KR20240064402A - 심뇌혈관질환 발생 위험도 정보를 예측하여 제공하는 방법 및 시스템 - Google Patents
심뇌혈관질환 발생 위험도 정보를 예측하여 제공하는 방법 및 시스템 Download PDFInfo
- Publication number
- KR20240064402A KR20240064402A KR1020220146391A KR20220146391A KR20240064402A KR 20240064402 A KR20240064402 A KR 20240064402A KR 1020220146391 A KR1020220146391 A KR 1020220146391A KR 20220146391 A KR20220146391 A KR 20220146391A KR 20240064402 A KR20240064402 A KR 20240064402A
- Authority
- KR
- South Korea
- Prior art keywords
- risk
- cardiovascular disease
- data
- information
- developing cardiovascular
- Prior art date
Links
- 208000024172 Cardiovascular disease Diseases 0.000 title claims abstract description 157
- 238000000034 method Methods 0.000 title claims abstract description 31
- 208000026106 cerebrovascular disease Diseases 0.000 title description 3
- 230000036541 health Effects 0.000 claims abstract description 131
- 238000010801 machine learning Methods 0.000 claims abstract description 78
- 230000010365 information processing Effects 0.000 claims description 69
- 230000015654 memory Effects 0.000 claims description 24
- 208000006011 Stroke Diseases 0.000 claims description 18
- 238000004891 communication Methods 0.000 claims description 16
- HVYWMOMLDIMFJA-DPAQBDIFSA-N cholesterol Chemical compound C1C=C2C[C@@H](O)CC[C@]2(C)[C@@H]2[C@@H]1[C@@H]1CC[C@H]([C@H](C)CCCC(C)C)[C@@]1(C)CC2 HVYWMOMLDIMFJA-DPAQBDIFSA-N 0.000 claims description 14
- 230000036772 blood pressure Effects 0.000 claims description 9
- 230000000391 smoking effect Effects 0.000 claims description 9
- 238000012549 training Methods 0.000 claims description 9
- 206010012601 diabetes mellitus Diseases 0.000 claims description 8
- 235000012000 cholesterol Nutrition 0.000 claims description 7
- 238000002405 diagnostic procedure Methods 0.000 claims description 7
- 238000009534 blood test Methods 0.000 claims description 4
- LFQSCWFLJHTTHZ-UHFFFAOYSA-N Ethanol Chemical compound CCO LFQSCWFLJHTTHZ-UHFFFAOYSA-N 0.000 claims description 3
- 230000004044 response Effects 0.000 claims description 3
- 238000010586 diagram Methods 0.000 description 21
- 230000006870 function Effects 0.000 description 6
- 230000035622 drinking Effects 0.000 description 5
- 238000013528 artificial neural network Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 230000014509 gene expression Effects 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 208000017667 Chronic Disease Diseases 0.000 description 3
- 238000004590 computer program Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 230000001154 acute effect Effects 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 230000007211 cardiovascular event Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 229940079593 drug Drugs 0.000 description 2
- 239000003814 drug Substances 0.000 description 2
- 230000002526 effect on cardiovascular system Effects 0.000 description 2
- 230000003862 health status Effects 0.000 description 2
- 208000019622 heart disease Diseases 0.000 description 2
- 235000012054 meals Nutrition 0.000 description 2
- 208000010125 myocardial infarction Diseases 0.000 description 2
- 238000012827 research and development Methods 0.000 description 2
- 239000000779 smoke Substances 0.000 description 2
- 206010002388 Angina unstable Diseases 0.000 description 1
- 201000001320 Atherosclerosis Diseases 0.000 description 1
- 206010048554 Endothelial dysfunction Diseases 0.000 description 1
- 208000031226 Hyperlipidaemia Diseases 0.000 description 1
- 206010020772 Hypertension Diseases 0.000 description 1
- 241000699670 Mus sp. Species 0.000 description 1
- 206010042434 Sudden death Diseases 0.000 description 1
- 208000007814 Unstable Angina Diseases 0.000 description 1
- 230000001133 acceleration Effects 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 210000004556 brain Anatomy 0.000 description 1
- 206010008118 cerebral infarction Diseases 0.000 description 1
- 238000012790 confirmation Methods 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 230000006806 disease prevention Effects 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 230000008694 endothelial dysfunction Effects 0.000 description 1
- 238000009432 framing Methods 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 201000004332 intermediate coronary syndrome Diseases 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 235000016709 nutrition Nutrition 0.000 description 1
- 230000002085 persistent effect Effects 0.000 description 1
- 230000037081 physical activity Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 208000019553 vascular disease Diseases 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/50—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for simulation or modelling of medical disorders
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/103—Detecting, measuring or recording devices for testing the shape, pattern, colour, size or movement of the body or parts thereof, for diagnostic purposes
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7271—Specific aspects of physiological measurement analysis
- A61B5/7275—Determining trends in physiological measurement data; Predicting development of a medical condition based on physiological measurements, e.g. determining a risk factor
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H10/00—ICT specially adapted for the handling or processing of patient-related medical or healthcare data
- G16H10/60—ICT specially adapted for the handling or processing of patient-related medical or healthcare data for patient-specific data, e.g. for electronic patient records
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/30—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for calculating health indices; for individual health risk assessment
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/70—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for mining of medical data, e.g. analysing previous cases of other patients
Landscapes
- Health & Medical Sciences (AREA)
- Engineering & Computer Science (AREA)
- Medical Informatics (AREA)
- Public Health (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Pathology (AREA)
- Epidemiology (AREA)
- Primary Health Care (AREA)
- Databases & Information Systems (AREA)
- Physics & Mathematics (AREA)
- Animal Behavior & Ethology (AREA)
- Software Systems (AREA)
- Surgery (AREA)
- Heart & Thoracic Surgery (AREA)
- Biophysics (AREA)
- Artificial Intelligence (AREA)
- Veterinary Medicine (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Theoretical Computer Science (AREA)
- Molecular Biology (AREA)
- Evolutionary Computation (AREA)
- Psychiatry (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Physiology (AREA)
- Dentistry (AREA)
- Signal Processing (AREA)
- Measuring And Recording Apparatus For Diagnosis (AREA)
Abstract
적어도 하나의 프로세서에 의해 수행되는 심뇌혈관질환 발생 위험도를 예측하는 방법에 있어서, 이용자가 입력하는 건강 데이터를 획득하는 단계, 기계 학습 모델을 이용하여 획득된 건강 데이터로부터 심뇌혈관질환 발생 위험도를 예측하는 단계 및 예측된 심뇌혈관질환 발생 위험도를 출력하는 단계를 포함하고, 기계 학습 모델은 복수의 획득된 건강 데이터와 연관된 심뇌혈관질환 발생 위험도가 학습된 모델일 수 있다.
Description
실시 예들은 기계 학습 모델을 이용하여 심뇌혈관질환 발생 위험도를 비침습적으로 예측하여 제공하는 방법 및 시스템에 관한 것이다.
심뇌혈관질환은 초기에 내피세포 기능 장애의 단계를 거쳐 서서히 죽상경화증으로 진행하여 결국에는 심근경색, 불안정 협심증, 뇌경색 및 급사와 같은 급성 심뇌혈관 사건을 일으킨다. 급성 심뇌혈관 사건이 발생하기 전 무증상 환자에게서 심뇌혈관 질환 발병 위험도를 평가하고 조기에 정밀 검사 및 적절한 치료가 행해질 수 있다면, 중증 심뇌혈관질환의 유병률 및 사망률을 감소시킬 수 있을 것이다.
무증상 환자의 신체 상태는 시간이 지남에 따라 자연적 또는 의도적으로 변화하게 된다. 또한, 심뇌혈관질환에 대한 의학적 지식도 시간이 경과함에 따라 변화하게 된다. 현재의 환자 상태에만 기반하여 심뇌혈관 질환 발병의 위험도를 예측할 수 있다는 한계를 극복하기 위하여, 환자의 신체 상태 및 심뇌혈관 질환에 대한 의학적 지식의 변화에 따른 미래의 심뇌혈관 질환 발병의 위험도를 사전에 예측하여 이에 대한 조기 처방을 수행할 수 있는 신기술의 개발이 요구된다.
뉴럴 네트워크(neural network)는 생물학적 뇌를 모델링한 컴퓨터 과학적 아키텍쳐(computational architecture)를 참조한다. 최근 뉴럴 네트워크 기술이 발전함에 따라, 다양한 분야에서 뉴럴 네트워크 장치를 사용하여 입력 데이터를 분석하고 유효한 정보를 추출하고 있다. 심뇌혈관 질환 발생 위험도에 대해 학습된 기계 학습 모델을 이용하여, 환자가 심뇌혈관 질환이 발병하지 않은 상태에서도 추후 심뇌혈관 질환에 걸릴 확률이 어떻게 되는지 예측하고 그 확률을 낮추기 위한 방안을 제시할 수 있는 방법 및 시스템에 대한 개발이 요구된다.
심뇌혈관질환 발생 위험도 정보를 제공하는 방법 및 시스템을 제공하는데 있다. 심뇌혈관질환이 발생하지 않은 상태에서 앞으로 발생할 심뇌혈관질환 발생 위험도를 비침습적 방법으로 지속적으로 예측하는 것은 질병의 예방 및 조기 발견을 용이하게 할 수 있다. 해결하려는 기술적 과제는 상기된 바와 같은 기술적 과제들로 한정되지 않으며, 또 다른 기술적 과제들이 존재할 수 있다.
