다.
단계(410)에서, 예측 모듈은, 모델을 저장하도록 구성되는 로컬 메모리 및/또는 원격 서버로부터, 트레이닝 모듈에 의해 구성되는 이전에 저장되는 평가 모델을 로딩할 수 있다. 단계(415)에서, 새로운 데이터는 실험 대상자의 예측된 분류를 생성하기 위해 평가 모델에 적합된다. 단계(420)에서, 모듈은, 데이터의 적합이 임계 값을 초과하는 신뢰도 구간 내에서, 예를 들면, 90 % 또는 더 높은 신뢰도 구간 내에서, 예를 들면, 95 % 이상 내에서 하나 이상의 특정한 장애(예를 들면, 자폐증, ADHD, 등등)의 예측을 생성할 수 있는지의 여부를 체크할 수 있다. 만약 그렇다면, 단계(425)에서 도시되는 바와 같이, 예측 모듈은 하나 이상의 발달 장애를 실험 대상자의 진단으로서 또는 실험 대상자가 위험에 처한 장애로서 출력할 수 있다. 예측 모듈은, 실험 대상자가 설정된 임계치를 넘어 위험에 처한 것으로 결정되는 복수의 발달 장애를 출력할 수도 있고, 옵션 사항으로, 복수의 장애를 위험의 순서대로 제시할 수도 있다. 예측 모듈은, 실험 대상자가 가장 위험에 처한 것으로 결정되는 하나의 발달 장애를 출력할 수도 있다. 예측 모듈은 실험 대상자가 공존 질환과 함께 위험에 처한 것으로 결정되는 두 개 이상의 발달 장애를 출력할 수도 있다. 예측 모듈은 평가 모델에서 하나 이상의 발달 장애의 각각에 대한 결정된 위험을 출력할 수도 있다. 예측 모듈이 지정된 임계 값에 있는 또는 지정된 임계 값을 초과하는 신뢰도 구간 내에서 데이터를 임의의 특정한 발달 장애에 적합시킬 수 없는 경우, 예측 모듈은, 단계(430)에서, 쿼리될 수 있는 임의의 추가적인 피쳐가 있는지의 여부를 결정할 수도 있다. 새로운 데이터가 이전에 수집된 완전한 데이터세트를 포함하고, 실험 대상자가 임의의 추가적인 피쳐 값에 대해 쿼리될 수 없는 경우, 단계(440)에서 도시되는 바와 같이, "진단 없음"이 예측된 분류로서 출력될 수도 있다. 새로운 데이터가 예측 프로세스 동안 실험 대상자 또는 돌보미로부터 실시간으로 수집되는 데이터를 포함하고, 그 결과 데이터세트가 예측 모듈에 제공되는 각각의 새로운 입력 데이터 값을 가지고 업데이트되고 각각의 업데이트된 데이터세트가 평가 모델에 적합되는 경우, 예측 모듈은 추가적인 피쳐 값에 대해 실험 대상자를 쿼리할 수 있을 수도 있다. 예측 모듈이 이미 평가 모듈에 포함되는 모든 피쳐에 대한 데이터를 이미 획득한 경우, 예측 모듈은, 단계(440)에서 도시되는 바와 같이, 실험 대상자의 예측된 분류로서 "진단 없음"을 출력할 수도 있다. 단계(435)에서 도시되는 바와 같이, 실험 대상자에게 아직 제시되지 않은 피쳐가 존재하는 경우, 예측 모듈은, 예를 들면, 실험 대상자에게 추가적인 질문을 제시하는 것에 의해, 실험 대상자로부터 추가적인 입력 데이터 값을 획득할 수도 있다. 추가적인 입력 데이터를 포함하는 업데이트된 데이터세트는, 그 다음, 평가 모델에 다시 적합될 수도 있고(단계(415)), 루프는, 예측 모듈이 출력을 생성할 수 있을 때까지, 계속될 수도 있다.
도 5는 비제한적인 예로서 본원에서 설명되는 바와 같은 피쳐 추천 모듈(125)의 동작 흐름(500)이다. 예측 모듈은, 실험 대상자에 대한 이전에 제공된 피쳐 값에 기초하여, 실험 대상자에서 평가될 다음 번 가장 예측 가능한 또는 관련이 있는 피쳐를 식별, 선택 또는 추천하도록 구성되는 피쳐 추천 모듈(125)을 포함할 수도 있다. 예를 들면, 피쳐 추천 모듈은 질문 추천 모듈일 수 있는데, 여기서 모듈은, 이전에 제시된 질문에 대한 답변에 기초하여, 실험 대상자 또는 돌보미에게 제시될 가장 예측 가능한 다음 번 질문을 선택할 수 있다. 피쳐 추천 모듈은, 특정한 실험 대상자의 발달 장애를 분류함에 있어서 가장 높은 예측 효용성을 갖는 하나 이상의 다음 번 질문 또는 피쳐를 추천하도록 구성될 수 있다. 따라서, 피쳐 추천 모듈은, 예측 모듈이 평가의 감소된 기간 및 개선된 민감도 및 정확도를 갖는 예측을 생성하는 것을 가능하게 하기 위해, 평가 프로시져를 실험 대상자에게 동적으로 재단하는 것을 도울 수 있다. 게다가, 피쳐 추천 모듈은, 실험 대상자에 의해 이전에 제공된 피쳐 값에 기초하여, 특정한 실험 대상자가 가질 가능성이 가장 높은 하나 이상의 특정한 발달 장애를 예측함에 있어서 가장 관련이 있는 실험 대상자에게 제시될 피쳐를 선택하는 것에 의해, 예측 모듈에 의해 생성되는 최종 예측의 특이성을 향상시키는 것을 도울 수 있다.
단계(505)에서, 피쳐 추천 모듈은 평가 프로시져에서 실험 대상자로부터 이미 획득된 데이터를 입력으로서 수신할 수 있다. 입력된 실험 대상자 데이터는 피쳐의 어레이 및 실험 대상자에 의해 제공되는 대응하는 피쳐 값을 포함할 수 있다. 단계(510)에서, 피쳐 추천 모듈은, 실험 대상자, 돌보미 또는 임상의 중 한 명 이상에게 제시될 다음 번 피쳐(들)로서의 추천을 위한 "후보 피쳐"로서 간주될 하나 이상의 피쳐를 선택할 수 있다. 이미 제시된 피쳐는 고려될 후보 피쳐의 그룹으로부터 배제될 수 있다. 옵션 사항으로, 소정의 기준을 충족하는 추가적인 피쳐는, 본원에서 더욱 상세하게 설명되는 바와 같이, 후보 피쳐의 그룹으로부터 또한 배제될 수도 있다.
단계(515)에서, 피쳐 추천 모듈은 각각의 후보 피쳐의 "예상된 피쳐 중요도"를 평가할 수 있다. 후보 피쳐는 그들의 "예상된 피쳐 중요도", 또는 특정한 실험 대상자에 대한 특정한 발달 장애를 예측함에 있어서의 각각의 후보 피쳐의 추정된 효용성에 대해 평가될 수 있다. 피쳐 추천 모듈은 다음의 것에 기초하는 알고리즘을 활용할 수도 있다: (1) 특정한 발달 장애를 예측함에 있어서의 특정한 피쳐 값의 중요도 또는 관련성; 및 (2) 실험 대상자가 특정한 피쳐 값을 제공할 수도 있는 확률. 예를 들면, 질문 B5에 대한 "3"의 답변이 자폐증의 분류와 고도로 상관되는 경우, 이 답변은 자폐증을 예측함에 있어서 높은 효용성을 갖는 피쳐 값으로 간주될 수 있다. 당면한 실험 대상자가 또한 상기 질문 B5에 대해 "3"을 답변할 높은 확률을 갖는 경우, 피쳐 추천 모듈은 이 질문을 높은 예상된 피쳐 중요도를 갖는 것으로 결정할 수 있다. 피쳐의 예상된 피쳐 중요도를 결정하기 위해 사용될 수 있는 알고리즘은, 예를 들면, 도 6을 참조하여 더욱 상세하게 설명된다.
단계(520)에서, 피쳐 추천 모듈은, 단계(515)에서 결정되는 바와 같은 피쳐의 예상된 피쳐 중요도에 기초하여, 다음 번에 실험 대상자에게 제시될 하나 이상의 후보 피쳐를 선택할 수 있다. 예를 들면, 각각의 후보 피쳐의 예상된 피쳐 중요도는 점수 또는 실수로서 표현될 수도 있는데, 이것은, 그 다음, 다른 후보 피쳐에 대한 비교에서 순위가 매겨질 수 있다. 소망되는 순위, 예를 들면, 상위 10위, 상위 5위, 상위 3위, 상위 2위, 또는 가장 높은 순위를 갖는 후보 피쳐가 다음 번에 실험 대상자에게 제시될 피쳐로서 선택될 수도 있다.
도 6은 본원에서 설명되는 피쳐 추천 모듈(125)에 의해 수행되는 바와 같은 예상된 피쳐 중요도 결정 알고리즘(127)을 결정하는 방법의 동작 흐름(600)이다.
단계(605)에서, 알고리즘은 특정한 발달 장애를 예측함에 있어서의 특정한 피쳐 값의 중요도 또는 관련성을 결정할 수 있다. 특정한 발달 장애를 예측함에 있어서의 특정한 피쳐 값의 중요도 또는 관련성은 트레이닝 데이터를 사용하여 구성되는 평가 모델로부터 유도될 수 있다. 그러한 "피쳐 값 중요도"는, 실험 대상자의 최종 분류를 결정함에 있어서, 주어진 피쳐 값의 역할이, 그것이 존재하든 또는 존재하지 않든 간에, 얼마나 관련성이 있는지의 척도로서 개념화될 수 있다. 예를 들면, 평가 모델이 랜덤 포레스트 분류기를 포함하는 경우, 특정한 피쳐 값의 중요도는, 랜덤 포레스트 분류기의 분기에서 그 피쳐가 배치되는 곳의 함수일 수 있다. 일반적으로, 결정 트리에서의 피쳐의 평균 위치가 상대적으로 높으면, 피쳐는 상대적으로 높은 피쳐 중요도를 가질 수 있다. 피쳐 값의 중요도는, 특정한 평가 모델이 주어지면, 피쳐 추천 모듈 또는 트레이닝 모듈 중 어느 하나에 의해 효율적으로서 계산될 수 있는데, 여기서 트레이닝 모듈은 계산된 통계치를 피쳐 추천 모듈로 전달할 수도 있다. 대안적으로, 특정한 피쳐 값의 중요도는, 상기 피쳐 값이 실험 대상자에 의해 제공된 경우 초래할 실제 예측 신뢰도의 함수일 수 있다. 주어진 후보 피쳐에 대한 각각의 가능한 피쳐 값에 대해, 피쳐 추천 모듈은, 실험 대상자의 이전에 제공된 피쳐 값 및 현재 가정된 피쳐 값에 기초하여, 하나 이상의 발달 장애를 예측하기 위한 실제 예측 신뢰도를 계산하도록 구성될 수 있다.
각각의 피쳐 값은, 평가 프로시져가 선별하도록 설계되는 각각의 발달 장애에 대해 상이한 중요도를 가질 수도 있다. 따라서, 각각의 피쳐 값의 중요도는, 평가되고 있는 복수의 발달 장애의 각각에 대한 정확한 예측을 산출하는 피쳐 값의 확률을 설명하는 확률 분포로서 표현될 수도 있다.
단계(610)에서, 피쳐 추천 모듈은 실험 대상자가 각각의 피쳐 값을 제공할 확률을 결정할 수 있다. 실험 대상자가 특정한 피쳐 값을 제공할 수도 있는 확률은 임의의 적절한 통계적 모델을 사용하여 계산될 수 있다. 예를 들면, 다음과 같은 표현식의 값을 찾기 위해, 대규모 확률 그래픽 모델이 사용될 수 있는데:
prob(E=1|A=1, B=2, C=1)
여기서 A, B, 및 C는 예측 모듈에서의 상이한 피쳐 또는 질문을 나타내고, 정수 1 및 2는 피쳐에 대한 상이한 가능한 피쳐 값(또는 질문에 대한 가능한 답변)을 나타낸다. 그러면, 실험 대상자가 특정한 피쳐 값을 제공할 확률은, 다음과 같은 표현식과 함께, Bayes(베이즈) 규칙을 사용하여 계산될 수도 있다:
prob(E=1|A=1, B=2, C=1)=prob(E=1, A=1, B=2, C=1)/prob(A=1, B=2, C=1)
그러한 표현식은, 계산 시간과 필요한 프로세싱 리소스 둘 모두의 관점에서, 계산적으로 비용이 많이 들 수도 있다. 대안적으로 또는 명시적으로 베이즈 규칙을 사용하여 확률을 계산하는 것과 조합하여, 로지스틱 회귀 또는 다른 통계적 추정기가 사용될 수도 있는데, 여기서 확률은 머신 러닝 알고리즘으로부터 유도되는 파라미터를 사용하여 추정된다. 예를 들면, 실험 대상자가 특정한 피쳐 값을 제공할 수도 있는 확률을 추정하기 위해, 다음의 표현식이 사용될 수도 있는데:
prob(E=1|A=1, B=2, C=1) sigmoid(a1*A+a2*B+a3*C+a4),
여기서 a1, a2, a3 및 a4는, 이 표현식을 최대한 정확하게 만들기 위해 시도하는 최적화 알고리즘을 사용하여 학습되는 트레이닝된 평가 모델로부터 결정되는 상수 계수이며, 시그모이드(sigmoid)는 이 표현식이 확률로 변하는 것을 가능하게 하는 비선형 함수이다. 그러한 알고리즘은 트레이닝에 대해 빠를 수 있고, 결과적으로 나타나는 표현식은, 예를 들면, 평가 프로시져의 시행 동안, 애플리케이션에서 빠르게 계산될 수 있다. 네 개의 계수에 대한 참조가 이루어지지만, 기술 분야에서 통상의 기술을 가진 자에 의해 인식될 바와 같이, 도움이 되는 만큼 많은 계수가 사용될 수도 있다.
단계(615)에서, 각각의 피쳐 값의 예상된 중요도는 단계(605 및 610)에서 계산되는 메트릭의 조합에 기초하여 결정될 수 있다. 이들 두 가지 인자에 기초하여, 피쳐 추천 모듈은 특정한 발달 장애를 예측함에 있어서의 특정한 피쳐 값의 예상된 효용성을 결정할 수 있다. 본원에서는 승산을 통한 예상된 중요도의 결정에 대한 참조가 이루어지지만, 예상된 중요도는, 예를 들면, 많은 방식으로, 예컨대 룩업 테이블, 로직, 또는 분할을 사용하여 계수 및 파라미터를 결합하는 것에 의해 결정될 수 있다.
단계(620)에서, 단계(605-615)는 각각의 후보 피쳐에 대한 모든 가능한 피쳐 값에 대해 반복될 수 있다. 예를 들면, 특정한 질문에 4 개의 가능한 답변을 갖는 경우, 4 개의 가능한 답변의 각각의 예상된 중요도가 결정된다.
단계(625)에서, 각각의 후보 피쳐의 총 예상된 중요도, 또는 예상된 피쳐 중요도가 결정될 수 있다. 각각의 피쳐의 예상된 피쳐 중요도는, 단계(620)에서 결정되는 바와 같이, 피쳐에 대한 모든 가능한 피쳐 값의 피쳐 값 중요도를 합산하는 것에 의해 결정될 수 있다. 주어진 피쳐에 대한 모든 가능한 피쳐 값에 걸쳐 예상된 효용성을 그렇게 합산하는 것에 의해, 피쳐 추천 모듈은 이전 답변에 응답하여 특정한 발달 장애를 예측하기 위한 피쳐의 총 예상된 피쳐 중요도를 결정할 수 있다.
단계(630)에서, 단계(605-625)는 피쳐 추천 모듈에 의해 고려되고 있는 모든 후보 피쳐에 대해 반복될 수 있다. 후보 피쳐는 질문과 같은 가능한 피쳐의 서브세트를 포함할 수도 있다. 따라서, 모든 후보 피쳐에 대한 예상된 피쳐 중요도 점수가 생성될 수 있으며, 후보 피쳐는 가장 높은 예상된 피쳐 중요도로부터 가장 낮은 예상된 피쳐 중요도의 순서대로 순위가 매겨질 수 있다.
옵션 사항으로, 단계(605 및 610)에서 결정되는 두 개의 인자에 더하여, 각각의 피쳐 값의 중요도를 결정함에 있어서 제3 인자가 또한 고려될 수도 있다. 실험 대상자의 이전에 제공된 피쳐 값에 기초하여, 복수의 발달 장애 중 하나 이상을 가질 실험 대상자의 확률이 결정될 수 있다. 그러한 확률은 평가 모델에서 저장되는 확률 분포에 기초하여 결정될 수 있는데, 실험 대상자에 의해 제공되는 피쳐 값에 기초하여 하여 실험 대상자가 복수의 선별된 발달 장애의 각각을 가질 확률을 나타낸다. 실험 대상자에게 제시될 다음 번 피쳐를 선택함에 있어서, 알고리즘은, 당면한 실험 대상자가 가질 가능성이 가장 높은 하나 이상의 발달 장애를 예측하는 데 가장 중요하는 또는 관련되는 피쳐 값에 더 큰 가중치를 주도록 구성될 수도 있다. 예를 들면, 평가되고 있는 다른 발달 장애 중 임의의 것보다 지적 장애 또는 말하기 및 언어 지연 중 어느 하나를 가질 더 높은 확률을 실험 대상자가 갖는다는 것을 실험 대상자의 이전에 제공된 피쳐 값이 나타내는 경우, 피쳐 추천 모듈은, 평가가 선별하도록 설계되는 자폐증, ADHD, 또는 임의의 다른 발달 장애를 예측하기 위한 높은 중요도를 갖는 피쳐가 아닌, 지적 장애 또는 말하기 및 언어 지연 중 어느 하나를 예측하기 위한 높은 중요도를 갖는 피쳐 값을 선호할 수 있다. 따라서, 피쳐 추천 모듈은, 예측 모듈이 예측 프로세스를 당면한 실험 대상자에게 맞게 재단하는 것을 가능하게 할 수 있어서, 실험 대상자의 잠재적 발달 장애에 관련되는 더 많은 피쳐를 제시하여 더 높은 세분성 및 신뢰도를 갖는 최종 분류를 산출할 수 있다.
상기의 단계가 예상되는 피쳐 중요도 결정 알고리즘(127)의 동작 흐름(600)을 나타내지만, 기술 분야에서 통상의 기술을 가진 자는 본원에서 설명되는 교시에 기초하여 많은 변형을 인식할 것이다. 단계는 상이한 순서로 완료될 수도 있다. 단계는 추가될 수도 있거나 또는 삭제될 수도 있다. 단계 중 일부는 다른 단계의 하위 단계를 포함할 수도 있다. 단계 중 많은 것은, 유저에 의해 소망되는 만큼 자주, 반복될 수도 있다.
이제, 피쳐 추천 모듈의 비제한적인 구현예가 설명된다. 실험 대상자 X는 평가 프로시져에서 질문(피쳐) A, B 및 C에 대해 답변(피쳐 값)을 제공하였다:
실험 대상자 X={'A':1, 'B':2, 'C':1}
피쳐 추천 모듈은, 예측 신뢰도 - 최종 분류 또는 진단은 이 예측 신뢰도를 가지고 도달될 수 있음 - 를 최대로 증가시키기 위해, 질문 D 또는 질문 E가 다음 번에 제시되어야 하는지의 여부를 결정할 수 있다. 실험 대상자 X의 이전 답변이 주어지면, 피쳐 추천 모듈은, 다음과 같이, 실험 대상자 X가 질문 D 및 E의 각각에 대해 각각의 가능한 답변을 제공할 확률을 결정한다:
prob(E=1|A=1, B=2, C=1)=0.1
prob(E=2|A=1, B=2, C=1)=0.9
prob(D=1|A=1, B=2, C=1)=0.7
prob(D=2|A=1, B=2, C=1)=0.3
질문 D 및 E의 각각에 대한 각각의 가능한 답변의 피쳐 중요도는, 설명되는 바와 같은 평가 모델에 기초하여 계산될 수 있다. 대안적으로, 질문 D 및 E의 각각에 대한 각각의 가능한 답변의 피쳐 중요도는, 실험 대상자가 특정한 답변을 제공하면 발생할 실제 예측 신뢰도로서 계산될 수 있다. 각각의 답변의 중요도는 임의의 적절한 수치 스케일의 값의 범위를 사용하여 표현될 수 있다. 예를 들면:
importance(E=1)=1
importance(E=2)=3
importance(D=1)=2
importance(D=2)=4
계산된 확률 및 피쳐 값 중요도에 기초하여, 피쳐 추천 모듈은 각각의 질문의 예상된 피쳐 중요도를 다음과 같이 계산할 수 있다: Expectation[importance(E)]=(prob(E=1|A=1, B=2, C=1)*importance(E=1)
+(prob(E=2|A=1, B=2, C=1)*importance(E=2)
=0.1*1+0.9*3
=2.8
Expectation[importance(D)]=(prob(D=1|A=1, B=2, C=1)*importance(D=1)
+(prob(D=2|A=1, B=2, C=1)*importance(D=2)
=0.7*2+0.3*4
=2.6
그러므로, 비록 질문 D가 그 답변에 대해 일반적으로 더 높은 피쳐 중요도를 가지고 있음에도 불구하고, 질문 E의 답변으로부터의 예상된 피쳐 중요도(관련성으로서 또한 지칭됨)는 질문 D의 것보다 더 높은 것으로 결정된다. 따라서, 피쳐 추천 모듈은 실험 대상자 X에게 제시될 다음 번 질문으로서 질문 E를 선택할 수 있다.
실험 대상자에게 제시될 다음 번 최상의 피쳐를 선택할 때, 피쳐 추천 모듈(125)은 또한, 후보 피쳐가 실험 대상자에게 이미 제시된 피쳐와의 높은 공분산을 갖는 경우, 하나 이상의 후보 피쳐를 고려에서 배제하도록 구성될 수도 있다. 상이한 피쳐의 공분산은 트레이닝 데이터에 기초하여 결정될 수도 있고, 트레이닝 모듈에 의해 구성되는 평가 모델에서 저장될 수도 있다. 후보 피쳐가 이전에 제시된 피쳐와의 높은 공분산을 갖는 경우, 후보 피쳐는 상대적으로 적은 추가적인 예측 효용성을 추가할 수도 있고, 그러므로, 평가 프로시져의 효율성을 최적화하기 위해, 실험 대상자에 대한 미래의 제시에서 생략될 수도 있다.
예측 모듈(120)은 유저 인터페이스(130)를 사용하여 평가 프로시져에 참가하는 사람(예를 들면, 실험 대상자 또는 실험 대상자의 돌보미)과 상호 작용할 수도 있다. 유저 인터페이스는, 유저가 퍼스널 컴퓨터, 태블릿, 또는 스마트폰과 같은 예측 모듈에 액세스하는 것을 가능하게 할 수 있는 임의의 컴퓨팅 디바이스의 디스플레이와 같은 유저 인터페이스를 구비할 수도 있다. 컴퓨팅 디바이스는, 유저 인터페이스를, 예를 들면, 모바일 애플리케이션의 형태로 제공하기 위한 명령어를 포함하는 프로세서를 포함할 수도 있다. 유저 인터페이스는 예측 모듈로부터의 지침을 유저에게 디스플레이하도록, 및/또는 컴퓨팅 디바이스에 의해 제공되는 입력 방법을 사용하여 유저로부터 입력을 수신하도록 구성될 수 있다. 따라서, 유저는, 유저 인터페이스를 사용하여 예측 모듈과 상호 작용하는 것에 의해, 예를 들면, 예측 모듈에 의해 제시되는 질문(피쳐)에 응답하여 답변(피쳐 값)을 제공하는 것에 의해, 본원에서 설명되는 바와 같은 평가 프로시져에 참가할 수 있다. 유저 인터페이스는 평가 프로시져를 실시간으로 시행하도록 구성될 수도 있고, 그 결과, 유저는 한 번에 하나의 질문에 답변하고 예측 모듈은 피쳐 추천 모듈에 의해 이루어지는 추천에 기초하여 다음 번 최상의 질문을 선택할 수 있다. 대안적으로 또는 조합하여, 유저 인터페이스는, 예를 들면, 유저가 피쳐의 세트에 대응하는 피쳐 값의 완전한 세트를 업로드하는 것을 허용하는 것에 의해, 유저로부터 새로운 데이터의 완전한 세트를 수신하도록 구성될 수도 있다.
본원에서 설명되는 바와 같이, 하나 이상의 발달 장애를 식별하는 것에 관련되는 주목하는 피쳐는 실험 대상자에서 다양한 방식으로 평가될 수도 있다. 예를 들면, 실험 대상자 또는 돌보미 또는 임상의는, 주목하는 피쳐가 실험 대상자에서 존재하는 정도를 평가하도록 설계되는 일련의 질문을 받을 수도 있다. 그러면, 제공되는 답변은 실험 대상자의 대응하는 피쳐 값을 나타낼 수 있다. 유저 인터페이스는 일련의 질문을 실험 대상자(또는 실험 대상자를 대신하여 평가 프로시져에 참가하는 임의의 사람)에게 제시하도록 구성될 수도 있는데, 그 일련의 질문은 본원에서 설명되는 바와 같은 후보 질문의 세트로부터 동적으로 선택될 수도 있다. 그러한 질문 및 답변 기반의 평가 프로시져는 전적으로 머신에 의해 시행될 수 있으며, 그러므로, 실험 대상자의 발달 장애(들)의 매우 빠른 예측을 제공할 수 있다.
대안적으로 또는 조합하여, 실험 대상자에서의 주목하는 피쳐는 실험 대상자의 행동의 관찰 결과를 사용하여, 예를 들면, 실험 대상자의 비디오를 사용하여 평가될 수도 있다. 유저 인터페이스는 실험 대상자 또는 실험 대상자의 돌보미가 실험 대상자의 하나 이상의 비디오를 레코딩하는 것 또는 업로드하는 것을 허용하도록 구성될 수도 있다. 비디오 장면(video footage)은 주목하는 피쳐에 대한 실험 대상자의 피쳐 값을 결정하기 위해 자격을 갖춘 담당자에 의해 후속하여 분석될 수도 있다. 대안적으로 또는 조합하여, 피쳐 값의 결정을 위한 비디오 분석은 머신에 의해 수행될 수도 있다. 예를 들면, 비디오 분석은 오브젝트(예를 들면, 실험 대상자, 실험 대상자의 공간적 위치, 얼굴, 눈, 입, 손, 사지, 손가락, 발가락, 발, 등등)를 검출하는 것, 후속하여, 오브젝트의 움직임을 추적하는 것을 포함할 수도 있다. 비디오 분석은 실험 대상자의 성별, 및/또는 실험 대상자의 구어(spoken language)(들)의 숙달성을 추론할 수도 있다. 비디오 분석은, 얼굴 표정을 추론하고 시간이 지남에 따라 이들 표정을 추적하기 위해, 얼굴을 전역적으로 식별할 수 있거나, 또는 코, 눈, 입술 및 입과 같은 얼굴 상의 특정한 랜드마크를 식별할 수도 있다. 비디오 분석은 눈, 사지, 손가락, 발가락, 손, 발을 검출할 수도 있고, 시간이 지남에 따라 그들의 움직임을 추적하여 행동을 추론할 수도 있다. 몇몇 경우에, 분석은 또한 행동의 의도, 예를 들면, 아이가 소음 또는 시끄러운 음악에 의해 화를 내는 것, 자해 행동을 시작하는 것, 다른 사람의 행동을 모방하는 것, 등등을 추론할 수도 있다. 비디오 파일에 레코딩되는 사운드 및/또는 목소리도 또한 분석될 수도 있다. 분석은 실험 대상자의 행동의 맥락을 추론할 수도 있다. 사운드/목소리 분석은 실험 대상자의 감정을 추론할 수도 있다. 사람에 의해 및/또는 머신에 의해 수행되는, 실험 대상자의 비디오 분석은, 주목하는 피쳐에 대한 피쳐 값을 산출할 수 있는데, 이것은, 그 다음, 예측 모듈로의 입력을 위해 적절하게 인코딩될 수 있다. 그 다음, 실험 대상자의 발달 장애의 예측은, 트레이닝 데이터를 사용하여 구성되는 평가 모델에 대한 실험 대상자의 피쳐 값의 적합에 기초하여 생성될 수도 있다.
대안적으로 또는 조합하여, 실험 대상자에서의 주목하는 피쳐는 실험 대상자와의 구조화된 상호 작용을 통해 평가될 수도 있다. 예를 들면, 실험 대상자는 컴퓨터 게임과 같은 게임을 할 것을 요청받을 수도 있고, 게임 상에서의 실험 대상자의 성과는 실험 대상자의 하나 이상의 피쳐를 평가하기 위해 사용될 수도 있다. 실험 대상자는 하나 이상의 자극(예를 들면, 디스플레이를 통해 실험 대상자에게 제시되는 시각적 자극)을 제시받을 수도 있고, 자극에 대한 실험 대상자의 반응은 실험 대상자의 피쳐를 평가하기 위해 사용될 수도 있다. 실험 대상자는 소정의 태스크를 수행할 것을 요청받을 수도 있고(예를 들면, 실험 대상자는 그의 또는 그녀의 손가락을 사용하여 거품을 터뜨릴 것을 요청받을 수도 있음), 요청에 대한 실험 대상자의 반응 또는 요청된 태스크를 실행하는 실험 대상자의 능력은 실험 대상자의 피쳐를 평가하기 위해 사용될 수도 있다.
본원에서 설명되는 방법 및 디바이스는 다음 번 가장 예측 가능한 또는 관련된 질문을 결정하도록 많은 방식으로 구성될 수 있다. 본원에서 설명되는 소프트웨어 명령어의 적어도 일부는, 유저 인터페이스를 제공하고 질문을 제시하고 질문에 대한 답변을 수신하기 위해, 로컬 디바이스 상에서 로컬하게 실행되도록 구성될 수 있다. 로컬 디바이스는, 가장 예측 가능한 다음 번 질문에 대해 원격 서버에게 쿼리하기 위한 애플리케이션 프로그램 인터페이스(application program interface; API)의 소프트웨어 명령어를 가지고 구성될 수 있다. API는, 예를 들면, 본원에서 설명되는 바와 같은 피쳐 중요도에 기초하여 식별된 질문을 반환할 수 있다. 대안적으로 또는 조합하여, 로컬 프로세서는 이전 답변에 응답하여 가장 예측 가능한 다음 번 질문을 결정하기 위한 명령어를 가지고 구성될 수 있다. 예를 들면, 예측 모듈(120)은 원격 서버의 소프트웨어 명령어, 또는 로컬 프로세서의 소프트웨어 명령어, 및 이들의 조합을 포함할 수도 있다. 대안적으로 또는 조합하여, 피쳐 추천 모듈(125)은, 예를 들면, 가장 예측 가능한 다음 번 질문을 결정하도록 구성되는, 원격 서버의 소프트웨어 명령어, 또는 로컬 프로세서의 소프트웨어 명령어, 및 이들의 조합을 포함할 수도 있다. 본원에서 설명되는 피쳐 추천 모듈(125)에 의해 수행되는 바와 같은 예상된 피쳐 중요도 결정 알고리즘(127)을 결정하는 방법의 동작 흐름(600)은, 예를 들면, 본원에서 설명되는 바와 같은 하나 이상의 프로세서를 사용하여 수행될 수 있다.
도 7은 본원에서 설명되는 바와 같은 평가 프로시져를 시행하는 방법(700)을 예시한다. 방법(700)은 컴퓨팅 디바이스 상에 제공되는 유저 인터페이스를 사용하여 수행될 수도 있는데, 컴퓨팅 디바이스는 디스플레이 및 디스플레이 상에서 제공되는 명령어에 응답하여 유저 입력을 수신하기 위한 유저 인터페이스를 포함한다. 평가 프로시져에 참가하는 유저는 실험 대상자 그 자신일 수도 있거나, 또는 실험 대상자의 돌보미와 같은 실험 대상자를 대신하여 프로시져에 참가하는 다른 사람일 수도 있다. 단계(705)에서, N 번째 피쳐에 관련되는 N 번째 질문이 디스플레이를 사용하여 유저에게 제시될 수 있다. 단계(710)에서, 대응하는 N 번째 피쳐 값을 포함하는 실험 대상자의 답변이 수신될 수 있다. 단계(715)에서, 당면한 실험 대상자에 대한 데이터세트는 실험 대상자에 대해 제공되는 N 번째 피쳐 값을 포함하도록 업데이트될 수 있다. 단계(720)에서, 업데이트된 데이터세트는 예측된 분류를 생성하기 위해 평가 모델에 적합될 수 있다. 단계(720)는, 본원에서 설명되는 바와 같이, 예측 모듈에 의해 수행될 수도 있다. 단계(725)에서, 데이터의 적합이 특정한 발달 장애(예를 들면, 자폐증, ADHD, 등등)의 예측을 충분한 신뢰도 내에서(예를 들면, 적어도 90 % 신뢰도 구간 내에서) 생성할 수 있는지의 여부를 결정하기 위한 체크가 수행될 수 있다. 만약 그렇다면, 단계(730)에서 도시되는 바와 같이, 예측된 발달 장애가 유저에게 디스플레이될 수 있다. 만약 그렇지 않다면, 단계(735)에서, 쿼리될 수 있는 임의의 추가적인 피쳐가 있는지의 여부를 결정하기 위한 체크가 수행될 수 있다. 만약 그렇다면, 단계(740)에서 도시되는 바와 같이, 피쳐 추천 모듈은 유저에게 제시될 다음 번 피쳐를 선택할 수도 있고, 단계(705-725)는, 최종 예측(예를 들면, 특정한 발달 장애 또는 "진단 없음")이 실험 대상자에게 디스플레이될 수 있을 때까지 반복될 수도 있다. 실험 대상자에게 어떠한 추가적인 피쳐도 제시될 수 없는 경우, 단계(745)에서 도시되는 바와 같이, "진단 없음"이 실험 대상자에게 디스플레이될 수도 있다.
상기의 단계가 평가 프로시져를 시행하는 비제한적인 방법(700)을 나타내지만, 기술 분야에서 통상의 기술을 가진 자는 본원에서 설명되는 교시에 기초하여 많은 변형을 인식할 것이다. 단계는 상이한 순서로 완료될 수도 있다. 단계는 추가될 수도 있거나 또는 삭제될 수도 있다. 단계 중 일부는 다른 단계의 하위 단계를 포함할 수도 있다. 단계 중 많은 것은, 유저에 의해 소망되는 만큼 자주, 반복될 수도 있다.
본 개시는 본 개시의 방법을 구현하도록 프로그래밍되는 컴퓨터 제어 디바이스를 제공한다. 도 8은 본원에서 설명되는 방법 및 디바이스와의 통합에 적절한 컴퓨터 디바이스(801)를 도시한다. 컴퓨터 디바이스(801)는, 예를 들면, 질문 및 답변, 반응, 통계적 분석과 같은, 본 개시의 정보의 다양한 양태를 프로세싱할 수 있다. 컴퓨터 디바이스(801)는 유저의 전자 디바이스 또는 전자 디바이스와 관련하여 원격으로 위치되는 컴퓨터 디바이스일 수 있다. 전자 디바이스는 모바일 전자 디바이스일 수 있다.
컴퓨터 디바이스(801)는, 단일 코어 또는 멀티 코어 프로세서, 또는 병렬 프로세싱을 위한 복수의 프로세서일 수 있는 중앙 프로세싱 유닛(central processing unit; CPU, 본원에서 또한 "프로세서" 및 "컴퓨터 프로세서")(805)을 포함한다. 컴퓨터 디바이스(801)는, 메모리 또는 기억 장소(810)(예를 들면, 랜덤 액세스 메모리, 리드 온리 메모리, 플래시 메모리), 전자 스토리지 유닛(815)(예를 들면, 하드 디스크), 하나 이상의 다른 디바이스와의 통신을 위한 통신 인터페이스(820)(예를 들면, 네트워크 어댑터), 및 주변장치 디바이스(825), 예컨대 캐시, 다른 메모리, 데이터 스토리지 디바이스 및/또는 전자 디스플레이 어댑터를 또한 포함한다. 메모리(810), 스토리지 유닛(815), 인터페이스(820) 및 주변장치 디바이스(825)는, 마더보드와 같은 통신 버스(실선)를 통해 CPU(805)와 통신한다. 스토리지 유닛(815)은 데이터를 저장하기 위한 데이터 스토리지 유닛(또는 데이터 저장소)일 수 있다. 컴퓨터 디바이스(801)는 통신 인터페이스(820)의 도움으로 컴퓨터 네트워크("네트워크")(830)에 동작 가능하게 커플링될 수 있다. 네트워크(830)는, 인터넷(Internet), 인터넷(internet) 및/또는 엑스트라넷, 또는 인터넷과 통신하는 인트라넷 및/또는 엑스트라넷일 수 있다. 네트워크(830)는, 몇몇 경우에, 원격 통신 및/또는 데이터 네트워크이다. 네트워크(830)는, 클라우드 컴퓨팅과 같은 분산 컴퓨팅을 가능하게 할 수 있는 하나 이상의 컴퓨터 서버를 포함할 수 있다. 네트워크(830)는, 몇몇 경우에, 컴퓨터 디바이스(801)의 도움으로, 피어 투 피어 네트워크를 구현할 수 있는데, 피어 투 피어 네트워크는 컴퓨터 디바이스(801)에 커플링되는 디바이스가 클라이언트 또는 서버로서 거동하는 것을 가능하게 할 수도 있다.
CPU(805)는, 프로그램 또는 소프트웨어로 구체화될 수 있는 일련의 머신 판독 가능 명령어를 실행할 수 있다. 명령어는 메모리(810)와 같은 기억 장소에 저장될 수도 있다. 명령어는 CPU(805)로 지향될 수 있는데, 그 명령어는, 후속하여, 본 개시의 방법을 구현하도록 CPU(805)를 프로그래밍할 수 있거나 또는 다르게는 구성할 수 있다. CPU(805)에 의해 수행되는 동작의 예는 페치(fetch), 디코드(decode), 실행(execute), 및 라이트백(writeback)을 포함할 수 있다.
CPU(805)는 집적 회로와 같은 회로의 일부일 수 있다. 디바이스(801)의 하나 이상의 다른 컴포넌트가 회로에 포함될 수 있다. 몇몇 경우에, 회로가 주문형 집적 회로(application specific integrated circuit; ASIC)이다.
스토리지 유닛(815)은 드라이버, 라이브러리, 저장된 프로그램과 같은 파일을 저장할 수 있다. 스토리지 유닛(815)은 유저 데이터, 예를 들면, 유저 선호도 및 유저 프로그램을 저장할 수 있다. 컴퓨터 디바이스(801)는, 몇몇 경우에, 컴퓨터 디바이스(801) 외부에 있는, 예컨대 인트라넷 또는 인터넷을 통해 컴퓨터 디바이스(801)와 통신하는 원격 서버 상에 위치되는 하나 이상의 추가적인 데이터 스토리지 유닛을 포함할 수 있다.
컴퓨터 디바이스(801)는 네트워크(830)를 통해 하나 이상의 원격 컴퓨터 디바이스와 통신할 수 있다. 예를 들면, 컴퓨터 디바이스(801)는 유저(예를 들면, 부모)의 원격 컴퓨터 디바이스와 통신할 수 있다. 원격 컴퓨터 디바이스 및 이동 통신 디바이스의 예는, 퍼스널 컴퓨터(예를 들면, 휴대용 PC), 슬레이트 또는 태블릿 PC(예를 들면, Apple® iPad(애플 아이패드), Samsung® Galaxy Tab(삼성 갤럭시 탭)), 전화기, 스마트폰(예를 들면, Apple® iPhone(애플 아이폰), Android(안드로이드) 대응 디바이스, Blackberry®(블랙베리)) 또는 개인 휴대형 정보 단말을 포함한다. 유저는 네트워크(830)를 사용하여 컴퓨터 디바이스(801)에 액세스할 수 있다.
본원에서 설명되는 바와 같은 방법은 컴퓨터 디바이스(801)의 전자 저장 위치 상에, 예컨대, 예를 들면, 메모리(810) 또는 전자 스토리지 유닛(815) 상에 저장되는 머신(예를 들면, 컴퓨터 프로세서) 실행 가능 코드를 통해 구현될 수 있다. 머신 실행 가능 코드 또는 머신 판독 가능 코드는 소프트웨어의 형태로 제공될 수 있다. 사용 동안, 코드는 프로세서(805)에 의해 실행될 수 있다. 몇몇 경우에, 코드는 스토리지 유닛(815)으로부터 검색될 수 있고 프로세서(805)에 의한 준비가 된 액세스를 위해 메모리(810) 상에 저장될 수 있다. 몇몇 상황에서, 전자 스토리지 유닛(815)은 배제될 수 있고, 머신 실행 가능 명령어는 메모리(810)에 저장된다.
코드는 코드를 실행하도록 적응되는 프로세서를 구비하는 머신과의 사용을 위해 사전 컴파일되고 구성될 수 있거나, 또는 런타임 동안 컴파일될 수 있다. 코드는, 코드가 사전 컴파일된 양식으로 또는 컴파일시(as-compiled) 양식으로 실행되는 것을 가능하게 하도록 선택될 수 있는 프로그래밍 언어로 제공될 수 있다.
컴퓨터 디바이스(801)와 같은, 본원에서 제공되는 플랫폼, 시스템, 디바이스, 방법, 및 매체의 양태는 프로그래밍으로 구체화될 수 있다. 기술의 다양한 양태는, 통상적으로, 한 타입의 머신 판독 가능 매체 상에서 반송되는 또는 한 타입 머신 판독 가능 매체에서 구체화되는 머신(또는 프로세서) 실행 가능 코드 및/또는 관련된 데이터의 형태의 "제품" 또는 "제조 물품"으로서 간주될 수도 있다. 머신 실행 가능 코드는, 메모리(예를 들면, 리드 온리 메모리, 랜덤 액세스 메모리, 플래시 메모리) 또는 하드 디스크와 같은 전자 스토리지 유닛 상에서 저장될 수 있다. "스토리지" 타입 매체는, 컴퓨터, 프로세서 또는 등등의 유형의 메모리, 또는 그들의 관련된 모듈, 예컨대 다양한 반도체 메모리, 테이프 드라이브, 디스크 드라이브 및 등등 중 임의의 것 또는 모두를 포함할 수 있는데, 이들은 소프트웨어 프로그래밍을 위해 임의의 시간에 비일시적 스토리지를 제공할 수도 있다. 소프트웨어의 모두 또는 일부는, 때때로, 인터넷 또는 다양한 다른 원격 통신 네트워크를 통해 통신될 수도 있다. 그러한 통신은, 예를 들면, 하나의 컴퓨터 또는 프로세서로부터, 다른 것으로의, 예를 들면, 관리 서버 또는 호스트 컴퓨터로부터 애플리케이션 서버의 컴퓨터 플랫폼으로의 소프트웨어의 로딩을 가능하게 할 수도 있다. 따라서, 소프트웨어 엘리먼트를 지닐 수도 있는 다른 타입의 매체는, 유선 및 광학적 지상 회서 네트워크를 통해 그리고 다양한 공중 링크(air-link)를 통해, 예컨대 로컬 디바이스 사이의 물리적 인터페이스에 걸쳐 사용되는 광학적, 전기적 및 전자기적 파를 포함한다. 유선 또는 무선 링크, 광학적 링크 또는 등등과 같은, 그러한 파를 반송하는 물리적 엘리먼트도 또한 소프트웨어를 지니는 매체로서 간주될 수도 있다. 본원에서 사용될 때, 비일시적인 유형의 "저장" 매체로 제한되지 않는 한, 컴퓨터 또는 머신 "판독 가능 매체"와 같은 용어는, 실행을 위해 프로세서에 명령어를 제공하는 데 참가하는 임의의 매체를 가리킨다.