일 실시 예에 따르면, 적어도 하나의 프로세서에 의해 수행되는, 심뇌혈관질환 발생 위험도를 예측하는 방법은, 이용자가 입력하는 건강 데이터를 획득하는 단계, 기계 학습 모델을 이용하여, 상기 획득된 데이터로부터 심뇌혈관질환 발생 위험도를 예측하는 단계 및 상기 예측 결과를 출력하는 단계를 포함하고, 상기 기계 학습 모델은 복수의 획득된 건강 데이터와 연관된 심뇌혈관질환 발생 위험도가 학습된 모델이다.
상기 기계 학습 모델은 제1 학습 데이터로 지도 학습된 제1 기계 학습 모델에 대해 제2 학습 데이터로 적응 학습된 제2 기계 학습 모델인 것을 특징으로 한다.
상기 제1 학습 데이터 및 상기 제2 학습 데이터에 대한 입력 데이터는 공공의료기관에서 제공되는 공공 의료 데이터, 혈액 검사 데이터 및 미리 저장된 환자의 건강 데이터 중 적어도 하나를 포함하고, 상기 제1 학습 데이터 및 상기 제2 학습 데이터에 대한 출력 데이터는 상기 입력 데이터에 대한 심혈관 질환 발생 위험도, 뇌졸증 위험도 및 건강생활실천점수 중 적어도 하나를 포함하고, 상기 심뇌혈관 질환 발생 위험도, 상기 뇌졸증 위험도 및 상기 건강생활실천점수는 환자의 성별, 나이, 혈압, 키, 몸무게, 당뇨 여부, 토탈콜레스테롤, 흡연 여부, 운동 여부 및 음주량 중 적어도 하나를 고려하여 설계되는 것을 특징으로 한다.
상기 건강 데이터는 비침습적 진단방법으로 얻는 건강 관련 라이프로그(lifelog)인 것을 특징으로 한다.
상기 심뇌혈관질환 발생 위험도를 예측하는 단계는 기계 학습 모델을 이용하여, 상기 획득된 건강 데이터에 따라 계산된 위험도로 설계된 학습 데이터를 출력하는 단계를 포함하는 것을 특징으로 한다.
상기 예측 결과는 심혈관 질환 위험도, 뇌졸중 위험도 및 건강생활실천점수 중 적어도 하나를 포함하는 것을 특징으로 한다.
일 실시 예에 따르면, 심뇌혈관질환 발생 위험도를 예측하는 방법은, 정보 처리 시스템에 의해 수행되는 방법으로서, 심뇌혈관질환 발생 위험도 정보 제공 서비스 이용 요청을 정보 제공 장치로부터 수신하는 단계, 상기 서비스 이용 요청에 포함된 이용자의 식별 정보를 기반으로 상기 이용자의 회원 정보를 생성하는 단계, 생성된 상기 회원 정보를 기반으로, 심뇌혈관질환 발생 위험도를 예측하기 위한 제1 건강 데이터를 상기 정보 제공 장치에 전송하는 단계, 상기 제1 건강 데이터에 대한 이용자의 답변 정보를 포함한 제2 건강 데이터를 상기 정보 제공 장치로부터 수신하는 단계, 기계 학습 모델을 이용하여, 수신된 상기 제2 건강 데이터로부터 예측된 심뇌혈관질환 발생 위험도 정보를 생성하는 단계 및 상기 예측된 심뇌혈관질환 발생 위험도 정보를 상기 정보 제공 장치에 전송하는 단계를 포함하고, 상기 기계 학습 모델은 수신된 상기 제2 건강 데이터와 연관된 심뇌혈관질환 발생 위험도를 학습하는 것을 특징으로 한다.
수신된 상기 제2 건강 데이터는 비침습적 진단방법으로 얻는 건강 관련 라이프로그(lifelog)인 것을 특징으로 한다.
일 실시 예에 따르면, 상기 정보 제공 장치는 스마트워치, 스마트폰, 의료기기 및 IOT 디바이스 중 하나인 것을 특징으로 한다.
일 실시 예에 따른 기록 매체는, 상기 심뇌혈관질환 발생 위험도를 예측하는 방법을 컴퓨터에서 실행시키기 위한 프로그램을 기록한다.
일 실시 예에 따른 정보 처리 시스템은, 수신된 건강 데이터를 저장하는 메모리, 기계 학습 모델을 이용하여 저장된 상기 건강 데이터로부터 심뇌혈관질환 발생 위험도를 예측하도록 구성된 프로세서 및 예측된 상기 심뇌혈관질환 발생 위험도를 정보 제공 장치에 전송하는 통신부를 포함하고, 상기 기계 학습 모델은 저장된 상기 건강 데이터와 연관된 심뇌혈관질환 발생 위험도가 학습된 모델인 것을 특징으로 한다.
실시 예에 따른 심뇌혈관질환 발생 위험도 정보를 예측하여 제공하는 방법 및 시스템은, 이용자가 입력하는 기본적인 건강 상태에 관한 정보 및 생활 습관에 관한 정보에 기초하여, 대상 이용자의 심뇌혈관질환 발생 위험도가 예측될 수 있다.
실시 예에 따른 심뇌혈관질환 발생 위험도 정보를 예측하여 제공하는 방법 및 시스템은, 이용자의 현재 심뇌혈관질환 발생 위험도 정보뿐만 아니라, 향후 적어도 10년 내 심뇌혈관질환 발생 위험도 정보를 예측하여 제공할 수 있다.
실시 예에 따른 심뇌혈관질환 발생 위험도 정보를 예측하여 제공하는 방법 및 시스템은, 심뇌혈관질환을 예방하거나 조기에 발견하여 치료하는데 드는 비용이나 시간을 절약할 수 있다.
실시 예에 따른 심뇌혈관질환 발생 위험도 정보를 예측하여 제공하는 방법 및 시스템의 효과는 상술한 효과로 제한되지 않으며, 언급되지 않은 효과들은 청구범위의 기재 로부터 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자("통상의 기술자"라 함)에게 명확하게 이해될 수 있을 것이다.
도 1은 본 발명의 일 실시 예에 따른 심뇌혈관질환 발생 위험도 정보 제공 시스템을 설명하기 위한 도면이다.
도 2는 본 발명의 일 실시 예에 따른 인공지능 기반의 심뇌혈관질환 발생 위험도 예측 방법의 세부적인 단계들을 개략적으로 설명하기 위한 흐름도이다.
도 3은 본 발명의 일 실시 예에 따른 정보 제공 장치 및 정보 처리 시스템의 내부 구성을 나타내는 블록도이다.
도 4a 내지 도 4c는 이용자의 건강 데이터와 AI 모듈 간의 정의된 인터페이스의 예시를 나타낸 도면들이다.
도 5는 본 발명의 일 실시 예에 따른 정보 처리 시스템의 프로세서의 내부 구성을 나타내는 도면이다.
도 6은 본 발명의 일 실시 예에 따른 기계 학습 모델에 이용되는 학습 데이터의 예시를 나타내는 도면이다.
도 7은 본 발명의 일 실시 예에 따른 기계 학습 모델의 예시를 나타내는 도면이다.
도 8은 본 발명의 일 실시 예에 따라 입력 데이터 및 추가 데이터를 기초로 업데이트된 심뇌혈관질환 발생 위험도에 대한 예측 결과를 생성하는 예시를 나타내는 도면이다.
도 9는 본 발명의 일 실시 예에 따른 심뇌혈관질환 발생 위험도 예측 정보 제공 방법의 흐름도이다.
도 10은 본 발명의 일 실시 예에 따른 심뇌혈관질환 발생 위험도 정보 제공 시스템을 설명하기 위한 도면이다.
도 11a 내지 도 11c는 획득된 건강 데이터(7100)의 일 실시 예를 나타낸 도면이다.
도 2는 본 발명의 일 실시 예에 따른 인공지능 기반의 심뇌혈관질환 발생 위험도 예측 방법의 세부적인 단계들을 개략적으로 설명하기 위한 흐름도이다.
도 3은 본 발명의 일 실시 예에 따른 정보 제공 장치 및 정보 처리 시스템의 내부 구성을 나타내는 블록도이다.
도 4a 내지 도 4c는 이용자의 건강 데이터와 AI 모듈 간의 정의된 인터페이스의 예시를 나타낸 도면들이다.
도 5는 본 발명의 일 실시 예에 따른 정보 처리 시스템의 프로세서의 내부 구성을 나타내는 도면이다.
도 6은 본 발명의 일 실시 예에 따른 기계 학습 모델에 이용되는 학습 데이터의 예시를 나타내는 도면이다.
도 7은 본 발명의 일 실시 예에 따른 기계 학습 모델의 예시를 나타내는 도면이다.
도 8은 본 발명의 일 실시 예에 따라 입력 데이터 및 추가 데이터를 기초로 업데이트된 심뇌혈관질환 발생 위험도에 대한 예측 결과를 생성하는 예시를 나타내는 도면이다.
도 9는 본 발명의 일 실시 예에 따른 심뇌혈관질환 발생 위험도 예측 정보 제공 방법의 흐름도이다.
도 10은 본 발명의 일 실시 예에 따른 심뇌혈관질환 발생 위험도 정보 제공 시스템을 설명하기 위한 도면이다.
도 11a 내지 도 11c는 획득된 건강 데이터(7100)의 일 실시 예를 나타낸 도면이다.
아래에서는 첨부한 도면을 참조하여 실시 예에 대해서 상세히 설명한다. 그러나 실시 예는 여러 가지 상이한 형태로 구현될 수 있으며 여기에서 설명하는 실시 예에 한정되지 않는다.