그러므로, 컴퓨터 실행 가능 코드와 같은 머신 판독 가능 매체는, 유형의 저장 매체, 반송파 매체 또는 물리적 송신 매체를 포함하는 그러나 이들로 제한되지는 않는 많은 형태를 취할 수도 있다. 불휘발성 저장 매체는, 예를 들면, 도면에서 도시되는 데이터베이스, 등등을 구현하기 위해 사용될 수도 있는 임의의 컴퓨터(들) 또는 등등의 스토리지 디바이스 중 임의의 것과 같은 광학 디스크 또는 자기 디스크를 포함한다. 휘발성 저장 매체는 그러한 컴퓨터 플랫폼의 메인 메모리와 같은 동적 메모리를 포함한다. 유형의 송신 매체는, 컴퓨터 디바이스 내의 버스를 포함하는 배선을 비롯하여, 동축 케이블, 구리 배선 및 광섬유를 포함한다. 반송파 송신 매체는, 전기 또는 전자기 신호, 또는 음파 또는 광파, 예컨대 무선 주파수(radio frequency; RF) 및 적외선(IR) 데이터 통신 동안 생성되는 것들의 형태를 취할 수도 있다. 따라서, 컴퓨터 판독 가능 매체의 일반적인 형태는, 예를 들면 다음의 것을 포함한다: 플로피 디스크, 플렉시블 디스크, 하드 디스크, 자기 테이프, 임의의 다른 자기 매체, CD-ROM, DVD 또는 DVD-ROM, 임의의 다른 광학 매체, 펀치 카드 종이 테이프, 구멍의 패턴을 갖는 임의의 다른 물리적 저장 매체, RAM, ROM, PROM 및 EPROM, FLASH-EPROM, 임의의 다른 메모리 칩 또는 카트리지, 데이터 또는 명령어를 전송하는 반송파, 그러한 반송파를 전송하는 케이블 또는 링크, 또는 컴퓨터가 프로그래밍 코드 및/또는 데이터를 판독할 수도 있는 임의의 다른 매체. 이들 형태의 컴퓨터 판독 가능 매체 중 많은 것은, 하나 이상의 명령어의 하나 이상의 시퀀스를, 실행을 위해 프로세서로 반송하는 데 수반될 수도 있다.
컴퓨터 디바이스(801)는, 예를 들면, 질문 및 답변, 분석 결과, 추천을 제공하기 위한 유저 인터페이스(user interface; UI)(840)를 포함하는 전자 디스플레이(835)를 포함할 수 있거나 또는 그것과 통신할 수 있다. UI의 예는, 제한 없이, 그래픽 유저 인터페이스(graphical user interface; GUI) 및 웹 기반의 유저 인터페이스를 포함한다.
본 개시의 방법 및 디바이스는, 본원에서 개시되는 바와 같은 하나 이상의 프로세서와 함께 제공되는 명령어를 사용하여 그리고 하나 이상의 알고리즘을 통해 구현될 수 있다. 알고리즘은 중앙 프로세싱 유닛(805)에 의한 실행시 소프트웨어를 통해 구현될 수 있다. 알고리즘은, 예를 들면, 랜덤 포레스트, 그래픽 모델, 서포트 벡터 머신, 또는 등등이 될 수 있다.
상기의 단계가 예에 따른 디바이스의 방법을 나타내지만, 기술 분야에서 통상의 기술을 가진 자는 본원에서 설명되는 교시에 기초하여 많은 변형을 인식할 것이다. 단계는 상이한 순서로 완료될 수도 있다. 단계는 추가될 수도 있거나 또는 삭제될 수도 있다. 단계 중 일부는 하위 단계를 포함할 수도 있다. 단계 중 많은 것은, 마치 플랫폼에 유익한 것처럼 자주 반복될 수도 있다.
본원에서 설명되는 예의 각각은 하나 이상의 다른 예와 결합될 수 있다. 게다가, 하나 이상의 예의 하나 이상의 컴포넌트는 다른 예와 결합될 수 있다.
실험 데이터
본원에서 설명되는 바와 같은 데이터 프로세싱 모듈은 파이썬 2.7, 아나콘다 배포판(Anaconda Distribution)에 기초하여 구축되었다. 평가 모델을 구성하고 트레이닝시키기 위해 사용된 트레이닝 데이터는, 가정 내의 부모 및 아이로부터 ADI-R 및 ADOS 데이터를 수집하기 위해 가정 내 평가를 수행한 자폐증 유전 자원 교환국(AGRE)에 의해 생성된 데이터를 포함하였다. ADI-R은 총 93 개의 질문을 제시하는 부모 인터뷰를 포함하며, 자폐증 또는 자폐증 없음의 진단을 산출한다. ADOS는, 자폐증, ASD의 진단, 또는 진단 없음을 산출하는 아이의 반구조화된 인터뷰를 포함하는데, 여기서 아이는 언어 레벨에 기초한 네 가지 가능한 모듈 중 하나를 시행받았으며, 각각의 모듈은 약 30 개의 질문을 포함한다. 데이터는 평가로부터 유도되는 아이의 임상적 진단을 포함하였다; 단일의 아이가 불일치하는 ADI-R 대 ADOS 진단을 갖는 경우, 라이센스가 부여된 임상 심리학자가 문제의 아이에 대한 데이터세트에 대한 합의 진단(consensus diagnosis)을 할당하였다. 트레이닝 데이터는 총 3,449 개의 데이터 포인트를 포함하였는데, 3,315 개의 사례(자폐증 또는 ASD) 및 134 개의 대조군(비 스펙트럼)을 갖는다. 트레이닝 데이터에서 평가되는 피쳐는 다음의 3 가지 핵심 도메인을 대상으로 하였다: 언어, 사회적 의사 소통, 및 반복적 행동.
본원에서 설명되는 바와 같은 평가 모델을 구축하기 위해 부스트된 랜덤 포레스트 분류기가 사용되었다. 트레이닝 데이터에 대해 평가 모델을 트레이닝시키기 이전에, 트레이닝 데이터는 데이터를 표준화하도록, 그리고 본원에서 설명되는 바와 같은 원 핫 표현으로 카테고리형 피쳐를 재인코딩하도록 사전 프로세싱되었다. 트레이닝 데이터가 자폐증 또는 ASD를 갖는 개인을 향해 왜곡되기 때문에, 자폐성/ASD 개인의 데이터와 비교하여, 비 스펙트럼 개인의 데이터에 최대 50배 더 높은 유의도를 부여하기 위해, 샘플 가중화가 적용되었다. 평가 모델은 부스팅, 잘못 분류된 데이터 포인트에 기인하는 유의도를 증가시키기 위한 각각의 반복 이후의 데이터 포인트의 가중화의 업데이트, 및 업데이트된 유의도를 사용한 재트레이닝을 사용하여 반복적으로 트레이닝되었다.
트레이닝된 모델은 k=5인 계층화된 K 겹 교차 유효성 확인을 사용하여 유효성 확인되었다. 교차 유효성 확인은 약 93-96 %의 정확도를 산출하였는데, 여기서 정확도는 이진 분류 태스크(자폐증/비스펙트럼)에서 모델을 사용하여 올바르게 분류되는 실험 대상자의 백분율로서 정의된다. 트레이닝 데이터가 샘플 편향을 포함하였기 때문에, 모델이 하나의 클래스(자폐증 또는 비스펙트럼)를 다른 클래스와 얼마나 자주 혼동하였는지를 결정하기 위해 혼동 매트릭스(confusion matrix)가 계산되었다. 올바르게 분류된 자폐증 개인의 백분율은 약 95 %였고, 한편 올바르게 분류되는 비 스펙트럼 개인의 백분율은 약 76 %였다. 그러나, 모델은 하나의 클래스 대 다른 클래스를 더욱 밀접하게 적합시키도록 조정될 수도 있으며, 이 경우 각각의 클래스에 대한 올바른 분류의 백분율은 변경될 수 있다는 것을 유의해야 한다. 도 9는 본원에서 설명되는 바와 같은 평가 모델에 대한 감도 대 폴아웃(fall-out)을 매핑하는 수신기 동작 특성(receiver operating characteristic; ROC) 곡선을 도시한다. 자폐의 진단에 대한 진양성 비율(민감도)은, x 축 상 매핑되는 진단에 대한 위양성(false positive) 비율(폴아웃)의 함수로서, y 축 상에 매핑된다. "폴드(Fold) #0", "폴드 #1" 및 "폴드 #2"로 라벨링되는 세 개의 곡선의 각각은 교차 유효성 확인 프로시져의 상이한 "폴드"에 대응하는데, 각각의 폴드에 대해, 데이터세트를 "자폐성"으로서 분류하는 데 필요한 예측 신뢰도 임계치를 변경하면서, 트레이닝 데이터의 일부는 평가 모델에 적합되었다. 소망에 따라 또는 적절한 경우, 모델은, 모델의 ROC 곡선에 따라, 폴아웃에서의 어떤 증가를 대가로 민감도를 증가시키도록, 또는 폴아웃에서의 감소에 대한 답례로 민감도를 감소시키도록 조정될 수도 있다.
피쳐 추천 모듈은 본원에서 설명되는 바와 같이 구성되었는데, 여기서 각각의 질문의 예상된 피쳐 중요도가 계산되었고, 후보 질문은 애플리케이션 프로그램 인터페이스(API)를 사용한 서버에 대한 호출에서의 계산된 중요도의 순서대로 순위가 매겨졌다. 정보성 질문을 추천하는 피쳐 추천 모듈의 능력은, 질문의 추천 점수와 추천된 질문에 대한 답변으로부터 획득되는 예측 정확도에서의 증가 사이의 상관을 결정하는 것에 의해 평가되었다. 상관 메트릭을 계산하기 위해 다음의 단계가 수행되었다: (1) 데이터는 교차 유효성 확인을 위해 폴드로 분할되었다; (2) 이미 답변된 질문은 유효성 확인 세트로부터 랜덤하게 제거되었다; (3) 각각의 질문에 대해 예상된 피쳐 중요도(질문 추천/점수)가 생성되었다; (4) 단계 2에서 제거되는 질문 중 하나가 공개되었고, 후속하는 예측 정확도에서의 상대적 개선이 측정되었다; 그리고 (5) 상대적 개선과 예상된 피쳐 중요도 사이의 상관이 계산되었다. 계산된 Pearson(피어슨) 상관 계수는 0.2와 0.3 사이의 범위 내에 있었는데, 예상된 피쳐 중요도 점수와 상대적 개선 사이의 중간 정도의 상관을 나타낸다. 도 10은 각각의 질문에 대한 예상된 피쳐 중요도("예상된 정보성 점수")와 상대적 개선("상대적 분류 개선") 사이의 상관을 도시하는 산포도이다. 플롯은 두 변수 사이의 적적한 선형 관계를 나타내는데, 피쳐 추천 모듈이, 예측 정확도를 증가시킬 질문을 실제로 추천할 수 있다는 것을 입증한다.
개발된 예측 모듈 및 피쳐 추천 모델을 사용하여 출력을 생성하기 위한 시간의 길이가 측정되었다. 예측 모듈은 자폐증의 개인의 위험을 예측하는 데 약 46 ms가 걸렸다. 피쳐 추천 모듈은 개인에 대한 질문 추천을 생성하는 데 약 41 ms가 걸렸다. 이들 측정이 API를 통한 서버에 대한 호출을 사용하여 이루어졌지만, 계산은, 예를 들면, 로컬하게 수행될 수 있다.
도 9 및 도 10과 관련하여 설명되는 데이터 프로세싱 모듈의 평가 모델이 자폐증을 갖는 것으로 또는 자폐증이 없는 것으로 실험 대상자를 분류하도록 구성되고 트레이닝되었지만, 본원에서 설명되는 바와 같이, 실험 대상자를 복수의 발달 장애 중 하나 이상을 갖는 것으로 분류할 수 있는 평가 모델을 구축하기 위해, 유사한 접근법이 사용될 수도 있다.
다른 양태에서, 본원에서 개시되는 방법 및 디바이스는 다음과 같은 세 가지 카테고리 중 하나에 속하는 것으로 실험 대상자를 식별할 수 있다: 발달 상태를 가짐, 발달적으로 정상이거나 또는 통상적이거나, 또는 미확정임, 또는 실험 대상자가 발달 상태를 갖는지의 여부를 결정하기 위해 추가적인 평가를 필요로 함. 발달 상태는 발달 장애 또는 발달 진보일 수 있다. 제3 카테고리, 즉 미확정 결정의 추가는, 발달 상태의 존재 또는 부재에 대응하는 카테고리 평가의 개선된 성과 및 더 나은 정확도로 귀결된다.
도 11은 세 가지 카테고리 중 하나에 속하는 것으로 실험 대상자를 식별하는 평가 모듈의 동작 흐름이다. 도 11에서 도시되는 바와 같이, 실험 대상자의 적어도 하나의 행동 발달 상태를 평가하기 위한 방법(1100)이 제공된다. 평가 모듈은, 1110에서 행동 발달에 관련되는 실험 대상자의 진단 데이터를 수신하고, 1120에서 복수의 머신 러닝 평가 모델의 선택된 서브세트를 사용하여 진단 데이터를 평가하고, 1130에서 실험 대상자에 대한 카테고리형 결정을 제공한다. 카테고리형 결정은 미확정일 수 있거나, 또는 행동 발달 상태의 존재 또는 부재를 나타낼 수 있다.
도 12는 본원에서 설명되는 바와 같은 모델 트레이닝 모듈의 동작 흐름이다. 도 12에서 도시되는 바와 같이, 평가 모델을 트레이닝시키고 그것의 구성 파라미터를 최적으로 튜닝하기 위해 머신 러닝을 사용하기 위한 방법(1200)이 제공된다. 다수의 머신 러닝 예측 모델 - 각각은 오프라인에서 준비된 데이터세트를 사용하고 ADI-R, ADOS, 또는 SRS와 같은 표준화된 임상 기기의 대표적인 샘플을 포함함 - 은 방법(1200)을 사용하여 트레이닝 및 튜닝될 수 있다. 모델은 인구 통계학적 데이터와 같은 임상 기기 이외의 데이터를 포함하는 데이터세트를 사용하여 또한 트레이닝될 수 있다. 모델 트레이닝 모듈은, 1210에서, 머신 러닝 기술을 사용하여 복수의 실험 대상자로부터의 진단 데이터를 사전 프로세싱한다. 데이터세트는, 데이터 클리닝, 필터링, 집성, 대체(imputation), 정규화, 및 기술 분야에서 공지되어 있는 바와 같은 다른 머신 러닝 기술과 같은 잘 확립된 머신 러닝 기술을 사용하여 사전 프로세싱될 수 있다.
모델 트레이닝 모듈은, 1220에서, 사전 프로세싱된 진단 데이터로부터 머신 러닝 피쳐를 추출하여 인코딩한다. 데이터세트를 포함하는 열은, 예를 들면, 원 핫 인코딩, 중증도 인코딩, 행동 존재 인코딩 또는 기술 분야에서 공지되어 있는 바와 같은 임의의 다른 피쳐 인코딩 기술과 같은 피쳐 인코딩 기술을 사용하여 머신 러닝 피쳐로 매핑될 수 있다. 이들 기술 중 일부는 본질적으로 신규하고 머신 러닝 애플리케이션에서 일반적으로 사용되지 않지만, 그러나, 당면한 문제의 본질 때문에, 구체적으로는, 임상 데이터가 수집되는 설정과 모델이 적용될 의도된 설정 사이의 불일치 때문에, 그들은 본 출원에서는 유익하다.
특히 행동 인코딩의 존재는 당면한 문제에 대해 특히 유익한데, 그 이유는, 머신 러닝 트레이닝 데이터가, 다수의 시간 동안 실험 대상자를 관찰한 심리 측정가(psycho-metrician)에 의해 채워지는 임상 설문지로 구성되기 때문이다. 그들이 채우는 답변 코드는, 장기간의 관찰 전체에 걸쳐서만 명백해질 수도 있는 행동 패턴에서의 미묘한 레벨의 중증도 또는 차이에 대응할 수 있다. 그 다음, 이 데이터는, 단지 몇 분만의 실험 대상자 관찰이 이용 가능한 설정에서 적용되도록 예정되는 모델을 트레이닝시키기 위해 사용된다. 그러므로, 행동 패턴에서의 미묘함은 덜 자주 눈에 띄게 될 것으로 예상된다. 본원에서 설명되는 바와 같은 행동 인코딩의 존재는, 답변 선택지 사이의 미묘한 차이를 추상화하는 것 및 애플리케이션 설정에서 신뢰성 있게 달성될 것으로 예상되는 세분성의 레벨에서만 설문지로부터 데이터를 추출하는 것에 의해, 이 문제를 완화한다.
모델 트레이닝 모듈은, 1230에서, 인코딩된 머신 러닝 피쳐를 프로세싱한다. 한 실시형태에서, 설문지 답변은 머신 러닝 피쳐로 인코딩될 수 있는데, 그 이후, 샘플 가중치가 계산되어 데이터세트 내의 진단 데이터의 모든 샘플에 할당될 수 있으며, 각각의 샘플은 진단 데이터를 갖는 각각의 실험 대상자에 대응한다. 샘플은 실험 대상자 고유의 차원에 따라 그룹화될 수 있으며, 의도된 설정에서 실험 대상자의 예상된 분포를 반영하도록 샘플의 모든 다른 그룹에 대해 샘플의 하나의 그룹의 균형을 맞추기 위해, 샘플 가중치가 계산되어 할당될 수 있다. 예를 들면, 양성의 분류 라벨을 갖는 샘플은 음성의 분류 라벨을 갖는 것들에 대해 균형이 이루어질 수도 있다. 대안적으로 또는 추가적으로, 다수의 연령 그룹 빈(bin)의 각각 내의 샘플은, 동일한 총 가중치가 되도록 만들어질 수 있다. 성별, 지리적 지역, 양성의 또는 음성의 클래스 내의 하위 분류, 또는 임의의 다른 적절한 차원과 같은 추가적인 샘플 균형 차원이 사용될 수 있다.
샘플 가중치 조정의 프로세스는, 의도된 애플리케이션 설정에서 실험 대상자의 예상된 분포를 반영하도록 추가로 개선될 수도 있다. 이것은, 트레이닝된 모델이 다양한 특정한 애플리케이션 설정에 적응되는 것을 가능하게 할 수 있다. 예를 들면, 모델은 레벨 2 진단 클리닉에서 진단 상태의 예상된 유병률을 반영하도록 트레이닝 데이터세트 내의 샘플 가중치를 조정하는 것에 의해, 구체적으로는, 레벨 2 선별 도구로서의 사용을 위해 트레이닝될 수 있다. 동일한 선별기(screener)의 다른 변형예는, 의도된 애플리케이션 설정에서의 실험 대상자의 예상된 분포를 반영하도록 일반적인 모집단 내의 것들을 매치시키기 위해 대부분 신경학적으로 통상적인 실험 대상자 및 유병률을 갖는 소수의 양성의 샘플의 예상된 모집단을 반영하도록 트레이닝 샘플의 가중치를 다시 조정하는 것에 의해, 일반적인 공개 선별 도구로서의 사용을 위해 트레이닝될 수 있다.
모델 트레이닝 모듈은, 1240에서, 프로세싱된 머신 러닝 피쳐의 서브세트를 선택한다. 한 실시형태에서, 상응하게 가중치가 부여된 트레이닝 샘플, 및 적절하게 인코딩되는 모든 잠재적인 머신 러닝 피쳐를 통해, 피쳐 선택은 일반적으로 부트스트래핑으로서 공지되어 있는 머신 러닝 프로세스를 사용하여 발생할 수 있는데, 여기서 모델 트레이닝의 다수의 반복이 실행될 수 있고, 다수의 반복의 각각은 이용 가능한 트레이닝 데이터의 랜덤 서브샘플을 사용한다. 각각의 실행 이후, 모델에 포함시킬 필요가 있는 것으로 트레이닝 프로세스가 간주했던 피쳐를 사용하여 기록(tally)이 업데이트될 수 있다. 트레이닝에서 사용되는 랜덤 데이터 서브세트가 데이터 샘플의 선택에 부수적이며 당면한 문제에 대한 실생활 패턴을 반영하지 않는 명백한 패턴을 포함할 수도 있기 때문에, 이 목록은 실행마다 변할 것으로 예상될 수 있다. 이 프로세스를 다수 회 반복하는 것은, 부수적인 패턴이 취소되는 것을 허용할 수 있고, 그 결과, 트레이닝 데이터세트 외부에서 그리고 실제 세계로 잘 일반화될 것으로 예상될 수 있는 패턴을 반영하는 피쳐를 드러낼 수 있다. 그 다음, 부트스트래핑 실행의 탑 피쳐(top feature)가 선택될 수 있고 최종 모델을 배타적으로 트레이닝시키기 위해 사용될 수 있는데, 그 최종 모델은 전체 트레이닝 데이터세트를 사용하여 트레이닝되고, 나중의 적용을 위해 저장된다.
차원이 유용한 피쳐의 선택에 영향을 끼칠 것으로 예상되는 상황에서 인구 통계학적 차원에 대해 모델을 전문화하기 위해, 하나의 모델 대신 몇몇 모델이 트레이닝될 수 있다. 예를 들면, 다수의 설문지 기반의 모델 - 각각은 특정한 연령 그룹에 대한 것임 - 이 구축될 수 있는데, 그 이유는 실험 대상자에게 질문할 최상의 질문이 각각의 연령 그룹에 대해 상이할 것으로 예상되기 때문이다. 이 경우, 적용시, 각각의 실험 대상자에 대한 올바른 모델만이 로딩된다.
모델 트레이닝 모듈은, 1250에서, 각각의 모델을 평가한다. 특히, 각각의 모델은, 예를 들면, 사전 결정된 포함 비율에 대한 민감도 및 특이성에 의해 결정되는 바와 같은 성과에 대해 평가될 수 있다. 한 실시형태에서, 모델 트레이닝 단계 동안 사용되지 않았던 보류된 데이터세트를 사용하여, 모델은, 포함 비율, 민감도, 및 특이성의 관점에서, 성과에 대해 평가될 수 있다.
모델 트레이닝 모듈은, 1260에서, 각각의 모델을 튜닝한다. 더 구체적으로는, 상이한 튜닝 설정에서 모델의 성과를 평가하기 위해, 각각의 모델의 튜닝 파라미터는 반복적으로 증분하여 변경될 수 있고 모든 반복에서 동일한 보류된 세트에 대해 동일한 메트릭이 계산될 수 있다. 그 다음, 최적의 설정이 로킹될(locked) 수 있고 해당 모델이 저장될 수 있다. 튜닝 파라미터는, 예를 들면, 부스트된 결정 트리 모델에서의 트리의 수, 모든 트리의 최대 깊이, 학습률, 양성의 결정 점수의 임계치, 미확정으로 간주되는 출력의 범위, 및 기술 분야에서 공지되어 있는 바와 같은 임의의 다른 튜닝 파라미터를 포함할 수 있다.
바람직한 실시형태에서, 1260의 파라미터 튜닝 프로세스는, 무차별 대입 그리드 탐색(brute-force grid search), 최적화된 경사 하강법 또는 시뮬레이팅된 어닐링, 또는 기술 분야에서 공지되어 있는 바와 같은 임의의 다른 공간 탐색 알고리즘을 포함할 수 있다. 앙상블 내의 모든 모델을 사용하는 이점을 극대화하도록 1270에서 파라미터의 최적의 전체 세트에 도달하기 위해, 튜닝되고 있는 모델은 개별적이고 독립적인 튜닝 실행을 거칠 수 있거나, 또는 대안적으로 모델은, 조합하여 탐색되는 모든 모델의 모든 파라미터와 함께, 앙상블 양식으로 튜닝될 수 있다.
또한, 또 다른 양태에서, 각각의 예측 모델의 미확정 범위를 튜닝하는 것은, 성과 메트릭보다는, 비즈니스 요구에 의해 결정되는 외부 조건을 사용하여 증대될 수 있다. 예를 들면, 특정한 분류기가 70 % 이상의 포함 비율을 갖는 것이 필요한 것으로 간주될 수 있다. 다시 말하면, 분류기는, 분류되고 있는 실험 대상자의 적어도 70 %에 대해 발달 상태의 존재 또는 부재 중 어느 하나를 나타내는 평가를 제공하여, 실험 대상자의 30 % 미만에 대해 미확정 결정을 산출할 것으로 예상될 것이다. 따라서, 미확정 출력 범위에 대한 대응하는 튜닝 프로세스는, 이 조건이 충족되는 범위로만 제한되어야 할 것이다.
모델은 애플리케이션의 컨텍스트에 기초하여 튜닝 가능하다. 예측 모델은, 미확정 범위의 튜닝에 기초하여 조정될 수 있는 특정한 정도의 확실성을 갖는 진단을 출력하도록 구성될 수 있다.
또한, 미확정 범위의 튜닝은 오프라인 머신 러닝 단계 외부에 노출될 수 있다. 더 구체적으로, 미확정정 범위의 튜닝은, 배치 이후 모델을 동작시키는 에이전트가 액세스 가능한 구성 가능한 파라미터일 수 있다. 이러한 방식으로, 오퍼레이터가 더 많은 포함과 더 많은 정확도 사이의 트레이드오프를 따라, 전체 디바이스를 다이얼 업 또는 다이얼 다운하는 것이 가능하다. 이 경우를 지원하기 위해, 모델 트레이닝 단계 동안 다수의 최적의 미확정 범위가 탐색되어 저장될 수도 있는데, 각각은 자신의 대응하는 포함 비율을 갖는다. 그 다음, 에이전트는, 이전에 결정된 최적의 설정의 메뉴로부터 최적 지점을 선택하는 것에 의해 그 변경에 영향을 끼칠 수 있다.
도 13은 본원에서 설명되는 바와 같은 평가 모듈의 다른 동작 흐름이다. 도 13에서 도시되는 바와 같이, 1355에서, 발달 상태의 존재 또는 부재를 나타내는 확정적인(conclusive) 예측을, 또는 1365에서 "진단 없음"의 미확정 결정을 출력하기 위한 방법(1300)이 제공된다.
도 13에서 묘사되는 바와 같은 평가 모듈은, 1310에서, 발달 상태를 갖는 또는 갖지 않는 것으로 평가될 실험 대상자로부터 또는 그 실험 대상자와 관련되는 진단 데이터와 같은 새로운 데이터를 수신한다. 도 12에서 묘사되는 바와 같이 그리고 본원에서 설명되는 바와 같이 트레이닝된, 튜닝된 그리고 최적화된 다수의 저장된 평가 모델은, 1320에서, 로딩될 수 있다. 진단 데이터는 이들 초기 평가 모델에 적합될 수 있으며, 출력은 1330에서 수집될 수 있다. 평가 모듈은, 실험 대상자의 예측된 초기 분류를 생성하기 위해, 1340에서, 초기 평가 모델 출력을 결합할 수 있다. 평가 모듈이, 1350에서, 초기 예측이 확정적이라는 것을 결정하면, 그것은, 실험 대상자의 발달 상태의 존재 또는 부재 중 어느 하나를 나타내는 확정적인 결정을 출력할 수 있다. 평가 모듈이, 1350에서, 초기 예측이 미확정적이라는 것을 결정하면, 1360에서, 그것은, 그 다음, 추가적인 또는 더 정교한 평가 모델이 이용 가능하고 적용 가능한지의 여부를 결정할 수 있다. 어떠한 추가적인 평가 모델도 이용 가능하지 않거나 또는 적용 가능하지 않은 경우, 평가 모듈은 "진단 없음"의 미확정 결정을 출력한다. 그러나, 평가 모듈이, 추가적인 또는 더 정교한 평가 모델이 이용 가능하고 적용 가능하다는 것을 결정하면, 그것은, 1370에서, 실험 대상자로부터 또는 실험 대상자와 관련되는 추가적인 진단 데이터를 획득하도록 진행할 수 있다. 다음으로, 평가 모듈은, 1380에서, 추가적인 또는 더 정교한 평가 모델을 로딩할 수 있고 데이터를 모델에 적합시키는 프로세스를 반복할 수 있고, 이번에만, 1370에서 획득되는 추가적인 데이터는 1380에서 로딩되는 추가적인 평가 모델로 적합되어 새로운 모델 출력을 생성하는데, 그 새로운 모델 출력은, 그 다음, 확정적인 예측에 대해 1350에서 평가된다. 단계(1350, 1355, 1360, 1365, 1370, 1380), 및 다시 1330 및 1340으로의 단계를 포함하는 루프에 의해 묘사되는 바와 같은 이 프로세스는, 확정적인 예측이 1355에서 출력될 때까지, 또는 더 이상 어떠한 적용 가능한 분류 모델도 사용에 이용 가능하지 않다면, "진단 없음"의 미확정 결정이 1365에서 출력될 때까지, 반복될 수 있다.
특히, 도 13의 1310에서, 새로운 실험 대상자로부터의 데이터가 입력으로서 수신되면, 예비 결정을 위한 각각의 이용 가능한 모델이, 1320에서, 로딩되고, 실행되고, 1330에서, 수치 점수를 출력한다. 그 다음, 점수는 조합 모델을 사용하여 결합될 수 있다.
도 14는 도 13에서 묘사되는 모델 출력 결합 단계의 비제한적인 동작 흐름이다. 도 14에서 도시되는 바와 같이, 결합기 모듈(1400)이, 모델 조합 또는 조합 모델(1450)에 의해 수신되는 다수의 평가 모델(1410, 1420, 1430, 및 1440)로부터의 출력을 수집할 수 있다. 조합 모델은, 숫자 점수일 수 있는 출력을 결합하기 위해 간단한 규칙 기반의 로직을 활용할 수 있다. 대안적으로, 조합 모델은 로지스틱 회귀, 확률 모델링, 변별 모델링(discriminative modeling), 또는 기술 분야에서 공지되어 있는 바와 같은 임의의 다른 조합 기술과 같은 더욱 정교한 조합 기술을 사용할 수 있다. 조합 모델은, 모델 출력을 결합하는 최상의 방법을 결정하기 위해, 컨텍스트에 또한 의존할 수 있다. 예를 들면, 그것은, 설문지 기반의 모델 출력을 소정의 범위에서만 신뢰하도록, 또는 다르게는 비디오 기반의 모델로 유예하도록 구성될 수 있다. 다른 경우에, 그것은, 설문지 기반의 모델 출력을, 나이든 실험 대상자보다는, 더 젊은 실험 대상자에 대해 더욱 유의미하게 사용할 수 있다. 다른 경우, 그것은 여성 실험 대상자에 대한 비디오 기반의 모델의 출력을 배제할 수 있지만, 그러나, 남성 실험 대상자에 대한 비디오 기반의 모델을 포함할 수 있다.
조합 모델 출력 점수는, 그 다음, 본원에서 설명되는 바와 같은 모델 트레이닝 단계 동안 결정되는 임계치에 종속될 수 있다. 특히, 도 14에서 도시되는 바와 같이, 이들 임계치는 수치 점수(1460)의 범위를 음성의 결정 출력(1470), 미확정 결정 출력(1480), 및 양성의 결정 출력(1490)에 대응하는 세 개의 세그먼트로 분할하는 파선 영역에 의해 나타내어진다. 이것은 결합된 수치 점수를 카테고리형 결정으로, 또는 출력이 사전 결정된 미확정 범위 내에 있는 경우 미확정 결정으로 효과적으로 매핑한다.
미확정 출력의 경우, 모델의 예비 또는 초기 세트를 넘어서는 추가적인 모델을 로딩 및 실행하기 위해, 평가 모듈은, 추가적인 데이터가 실험 대상자로부터 획득되어야만 한다는 것을 결정할 수 있다. 추가적인 모델은, 예비 모델이 확정적인 출력을 식별하도록 적합되지 않을 수도 있는 경우에, 확정적인 출력을 식별하도록 잘 적합될 수도 있다. 이 결과는, 본질적으로 더 정교한, 세부적으로 정해진 입력 데이터를 더 많이 요구하는, 또는 간단한 사례를 제외하고 분류하기 더 어려운 사례에 더 많이 집중되는 추가적인 모델을 트레이닝시키는 것에 의해 실현될 수 있다.
도 15는 본원에서 설명되는 바와 같은 발달 상태의 카테고리형 결정만을 제공하도록 구성되는 설문지 선별 알고리즘의 예를 도시한다. 특히, 도 15에서 묘사되는 설문지 선별 알고리즘은, 자폐증의 존재 또는 부재만을 나타내는 결정을 출력하는 교대하는 결정 트리 분류기를 도시한다. 상이한 음영은, 자폐성인 또는 비자폐성인 그리고 설문지를 통해 평가되는 아이의 전체 모집단을 묘사한다. 두 가지 카테고리형 결정의 각각에 대해 올바르게 진단된 아이 모집단 및 올바르지 않게 진단된 아이 모집단을 나타내는 분류기의 결과가 또한 묘사된다.
대조적으로, 도 16은, 본원에서 설명되는 바와 같은 카테고리형 결정 및 미확정 결정 둘 모두를 제공하도록 구성되는 트라이톤 설문지 선별 알고리즘의 예를 도시한다. 특히, 도 16에서 묘사되는 트라이톤 알고리즘은, 관련된 연령 그룹(즉, "아이") 내의 두 개의 하위 그룹(즉, "3세 이하" 및 "4세 이상")의 각각에 대한 전문 분류기를 산출하기 위해, 연령에 적절한 설문지 및 연령 고유의 모델 둘 모두를 구현한다. 이 예로부터, 도 16의 두 개의 하위 그룹에서의 자폐증의 존재 및 부재를 나타내는 카테고리형 결정 각각은, 두 가지 카테고리형 결정의 각각에 대한 올바르게 진단된 아이 모집단 및 올바르지 않게 진단된 아이 모집단을 나타내는 상이한 음영 영역에 의해 나타내어지는 바와 같이, 도 15의 카테고리형 결정과 비교할 때, 더 높은 정확도를 갖는다는 것이 분명하다. 미확정 결정에 대해 별개의 카테고리를 제공하는 것에 의해, 도 16의 트라이톤 알고리즘은, 도 15에서 알 수 있는 바와 같이, 부정확한 카테고리형 결정을 초래하는 선별하기 어려운 사례를 더 잘 분리할 수 있다.
다양한 알고리즘에 대한 성과의 비교는, 트라이톤 알고리즘, 특히, 설문지 및 비디오 입력의 상황 의존적 조합을 갖는 트라이톤 알고리즘의 이점을 강조한다. 도 17은 본원에서 설명되는 바와 같은 임상 샘플 내의 모든 샘플에 대한 민감도-특이성 트레이드오프의 관점에서 다양한 알고리즘에 대한 성과의 비교를 도시한다. 도 17에서 도시되는 바와 같이, 민감도 및 특이성 둘 모두의 관점에서의 최상의 성과는, 비디오 결합기와 결합될 때(즉, 설문지 및 비디오 입력의 상황 의존적 조합) 70 % 커버리지에 대해 구성되는 트라이톤 알고리즘에 의해 획득된다.
도 18은 본원에서 설명되는 바와 같은 4세 미만 아이로부터 취해지는 샘플에 대한 민감도-특이성 트레이드오프의 관점에서의 다양한 알고리즘에 대한 성과의 비교를 도시한다. 비디오 결합기와 결합될 때(즉, 설문지 및 비디오 입력의 상황 의존적 조합) 70 % 커버리지에 대해 구성되는 트라이톤 알고리즘은 최상의 성과를 갖는다.
도 19는 본원에서 설명되는 4세 이상의 아이로부터 취해지는 샘플에 대한 민감도-특이성 트레이드오프의 관점에서의 다양한 알고리즘에 대한 성과의 비교를 도시한다. 대부분의 경우, 비디오 결합기와 결합될 때 70 % 커버리지에 대해 구성되는 트라이톤 알고리즘은 최상의 성과를 갖는 것으로 보인다.
도 20 내지 도 22는, 모든 샘플, 4세 미만 아이, 및 4세 이상 아이에 대해, 75 % 내지 85 % 민감도 범위에서의 상이한 알고리즘에 대한 특이성을 도시한다. 세 가지 경우 모두에서, 비디오 결합기와 결합될 때 70 % 커버리지에 대해 구성되는 트라이톤 알고리즘은, 모든 샘플에 대해 75 % 특이성, 4세 미만 아이에 대해 90 % 특이성, 그리고 4세 이상 아이에 대해 55 % 특이성을 갖는 최상의 성과를 갖는다. 트라이톤 알고리즘은 유연성의 또 다른 이점을 갖는다는 것을 유의한다. 예를 들면, 튜닝 가능한 모델이 본원에서 설명되는 바와 같이 제공되는데, 여기서 미확정 비율 또는 포함 비율은 커버리지와 신뢰도 사이의 트레이드오프를 제어하기 위해 제어되거나 또는 조정될 수도 있다. 또한, 본원에서 설명되는 모델은 예상된 유병률과 관련하여 또는 주어진 애플리케이션 설정에 대한 예상된 모집단 분포에 기초하여 애플리케이션 설정으로 튜닝될 수도 있다. 마지막으로, 적응적 재트레이닝에 대한 지원은 본원에서 설명되는 방법 및 디바이스의 피드백 트레이닝 루프가 주어지면 시간이 지남에 따라 개선된 성과를 가능하게 한다.
기술 분야에서 통상의 기술을 가진 자는, 과도한 실험 없이 개선된 결과를 획득하기 위해, 추가적인 데이터세트를 생성 및 획득할 수 있고 본원에서 개시되는 방법 및 디바이스의 민감도, 특이성 및 신뢰도 구간을 향상시킬 수 있다. 이들 측정이 예시적인 데이터세트를 사용하여 수행되었지만, 방법 및 디바이스는 본원에서 설명되는 바와 같은 추가적인 데이터세트를 가지고 구성될 수 있으며 실험 대상자는 과도한 실험 없이 임상적 환경에서 80 %의 신뢰도 구간을 가지고 위험에 처한 것으로 식별된다. 임상적 환경에서의 80 % 이상의 민감도 및 특이성은, 과도한 실험 없이, 예를 들면, 추가적인 데이터세트를 사용하여 기술 분야에서 통상의 기술을 가진 자에 의해 본원에서 제공되는 교시를 사용하여 유사하게 획득될 수 있다. 몇몇 경우에, 임상의 설문지(clinician questionnaire)에 기초하여 추가적인 데이터세트가 획득되고 단독으로 또는 다른 모델과 조합하여 사용될 수 있는 평가 모델을 생성하기 위해 사용된다. 예를 들면, 부모 또는 간병인 설문지, 임상의 설문지, 비디오 분석의 결과, 또는 이들의 임의의 조합은 각각의 데이터 소스에 대응하는 하나 이상의 예비 평가 모델에 대한 입력을 제공할 수 있다. 이들 예비 평가 모델은 본원에서 설명되는 바와 같은 결합된 예비 출력 점수를 생성하기 위해 결합될 수도 있는 예비 출력 점수와 같은 출력을 생성할 수 있다.
소정의 예에서, 환자의 평가 및/또는 진단은 일련의 평가 모델을 포함하는 평가 모듈을 사용하여 수행될 수 있다. 평가 모듈은 유저로부터 입력 데이터를 수집하도록 또는 획득하도록 구성되는 입력 모듈과 인터페이싱할 수도 있거나 또는 통신할 수도 있다. 일련의 평가 모델은, 확정 결정을 생성하기에 충분한 데이터가 획득되도록 데이터 수집 프로세스를 통지하기 위해 사용될 수 있다. 몇몇 경우에, 본원에서 개시되는 시스템 및 방법은 제1 평가 모듈을 사용하여 부모 또는 간병인 평가 모델에 대응하는 초기 데이터 세트(예를 들면, 부모 또는 간병인 설문지를 포함함)를 수집한다. 데이터 세트는 평가 모델의 피쳐에 대응하는 데이터를 포함하는데, 그것은 결정, 예를 들면, 자폐증과 같은 행동 장애 또는 상태에 관한 양성의 또는 음성의 결정(예를 들면, 카테고리형 결정) 또는 미확정 결정을 생성하기 위해 평가될 수 있다. 결정이 미확정인 경우, 그러면, 제2 평가 모듈을 사용하여 추가적인 데이터 세트, 예를 들면, 비디오 분석의 결과(예를 들면, 개인의 캡쳐된 비디오의 알고리즘 또는 비디오 분석가 기반의 평가)가 획득될 수도 있다. 대안적으로, 몇몇 경우에서, 비디오 분석의 결과는 평가를 생성하기 위해 초기 부모 또는 간병인 데이터 세트와 함께 사용된다. 이 정보는, 업데이트된 결정을 생성하기 위해 비디오 분석으로부터의 추가적인 데이터 세트를 통합하도록 구성되는 평가 모델에 통합될 수도 있다. 업데이트된 결정이 여전히 미확정이면, 그러면, 다른 데이터 세트가 획득될 수도 있는데, 예를 들면, 제3 평가 모듈을 사용하여 (예를 들면, 대면 평가에 기초하여) 의사 또는 임상의와 같은 건강 관리 제공자에 의해 보충 설문지가 획득될 수도 있다. 그러한 시나리오는 특히 어려운 사례 중의 사례에서 발생할 수도 있다. 대안적으로, 새로운 데이터 세트는 옵션 사항일 수도 있으며 건강 관리 제공자에 의해 결정될 수도 있다. 다음 번 데이터 세트가 획득될 수도 있고, 그 다음, 다음 번 결정을 생성함에 있어서 이 데이터를 통합하도록 구성되는 평가 모델을 사용하여 평가될 수도 있다. 일련의 평가 모델의 각각은 결정을 생성함에 있어서 현존하는 데이터 세트 및 신규의 또는 추가적인 데이터 세트를 고려하도록 구성될 수도 있다. 대안적으로, 일련의 평가 모델의 각각은 신규의 또는 추가적인 데이터 세트를 고려하도록 오로지 구성될 수도 있고, 평가 모델의 결과 또는 점수는, 신규의 또는 업데이트된 평가 결과를 생성하기 위해 본원에서 개시되는 바와 같이 단순히 결합된다. 데이터 세트는 하나 이상의 컴퓨팅 디바이스를 통해 획득될 수 있다. 예를 들면, 부모 또는 간병인의 스마트폰은 부모 또는 간병인 설문지에 대한 입력을 획득하기 위해 그리고 분석을 위해 비디오를 캡쳐하기 위해 사용될 수도 있다. 몇몇 경우에, 컴퓨팅 디바이스는 비디오를 분석하기 위해 사용되며, 대안적으로, 원격 컴퓨팅 디바이스 또는 원격 비디오 분석가가 비디오를 분석하고 분석가 기반의 설문지에 답변하여 입력 데이터 세트를 제공한다. 몇몇 경우에, 의사 또는 임상의의 컴퓨팅 디바이스가 입력 데이터 세트를 제공하기 위해 사용된다. 하나 이상의 평가 모델을 사용한 입력 데이터에 기초한 비디오의 분석 및 평가 또는 진단은 하나 이상의 컴퓨팅 디바이스(예를 들면, 부모의 스마트폰)에 의해 로컬하게 수행될 수 있거나 또는 예컨대 클라우드 컴퓨팅을 통해 원격에서 수행될 수 있다(예를 들면, 계산이 클라우드 상에서 발생하고, 결과(outcome)/결과(result)가 디스플레이를 위해 유저 디바이스로 송신됨). 예를 들면, 본원에서 개시되는 방법을 실행하기 위한 시스템은 부모 또는 간병인 모바일 애플리케이션 및/또는 디바이스, 비디오 분석가 포털 및/또는 디바이스, 및 건강 관리 제공자 디바이스 및/또는 대시보드를 포함할 수 있다. 현재의 평가 결과 또는 결정의 스테이터스(status)에 기초하여 새로운 데이터 세트를 동적으로 획득하는 이러한 접근법의 이점은, 확정적인 결정을 생성하는 데 필요한 것보다 더 많은 데이터를 요구하지 않으면서, 평가 또는 진단 프로세스가 더 효율적으로 수행된다는 것이다.