또한, 실시 예를 명확하게 설명하기 위하여 도면에서 설명과 관계없는 부분은 생략하였으며, 명세서의 전체적인 기재로 보아 유사한 부분에는 유사한 도면 부호를 붙였다.
실시 예들에서 사용되는 용어는 가능한 현재 널리 사용되는 일반적인 용어들을 선택하였으나, 이는 당 분야에 종사하는 기술자의 의도 또는 판례, 새로운 기술의 출현 등에 따라 달라질 수 있다. 또한, 특정한 경우는 출원인이 임의로 선정한 용어도 있으며, 이 경우 해당되는 설명 부분에서 상세히 그 의미를 기재할 것이다. 따라서 명세서에서 사용되는 용어는 단순한 용어의 명칭이 아닌, 그 용어가 가지는 의미와 명세서의 전반에 걸친 내용을 토대로 정의되어야 한다.
또한, 실시 예들에서 사용되는 용어는 단지 특정한 실시 예를 설명하기 위해 사용된 것이지, 실시 예를 한정하려는 의도로 사용된 것은 아니다. 단수의 표현은 문맥상 명백하게 단수를 뜻하는 것이 아닌 이상, 복수의 표현도 포함할 수 있다.
실시 예에서 "A 또는 B"또는 "A 및/또는 B 중 적어도 하나" 등의 표현은 함께 나열된 항목들의 가능한 모든 조합을 포함할 수 있다. 또한, "제1" 또는 "제2" 등의 표현들은 해당 구성요소들을, 순서 또는 중요도와 관계없이 수식할 수 있고, 한 구성요소를 다른 구성요소와 구분하기 위해 사용될 뿐 해당 구성요소들을 한정하기 위해 사용된 것은 아니다.
명세서 전체에서 어떤 부분이 어떤 구성요소를 "포함"한다고 할 때, 이는 특별히 반대되는 기재가 없는 한 다른 구성요소를 제외하는 것이 아니라 다른 구성요소를 더 포함할 수 있음을 의미한다. 또한, 명세서 전체에서 어떤 부분이 다른 부분과 "연결"되어 있다고 할 때, 이는 "직접적으로 연결"되어 있는 경우뿐만 아니라, 그 중간에 다른 소자를 사이에 두고 "전기적으로 연결되어 있는 경우도 포함한다.
명세서에서 사용된 상기 및 이와 유사한 지시어는 단수 및 복수의 개념을 모두 포함할 수 있다. 또한, 실시 예에 따른 방법을 설명하는 단계들의 순서는 명백하게 그 순서를 지정하는 기재가 없는 이상, 적당한 순서로 행해질 수 있다. 기재된 단계들의 순서에 한정되는 것은 아니다.
명세서의 다양한 곳에서 등장하는 "일부 실시 예에서" 또는 "일 실시 예에서" 등의 어구는 반드시 동일한 실시 예를 가리키는 것은 아니다.
일부 실시 예는 기능적인 블록 구성들 및 다양한 처리 단계들로 나타내어질 수 있다. 이러한 기능적인 블록 구성들의 일부 또는 전부는, 특정 기능들을 실행하는 다양한 개수의 하드웨어 및/또는 소프트웨어 구성들로 구현될 수 있다. 예를 들어, 실시 예들의 기능적인 블록 구성들은 하나 이상의 마이크로프로세서들에 의해 구현되거나, 소정의 기능을 위한 회로 구성들에 의해 구현될 수 있다. 또한, 예를 들어, 실시 예들의 기능적인 블록 구성들은 다양한 프로그래밍 또는 스크립팅 언어로 구현될 수도 있고, 하나 이상의 프로세서들에서 실행되는 알고리즘으로 구현될 수도 있다.
실시 예들은 전자적인 환경 설정, 신호 처리 및/또는 데이터 처리 등을 위하여 종래 기술을 채용할 수 있다. 매커니즘, 요소, 수단 및 구성 등과 같은 용어는 넓게 사용될 수 있으며, 기계적이고 물리적인 구성들로 한정되는 것은 아니다.
또한 도면에 도시된 구성 요소들 간의 연결 선 또는 연결 부재들은 기능적 연결 및/또는 물리적 또는 회로적 연결들을 예시적으로 나타낸 것일 뿐이다. 실제 장치에서는 대체가 가능하거나 추가가 가능한 다양한 기능적 연결, 물리적 연결 또는 회로적 연결들에 의해 구성 요소들 간의 연결이 나타내어질 수 있다.
이하 첨부된 도면을 참고하여 실시 예들을 상세히 설명하기로 한다.
도 1은 본 발명의 일 실시 예에 따른 심뇌혈관질환 발생 위험도 정보 제공 시스템을 설명하기 위한 도면이다.
도 1을 참조하면, 심뇌혈관질환 발생 위험도 정보 제공 시스템(1000)은 정보 제공 장치(1100) 및 정보 처리 시스템(1200)을 포함할 수 있다. 여기서, 정보 제공 장치(1100) 및 정보 처리 시스템(1200)은 유무선 통신 네트워크를 통해 상호 간에 데이터 교환이 가능하게 연결될 수 있다.
정보 제공 장치(1100)는 심뇌혈관질환 발생 위험도 정보 제공 서비스를 이용하고자 하는 이용자가 사용하는 장치를 의미할 수 있다. 예를 들어, 정보 제공 장치(1100)는 스마트워치, 스마트폰, 의료기기 및 IOT 기기 등일 수 있으나, 이에 한정되지 않는다.
정보 제공 장치(1100)는 이용자로부터 심뇌혈관질환 발생 위험도 정보 제공 서비스를 이용하기 위한 정보를 입력 받고, 입력된 정보를 정보 처리 시스템(1200)에 전송할 수 있다. 정보 제공 장치(1100)는 정보 처리 시스템(1200)으로부터 수신된 정보를 이용자가 인식할 수 있도록 디스플레이(미도시)에 출력할 수 있다.
정보 처리 시스템(1200)은 심뇌혈관질환 발생 위험도에 관련된 정보를 제공할 수 있다. 정보 처리 시스템(1200)은 정보 제공 장치(1100)로부터 이용자의 정보를 수신할 수 있다. 정보 처리 시스템(1200)은 정보 제공 장치(1100)로부터 수신된 정보를 기반으로 예측 심뇌혈관질환 발생 위험도 정보를 생성할 수 있다. 정보 처리 시스템(1200)은 생성된 예측 심뇌혈관질환 발생 위험도 정보를 정보 제공 장치(1100)에 전송할 수 있다.
이하, 정보 제공 장치(1100) 및 정보 처리 시스템(1200)에 대한 보다 상세한 설명은 도 3을 참조하여 후술한다.
도 2는 본 발명의 일 실시 예에 따른 인공지능 기반의 심뇌혈관질환 발생 위험도 예측 방법(2000)의 세부적인 단계들을 개략적으로 설명하기 위한 흐름도이다.
일 실시 예에 따르면, 예측 방법(2000)은 프로세서(예를 들어, 정보 처리 시스템(1200)의 적어도 하나의 프로세서)가 이용자의 건강 데이터를 획득함으로써 개시될 수 있다(S2100). 획득된 건강 데이터는 메모리(예를 들어, 정보 처리 시스템(1200)의 적어도 하나의 메모리)에 저장될 수 있다.
여기서, 이용자의 건강 데이터는 이용자가 입력하는 입력 데이터로서, 이에 대한 보다 상세한 설명은 도11을 참조하여 후술한다.
그런 다음, 프로세서는 기계 학습 모델을 이용하여, 획득된 데이터로부터 이용자에게 심뇌혈관질환이 발생할 위험도를 예측할 수 있다(S2200). 여기서 기계 학습 모델은 복수의 획득된 건강 데이터와 연관된 심뇌혈관질환 발생 위험도가 학습된 모델일 수 있다.
일 실시 예에 따르면 기계 학습 모델은 예를 들어, 표본 코호트 데이터 또는 무작위로 추출된 데이터를 사용하여 지도 학습을 통해 복수의 획득된 건강 데이터와 연관된 심뇌혈관질환 발생 위험도가 학습된 모델일 수 있다.
심혈관 질환 위험도에 대해서, Framinging CVRisk(Cardiovesacula Disease)를 통해 결정된 출력 데이터를 지도 학습을 위한 목표 데이터로 활용할 수 있다. 뇌졸중 위험도에 대해서, 건강보험공단 일산 병원의 조경희 교수 연구팀의 '개인별 맞춤형 통합 건강관리 프로그램 연구 및 개발'을 통해 결정된 출력 데이터를 지도 학습을 위한 목표 데이터로 활용할 수 있다. 심혈관 질환 위험도 및 뇌졸중 위험도는 모두 성별, 나이, 혈압, 키, 몸무게, 당뇨 여부, 토탈 콜레스테롤, 흡연 여부, 운동 여부 및 음주량 등을 고려하여 계산된 위험도로 설계될 수 있다.
프로세서는 기계 학습 모델을 이용하여, 이용자가 입력한 건강 데이터를 고려하여 앞으로 이용자에게 심혈관 질환이나 뇌졸중이 발생할 위험 가능성의 정도를 예측할 수 있다.
그런 다음, 프로세서는 예측 결과를 출력할 수 있다(S2300). 여기서, 예측 결과를 출력하는 것은, 외부 디스플레이 장치에 예측 결과를 나타내는 수치 및/또는 그래프를 송신하는 것, 정보 제공 장치(1100)에 예측 결과를 포함하는 리포트를 전달하는 것 및 서버에 예측 결과를 업로드하는 것 중 적어도 하나를 포함할 수 있다.