추가적인 데이터세트는 자폐증 유전 자원 교환국(AGRE), 보스턴 자폐증 컨소시엄(AC), Simons Foundation(시몬스 파운데이션), National Database for Autism Research(자폐증 연구를 위한 전국 데이터베이스), 및 등등과 같은, 본원에서 설명되는 바와 같은 대규모 아카이브 데이터 저장소로부터 획득될 수도 있다. 대안적으로 또는 조합하여, 추가적인 데이터세트는, 다양한 시뮬레이션 알고리즘을 사용하여 아카이브 데이터에 기초하여 생성되는 수학적으로 시뮬레이팅된 데이터를 포함할 수도 있다. 대안적으로 또는 조합하여, 추가적인 데이터세트는 크라우드 소싱을 통해 획득될 수도 있는데, 여기서 실험 대상자는 본원에서 설명되는 바와 같은 평가 프로시져를 자체적으로 시행하고 그들의 평가로부터 데이터를 제공한다. 자체 시행된 평가로부터의 데이터 외에도, 실험 대상자는, 평가 프로시져에 대한 비교의 표준을 제공하기 위해, 자격을 갖춘 임상의로부터 획득되는 임상적 진단을 또한 제공할 수도 있다.
다른 양태에서, 본원에서 설명되는 바와 같은 디지털 개인 맞춤식 의료 디바이스는, 프로세서 및 다음을 것을 하도록 구성되는 관련된 소프트웨어를 갖는 디지털 디바이스를 포함한다: 환자를 평가하고 진단하기 위한 데이터를 수신하는 것; 치료 개입으로부터 유래하는 효능, 순응도 및 반응의 상대적 레벨을 식별하는 상호 작용 및 피드백 데이터를 캡쳐하는 것; 및 치료 개입의 효능을 추가로 개인화, 개선 또는 평가하기 위해 유저 데이터 및 유저 프로파일을 평가하기 위한 머신 러닝, 인공 지능 및 통계적 모델 중 적어도 하나를 비롯하여, 데이터 분석을 수행하는 것.
디지털 개인 맞춤식 의료 디바이스에서 환자의 평가 및 진단은, 실험 대상자를 다음의 세 가지 카테고리 중 하나로 분류할 수 있다: 하나 이상의 발달 상태를 가짐, 발달적으로 정상적이거나 또는 통상적임, 또는 미확정(즉, 실험 대상자가 임의의 발달 상태를 가지고 있는지의 여부를 결정하기 위해 추가적인 평가를 필요로 함). 특히, 미확정 결정에 대해 별개의 카테고리가 제공될 수 있는데, 이것은 발달 상태의 존재 또는 부재를 나타내는 카테고리형 결정과 관련하여 더 높은 정확도로 귀결된다. 발달 상태는 발달 장애 또는 발달 진보일 수 있다. 또한, 본원에서 개시되는 방법 및 디바이스는 발달 상태로 제한되지 않으며, 행동적, 신경학적 또는 정신적 건강 상태와 같은 다른 인지 기능에 적용될 수도 있다.
몇몇 경우에, 디바이스는 디지털 진단법 및 디지털 치료법을 사용하도록 구성될 수 있다. 디지털 진단법 및 디지털 치료법은, 개인의 의학적, 심리적 또는 생리학적 상태를 향상시키기 위해, 디지털 정보를 수집하는 것 및 제공된 데이터를 프로세싱 및 평가하는 것을 포함하는 디바이스 또는 방법을 포함할 수 있다. 본원에서 설명되는 디바이스 및 방법은, 실험 대상자를 다음의 세 가지 카테고리 중 하나로 분류할 수 있다: 하나 이상의 발달 상태를 가짐, 발달적으로 정상적이거나 또는 통상적임, 또는 미확정(즉, 실험 대상자가 임의의 발달 상태를 가지고 있는지의 여부를 결정하기 위해 추가적인 평가를 필요로 함). 특히, 미확정 결정에 대해 별개의 카테고리가 제공될 수 있는데, 이것은 발달 상태의 존재 또는 부재를 나타내는 카테고리형 결정과 관련하여 더 높은 정확도로 귀결된다. 발달 상태는 발달 장애 또는 발달 진보일 수 있다. 또한, 본원에서 개시되는 방법 및 디바이스는 발달 상태로 제한되지 않으며, 행동적, 신경학적 또는 정신적 건강 상태와 같은 다른 인지 기능에 적용될 수도 있다. 또한, 유저 데이터를 평가하고, 디바이스에 의해 제공되는 진단 및 치료 개입을 모니터링 및 개선하기 위해, 디지털 치료 디바이스가 소프트웨어 기반의 학습을 적용할 수 있다.
디바이스에서의 디지털 진단법은, 환자, 또는 간병인, 또는 평가되고 있는 개인과는 독립적인 당사자로부터 수집되는 데이터 및 메타데이터를 포함할 수 있다. 몇몇 경우에, 수집된 데이터는, 개인 이외의 당사자에 의해 이루어질 수도 있는 행동, 관찰 결과, 판단, 또는 평가를 모니터링하는 것을 포함할 수 있다. 또 다른 예에서, 평가는 평가를 수행하는 성인을 포함할 수 있거나 또는 아이 또는 청소년의 평가를 위한 데이터를 제공할 수 있다.
데이터 소스는, 이동 전화, 비디오 캡쳐, 오디오 캡쳐, 활동 모니터, 또는 웨어러블 디지털 모니터와 같은 하나 이상의 디지털 디바이스를 통한 디지털 포맷의 능동적 또는 수동적 소스 중 어느 하나를 포함할 수 있다. 능동적 데이터 수집의 예는, 눈 움직임을 추적하기 위한, 신체 또는 부속지 움직임을 레코딩하기 위한, 수면 패턴을 모니터링하기 위한, 말하기 패턴(speech pattern)을 레코딩하기 위한 디바이스, 디바이스들 또는 방법을 포함한다. 몇몇 경우에, 능동적 소스는, 말하기 패턴, 어휘/신택스 패턴(예를 들면, 단어의 사이즈, 대명사의 올바른/올바르지 않은 사용, 올바른/올바르지 않은 어형 변화(inflection) 및 활용(conjugation), 능동태/수동태 등등과 같은 문법적 구조의 사용, 및 문장 흐름), 고차 언어 패턴(higher order linguistic pattern)(예를 들면, 일관성, 이해, 대화 참가, 및 호기심)과 같은 오디오 피드 데이터 소스를 포함할 수 있다. 능동적 소스는, 터치스크린 데이터 소스(예를 들면, 미세 운동 기능, 기민성(dexterity), 포인팅의 정밀도 및 빈도, 스와이프 움직임의 정밀도 및 빈도, 초점/주의 집중 시간(attention span))를 또한 포함할 수 있다. 활동 동안 실험 대상자의 얼굴의 비디오 레코딩(예를 들면, 눈 고정 대 단속적 운동(saccade)의 질/양, 화면에 대한 눈 초점의 히트 맵(heat map), 초점/주의 집중 시간, 얼굴 표정의 가변성, 및 감정적 자극에 대한 반응의 질)이 능동적 데이터 소스로서 또한 간주될 수 있다.
수동적 데이터 수집은, 모바일 애플리케이션, 임베딩된 센서를 갖는 장난감 또는 레코딩 유닛으로부터 유도되는 레코딩 또는 측정치를 사용하여 유저로부터 데이터를 수집하기 위한 디바이스, 디바이스들, 또는 방법을 포함할 수 있다. 몇몇 예에서, 수동적 소스는 스마트 장난감에 임베딩되는 센서(예를 들면, 소근육 운동(fine motor) 기능, 대근육 운동(gross motor) 기능, 집중/주의 집중 시간 및 문제 해결 스킬) 및 웨어러블 디바이스(예를 들면, 활동의 레벨, 휴식의 양/질)를 포함할 수 있다.
진단 및 치료에서 사용되는 데이터는 복수의 소스로부터 유래할 수 있고, 유저가 상호 작용하는 모바일 디바이스와 같은 하나의 디바이스, 또는 실험 대상자의 유전자 샘플링 및 마이크로바이옴(microbiome) 샘플링과 같은 다른 소스로부터 수집되는 수동적인 및 능동적 데이터 수집의 조합을 포함할 수도 있다.
본원에서 개시되는 방법 및 디바이스는, 인지 및 발달 장애, 기분 및 정신 질환, 신경 퇴행성 질환의 진단 및 디지털 치료 요법에 대해 잘 적합된다. 인지 및 발달 장애의 예는, 말하기 및 학습 장애 및 본원에서 설명되는 바와 같은 다른 장애를 포함한다. 아이 및 성인에게 영향을 줄 수 있는 기분 및 정신 질환 장애의 예는, 행동 장애, 기분 장애, 우울증, 주의력 결핍 과잉 행동 장애("ADHD"), 강박 장애("OCD"), 정신분열증, 및 섭식 장애(addictive behavior) 및 물질 남용(substance abuse)과 같은 물질 관련 장애(substance-related disorder)를 포함한다. 신경 퇴행성 질환의 예는, 연령 관련 인지 저하, 알츠하이머 및 노쇠로 진행되는 인지 장애, 파킨슨병 및 헌팅턴병, 및 근위축성 측색 경화증(amyotrophic lateral sclerosis; "ALS")을 포함한다. 본원에서 개시되는 방법 및 디바이스는 디지털 방식으로 아이를 진단 및 치료할 수 있고 실험 대상자가 성인이 될 때까지 치료를 계속할 수 있으며, 개인 맞춤된 프로파일에 기초하여 평생 치료를 제공할 수 있다.
본원에서 설명되는 디지털 진단 및 치료는 생물학적 또는 화학적 치료 요법과 커플링되는 행동 개입에 대해 잘 적합된다. 본원에서 설명되는 바와 같이 유저 상호 작용 데이터를 수집하는 것에 의해, 행동 개입 데이터 제약 및 생물학적 치료의 조합을 위한 치료법이 제공될 수 있다.
본원에서 설명되는 바와 같은 모바일 디바이스는, 결과를 개선하고 유저 입력에 대한 의존도를 감소시키기 위해, 피드백 루프의 일부로서 사용될 수 있는 실험 대상자의 데이터를 수집하기 위한 센서를 포함할 수도 있다. 모바일 디바이스는, 치료에 후속하여 실험 대상자의 데이터를 수집하기 위해, 본원에서 설명되는 바와 같은 수동적 또는 능동적 센서를 포함할 수도 있다. iPad™(아이패드) 또는 iPhone™(아이폰)또는 유사한 디바이스와 같은 동일한 모바일 디바이스 또는 제2 모바일 디바이스는, 정기적으로, 예를 들면, 매일, 시간마다, 등등에서 치료를 개선시키기 위해 해야 하는 것을 유저에게 알려주기 위해 유저와 상호 작용하는 소프트웨어 애플리케이션을 포함할 수도 있다. 유저 모바일 디바이스는 치료 진전에 응답하여 유저에게 통지를 전송하도록 구성될 수 있다. 모바일 디바이스는, 실험 대상자에게 전달되는 치료제의 전달 양을 모니터링하도록 구성되는 약물 전달 디바이스를 포함할 수도 있다.
본원에서 개시되는 방법 및 디바이스는, 예를 들면, 부모 및 아이 양자의 치료에 대해 잘 적합된다. 부모 및 아이 양자는 본원에서 설명되는 바와 같이 별개의 치료를 받을 수 있다. 예를 들면, 부모의 신경학적 상태가 모니터링 및 치료될 수 있고, 아이의 발달 진전이 모니터링 및 치료될 수 있다.
실험 대상자의 데이터를 획득하기 위해 사용되는 모바일 디바이스는 많은 방식으로 구성될 수 있으며, 예를 들면, 복수의 디바이스를 결합할 수도 있다. 예를 들면, 비정상적인 수면 패턴이 자폐증에 관련될 수도 있기 때문에, 본원에서 설명되는 치료 장치를 사용하여 획득되는 수면 데이터는, 상기에서 설명되는 진단 장치에 의해 사용되는 자폐 분류기에 대한 머신 러닝 트레이닝 프로세스에 대한 추가적인 입력으로서 사용될 수 있다. 모바일 디바이스는, 진단 및 치료를 위한 입력으로서 제공될 수 있으며 본원에서 설명되는 바와 같은 피드백 루프의 컴포넌트를 포함할 수도 있는, 아이에 대한 수면 모니터링을 위한 모바일 웨어러블을 포함할 수도 있다.
실험 대상자의 데이터를 수집하고 실험 대상자의 진단 및 치료에 입력하기 위해, 많은 타입의 센서, 바이오센서 및 데이터가 사용될 수 있다. 예를 들면, 실시형태와 관련한 작업은, 마이크로바이옴 데이터가 자폐증의 진단 및 치료에 유용할 수 있다는 것을 시사한다. 마이크로바이옴 데이터는 기술 분야에서 통상의 지식을 가진 자에게 공지되어 있는 다양한 방식으로 수집될 수 있으며, 대변 샘플, 장 세척, 또는 실험 대상자의 장관(intestinal track)의 세균총(flora)의 다른 샘플로부터 선택되는 데이터를 포함할 수도 있다. 유전자 데이터는 진단 및 치료 모듈에 대한 입력으로서 또한 획득될 수 있다. 유전자 데이터는 실험 대상자의, 유전자의 전체 게놈 시퀀싱, 또는 특정한 마커의 시퀀싱 및 식별을 포함할 수도 있다.
본원에서 개시되는 바와 같은 진단 및 치료 모듈은, 유전자 데이터, 세균총 데이터, 수면 센서, 웨어러블 발찌(anklet) 수면 모니터, 수면을 모니터링하기 위한 부티(booty), 및 실험 대상자의 눈 추적으로 구성되는 그룹으로부터 획득되는 데이터와 같은 데이터를 복수의 소스로부터 수신할 수 있다. 눈 추적은 시선의 방향 및 지속 기간을 결정하기 위해 많은 방식으로 수행될 수 있다. 추적은 안경, 헬멧 또는 시선의 방향 및 지속 기간에 대한 다른 센서를 사용하여 행해질 수 있다. 데이터는, 예를 들면, 비디오 재생 또는 비디오 게임과 같은 시각적 세션 동안 수집될 수 있다. 초기에 실험 대상자를 진단하고, 실험 대상자의 치료를 결정하고, 실험 대상자의 치료를 수정하고, 치료에 후속하여 실험 대상자를 모니터링하기 위해, 치료 이전에, 동안에 그리고 이후에, 이 데이터는 획득되어 본원에서 설명되는 바와 같은 치료 모듈 및 진단 모듈에 제공될 수 있다.
시각적 시선, 시선의 지속 기간 및 얼굴 표정 정보는, 기술 분야에서 통상의 지식을 가진 자에게 공지되어 있는 방법 및 디바이스를 사용하여 획득될 수 있고, 진단 및 치료 모듈에 대한 입력으로서 획득될 수 있다. 데이터는 다운로드될 수 있는, 소프트웨어 명령어를 포함하는 앱을 사용하여 획득될 수 있다. 예를 들면, 얼굴 프로세싱은 Gloarai 등등의 『"Autism and the development of face processing", Clinical Neuroscience Research 6 (2006) 145-160』에 의해 설명되었다. Duke University(듀크 대학교)의 자폐증 연구 그룹은, 웹페이지 autismandbeyond.researchkit.duke.edu에서 설명되는 대는 바와 같은 모바일 디바이스 상으로 다운로드된 소프트웨어 앱을 사용하여 Autism and beyond 조사 연구를 행하여 왔다. 그러한 디바이스로부터의 데이터는 본 개시에 따른 조합에 대해 특히 잘 적합된다. 얼굴 인식 데이터 및 시선 데이터는 본원에서 설명되는 바와 같은 진단 및 치료 모듈에 입력될 수 있다.
본원에서 개시되는 플랫폼, 시스템, 디바이스, 방법, 및 매체는 얼굴 표정 인식 활동과 같은 다양한 활동을 포함하는 활동 모드를 제공할 수 있다. 얼굴 표정 인식은 하나 이상의 이미지에 대해 수행될 수 있다. 예를 들면, 스마트폰과 같은 컴퓨팅 디바이스는, 본원에서 설명되는 바와 같이, 자동 얼굴 표정 인식을 수행하도록 그리고 실시간의 사회적 단서를 전달하도록 구성될 수 있다.
시스템은 스마트폰 상의 외향 카메라를 사용하여 얼굴에서의 표현성 이벤트(expressive event)를 추적할 수 있고 일반적으로서 사용되는 감정(예를 들면, 표준화된 Ekman(에크만) "기본" 감정)의 실시간 머신 러닝 기반의 분류를 위해 비디오 및/또는 이미지 또는 사진 데이터를 스마트폰 앱에 전달하는 것에 의해 얼굴 표정 또는 감정을 판독할 수 있다. 그러한 감정의 예는, 분노, 혐오감, 두려움, 행복, 슬픔, 놀람, 경멸, 및 중립(neutral)을 포함한다. 그 다음, 시스템은 스마트폰을 통해 실험 대상자 또는 유저에게 얼굴 표정에 관한 실시간의 사회적 단서(예를 들면, "행복", "화남", 등등)를 제공할 수 있다. 단서는 시각적일 수 있고 - 앱 상에서 나타내어짐 - , 및/또는 청각적일 수 있거나 - 스마트폰 상의 스피커를 통함 - , 또는 이들의 임의의 조합일 수 있다. 시스템은 또한, 관찰되는 사회적 상호 작용 레벨 및 얼굴 관여의 양과 타입과 같은, 사회적 반응을 또한 레코딩할 수 있다. 몇몇 실시형태에서, 감정 인식 시스템은 강건한 23 포인트 얼굴 추적기로 시작하고, 감마 보정, 가우시안 차분 필터링(difference of Gaussian filtering), 및 대비 균등화 또는 이들의 임의의 조합과 같은 몇몇 조명 최적화 단계가 후속되는 컴퓨터 비전 파이프라인을 포함한다. 몇몇 실시형태에서, 지향된 기울기 피쳐의 히스토그램이 전체 얼굴에 대해 추출되고 로지스틱 회귀 분류기가 최종 감정 예측을 위해 적용된다. 분류기 모델은 다수의 대규모의 현존하는 얼굴 표정 인식 데이터베이스뿐만 아니라, 다른 참가자 또는 실험 대상자로부터 수집되는 추가적인 데이터에 대해 트레이닝될 수 있다. 몇몇 실시형태에서, 세션이 수행되고 있는 동안, "중립 차감"으로 칭해지는 기술은, 상호 작용 동안 시스템이 보고 있는 특정한 얼굴에 대해 시스템이 실시간으로 캘리브레이팅되는 것을 허용하여, 특정한 유저에 대한 증가된 개인 맞춤된 예측을 허용한다.
소정의 예에서, 다양한 모드의 피드백이 실험 대상자(예를 들면, 아이), 부모 또는 간병인, 중재자(interventionist), 임상의, 또는 이들의 임의의 조합으로 제공된다. 시스템은, 예를 들면, 본원에서 설명되는 건강 관리 제공자 포털을 통해 임상의에게 진전 피드백을 제공하도록 구성될 수 있다. 피드백은, 감정적 반응이 올바른지의 여부를 나타내는, 다양한 활동 또는 게임에 대한 성과 점수, 올바르지 않은 답변의 설명, 개선 또는 진전(예를 들면, 지난 한 달 동안의 감정 인식 활동의 관점에서의 진전), 또는 다른 관찰 결과 또는 논평을 포함할 수 있다. 피드백은 얼굴 주의 집중 관찰 시간(facial attention looking time), 올바른 감정적 반응, 점수, 및 임상의와 중재자가 실험 대상자의 진전을 모니터링할 수 있도록 그들에 의한 리뷰를 위해 옵션 사항으로 간단한 인터페이스에서 제공될 수 있는 다른 메트릭과 같은 성과 메트릭을 포함할 수 있다. 진전 피드백은 행동의 다양한 도메인 또는 하위 도메인에 대응할 수 있다. 예를 들면, 진전 피드백 및/또는 실험 대상자 개선은, 대인 관계, 놀이 및 여가, 대처 스킬을 포함하는 사회화 도메인 및/또는 특정한 하위 도메인에 관련될 수 있다. 예를 들면, 다양한 디지털 치료 활동 동안 실험 대상자의 성과 및 다른 메트릭을 모니터링하고 평가하는 것에 의해, 특정한 개선이 추적될 수 있다. 한 예로서, 얼굴 관여, 감정 표현, 시선, 언어적 상호 작용(예를 들면, 아이가 간병인의 질문에 구두로(verbally) 반응하는지의 여부), 및 실험 대상자의 다른 행동을 모니터링하기 위해, 내향 카메라 및/또는 마이크가 사용될 수 있다.
본원에서 개시되는 디지털 치료 플랫폼, 시스템, 디바이스, 방법, 및 매체는, 하위 도메인 및 관련된 결핍과 관련하여 실험 대상자를 평가하도록, 뿐만 아니라, 실험 대상자가 디지털 치료법을 통해 혜택을 받을지 또는 개선될지의 여부를 결정하도록 구성될 수 있다. 예를 들면, 대인 관계는 사회적-감정적 상호성에서의 결핍, 사회적 상호 작용을 위해 사용되는 비언어적 의사 소통 행동(nonverbal communicative behavior)에서의 결핍, 및 관계를 개발하고, 유지하고, 그리고 이해하는 것에서의 결핍을 수반할 수 있다. 본원에서 제공되는 개선은, 얼굴 관여에서의 증가, 감정 표현의 이해에서의 증가, 및 사회적 참여를 위한 기회 및 동기 부여에서의 증가를 포함할 수 있다. 놀이 및 여가 하위 도메인은, 관계를 발전시키고, 유지하고, 그리고 이해하는 것에서의 결핍을 포함할 수 있는데, 이것은 사회적 놀이를 장려하는 디지털 치료 게임 및/또는 활동에 의해 개선될 수 있다. 얼굴 관여 및 감정 표현의 이해에서의 증가에 기인하여, 실험 대상자는 관계를 유지하는 데 더 능숙하게 될 수 있다. 사회적 대처(social coping)는, 동일성에 대한 주장, 일상에 대한 융통성 없는 고수, 또는 언어적 또는 비언어적 행동의 의식화된 패턴을 수반할 수 있으며, 얼굴 관여 및 감정 표현의 이해에서의 증가에 기인하여, 실험 대상자는 사회적 상호 작용을 더 잘 이해하는 것의 스트레스 요인(stressor)을 비롯한 환경적 스트레스 요인에 더 잘 대처할 수 있게 된다. 본원에서 개시되는 치료 활동 및/또는 게임에 참가하는 실험 대상자의 치료 효과 또는 결과는, 치료에 대한 반응성을 결정하기 위해 머신 러닝 모델 또는 분류기를 트레이닝시키기 위해 사용되는 추가적인 데이터로서 수집될 수 있다. 몇몇 실시형태에서, 진단 또는 평가 모듈에 의해 자폐 스펙트럼 장애를 갖는 것으로 평가되고 양성으로 식별된(또는 자폐 스펙트럼 장애를 갖는 것으로 예측된) 실험 대상자는, 그 다음, 실험 대상자가 본원에서 개시되는 하나 이상의 디지털 치료법에 반응할 것이라는 또는 하나 이상의 디지털 치료법으로부터 이익을 얻을 것이라는 것을 예측하는 또는 결정하는 머신 러닝 모델 또는 분류기에 의해 평가될 수 있다. 몇몇 경우에, 개개의 활동 또는 게임 또는 복수의 활동 또는 게임은, 하나 이상의 형태의 사회적 상호성과 관련하여 상당한 치료적 이점을 제공할 것으로 예측된다. 몇몇 경우에, 이점은 일반적으로 사회적 상호성과 관련한다. 대안적으로 또는 조합하여, 이점은, 사회적 행동 또는 상호성, 또는 다른 행동 결핍에 관련이 있는 특정한 도메인 또는 하위 도메인과 관련하여 결정된다.
디지털 치료법은 장애(disorder), 상태, 또는 장애(impairment)의 존재에 대해 실험 대상자를 평가함에 있어서 사용되는 진단 차원의 일부 또는 모두에 기초하여 커스터마이징될 수 있거나 또는 개인 맞춤될 수 있다. 예를 들면, 실험 대상자가 사회화 도메인 및/또는 특정한 하위 도메인 예컨대 대인 관계, 놀이 및 여가, 및/또는 대처 스킬에서 감정 인식 활동으로부터 이익을 얻을 것이라는 것을 예측하는 머신 러닝 모델을 사용하는 것에 기초하여 실험 대상자는 평가될 수도 있다. 이것은 진단 프로세스 동안 생성되는 다양한 진단 차원에 기초할 수 있는데, 그 다양한 진단 차원은, 그 다음, 치료 커스텀화 프로세스에 통합된다. 머신 러닝 모델은, 실험 대상자가 특정한 치료법, 예를 들면, 감정 인식 활동 또는 사회적 상호성으로부터 획득할 수도 있는 예측된 개선 또는 이점 또는 개선 또는 이점의 가능성을 평가함에 있어서 이들 차원을 통합할 수도 있다. 몇몇 경우에, 실험 대상자는, 증가된 얼굴 관여 또는 다른 사람에 의해 표현되는 감정의 증가된 이해와 같은 특정한 행동에 관해 이점을 얻을 것으로 예측된다. 상당한 이점 또는 개선이 종래의 통계 도구 또는 메트릭을 사용하여 통계적으로 확립될 수도 있거나, 또는 설정될 수 있다(예를 들면, 3주의 치료 이후 감정 인식 점수에서 평균 10 %의 개선과 같은 임계치). 몇몇 실시형태에서, 실험 대상자 성과가 모니터링되어 원격 데이터베이스 서버 상으로 수집되는데, 원격 데이터베이스 서버에서, 그것은 익명화될 수 있고 다른 실험 대상자에 대한 데이터와 결합되어, 그러한 머신 러닝 모델을 트레이닝시키기 위해 사용되는 데이터 세트를 형성할 수 있다.
본원에서 개시되는 분류기는 개선된 치료법 및 치료를 제공하기 위해 이 데이터와 조합에 대해 특히 잘 적합된다. 데이터는 계층화될 수 있고 본원에서 설명되는 바와 같은 피드백 루프와 함께 사용될 수 있다. 예를 들면, 피드백 데이터는, 차별적 반응(differential response)을 결정하고 반응자와 비반응자를 식별하기 위해, 약물 치료법과 조합하여 사용될 수 있다. 대안적으로 또는 조합하여, 피드백 데이터는 행동 치료법(예를 들면, 본원에서 설명되는 디지털 치료법)과 같은 비약물 치료법과 결합될 수 있다.
유전학과 관련하여, 최근의 연구는, 몇몇 사람들이 그들을 자폐증에 더 취약하게 만드는 유전자를 가질 수도 있다는 것을 시사한다. 실험 대상자의 유전적 구성은 실험 대상자를 환경적 영향에 더욱 민감하게 만들 수도 있는데, 이것은 증상을 야기할 수 있고 증상의 중증도에 영향을 끼칠 수도 있다. 환경 영향은, 예를 들면, 독소, 바이러스 또는 다른 물질로부터의 손상을 포함할 수도 있다. 임의의 특정한 이론에 의해 구속되기를 바라지는 않지만, 이것은 발현 유전자의 조절을 변경하는 메커니즘으로 귀결될 수도 있다. 유전자의 발현에서의 변화는 위장(gastro-intestinal; "GI") 세균총에서의 변화에 관련될 수도 있고, 세균총에서의 이들 변화는 자폐증에 관련되는 증상에 영향을 끼칠 수도 있다. 대안적으로 또는 조합하여, 장내 마이크로바이옴에 대한 손상은, 실험 대상자의 마이크로바이옴에서의 변화를 야기할 수도 있고, 그 결과, 실험 대상자는 이상적인 것보다 더 적은 항상성을 가지게 될 수도 있는데, 이것은 자폐증에 관련되는 관련 증상에 영향을 끼칠 수도 있다. 본 발명자는, 이 미생물에서의 변화가 자폐증 및 자폐증의 발달에 관련될 수 있다는 것을, Sarkis K. Mazmanian 및 다른 사람들에 의해 행해진 박테로이드 프라질리스(B. fragilis)에서의 예비 연구가 시사한다는 것을 주목한다. (2014년 9월 1일자의 Scientific American의 Melinda Wenner Moyer에 의한 "Gut Bacteria May Play a Role in Autism"를 또한 참조하라.)
디지털 진단법은, 환자의 상태를 평가하거나 또는 진단하기 위한 머신 러닝, 인공 지능, 및 통계적 모델링과 같은 도구로부터의 분석과 함께, 디지털 진단법 밖에서 캡쳐되는 무료 진단 데이터를 포함할 수도 있는, 환자에 대해 디바이스에 의해 수집되는 데이터를 사용한다. 디지털 진단법은 또한, 진단 및 잠재적인 치료 개입을 향상하거나 또는 개선하기 위한 피드백을 디바이스로 제공하기 위해, 머신 러닝, 인공 지능, 및 통계적 모델링과 같은 도구에 의해 분석 및 평가될 수 있는 데이터 및 메타데이터를 통해 직접적으로 또는 간접적으로 환자의 상태 또는 성과에서의 변화의 평가를 제공할 수 있다.
디지털 진단법, 디지털 치료법, 및 치료 개입으로부터의 대응하는 반응, 또는 그 결여를 포함하는 데이터의 분석은, 환자에 대한 신규의 진단 및 환자 및 간병인 둘 모두에 대한 신규의 치료 요법의 식별로 이어질 수 있다.
디바이스에 의해 수집되고 활용되는 데이터의 타입은, 예를 들면, 환자 및 간병인 비디오, 오디오, 질문 또는 활동에 대한 반응, 및 활동, 게임 또는 디바이스의 소프트웨어 피쳐와의 유저 상호 작용으로부터의 능동적인 또는 수동적 데이터 스트림을 포함할 수 있다. 그러한 데이터는, 예를 들면, 추천된 활동을 수행할 때, 디바이스와의 환자 또는 간병인 상호 작용을 또한 나타낼 수 있다. 특정한 예는, 유저의 행동의 양태, 프로파일, 활동, 소프트웨어 디바이스와의 상호 작용, 게임과의 상호 작용, 사용의 빈도, 세션 시간, 선택되는 옵션 또는 피쳐, 및 콘텐츠 및 활동 선호도를 캡쳐하는 디바이스의 디바이스 또는 모바일 앱과의 유저의 상호 작용으로부터의 데이터를 포함한다. 데이터는 활동 모니터, 게임 또는 상호 작용식 콘텐츠와 같은 다양한 써드파티 디바이스로부터의 스트림을 또한 포함할 수도 있다.
본원에서 설명되는 디지털 치료법은 디바이스에 의해 환자 또는 간병인에게 제공되는 지침, 피드백, 활동 또는 상호 작용을 포함할 수 있다. 예는, 제안된 행동, 활동, 게임 또는 디바이스 소프트웨어 및/또는 써드파티 디바이스(예를 들면, 기술 분야에서 통상의 지식을 가진 자에 의해 이해되는 바와 같은 사물 인터넷(Internet of Things; "IoT") 대응 치료 디바이스)와의 상호 작용식 세션을 포함한다.
도 23a는 행동적, 신경학적 또는 정신 건강 장애에 관련되는 진단 및 치료법을 제공하기 위한 디지털 개인 맞춤식 의료 플랫폼(2300)에 대한 디바이스 다이어그램을 예시한다. 플랫폼(2300)은, 예를 들면, 발달 지연과 관련되는 소아 인지 및 행동 상태의 진단 및 치료를 제공할 수 있다. 유저 디지털 디바이스(2310) - 예를 들면, 스마트폰, 활동 모니터, 또는 웨어러블 디지털 모니터와 같은 모바일 디바이스 - 는 환자에 관련되는 데이터 및 메타데이터를 레코딩한다. 데이터는 디바이스와의 환자의 상호 작용에 기초하여, 뿐만 아니라, 간병인 및 건강 관리 전문가와의 상호 작용에 기초하여 수집될 수도 있다. 데이터는, 예컨대 테스트를 시행하는 것, 말하기 및/또는 비디오를 레코딩하는 것, 및 진단 질문에 대한 반응을 레코딩하는 것에 의해, 능동적으로 수집될 수도 있다. 데이터는 또한, 예컨대 환자 및 간병인의 온라인 행동을 모니터링하는 것, 예컨대 진단된 발달 장애에 관련이 있는 조사되는 주제 및 질문되는 질문을 레코딩하는 것에 의해, 수동적으로 수집될 수도 있다.
디지털 디바이스(2310)는 컴퓨터 네트워크(2320)에 연결되어, 디지털 디바이스(2310)가 연결된 컴퓨터와 데이터를 공유하는 것 및 연결된 컴퓨터로부터 데이터를 수신하는 것을 허용한다. 특히, 디바이스는, 컴퓨터 네트워크(2320)를 통해 디지털 디바이스(2310)와 통신하도록 구성되는 서버를 포함하는 개인 맞춤형 의료 디바이스(2330)와 통신할 수 있다. 개인 맞춤식 의료 디바이스(2330)는, 환자의 발달 스테이터스의 초기 및 증분적 진단(incremental diagnosis)을 제공하기 위한 진단 모듈(2332)뿐만 아니라, 진단 모듈(2332)의 진단에 응답하여 개인 맞춤된 치료법 추천을 제공하는 치료 모듈(2334)을 포함한다.
진단 모듈(2332 및 2334)의 각각은 치료의 과정 동안 유저 디지털 디바이스(2310)와 통신한다. 진단 모듈은 디지털 디바이스(2310)에 진단 테스트를 제공하고 디지털 디바이스(2310)로부터 진단 피드백을 수신하고, 피드백을 사용하여 환자의 진단을 결정한다. 예를 들면, 초기 진단은 테스트 및 질문의 포괄적인 세트에 기초할 수도 있고, 한편, 더 작은 데이터 샘플을 사용하여 진단에 대해 증분적 업데이트가 이루어질 수도 있다. 예를 들면, 진단 모듈은 간병인에게 질문한 질문 및 단어 또는 언어 의사 소통 테스트와 같은 환자에게 시행되는 테스트에 기초하여 자폐증 관련 말하기 지연을 진단할 수도 있다. 진단은 말하기 능력에서의 수 개월 또는 수 년의 지연을 나타낼 수도 있다. 예를 들면, 더 작은 또는 더 큰 지연의 정도를 나타내는 이 진단을 업데이트하기 위해, 나중에 테스트가 시행될 수도 있고 질문이 질문될 수도 있다.
진단 모듈은 그 진단을 디지털 디바이스(2310)뿐만 아니라, 치료 모듈(2334)로 전달하는데, 치료 모듈(2334)은 진단을 사용하여 임의의 진단된 증상을 치료하기 위해 수행될 치료법을 제안한다. 치료 모듈(2334)은, 환자 및 간병인이 주어진 시간 프레임에 걸쳐 추천되는 치료법을 수행할 지침을 비롯한, 자신의 추천된 치료법을 디지털 디바이스(2310)로 전송한다. 주어진 시간 프레임에 걸쳐 치료를 수행한 이후, 간병인 또는 환자는 추천된 치료법의 완료를 나타낼 수 있고, 디지털 디바이스(2310)로부터 치료 모듈(2334)로 보고서가 전송될 수 있다. 치료 모듈(2334)은, 그 다음, 치료법의 최신 라운드가 완료되었다는 것, 및 새로운 진단이 필요로 된다는 것을 진단 모듈(2332)에게 나타낼 수 있다. 그 다음, 진단 모듈(2332)은 새로운 진단 테스트 및 질문을 디지털 디바이스(2310)로 제공할 수 있을 뿐만 아니라, 학습 세션의 레코딩 또는 치료법 또는 진단된 상태에 관련되는 간병인 또는 환자의 브라우징 이력과 같은, 치료의 일부로서 제공되는 임의의 데이터의 치료 모듈로부터 입력을 취할 수 있다. 그 다음, 진단 모듈(2332)은, 프로세스를 반복하고 치료법의 다음 번 단계를 제공하기 위해, 업데이트된 진단을 제공한다.
진단 및 치료법에 관련되는 정보는, 개인 맞춤식 의료 디바이스(2330)로부터, 건강 관리 전문가의 컴퓨터 디바이스와 같은 써드파티 디바이스(2340)로 또한 제공될 수 있다. 건강 관리 전문가 또는 다른 써드파티는, 환자가 예상된 스케줄보다 뒤처지고 있는지 또는 예상보다 더 빠르게 개선되고 있는지의 여부를 비롯하여, 치료 스케줄로부터의 상당한 편차에 대해 경고를 받을 수 있다. 그 다음, 이 제공된 정보에 기초하여 써드파티에 의해 적절한 추가적인 액션이 취해질 수 있다.
도 23b는 진단 모듈(2332)의 상세도를 예시한다. 진단 모듈(2332)은 실험 대상자에 대한 시행을 위한 테스트 및 대응하는 지침을 생성하는 테스트 시행 모듈(test administration module; 2342)을 포함한다. 진단 모듈(2332)은 또한, 예를 들면, 테스트 결과; 간병인 피드백; 디바이스와의 환자 및 간병인 상호 작용으로부터의 메타데이터; 및 디바이스와의 비디오, 오디오, 및 게이밍 상호 작용과 같은 실험 대상자 데이터가 수신되는 실험 대상자 데이터 수신 모듈(2344)을 또한 포함한다. 실험 대상자 평가 모듈(2346)은, 실험 대상자 데이터 수신 모듈(2344)로부터의 데이터뿐만 아니라, 실험 대상자의 그리고 유사한 실험 대상자의 과거 진단에 기초하여, 실험 대상자의 진단을 생성한다. 머신 러닝 모듈(2348)은 진단에 대한 각각의 입력의 상대적 민감도를 평가하여, 환자의 진단에 관하여 어떤 타입의 측정이 가장 많은 정보를 제공하는지를 결정한다. 진단 정확도 및 일관성을 향상시키기 위해, 이들 결과는, 진단을 가장 효율적으로 통지하는 테스트를 제공하도록 테스트 시행 모듈(2342)에 의해 그리고 진단 데이터에 가중치를 적용하도록 실험 대상자 평가 모듈(2346)에 의해 사용될 수 있다. 각각의 치료된 환자에 관련이 있는 진단 데이터는, 예를 들면, 데이터베이스에 저장되어, 패턴 매칭 및 머신 러닝을 위한 진단 데이터의 라이브러리를 형성한다. 많은 수의 실험 대상자 프로파일, 예를 들면, 10,000 개 이상이 그러한 데이터베이스에 동시에 저장될 수 있다.
도 23c는 치료 모듈(2334)의 상세한 다이어그램을 예시한다. 치료 모듈(2334)은, 그들의 효과에 기초하여 치료법을 채점하는 치료법 평가 모듈(2352)을 포함한다. 치료 이전 및 이후 둘 모두에서 진단 모듈에 의해 제공되는 진단에 기초하여 이전에 제안된 치료법이 평가되고, 개선의 정도가 결정된다. 개선의 이 정도는 치료의 효과에 점수를 매기기 위해 사용된다. 치료법은 특정한 클래스의 진단과 상관되는 자신의 유효성을 가질 수도 있고; 예를 들면, 치료법은 한 가지 타입의 진단을 갖는 실험 대상자에 대해서는 효과적이지만, 그러나 제2 타입의 진단을 갖는 실험 대상자에 대해서는 효과가 없는 것으로서 간주될 수도 있다. 실험 대상자의 진단과 유사한 진단을 치료함에 있어서 치료법 매칭 모듈(2352)에 의해 가장 효과적인 것으로 결정된 치료법의 세트를 결정하기 위해 진단 모듈(2332)로부터의 실험 대상자의 진단을 치료법의 목록과 비교하는 치료법 평가 모듈(2354)이 또한 제공된다. 치료법 추천 모듈(2356)은, 그 다음, 치료법 매칭 모듈(2354)에 의해 유망한 것으로 식별되는 치료법 중 하나 이상을 포함하는 추천된 치료법을 생성하고, 그 추천된 치료법의 시행을 위한 지침과 함께 그 추천을 실험 대상자에게 전송한다. 그 다음, 치료법 추적 모듈(2358)이 추천된 치료법의 진전을 추적하고, 진단 모듈(2332)에 의해 새로운 진단이 수행되어야 하는 때, 또는 주어진 치료법이 계속되어야 하고 진전이 추가로 모니터링되어야 하는 때를 결정한다. 치료되는 각각의 환자에 관련이 있는 치료 데이터는, 예를 들면, 데이터베이스에 저장되어, 패턴 매칭 및 머신 러닝을 위한 치료 데이터의 라이브러리를 형성한다. 많은 수의 실험 대상자 프로파일, 예를 들면, 10,000 개 이상이 그러한 데이터베이스에 동시에 저장될 수 있다. 치료 데이터는 진단에 대한 효과적인 치료법(예를 들면, 디지털 치료법)의 매칭을 허용하기 위해 진단 모듈(2332)의 진단 데이터에 상관될 수 있다.
치료법은 디지털 치료법을 포함할 수 있다. 디지털 치료법은, 환자 또는 간병인에 의해 수행될 수 있는 단일의 또는 다수의 치료 활동 또는 개입을 포함할 수 있다. 디지털 치료법은, 센서, 컴퓨터, 의료 디바이스 및 치료 전달 디바이스와 같은 써드파티 디바이스와의 처방된 상호 작용을 포함할 수 있다. 디지털 치료법은 FDA 승인 의료 보험금 청구서(medical claim), 진단 코드의 세트, 또는 단일의 진단 코드를 지원할 수 있다.
도 24는 디지털 개인 맞춤식 의료 플랫폼에서 제공될 진단 및 치료를 위한 방법(2400)을 예시한다. 디지털 개인 맞춤식 의료 플랫폼은, 진단을 제공하고 치료법을 추천하기 위해, 한 명 이상의 간병인을 갖는 환자를 포함할 수도 있는 실험 대상자와 통신한다.
단계(2410)에서, 진단 모듈은, 예를 들면, 진단 테스트를 실험 대상자에 적용하는 것에 의해, 실험 대상자를 평가하여 진단을 결정한다. 진단 테스트는 실험 대상자에 대한 복수의 피쳐 및 대응하는 피쳐 값을 결정하는 것을 목적으로 할 수도 있다. 예를 들면, 테스트는, 실험 대상자에게 제시되는 복수의 질문, 실험 대상자의 관찰 결과, 또는 실험 대상자에게 할당되는 태스크를 포함할 수도 있다. 테스트는, 실험 대상자의 간접적인 테스트, 예컨대 환자 성과 대 특정한 행동 및/또는 이정표(milestone)의 간병인으로부터의 피드백; 디바이스와의 환자 및 간병인 상호 작용으로부터의 메타데이터; 및 환자 및 간병인 행동 및 성과에 대한 데이터를 제공하는 써드파티 도구와의 또는 디바이스와의 비디오, 오디오, 및 게이밍 상호 작용을 또한 포함할 수도 있다. 초기 테스트의 경우, 정확한 초기 진단을 생성하는 것을 목표로, 더욱 포괄적인 테스트 요법이 수행될 수도 있다. 진전을 추적하기 위해 이전 진단을 업데이트하기 위해 사용되는 나중의 테스트는, 덜 포괄적인 테스트를 포함할 수 있으며, 예를 들면, 행동 추적 및 치료법 관련 레코딩 및 메타데이터와 같은 간접적인 테스트에 더 많이 의존할 수도 있다.
단계(2412)에서, 진단 모듈은 실험 대상자로부터 새로운 데이터를 수신한다. 새로운 데이터는 특정한 실험 대상자에 대한 피쳐의 어레이 및 대응하는 피쳐 값을 포함할 수 있다. 본원에서 설명되는 바와 같이, 피쳐는 실험 대상자에게 제시되는 복수의 질문, 실험 대상자의 관찰 결과, 또는 실험 대상자에게 할당되는 태스크를 포함할 수도 있다. 피쳐 값은 실험 대상자의 특성에 대응하는 실험 대상자로부터의 입력 데이터, 예컨대 질문되는 질문에 대한 실험 대상자의 답변, 또는 실험 대상자의 반응을 포함할 수도 있다. 피쳐 값은 상기에서 설명되는 바와 같은 레코딩된 피드백, 메타데이터, 및 디바이스 상호 작용 데이터를 또한 포함할 수도 있다.
단계(2414)에서, 진단 모듈은, 모델을 저장하도록 구성되는 로컬 메모리 및/또는 원격 서버로부터 이전에 저장된 평가 모델을 로딩할 수 있다. 대안적으로, 환자에 대한 어떠한 평가 모델도 존재하지 않는 경우, 예를 들면, 하나 이상의 초기 진단 표시에 기초하여 디폴트 모델이 로딩될 수도 있다.
단계(2416)에서, 새로운 데이터는 평가 모델에 적합되어 업데이트된 평가 모델을 생성한다. 이 평가 모델은 이전에 치료를 받지 않은 실험 대상자에 대한 초기 진단 또는 이전에 치료를 받은 실험 대상자에 대한 업데이트된 진단을 포함할 수도 있다. 업데이트된 진단은, 기억, 주의 및 공동 주의(attention and joint attention), 인식력, 행동 반응, 감정적 반응, 언어 사용, 언어 스킬, 특정한 행동의 빈도, 수면, 사회화, 비언어적 의사 소통, 및 발달 이정표(developmental milestone)와 같은, 상태의 하나 이상의 양태에서의 진전의 측정을 포함할 수 있다. 진전 및 현재의 진단을 결정하기 위한 데이터의 분석은, 단어 및 말하기 분석을 위한 음성 인식 및 질문 채점(question scoring)과 같은 자동화된 분석을 포함할 수 있다. 분석은, 비디오, 오디오, 및 텍스트 데이터를 리뷰하는 분석에 의해 사람이 채점하는 것을 또한 포함할 수 있다.
단계(2418)에서, 업데이트된 평가 모델은 치료 모듈로 제공되는데, 치료 모듈은 임의의 이전에 추천된 치료의 결과로서 어떤 진전이 이루어졌는지를 결정한다. 치료 모듈은 평가 모델에서의 진전의 양에 기초하여 치료법에 점수를 매기는데, 더 큰 진전은 더 높은 점수에 대응하고, 성공적인 치료법 및 유사한 치료법을 미래에 유사한 평가를 갖는 실험 대상자에게 추천될 가능성이 높아지게 만든다. 따라서, 이용 가능한 치료법의 세트는, 실험 대상자의 진단과 상관되는 바와 같은, 유효성의 새로운 평가를 반영하도록 업데이트된다.
단계(2420)에서, 평가 모델, 이전의 치료법의 성공의 정도(성공이 있는 경우), 및 실험 대상자 및 유사한 평가를 갖는 다른 실험 대상자와의 그들 치료법의 이전의 사용에 기초하여 후보 치료법의 콜렉션에 할당되는 점수에 기초하여 새로운 치료법이 추천된다. 추천된 치료법은, 그 치료법을 적용할 시간의 특정한 기간의 지침과 함께, 시행을 위해 실험 대상자에게 전송된다. 예를 들면, 치료법은, 일주일 동안 매일 환자와 함께 수행될 언어 훈련을 포함할 수도 있으며, 각각의 훈련은 간병인 또는 환자에 의해 사용되는 모바일 디바이스의 오디오 파일에 레코딩된다.
단계(2422)에서, 치료법의 기간을 연장시킬지의 여부를 결정하기 위해, 새로운 치료법의 진전이 모니터링된다. 이 모니터링은, 단계(2410)로 복귀하는 것에 의해 수행될 수도 있는 주기적인 재진단을 포함할 수도 있다. 대안적으로, 기본적인 이정표는 완전한 재진단 없이 레코딩될 수도 있고, 진전은 치료 모듈에 의해 생성되는 예측된 진전 스케줄에 비교될 수도 있다. 예를 들면, 치료법이 초기에 성공적이지 않은 경우, 치료 모듈은, 재진단 및 새로운 치료의 제안 또는 의료 전문가에 의한 개입의 제안 중 어느 하나 이전에 그 치료법을 한 번 이상 반복할 것을 제안할 수도 있다.
도 25는 의심되는 또는 확인된 말하기 및 언어 지연의 핸들링을 도시하는 흐름도(2500)를 예시한다.
단계(2502)에서, 초기 평가는 진단 모듈(2532)에 의해 결정된다. 초기 평가는, 본원에서 개시되는 바와 같이, 말하기 및 언어 사용과 같은 하나 이상의 도메인에서 환자의 성과를 평가할 수 있고, 다수의 축을 따라 발달 지연의 정도 및 타입을 평가할 수 있다. 평가는 또한, 실험 대상자를 진전의 복수의 전체 추적 중 하나에 배치할 수 있다; 예를 들면, 실험 대상자는 언어적 또는 비언어적인 것으로서 평가될 수 있다.
실험 대상자가, 단계(2510)에서와 같이, 비언어적인 것으로 결정되는 경우, 선택하기, 태스크에 주의를 기울이기, 또는 이름 또는 다른 단어에 반응하기에 관련되는 태스크와 같은, 하나 이상의 비언어적 치료법(2512)이 치료 모듈(2534)에 의해 추천될 수 있다. 진전에 도움이 될 수도 있는 유용한 디바이스 및 제품의 추가적인 제안이 또한 제공될 수도 있으며, 모든 제안은, 실험 대상자의 진단 및 진전 보고서에 의해 나타내어지는 바와 같은 실험 대상자의 필요에 맞게 재단될 수 있다.
추천된 치료법을 적용하는 동안, 진단이 예측된 속도로 개선되었는지의 여부를 결정하기 위해 단계(2514)에서 진전이 모니터링된다.
단계(2514)에서 개선이 측정된 경우, 디바이스는, 단계(2516)에서, 실험 대상자가 여전히 비언어적인지의 여부를 결정하고; 만약 그렇다면, 그 다음, 디바이스는 단계(2510)로 복귀하여 추가적인 개선을 유도하기 위한 새로운 추천된 치료법(2512)을 생성한다.
단계(2514)에서 어떠한 개선도 측정되지 않는 경우, 디바이스는, 치료법이 사전 결정된 횟수만큼 반복되어야 한다는 것을 추천할 수 있다. 디바이스는 더 나은 결과를 획득하도록 노력하기 위해 치료법에서 변형을 시도할 것을 또한 추천할 수도 있다. 그러한 반복 및 변형이 실패하면, 디바이스는 발달을 방해하는 문제를 더욱 직접적으로 해결하기 위해, 단계(2518)에서, 치료사를 방문할 것을 추천할 수 있다.
단계(2520)에서 나타내어지는 바와 같이, 일단 실험 대상자가 언어적인 것으로 결정되면, 치료 모듈(2534)에 의해 언어 치료법(2522)이 생성될 수 있다. 예를 들면, 언어 치료법(2522)은, 언어 훈련, 유절 발음(articulation) 연습, 및 표현성 요청(expressive requesting) 또는 의사 소통 중 하나 이상을 포함할 수 있다. 진전에 도움이 될 수도 있는 유용한 디바이스 및 제품의 추가적인 제안이 또한 제공될 수도 있으며, 모든 제안은, 실험 대상자의 진단 및 진전 보고서에 의해 나타내어지는 바와 같은 실험 대상자의 필요에 맞게 재단될 수 있다.
비언어적 추적에서와 같이, 진단이 예측된 속도로 개선되었는지의 여부를 결정하기 위해, 단계(2524)에서, 언어 치료법에 반응하는 진전이 지속적으로 모니터링된다.
단계(2524)에서 개선이 측정된 경우, 디바이스는, 단계(326)에서, 진전에 대해 보고하고 추가적인 개선을 유도하기 위해 새로운 추천된 치료법(2522)을 생성한다.
단계(2524)에서 어떠한 개선도 검출되지 않으면, 디바이스는, 치료법이 사전 결정된 횟수만큼 반복되어야 한다는 것을 추천할 수 있다. 디바이스는 더 나은 결과를 획득하도록 노력하기 위해 치료법에서 변형을 시도할 것을 또한 추천할 수도 있다. 그러한 반복 및 변형이 실패하면, 디바이스는 발달을 방해하는 문제를 더욱 직접적으로 해결하기 위해, 단계(2528)에서, 치료사를 방문할 것을 추천할 수 있다.
비언어적 및 언어적 치료법을 위한 단계는, 실험 대상자의 지속적인 학습 및 진전을 자극하는 데, 그리고 언어 스킬 및 능력의 상실을 통한 퇴행을 방지하거나 또는 지연시키는 데 필요한 정도까지 무한정 반복될 수 있다. 도 25에서 예시되는 특정한 치료 계획이 소아의 말하기 및 언어 지연 지연을 대상으로 하지만, 어른 환자에 대한 계획을 비롯하여, 발달 또는 인지 문제를 갖는 다른 실험 대상자에 대해서도 유사한 계획이 생성될 수도 있다. 예를 들면, 신경 퇴행성 질환(neurodegenerative condition) 및/또는 연령 관련 인지 저하는, 그러한 질환에 적합하도록 선택되는 치료를 사용하여, 유사한 진단 및 치료 스케줄을 가지고 치료될 수도 있다. 본원에서 개시되는 방법 및 디바이스에 의해 성인 또는 소아 환자에서 치료될 수도 있는 추가적인 질환은, 우울증, OCD, 및 정신분열증과 같은 기분 장애; 인지 장애 및 저하; 수면 장애; 중독성 행동(addictive behavior); 섭식 장애; 및 행동 관련 체중 관리 문제를 포함한다.
도 26은 다중 소스로부터의 정보를 통합하도록 구성되는, 진단 모듈 및 치료 모듈을 포함하는 디지털 개인 맞춤식 의료 디바이스에 대한 데이터 프로세싱 흐름의 전체를 예시한다. 데이터는 수동적 데이터 소스(2601)를 포함할 수 있고, 수동적 데이터는 더욱 미세하게 세분화된 정보를 제공하도록 구성될 수 있으며, 더욱 자연스러운 상태 하에서 시간의 더 오랜 기간에 걸쳐 취해지는 데이터 세트를 포함할 수 있다. 수동적 데이터 소스는, 예를 들면, 웨어러블 디바이스로부터 수집되는 데이터, 비디오 피드(예를 들면, 비디오 대응 장난감, 모바일 디바이스, 비디오 재생으로부터의 눈 추적 데이터)로부터 수집되는 데이터, 3축 센서 또는 자이로스코프(예를 들면, 환자가 예를 들면 집에서, 또는 의료 환경 외부의 정상적인 조건 하에서 상호 작용할 수도 있는 장난감 또는 다른 디바이스에 임베딩되는 센서)로부터 수집되는 정보에 기초한 실험 대상자의 기민성에 대한 정보, 다음의 것 중 임의의 단일의 것 또는 그 조합을 측정하는 스마트 디바이스: 실험 대상자의 말하기 패턴, 운동, 터치 반응 시간, 운율(prosody), 어휘적 단어(lexical vocabulary), 얼굴 표정, 및 실험 대상자에 의해 표현되는 다른 특성을 포함할 수 있다. 수동적 데이터는 유저의 모션 또는 모션들에 대한 데이터를 포함할 수 있고, 트레이닝되지 않은 개인이 쉽게 검출할 수 있을 수도 있는 또는 쉽게 검출할 수 없을 수도 있는 미묘한 정보를 포함할 수 있다. 몇몇 경우에, 수동적 데이터가 더 포괄적일 수 있는 정보를 제공할 수 있다.
수동적으로 수집된 데이터는 다양한 환경으로부터 지속적으로 수집되는 데이터를 포함할 수 있다. 수동적으로 수집된 데이터는 실험 대상자의 더욱 완전한 픽쳐를 제공할 수 있고, 따라서, 평가의 품질을 향상시킬 수 있다. 몇몇 경우에, 예를 들면, 수동적으로 수집된 데이터는 의료 환경 내부 및 외부 둘 모두에서 수집되는 데이터를 포함할 수 있다. 의료 환경에서 수동으로 수집되는 데이터는 의료 환경 외부에서 수동으로 수집된 데이터와는 상이할 수 있다. 따라서, 지속적으로 수집된 수동적 데이터는 실험 대상자의 일반적인 행동 및 버릇의 더욱 완전한 픽쳐를 포함할 수 있고, 따라서, 의료 실무자가 다르게는 액세스할 수 없을 데이터 또는 정보를 포함할 수 있다. 예를 들면, 의료 환경에서 평가를 받고 있는 실험 대상자는, 의료 환경에 대한 실험 대상자의 반응을 나타내는 증상, 제스쳐, 또는 피쳐를 나타낼 수도 있고, 따라서, 더욱 친숙한 조건 하에서 의료 환경 외부에서의 실험 대상자의 행동의 완전하고 정확한 픽쳐를 제공할 수 없을 수도 있다. 의료 환경의 평가로부터 유도되는 하나 이상의 피쳐(예를 들면, 진단 모듈에 의해 평가되는 피쳐)의 상대적 중요도는, 임상적 환경으로부터 유도되는 또는 임상적 환경 외부에서 평가되는 하나 이상의 피쳐의 상대적 중요도와는 상이할 수도 있다.
데이터는, 진단 테스트, 진단 질문, 또는 설문지(2605)를 통해 수집되는 정보를 포함할 수 있다. 몇몇 예에서, 진단 테스트(2605)로부터의 데이터는, 2차 관찰자(예를 들면, 부모, 보호자, 또는 분석되고 있는 실험 대상자가 아닌 개인)로부터 수집되는 데이터를 포함할 수 있다. 데이터는 능동적 데이터 소스(2610), 예를 들면, 눈 움직임을 추적하도록, 또는 말하기 패턴을 측정 또는 분석하도록 구성되는 디바이스로부터 수집되는 데이터를 포함할 수 있다.
도 26에서 예시되는 바와 같이, 데이터 입력이, 예를 들면, 분류기, 알고리즘(예를 들면, 머신 러닝 알고리즘), 또는 통계적 모델을 사용하는 데이터 분석부(2615)를 포함할 수 있는 진단 모듈로 공급되어, 실험 대상자가 테스트된 장애(예를 들면, 자폐 스펙트럼 장애)를 가질 가능성이 있는지(2620) 또는 테스트된 장애를 가질 가능성이 없는지(2625)의 여부의 진단을 행할 수 있다. 본원에서 개시되는 방법 및 디바이스는, 그/그녀가 테스트된 장애를 가질 가능성이 있는지 또는 그럴 가능성이 없는지의 여부를 결정하기 위해 추가적인 평가를 필요로 하는 실험 대상자에 대응하는 제3 미확정 카테고리(이 다이어그램에서는 묘사되지 않음)를 포함하도록 대안적으로 활용될 수 있다. 본원에서 개시되는 방법 및 디바이스는 장애로 제한되지 않으며, 행동적, 신경학적, 정신적 건강, 또는 발달 상태와 같은 다른 인지 기능에 적용될 수도 있다. 방법 및 디바이스는, 처음에, 실험 대상자를 세 가지 카테고리 중 하나로 분류할 수도 있고, 후속하여, 실험 대상자로부터 추가적인 정보를 수집하는 것에 의해 최초 "미확정"으로 분류되는 실험 대상자의 평가를 계속할 수도 있다. 최초 "미확정"으로 분류되는 실험 대상자의 그러한 계속된 평가는, 단일의 선별 프로시져(예를 들면, 다양한 평가 모듈 포함함)를 사용하여 계속해서 수행될 수도 있다. 대안적으로 또는 추가적으로, 미확정 그룹에 속하는 것으로 식별되는 실험 대상자는 별개의 추가적인 선별 프로시져를 사용하여 평가될 수도 있고 및/또는 추가적인 평가를 위해 임상의에게 회부될 수도 있다.
실험 대상자가 진단 모델에 의해 장애(2620)를 가질 가능성이 있는 것으로 결정되는 경우, 2차 당사자(예를 들면, 의료 실무자, 부모, 보호자 또는 다른 개인)는 정보성 표시(informative display)를 제시받을 수도 있다. 정보성 표시는, 실험 대상자에 의해 나타내어지는 증상 및 평균 모집단에 의해 나타내어지는 증상의 공분산을 묘사하는 그래프로서 디스플레이될 수 있는 장애의 증상을 제공할 수 있다. 특정한 진단과 관련되는 특성의 목록이, 신뢰도 값, 상관 계수, 또는 실험 대상자의 성과와 유사한 장애를 가진 실험 대상자로 구성되는 모집단 또는 평균 모집단 사이의 관계를 나타내기 위한 다른 수단과 함께, 디스플레이될 수 있다.
유저가 진단 가능한 상태(예를 들면, 자폐 스펙트럼 장애)를 가질 가능성이 있다는 것을 디지털 개인 맞춤식 의료 디바이스가 예측하는 경우, 그러면, 치료 모듈은, 행동 개입을 포함할 수 있는 행동 치료(2630)를; 처방된 활동 또는 트레이닝; 특정한 지속 기간 동안의, 또는 특정한 시간 또는 경우에서의, 의료 디바이스 또는 다른 치료법을 사용한 개입을 제공할 수 있다. 실험 대상자가 치료를 받을 때, 데이터(예를 들면, 수동적 데이터 및 진단 질문 데이터)가 계속 수집되어, 예를 들면, 치료법이 작동하고 있는지의 여부를 결정하기 위해, 후속하는 평가를 수행할 수 있다. 수집된 데이터는 데이터 분석(2640)(예를 들면, 머신 러닝, 통계적 모델링, 분류 태스크, 예측 알고리즘을 사용한 분석)을 거쳐, 주어진 실험 대상자의 적합성에 대한 결정을 내릴 수 있다. 베이스라인에 대한(예를 들면, 연령 매칭된 코호트(age-matched cohort))에 대한 실험 대상자의 진전을 나타내기 위해, 성장 곡선 표시가 사용될 수 있다. 치료 모듈에 의해 예측되는 제안된 행동 치료법에서의 실험 대상자에 대한 순응도를 추적하기 위해 측정될 수도 있는 개인의 성과 또는 진전은, 성장 곡선 상에서 이력 및 예측된 성과로서 제시될 수도 있다. 개개의 실험 대상자의 성과를 평가하기 위한 프로시져는, 적절한 행동 치료가 식별될 때까지 반복될 수도 있거나 또는 되풀이될 수도 있다(2635).
도 23a 내지 도 23c 및 도 24 내지 도 26을 참조하여 설명되는 디지털 치료법 치료 방법 및 디바이스는, 도 1a 내지 도 10을 참조하여 본원에서 설명되는 더 적은 질문을 사용하여 실험 대상자를 평가하기 위한 방법 및 디바이스와의 조합에 특히 잘 적합된다. 예를 들면, 본원에서 설명되는 바와 같은 진단 모듈(2332)의 컴포넌트는, 본원에서 설명되는 바와 같은 가장 관련성이 있는 질문을 포함하는 질문의 감소된 세트를 사용하여 실험 대상자를 평가하도록 구성될 수 있고, 본원에서 설명되는 바와 같은 치료를 모니터링하기 위한 가장 관련이 있는 질문을 포함하는 질문의 후속하는 세트를 사용하여 실험 대상자를 후속적으로 평가하기 위해, 치료 모듈(2334)을 사용하여 후속하여 평가될 수 있다.
도 27은 다수의 임상 표시에 대해 실험 대상자를 평가하기 위한 디바이스(2700)를 도시한다. 디바이스(2700)는 복수의 종속 접속된 진단 모듈(예컨대 진단 모듈(2720, 2730, 2740, 2750, 및 2760))을 포함할 수도 있다. 종속 접속된 진단 모듈은, 하나의 진단 모듈로부터의 출력이 다른 진단 모듈에 대한 입력을 형성할 수도 있도록 (예컨대 모듈의 체인에서) 동작 가능하게 커플링될 수도 있다. 도 27에서 도시되는 바와 같이, 디바이스는, 사회적 또는 행동적 지연 모듈(2720), 자폐증 또는 ADHD 모듈(2730), 자폐증 및 ADHD 구별 모듈(ADHD discrimination module; 2740), 말하기 또는 언어 지연 모듈(speech or language delay module; 2750), 및 지적 장애 모듈(2760)을 포함할 수도 있다. 본원의 임의의 곳에서 설명되는 바와 같은 모듈(예를 들면, 예컨대, 도 27과 관련하여 설명되는 진단 모듈)은 분류기를 포함하는 모듈을 지칭할 수도 있다. 따라서, 사회적 또는 행동적 지연 모듈은 사회적 또는 행동적 지연 분류기를 포함할 수도 있고, 자폐증 또는 ADHD 모듈은 자폐증 또는 ADHD 분류기를 포함할 수도 있고, 자폐증 및 ADHD 구별 모듈은 자폐증 및 ADHD 분류기를 포함할 수도 있고, 말하기 또는 언어 지연 모듈은 말하기 또는 언어 지연 분류기를 포함할 수 있고, 지적 장애 모듈은 지적 장애 분류기를 포함할 수도 있고, 및 등등일 수도 있다.
사회적 또는 행동적 지연 모듈(2720)은 본원에서 설명되는 상호 작용식 설문지로부터의 정보와 같은 정보(2710)를 수신할 수도 있다. 사회적 또는 행동적 지연 모듈은 실험 대상자의 사회적 또는 행동적 지연 진단 스테이터스를 결정하기 위해 본원에서 설명되는 임의의 진단 동작을 활용할 수도 있다. 예를 들면, 사회적 또는 행동적 지연 모듈은 사회적 또는 행동적 지연 진단 스테이터스(즉, 실험 대상자가 사회적 또는 행동적 지연과 일치하는 행동을 나타내는지 또는 나타내지 않는지의 여부)를 결정하기 위해 도 13과 관련하여 설명되는 프로시져(1300)의 임의의 동작을 활용할 수도 있다. 사회적 또는 행동적 지연 진단 스테이터스의 결정시, 사회적 또는 행동적 지연 모듈은 실험 대상자가 사회적 또는 행동적 지연을 나타내는지 또는 나타내지 않는지의 여부에 관한 결정을 출력할 수도 있다. 사회적 또는 행동적 지연 모듈은, 실험 대상자가 사회적 또는 행동적 지연을 나타낸다는 것을 나타내는 양성의 식별(2722)을 출력할 수도 있다. 사회적 또는 행동적 지연 모듈은 실험 대상자가 사회적 또는 행동적 지연을 나타내지 않는다는 것을 나타내는 음성의 표시(2724)를 출력할 수도 있다. 사회적 또는 행동적 지연 모듈은, 실험 대상자가 사회적 또는 행동적 지연을 나타내는지 또는 나타내지 않는지의 여부를 사회적 또는 행동적 지연 모듈이 결정할 수 없었다는 것을 나타내는 미확정 표시(2726)를 출력할 수도 있다.
실험 대상자가 사회적 또는 행동적 지연을 나타내지 않는다는 것 또는 사회적 또는 행동적 지연 조회의 결과가 불확실하다는 것을 사회적 또는 행동적 지연 모듈이 결정하는 경우, 디바이스는 그러한 결과를 출력할 수도 있고 실험 대상자의 사회적 또는 행동적 건강에 대한 자신의 조회를 중단할 수도 있다.
그러나, 실험 대상자가 사회적 또는 행동적 지연을 나타낸다는 것을 사회적 또는 행동적 지연 모듈이 결정하는 경우, 사회적 또는 행동적 지연 모듈은 이 결과 및 정보(2710)를 자폐증 또는 ADHD 모듈(2730)로 전달할 수도 있다.
자폐증 또는 ADHD 지연 모듈은, 실험 대상자의 자폐증 또는 ADHD 스테이터스를 결정하기 위해, 본원에서 설명되는 임의의 진단 동작을 활용할 수도 있다. 예를 들면, 자폐증 또는 ADHD 지연 모듈은, 자폐증 또는 ADHD 진단 스테이터스(즉, 실험 대상자가 자폐증 또는 ADHD와 일치하는 행동을 나타내는지 또는 나타내지 않는지의 여부)를 결정하기 위해, 도 13과 관련하여 설명되는 프로시져(1300)의 임의의 동작을 활용할 수도 있다. 자폐증 또는 ADHD 진단 스테이터스의 결정시, 자폐증 또는 ADHD 모듈은, 실험 대상자가 자폐증 또는 ADHD를 나타내는지 또는 나타내지 않는지의 여부에 관한 결정을 출력할 수도 있다. 자폐증 또는 ADHD 모듈은, 실험 대상자가 자폐증 또는 ADHD를 나타낸다는 것을 나타내는 양성의 식별(2732)을 출력할 수도 있다. 자폐증 또는 ADHD 모듈은, 실험 대상자가 자폐증 또는 ADHD를 나타내지 않는다는 것을 나타내는 음성의 표시(2734)를 출력할 수도 있다. 자폐증 또는 ADHD 모듈은, 실험 대상자가 자폐증 또는 ADHD를 나타내는지 또는 나타내지 않는지의 여부를 자폐증 또는 ADHD 모듈이 결정할 수 없었다는 것을 나타내는 미확정 표시(2736)를 출력할 수도 있다.
실험 대상자가 자폐증 또는 ADHD를 나타내지 않는다는 것 또는 자폐증 또는 ADHD 조회의 결과가 불확실하다는 것을 자폐증 또는 ADHD 모듈이 결정하는 경우, 디바이스는 그러한 결과를 출력할 수도 있고 실험 대상자의 사회적 또는 행동적 건강에 대한 자신의 조회를 중단할 수도 있다. 그러한 시나리오에서, 디바이스는 실험 대상자가 사회적 또는 행동적 지연을 나타낸다는 이전 진단으로 되돌아갈 수도 있다.
그러나, 실험 대상자가 자폐증 또는 ADHD를 나타낸다는 것을 자폐증 또는 ADHD 모듈이 결정하는 경우, 자폐증 또는 ADHD 모듈은 이 결과 및 정보(2710)를 자폐증 및 ADHD 구별 모듈(2740)로 전달할 수도 있다.
자폐증 및 ADHD 구별 모듈은 자폐증과 ADHD 사이를 구별하기 위해 본원에서 설명되는 임의의 진단 동작을 활용할 수도 있다. 예를 들면, 자폐증 및 ADHD 구별 모듈은, 실험 대상자에 대한 자폐증과 ADHD 사이를 구별하기 위해(즉, 실험 대상자가 자폐증과 더욱 일치하는 행동을 나타내는지 또는 ADHD와 더욱 일치하는 행동을 나타내는지의 여부를 결정하기 위해), 도 13과 관련하여 설명되는 프로시져(1300)의 임의의 동작을 활용할 수도 있다. 자폐증과 ADHD 사이를 구별할 때, 자폐증 및 ADHD 구별 모듈은, 실험 대상자가 자폐증을 나타내는지의 여부 또는 실험 대상자가 ADHD를 나타내는지의 여부에 관한 결정을 출력할 수도 있다. 자폐증 및 ADHD 구별 모듈은, 실험 대상자가 자폐증을 나타낸다는 표시(2742)를 출력할 수도 있다. 자폐증 및 ADHD 구별 모듈은 실험 대상자가 ADHD를 나타낸다는 표시(2744)를 출력할 수도 있다. 자폐증 및 ADHD 구별 모듈은, 실험 대상자의 행동이 자폐증과 더 일치하는지 또는 ADHD와 더 일치하는지의 여부의 사이를 자폐증 및 ADHD 구별 모듈이 구별할 수 없었다는 것을 나타내는 미확정 표시(2746)를 출력할 수도 있다.
자폐증 및 ADHD 구별 조회의 결과가 불확실하다는 것을 자폐증 및 ADHD 구별 모듈이 결정하는 경우, 디바이스는 그러한 결과를 출력할 수도 있고 실험 대상자의 사회적 또는 행동적 건강에 대한 자신의 조회를 중단할 수도 있다. 그러한 시나리오에서, 디바이스는 실험 대상자가 자폐증 또는 ADHD와 일치하는 행동을 나타낸다는 이전의 진단으로 되돌아갈 수도 있다.
대안적으로 또는 조합하여, 자폐증 및 ADHD 구별 모듈은 또한, 정보(2710)를 하나 이상의 추가적인 모듈로 전달하도록 구성될 수도 있다. 예를 들면, 자폐증 및 ADHD 구별 모듈은 정보를 강박 장애 모듈(도 27에서는 도시되지 않음)로 전달하도록 구성될 수도 있다. 강박 장애 모듈은, 본원에서 설명되는 플랫폼, 시스템, 디바이스, 방법, 및 매체 중 임의의 것(예컨대, 프로시져(1300)의 임의의 동작)을 사용하여 실험 대상자가 강박 장애와 일치하는 행동을 나타내는지의 여부에 관한 결정을 행할 수도 있다.
대안적으로 또는 조합하여, 말하기 또는 언어 지연 모듈(2750)은 정보(2710)를 수신할 수도 있다. 말하기 또는 언어 지연 모듈은 실험 대상자의 말하기 또는 언어 지연 진단 스테이터스를 결정하기 위해 본원에서 설명되는 임의의 진단 동작을 활용할 수도 있다. 예를 들면, 말하기 또는 언어 지연 모듈은, 말하기 또는 언어 지연 진단 스테이터스(즉, 실험 대상자가 말하기 또는 언어 지연과 일치하는 행동을 나타내는지 또는 나타내지 않는지의 여부)를 결정하기 위해, 도 13과 관련하여 설명되는 프로시져(1300)의 임의의 동작을 활용할 수도 있다. 말하기 또는 언어 지연 진단 스테이터스의 결정시, 말하기 또는 언어 지연 모듈은, 실험 대상자가 말하기 또는 언어 지연을 나타내는지 또는 나타내지 않는지의 여부에 관한 결정을 출력할 수도 있다. 말하기 또는 언어 지연 모듈은, 실험 대상자가 말하기 또는 언어 지연을 나타낸다는 것을 나타내는 양성의 식별(2752)을 출력할 수도 있다. 말하기 또는 언어 지연 모듈은, 실험 대상자가 말하기 또는 언어 지연을 나타내지 않는다는 것을 나타내는 음성의 표시(2754)를 출력할 수도 있다. 말하기 또는 언어 지연 모듈은, 실험 대상자가 말하기 또는 언어 지연을 나타내는지 또는 나타내지 않는지의 여부를 말하기 또는 언어 지연 모듈이 결정할 수 없었다는 것을 나타내는 미확정 표시(2756)를 출력할 수도 있다.
실험 대상자가 말하기 또는 언어 지연을 나타내지 않는다는 것 또는 말하기 또는 언어 지연 조회의 결과가 불확실하다는 것을 말하기 또는 언어 지연 모듈이 결정하는 경우, 디바이스는 그러한 결과를 출력할 수도 있고 실험 대상자의 말하기 또는 언어 건강에 대한 자신의 조회를 중단할 수도 있다.
그러나, 실험 대상자가 말하기 또는 언어 지연을 나타낸다는 것을 말하기 또는 언어 지연 모듈이 결정하는 경우, 말하기 또는 언어 지연 모듈은 이 결과 및 정보(2710)를 지적 장애 모듈(2760)로 전달할 수도 있다.
지적 장애 모듈은, 실험 대상자의 지적 장애 스테이터스를 결정하기 위해, 본원에서 설명되는 임의의 진단 동작을 활용할 수도 있다. 예를 들면, 지적 장애 모듈은, 지적 장애 진단 스테이터스(즉, 실험 대상자가 지적 장애와 일치하는 행동을 나타내는지 또는 나타내지 않는지의 여부)를 결정하기 위해, 도 13과 관련하여 설명되는 프로시져(1300)의 임의의 동작을 활용할 수도 있다. 지적 장애 진단 스테이터스의 결정시, 지적 장애 모듈은 실험 대상자가 지적 장애를 나타내는지 또는 나타내지 않는지의 여부에 관한 결정을 출력할 수도 있다. 지적 장애 모듈은, 실험 대상자가 지적 장애를 나타낸다는 것을 나타내는 양성의 식별(2762)을 출력할 수도 있다. 지적 장애 모듈은, 실험 대상자가 지적 장애를 나타내지 않는다는 것을 나타내는 음성의 표시(2764)를 출력할 수도 있다. 지적 장애 모듈은, 실험 대상자가 지적 장애를 나타내는지 또는 나타내지 않는지의 여부를 지적 장애 모듈이 결정할 수 없었다는 것을 나타내는 미확정 표시(2766)를 출력할 수도 있다.
실험 대상자가 지적 장애를 나타내지 않는다는 것 또는 지적 장애 조회의 결과가 불확실하다는 것을 지적 장애 모듈이 결정하는 경우, 디바이스는 그러한 결과를 출력할 수도 있고 실험 대상자의 말하기 또는 언어 건강에 대한 자신의 조회를 중단할 수도 있다. 그러한 시나리오에서, 디바이스는 실험 대상자가 말하기 또는 언어 지연을 나타낸다는 이전 진단으로 되돌아갈 수도 있다.
대안적으로 또는 조합하여, 지적 장애 모듈은 또한, 정보(2710)를 하나 이상의 추가적인 모듈로 전달하도록 구성될 수도 있다. 예를 들면, 지적 장애 모듈은 정보를 난독증 모듈(도 27에서는 도시되지 않음)로 전달하도록 구성될 수도 있다. 난독증 모듈은, 본원에서 설명되는 플랫폼, 시스템, 디바이스, 방법, 및 매체 중 임의의 것(예컨대, 프로시져(1300)의 임의의 동작)을 사용하여 실험 대상자가 난독증과 일치하는 행동을 나타내는지의 여부에 관한 결정을 행할 수도 있다.
사회적 또는 행동적 지연, 자폐증, ADHD, 강박 장애, 말하기 또는 언어 지연, 지적 장애, 및 난독증과 관련하여 설명되었지만, 디바이스(2700)는 임의의 행동 장애에 대한 진단 스테이터스를 제공할 수도 있는 임의의 수의 모듈(예컨대 1 개, 2 개, 3 개, 4 개, 5 개, 6 개, 7 개, 8 개, 9 개, 10 개, 또는 10 개보다 더 많은 모듈)을 포함할 수도 있다. 모듈은 임의의 가능한 순서로 동작 가능하게 커플링될 수도 있다(예컨대, 종속 접속되거나 또는 사슬 연결될 수도 있음).
다양한 실시형태에서, 예를 들면, 감정 검출 분류기의 경우 이미지, 행동, 발달, 또는 인지 장애 또는 상태의 존재의 검출의 경우 부모/비디오 분석가/임상의 설문지, 디지털 치료 디바이스(예를 들면, 감정 인식을 촉진하도록 구성되는 게임 또는 활동)와의 유저 입력 또는 성과(수동적 또는 능동적) 또는 상호 작용, 및 본원에서 설명되는 데이터의 다른 소스를 포함하는 입력 데이터를 분석하기 위한 머신 러닝 방법이 본원에서 개시된다.
다양한 양태에서, 머신 러닝 기술(예를 들면, 컨볼루션 신경망을 활용하는 딥 러닝)을 통합하는 플랫폼, 시스템, 디바이스, 방법, 및 매체가 본원에서 개시된다. 몇몇 경우에, 감정 검출을 위한 이미지 데이터의 분석을 위한 AI 전이 학습 프레임워크(transfer learning framework)가 본원에서 제공된다.
소정의 양태에서, 하나 이상의 장애 또는 상태를 검출하는 모델 또는 분류기, 및/또는 사회적 상호성을 촉진하도록 구성되는 디지털 치료법과 같은 디지털 치료법을 사용하여 개선의 가능성 또는 효능 또는 반응성을 결정하는 모델 또는 분류기를 생성하기 위한 머신 러닝 프레임워크가 본원에 개시된다. 이들 모델 또는 분류기는, 스마트폰, 모바일 컴퓨팅 디바이스, 또는 웨어러블 디바이스와 같은 본원에서 개시되는 시스템 또는 디바이스 중 임의의 것에서 구현될 수 있다.