일 실시 예에 따르면, 프로세서가 기계 학습 모델을 통해 예측하여 출력되는 결과로서, 심혈관 질환이 발생할 확률, 뇌졸중이 발생할 확률 또는 건강생활실천점수 중 적어도 하나와 관련된 정보가 출력될 수 있다. 구체적인 예로, 상기 출력되는 결과들은 수치, 그래프, 요일 별 추이 분석 및 특이 패턴 감지 등과 같은 형태로 출력될 수 있다.
다른 실시 예에 따르면, 프로세서가 예측하는 결과를 기초로 심뇌혈관 질환이 발생할 위험도를 낮추기 위한 정보를 출력하여 이용자에게 제공할 수 있다. 구체적인 예로, 심뇌혈관질환 발생 위험도의 정도에 따라, 그에 맞게 이용자에게 요구되는 영양정보 및/또는 운동정보를 제공할 수 있다.
도 3은 본 발명의 일 실시 예에 따른 정보 제공 장치(1100) 및 정보 처리 시스템(1200)의 내부 구성을 나타내는 블록도이다.
정보 제공 장치(1100)는 메모리(3110), 프로세서(3120), 통신부(3130) 및 입출력 인터페이스(3140)을 포함할 수 있다. 정보 제공 장치(1100)는 심뇌혈관질환 발생 위험도 예측 서비스를 제공하는 어플리케이션 또는 웹 브라우저 등을 실행 가능하고 유/무선 통신이 가능한 임의의 컴퓨팅 장치를 지칭할 수 있다.
도 3에 도시된 바와 같이, 정보 제공 장치(1100) 및 정보 처리 시스템(1200)은 각각의 통신부(3130, 3230)을 이용하여 네트워크(3300)를 통해 정보 및/또는 데이터를 통신할 수 있도록 구성될 수 있다. 또한, 입출력 장치(3150)는 입출력 인터페이스(3140)을 통해 정보 제공 장치(1100)에 정보 및/또는 데이터를 입력하거나 정보 제공 장치(1100)로부터 생성된 정보 및/또는 데이터를 출력하도록 구성될 수 있다.
메모리(3110, 3210)는 비-일시적인 임의의 컴퓨터 판독 가능한 기록 매체를 포함할 수 있다. 일 실시 예에 따르면, 메모리(3110, 3210)는 RAM(random access memory), ROM(read only memory), 디스크 드라이브, SSD(solid state drive), 플래시 메모리(flash memory) 등과 같은 비소멸성 대용량 저장 장치(permanent mass storage device)를 포함할 수 있다. 다른 예로서, ROM, SSD, 플래시 메모리, 디스크 드라이브 등과 같은 비소멸성 대용량 저장 장치는 메모리와는 구분되는 별도의 영구 저장 장치로서 정보 제공 장치(1100) 또는 정보 처리 시스템(1200)에 포함될 수 있다. 또한, 메모리(3110, 3210)에는 운영체제와 적어도 하나의 프로그램 코트(예를 들어, 정보 제공 장치(1100)에 설치되어 구동되는 심뇌혈관질환 발생 위험도 예측 등을 위한 코드)가 저장될 수 있다.
이러한 소프트웨어 구성요소들은 메모리(3110, 3210)와는 별도의 컴퓨터에서 판독 가능한 기록 매체로부터 로딩될 수 있다. 이러한 별도의 컴퓨터에서 판독 가능한 기록 매체는 이러한 정보 제공 장치(1100) 및 정보 처리 시스템(1200)에 직접 연결 가능한 기록 매체를 포함할 수 있는데, 예를 들어, 플로피 드라이브, 디스크, 테이프, DVD/CD-ROM 드라이브, 메모리 카드 등의 컴퓨터에서 판독 가능한 기록 매체를 포함할 수 있다. 다른 예로서, 소프트웨어 구성요소들은 컴퓨터에서 판독 가능한 기록 매체가 아닌 통신부(3130, 3230)를 통해 메모리(3110, 3210)에 로딩될 수도 있다. 예를 들어, 적어도 하나의 프로그램은 개발자들 또는 어플리케이션의 설치 파일을 배포하는 파일 배포 시스템이 네트워크(3300)를 통해 제공하는 파일들에 의해 설치되는 컴퓨터 프로그램에 기반하여 메모리(3110, 3210)에 로딩될 수 있다.
프로세서(3120, 3220)는 기본적인 산술, 로직 및 입출력 연산을 수행함으로써, 컴퓨터 프로그램의 명령을 처리하도록 구성될 수 있다. 명령은 메모리(3110, 3210) 또는 통신부(3130, 3230)에 의해 프로세서(3120, 3220)로 제공될 수 있다. 예를 들어, 프로세서(3120, 3220)는 메모리(3110, 3210)와 같은 기록 장치에 저장된 프로그램 코드에 따라 수신되는 명령을 실행하도록 구성될 수 있다.
통신부(3130, 3230)는 네트워크(3300)를 통해 정보 제공 장치(1100)와 정보 처리 시스템(1200)이 서로 통신하기 위한 구성 또는 기능을 제공할 수 있으며, 정보 제공 장치(1100) 및/또는 정보 처리 시스템(1200)이 다른 정보 제공 장치 및 다른 시스템(예를 들면, 별도의 클라우드 시스템 등)과 통신하기 위한 구성 또는 기능을 제공할 수 있다. 예를 들어, 정보 제공 장치(1100)의 프로세서(3120)가 메모리(3110) 등과 같은 기록 장치에 저장된 프로그램 코드에 따라 생성한 요청 또는 데이터(예를 들어, 심뇌혈관질환 발생 위험도 예측 요청과 연관된 데이터 등)는 통신부(3130)의 제어에 따라 네트워크(3300)를 통해 정보 처리 시스템(1200)으로 전달될 수 있다. 역으로, 정보 처리 시스템(1200)의 프로세서(3220)의 제어에 따라 제공되는 제어 신호나 명령이 통신부(3230)와 네트워크(3300)를 거쳐 정보 제공 장치(1100)의 통신부(3130)을 통해 정보 제공 장치(1100)에 수신될 수 있다. 예를 들어, 정보 제공 장치(1100)는 정보 처리 시스템(1200)으로부터 심뇌혈관질환 발생 위험도 예측 결과와 연관된 데이터 등을 수신할 수 있다.
일 실시 예에 따른, 입출력 인터페이스(3140)은 입출력 장치(3150)과의 인터페이스를 위한 수단일 수 잇다. 예를 들어, 입력 장치는 키보드, 마이크로폰, 마우스 등의 장치를, 그리고 출력 장치는 디스플레이, 스피커, 햅틱 피드백 디바이스(haptic feedback device) 등과 같은 장치를 포함할 수 있다.
다른 실시 예에 따른, 입출력 인터페이스(3140)는 터치스크린 등과 같이 입력과 출력을 수행하기 위한 구성 또는 기능이 하나로 통합된 장치와의 인터페이스를 위한 수단일 수 있다. 예를 들어, 정보 제공 장치(1100)의 프로세서(3120)가 메모리(3100)에 로딩된 컴퓨터 프로그램의 명령을 처리함에 있어서, 정보 처리 시스템(1200)이나 다른 정보 제공 장치가 제공하는 정보 및/또는 데이터를 이용하여 구성되는 서비스 화면 등이 입출력 인터페이스(3140)를 통해 디스플레이에 표시될 수 있다.
도 3에서는 입출력 인터페이스(3140)가 프로세서(3120)와 별도로 구성된 요소로서 도시되었으나, 이에 한정되지 않으며, 입출력 인터페이스(3140)가 프로세서(3120)에 포함되도록 구성될 수 있다. 또한, 정보 처리 시스템(1200) 역시 입출력 인터페이스(미도시)를 포함하도록 구성될 수 있다. 여기서, 정보 처리 시스템(1200)의 입출력 인터페이스는 정보 처리 시스템(1200)과 연결되거나 정보 처리 시스템(1200)이 포함할 수 있는 입력 또는 출력을 위한 장치(미도시)와의 인터페이스를 위한 수단일 수 있다.
정보 제공 장치(1100) 및 정보 처리 시스템(1200)은 도 3의 구성요소들보다 더 많은 구성요소들을 포함할 수 있다. 그러나, 대부분의 종래 기술적 구성요소들을 명확하게 도시할 필요성은 없다. 일 실시 예에 따르면, 정보 제공 장치(1100)는 상술된 입출력 장치(3150) 중 적어도 일부를 포함하도록 구현될 수 있다. 또한, 정보 제공 장치(1100)는 트랜시버(transceiver), GPS(Global Positioning system) 모듈, 카메라, 각종 센서, 데이터베이스 등과 같은 다른 구성요소들을 더 포함할 수 있다.
예를 들어, 정보 제공 장치(1100)가 스마트폰인 경우, 일반적으로 스마트폰이 포함하고 있는 구성요소들을 포함할 수 있으며, 예를 들어, 가속도 센서, 자이로 센서, 이미지 센서, 근접 센서, 터치 센서, 조도 센서, 카메라 모듈, 각종 물리적인 버튼, 터치패널을 이용한 버튼, 입출력 포트, 진동을 위한 진동기 등의 다양한 구성요소들이 정보 제공 장치(1100)에 더 포함되도록 구현될 수 있다.
일 실시 예에 따르면, 정보 제공 장치(1100)의 프로세서(3120)는 심뇌혈관질환 발생 위험도 예측 서비스를 제공하는 어플리케이션 등이 동작하도록 구성될 수 있다. 이 때, 해당 어플리케이션 및/또는 프로그램과 연관된 코드가 정보 제공 장치(1100)의 메모리(3110)에 로딩될 수 있다.