몇몇 실시형태에서, 머신 러닝 모델 또는 분류기는, 독립적인 샘플 세트에 대한 정확도, 민감도, 특이성, 양성의 예측 값, 음성의 예측 값, 및/또는 AUC와 같은 성과 메트릭을 나타낸다. 몇몇 실시형태에서, 모델은 독립적인 샘플 세트에 대한 더 높은 정확도, 민감도, 특이성, 양성의 예측 값, 음성의 예측 값, 및/또는 AUC와 같은 메트릭을 사용하여 성과에 대해 평가된다. 몇몇 실시형태에서, 모델은, 적어도 100 개, 200 개, 300 개, 400 개, 또는 500 개의 독립적인 샘플에 대해 테스트될 때, 적어도 70 %, 적어도 75 %, 적어도 80 %, 적어도 85 %, 적어도 90 %, 적어도 91 %, 적어도 92 %, 적어도 93 %, 적어도 94 %, 적어도 95 %, 적어도 96 %, 적어도 97 %, 적어도 98 %, 또는 적어도 99 %의 정확도를 제공한다. 몇몇 실시형태에서, 모델은, 적어도 100 개, 200 개, 300 개, 400 개, 또는 500 개의 독립적인 샘플에 대해 테스트될 때, 적어도 70 %, 적어도 75 %, 적어도 80 %, 적어도 85 %, 적어도 90 %, 적어도 91 %, 적어도 92 %, 적어도 93 %, 적어도 94 %, 적어도 95 %, 적어도 96 %, 적어도 97 %, 적어도 98 %, 적어도 99 %의 민감도(진양성 비율), 및/또는 적어도 70 %, 적어도 75 %, 적어도 80 %, 적어도 85 %, 적어도 90 %, 적어도 91 %, 적어도 92 %, 적어도 93 %, 적어도 94 %, 적어도 95 %, 적어도 96 %, 적어도 97 %, 적어도 98 %, 또는 적어도 99 %의 특이성(진음성 비율)을 제공한다. 몇몇 실시형태에서, 모델은, 적어도 100 개, 200 개, 300 개, 400 개, 또는 500 개의 독립적인 샘플에 대해 테스트될 때, 적어도 70 %, 적어도 75 %, 적어도 80 %, 적어도 85 %, 적어도 90 %, 적어도 91 %, 적어도 92 %, 적어도 93 %, 적어도 94 %, 적어도 95 %, 적어도 96 %, 적어도 97 %, 적어도 98 %, 또는 적어도 99 %의 양성의 예측 값(positive predictive value; PPV)을 제공한다. 몇몇 실시형태에서, 모델은, 적어도 100 개, 200 개, 300 개, 400 개, 또는 500 개의 독립적인 샘플에 대해 테스트될 때, 적어도 70 %, 적어도 75 %, 적어도 80 %, 적어도 85 %, 적어도 90 %, 적어도 91 %, 적어도 92 %, 적어도 93 %, 적어도 94 %, 적어도 95 %, 적어도 96 %, 적어도 97 %, 적어도 98 %, 또는 적어도 99 %의 음성의 예측 값(negative predictive value; NPV)을 제공한다. 몇몇 실시형태에서, 모델은, 적어도 100, 200, 300, 400, 또는 500 개의 독립적인 샘플에 대해 테스트될 때, 적어도 0.7, 0.75, 0.8, 0.85, 0.9, 0.91, 0.92, 0.93, 0.94, 0.95, 0.96, 0.97, 0.98 또는 0.99의 AUC를 갖는다.
몇몇 실시형태에서, 하나 이상의 이미지에서 감정을 검출하도록 구성되는 머신 러닝 알고리즘 또는 모델은 신경망을 포함한다.
몇몇 실시형태에서, (예를 들면, ImageNet로부터의) 이미지의 큰 데이터세트에 대해 트레이닝되는 사전 트레이닝된 모델을 먼저 생성하는 것, 모델의 일부(예를 들면, 컨볼루션 신경망의 몇몇 계층)를 동결하는(freezing) 것, 및 더 많은 목표로 된 데이터 세트(예를 들면, 올바른 얼굴 표정 또는 감정으로 정확하게 라벨링된 이미지)에 대해 트레이닝되는 새로운 모델로, 동결된 부분을 전송하는 것에 의해 더욱 강건한 모델을 생성하기 위해, 전이 학습이 사용된다.
몇몇 실시형태에서, 본 개시의 분류기 또는 트레이닝된 머신 러닝 모델은 피쳐 공간을 포함한다. 몇몇 실시형태에서, 피쳐 공간은 이미지로부터의 픽셀 데이터와 같은 정보를 포함한다. 모델을 트레이닝할 때, 이미지 데이터와 같은 트레이닝 데이터는 입력된 피쳐를 프로세싱하여 모델을 생성하는 머신 러닝 알고리즘으로 입력된다. 몇몇 실시형태에서, 머신 러닝 모델은 분류(예를 들면, 진단 또는 테스트 결과)를 포함하는 트레이닝 데이터를 제공받고, 따라서, 모델을 수정하고 향상시키기 위해 모델의 출력을 실제 출력과 비교하는 것에 의해 모델이 트레이닝되는 것을 가능하게 한다. 이것은 종종 감독 학습(supervised learning)으로서 지칭된다. 대안적으로, 몇몇 실시형태에서, 머신 러닝 알고리즘은 라벨링되지 않은 또는 분류되지 않은 데이터를 제공받을 수 있는데, 이것은 알고리즘이 사례 중에서 숨겨진 구조를 식별하게 한다(자율 학습(unsupervised learning)으로서 지칭됨). 때때로, 자율 학습은, 원시 데이터를 별개의 코호트로 분류하는 데 가장 유용한 피쳐를 식별하는 데 유용하다.
몇몇 실시형태에서, 머신 러닝 모델을 트레이닝시키기 위해, 트레이닝 데이터의 하나 이상의 세트가 사용된다. 몇몇 실시형태에서, 머신 러닝 알고리즘은 신경망, 결정 트리, 서포트 벡터 머신, 또는 다른 적용 가능한 모델과 같은 예측 모델을 활용한다. 몇몇 실시형태에서, 머신 러닝 알고리즘은, 예를 들면, 서포트 벡터 머신(support vector machine; SVM), 나이브 베이즈() 분류, 랜덤 포레스트, 인공 신경망, 결정 트리, K-평균(K-means), 학습 벡터 양자화(learning vector quantization; LVQ), 자기 조직화 맵(self-organizing map; SOM), 그래픽 모델, 회귀 알고리즘(예를 들면, 선형, 로지스틱, 다변량, 관련 규칙 학습, 딥 러닝, 차원 축소 및 앙상블 선택 알고리즘)과 같은, 감독, 반 감독 및 자율 학습으로 구성되는 그룹으로부터 선택된다. 몇몇 실시형태에서, 머신 러닝 모델은 다음의 것으로 구성되는 그룹으로부터 선택된다: 서포트 벡터 머신(SVM), 나이브 베이즈 분류, 랜덤 포레스트, 및 인공 신경망. 머신 러닝 기술은, 배깅 프로시져(bagging procedure), 부스팅 프로시져, 랜덤 포레스트, 및 이들의 조합을 포함한다. 데이터를 분석하기 위한 예시적인 알고리즘은, 많은 수의 변수를 직접적으로 핸들링하는 방법, 예컨대 통계적 방법 및 머신 러닝 기술 기반의 방법을 포함하지만, 그러나 이들로 제한되지는 않는다. 통계적 방법은, 벌점형 로지스틱 회귀(penalized logistic regression), 마이크로어레이의 예측 분석(prediction analysis of microarrays; PAM), 축소된 중심에 기초한 방법, 서포트 벡터 머신 분석, 및 정규화된 선형 판별 분석(regularized linear discriminant analysis)을 포함한다.
본원의 임의의 곳에서 설명되는 플랫폼, 시스템, 디바이스, 방법, 및 매체는, 본원에서 설명되는 진단을 위한 임의의 디바이스 또는 방법에 의해 진단되는 장애에 대한, 치료 계획을 위한, 또는 약물의 투여를 위한 기초로서 사용될 수도 있다.
본원의 임의의 곳에서 설명되는 플랫폼, 시스템, 디바이스, 방법, 및 매체는, 프로프라놀롤, 시탈로프람, 에스시탈로프람, 세르트랄린, 파록세틴, 플루옥세틴, 벤라팍신, 미르타자핀, 네파조돈, 카바마제핀, 디발프로엑스, 라모트리진, 토피라메이트, 프라조신, 페넬진, 이미프라민, 디아제팜, 클로나제팜, 로라제팜, 또는 알프라졸람과 같은, 급성 스트레스 장애를 치료하기 위한 약물을 투여하기 위해 사용될 수도 있다.
본원의 임의의 곳에서 설명되는 플랫폼, 시스템, 디바이스, 방법, 및 매체는, 부스피론, 에스시탈로프람, 세르트랄린, 파록세틴, 플루옥세틴, 디아제팜, 클로나제팜, 로라제팜, 또는 알프라졸람과 같은, 조정 장애를 치료하기 위한 약물을 투여하기 위해 사용될 수도 있다.
본원의 임의의 곳에서 설명되는 플랫폼, 시스템, 디바이스, 방법, 및 매체는, 디아제팜, 클로나제팜, 로라제팜, 알프라졸람, 시탈로프람, 에스시탈로프람, 세르트랄린, 파록세틴, 플루옥세틴, 또는 부스피론과 같은, 광장 공포증(agoraphobia)을 치료하기 위한 약물을 투여하기 위해 사용될 수도 있다.
본원의 임의의 곳에서 설명되는 플랫폼, 시스템, 디바이스, 방법, 및 매체는, 도네페질, 갈란타민, 메만틴, 또는 리바스티그민과 같은 알츠하이머병을 치료하기 위한 약물을 투여하기 위해 사용될 수도 있다.
본원의 임의의 곳에서 설명되는 플랫폼, 시스템, 디바이스, 방법, 및 매체는, 올란자핀, 시탈로프람, 에스시탈로프람, 세르트랄린, 파록세틴, 또는 플루옥세틴과 같은, 신경성 식욕 부진증(anorexia nervosa)을 치료하기 위한 약물을 투여하기 위해 사용될 수도 있다.
본원의 임의의 곳에서 설명되는 플랫폼, 시스템, 디바이스, 방법, 및 매체는,세르트랄린, 에스시탈로프람, 시탈로프람, 플루옥세틴, 디아제팜, 부스피론, 벤라팍신, 둘록세틴, 이미프라민, 데시프라민, 클로미프라민, 로라제팜, 클로나제팜, 또는 프레가발린과 같은, 불안 장애를 치료하기 위한 약물을 투여하기 위해 사용될 수도 있다.
본원의 임의의 곳에서 설명되는 플랫폼, 시스템, 디바이스, 방법, 및 매체는, 애착 장애(attachment disorder)를 치료하기 위한 약물을 투여하기 위해 사용될 수도 있다.
본원의 임의의 곳에서 설명되는 플랫폼, 시스템, 디바이스, 방법, 및 매체는, (예를 들면, 5 mg 내지 50 mg의 투여량의) 암페타민, (예를 들면, 5 mg 내지 60 mg의 투여량의) 덱스트로암페타민, (예를 들면, 5 mg 내지 60 mg의 투여량의) 메틸페니데이트, (예를 들면, 5 mg 내지 25 mg의 투여량의) 메탐페타민, (예를 들면, 2.5 mg 내지 40 mg의 투여량의) 덱스메틸페니데이트, (예를 들면, 1 mg 내지 10 mg의 투여량의) 구안파신, (예를 들면, 10 mg 내지 100 mg의 투여량의) 아토목세틴, (예를 들면, 30 mg 내지 70 mg의 투여량의) 리스덱삼페타민, (예를 들면, 0.1 mg 내지 0.5 mg의 투여량의) 클로니딘, 또는 (예를 들면, 100 mg 내지 500 mg의 투여량의) 모다피닐과 같은, 주의력 결핍/과잉 행동 장애(ADHD/ADD)를 치료하기 위한 약물을 투여하기 위해 사용될 수도 있다.
본원의 임의의 곳에서 설명되는 플랫폼, 시스템, 디바이스, 방법, 및 매체는, (예를 들면, 0.5 mg 내지 20 mg의 투여량의) 리스페리돈, (예를 들면, 25 mg 내지 1000 mg의 투여량의) 퀘티아핀, (예를 들면, 5 mg 내지 50 mg의 투여량의) 암페타민, (예를 들면, 5 mg 내지 60 mg의 투여량의) 덱스트로암페타민, (예를 들면, 5 mg 내지 60 mg의 투여량의) 메틸페니데이트, (예를 들면, 5 mg 내지 25 mg의 투여량의) 메탐페타민, (예를 들면, 2.5 mg 내지 40 mg의 투여량의) 덱스메틸페니데이트, (예를 들면, 1 mg 내지 10 mg의 투여량의) 구안파신, (예를 들면, 10 mg 내지 100 mg의 투여량의) 아토목세틴, (예를 들면, 30 mg 내지 70 mg의 투여량의) 리스덱삼페타민, (예를 들면, 0.1 mg 내지 0.5 mg의 투여량의) 클로니딘, 또는 (예를 들면, 1 mg 내지 10 mg의 투여량의) 아리피프라졸과 같은, 자폐증 또는 자폐 스펙트럼 장애를 치료하기 위한 약물을 투여하기 위해 사용될 수도 있다.
본원의 임의의 곳에서 설명되는 플랫폼, 시스템, 디바이스, 방법, 및 매체는, 시탈로프람, 둘록세틴, 또는 독세핀과 같은, 사별(bereavement)을 치료하기 위한 약물을 투여하기 위해 사용될 수도 있다.
본원의 임의의 곳에서 설명되는 플랫폼, 시스템, 디바이스, 방법, 및 매체는, 리스덱삼페타민과 같은 폭식 장애(binge eating disorder)를 치료하기 위한 약물을 투여하기 위해 사용될 수도 있다.
본원의 임의의 곳에서 설명되는 플랫폼, 시스템, 디바이스, 방법, 및 매체는, 토피라메이트, 라모트리진, 옥스카르바제핀, 할로페리돌, 리스페리돈, 퀘티아핀, 올란자핀, 아리피프라졸, 또는 플루옥세틴과 같은, 양극성 장애(bipolar disorder)를 치료하기 위한 약물을 투여하기 위해 사용될 수도 있다.
본원의 임의의 곳에서 설명되는 플랫폼, 시스템, 디바이스, 방법, 및 매체는, 세르트랄린, 에스시탈로프람, 또는 시탈로프람과 같은, 신체 이형 장애(body dysmorphic disorder)를 치료하기 위한 약물을 투여하기 위해 사용될 수도 있다.
본원의 임의의 곳에서 설명되는 플랫폼, 시스템, 디바이스, 방법, 및 매체는, 클로자핀, 아세나핀, 올란자핀, 또는 퀘티아핀과 같은, 단기 정신병적 장애(brief psychotic disorder)를 치료하기 위한 약물을 투여하기 위해 사용될 수도 있다.
본원의 임의의 곳에서 설명되는 플랫폼, 시스템, 디바이스, 방법, 및 매체는, 세르트랄린, 또는 플루옥세틴과 같은, 신경성 폭식증(bulimia nervosa)을 치료하기 위한 약물을 투여하기 위해 사용될 수도 있다.
본원의 임의의 곳에서 설명되는 플랫폼, 시스템, 디바이스, 방법, 및 매체는, 로라제팜, 디아제팜, 또는 클로바잠과 같은, 행동 장애(conduct disorder)를 치료하기 위한 약물을 투여하기 위해 사용될 수도 있다.
본원의 임의의 곳에서 설명되는 플랫폼, 시스템, 디바이스, 방법, 및 매체는, 순환성 장애(cyclothymic disorder)를 치료하기 위한 약물을 투여하기 위해 사용될 수도 있다.
본원의 임의의 곳에서 설명되는 플랫폼, 시스템, 디바이스, 방법, 및 매체는, 클로자핀, 아세나핀, 리스페리돈, 벤라팍신, 부프로피온, 또는 부스피론과 같은, 망상 장애(delusional disorder)를 치료하기 위한 약물을 투여하기 위해 사용될 수도 있다.
본원의 임의의 곳에서 설명되는 플랫폼, 시스템, 디바이스, 방법, 및 매체는, 세르트랄린, 플루옥세틴, 알프라졸람, 디아제팜, 또는 시탈로프람과 같은, 이인성 장애(depersonalization disorder)를 치료하기 위한 약물을 투여하기 위해 사용될 수도 있다.
본원의 임의의 곳에서 설명되는 플랫폼, 시스템, 디바이스, 방법, 및 매체는, 세르트랄린, 플루옥세틴, 시탈로프람, 부프로피온, 에스시탈로프람, 벤라팍신, 아리피프라졸, 부스피론, 보티옥세틴, 또는 빌라조돈과 같은, 우울증을 치료하기 위한 약물을 투여하기 위해 사용될 수도 있다.
본원의 임의의 곳에서 설명되는 플랫폼, 시스템, 디바이스, 방법, 및 매체는, 탈억제성 사회적 유대감 장애(disinhibited social engagement disorder)를 치료하기 위한 약물을 투여하기 위해 사용될 수도 있다.
본원의 임의의 곳에서 설명되는 플랫폼, 시스템, 디바이스, 방법, 및 매체는, 퀘티아핀, 클로자핀, 아세나핀, 또는 피마반세린과 같은, 파괴적 기분 조절 부전 장애(disruptive mood dysregulation disorder)를 치료하기 위한 약물을 투여하기 위해 사용될 수도 있다.
본원의 임의의 곳에서 설명되는 플랫폼, 시스템, 디바이스, 방법, 및 매체는, 알프라졸람, 디아제팜, 로라제팜, 또는 클로르디아제폭사이드와 같은, 해리성 기억상실증(dissociative amnesia)을 치료하기 위한 약물을 투여하기 위해 사용될 수도 있다.
본원의 임의의 곳에서 설명되는 플랫폼, 시스템, 디바이스, 방법, 및 매체는, 부프로피온, 보티옥세틴 또는 빌라조돈과 같은, 해리성 장애(dissociative disorder)를 치료하기 위한 약물을 투여하기 위해 사용될 수도 있다.
본원의 임의의 곳에서 설명되는 플랫폼, 시스템, 디바이스, 방법, 및 매체는, 아모바르비탈, 아프로바르비탈, 부타바르비탈 또는 메토헥시탈과 같은, 해리성 둔주(dissociative fugue)를 치료하기 위한 약물을 투여하기 위해 사용될 수도 있다.
본원의 임의의 곳에서 설명되는 플랫폼, 시스템, 디바이스, 방법, 및 매체는, 해리성 정체감 장애(dissociative identity disorder)를 치료하기 위한 약물을 투여하기 위해 사용될 수도 있다.
본원의 임의의 곳에서 설명되는 플랫폼, 시스템, 디바이스, 방법, 및 매체는, (예를 들면, 5 mg 내지 50 mg의 투여량의) 암페타민, (예를 들면, 5 mg 내지 60 mg의 투여량의) 덱스트로암페타민, (예를 들면, 5 mg 내지 60 mg의 투여량의) 메틸페니데이트, (예를 들면, 5 mg 내지 25 mg의 투여량의) 메탐페타민, (예를 들면, 2.5 mg 내지 40 mg의 투여량의) 덱스메틸페니데이트, (예를 들면, 1 mg 내지 10 mg의 투여량의) 구안파신, (예를 들면, 10 mg 내지 100 mg의 투여량의) 아토목세틴, (예를 들면, 30 mg 내지 70 mg의 투여량의) 리스덱삼페타민, (예를 들면, 0.1 mg 내지 0.5 mg의 투여량의) 클로니딘, 또는 (예를 들면, 100 mg 내지 500 mg의 투여량의) 모다피닐과 같은, 난독증(dyslexia)을 치료하기 위한 약물을 투여하기 위해 사용될 수도 있다.
본원의 임의의 곳에서 설명되는 플랫폼, 시스템, 디바이스, 방법, 및 매체는, 부프로피온, 벤라팍신, 세르트랄린 또는 시탈로프람과 같은, 기분 부전 장애(dysthymic disorder)를 치료하기 위한 약물을 투여하기 위해 사용될 수도 있다.
본원의 임의의 곳에서 설명되는 플랫폼, 시스템, 디바이스, 방법, 및 매체는, 올란자핀, 시탈로프람, 에스시탈로프람, 세르트랄린, 파록세틴, 또는 플루옥세틴과 같은, 섭식 장애를 치료하기 위한 약물을 투여하기 위해 사용될 수도 있다.
본원의 임의의 곳에서 설명되는 플랫폼, 시스템, 디바이스, 방법, 및 매체는 표현성 언어 장애를 치료하기 위한 약물을 투여하기 위해 사용될 수도 있다.
본원의 임의의 곳에서 설명되는 플랫폼, 시스템, 디바이스, 방법, 및 매체는, 에스트로겐, 프로스토겐, 또는 테스토스테론과 같은, 성별 불쾌감(gender dysphoria)을 치료하기 위한 약물을 투여하기 위해 사용될 수도 있다.
본원의 임의의 곳에서 설명되는 플랫폼, 시스템, 디바이스, 방법, 및 매체는, 벤라팍신, 둘록세틴, 부스피론, 세르트랄린 또는 플루옥세틴과 같은, 범불안 장애(generalized anxiety disorder)를 치료하기 위한 약물을 투여하기 위해 사용될 수도 있다.
본원의 임의의 곳에서 설명되는 플랫폼, 시스템, 디바이스, 방법, 및 매체는, 부스피론, 세르트랄린, 에스시탈로프람, 시탈로프람, 플루옥세틴, 파록세틴, 벤라팍신, 또는 클로미프라민과 같은, 저장 장애(hoarding disorder)를 치료하기 위한 약물을 투여하기 위해 사용될 수도 있다.
본원의 임의의 곳에서 설명되는 플랫폼, 시스템, 디바이스, 방법, 및 매체는 지적 장애를 치료하기 위한 약물을 투여하기 위해 사용될 수도 있다.
본원의 임의의 곳에서 설명되는 플랫폼, 시스템, 디바이스, 방법, 및 매체는, 아세나핀, 클로자핀, 올란자핀 또는 피마반세린과 같은, 간헐적 폭발성 장애(intermittent explosive disorder)를 치료하기 위한 약물을 투여하기 위해 사용될 수도 있다.
본원의 임의의 곳에서 설명되는 플랫폼, 시스템, 디바이스, 방법, 및 매체는, 에스시탈로프람, 플루복사민, 플루옥세틴, 또는 파록세틴과 같은, 병적 도벽(kleptomania)을 치료하기 위한 약물을 투여하기 위해 사용될 수도 있다.
본원의 임의의 곳에서 설명되는 플랫폼, 시스템, 디바이스, 방법, 및 매체는 수학 장애(mathematics disorder)를 치료하기 위한 약물을 투여하기 위해 사용될 수도 있다.
본원의 임의의 곳에서 설명되는 플랫폼, 시스템, 디바이스, 방법, 및 매체는, (예를 들면, 5 mg 내지 60 mg의 투여량의) 부스피론, (예를 들면, 최대 200 mg의 투여량의) 세르트랄린, (예를 들면, 최대 40 mg의 투여량의) 에스시탈로프람, (예를 들면, 최대 40 mg의 투여량의) 시탈로프람, (예를 들면, 40 mg 내지 80 mg의 투여량의) 플루옥세틴, (예를 들면, 40 mg 내지 60 mg의 투여량의) 파록세틴, (예를 들면, 최대 375 mg의 투여량의) 벤라팍신, (예를 들면, 최대 250 mg의 투여량의) 클로미프라민, 또는 (예를 들면, 최대 300 mg의 투여량의) 플루복사민과 같은, 강박 장애(obsessive-compulsive disorder)를 치료하기 위한 약물을 투여하기 위해 사용될 수도 있다.
본원의 임의의 곳에서 설명되는 플랫폼, 시스템, 디바이스, 방법, 및 매체는 적대적 반항 장애(oppositional defiant disorder)를 치료하기 위한 약물을 투여하기 위해 사용될 수도 있다.
본원의 임의의 곳에서 설명되는 플랫폼, 시스템, 디바이스, 방법, 및 매체는, 부프로피온, 빌라조돈, 또는 보티옥세틴과 같은, 공황 장애(panic disorder)를 치료하기 위한 약물을 투여하기 위해 사용될 수도 있다.
본원의 임의의 곳에서 설명되는 플랫폼, 시스템, 디바이스, 방법, 및 매체는, 리바스티그민, 셀레길린, 라사길린, 브로모크립틴, 아만타딘, 카베르골린 또는 벤즈트로핀과 같은, 파킨슨병을 치료하기 위한 약물을 투여하기 위해 사용될 수도 있다.
본원의 임의의 곳에서 설명되는 플랫폼, 시스템, 디바이스, 방법, 및 매체는, 부프로피온, 빌라조돈, 또는 바티옥세틴과 같은 병적 도박(pathological gambling)을 치료하기 위한 약물을 투여하기 위해 사용될 수도 있다.
본원의 임의의 곳에서 설명되는 플랫폼, 시스템, 디바이스, 방법, 및 매체는, 이식증(pica)을 치료하기 위한 약물을 투여하기 위해 사용될 수도 있다.
본원의 임의의 곳에서 설명되는 플랫폼, 시스템, 디바이스, 방법, 및 매체는, 세르트랄린, 플루옥세틴, 시탈로프람, 부프로피온, 에스시탈로프람, 벤라팍신, 아리피프라졸, 부스피론, 보티옥세틴, 또는 빌라조돈과 같은, 산후 우울증(postpartum depression)을 치료하기 위한 약물을 투여하기 위해 사용될 수도 있다.
본원의 임의의 곳에서 설명되는 플랫폼, 시스템, 디바이스, 방법, 및 매체는, 세르트랄린, 플루옥세틴 또는 파록세틴과 같은, 외상 후 스트레스 장애(posttraumatic stress disorder)를 치료하기 위한 약물을 투여하기 위해 사용될 수도 있다.
본원의 임의의 곳에서 설명되는 플랫폼, 시스템, 디바이스, 방법, 및 매체는, 에스트라디올, 드로스피레논, 세르트랄린, 시탈로프람, 플루옥세틴, 또는 부스피론과 같은, 월경전 불쾌 장애(premenstrual dysphoric disorder)를 치료하기 위한 약물을 투여하기 위해 사용될 수도 있다.
본원의 임의의 곳에서 설명되는 플랫폼, 시스템, 디바이스, 방법, 및 매체는, 덱스트로메토르판 하이드로브로마이드, 또는 퀴니딘 설페이트와 같은, 감정실금(pseudobulbar affect)을 치료하기 위한 약물을 투여하기 위해 사용될 수도 있다.
본원의 임의의 곳에서 설명되는 플랫폼, 시스템, 디바이스, 방법, 및 매체는, 클로자핀, 아세나핀, 올란자핀, 팔리페리돈 또는 퀘티아핀과 같은, 방화벽(pyromania)을 치료하는 약물을 투여하기 위해 사용될 수도 있다.
본원의 임의의 곳에서 설명되는 플랫폼, 시스템, 디바이스, 방법, 및 매체는, 반응성 애착 장애(reactive attachment disorder)를 치료하기 위한 약물을 투여하기 위해 사용될 수도 있다.
본원의 임의의 곳에서 설명되는 플랫폼, 시스템, 디바이스, 방법, 및 매체는 읽기 장애(reading disorder)를 치료하기 위한 약물을 투여하기 위해 사용될 수도 있다.
본원의 임의의 곳에서 설명되는 플랫폼, 시스템, 디바이스, 방법, 및 매체는 레트 증후군(Rett's syndrome)을 치료하기 위한 약물을 투여하기 위해 사용될 수도 있다.
본원의 임의의 곳에서 설명되는 플랫폼, 시스템, 디바이스, 방법, 및 매체는 반추 장애(rumination disorder)를 치료하기 위한 약물을 투여하기 위해 사용될 수도 있다.
본원의 임의의 곳에서 설명되는 플랫폼, 시스템, 디바이스, 방법, 및 매체는, 세르트랄린, 카르바마제핀, 옥스카르바제핀, 발프로에이트, 할로페리돌, 올란자핀, 또는 록사핀과 같은, 분열정동 장애(schizoaffective disorder)를 치료하기 위한 약물을 투여하기 위해 사용될 수도 있다.
본원의 임의의 곳에서 설명되는 플랫폼, 시스템, 디바이스, 방법, 및 매체는, 클로르프로마진, 할로페리돌, 플루페나진, 리스페리돈, 퀘티아핀, 지프라시돈, 올란자핀, 페르페나진, 아리피프라졸 또는 프로클로르페라진과 같은, 정신분열증을 치료하기 위한 약물을 투여하기 위해 사용될 수도 있다.
본원의 임의의 곳에서 설명되는 플랫폼, 시스템, 디바이스, 방법, 및 매체는, 팔리페리돈, 클로자핀, 리스페리돈과 같은, 정신분열형 장애(schizophreniform disorder)를 치료하기 위한 약물을 투여하기 위해 사용될 수도 있다.
본원의 임의의 곳에서 설명되는 플랫폼, 시스템, 디바이스, 방법, 및 매체는, 세르트랄린 또는 플루옥세틴과 같은, 계절성 정서 장애(seasonal affective disorder)를 치료하기 위한 약물을 투여하기 위해 사용될 수도 있다.
본원의 임의의 곳에서 설명되는 플랫폼, 시스템, 디바이스, 방법, 및 매체는 분리 불안 장애(separation anxiety disorder)를 치료하기 위한 약물을 투여하기 위해 사용될 수도 있다.
본원의 임의의 곳에서 설명되는 플랫폼, 시스템, 디바이스, 방법, 및 매체는, 클로자핀, 피마반세린, 리스페리돈, 또는 루라시돈과 같은, 공유 정신병 장애(shared psychotic disorder)를 치료하기 위한 약물을 투여하기 위해 사용될 수도 있다.
본원의 임의의 곳에서 설명되는 플랫폼, 시스템, 디바이스, 방법, 및 매체는 사회적(실용적) 의사 소통 장애를 치료하기 위한 약물을 투여하기 위해 사용될 수도 있다.
본원의 임의의 곳에서 설명되는 플랫폼, 시스템, 디바이스, 방법, 및 매체는, 아미트립틸린, 부프로피온, 시탈로프람, 플루옥세틴, 세르트랄린, 또는 벤라팍신과 같은, 사회 불안 공포증(social anxiety phobia)을 치료하기 위한 약물을 투여하기 위해 사용될 수도 있다.
본원의 임의의 곳에서 설명되는 플랫폼, 시스템, 디바이스, 방법, 및 매체는 신체 증상 장애(somatic symptom disorder)를 치료하기 위한 약물을 투여하기 위해 사용될 수도 있다.
본원의 임의의 곳에서 설명되는 플랫폼, 시스템, 디바이스, 방법, 및 매체는, 디아제팜, 에스타졸람, 콰제팜, 또는 알프라졸람과 같은, 특정한 공포증을 치료하기 위한 약물을 투여하기 위해 사용될 수도 있다.
본원의 임의의 곳에서 설명되는 플랫폼, 시스템, 디바이스, 방법, 및 매체는, 리스페리돈, 또는 클로자핀과 같은, 상동증적 운동 장애(stereotypic movement disorder)를 치료하기 위한 약물을 투여하기 위해 사용될 수도 있다.
본원의 임의의 곳에서 설명되는 플랫폼, 시스템, 디바이스, 방법, 및 매체는 말더듬을 치료하기 위한 약물을 투여하기 위해 사용될 수도 있다.
본원의 임의의 곳에서 설명되는 플랫폼, 시스템, 디바이스, 방법, 및 매체는, 할로페리돌, 플루페나진, 리스페리돈, 지프라시돈, 피모자이드, 페르페나진, 또는 아리피프라졸과 같은, 투렛 장애(Tourette's disorder)를 치료하기 위한 약물을 투여하기 위해 사용될 수도 있다.
본원의 임의의 곳에서 설명되는 플랫폼, 시스템, 디바이스, 방법, 및 매체는, 구안파신, 클로니딘, 피모자이드, 리스페리돈, 시탈로프람, 에스시탈로프람, 세르트랄린, 파록세틴, 또는 플루옥세틴과 같은, 일과성 틱 장애(transient tic disorder)를 치료하기 위한 약물을 투여하기 위해 사용될 수도 있다.
도 28은 본원에서 설명되는 플랫폼, 시스템, 디바이스, 방법, 및 매체에 의한 진단에 응답하여 투여될 수도 있는 약물을 도시한다. 약물은 알약 병과 같은 용기(container; 2800) 내에 포함될 수도 있다. 용기는 지침 "장애 x로 진단되면, 약물 y를 투여하시오"를 포함하는 라벨(2810)을 구비할 수도 있다. 장애 x는 본원에서 설명되는 임의의 장애일 수도 있다. 약물 y는 본원에서 설명되는 임의의 약물일 수도 있다.
도 29는 본원에서 설명되는 바와 같은 개인을 평가하기 위한 플랫폼의 다이어그램을 도시한다. 도 29에서 예시되는 바와 같은 플랫폼 아키텍쳐는 입력의 다양한 소스, 구체적으로는, 간병인 또는 유저 모바일 애플리케이션 또는 디바이스(2901), 비디오 분석가 포털(2902), 및 건강 관리 제공자 대시보드(2903)를 포함한다. 이들 입력 데이터 소스는, 비디오 저장 서비스(2912) 및 로드 밸런서 게이트웨이(load balancer gateway; 2916)와 그 자체적으로 인터페이싱하는 인터넷(2914)을 통해 플랫폼의 나머지 부분과 통신한다. 로드 밸런서 게이트웨이(2916)는, 데이터 분석을 지원하기 위해 인덱스 서비스(2924) 및 알고리즘 및 설문지 서비스(2926)를 활용하는 애플리케이션 서버(2918)와 동작 중에 통신한다. 애플리케이션 서버(2918)는 분석에서 사용하기 위해 비디오 저장 서비스(2912) 및 1차 데이터베이스(2910)로부터 데이터를 소싱할 수 있다. 개인 정보 보호 및 HIPAA 준수를 보장하기 위해, 로깅 또는 감사 서비스가 또한 사용되어, 어떤 유저 데이터가 액세스되는지 및 그것이 사용되는 방법과 같은 임의의 이벤트를 문서화할 수도 있다.
도 30은 개인을 평가하기 위한 비제한적인 흐름도를 도시한다. 간병인 또는 건강 관리 제공자는 아이에 대한 우려를 제기하고(3001), 그 이후 아이에 대해 ASD 디바이스가 처방되는데(3002), 여기서, 건강 관리 제공자는 이 디바이스의 사용이 적절하다는 것을 결정하고 그것의 사용법을 간병인에게 설명한다. 나중에, 간병인은 간병인 설문지를 포함하는 제1 모듈을 완료하고 응답 및 2 개의 비디오를 업로드한다(3003). 다음으로, 비디오 분석가는 업로드된 비디오를 평가하고(3004) 제2 모듈을 완료하기 위한 응답을 제공한다. 건강 관리 제공자는 또한 임상의/건강 관리 제공자 설문지를 포함하는 제3 모듈을 완료할 재량을 갖는다(3005) 이 제3 모듈은 아이와의 약속(appointment) 동안 또는 약속 시간이 아닐 때 완료될 수도 있다. 그 다음, 디바이스는 평가(3006)의 결과를 반환한다. ASD에 대한 양성의 평가(3007) 또는 음성의 평가(3008)의 경우, 건강 관리 제공자는 진단을 내리기 위해 임상적 증상과 연계하여 결과에 대한 리뷰를 제공한다. 그 다음, 최종 평가 결과는 양성의 ASD 진단(3010) 또는 음성 ASD 진단(3011)이다.
도 31a는 본원에서 설명되는 플랫폼, 시스템, 디바이스, 방법, 및 매체에 따라 개인을 평가하기 위한 모바일 디바이스에 대한 로그인 화면을 도시한다. 로그인은, 간병인 및/또는 평가될 실험 대상자와 관련되는 개인 계정에 액세스하기 위한 유저명 및 패스워드를 포함할 수 있다.
도 31b는, 예를 들면, 제1 평가 모듈의 ASD 평가의 유저 부분의 완료를 나타내는 모바일 디바이스의 화면을 도시한다.
도 31c는 ASD를 갖는 것으로 의심되는 실험 대상자의 비디오를 캡쳐하기 위한 지침을 제공하는 모바일 디바이스의 화면을 도시한다. 화면은, 실험 대상자에 의한 상이한 놀이 시간에 대응하여 제1 비디오 및 제2 비디오에 대한 비디오 레코딩을 개시하기 위한, 유저에 의해 선택 가능한 상호 작용식 엘리먼트를 나타낸다.
도 31d, 도 31e, 및 도 31f는 본원에서 설명되는 플랫폼, 시스템, 디바이스, 방법, 및 매체에 따라 실험 대상자를 평가함에 있어서의 사용을 위해 질문에 답변할 것을 유저에게 촉구하는 모바일 디바이스의 화면을 도시한다.
도 32는 비디오 분석가 설문지의 일부로서 질문을 디스플레이하는 비디오 분석가 포털의 디스플레이 화면을 도시한다. 이 설문지에 대한 응답은, 예를 들면, 본원에서 설명되는 바와 같은 제2 평가 모듈에서, 평가 모델(들) 또는 분류기(들)에 대한 입력의 일부를 형성할 수 있다.
도 33은 건강 관리 제공자 설문지의 일부로서 질문을 디스플레이하는 건강 관리 제공자 포털의 디스플레이 화면을 도시한다. 이 설문지에 대한 응답은, 예를 들면, 본원에서 설명되는 바와 같은 제3 평가 모듈에서, 평가 모델(들) 또는 분류기(들)에 대한 입력의 일부를 형성할 수 있다.
도 34는 본원에서 설명되는 플랫폼, 시스템, 디바이스, 방법, 및 매체에 따른 비디오 및 완료된 간병인 설문지를 포함하는 개인에 대한 업로드된 정보를 디스플레이하는 건강 관리 제공자 포털의 디스플레이 화면을 도시한다.
도 35는, 모바일 디바이스 소프트웨어 및 서버 소프트웨어를 비롯한, 본원에서 설명되는 바와 같은 실험 대상자에게 디지털 치료법을 제공하기 위한 플랫폼의 다이어그램을 도시한다. 모바일 디바이스 소프트웨어는 증강 현실 게임 모듈(3501), 감정 인식 엔진(3502), 비디오 레코딩/재생 모듈(3503), 및 비디오 리뷰 게임(3504)(예를 들면, 감정 추측 또는 인식 게임)을 포함한다. 서버 소프트웨어는 API 서비스(3510), 애플리케이션 데이터베이스(3511), 비디오 스토리지(3512), 건강 관리 제공자 포털(3513), 및 로컬 컴퓨팅 디바이스 사의 건강 관리 제공자 또는 치료사 리뷰 포털(3514)을 포함한다.
도 36은 본원에서 설명되는 플랫폼, 시스템, 디바이스, 방법, 및 매체에 따라 디지털 치료법을 제공하도록 구성되는 디바이스의 다이어그램을 도시한다. 이 예시적인 예에서, 디바이스는, 유저가 다른 개인(3603)의 하나 이상의 이미지(예를 들면, 사진 또는 비디오)를 캡쳐하는 것을 허용하는 외향 카메라를 갖는 스마트폰(3601)이다. 얼굴 추적은 하나 이상의 이미지 내에서 하나 이상의 얼굴(3604)을 식별하기 위해 수행된다. 식별된 얼굴은 감정 분류(3605)를 위해 실시간으로 분석된다. 분류는 복수의 감정(3606)으로부터 선택되는 감정을 나타내는 것으로 얼굴을 분류하도록 구성되는 분류기를 사용하여 수행된다. 이 예에서, 스마트폰(3601)은 구조화되지 않은 놀이 또는 다르게는 자유롭게 거닐기 모드에 있는데, 여기서, 분류된 감정은, 유저에게 동적인 또는 실시간 피드백을 제공하기 위해, 디스플레이 화면 상의 대응하는 이모티콘(3602)을 사용하여 묘사된다.
도 37은 결합된 디지털 진단법 및 디지털 치료법의 동작 흐름을 도시한다. 이 비제한적인 실시형태에서, 디지털 진단 동작은, 진단 입력 양식(3701)(예를 들면, 부모/돌보미 설문지, 임상의 설문지에 대응하는 입력, 비디오 기반의 입력, 센서 데이터, 등등)의 적용을 포함한다. 그 다음, 입력 데이터는 내부 진단 차원(3702)의 계산에서 사용되는데, 예를 들면, 실험 대상자는 입력 데이터에 기초하여 다차원 진단 공간으로 투영될 수 있다. 진단 차원은 스칼라 출력으로 투영된다(3703). 이 스칼라 출력은 임계치에 대해 평가된다(3704). 예를 들면, 임계치는, 장애(disorder), 상태, 또는 장애(impairment), 또는 이들의 카테고리 또는 그룹의 존재에 대한 양성의 결정, 음성의 결정, 및 옵션 사항으로 미확정 결정 사이의 컷오프를 결정하는 스칼라 값일 수 있다. 따라서, 결과적으로 나타나는 결과 또는 예측이 생성된다(3705). 결과 또는 예측은 예측된 의학적 진단일 수 있고 및/또는 의학적 진단을 내릴 때 임상의에 의해 고려될 수 있다. 다음으로, 진단 또는 진단 프로세스의 결과에 기초하여 치료법이 처방될 수 있다(3706). 디지털 치료법 동작은 디지털 진단 동작으로부터 내부 진단 차원(3707)을 획득하거나 또는 수신하는 것을 포함한다. 그 다음, 내부 진단 차원(3707) 및 처방(3706)에 기초하여 커스터마이징된 및/또는 최적화된 치료 요법이 생성된다(3708). 그 다음, 디지털 치료법 요법은, 예를 들면, 실험 대상자의 진단 또는 평가를 수행하기 위해 사용되는 동일한 컴퓨팅 디바이스를 통해 시행된다(3709). 디지털 치료법 요법은, 진단된 장애(disorder), 상태, 또는 장애(impairment)와 관련되는 하나 이상의 기능과 관련하여 실험 대상자에서의 개선을 증가시키도록 또는 최대화하도록 결정되는 하나 이상의 활동 또는 게임을 포함할 수 있다. 예를 들면, 활동 또는 게임은, 스마트폰 또는 태블릿을 통해 구현되는 얼굴 인식 및 자동 실시간 감정 검출을 사용하는 감정적 단서 인식 활동을 포함할 수 있다. 유저 진전은, 특정한 유저 또는 실험 대상자(3710)와 관련하여 추적되고 저장될 수 있다. 진전 추적은, 시간 경과에 따른 진전에 기초하여 게임 또는 활동에 대한 성과 및 조정 또는 변화를 모니터링하는 것을 허용한다. 예를 들면, 실험 대상자에 대한 커스터마이징된 치료 요법은, 실험 대상자가 잘하는 활동 또는 게임으로부터 멀어지게 이동되거나, 또는 대안적으로, 난이도 레벨이 증가된다.
예
예 1 - 평가 모듈
스마트폰 디바이스가, 데이터를 획득하도록 그리고 개인의 평가를 생성하기 위해 데이터를 평가하도록 구성되는 일련의 평가 모듈을 가지고 구성된다.
모듈 1 - 간병인 평가
간병인 평가는 표준화된 진단 기구인 자폐증 진단 면담지 개정판(ADIR)에 의해 조사되는 것들과 유사한 행동 패턴을 조사하도록 설계되지만, 그러나 간병인이 이해하기 쉽고 간결하게 되기 위해, 단순화되는 방식으로 제시된다.
디바이스는 핵심 행동 패턴을 식별하기 위해 간병인에게 가장 예측 가능한 질문의 최소의 세트를 제시한다. 간병인은, 통상적으로 10-15분 이내에 완료되는, 아이의 연령에 기초한 일련의 선다형 질문(multiple-choice question)을 제공받을 것이다.
월령 18 개월 내지 47 개월 아이의 경우, 간병인은 다음의 카테고리에 속하는 18 개의 선다형 질문에 답변하도록 질문을 받을 것이다:
비언어적 의사 소통
사회적 상호 작용
비정상적인 감각적 관심/반응.
월령 48 개월 내지 71 개월 아이의 경우, 간병인은 다음의 카테고리에 속하는 21 개의 선다형 질문에 답변하도록 질문을 받을 것이다:
비언어적 의사 소통
상호 언어적 의사 소통
사회적 상호 작용
비정상적인 감각적 관심/반응
반복적/제한된 행동 또는 관심.
모듈 2 - 비디오 분석
모듈 2는, 지속 기간이 적어도 1분인, 집에서 장난감 및 다른 사람들과 함께 하는 아이의 자연적인 놀이 각각의 2 개의 비디오를 업로드할 것을 간병인에게 요구한다. 자세한 지침은 간병인에게 앱 내에서 제공된다. 비디오는 HIPAA 보안 서버에 안전하게 업로드된다. 각각의 제출물은, 결합성 비디오(combinative video)에 대한 ASD의 표현형 피쳐(phenotypic feature)를 평가하는 일련의 선다형 질문에 답변하는 것에 의해 관찰되는 행동을 평가하는 서로 독립적인 분석가에 의해 채점된다. 비디오 분석가는 모듈 1로부터의 간병인 응답 또는 모듈 3으로부터의 HCP 응답에 액세스할 수 없다.
월령 18 내지 47 개월 아이의 경우, 비디오 분석가는 33 개의 질문을 사용하여 아이의 행동을 평가하고, 한편, 월령 48 내지 71 개월 아이는 다음의 카테고리에 속하는 28 개의 질문을 사용하여 평가된다:
비언어적 및 언어적 의사 소통
사회적 상호 작용
비정상적인 감각적 관심/반응
정형화된(stereotyped) 또는 반복적인 운동 움직임, 오브젝트의 사용, 또는 말하기.
모든 질문에 대해, 분석가는 다음의 것을 선택하는 옵션을 갖는다: "장면이 신뢰성 있게 평가할 만큼 충분한 기회를 제공하지 않음". 또한, 분석가는, 다음과 같은 임의의 이유 때문에 하나 이상의 비디오가 도움이 되지 않는 경우, 제출물을 채점 불가능한 것으로 간주할 수도 있다: 불량한 조명, 불량한 비디오 또는 오디오 품질, 불량한 밴티지 포인트, 그룹 내에서 아이가 존재하지 않거나 또는 식별 불가능함, 아이와의 불충분한 상호 작용. 채점 불가능한 경우, 간병인은 통지받을 것이고 추가적인 비디오를 업로드할 것을 요청받을 것이다.
의료 디바이스 기저의 알고리즘은 비디오 분석가의 각각으로부터 개별적으로 유래하는 설문지 답변을 다음과 같이 사용할 것이다: 분석가의 각각에 대해, 완전히 답변된 설문지는 입력 피쳐의 세트로서 모듈 2 알고리즘에 입력될 것인데, 알고리즘은 수치 응답을 내부적으로 모듈 2 알고리즘으로 출력할 것이다. 이것은 분석가의 각각에 대해 개별적으로 반복될 것이고, 그 결과, 수치 응답의 세트로 나타날 것이다. 그 다음, 수치 응답은 평균될 것이고, 응답의 평균을 모듈 2의 전체 출력으로서 간주될 것이다. 그 다음, 모듈 2의 출력은, 유일한 카테고리형 결과에 도달하기 위해, 다른 모듈의 출력과 결합된다.
모듈 3 - 건강 관리 제공자 평가
HCP는 아이의 연령에 기초하여 일련의 질문을 제공받을 것이다. 월령 18 내지 47 개월 아이의 경우, HCP는 13 개의 선다형 질문에 답변하도록 질문을 받을 것이다. 월령 48 내지 71 개월 아이의 경우, HCP는 15 개의 선다형 질문에 답변하도록 질문을 받을 것이다. 모듈 3을 완료하기 이전에, HCP는 모듈 1로부터의 간병인 응답에 액세스할 수 없을 것이다. HCP는 모듈 2로부터 비디오 분석가 응답에 액세스할 수 없을 것이다. 질문은 다음 카테고리에 속한다:
발달
언어 및 의사 소통
감각적인, 반복적인, 그리고 정형적인 행동
사회적
알고리즘 출력
(3) 모듈이 완료된 이후, 결정을 내리기에 충분한 정보가 있는지의 여부를 결정하기 위해, 입력은 평가된다.
결정을 생성하기 위해 사용되는 동적 알고리즘은:
관찰 불가능한 상호 의존성 및 정보의 비선형성을 활용하고
최대로 예측 가능한 피쳐의 최소 세트를 식별하고
진단 출력을 생성하기 위해 "다음 번 가장 관련성이 있는" 정보를 동적으로 대체할 수 있다.
의료 디바이스를 포함하는 모듈 1, 2, 및 3의 각각 기저에는, 독립적으로 트레이닝된 머신 러닝 예측 모델이 있다. 세 가지 모델의 각각은, 질문-답변 항목 레벨에서의 과거 의료 기구 스코어시트의 수천 개의 샘플의 전용 트레이닝 세트뿐만 아니라, 대응하는 진단 라벨을 사용하여 오프라인에서 트레이닝되고, 그 결과, 트레이닝 프로세스는 감독된 머신 러닝 실행이다. 머신 러닝 알고리즘 프레임워크는 GBDT(Gradient Boosted Decision Trees; 그래디언트 부스트 결정 트리)인데, 이것은, 트레이닝 세트의 데이터에 대한 트레이닝시, 자동적으로 생성된 결정 트리의 세트를 생성하는데, 각각은 트레이닝 세트의 입력 피쳐 중 일부를 사용하고, 각각은, 새로운 환자 제출물에 관련이 있는 새로운 피쳐 데이터에 대해 실행될 때 스칼라 출력을 생성한다. 분류 모델의 총 스칼라 출력에 도달하기 위해, 트리의 각각으로부터의 스칼라 출력은 합산된다. 따라서, 예측에서 사용될 때, 세 가지 모듈의 각각은 전체 알고리즘의 중간 출력으로서 간주되는 단일의 스칼라 값을 출력한다.
세 가지 분류 알고리즘의 각각으로부터의 스칼라 출력은, 입력으로서, 제2 단계 조합 분류 모델로 전달되는데, 제2 단계 조합 분류 모델은 임상 연구에서 수집되는 350 개의 과거 데이터 제출물에 대해 독립적으로 트레이닝된다. 이 조합 모델은 본질적으로 확률적이며 세 가지 개개의 모듈 분류기 모두 사이의 공분산 매트릭스를 고려하도록 트레이닝된다. 그것은 세 가지 모듈 모두의 결합된 출력을 나타내는 단일의 스칼라 값을 출력하고, 그 다음, 그것의 출력은, 아이가 ASD에 대해 양성인지 또는 ASD에 대해 음성인지의 여부의 결정으로서 간주될 수 있는 카테고리형 결과를 생성하기 위해, 사전 설정된 임계치에 비교된다.
디바이스는 또한, 예측이 약할 때, 어떠한 결과 출력도 허용하지 않도록 설계된다. 카테고리형 결정을 제공될 수 없는 경우, 건강 관리 제공자는, 그 시점에 디바이스가 자폐 스펙트럼 장애(ASD)에 대한 결과를 제공할 수 없다는 것("결과 없음")을 통지받는다. 구체적으로, 환자는, 환자가 ASD에 대해 음성인 것으로 알고리즘 분류기 내에서 확실하게 배치될 수 없는 충분한 수 및/또는 중증도의 피쳐를 나타낼 수도 있지만, 그러나 환자가 ASD의 양성인 것으로 알고리즘 분류기 내에서 확실하게 배치될 수 없는 불충분한 수 및/또는 중증도의 피쳐를 나타낸다. 이들 경우에, 알고리즘은 결과를 제공하지 않는다("결과 없음" 사례). 대부분의 경우(환자), 알고리즘은 양성의 ASD, 음성 ASD의 두 가지 별개의 진단 출력 중 하나를 제공할 것이다.
예 2 - 환자 평가 개요
환자 검사 동안, 건강 관리 제공자(healthcare provider; HCP)는 관찰 결과 및/또는 간병인의 우려에 기초하여 아이의 발달에 대해 우려한다. 그 다음, HCP는 디지털 애플리케이션을 가지고 구성되는 디바이스를 처방하고 간병인에게 디바이스의 개요를 제공한다. 일단 약국에 의해 디바이스가 분배되면, 간병인은 앱에 액세스한다. 간병인은 HCP 사무실을 나와, 앱을 다운로드하고, 계정을 생성한다. 그 다음, 간병인은 앱에서 아이의 행동/발달에 대한 질문에 답변할 것을 촉구받는다(모듈 1). 일단 완료되면, 간병인은 아이의 자연적인 가정 환경에서 아이의 두 개의 비디오를 레코딩하여 업로드할 것을 요구받는다. 자세한 지침은 앱에서 제공된다. 비디오가 너무 짧거나, 너무 길거나 또는 기술 지침을 따르지 않는 경우, 간병인은 그들을 업로드할 수 없을 것이고, 진행하기 위해서 무엇이 수정되어야 하는지에 관한 추가적인 지침을 제공받는다. 일단 비디오가 업로드되면, 간병인은 다음 번 단계를 위해 그들이 연락을 받을 것이라는 것을 통지받는다.
일단 비디오가 업로드되면, 트레이닝된 비디오 분석가는 비디오 분석가 포털을 통해 업로드된 비디오를 리뷰할 것을 촉구받는다. 비디오 분석가는 모듈 1에서의 간병인 응답뿐만 아니라, 모듈 3으로부터의 HCP 응답을 보지 못한다. 비디오 분석가는, 정의된 요건 및 품질 제어에 종속하여, 비디오에서 나타나는 아이의 행동에 대한 질문에 답변한다(모듈 2). 비디오가 "평가 가능"하지 않은 것으로 비디오 분석가가 결정하는 경우, 간병인은 추가적인 비디오가 업로드될 필요가 있다는 것을 통지받을 수도 있다.
일단 디바이스가 처방되면, HCP는, 아이의 행동/발달에 대한 질문의 세트에 답변할 것을 Cognoa(코그노아)에 의해 촉구받는다(모듈 3). HCP는 모듈 3의 완료를 위한 문서화를 위해 그들의 표준 관행 가이드라인을 따를 것이다. 모듈 3 질문에 답변하기 이전에, HCP는 모듈 1에서의 간병인 응답 및 모듈 2로부터의 비디오 분석가 응답을 보지 못한다.
일단 3 개의 모듈이 모두 완료되면, 동적 머신 러닝 알고리즘은 복잡한 다중 레벨 결정 트리를 통해 모듈의 입력을 평가하고 결합하여 출력을 제공한다. HCP는, 결과가 환자의 임상적 증상과 연계하여 사용되어야 한다는 것을 나타내는 디바이스의 사용에 대한 지침과 나란히, HCP 대시보드에 로그인하여 전체 디바이스의 평가 결과를 리뷰할 것을 통지받는다.
HCP는, 아이의 임상적 증상의 의학적 평가와 연계하여, 디바이스의 결과를 리뷰하여, 그의/그녀의 관행의 범위 내에서 명확한 진단을 내린다. 디바이스의 결과는, HCP가 ASD를 진단하는 것, 또는 아이가 ASD를 갖지 않는다는 것을 결정하는 것을 도울 것이다.
몇몇 경우에, HCP는, 디바이스가 결과를 제공할 수 없다는 것을 통지받을 것이다. 이들 경우, HCP는 그의/그녀의 재량에서 환자에 대한 최상의 결정을 내려야만 한다; 그러나, 이 상황에서, 디바이스는 추천도 하지 않고, 또한, HCP에 대한 다음 번 단계에 대한 추가적인 임상적 지침 또는 가이드라인도 제공하지 않는다.
마지막으로, 디바이스가 출력을 렌더링한 이후, HCP는 모듈 1에 대한 간병인 응답, 미가공(raw) 환자 비디오 및 디바이스에 관한 임상 성과 테스트 데이터에 액세스할 수 있을 것이다.
예 3 - ASD 양성 평가 시나리오
ASD 양성 시나리오 A
1차 진료 환경에서의 환자 검사 동안, 라이센스가 부여된 건강 관리 제공자는 관찰 결과 및 간병인의 우려에 기초하여 2세 아이의 발달에 대해 우려한다. 환자는 말하기 지연을 가지며 그의 어머니는, 그의 이름을 불러도 그가 반응하지 않지만, 그러나 그의 청력 평가는 정상이었고 그는 부드러운 사운드에 의해 쉽게 짜증을 내게 될 수 있다고 진술한다. 1차 건강 관리 제공자는, 디바이스의 라벨링에 따라 코그노아 디바이스(Cognoa Device)의 사용이 적절한지의 여부를 평가하고 처방을 통해 디바이스를 사용할 것을 간병인에게 지시한다.
간병인은 클리닉(clinic)을 나와, 소프트웨어를 다운로드하고, 모듈 1을 완료하고, 환자의 비디오를 업로드한다. 비디오 분석가는 분석가 포털(Analyst Portal)을 통해 제출된 비디오에 점수를 매기는 것에 의해 모듈 2를 완료한다. 건강 관리 제공자는 제공자 포털(Provider Portal)을 통해 모듈 3에 액세스하고 건강 관리 제공자 설문지를 완료한다. 이 디바이스는, 자폐증을 가장 잘 나타내는 핵심 발달 행동을 고려하여 제공되는 정보를 분석하고 건강 관리 제공자는 디바이스 결과를, 일단 이용 가능하면, 통지받는다. 건강 관리 제공자는, 환자가 "ASD에 대해 양성"이라는 것을 나타내는 보고를 제공받고 결과를 결정하기 위해 사용되었던 지원 데이터는 건강 관리 제공자가 리뷰하도록 이용 가능하다.
건강 관리 제공자는 결과를 리뷰하고 결과가 임상적 증상과 매치한다는 것을 결정하고 간병인과의 대면 방문에서 ASD의 진단을 제공하는데, 여기서, 미국 소아과 학회(American Academy of Pediatrics) 권고에 따라 진단이 설명되고 치료법이 처방된다.
ASD 양성 시나리오 B
1차 진료 환경에서의 환자 검사 동안, 라이센스가 부여된 건강 관리 제공자가 3년 6개월된 아이의 발달을 평가한다. 환자는 언어 사용이 이상하지만 그러나 말하기는 지연되지는 않았다. 부모는 그녀가 이상한 반복적인 소음도 또한 낸다고 보고한다. 그녀는 위험에 대한 인식이 부족한 것처럼 보이며 종종 낯선 사람의 개인 공간을 침범한다. 건강 관리 제공자는, 디바이스의 라벨링에 따라 디바이스의 사용이 적절한지의 여부를 평가하고 처방을 통해 디바이스를 사용할 것을 간병인에게 지시한다.
간병인은 클리닉을 나와, 소프트웨어를 다운로드하고, 모듈 1을 완료하고, 환자의 비디오를 업로드한다. 비디오 분석가는 분석가 포털을 통해 제출된 비디오에 점수를 매기는 것에 의해 모듈 2를 완료한다. 건강 관리 제공자는 제공자 포털을 통해 모듈 3에 액세스하고 건강 관리 제공자 설문지를 완료한다. 이 디바이스는, 자폐증을 가장 잘 나타내는 핵심 발달 행동을 고려하여 제공되는 정보를 분석하고 건강 관리 제공자는 디바이스 결과를, 일단 이용 가능하면, 통지받는다. 건강 관리 제공자는, 환자가 "ASD에 대해 양성"이라는 것을 나타내는 보고를 제공받고 결과를 결정하기 위해 사용되었던 지원 데이터는 건강 관리 제공자가 리뷰하도록 이용 가능하다.
건강 관리 제공자는 디바이스 결과를 리뷰하고 결과가 ASD와 가장 일치한다는 것을 결정한다. 건강 관리 제공자는 간병인과의 대면 방문에서 ASD의 진단을 제공하는데, 여기서, 미국 소아과 학회 권고에 따라 진단이 설명되고 치료법이 처방된다.
예 4 - ASD 음성 평가 시나리오
ASD 음성 시나리오 A
1차 진료 환경에서의 환자 검사 동안, 라이센스가 부여된 건강 관리 제공자가 5세 아이의 발달을 평가한다. 환자는 과잉 행동을 보이며 쉽게 주의가 산만해진다. 그의 어머니는 그의 이름을 불러도 그가 반응하지 않으며 그가 그녀에게 확인 응답하기(acknowledge) 이전에 그녀는 그를 여러 번 불러야만 한다고 진술한다. 환자는 또한 또래 관계에서 어려움을 겪고 있고 친구를 사귀는 데 어려움을 겪는다. 건강 관리 제공자는 가능한 자폐증에 대해 우려하지만 그러나 ADHD를 가장 의심한다. 건강 관리 제공자는, 디바이스의 라벨링에 따라 디바이스의 사용이 적절한지의 여부를 평가하고 처방을 통해 디바이스를 사용할 것을 간병인에게 지시한다. 건강 관리 제공자는 또한 부모 및 유치원 교사가 Vanderbilt(밴더빌트) ADHD 평가를 완료할 것을 요청한다.
간병인은 클리닉을 나와, 소프트웨어를 다운로드하고, 모듈 1을 완료하고, 환자의 비디오를 업로드한다. 비디오 분석가는 분석가 포털을 통해 제출된 비디오에 점수를 매기는 것에 의해 모듈 2를 완료한다. 건강 관리 제공자는 제공자 포털을 통해 모듈 3에 액세스하고 건강 관리 제공자 설문지를 완료한다. 이 디바이스는, 자폐증을 가장 잘 나타내는 핵심 발달 행동을 고려하여 제공되는 정보를 분석하고 건강 관리 제공자는 디바이스 결과를, 일단 이용 가능하면, 통지받는다. 건강 관리 제공자는, 환자가 "ASD에 대해 음성"이라는 것을 나타내는 보고를 제공받고 결과를 결정하기 위해 사용되었던 지원 데이터는 건강 관리 제공자가 리뷰하도록 이용 가능하다.
건강 관리 제공자는 디바이스 결과 및 밴더빌트 평가를 리뷰하여, 진단이 ADHD와 가장 일치한다는 것을 결정한다. 건강 관리 제공자는 간병인과의 대면 방문에서 ADHD 우세 과잉 행동 타입(ADHD predominantly hyperactive type)의 진단을 제공하는데, 여기서, 미국 소아과 학회 권고에 따라 진단이 설명되고 치료법이 처방된다.
건강 관리 제공자는 행동 치료법에 대한 환자의 반응을 모니터링하고 감별 진단(differential diagnosis)에서 ASD의 가능성을 유지하면서 비자극성 ADHD 약물을 처방한다. 환자는 ADHD의 진단을 보강하는 ASD에 대해 걱정을 끼치는 징후를 더 이상 나타내지 않으면서 치료법 및 약물에 잘 반응한다.
ASD 음성 시나리오 B
1차 진료 환경에서의 환자 검사 동안, 부모는, 18 개월 환자의 형이 자폐증 진단을 가지고 있고 그의 아버지가 공격성 및 상동증적 행동(stereotypic behavior)의 가능성의 몇몇 에피소드를 알아차린 것을 보고한다. 환자는 그의 모든 발달 이정표를 충족했으며 클리닉에서의 그의 검사 및 상호 작용은 연령에 적합하다. 아버지는, 형과 유사한 상동증적 행동을 나타내는 환자의 비디오를 건강 관리 제공자에게 보여준다. 건강 관리 제공자는, 디바이스의 라벨링에 따라 코그노아 디바이스의 사용이 적절한지의 여부를 평가하고 처방을 통해 디바이스를 사용할 것을 간병인에게 지시한다. 간병인은 클리닉을 나와, 소프트웨어를 다운로드하고, 모듈 1을 완료하고, 환자의 비디오를 업로드한다. 코그노아 비디오 분석가(Cognoa Video Analyst)는 코그노아 분석가 포털(Cognoa Analyst Portal)을 통해 제출된 비디오에 점수를 매기는 것에 의해 모듈 2를 완료한다. 건강 관리 제공자는 코그노아 제공자 포털(Cognoa Provider Portal)을 통해 모듈 3에 액세스하고 건강 관리 제공자 설문지를 완료한다.
이 디바이스는, 자폐증을 가장 잘 나타내는 핵심 발달 행동을 고려하여 제공되는 정보를 분석하고 건강 관리 제공자는 디바이스 결과를, 일단 이용 가능하면, 통지받는다. 건강 관리 제공자는, 환자가 "ASD에 대해 음성"이라는 것을 나타내는 보고를 제공받고 결과를 결정하기 위해 사용되었던 지원 데이터는 건강 관리 제공자가 리뷰하도록 이용 가능하다. 건강 관리 제공자는 코그노아 디바이스 결과를 리뷰하고 환자가 형을 모방할 가능성이 가장 높다는 것을 결정한다. 건강 관리 제공자는 환자의 발달을 모니터링하고 환자가 공격적이거나 또는 상동증적 행동을 나타낼 때 방향 전환(redirection)에 대한 양육 지침을 제공한다.
예 5 - ASD 미확정 평가 시나리오
ASD 미확정 시나리오 A
1차 진료 환경에서의 환자 검사 동안, 5년 6개월된 아이가 학습 어려움을 갖는다고 부모에 의해 보고되고 학교에서는 특수 교육 시스템으로의 배치 가능성을 위해 개별화된 교육 계획 평가가 수행되어야 한다는 것을 추천하였다. 환자는 클리닉에서 건강 관리 제공자와 눈맞춤을 잘 못하고 둔마된 정서(flattened affect)를 가지고 질문에 답변하는 데 느리다. 방치 또는 학대의 징후는 없으며 보고된 환각도 없다. 실험실 평가는 정상적인 CBC, CMP, 및 TSH를 나타낸다. 건강 관리 제공자는, 디바이스의 라벨링에 따라 코그노아 디바이스의 사용이 적절한지의 여부를 평가하고 처방을 통해 디바이스를 사용할 것을 간병인에게 지시한다. 간병인은 클리닉을 나와, 소프트웨어를 다운로드하고, 모듈 1을 완료하고, 환자의 비디오를 업로드한다.
비디오 분석가는 분석가 포털을 통해 제출된 비디오에 점수를 매기는 것에 의해 모듈 2를 완료한다. 건강 관리 제공자는 제공자 포털을 통해 모듈 3에 액세스하고 건강 관리 제공자 설문지를 완료한다. 디바이스는 자폐증을 가장 잘 나타내는 핵심 발달 행동을 고려하여 제공되는 정보를 분석하고, 건강 관리 제공자는, 디바이스가 제공되는 정보에 기초하여 현재 시점에서 ASD에 관한 결과를 제공할 수 없다는 것을 통지받는다. 이 시점에서 디바이스의 사용은 중지된다.
이 시점에서, HCP는 그들의 전문적인 의사 결정을 사용하여 환자에 대한 다음 번 단계를 결정한다.
ASD 미확정 시나리오 B
유치원에 다니기 시작한 이후, 말하기 지연이 있었지만 말하기 치료법에서 진전을 이루었던 5 세 아이가, 어른과 자주 말다툼을 하고, 쉽게 화를 내며, 규칙을 따르기를 거부하고, 자기 자신의 실수를 남 탓으로 돌리고, 고의로 다른 사람을 짜증나게 하고, 그리고 다르게는 화가 난, 분개하는, 그리고 보복하는 방식으로 행동하는 것을 그의 선생님이 알아차렸다. 부모는 이들 우려 사항을 아이의 1차 진료 건강 관리 제공자에게 제시한다. 건강 관리 제공자는, 디바이스의 라벨링에 따라 디바이스의 사용이 적절한지의 여부를 평가하고 처방을 통해 디바이스를 사용할 것을 간병인에게 지시한다. 간병인은 클리닉을 나와, 소프트웨어를 다운로드하고, 모듈 1을 완료하고, 환자의 비디오를 업로드한다.
비디오 분석가는 분석가 포털을 통해 제출된 비디오에 점수를 매기는 것에 의해 모듈 2를 완료한다. 건강 관리 제공자는 제공자 포털을 통해 모듈 3에 액세스하고 건강 관리 제공자 설문지를 완료한다. 디바이스는 자폐증을 가장 잘 나타내는 핵심 발달 행동을 고려하여 제공되는 정보를 분석하고, 건강 관리 제공자는, 디바이스가 제공되는 정보에 기초하여 현재 시점에서 ASD에 관한 결과를 제공할 수 없다는 것을 통지받는다. 이 시점에서 디바이스의 사용은 중지된다.
이 시점에서, HCP는 그들의 전문적인 의사 결정을 사용하여 환자에 대한 다음 번 단계를 결정한다.
예 6 - 감정 인식 디지털 치료법
환자는 선행하는 예 중 임의의 것에서 설명되는 바와 같이 디바이스를 사용하여 평가되고 ASD에 대해 양성인 것으로 결정된다. 평가를 위해 사용되는 디바이스 및/또는 상이한 디바이스는, 감정 인식을 위한 트레이닝을 통해 환자를 치료하기 위한 디지털 치료 애플리케이션을 가지고 구성된다("치료 디바이스"). 이 경우, 디바이스는 디지털 치료법을 제공하기 위한 모바일 애플리케이션을 가지고 구성되는 스마트폰이다. HCP는 환자를 치료하기 위한 디바이스 및/또는 모바일 애플리케이션을 처방한다. 환자 또는 부모 또는 간병인은 치료 디바이스에 대한 액세스를 부여받고 모바일 애플리케이션에 대한 개인 계정을 등록하고/로그인한다. 모바일 애플리케이션은, 감정 유도 활동, 감정 인식 활동, 및 구조화되지 않은 놀이를 포함하는 활동 모드를 포함하는 환자에 대한 선택 가능한 모드를 제공한다.
환자 또는 부모 또는 간병인은 구조화되지 않은 놀이를 선택하여, 디바이스로 하여금 카메라를 활성화하게 하고, 환자가 다른 사람을 향해 외향 카메라를 가리킬 때 실시간으로 얼굴 인식 및 감정 검출/분류를 동적으로 수행하는 그래픽 유저 인터페이스를 디스플레이하게 한다. 환자가 특정한 개인을 향해 카메라를 향하게 하는 경우, 적어도 하나의 감정을 식별하기 위해 개인의 이미지가 분석되고, 그래픽 유저 인터페이스는 감정 또는 감정의 표현(예를 들면, 감정을 설명하는 또는 감정에 대응하는 이모티콘 또는 단어)을 나타낸다. 이것은, 카메라를 사용하여 관찰되고 있는 사람에 의해 나타내어지고 있는 감정(들)을 환자가 관찰하고 학습하는 것을 허용한다. 몇몇 경우에, "답변"을 받기 이전에 감정을 식별하려고 시도할 시간을 환자에게 허용하기 위해, 인터페이스 상에서의 감정의 표시에서 지연이 존재한다. 각각의 양성으로 식별된 감정 및 그것의 대응하는 이미지(들)는, 그 다음, 이미지 라이브러리에 저장된다.
간병인은 디지털 치료법 세션을 조정하는데, 여기서 아이는 스마트폰을 사용하여 그들의 집, 사무실, 또는 다른 친숙한 환경을 걷고, 오디오 인앱에 의해 촉구되는 감정을 "찾거나" 또는 유도하려고 시도한다. 종종, 가정 환경에서, 감정은 간병인에 의해 생성될 것이다; 간병인에 대한 지침은 요청된 감정을 복제하는 것 또는 의도적으로 잘못된 얼굴을 제공하는 것일 것이다. 다수의 사람들이 있는 영역에서의 디바이스의 사용 동안, 간병인 지침은, 아이가 촉구된 얼굴 표정을 갖는 개인을 찾는 것을 도울 것을 간병인에게 지시할 것이고; 어느 것도 존재하지 않으면, 간병인은, 아이에게 알리지 않고, 감정을 복제할 것을 또는 감정을 복제하도록 매우 근접한 다른 개인에게 촉구할 것을 선택할 수도 있다. 아이는 전화기 카메라를, 촉구된 감정을 표현하고 있다고 그들이 믿는 개인을 향해 향하게 한다; 모바일 앱은, 얼굴이 검출되면 아이에게 경고하는 증강 현실(Augmented Reality; AR) 컴포넌트를 갖는다. 그 다음, 화면은, 얼굴에서 나타내어지는 감정 표현을 올바르게 라벨링하는 실시간 오디오 및 시각적 피드백을 아이에게 제공한다(예를 들면, 대응하는 감정을 갖는 이모티콘이 화면 상에 실시간으로 디스플레이된다). 아이가 제품을 계속 사용하는 동안 이모티콘은 증강 현실 환경에서 화면 상에 남아 있다.
환자가 이미지 라이브러리에서 다수의 이미지를 수집한 이후, 환자는, 그 다음, 구조화되지 않은 놀이 활동 밖으로 전환하고 감정 인식 활동을 선택한다. 그 다음, 환자는 보강 학습을 위해 감정 인식 게임 또는 감정 추측 게임을 선택한다.
감정 추측 게임은 아이가 평가한 이전 이미지를 (사전 리뷰된 소스로부터의) 스톡 얼굴 이미지와 혼합하여 저장한다. 이 활동의 목표는, (a) 아이에 의해 올바르게 평가되지 않았던 이미지를 리뷰하고 간병인으로 하여금 그것을 수정하게 하는 것 및 (b) 기억력을 향상시키기 위해 아이를 그들의 올바른 선택으로 보강하고 상기시키는 것이다. 그 다음, 아이는 이미지에서 나타내어지는 감정 표현을 올바르게 매치시키거나 또는 라벨링하려고 시도할 수 있다. 이 EGG의 목표는, 상이한 2D 환경에서 증강 현실의 구조화되지 않은 놀이 세션으로부터 학습을 보강하는 것이다. 또한, 그것은 감정을 함께 리뷰하고 논의할 간병인과 아이 사이의 추가적인 사회적 상호 작용 기회를 제공한다.
환자에 의한 선택을 위한 다양한 보강 학습 게임이 제공된다. 이들 게임의 예는 하기에서 나타내어진다:
(A) 게임은, 세 가지 상이한 감정: 행복, 슬픔, 화남을 나타내는 것으로서 분류된 환자가 수집한 세 가지 이미지(스톡 이미지와 혼합될 수도 있음)를 보여준다. 게임은 "행복한" 감정을 나타내는 이미지를 선택할 것을 환자에게 요청하는 시각적 및 청각적 프롬프트를 제공한다. 환자는 이미지를 선택하고, 그 다음, 선택이 올바른지의 여부에 기초하여 피드백을 받는다. 환자는 수집된 다양한 이미지를 사용하여 이들 활동 중 몇몇을 계속 완료한다.
(B) 게임은 환자가 수집한 사람의 단일의 이미지(또는 스톡 이미지)를 보여주고 이미지에서 나타내어지는 감정을 결정하라는 프롬프트를 제시한다. 환자는 감정의 선다형 선택을 보게 될 수 있다. 감정은 선택 가능할 수도 있거나 또는 환자는 감정을 이미지로 드래그할 수 있을 수도 있거나 또는 그 반대로 될 수도 있다.
(C) 믹스 앤 매치(mix and match) 감정 인식 활동. 이 경우, 그래픽 유저 인터페이스 화면의 좌측 상에서 3 개의 수집된(또는 스톡) 이미지의 열이 디스플레이되고, 그래픽 유저 인터페이스의 우측 상에서 3 개의 감정의 열이 디스플레이된다. 인터페이스는, 유저가 이미지를 선택하는 것 및 그 다음 대응하는 감정을 선택하여 그들을 함께 "매치"시키는 것을 허용한다. 일단 이미지 및 감정이 모두 매치되면, 환자는 성과에 기초하여 피드백을 제공받는다. 대안적으로, 이미지 및 감정의 두 개의 열이 나타내어지고, 환자는, 이미지 및 감정을 함께 "매치"시키기 위해, 이미지를 대응하는 감정과 동일한 행에서 정렬하도록 드래그 앤 드랍할 수 있다.
(D) 동적 감정 분류 게임. 두 개 이상의 버킷이 화면의 하단 - 각각의 버킷은 감정 라벨을 가지며 - 에서 제공되고, 한편 다양한 수집된 이미지가 화면을 통해 부유하고 있다. 환자는 각각의 이미지를 적절한 버킷으로 드래그하도록 지시받는다. 일단 모든 이미지가 버킷으로 분류되면, 환자는 성과에 기초하여 피드백을 제공받는다.
본원에서 설명되는 감정 인식 게임 및 활동은, 단지 유저가 이미 노출되었던 수집된 이미지를 사용한 보강 학습뿐만 아니라, 다양한 감정 인식 및 학습 목적을 위해 제공될 수 있다. 활동 동안 환자의 성과는 이용 가능한 경우 추적될 수 있거나 또는 모니터링될 수 있다. 환자가 일련의 활동 중의 한 활동을 완료하면, 제공되는 다음 번 활동은, 환자가 상대적으로 불량한 성과를 갖는 감정에 대해 테스트되는 이미지의 선택을 향해 편향되거나 또는 가중될 수 있다.
그 다음, 환자는 감정 유도 활동으로 전환한다. 이들 활동은 감정을 불러일으키도록 계산되는 자극을 제공하도록 설계된다. 감정 자극은, 이미지, 이미지의 시퀀스, 비디오, 사운드, 또는 이들의 임의의 조합으로부터 선택된다. 감정적 자극의 예는 공포(거미, 괴물) 및 행복 또는 기쁨(동요 또는 쇼)을 유도하도록 설계되는 시청각 콘텐츠를 포함한다. 환자에서 유도되는 감정적 반응은 디바이스의 내향 카메라에 의해 결정될 수 있다. 예를 들면, 카메라는, 감정적 자극이 제공되고 있는 동안, 환자의 얼굴의 하나 이상의 이미지를 캡쳐할 수 있는데, 이들은, 그 다음, 임의의 감정적 반응을 검출하기 위해 평가될 수 있다. 감정적 자극에 대한 환자의 반응성에서의 임의의 변화를 추적하기 위해, 시간 경과에 따른 반응이 모니터링될 수 있다.
예 7 - 디지털 진단법 및 디지털 치료법
환자는 선행하는 예 중 임의의 것에 따라 스마트폰 디바이스를 사용하여 평가되고 ASD에 대해 양성인 것으로 결정된다. 그 다음, 이 양성의 평가는, 환자를 ASD를 갖는 것으로 진단하고 동일한 스마트폰 디바이스를 통해 환자를 치료하기 위한 디지털 치료 애플리케이션을 환자에게 처방하는 HCP에 의해 고려된다. 환자 또는 부모 또는 간병인은 치료 디바이스에 대한 액세스를 부여받고 모바일 애플리케이션에 대한 개인 계정을 등록하고/로그인한다. 개인 계정은 환자를 평가함에 있어서 사용되는 진단 정보를 포함한다. 이 진단 정보는, ASD의 다양한 양태, 예컨대, 예를 들면, 감소된 사회적 상호성과 같은 특정한 장애에 관련이 있는 다차원 공간 내에서 환자의 위치를 결정하기 위해 계산된다. 이들 내부 진단 차원은, 그 다음, 사회적 상호성에 참가하기 위한 환자의 손상된 능력을 향상시킬 것으로 예측되는 활동을 식별하기 위해 사용된다.
식별된 활동은 사회적 상호성을 모니터링하고 개선하기 위한 활동을 포함하는 활동 모드이다. 사회적 상호성을 모니터링하고 개선하기 위한 그러한 활동 모드의 하나의 예는, 유저가 부모 또는 간병인에서 검출되는 얼굴 표정 또는 감정적 단서에 반응하도록 촉구받는, 구조화되지 않은 놀이의 수정이다.
환자 또는 부모 또는 간병인은 수정된 구조화되지 않은 놀이를 선택하여, 디바이스로 하여금 내향 카메라 및 외향 카메라 둘 모두를 활성화하게 하고, 환자가 외향 카메라를 다른 사람을 향해 향하게 하고 환자는 내향 카메라(예를 들면, 셀카 카메라)를 사용할 때, 목표로 하는 개인(예를 들면, 부모)의 얼굴 인식 및 감정 검출/분류를 실시간으로 동적으로 수행하는 그래픽 유저 인터페이스를 디스플레이하게 한다. 환자가 특정한 개인을 향해 카메라를 향하게 하는 경우, 적어도 하나의 감정을 식별하기 위해 개인의 하나 이상의 이미지 또는 비디오가 분석되고, 그래픽 유저 인터페이스는 감정 또는 감정의 표현(예를 들면, 감정을 설명하는 또는 감정에 대응하는 이모티콘 또는 단어)을 나타낸다. 이것은, 카메라를 사용하여 관찰되고 있는 사람에 의해 나타내어지고 있는 감정(들)을 환자가 관찰하고 학습하는 것을 허용한다. 몇몇 경우에, "답변"을 받기 이전에 감정을 식별하려고 시도할 시간을 환자에게 허용하기 위해, 인터페이스 상에서의 감정의 표시에서 지연이 존재한다. 각각의 양성으로 식별된 감정 및 그것의 대응하는 이미지(들)는, 그 다음, 이미지 라이브러리에 저장된다.
목표로 하는 개인의 감정을 검출하는 것 외에도, 디바이스는 목표로 하는 개인의 분석에 시간적으로 근접하여 또는 동시에 환자의 얼굴 표정 및/또는 감정의 이미지 또는 비디오를 캡쳐한다. 환자와 목표로 하는 개인 사이의 사회적 상호 작용은, 두 사람 모두의 결합된 얼굴 표정 및/또는 감정으로서 이러한 방식으로 캡쳐될 수 있다. 개인의 검출된 표정 또는 감정의 타임스탬프는 사회적 상호 작용의 시퀀스를 결정하기 위해 사용되는데, 그 사회적 상호 작용은, 그 다음, 사회적 상호성에 참가하기 위한 환자의 능력에 대해 평가된다. 환자의 성과는 모니터링되고 개인 계정에 연결되어 지속적인 레코딩을 유지한다. 이것은, 환자의 지속적인 평가가, 커스터마이징된 치료 요법을 업데이트하기 위해 사용될 수 있는 업데이트된 진단 차원을 생성하는 것을 허용한다.
하나의 사례에서, 환자는 그에게 미소 짓는 그의 부모에게 전화기를 향하게 한다. 전화기의 디스플레이 화면은, 환자가 그의 부모의 얼굴 표정에 대응하는 감정을 인식하는 것을 돕기 위해 미소 짓는 얼굴의 이모티콘을 실시간으로 디스플레이한다. 또한, 디스플레이 화면은, 옵션 사항으로, 환자가 부모에게 반응할 지침을 제공한다. 환자는 그의 부모에게 미소로 화답하지 않으며, 내향 카메라는 이 반응을 하나 이상의 이미지 또는 비디오에서 캡쳐한다. 그 다음, 사회적 상호 작용의 이미지 및/또는 비디오 및 타임라인 또는 타임스탬프가 찍힌 시퀀스는 디바이스 상에 저장된다(옵션 사항으로, 원격 네트워크 또는 클라우드에 업로드되거나 또는 저장됨). 이 경우, 부모의 미소는 '미소'로 라벨링되고, 환자의 반응 없음은 '반응 없음' 또는 '미소 없음'으로 라벨링된다. 따라서, 이 특정한 사회적 상호 작용은 미소 상호성에 참가하는 데 실패한 것으로 결정된다. 목표로 하는 개인(부모) 및 환자가 "정중한 미소"가 아닌 "진정한" 미소를 표현했는지의 여부에 기초하여 사회적 상호 작용은 추가로 또한 분할될 수 있다. 예를 들면, "미소" 또는 "감정"을 검출하기 위한 본원에서 설명되는 알고리즘 및 분류기는, 실제 미소와 정중한 미소 사이를 구별하도록 트레이닝될 수 있는데, 이들은, 진정한 미소에서의 눈 근육의 관여 및 경찰 미소에서의 눈 근육 관여의 결여에 대응하는 시각적 단서에 기초하여 구별될 수 있다.
본 발명의 바람직한 실시형태가 본원에서 도시되고 설명되었지만, 그러한 실시형태는 단지 예로서 제공된다는 것이 기술 분야의 숙련된 자에게는 명백할 것이다. 이제, 기술 분야의 숙련된 자는, 본 발명을 벗어나지 않으면서, 수많은 변형예, 변경예, 및 대체예를 떠올릴 것이다. 본원에서 설명되는 본 발명의 실시형태에 대한 다양한 대안예가 본 발명을 실시함에 있어서 활용될 수도 있다는 것이 이해되어야 한다. 다음의 청구범위는 본 발명의 범위를 정의한다는 것 및 이들 청구범위 및 그들의 균등물의 범위 내의 방법 및 구조물은, 그에 의해, 포괄되어야 한다는 것이 의도된다.