심뇌혈관질환 발생 위험도 예측 서비스를 제공하는 어플리케이션 등을 위한 프로그램이 동작되는 동안에, 프로세서(3120)는 입출력 인터페이스(3140)와 연결된 터치 스크린, 키보드, 오디오 센서 및/또는 이미지 센서를 포함한 카메라, 마이크로폰 등의 입력 장치를 통해 입력되거나 선택된 텍스트, 이미지, 영상, 음성 및/또는 동작 등을 수신할 수 있으며, 수신된 텍스트, 이미지, 영상, 음성 및/또는 동작 등을 메모리(3110)에 저장하거나 통신부(3130) 및 네트워크(3300)를 통해 정보 처리 시스템(1200)에 제공할 수 있다. 예를 들어, 프로세서(3120)는 심뇌혈관 질환 발생 위험도 예측 서비스 제공을 요청하는 이용자의 입력을 수신하여, 통신부(3130) 및 네트워크(3300)를 통해 정보 처리 시스템(1200)에 제공할 수 있다.
정보 제공 장치(1100)의 프로세서(3120)는 입출력 장치(3150), 다른 정보 제공 장치, 정보 처리 시스템(1200) 및/또는 복수의 외부 시스템으로부터 수신된 정보 및/또는 데이터를 관리, 처리 및/또는 저장하도록 구성될 수 있다. 프로세서(3120)에 의해 처리된 정보 및/또는 데이터는 통신부(3130) 및 네트워크(3300)를 통해 정보 처리 시스템(1200)에 제공될 수 있다. 정보 제공 장치(1100)의 프로세서(3120)은 입출력 인터페이스(3140)를 통해 입출력 장치(3150)로 정보 및/또는 데이터를 전송하여 출력할 수 있다. 예를 들면, 프로세서(3120)은 수신한 정보 및/또는 데이터를 정보 제공 장치(1100)의 화면에 디스플레이 할 수 있다.
정보 처리 시스템(1200)의 프로세서(3220)는 복수의 정보 제공 장치(1100) 및/또는 복수의 외부 시스템으로부터 수신된 정보 및/또는 데이터를 관리, 처리 및/또는 저장하도록 구성될 수 있다. 프로세서(3220)에 의해 처리된 정보 및/또는 데이터는 통신부(3230) 및 네트워크(3300)를 통해 정보 제공 장치(100)에 제공할 수 있다.
도 4a 내지 도 4c는 이용자의 건강 데이터와 AI 모듈 간의 정의된 인터페이스의 예시를 나타낸 도면들이다.
정보 처리 시스템(1200)의 프로세서(3220)는 심뇌혈관 질환 발생 위험도 정보를 제공하기 위하여, 이용자의 건강 데이터와 AI 모듈(module) 간의 인터페이스를 정의할 수 있다.
도 4a는 이용자의 건강 데이터의 각 항목에 따라 심혈관 질환 위험도의 인터페이스를 정의한 일 예시를 나타낸 도면이다. 예를 들어, 심혈관 질환 위험도의 인터페이스에서 혈압 약을 복용하지 않는 경우에는 0으로 출력하고, 혈압 약을 복용하는 경우에는 1로 출력하도록 정의할 수 있다.
도 4b는 이용자의 건강 데이터의 각 항목에 따라 뇌졸중 위험도의 인터페이스를 정의한 일 예시를 나타낸 도면이다. 예를 들어, 뇌졸중 위험도의 인터페이스에서 담배를 피우지 않는 경우에는 0으로 출력하고, 담배를 피우다 끊은 경우에는 1로 출력하고, 담배를 피운 경우에는 2로 출력하도록 정의할 수 있다.
도 4c는 이용자의 건강 데이터의 각 항목에 따라 건강생활실천점수의 인터페이스를 정의한 일 예시를 나타낸 도면이다. 예를 들어, 건강생활실천점수 의 인터페이스에서 체질량 지수(BMI)를 11 내지 51의 BMI 지수 범위에서 출력하도록 정의할 수 있다.
도 5는 본 발명의 일 실시 예에 따른 정보 처리 시스템(1200)의 프로세서(3220)의 내부 구성을 나타내는 도면이다.
프로세서(3220)는 기계 학습 모델 학습부(5100), 심뇌혈관질환 발생 예측부(5200), 정보 제공부(5300) 및 기계 학습 모델 업데이트부(5400)을 포함할 수 있다. 도 5에서 프로세서(3220)의 내부 구성을 기능 별로 구분하여 설명하지만, 이는 반드시 물리적으로 구분되는 것을 의미하지 않는다. 또한, 도 5에서 도시한 프로세서(3220)의 내부 구성은 예시일 뿐이며, 필수 구성 만을 도시한 것은 아니다. 따라서, 프로세서(3220)는 도시한 내부 구성 외 다른 구성을 추가로 포함하거나, 도시한 내부 구성 중 일부 구성이 생략될 수 있다.
프로세서(3220)는 심뇌혈관질환의 발생 위험도 예측 대상인 이용자의 건강 데이터를 획득할 수 있다. 일 실시 예에 따른, 건강 데이터는 이용자의 성별, 나이, 혈압, 키, 몸무게, 당뇨 여부, 토탈 콜레스테롤, 흡연 여부, 운동 여부 및 음주량 등의 정보를 포함할 수 있다. 추가적으로 프로세서(3220)는 시간의 경과에 따라 변화하는 이용자의 건강 데이터를 추가적으로 획득할 수 있다.
상술한 데이터들은 정보 처리 시스템과 연결된 또는 통신 가능한 저장 시스템(예를 들면, 별도의 클라우드 저장 시스템 등), 내부 메모리 및/또는 정보 제공 장치 등으로부터 수신될 수 있다. 수신된 건강 데이터 및/또는 추가적으로 획득된 건강 데이터는 심뇌혈관질환 발생 예측부(5200)에 제공되어, 심뇌혈관질환 발생 위험도에 대한 예측 결과를 생성하는데 사용될 수 있다.
기계 학습 모델 학습부(5100)는 모델 학습에 필요한 학습 데이터를 수신하고, 기계 학습 모델을 학습시킬 수 있다. 모델 학습에 필요한 학습 데이터는 학습 데이터(5500)에 저장되어 있을 수 있다.
학습 데이터(5500)에는 표본 코호트 데이터 등으로부터 무작위 추출한 대상자들의 심뇌혈관질환과 연관된 건강 및 생활 습관에 관한 정보, 대상자들의 성별, 나이, 혈압, 키, 몸무게, 당뇨 여부, 토탈 콜레스테롤, 흡연 여부, 운동 여부 및 음주량 등을 포함하는 건강 데이터 및 대상자의 건강 데이터와 연관된 심뇌혈관질환 발생 위험도에 대한 참조 예측 결과 등을 포함할 수 있다. 학습 데이터(5500)에 저장된 학습 데이터의 예시는 도 6을 참조하여 상세히 후술 된다.
기계 학습 모델 학습부(5100)는 이용자의 건강 데이터로부터 심뇌혈관질환 발생 위험도에 대한 예측 결과를 출력하도록 기계 학습 모델을 학습시킬 수 있다. 기계 학습 모델 학습부(5100)가 대상자들의 건강 데이터와 연관된 심뇌혈관질환 발생 위험도에 대한 참조 예측 결과를 출력하도록 기계 학습 모델을 학습시키는 구체적인 예시는 도 6을 참조하여 상세히 후술 된다.
심뇌혈관질환 발생 예측부(5200)는 생성된 예측 결과와 연관된 정보를 정보 처리 시스템(1200)와 연결된 출력 장치 또는 정보 제공 장치(1100)와 연결된 출력 장치를 통해 출력하도록 구성될 수 있다.
심뇌혈관질환 발생 예측부(5200)는 정보 제공 장치(1100)에 설치된 어플리케이션을 통해 이용자가 심뇌혈관질환 발생 위험도 정보 제공 서비스를 요청하는 경우에, 서비스 요청에 따라 학습된 기계 학습 모델을 사용하여 해당 이용자의 심뇌혈관질환 발생 위험도 및 건강생활실천점수 등의 정보를 출력하고, 이를 해당 이용자의 정보 제공 장치(1100)에 제공한다.
정보 제공부(5300)는 심뇌혈관질환 발생 예측부(5200)에 의해 생성된 예측 결과를 기초로, 심혈관질환 위험도, 뇌졸중 위험도 및/또는 건강생활실천점수 중 적어도 하나와 관련된 정보를 제공할 수 있다.
예를 들어, 심혈관질환 위험도 정보는 'Framingham CVRisk'를 통해, 뇌졸중 위험도 정보는 건강보험공단 일산 병원 조경희 교수 연구팀의 '개인별 맞춤형 통합 건강 관리 프로그램 연구 및 개발'을 통해, 건강생활실천점수 정보는 복지부 홈페이지에 개시된 '국민건강알람서비스의 위험도'를 통해 결정되어 제공될 수 있다.
정보 제공부(5300)는 상술된 정보를 이용자의 정보 제공 장치(1100)로 제공할 수 있으며, 제공된 정보는 이용자의 정보 제공 장치(1100)의 디스플레이 등을 통해 출력될 수 있다.
기계 학습 모델 업데이트부(5400)는 학습 데이터(5500)에 추가적으로 업데이트된 정보들을 사용하여 최초 학습된 기계 학습 모델을 추가적으로 학습시킨다. 이에 따라, 최초에 구축된 학습 데이터(5500)를 사용하여 학습된 학습 모델을 사용하여 심뇌혈관질환 발생 위험도를 예측할 수 있을 뿐만 아니라, 추가적으로 학습된 기계 학습 모델을 사용하여 심뇌혈관질환 발생 위험도를 예측할 수 있어서, 더욱 정확한 예측 결과를 이용자에게 제공할 수 있다.
도 6는 본 발명의 일 실시 예에 따른 기계 학습 모델(6000)에 이용되는 학습 데이터(5500)의 예시를 나타내는 도면이다.
일 실시 예에 따른 기계 학습 모델(6000)은 DNN(Deep Neural Network)을 이용하여 기계 학습될 수 있다. 구체적으로는 시계 열 예측(Time Series Prediction) 및 위험도 분류(Classification) 방식을 이용하여 기계 학습될 수 있다.
도 6을 참조하면, 1차 기계 학습 모델(6100)의 지도 학습을 위해 제1 학습 데이터(5510)를 학습 데이터(5500)로 구축할 수 있고, 2차 기계 학습 모델(6200)의 지도 학습을 위해 제2 학습 데이터(5520)를 학습 데이터(5500)로 구축할 수 있다. 이 경우 2차 기계 학습 모델(6200)은 1차 기계 학습 모델(6100)에 대해 적응 학습을 위한 추가적인 지도 학습이 이루어진 기계 학습 모델일 수 있다.
제1 학습 데이터(5510)의 입력 데이터는 표본 코호트 데이터, 건강보험관리공단 국가 건강검진 혈액 검사 데이터, 지역사회건강통계 및 강원도 만성질환 원격관리 대상자 데이터 등이 될 수 있다.
제2 학습 데이터(5520)의 입력 데이터는 건강보험 가입자 데이터, 의료급여수급권자 데이터 및 강원도 만성질환 원격관리 대상자 데이터 등이 될 수 있다.
제1 학습 데이터(5510) 및 제2 학습 데이터(5520)의 입력 데이터는 상술된 예시에 한정되지 않고, 공공의료기관 등에서 제공되는 모든 종류의 공공 의료 데이터 및/또는 미리 의료기관 등에서 확보할 수 있는 환자들의 건강 상태 데이터를 포함할 수 있다.
제1 학습 데이터(5510) 및 제2 학습 데이터(5520)의 출력 데이터는 상술한 입력 데이터에 대한 심혈관 질환 위험도, 뇌졸중 위험도 및 건강생활실천점수가 될 수 있다.
심혈관 질환 위험도는 상술한 입력 데이터에 대해'Framingham CVRisk'를 통해 결정된 것으로, 10년 이내에 심장 질환이 발생할 위험도를 퍼센트(%)로 출력한 데이터일 수 있다.
뇌졸중 위험도는 상술한 입력 데이터에 대해 건강보험공단 일산 병원의 조경희 교수 연구팀의 '개인별 맞춤형 통합 건강 관리 프로그램 연구 및 개발'을 통해 결정된 것으로, 8년 이내에 뇌졸중이 발생할 위험도를 퍼센트(%)로 출력한 데이터일 수 있다.
건강생활실천점수는 상술한 입력 데이터 중 건강 생활 습관에 대한 정량적 정보를 제공하는 것으로, 국민건강알람서비스의 위험도를 점수로 출력한 데이터일 수 있다.
제1 학습 데이터(5510) 및 제2 학습 데이터(5520)의 출력 데이터는 모두 성별, 나이, 혈압, 키, 몸무게, 당뇨 여부, 토탈 콜레스테롤, 흡연 여부, 운동 여부 및 음주량 등에 대한 정보를 고려하여 설계된 위험도 및/또는 건강생활실천 점수일 수 있다.
도 7은 본 발명의 일 실시 예에 따른 기계 학습 모델(6000)의 예시를 나타내는 도면이다. 도 7을 참조하면, 기계 학습 모델(6000)은 건강 데이터(7100)를 기초로 하여 심뇌혈관 질환 발생 위험도에 대한 예측 결과(7200)를 출력할 수 있다.
기계 학습 모델(6000)은 복수의 건강 데이터(7100)를 입력 받아 심뇌혈관 질환 발생 위험도에 대한 예측 결과(7200)를 추론하도록 학습될 수 있다. 예를 들어, 기계 학습 모델(6000)을 생성하고 학습시키기 위해, 정보 처리 시스템(1200)의 프로세서(3220)는 복수의 건강 데이터(7100)와 관련된 참조 예측 결과를 수신할 수 있다. 프로세서(3220)의 기계 학습 모델 학습부(5100)는 기계 학습 모델(6000)을 학습시킬 때, 복수의 건강 데이터(7100)와 관련된 참조 예측 결과에 대한 정보를 학습 데이터(5500)로 활용할 수 있다.
프로세서(3220)의 기계 학습 모델 학습부(5100)는 DNN을 이용하여 기계 학습 모델(6000)을 지도 학습할 수 있으며, 구체적으로는 시계 열 예측 및 위험도 분류 방식을 적용하여 지도 학습할 수 있다.
건강 데이터(7100)는 이용자 입력하는 입력 데이터로서, 비침습적 진단방법으로 얻는 건강 관련 라이프로그(lifelog)일 수 있다. 이에 대한 보다 상세한 설명은 도 11을 참조하여 후술한다.
이용자가 시간이 경과함에 따라 변화하는 이용자의 건강 데이터(7100)를 새롭게 정보 제공 장치(1100)에 입력함으로써 실시간으로 변화하는 심뇌혈관질환 발생 위험도에 대한 예측 결과(7200)를 획득할 수 있다.
도 8은 본 발명의 일 실시 예에 따라 입력 데이터 및 추가 데이터를 기초로 업데이트된 심뇌혈관질환 발생 위험도에 대한 예측 결과를 생성하는 예시를 나타내는 도면이다. 도 8을 참조하면, 기계 학습 모델(6000)은 건강 데이터(7100) 및 추가 데이터(8100)를 기초로 하여 업데이트된 심뇌혈관 질환 발생 위험도에 대한 예측 결과(8200)를 출력할 수 있다.
기계 학습 모델(6000)은 추가 데이터(8100)를 고려하여 보다 정확한 심뇌혈관 질환 발생 위험도 예측 결과(8200)를 추론하도록 학습될 수 있다. 프로세서(3220)의 기계 학습 모델 학습부(5100)는 기계 학습 모델(6000)을 학습시킬 때 추가 데이터(8100)를 학습 데이터(5500)로 활용하여, 기계 학습 모델(6000)이 보다 정확한 예측 결과(8200)를 추론하도록 할 수 있다.
프로세서(3220)의 기계 학습 모델 업데이트부(5400)는 추가 데이터(8100)를 이용하여 최초 학습된 기계 학습 모델을 추가적으로 학습시킨다. 추가 데이터(8100)를 이용한 추가적 학습 또한, DNN을 이용한 지도 학습일 수 있으며, 구체적으로는 시계 열 예측 및 위험도 분류 방식을 적용한 지도 학습일 수 있다.
추가 데이터(8100)는 시간이 경과함에 따라 변화하는 의학적 지식이나 역학적 특성을 고려하여 결정된 심혈관 질환 위험도, 뇌졸중 위험도 및 건강생활실천점수에 대한 정보를 출력 데이터로 하는 학습 데이터를 새롭게 구축할 수 있다.
추가 데이터(8100)의 입력 데이터는 표본 코호트 데이터, 건강보험관리공단 국가 건강검진 혈액 검사 데이터, 지역사회건강통계 및 강원도 만성질환 원격관리 대상자 데이터, 건강보험 가입자 데이터 및 의료급여수급권자 데이터 등이 될 수 있다.
추가 데이터(8100)를 이용하여 새롭게 구축된 학습 데이터에 의해 학습된 기계 학습 모델(6000)은 시간이 경과하여도 심뇌혈관질환 발생 위험도에 대해 보다 정확한 예측 결과를 추론할 수 있다.
도 7 내지 도 8에는 건강 데이터(7100) 및/또는 추가 데이터(8100)를 기초로 심뇌혈관 질환 발생 위험도에 대한 예측 결과(7200, 8200)를 생성하기 위한 기계 학습 모델(6000)의 구성의 일 예시가 도시되어 있을 뿐, 다르게 구현될 수 있다.
건강 데이터(7100) 및/또는 추가 데이터(8100)를 기초로 예측 결과(7200, 8200)을 생성할 수 있는 임의의 구성의 모델이 사용될 수 있다. 일 예로, 기계 학습 모델(6000)은 임의의 알고리즘으로 구성되어 있을 수 있다.
도 9는 본 발명의 일 실시 예에 따른 심뇌혈관질환 발생 위험도 예측 정보 제공 방법의 흐름도이다. 이하, 도 9에 도시된 방법은 도 1에 도시된 정보 제공 장치(1100) 및 정보 처리 시스템(1200)에 의해 수행되는 것을 예시로 설명한다.
단계 S9100에서, 심뇌혈관질환 발생 위험도 예측 정보 제공 서비스의 이용을 요청한 이용자의 건강 데이터가 획득된다.
구체적으로, 정보 제공 장치(1100)는 이용자의 성별, 생년월일, 주소, 핸드폰 번호 등의 식별 정보를 이용자로부터 입력 받을 수 있다. 정보 제공 장치(1100)는 입력된 이용자의 식별 정보를 포함하는 심뇌혈관질환 발생 위험도 예측 정보 제공 서비스 가입 신청을 정보 처리 시스템(1200)에 전송할 수 있다.