Claims (21)

  1. 행동 장애(behavioral disorder), 발달 지연(developmental delay), 또는 신경학적 장애(neurologic impairment)와 관련하여 개인을 평가하고 개인에게 치료를 제공하기 위한 디바이스로서,
    프로세서; 및
    컴퓨터 프로그램을 저장하는 비일시적 컴퓨터 판독 가능 매체
    를 포함하되, 상기 컴퓨터 프로그램은, 상기 프로세서로 하여금:
    (a) 상기 행동 장애, 상기 발달 지연, 또는 상기 신경학적 장애에 관련되는 상기 개인에 대한 입력을 수신하게 하도록;
    (b) 상기 행동 장애, 상기 발달 지연, 또는 상기 신경학적 장애를 갖는 복수의 개인으로부터의 데이터를 사용하여 트레이닝되는 상기 컴퓨터 프로그램의 트레이닝된 분류기 모듈을 사용하여 상기 행동 장애, 상기 발달 지연, 또는 상기 신경학적 장애의 존재의 표시를 상기 개인이 갖는다는 것을 결정하게 하도록;
    (c) 상기 컴퓨터 프로그램에 의해 생성되는 머신 러닝 모델을 사용하여, 상기 개인이 상기 존재의 상기 표시를 갖는 상기 행동 장애, 상기 발달 지연, 또는 상기 신경학적 장애가 사회적 상호성(social reciprocity)을 촉진하는 디지털 치료법에 의해 개선될 것이라는 것을 결정하게 하도록;
    (d) 사회적 상호성을 촉진하는 디지털 치료법을 제공하게 하도록;
    (e) 상기 행동 장애, 상기 발달 지연, 또는 상기 신경학적 장애가 상기 디지털 치료법에 의해 개선될 것이라는 것이 결정되는 경우, 상기 개인에게 상기 디지털 치료법을 제공하게 하도록 - 상기 디지털 치료법은 증강 현실 또는 가상 현실 경험을 포함하고, 상기 디지털 치료법은 모바일 컴퓨팅 디바이스에 의해 제공됨 - ; 그리고
    (f) 상기 모바일 컴퓨팅 디바이스의 카메라를 사용하여 상기 증강 현실 또는 가상 현실 경험에서 상기 개인에 의해 상호 작용되는 사람의 비디오 또는 이미지를 획득하게 하도록
    구성되는 것인, 행동 장애, 발달 지연, 또는 신경학적 장애와 관련하여 개인을 평가하고 개인에게 치료를 제공하기 위한 디바이스.
  2. 제1항에 있어서,
    상기 프로세서는 상기 비디오 또는 상기 이미지를 분석하기 위한 이미지 분석 모듈을 사용하여 상기 사람과 관련되는 감정을 결정하기 위한 추가적인 명령어를 가지고 구성되는 것인, 행동 장애, 발달 지연, 또는 신경학적 장애와 관련하여 개인을 평가하고 개인에게 치료를 제공하기 위한 디바이스.
  3. 행동 장애, 발달 지연, 또는 신경학적 장애와 관련하여 개인을 평가하고 개인에게 치료를 제공하기 위한 디바이스로서,
    프로세서; 및
    컴퓨터 프로그램을 저장하는 비일시적 컴퓨터 판독 가능 매체
    를 포함하되, 상기 컴퓨터 프로그램은, 상기 프로세서로 하여금:
    (a) 상기 행동 장애, 상기 발달 지연, 또는 상기 신경학적 장애에 관련되는 상기 개인에 대한 입력을 수신하게 하도록;
    (b) 상기 행동 장애, 상기 발달 지연, 또는 상기 신경학적 장애를 갖는 복수의 개인으로부터의 데이터를 사용하여 트레이닝되는 상기 컴퓨터 프로그램의 트레이닝된 분류기 모듈을 사용하여 상기 행동 장애, 상기 발달 지연, 또는 상기 신경학적 장애의 존재의 표시를 상기 개인이 갖는다는 것을 결정하게 하도록;
    (c) 상기 컴퓨터 프로그램에 의해 생성되는 머신 러닝 모델을 사용하여, 상기 개인이 상기 존재의 상기 표시를 갖는 상기 행동 장애, 상기 발달 지연, 또는 상기 신경학적 장애가 사회적 상호성을 촉진하는 디지털 치료법에 의해 개선될 것이라는 것을 결정하게 하도록;
    (d) 사회적 상호성을 촉진하는 디지털 치료법을 제공하게 하도록;
    (e) 상기 행동 장애, 상기 발달 지연, 또는 상기 신경학적 장애가 상기 디지털 치료법에 의해 개선될 것이라는 것이 결정되는 경우, 상기 개인에게 상기 디지털 치료법을 제공하게 하도록 - 상기 디지털 치료법은 가상 현실 경험을 포함하고, 상기 가상 현실 경험은 디스플레이된 가상의 사람 또는 캐릭터를 포함함 - ;
    (f) 상기 가상 현실 경험 내에서 상기 가상의 사람 또는 캐릭터에 의해 표현되는 감정을 결정하게 하도록
    구성되는 것인, 행동 장애, 발달 지연, 또는 신경학적 장애와 관련하여 개인을 평가하고 개인에게 치료를 제공하기 위한 디바이스.
  4. 제2항에 있어서,
    상기 이미지 분석 모듈은 상기 비디오 또는 이미지 내에서 상기 사람의 얼굴을 검출하기 위한 얼굴 인식 모듈을 포함하는 것인, 행동 장애, 발달 지연, 또는 신경학적 장애와 관련하여 개인을 평가하고 개인에게 치료를 제공하기 위한 디바이스.
  5. 제4항에 있어서,
    상기 이미지 분석 모듈은 상기 얼굴을 상기 감정을 나타내는 것으로서 분류하기 위해 머신 러닝을 사용하여 트레이닝되는 분류기를 포함하는 것인, 행동 장애, 발달 지연, 또는 신경학적 장애와 관련하여 개인을 평가하고 개인에게 치료를 제공하기 위한 디바이스.
  6. 행동 장애, 발달 지연, 또는 신경학적 장애와 관련하여 개인을 평가하고 개인에게 치료를 제공하기 위한 디바이스로서,
    프로세서; 및
    컴퓨터 프로그램을 저장하는 비일시적 컴퓨터 판독 가능 매체
    를 포함하되, 상기 컴퓨터 프로그램은, 상기 프로세서로 하여금:
    (a) 상기 행동 장애, 상기 발달 지연, 또는 상기 신경학적 장애에 관련되는 상기 개인에 대한 입력을 수신하게 하도록;
    (b) 상기 행동 장애, 상기 발달 지연, 또는 상기 신경학적 장애를 갖는 복수의 개인으로부터의 데이터를 사용하여 트레이닝되는 상기 컴퓨터 프로그램의 트레이닝된 분류기 모듈을 사용하여 상기 행동 장애, 상기 발달 지연, 또는 상기 신경학적 장애의 존재의 표시를 상기 개인이 갖는다는 것을 결정하게 하도록;
    (c) 상기 컴퓨터 프로그램에 의해 생성되는 머신 러닝 모델을 사용하여, 상기 개인이 상기 존재의 상기 표시를 갖는 상기 행동 장애, 상기 발달 지연, 또는 상기 신경학적 장애가 사회적 상호성을 촉진하는 디지털 치료법에 의해 개선될 것이라는 것을 결정하게 하도록;
    (d) 사회적 상호성을 촉진하는 디지털 치료법을 제공하게 하도록; 그리고
    (e) 상기 행동 장애, 상기 발달 지연, 또는 상기 신경학적 장애가 상기 디지털 치료법에 의해 개선될 것이라는 것이 결정되는 경우, 상기 개인에게 상기 디지털 치료법을 제공하게 하도록
    구성되고,
    상기 디지털 치료법은 증강 현실 또는 가상 현실 경험을 포함하고, 상기 디지털 치료법은 모바일 컴퓨팅 디바이스에 의해 제공되고,
    상기 모바일 컴퓨팅 디바이스는 스마트폰, 태블릿 컴퓨터, 랩탑, 스마트워치 또는 다른 웨어러블 컴퓨팅 디바이스를 포함하고,
    상기 모바일 컴퓨팅 디바이스는 상기 증강 현실 경험으로부터 오디오를 캡쳐하도록 구성되는 마이크를 포함하는 것인, 행동 장애, 발달 지연, 또는 신경학적 장애와 관련하여 개인을 평가하고 개인에게 치료를 제공하기 위한 디바이스.
  7. 제6항에 있어서,
    상기 프로세서는, 상기 마이크로부터의 사운드를 감정과 관련되는 것으로서 분류하기 위한 추가적인 명령어를 가지고 구성되는 것인, 행동 장애, 발달 지연, 또는 신경학적 장애와 관련하여 개인을 평가하고 개인에게 치료를 제공하기 위한 디바이스.
  8. 제7항에 있어서,
    상기 프로세서는, 상기 개인이 활동 모드에 참가하도록 상기 디지털 치료법과 함께 지침을 제공하기 위한 추가적인 명령어를 가지고 구성되는 것인, 행동 장애, 발달 지연, 또는 신경학적 장애와 관련하여 개인을 평가하고 개인에게 치료를 제공하기 위한 디바이스.
  9. 제8항에 있어서,
    상기 활동 모드는 감정 유도 활동, 감정 인식 활동, 또는 구조화되지 않은 놀이(unstructured play)를 포함하는 것인, 행동 장애, 발달 지연, 또는 신경학적 장애와 관련하여 개인을 평가하고 개인에게 치료를 제공하기 위한 디바이스.
  10. 제9항에 있어서,
    치료제(therapeutic agent)가 상기 디지털 치료법과 함께 상기 개인에게 제공되는 것인, 행동 장애, 발달 지연, 또는 신경학적 장애와 관련하여 개인을 평가하고 개인에게 치료를 제공하기 위한 디바이스.
  11. 제10항에 있어서,
    상기 치료제는 상기 개인이 상기 디지털 치료법을 받는 동안 상기 개인의 인식력(cognition)을 개선시키는 것인, 행동 장애, 발달 지연, 또는 신경학적 장애와 관련하여 개인을 평가하고 개인에게 치료를 제공하기 위한 디바이스.
  12. 디지털 치료법을 사용하여 행동 장애, 발달 지연, 또는 신경학적 장애와 관련하여 개인을 치료하기 위한 컴퓨터 구현 방법으로서,
    (a) 상기 행동 장애, 상기 발달 지연, 또는 상기 신경학적 장애에 관련되는 상기 개인에 대한 입력을 수신하는 단계;
    (b) 트레이닝된 분류기를 사용하여, 상기 행동 장애, 상기 발달 지연, 또는 상기 신경학적 장애를 갖는다는 것의 표시를 상기 개인이 갖는다는 것을 결정하는 단계;
    (c) 머신 러닝 모델을 사용하여, 상기 개인이 갖는다는 것의 표시를 갖는 상기 행동 장애, 상기 발달 지연, 또는 상기 신경학적 장애가 사회적 상호성을 촉진하도록 구성되는 디지털 치료법에 의해 개선될 것이라는 것을 결정하는 단계; 및
    (d) 상기 행동 장애, 상기 발달 지연, 또는 상기 신경학적 장애가 자폐증 또는 자폐 스펙트럼 장애라는 것이 결정되는 경우 상기 개인에게 상기 디지털 치료법을 제공하는 단계 - 상기 디지털 치료법은 증강 현실 또는 가상 현실 경험을 포함하고, 상기 디지털 치료법은 모바일 컴퓨팅 디바이스에 의해 제공됨 - ; 및
    (e) 상기 모바일 컴퓨팅 디바이스의 카메라를 사용하여 상기 증강 현실 경험에서 상기 개인에 의해 상호 작용되는 사람의 비디오 또는 이미지를 획득하는 단계
    를 포함하는, 디지털 치료법을 사용하여 행동 장애, 발달 지연, 또는 신경학적 장애와 관련하여 개인을 치료하기 위한 컴퓨터 구현 방법.
  13. 제12항에 있어서,
    상기 비디오 또는 상기 이미지를 분석하기 위한 이미지 분석 모듈을 사용하여 상기 사람과 관련되는 감정을 결정하는 단계를 더 포함하는, 디지털 치료법을 사용하여 행동 장애, 발달 지연, 또는 신경학적 장애와 관련하여 개인을 치료하기 위한 컴퓨터 구현 방법.
  14. 디지털 치료법을 사용하여 행동 장애, 발달 지연, 또는 신경학적 장애와 관련하여 개인을 치료하기 위한 컴퓨터 구현 방법으로서,
    (a) 상기 행동 장애, 상기 발달 지연, 또는 상기 신경학적 장애에 관련되는 상기 개인에 대한 입력을 수신하는 단계;
    (b) 트레이닝된 분류기를 사용하여, 상기 행동 장애, 상기 발달 지연, 또는 상기 신경학적 장애를 갖는다는 것의 표시를 상기 개인이 갖는다는 것을 결정하는 단계;
    (c) 머신 러닝 모델을 사용하여, 상기 개인이 갖는다는 것의 표시를 갖는 상기 행동 장애, 상기 발달 지연, 또는 상기 신경학적 장애가 사회적 상호성을 촉진하도록 구성되는 디지털 치료법에 의해 개선될 것이라는 것을 결정하는 단계; 및
    (d) 상기 행동 장애, 상기 발달 지연, 또는 상기 신경학적 장애가 자폐증 또는 자폐 스펙트럼 장애라는 것이 결정되는 경우 상기 개인에게 상기 디지털 치료법을 제공하는 단계 - 상기 디지털 치료법은 가상 현실 경험을 포함하고, 상기 가상 현실 경험은 디스플레이되는 가상의 사람 또는 캐릭터를 포함함 - ; 및
    (e) 상기 가상 현실 경험 내에서 상기 가상의 사람 또는 캐릭터에 의해 표현되는 감정을 결정하는 단계
    를 포함하는, 디지털 치료법을 사용하여 행동 장애, 발달 지연, 또는 신경학적 장애와 관련하여 개인을 치료하기 위한 컴퓨터 구현 방법.
  15. 디지털 치료법을 사용하여 행동 장애, 발달 지연, 또는 신경학적 장애와 관련하여 개인을 치료하기 위한 컴퓨터 구현 방법으로서,
    (a) 상기 행동 장애, 상기 발달 지연, 또는 상기 신경학적 장애에 관련되는 상기 개인에 대한 입력을 수신하는 단계;
    (b) 트레이닝된 분류기를 사용하여, 상기 행동 장애, 상기 발달 지연, 또는 상기 신경학적 장애를 갖는다는 것의 표시를 상기 개인이 갖는다는 것을 결정하는 단계;
    (c) 머신 러닝 모델을 사용하여, 상기 개인이 갖는다는 것의 표시를 갖는 상기 행동 장애, 상기 발달 지연, 또는 상기 신경학적 장애가 사회적 상호성을 촉진하도록 구성되는 디지털 치료법에 의해 개선될 것이라는 것을 결정하는 단계; 및
    (d) 상기 행동 장애, 상기 발달 지연, 또는 상기 신경학적 장애가 자폐증 또는 자폐 스펙트럼 장애라는 것이 결정되는 경우 상기 개인에게 상기 디지털 치료법을 제공하는 단계 - 상기 디지털 치료법은 증강 현실 또는 가상 현실 경험을 포함하고, 상기 디지털 치료법은 모바일 컴퓨팅 디바이스에 의해 제공됨 - ; 및
    (e) 상기 모바일 컴퓨팅 디바이스의 카메라를 사용하여 상기 증강 현실 경험에서 상기 개인에 의해 상호 작용되는 사람의 비디오 또는 이미지를 획득하는 단계; 및
    (f) 상기 비디오 또는 상기 이미지를 분석하기 위한 이미지 분석 모듈을 사용하여 상기 사람과 관련되는 감정을 결정하는 단계
    를 포함하고,
    상기 이미지 분석 모듈은 상기 비디오 또는 이미지 내에서 상기 사람의 얼굴을 검출하기 위한 얼굴 인식 모듈을 포함하는 것인, 디지털 치료법을 사용하여 행동 장애, 발달 지연, 또는 신경학적 장애와 관련하여 개인을 치료하기 위한 컴퓨터 구현 방법.
  16. 제15항에 있어서,
    상기 이미지 분석 모듈은 상기 얼굴을 상기 감정을 나타내는 것으로서 분류하기 위해 머신 러닝을 사용하여 트레이닝되는 분류기를 포함하는 것인, 디지털 치료법을 사용하여 행동 장애, 발달 지연, 또는 신경학적 장애와 관련하여 개인을 치료하기 위한 컴퓨터 구현 방법.
  17. 디지털 치료법을 사용하여 행동 장애, 발달 지연, 또는 신경학적 장애와 관련하여 개인을 치료하기 위한 컴퓨터 구현 방법으로서,
    (a) 상기 행동 장애, 상기 발달 지연, 또는 상기 신경학적 장애에 관련되는 상기 개인에 대한 입력을 수신하는 단계;
    (b) 트레이닝된 분류기를 사용하여, 상기 행동 장애, 상기 발달 지연, 또는 상기 신경학적 장애를 갖는다는 것의 표시를 상기 개인이 갖는다는 것을 결정하는 단계;
    (c) 머신 러닝 모델을 사용하여, 상기 개인이 갖는다는 것의 표시를 갖는 상기 행동 장애, 상기 발달 지연, 또는 상기 신경학적 장애가 사회적 상호성을 촉진하도록 구성되는 디지털 치료법에 의해 개선될 것이라는 것을 결정하는 단계; 및
    (d) 상기 행동 장애, 상기 발달 지연, 또는 상기 신경학적 장애가 자폐증 또는 자폐 스펙트럼 장애라는 것이 결정되는 경우 상기 개인에게 상기 디지털 치료법을 제공하는 단계
    를 포함하고,
    상기 디지털 치료법은 증강 현실 또는 가상 현실 경험으로 포함하고,
    상기 디지털 치료법은 모바일 컴퓨팅 디바이스에 의해 제공되고,
    상기 모바일 컴퓨팅 디바이스는 스마트폰, 태블릿 컴퓨터, 랩탑, 스마트워치 또는 다른 웨어러블 컴퓨팅 디바이스를 포함하고,
    상기 모바일 컴퓨팅 디바이스는 상기 증강 현실 경험으로부터 오디오를 캡쳐하도록 구성되는 마이크를 포함하는 것인, 디지털 치료법을 사용하여 행동 장애, 발달 지연, 또는 신경학적 장애와 관련하여 개인을 치료하기 위한 컴퓨터 구현 방법.
  18. 제17항에 있어서,
    (e) 상기 마이크로부터의 사운드를 감정과 관련되는 것으로서 분류하는 단계를 더 포함하는, 디지털 치료법을 사용하여 행동 장애, 발달 지연, 또는 신경학적 장애와 관련하여 개인을 치료하기 위한 컴퓨터 구현 방법.
  19. 제18항에 있어서,
    (f) 상기 개인이 활동 모드에 참가하도록 상기 디지털 치료법과 함께 지침을 제공하는 단계를 더 포함하는, 디지털 치료법을 사용하여 행동 장애, 발달 지연, 또는 신경학적 장애와 관련하여 개인을 치료하기 위한 컴퓨터 구현 방법.
  20. 제19항에 있어서,
    상기 활동 모드는 감정 유도 활동, 감정 인식 활동, 또는 구조화되지 않은 놀이를 포함하는 것인, 디지털 치료법을 사용하여 행동 장애, 발달 지연, 또는 신경학적 장애와 관련하여 개인을 치료하기 위한 컴퓨터 구현 방법.
  21. 디지털 치료법을 사용하여 행동 장애, 발달 지연, 또는 신경학적 장애와 관련하여 개인을 치료하기 위한 컴퓨터 구현 방법으로서,
    (a) 상기 행동 장애, 상기 발달 지연, 또는 상기 신경학적 장애에 관련되는 상기 개인에 대한 입력을 수신하는 단계;
    (b) 트레이닝된 분류기를 사용하여, 상기 행동 장애, 상기 발달 지연, 또는 상기 신경학적 장애를 갖는다는 것의 표시를 상기 개인이 갖는다는 것을 결정하는 단계;
    (c) 머신 러닝 모델을 사용하여, 상기 개인이 갖는다는 것의 표시를 갖는 상기 행동 장애, 상기 발달 지연, 또는 상기 신경학적 장애가 사회적 상호성을 촉진하도록 구성되는 디지털 치료법에 의해 개선될 것이라는 것을 결정하는 단계;
    (d) 상기 행동 장애, 상기 발달 지연, 또는 상기 신경학적 장애가 자폐증 또는 자폐 스펙트럼 장애라는 것이 결정되는 경우 상기 개인에게 상기 디지털 치료법을 제공하는 단계; 및
    (e) 상기 디지털 치료법과 함께 치료제를 제공하는 단계
    를 포함하고,
    상기 치료제는 상기 개인이 상기 디지털 치료법을 받는 동안 상기 개인의 인식력을 개선시키는 것인, 디지털 치료법을 사용하여 행동 장애, 발달 지연, 또는 신경학적 장애와 관련하여 개인을 치료하기 위한 컴퓨터 구현 방법.
KR1020247006691A 2019-03-22 2020-03-20 개인 맞춤식 디지털 치료 방법 및 디바이스 KR20240031439A (ko)