정보 처리 시스템(1200)은 심뇌혈관질환 발생 위험도 예측 정보 제공 서비스 가입 신청을 정보 제공 장치(1100)로부터 수신할 수 있다. 정보 처리 시스템(1200)은 심뇌혈관질환 발생 위험도 예측 정보 제공 서비스 가입 신청에 포함된 이용자의 식별 정보를 기반으로 회원 정보를 생성할 수 있다.
생성된 회원 정보를 기반으로, 정보 처리 시스템(1200)은 제1 건강 데이터를 정보 제공 장치(1100)를 통해 이용자에게 제공할 수 있다. 제1 건강 데이터는 이용자의 건강 데이터(7100)를 얻기 위한 설문 형식으로 이루어질 수 있다. 정보 처리 시스템(1200)은 제1 건강 데이터를 정보 제공 장치(1100)에 전송할 수 있다. 정보 제공 장치(1100)는 이용자가 인식할 수 있도록 수신된 제1 건강 데이터를 디스플레이에 표시할 수 있다.
이용자는 제1 건강 데이터에 대응하는 제2 건강 데이터를 정보 제공 장치(1100)에 입력할 수 있다. 제2 건강 데이터는 이용자의 건강 데이터(7100)를 얻기 위한 답변 형식으로 이루어질 수 있다. 정보 제공 장치(1100)는 제2 건강 데이터를 정보 처리 시스템(1200)에 전송할 수 있다. 정보 처리 시스템(1200)은 획득한 제2 건강 데이터를 정보 제공 장치(1100)로부터 수신할 수 있다.
정보 처리 시스템(1200)은 이용자의 식별 정보를 기반으로 제1 건강 데이터와 제2 건강 데이터를 통해 획득된 이용자의 건강 데이터(7100)를 메모리(3210)에 저장하면서, 이용자를 회원으로 등록시킬 수 있다. 정보 처리 시스템(1200)은 회원 등록이 완료되면, 회원 등록이 완료되었다는 확인 메시지를 정보 제공 장치(1100)에 전송할 수 있다.
단계 S9200에서, 이용자에게 심뇌혈관질환 발생 위험도 예측 정보가 제공된다.
구체적으로, 정보 처리 시스템(1200)의 프로세서(3220)는 기계 학습 모델(6000)을 통해 단계 S9100에서 획득한 건강 데이터(7100)에 관해 예측된 뇌혈관질환 발생 위험도를 출력할 수 있다. 예를 들어, 기계 학습 모델(6000)은 단계 S9100에서 획득한 건강 데이터(7100)에 따른 10년 이내 심장 질환이 발생할 위험도를 퍼센트(%)로 출력하거나, 8년 이내 뇌졸중이 발생할 위험도를 퍼센트(%)로 출력하거나, 국민건강알람서비스의 위험도를 점수로 출력할 수 있다.
정보 처리 시스템(1200)은 예측된 심뇌혈관질환 발생 위험도 정보를 정보 제공 장치(1100)에 전송할 수 있다. 정보 제공 장치(1100)는 심뇌혈관질환 발생 위험도 예측 정보를 수신하고 이용자가 인식할 수 있도록 디스플레이 등에 출력할 수 있다.
단계 S9300에서, 변화된 이용자의 건강 데이터를 업데이트하거나, 변화된 의학적 지식을 반영한 추가 데이터를 획득한다.
구체적으로, 이용자는 시간이 경과함에 따라 변화하는 이용자의 건강 데이터(7100)를 정보 제공 장치(1100)에 새롭게 입력할 수 있다. 정보 제공 장치(1100)는 새롭게 획득된 이용자의 건강 데이터(7100)를 정보 처리 시스템(1200)에 전송할 수 있다.
또한 구체적으로, 정보 처리 시스템(1200)의 기계 학습 모델 업데이트부(5400)는 시간이 경과함에 따라 변화하는 의학적 지식이나 역학적 특성을 반영한 추가 데이터(8100)를 획득하여 기계 학습 모델(6000)을 학습시킬 수 있다.
단계 S9400에서, 이용자에게 업데이트 된 건강 데이터(7100) 및/또는 획득된 추가 데이터(8100)를 이용하여 업데이트된 심뇌혈관질환 발생 위험도 예측 정보가 제공된다.
구체적으로, 업데이트 된 건강 데이터(7100)를 통해 업데이트 된 심뇌혈관질환 발생 위험도에 대한 예측 정보를 출력할 수 있거나, 정보 처리 시스템(1200)의 프로세서(3220)가 획득된 추가 데이터(8100)를 이용하여 기계 학습 모델(6000)을 통해 업데이트된 심뇌혈관질환 발생 위험도에 대한 예측 정보를 출력할 수 있다.
정보 처리 시스템(1200)은 업데이트 된 심뇌혈관질환 발생 위험도 예측 정보를 정보 제공 장치(1100)에 전송할 수 있다. 정보 제공 장치(1100)는 업데이트 된 심뇌혈관질환 발생 위험도 예측 정보를 수신하고 이용자가 인식할 수 있도록 디스플레이 등에 출력할 수 있다.
도 10은 본 발명의 일 실시 예에 따른 심뇌혈관질환 발생 위험도 정보 제공 시스템을 설명하기 위한 도면이다.
단계 S10100에서, 정보 제공 장치(1100)는 심뇌혈관 발생 위험도 예측 정보 제공 서비스 이용 요청을 정보 처리 시스템(1200)에 전송할 수 있다.
단계 S10200에서, 정보 처리 시스템(1200)은 심뇌혈관 발생 위험도 예측 정보 제공 서비스 이용 요청이 정보 제공 장치(1100)로부터 수신되면, 제1 건강 데이터를 정보 제공 장치(1100)에 전송할 수 있다.
단계 S10300에서, 정보 제공 장치(1100)는 이용자가 인식할 수 있도록 제1 건강 데이터를 출력 장치를 통해 출력하고, 이용자는 입력 장치를 통해 제2 건강 데이터를 입력 장치를 통해 입력할 수 있다.
단계 S10400에서, 정보 제공 장치(1100)는 이용자가 입력한 제2 건강 데이터를 정보 처리 시스템(1200)에 전송할 수 있다.
단계 S10500에서, 정보 처리 시스템(1200)은 획득된 이용자의 건강 데이터(7100)를 기반으로 이용자를 회원으로 등록시킬 수 있다.
단계 S10600에서, 정보 처리 시스템(1200)은 회원으로 등록된 이용자의 건강 데이터(7100)에 따른 심뇌혈관질환 발생 위험도 예측 정보를 생성할 수 있다.
단계 S10700에서, 정보 처리 시스템(1200)은 생성한 심뇌혈관질환 발생 위험도 예측 정보를 정보 제공 장치(1100)에 전송할 수 있다. 정보 제공 장치(1100)는 정보 처리 시스템(1200)으로부터 수신된 심뇌혈관질환 발생 위험도 예측 정보를 이용자가 인식할 수 있도록 디스플레이에 출력할 수 있다.
도 11a 내지 도 11c는 획득된 건강 데이터(7100)의 일 실시 예를 나타낸 도면이다.
정보 처리 시스템(1200)의 프로세서(3220)는 기계 학습 모델(6000)을 이용하여 획득된 건강 데이터(7100)에 따른 심뇌혈관질환 발생 위험도에 대한 예측 결과(7200) 또는 업데이트된 심뇌혈관질환 발생 위험도에 대한 예측 결과(8200)를 제공할 수 있다.
기계 학습 모델(6000)을 지도 학습하기 위한 제1 학습 데이터 및 제2 학습 데이터의 출력 데이터는 성별, 나이, 혈압, 키, 몸무게, 당뇨 여부, 토탈콜레스테롤, 흡연 여부, 운동 여부 및 음주량 등의 정보를 고려하여 설계된 위험도 및/또는 건강생활실천 점수를 포함할 수 있다.
건강 데이터(7100)를 획득하기 위해, 정보 처리 시스템(1200)은 제1 건강 데이터를 정보 제공 장치(1100)에 전송하고, 제1 건강 데이터를 출력 장치를 통해 이용자가 인식하면 이용자가 제2 건강 데이터를 입력 장치를 통해 입력하여, 정보 제공 장치(1100)가 제2 건강 데이터를 정보 처리 시스템(1200)에 전송하게 될 수 있다.
건강 데이터(7100)는 비침습적 진단방법으로 알 수 있는 데이터로서, 건강에 관련된 라이프로그(lifelog) 등이 이에 해당할 수 있다.
예를 들어, 제1 건강 데이터는 흡연 여부, 음주량, 고혈압 판정 여부, 당뇨 판정 여부, 고지혈증 판정 여부, 기타 심뇌혈관질환 판정 여부, 식사량, 식사시간, 신체활동 시간 등을 묻는 설문 형식으로 이루어질 수 있다. 제2 건강 데이터는 상술한 제1 건강 데이터에 대응하는 이용자의 답변 형식으로 이루어질 수 있다.
정보 처리 시스템(1200)의 프로세서(3220)는 기계 학습 모델(6000)을 이용하여 비침습적 진단방법으로 알 수 있는 데이터인 건강과 관련된 라이프로그(lifelog)에 따른 심뇌혈관질환 발생 위험도에 대한 예측 결과(7200) 또는 업데이트된 심뇌혈관질환 발생 위험도에 대한 예측 결과(8200)를 이용자에게 제공할 수 있다.