Applications Claiming Priority (4)

Application Number Priority Date Filing Date Title
US201962822186P 2019-03-22 2019-03-22
US62/822,186 2019-03-22
PCT/US2020/024029 WO2020198065A1 (en) 2019-03-22 2020-03-20 Personalized digital therapy methods and devices
KR1020217034098A KR102643554B1 (ko) 2019-03-22 2020-03-20 개인 맞춤식 디지털 치료 방법 및 디바이스

Related Parent Applications (1)

Application Number Title Priority Date Filing Date
KR1020217034098A Division KR102643554B1 (ko) 2019-03-22 2020-03-20 개인 맞춤식 디지털 치료 방법 및 디바이스

Publications (1)

Publication Number Publication Date
KR20240031439A true KR20240031439A (ko) 2024-03-07

Family

ID=72611769

Family Applications (2)

Application Number Title Priority Date Filing Date
KR1020247006691A KR20240031439A (ko) 2019-03-22 2020-03-20 개인 맞춤식 디지털 치료 방법 및 디바이스
KR1020217034098A KR102643554B1 (ko) 2019-03-22 2020-03-20 개인 맞춤식 디지털 치료 방법 및 디바이스

Family Applications After (1)

Application Number Title Priority Date Filing Date
KR1020217034098A KR102643554B1 (ko) 2019-03-22 2020-03-20 개인 맞춤식 디지털 치료 방법 및 디바이스

Country Status (12)

Country Link
US (2) US11176444B2 (ko)
EP (1) EP3941340A4 (ko)
JP (1) JP7491943B2 (ko)
KR (2) KR20240031439A (ko)
CN (1) CN113873935A (ko)
AU (1) AU2020248351A1 (ko)
BR (1) BR112021018770A2 (ko)
CA (1) CA3134521A1 (ko)
CO (1) CO2021013982A2 (ko)
IL (1) IL286595A (ko)
MX (1) MX2021011493A (ko)
WO (1) WO2020198065A1 (ko)

Families Citing this family (77)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11972336B2 (en) 2015-12-18 2024-04-30 Cognoa, Inc. Machine learning platform and system for data analysis
US20210142047A1 (en) * 2018-09-06 2021-05-13 Every Life Works, LLC Salient feature extraction using neural networks with temporal modeling for real time incorporation (sentri) autism aide
CA3134521A1 (en) 2019-03-22 2020-10-01 Cognoa, Inc. Personalized digital therapy methods and devices
US11433276B2 (en) 2019-05-10 2022-09-06 Rehab2Fit Technologies, Inc. Method and system for using artificial intelligence to independently adjust resistance of pedals based on leg strength
US11957956B2 (en) 2019-05-10 2024-04-16 Rehab2Fit Technologies, Inc. System, method and apparatus for rehabilitation and exercise
US11957960B2 (en) 2019-05-10 2024-04-16 Rehab2Fit Technologies Inc. Method and system for using artificial intelligence to adjust pedal resistance
US11904207B2 (en) 2019-05-10 2024-02-20 Rehab2Fit Technologies, Inc. Method and system for using artificial intelligence to present a user interface representing a user's progress in various domains
US20210042568A1 (en) * 2019-06-03 2021-02-11 William C. Meysing Pattern model assembly
US11896540B2 (en) 2019-06-24 2024-02-13 Rehab2Fit Technologies, Inc. Method and system for implementing an exercise protocol for osteogenesis and/or muscular hypertrophy
US20210043106A1 (en) * 2019-08-08 2021-02-11 COGNITIVEBOTICS Technologies Pvt. Ltd. Technology based learning platform for persons having autism
US11071597B2 (en) 2019-10-03 2021-07-27 Rom Technologies, Inc. Telemedicine for orthopedic treatment
US11978559B2 (en) 2019-10-03 2024-05-07 Rom Technologies, Inc. Systems and methods for remotely-enabled identification of a user infection
US11955222B2 (en) 2019-10-03 2024-04-09 Rom Technologies, Inc. System and method for determining, based on advanced metrics of actual performance of an electromechanical machine, medical procedure eligibility in order to ascertain survivability rates and measures of quality-of-life criteria
US11069436B2 (en) 2019-10-03 2021-07-20 Rom Technologies, Inc. System and method for use of telemedicine-enabled rehabilitative hardware and for encouraging rehabilitative compliance through patient-based virtual shared sessions with patient-enabled mutual encouragement across simulated social networks
US11915815B2 (en) 2019-10-03 2024-02-27 Rom Technologies, Inc. System and method for using artificial intelligence and machine learning and generic risk factors to improve cardiovascular health such that the need for additional cardiac interventions is mitigated
US11961603B2 (en) 2019-10-03 2024-04-16 Rom Technologies, Inc. System and method for using AI ML and telemedicine to perform bariatric rehabilitation via an electromechanical machine
US11955220B2 (en) 2019-10-03 2024-04-09 Rom Technologies, Inc. System and method for using AI/ML and telemedicine for invasive surgical treatment to determine a cardiac treatment plan that uses an electromechanical machine
US11887717B2 (en) 2019-10-03 2024-01-30 Rom Technologies, Inc. System and method for using AI, machine learning and telemedicine to perform pulmonary rehabilitation via an electromechanical machine
US11101028B2 (en) 2019-10-03 2021-08-24 Rom Technologies, Inc. Method and system using artificial intelligence to monitor user characteristics during a telemedicine session
US11955221B2 (en) 2019-10-03 2024-04-09 Rom Technologies, Inc. System and method for using AI/ML to generate treatment plans to stimulate preferred angiogenesis
US11915816B2 (en) 2019-10-03 2024-02-27 Rom Technologies, Inc. Systems and methods of using artificial intelligence and machine learning in a telemedical environment to predict user disease states
US11955223B2 (en) 2019-10-03 2024-04-09 Rom Technologies, Inc. System and method for using artificial intelligence and machine learning to provide an enhanced user interface presenting data pertaining to cardiac health, bariatric health, pulmonary health, and/or cardio-oncologic health for the purpose of performing preventative actions
US11923065B2 (en) 2019-10-03 2024-03-05 Rom Technologies, Inc. Systems and methods for using artificial intelligence and machine learning to detect abnormal heart rhythms of a user performing a treatment plan with an electromechanical machine
US11075000B2 (en) 2019-10-03 2021-07-27 Rom Technologies, Inc. Method and system for using virtual avatars associated with medical professionals during exercise sessions
US11826613B2 (en) 2019-10-21 2023-11-28 Rom Technologies, Inc. Persuasive motivation for orthopedic treatment
US20210125065A1 (en) * 2019-10-25 2021-04-29 Affectiva, Inc. Deep learning in situ retraining
CN115023763A (zh) * 2019-12-04 2022-09-06 威尔德康股份有限公司 数字疗法系统和方法
US11748456B2 (en) * 2019-12-05 2023-09-05 Sony Interactive Entertainment Inc. Secure access to shared digital content
US20210174933A1 (en) * 2019-12-09 2021-06-10 Social Skills Training Pty Ltd Social-Emotional Skills Improvement
US11646106B1 (en) * 2020-01-15 2023-05-09 Walgreen Co. Intelligent multi-party remote care system
US11610079B2 (en) * 2020-01-31 2023-03-21 Salesforce.Com, Inc. Test suite for different kinds of biases in data
US11157823B2 (en) * 2020-02-04 2021-10-26 Vignet Incorporated Predicting outcomes of digital therapeutics and other interventions in clinical research
US11538355B2 (en) * 2020-03-24 2022-12-27 Panasonic Intellectual Property Management Co., Ltd. Methods and systems for predicting a condition of living-being in an environment
US11727209B2 (en) * 2020-04-27 2023-08-15 Adobe Inc. Systems for role classification
US11461216B1 (en) 2020-05-18 2022-10-04 Vignet Incorporated Monitoring and improving data collection using digital health technology
US11605038B1 (en) 2020-05-18 2023-03-14 Vignet Incorporated Selecting digital health technology to achieve data collection compliance in clinical trials
US11102304B1 (en) 2020-05-22 2021-08-24 Vignet Incorporated Delivering information and value to participants in digital clinical trials
JP2022018415A (ja) * 2020-07-15 2022-01-27 キヤノンメディカルシステムズ株式会社 医用データ処理装置及び方法
US20220102004A1 (en) * 2020-09-28 2022-03-31 Susan L. Abend Patient monitoring, reporting and tracking system
GB202017793D0 (en) * 2020-11-11 2020-12-23 Univ Of Huddersfield Clinical diagnosis of attention deficit hyperactivity disorder (ADHD) in adults
CN112331337B (zh) * 2021-01-04 2021-04-16 中国科学院自动化研究所 自动抑郁检测方法、装置、设备
WO2022155251A1 (en) * 2021-01-12 2022-07-21 Rom Technologies, Inc. Method and system for using artificial intelligence and machine learning to provide recommendations to a healthcare provider in real-time during a telemedicine session
US20220238205A1 (en) * 2021-01-27 2022-07-28 Solsten, Inc. Systems and methods to provide a digital experience adapted based on a subject selection to effect particular attributes
CN112560811B (zh) * 2021-02-19 2021-07-02 中国科学院自动化研究所 端到端的音视频抑郁症自动检测研究方法
US20220293241A1 (en) * 2021-03-12 2022-09-15 Facebook Technologies, Llc Systems and methods for signaling cognitive-state transitions
CA3113414A1 (en) * 2021-03-29 2022-09-29 Mind Cure Health Inc. Psychedelics protocol computer systems and methods
WO2022232323A1 (en) * 2021-04-27 2022-11-03 Empathy Rocks, Inc. System and method for increasing effective communication through evaluation of multimodal data, auto-correction and behavioral suggestions based on models from evidence-based counseling, motivational interviewing, and empathy
CN113269079B (zh) * 2021-05-20 2024-01-05 北京阿叟阿巴科技有限公司 基于视频层次化比对分析和等级行为范式的儿童孤独症早期评估装置及系统
DE102021205548A1 (de) * 2021-05-31 2022-12-01 VitaFluence.ai GmbH Softwarebasiertes, sprachbetriebenes und objektives Diagnosewerkzeug zur Verwendung in der Diagnose einer chronischen neurologischen Störung
WO2022261593A1 (en) * 2021-06-11 2022-12-15 Hume AI Inc. Empathic artificial intelligence systems
US11756671B2 (en) * 2021-07-01 2023-09-12 Koa Health Digital Solutions S.L.U. Administering exposure treatments of a cognitive behavioral therapy using a smartphone app
CN115705923A (zh) * 2021-08-09 2023-02-17 伊莫克有限公司 用于改善轻度认识障碍患者症状的训练程序的构建方法及系统
CN113808698B (zh) * 2021-08-09 2023-06-09 北京智精灵科技有限公司 计算机化社会适应训练方法及系统
CN113571159A (zh) * 2021-08-11 2021-10-29 上海市第一人民医院 一种基于人工智能的孤独症谱系障碍儿童康复护理系统
US11663790B2 (en) * 2021-08-18 2023-05-30 Optum, Inc. Dynamic triggering of augmented reality assistance mode functionalities
US20230063681A1 (en) * 2021-08-25 2023-03-02 Sony Interactive Entertainment Inc. Dynamic augmentation of stimuli based on profile of user
US20230078072A1 (en) * 2021-08-26 2023-03-16 Kihealthconcepts Llc System For Treating Neurological Drive Dysfunction
WO2023042971A1 (ko) * 2021-09-17 2023-03-23 월든디티 주식회사 월경장애를 예측하고 관리하기 위한 방법 및 디지털 치료제
US11544627B1 (en) * 2021-09-22 2023-01-03 Broadridge Financial Solutions, Inc. Machine learning-based methods and systems for modeling user-specific, activity specific engagement predicting scores
WO2023048548A1 (ko) * 2021-09-27 2023-03-30 (주)이모티브 학습 기반 사용자 맞춤형 인지 모델을 이용하여, 인지검사 태스크를 대체 수행하는 인지모델 기반의 인지 상태 평가 시스템
US20230123473A1 (en) * 2021-10-19 2023-04-20 Boston Scientific Neuromodulation Corporation Deep brain stimulation video programming platform with algorithms
CN114038552A (zh) * 2021-11-09 2022-02-11 北京康安启元科技有限公司 一种asd筛查与辅助诊断系统、方法、装置及电子设备
WO2023110678A1 (en) * 2021-12-13 2023-06-22 Essilor International Method for determining a level of certainty of a patient's response to a stimulus perception of a subjective medical test and a device therefore
WO2023113553A1 (ko) * 2021-12-17 2023-06-22 주식회사 마인드허브 클라우드 서버 기반의 인지 또는 언어 재활 훈련을 위한 컨텐츠 제공 방법
US20230238114A1 (en) * 2022-01-25 2023-07-27 Yiftah Frechter Applied behavioral therapy apparatus and method
WO2023164292A1 (en) * 2022-02-28 2023-08-31 Rom Technologies, Inc. Systems and methods of using artificial intelligence and machine learning in a telemedical environment to predict user disease states
US20230317246A1 (en) * 2022-04-01 2023-10-05 BeMe Health, Inc. System and method for facilitating mental health assessment and enhancing mental health via facial recognition
US20230356059A1 (en) * 2022-05-04 2023-11-09 Rom Technologies, Inc. Systems and methods for using smart exercise devices to perform cardiovascular rehabilitation
WO2023245252A1 (en) * 2022-06-22 2023-12-28 Vimbal Enterprises Pty Ltd Methods and apparatus for enhancing human cognition
KR102543681B1 (ko) * 2022-07-26 2023-06-16 주식회사 에스씨이코리아 Ai를 이용한 접근성 검증 시스템
CN115086078B (zh) * 2022-07-26 2024-05-03 中诚华隆计算机技术有限公司 一种终端验证方法及装置
CN115445047A (zh) * 2022-08-25 2022-12-09 石海龙 一种注意力训练终端及注意力训练服务器
US20240112810A1 (en) * 2022-09-30 2024-04-04 SALT LabSystem Limited System for performing arabic aphasia tests on a patient
IL304342B1 (en) * 2023-07-09 2024-05-01 Ichilov Tech Ltd System and method for treating involuntary convulsions in a patient
KR102656727B1 (ko) * 2023-08-04 2024-04-12 웰트 주식회사 모듈식 디지털 치료 프레임워크를 통해 디지털 치료제를 개발하는 방법 및 이러한 방법을 사용하는 장치
KR102645476B1 (ko) * 2023-11-02 2024-03-08 주식회사 키블 발달 수준에 따른 치료 콘텐츠 제공 시스템
CN117648572B (zh) * 2024-01-30 2024-04-05 西南石油大学 基于虚拟现实和集成学习的认知评估方法和系统

Family Cites Families (150)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US4860214A (en) 1987-01-22 1989-08-22 Ricoh Company, Ltd. Inference system
JPH0820284B2 (ja) 1989-10-23 1996-03-04 株式会社小松製作所 故障診断装置
US6186145B1 (en) * 1994-05-23 2001-02-13 Health Hero Network, Inc. Method for diagnosis and treatment of psychological and emotional conditions using a microprocessor-based virtual reality simulator
US5377258A (en) 1993-08-30 1994-12-27 National Medical Research Council Method and apparatus for an automated and interactive behavioral guidance system
WO1995021419A1 (en) 1994-02-01 1995-08-10 The Board Of Governors For Higher Education, State Of Rhode Island And Providence Plantations An expert system intervention for smoking cessation
ES2152548T3 (es) 1995-07-25 2001-02-01 Horus Therapeutics Inc Metodos asistidos por ordenador para diagnosticar enfermedades.
BR9713661A (pt) 1996-12-30 2000-10-24 Battelle Memorial Institute Formulação e método para o tratamento de neoplasmas por inalação
US6425764B1 (en) * 1997-06-09 2002-07-30 Ralph J. Lamson Virtual reality immersion therapy for treating psychological, psychiatric, medical, educational and self-help problems
JP3226097B2 (ja) 1999-07-21 2001-11-05 尚哉 宮野 処置データ推定方法及び処置データ推定システム
CA2398823A1 (en) 2000-02-14 2001-08-23 First Opinion Corporation Automated diagnostic system and method
AU2001250844A1 (en) 2000-03-15 2001-09-24 Stephen Faris Apparatus for and method of assessing, monitoring, and reporting on behavioral health disorders
US7043439B2 (en) 2000-03-29 2006-05-09 Canon Kabushiki Kaisha Machine interface
US7765113B2 (en) 2000-06-02 2010-07-27 Qualitymetric, Inc. Method and system for health assessment and monitoring
AU6831801A (en) 2000-06-12 2001-12-24 Previsor Inc Computer-implemented system for human resources management
US20020035486A1 (en) 2000-07-21 2002-03-21 Huyn Nam Q. Computerized clinical questionnaire with dynamically presented questions
WO2002013095A2 (en) 2000-08-03 2002-02-14 Unicru, Inc. Electronic employee selection systems and methods
US7095979B2 (en) 2001-04-20 2006-08-22 Educational Testing Service Method of evaluation fit of raw data to model data
US6957202B2 (en) 2001-05-26 2005-10-18 Hewlett-Packard Development Company L.P. Model selection for decision support systems
US20030032069A1 (en) 2001-06-29 2003-02-13 Muraca Patrick J. Evaluating neuropshychiatric diseases using a specimen-linked database
EP2275959A3 (en) 2001-07-11 2011-04-06 CNS Response, Inc. Method of screening a therapeutic agent for therapeutic effectiveness
JP4334793B2 (ja) 2001-09-28 2009-09-30 太田 美津枝 選択支援演算装置
US7052277B2 (en) 2001-12-14 2006-05-30 Kellman A.C.T. Services, Inc. System and method for adaptive learning
AU2003206396A1 (en) 2002-01-04 2003-07-24 Canswers Llc Systems and methods for predicting disease behavior
US20120245211A1 (en) 2002-06-04 2012-09-27 Children's Hospital Medical Center Methods of Treating Cognitive Dysfunction by Modulating Brain Energy Metabolism
US7155421B1 (en) 2002-10-16 2006-12-26 Sprint Spectrum L.P. Method and system for dynamic variation of decision tree architecture
US7244230B2 (en) 2002-11-08 2007-07-17 Siemens Medical Solutions Usa, Inc. Computer aided diagnostic assistance for medical imaging
US20040103001A1 (en) 2002-11-26 2004-05-27 Mazar Scott Thomas System and method for automatic diagnosis of patient health
US20040197750A1 (en) * 2003-04-01 2004-10-07 Donaher Joseph G. Methods for computer-assisted role-playing of life skills simulations
US20050176057A1 (en) 2003-09-26 2005-08-11 Troy Bremer Diagnostic markers of mood disorders and methods of use thereof
US7289958B2 (en) 2003-10-07 2007-10-30 Texas Instruments Incorporated Automatic language independent triphone training using a phonetic table
US20050142524A1 (en) 2003-11-10 2005-06-30 Simon Ely S. Standardized cognitive and behavioral screening tool
US6973375B2 (en) 2004-02-12 2005-12-06 Mykrolis Corporation System and method for flow monitoring and control
US20050187802A1 (en) 2004-02-13 2005-08-25 Koeppel Harvey R. Method and system for conducting customer needs, staff development, and persona-based customer routing analysis
US20050197988A1 (en) 2004-02-17 2005-09-08 Bublitz Scott T. Adaptive survey and assessment administration using Bayesian belief networks
US20050209785A1 (en) 2004-02-27 2005-09-22 Wells Martin D Systems and methods for disease diagnosis
US20050216243A1 (en) 2004-03-02 2005-09-29 Simon Graham Computer-simulated virtual reality environments for evaluation of neurobehavioral performance
US20050260549A1 (en) 2004-05-19 2005-11-24 Feierstein Roslyn E Method of analyzing question responses to select among defined possibilities and means of accomplishing same
US7835922B2 (en) 2004-07-08 2010-11-16 Astrazeneca Ab Diagnostic system and method
US7223234B2 (en) 2004-07-10 2007-05-29 Monitrix, Inc. Apparatus for determining association variables
US20090083075A1 (en) 2004-09-02 2009-03-26 Cornell University System and method for analyzing medical data to determine diagnosis and treatment
US20060059145A1 (en) 2004-09-02 2006-03-16 Claudia Henschke System and method for analyzing medical data to determine diagnosis and treatment
US20070207449A1 (en) 2005-05-19 2007-09-06 Feierstein Roslyn E Method of analyzing question responses to select among defined possibilities and means of accomplishing same
US7624030B2 (en) 2005-05-20 2009-11-24 Carlos Feder Computer-implemented medical analytics method and system employing a modified mini-max procedure
US20090182578A1 (en) 2005-06-02 2009-07-16 Sam Ozersky System and Method for Mental Health Disease management
CA2544324A1 (en) 2005-06-10 2006-12-10 Unicru, Inc. Employee selection via adaptive assessment
US20070118399A1 (en) 2005-11-22 2007-05-24 Avinash Gopal B System and method for integrated learning and understanding of healthcare informatics
JP4931447B2 (ja) 2006-03-17 2012-05-16 株式会社マザー＆チャイルド 診断及び保育支援システム
GB0613832D0 (en) * 2006-07-12 2006-08-23 Univ Keele Virtual human interaction system
JP2008021212A (ja) 2006-07-14 2008-01-31 Fuji Xerox Co Ltd アンケート装置及びプログラム
US20090088981A1 (en) 2007-04-26 2009-04-02 Neville Thomas B Methods And Systems Of Dynamic Screening Of Disease
EP2145310A4 (en) 2007-04-30 2013-04-24 Clinical Decision Support Llc SYSTEM AND METHOD FOR COMPUTERIZED DIAGNOSTIC ARBITRATOR AND MEDICAL ADVICE
US8712748B2 (en) 2007-06-27 2014-04-29 Roche Diagnostics Operations, Inc. Medical diagnosis, therapy, and prognosis system for invoked events and methods thereof
US20090016559A1 (en) 2007-07-12 2009-01-15 Renee Michelle Cleary Telecommunication and electronic devices holding apparatus and methods
EP2218019A4 (en) 2007-11-02 2012-04-18 Hunch Inc INTERACTIVE AUTOMATIC LEARNING ADVICE INSTALLATION
US8666909B2 (en) 2007-11-02 2014-03-04 Ebay, Inc. Interestingness recommendations in a computing advice facility
CN101499078A (zh) 2008-02-03 2009-08-05 黄林 用于查询个性化医药保健信息的人机对话系统及方案
WO2009103156A1 (en) 2008-02-20 2009-08-27 Mcmaster University Expert system for determining patient treatment response
WO2009117525A1 (en) 2008-03-18 2009-09-24 Jones International, Ltd. Assessment-driven cognition system
WO2009120991A2 (en) 2008-03-27 2009-10-01 Medtronic, Inc. Pharmacokinetic and pharmacodynamic tools to define patient specific therapeutic regimens
US9779213B2 (en) 2008-07-25 2017-10-03 Fundacao D. Anna Sommer Champalimaud E Dr. Carlos Montez Champalimaud System for evaluating a pathological stage of prostate cancer
ES2795036T3 (es) 2008-07-25 2020-11-20 Fund D Anna Sommer Champalimaud E Dr Carlos Montez Champalimaud Sistemas y métodos para tratar, diagnosticar y predecir la aparición de una afección médica
US8380531B2 (en) 2008-07-25 2013-02-19 Invivodata, Inc. Clinical trial endpoint development process
US8024332B2 (en) 2008-08-04 2011-09-20 Microsoft Corporation Clustering question search results based on topic and focus
US8423492B2 (en) 2009-01-12 2013-04-16 Alphatrac, Inc. Predictive prompting and decision outcome
EP2389187B1 (en) 2009-01-20 2016-11-16 Los Angeles Biomedical Research Institute at Harbor-UCLA Medical Center Sorbic and benzoic acid and derivatives thereof enhance the activity of a neuropharmaceutical
WO2010107568A1 (en) 2009-03-17 2010-09-23 Emory University Internet-based cognitive diagnostics using visual paired comparison task
US10512769B2 (en) * 2009-03-20 2019-12-24 Electrocore, Inc. Non-invasive magnetic or electrical nerve stimulation to treat or prevent autism spectrum disorders and other disorders of psychological development
EP2414824B1 (en) 2009-04-01 2017-12-06 Vindrauga Holdings, LLC Biomarkers for monitoring treatment of neuropsychiatric diseases
US20110202486A1 (en) 2009-07-21 2011-08-18 Glenn Fung Healthcare Information Technology System for Predicting Development of Cardiovascular Conditions
US11562323B2 (en) 2009-10-01 2023-01-24 DecisionQ Corporation Application of bayesian networks to patient screening and treatment
AU2011207344B2 (en) 2010-01-21 2015-05-21 Asthma Signals, Inc. Early warning method and system for chronic disease management
US20120004925A1 (en) 2010-06-30 2012-01-05 Microsoft Corporation Health care policy development and execution
US20130178731A1 (en) 2010-08-13 2013-07-11 Children's Medical Center Corporation Methods and apparatus for risk assessment of developmental disorders during early cognitive development
US20120102405A1 (en) 2010-10-25 2012-04-26 Evidence-Based Solutions, Inc. System and method for matching person-specific data with evidence resulting in recommended actions
US20120101852A1 (en) 2010-10-25 2012-04-26 Hartford Fire Insurance Company System and method for determining insurance adjustments based on a life event
US20120108909A1 (en) * 2010-11-03 2012-05-03 HeadRehab, LLC Assessment and Rehabilitation of Cognitive and Motor Functions Using Virtual Reality
CA2821908C (en) 2010-12-16 2018-09-18 Autism Biotech Limited Novel biomarker and uses thereof in diagnosis, treatment of autism
US9708366B2 (en) * 2011-01-27 2017-07-18 Neuren Pharmaceuticals Ltd. Treatment of fragile X syndrome using glycyl-L-2-methylprolyl-L-glutamate
WO2012116334A2 (en) 2011-02-24 2012-08-30 Patient Tools, Inc. Methods and systems for assessing latent traits using probabilistic scoring
CN107088225A (zh) 2011-03-11 2017-08-25 阿米库斯治疗学公司 治疗法布里病的给药方案
EP2707504A1 (en) 2011-05-10 2014-03-19 Nestec S.A. Methods of disease activity profiling for personalized therapy management
US20140074848A1 (en) 2011-05-13 2014-03-13 Reflect Career Partners Oy Dynamic framework for psychometric testing
US9305059B1 (en) 2011-06-21 2016-04-05 The University Of North Carolina At Chapel Hill Methods, systems, and computer readable media for dynamically selecting questions to be presented in a survey
CN104254863B (zh) 2011-10-24 2019-02-19 哈佛大学校长及研究员协会 通过人工智能和移动健康技术、在不损害准确性的情况下对病症进行增强诊断
US9536052B2 (en) 2011-10-28 2017-01-03 Parkland Center For Clinical Innovation Clinical predictive and monitoring system and method
WO2013071285A1 (en) 2011-11-11 2013-05-16 Rutgers, The State University Of New Jersey Methods for the diagnosis and treatment of neurological disorders
US8792974B2 (en) 2012-01-18 2014-07-29 Brainscope Company, Inc. Method and device for multimodal neurological evaluation
US10039777B2 (en) 2012-03-20 2018-08-07 Neuro-Lm Sas Methods and pharmaceutical compositions of the treatment of autistic syndrome disorders
US9471872B2 (en) 2012-06-29 2016-10-18 International Business Machines Corporation Extension to the expert conversation builder
US20140052474A1 (en) 2012-08-16 2014-02-20 Ginger.oi, Inc Method for modeling behavior and health changes
US9600711B2 (en) 2012-08-29 2017-03-21 Conduent Business Services, Llc Method and system for automatically recognizing facial expressions via algorithmic periocular localization
WO2014042942A1 (en) 2012-09-13 2014-03-20 Parkland Health & Hospital System Clinical dashboard user interface system and method
US20160046990A1 (en) 2012-10-04 2016-02-18 Lineagen, Inc. Genetic markers associated with asd and other childhood developmental delay disorders
US20140122109A1 (en) 2012-10-29 2014-05-01 Consuli, Inc. Clinical diagnosis objects interaction
PE20151413A1 (es) 2012-11-21 2015-10-23 Ptc Therapeutics Inc Inhibidores de bmi-1 de pirimidina inversa sustituida
KR20140099569A (ko) * 2013-01-31 2014-08-13 대구가톨릭대학교산학협력단 소아정신질환 검사 및 치료 시스템 및 소아정신질환 검사 및 치료 방법
US11961624B2 (en) * 2013-03-15 2024-04-16 James Paul Smurro Augmenting clinical intelligence with federated learning, imaging analytics and outcomes decision support
US20150080671A1 (en) 2013-05-29 2015-03-19 Technical University Of Denmark Sleep Spindles as Biomarker for Early Detection of Neurodegenerative Disorders
US9536053B2 (en) 2013-06-26 2017-01-03 WellDoc, Inc. Systems and methods for managing medication adherence
US20150004588A1 (en) 2013-06-28 2015-01-01 William Marsh Rice University Test Size Reduction via Sparse Factor Analysis
US20160209428A1 (en) 2013-08-21 2016-07-21 The Regents Of The University Of California Diagnostic and predictive metabolite patterns for disorders affecting the brain and nervous system
CN103473631B (zh) 2013-08-26 2017-09-26 无锡同仁（国际）康复医院 康复治疗管理系统
US10405786B2 (en) 2013-10-09 2019-09-10 Nedim T. SAHIN Systems, environment and methods for evaluation and management of autism spectrum disorder using a wearable data collection device
US11315694B2 (en) 2013-12-02 2022-04-26 Ceresti Health, Inc. System and method for reducing acute incident risk
CN103714261B (zh) 2014-01-14 2017-02-15 吉林大学 二阶段混合模型的智能辅助医疗决策支持方法
KR20150087447A (ko) * 2014-01-20 2015-07-30 한국전자통신연구원 발달장애 아동을 위한 지능형 케어 시스템 및 그 방법
WO2016004111A1 (en) 2014-06-30 2016-01-07 Cerora, Inc. System and methods for the synchronization of a non-real time operating system pc to a remote real-time data collecting microcontroller
US20160180248A1 (en) 2014-08-21 2016-06-23 Peder Regan Context based learning
JP6986262B2 (ja) 2014-11-14 2021-12-22 ゾール メディカル コーポレイションZOLL Medical Corporation 医療前兆イベント予測のシステムおよび当該システムを操作するための方法
US10510265B2 (en) 2014-11-14 2019-12-17 Hi.Q, Inc. System and method for determining and using knowledge about human health
JP2015228202A (ja) 2015-01-06 2015-12-17 株式会社Ｕｂｉｃ 判断システム、判断方法、及び判断プログラム
CN104504297A (zh) 2015-01-21 2015-04-08 甘肃百合物联科技信息有限公司 一种利用神经网络的高血压预测方法
WO2016167741A1 (en) 2015-04-14 2016-10-20 Ohio State Innovation Foundation Method of generating an adaptive partial report and apparatus for implementing the same
US10285638B2 (en) 2015-06-02 2019-05-14 Continuous Precision Medicine Methods and systems for medication monitoring
CN108351862B (zh) 2015-08-11 2023-08-22 科格诺亚公司 利用人工智能和用户输入来确定发育进展的方法和装置
US20170091423A1 (en) 2015-09-30 2017-03-30 International Business Machines Corporation Personalized Health Care Plan Creation Based on Historical Analysis of Health Care Plan Performance
JP6562355B2 (ja) 2015-12-02 2019-08-21 パナソニックＩｐマネジメント株式会社 探索支援方法、探索支援装置、及び、プログラム
CN108780663B (zh) * 2015-12-18 2022-12-13 科格诺亚公司 数字个性化医学平台和系统
US20170262609A1 (en) 2016-03-08 2017-09-14 Lyra Health, Inc. Personalized adaptive risk assessment service
JP6815486B2 (ja) * 2016-05-06 2021-01-20 ザ ボード オブ トラスティーズ オブ ザ レランド スタンフォード ジュニア ユニバーシティー 精神障害の療法のためのモバイルおよびウェアラブルビデオ捕捉およびフィードバックプラットフォーム
WO2018005814A1 (en) * 2016-06-29 2018-01-04 The University Of North Carolina At Chapel Hill Methods, systems, and computer readable media for utilizing functional connectivity brain imaging for diagnosis of a neurobehavioral disorder
CN109788901B (zh) 2016-07-25 2024-01-02 奇跃公司 光场处理器系统
CN117198277A (zh) 2016-08-12 2023-12-08 奇跃公司 单词流注释
US10311645B1 (en) 2016-10-14 2019-06-04 Floreo, Inc. Methods and systems for treating autism
EP3539033A4 (en) 2016-11-14 2020-06-03 Cognoa, Inc. METHOD AND DEVICE FOR EVALUATING DEVELOPMENT FAULTS AND CHECKING COVERAGE AND RELIABILITY
KR20180065709A (ko) * 2016-12-08 2018-06-18 정은지 발달 장애 기능 개선을 위한 뉴로피드백 장치와 영상 콘텐츠를 이용하는 훈련 시스템 및 그 방법
EP3580700A4 (en) 2017-02-09 2020-11-18 Cognoa, Inc. PLATFORM AND SYSTEM FOR DIGITAL PERSONALIZED MEDICINE
US20220254461A1 (en) * 2017-02-09 2022-08-11 Cognoa, Inc. Machine learning algorithms for data analysis and classification
US10276190B2 (en) 2017-06-19 2019-04-30 International Business Machines Corporation Sentiment analysis of mental health disorder symptoms
JP6722845B2 (ja) * 2017-10-03 2020-07-15 株式会社国際電気通信基礎技術研究所 判別装置、うつ症状の判別方法、うつ症状のレベルの判定方法、うつ病患者の層別化方法、うつ症状の治療効果の判定方法及び脳活動訓練装置
CN107833611A (zh) 2017-11-06 2018-03-23 广州优涵信息技术有限公司 一种基于虚拟现实的自闭症康复训练方法
US20190244127A1 (en) * 2018-02-08 2019-08-08 Progrentis Corp. Adaptive teaching system for generating gamified training content and integrating machine learning
US11715564B2 (en) * 2018-05-01 2023-08-01 Neumora Therapeutics, Inc. Machine learning-based diagnostic classifier
KR102257291B1 (ko) * 2018-09-14 2021-05-28 주식회사 아이메디신 인지 장애 판별 방법 및 컴퓨터 프로그램
US20210383924A1 (en) * 2018-10-25 2021-12-09 Quadrant Biosciences Inc. Methods and machine learning for disease diagnosis
US11348665B2 (en) * 2018-11-08 2022-05-31 International Business Machines Corporation Diagnosing and treating neurological impairments
CA3134521A1 (en) * 2019-03-22 2020-10-01 Cognoa, Inc. Personalized digital therapy methods and devices
US10846622B2 (en) * 2019-04-29 2020-11-24 Kenneth Neumann Methods and systems for an artificial intelligence support network for behavior modification
US11161011B2 (en) * 2019-04-29 2021-11-02 Kpn Innovations, Llc Methods and systems for an artificial intelligence fitness professional support network for vibrant constitutional guidance
US11688505B2 (en) * 2019-07-03 2023-06-27 Kpn Innovations, Llc. Methods and systems for generating a supplement instruction set using artificial intelligence
CA3153086A1 (en) * 2019-09-06 2021-03-11 Cognoa, Inc. Methods, systems, and devices for the diagnosis of behavioral disorders, developmental delays, and neurologic impairments
WO2021067457A1 (en) * 2019-09-30 2021-04-08 Massachusetts Eye And Ear Infirmary Objective evaluation of neurological movement disorders from medical imaging
US11113890B2 (en) * 2019-11-04 2021-09-07 Cognizant Technology Solutions India Pvt. Ltd. Artificial intelligence enabled mixed reality system and method
US20210236032A1 (en) * 2020-01-30 2021-08-05 The George Washington University Robot-aided system and method for diagnosis of autism spectrum disorder
WO2021214553A1 (en) * 2020-04-24 2021-10-28 The Joan and Irwin Jacobs Technion-Cornell Institute Treating mental health disorders using machine learning
US20210353218A1 (en) * 2020-05-16 2021-11-18 Insurance Services Office, Inc. Machine Learning Systems and Methods for Multiscale Alzheimer's Dementia Recognition Through Spontaneous Speech
KR102496834B1 (ko) * 2020-11-20 2023-02-08 한국과학기술원 정신 질환 진단 프로토콜 자동 탐색을 위한 컴퓨터 시스템 및 그의 방법
US20220262514A1 (en) * 2021-02-17 2022-08-18 MS Technologies System and method for diagnostics and prognostics of mild cognitive impairment using machine learning
US20230042243A1 (en) * 2020-12-09 2023-02-09 MS Technologies System and method for early diagnostics and prognostics of mild cognitive impairment using hybrid machine learning
US20220344046A1 (en) * 2021-04-26 2022-10-27 New Pill Technologies, Inc. Methods, systems, apparatuses, and devices for facilitating managing administering of psychedelic drugs to users

Also Published As

Publication number Publication date
EP3941340A1 (en) 2022-01-26
CA3134521A1 (en) 2020-10-01
KR102643554B1 (ko) 2024-03-04
CO2021013982A2 (es) 2022-01-17
BR112021018770A2 (pt) 2022-02-15
JP2022527946A (ja) 2022-06-07
US20210133509A1 (en) 2021-05-06
AU2020248351A1 (en) 2021-11-11
WO2020198065A1 (en) 2020-10-01
EP3941340A4 (en) 2022-11-30
CN113873935A (zh) 2021-12-31
US20220300787A1 (en) 2022-09-22
MX2021011493A (es) 2022-01-04
US11862339B2 (en) 2024-01-02
JP7491943B2 (ja) 2024-05-28
US11176444B2 (en) 2021-11-16
IL286595A (en) 2021-12-01
KR20220004639A (ko) 2022-01-11

Similar Documents

Publication Publication Date Title
KR102643554B1 (ko) 개인 맞춤식 디지털 치료 방법 및 디바이스
US20220157466A1 (en) Methods and apparatus for evaluating developmental conditions and providing control over coverage and reliability
US10984899B2 (en) Platform and system for digital personalized medicine
EP3394825B1 (en) Platform and system for digital personalized medicine
US11621090B2 (en) Platform for assessing and treating individuals by sourcing information from groups of resources
US20220254461A1 (en) Machine learning algorithms for data analysis and classification
US11972336B2 (en) Machine learning platform and system for data analysis

Legal Events

Date Code Title Description
A107 Divisional application of patent
A201 Request for examination
E902 Notification of reason for refusal