1000: 심뇌혈관질환 발생 위험도 정보 제공 시스템
1100: 정보 제공 장치
1200: 정보 처리 시스템
5500: 학습 데이터
6000: 기계 학습 모델
7100: 건강 데이터
8100: 추가 데이터
1100: 정보 제공 장치
1200: 정보 처리 시스템
5500: 학습 데이터
6000: 기계 학습 모델
7100: 건강 데이터
8100: 추가 데이터
Claims (12)
- 적어도 하나의 프로세서에 의해 수행되는, 심뇌혈관질환 발생 위험도를 예측하는 방법에 있어서,
외부로부터 입력되는 건강 데이터를 획득하는 단계;
기계 학습 모델을 이용하여, 획득된 상기 건강 데이터로부터 심뇌혈관질환 발생 위험도를 예측하는 단계; 및
예측된 상기 심뇌혈관질환 발생 위험도를 출력하는 단계를 포함하고,
상기 기계 학습 모델은 복수의 획득된 상기 건강 데이터와 연관된 심뇌혈관질환 발생 위험도가 학습된 모델인,
심뇌혈관질환 발생 위험도를 예측하는 방법. - 제1항에 있어서,
상기 기계 학습 모델은 제1 학습 데이터로 지도 학습된 제1 기계 학습 모델에 대해 제2 학습 데이터로 적응 학습된 제2 기계 학습 모델인,
심뇌혈관질환 발생 위험도를 예측하는 방법. - 제2항에 있어서,
상기 제1 학습 데이터 및 상기 제2 학습 데이터에 대한 입력 데이터는 공공의료기관에서 제공되는 공공 의료 데이터, 혈액 검사 데이터 및 미리 저장된 환자의 건강 데이터 중 적어도 하나를 포함하고,
상기 제1 학습 데이터 및 상기 제2 학습 데이터에 대한 출력 데이터는 상기 입력 데이터에 대한 심혈관 질환 발생 위험도, 뇌졸증 위험도 및 건강생활실천점수 중 적어도 하나를 포함하고,
상기 심혈관 질환 발생 위험도, 상기 뇌졸증 위험도 및 상기 건강생활실천점수는 환자의 성별, 나이, 혈압, 키, 몸무게, 당뇨 여부, 토탈콜레스테롤, 흡연 여부, 운동 여부 및 음주량 중 적어도 하나를 고려하여 설계되는,
심뇌혈관질환 발생 위험도를 예측하는 방법. - 제1항에 있어서,
상기 건강 데이터는 비침습적 진단방법으로 얻는 건강 관련 라이프로그(lifelog)인,,
심뇌혈관질환 발생 위험도를 예측하는 방법. - 제1항에 있어서,
상기 심뇌혈관질환 발생 위험도를 예측하는 단계는,
상기 기계 학습 모델을 이용하여, 획득된 상기 건강 데이터에 따라 계산된 위험도로 설계된 학습 데이터를 출력하는 단계를 포함하는,
심뇌혈관질환 발생 위험도를 예측하는 방법. - 제1항에 있어서,
예측된 상기 심뇌혈관질환 발생 위험도는 심혈관질환 위험도, 뇌졸중 위험도 및 건강생활실천점수 중 적어도 하나를 포함하는,
심뇌혈관질환 발생 위험도를 예측하는 방법. - 제1항에 있어서,
심뇌혈관질환 발생 위험도와 관련된 추가 데이터를 수신하는 단계
를 더 포함하고,
상기 기계 학습 모델은 수신된 상기 추가 데이터를 이용하여, 획득된 상기 건강 데이터와 연관된 심뇌혈관질환 발생 위험도가 학습되는 모델인,
심뇌혈관질환 발생 위험도를 예측하는 방법. - 정보 처리 시스템에 의해 수행되는 방법으로서,
심뇌혈관질환 발생 위험도 정보 제공 서비스 이용 요청을 정보 제공 장치로부터 수신하는 단계;
상기 서비스 이용 요청에 포함된 이용자의 식별 정보를 기반으로 회원 정보를 생성하는 단계;
생성된 상기 회원 정보를 기반으로, 심뇌혈관질환 발생 위험도를 예측하기 위한 제1 건강 데이터를 상기 정보 제공 장치에 전송하는 단계;
상기 제1 건강 데이터에 대한 이용자의 답변 정보를 포함한 제2 건강 데이터를 상기 정보 제공 장치로부터 수신하는 단계;
기계 학습 모델을 이용하여, 수신된 상기 제2 건강 데이터로부터 예측된 심뇌혈관질환 발생 위험도 정보를 생성하는 단계; 및
상기 예측된 심뇌혈관질환 발생 위험도 정보를 상기 정보 제공 장치에 전송하는 단계;를 포함하고,
상기 기계 학습 모델은 수신된 상기 제2 건강 데이터와 연관된 심뇌혈관질환 발생 위험도가 학습된 모델인
심뇌혈관질환 발생 위험도를 예측하는 방법. - 제8항에 있어서,
수신된 상기 제2 건강 데이터는 비침습적 진단방법으로 얻는 건강 관련 라이프로그(lifelog)인,
심뇌혈관질환 발생 위험도를 예측하는 방법. - 제8항에 있어서,
상기 정보 제공 장치는 스마트워치, 스마트폰, 의료기기 및 IOT 디바이스 중 하나인 것을 특징으로 하는,
심뇌혈관질환 발생 위험도를 예측하는 방법. - 제1항 내지 제10항 중 어느 한 항에 따른 심뇌혈관질환 발생 위험도를 예측하는 방법을 컴퓨터에서 실행시키기 위한 프로그램을 기록한 기록 매체.
- 수신된 건강 데이터를 저장하는 메모리;
기계 학습 모델을 이용하여 저장된 상기 건강 데이터로부터 심뇌혈관질환 발생 위험도를 예측하도록 구성된 프로세서; 및
예측된 상기 심뇌혈관질환 발생 위험도를 정보 제공 장치에 전송하는 통신부;를 포함하고,
상기 기계 학습 모델은 저장된 상기 건강 데이터와 연관된 심뇌혈관질환 발생 위험도가 학습된 모델인,
심뇌혈관질환의 발생 예측 위험도 제공 정보 처리 시스템.
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020220146391A KR20240064402A (ko) | 2022-11-04 | 2022-11-04 | 심뇌혈관질환 발생 위험도 정보를 예측하여 제공하는 방법 및 시스템 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020220146391A KR20240064402A (ko) | 2022-11-04 | 2022-11-04 | 심뇌혈관질환 발생 위험도 정보를 예측하여 제공하는 방법 및 시스템 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| KR20240064402A true KR20240064402A (ko) | 2024-05-13 |
Family
ID=91073493
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020220146391A KR20240064402A (ko) | 2022-11-04 | 2022-11-04 | 심뇌혈관질환 발생 위험도 정보를 예측하여 제공하는 방법 및 시스템 |
Country Status (1)
| Country | Link |
|---|---|
| KR (1) | KR20240064402A (ko) |
Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR102427749B1 (ko) | 2019-12-30 | 2022-08-01 | (주)아이쿱 | 심혈관 질환 위험도 예측 방법 및 시스템 |
-
2022
- 2022-11-04 KR KR1020220146391A patent/KR20240064402A/ko unknown
Patent Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR102427749B1 (ko) | 2019-12-30 | 2022-08-01 | (주)아이쿱 | 심혈관 질환 위험도 예측 방법 및 시스템 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Jusoh | A survey on trend, opportunities and challenges of mHealth apps. | |
| Galetsi et al. | Exploring benefits and ethical challenges in the rise of mHealth (mobile healthcare) technology for the common good: An analysis of mobile applications for health specialists | |
| KR102427508B1 (ko) | 인공 지능 기반의 정신 건강 관리를 위한 장치 및 방법 | |
| US20190005200A1 (en) | Methods and systems for generating a patient digital twin | |
| JP2024059912A (ja) | デジタル個別化医療のためのプラットフォームおよびシステム | |
| US20190005195A1 (en) | Methods and systems for improving care through post-operation feedback analysis | |
| Abedjan et al. | Data science in healthcare: Benefits, challenges and opportunities | |
| KR20210057423A (ko) | 사용자 맞춤형 의료 정보를 제공하기 위한 방법 및 장치 | |
| EP4012719A1 (en) | Systems and methods for facilitating integrated behavioral support | |
| US20120046966A1 (en) | Health Management Application Development and Deployment Framework | |
| US20210294946A1 (en) | Selecting and applying digital twin models | |
| US20200104935A1 (en) | Systems and methods for wealth and health planning | |
| US20210257067A1 (en) | State transition prediction device, and device, method, and program for learning predictive model | |
| Chiang et al. | Guidelines for conducting ethical artificial intelligence research in neurology: a systematic approach for clinicians and researchers | |
| EP4173006A2 (en) | System and method for peri-anaesthetic risk evaluation | |
| US11816750B2 (en) | System and method for enhanced curation of health applications | |
| US11521724B2 (en) | Personalized patient engagement in care management using explainable behavioral phenotypes | |
| US20190189288A1 (en) | Providing subject-specific information | |
| KR20240064402A (ko) | 심뇌혈관질환 발생 위험도 정보를 예측하여 제공하는 방법 및 시스템 | |
| US20220415462A1 (en) | Remote monitoring methods and systems for monitoring patients suffering from chronical inflammatory diseases | |
| Zeng et al. | Greenolive: an open platform for wellness management ecosystem | |
| US20220093253A1 (en) | Mental health platform | |
| WO2022212765A1 (en) | Artificial intelligence for determining a patient's disease progression level to generate a treatment plan | |
| KR102303272B1 (ko) | 전립선암 위험도의 변화 정도 예측 시스템 | |
| KR20230070781A (ko) | 뇌졸중 재발 예측 및 관리 서비스 제공 방법, 장치 및 시스템 |