KR20240076604A - 간호 데이터를 이용한 섬망 위험도 예측 방법 및 그 장치 - Google Patents
간호 데이터를 이용한 섬망 위험도 예측 방법 및 그 장치 Download PDFInfo
- Publication number
- KR20240076604A KR20240076604A KR1020220157707A KR20220157707A KR20240076604A KR 20240076604 A KR20240076604 A KR 20240076604A KR 1020220157707 A KR1020220157707 A KR 1020220157707A KR 20220157707 A KR20220157707 A KR 20220157707A KR 20240076604 A KR20240076604 A KR 20240076604A
- Authority
- KR
- South Korea
- Prior art keywords
- risk prediction
- delirium
- delirium risk
- nursing
- medication
- Prior art date
Links
- 206010012218 Delirium Diseases 0.000 title claims abstract description 175
- 230000000474 nursing effect Effects 0.000 title claims abstract description 69
- 238000000034 method Methods 0.000 title claims description 24
- 238000013058 risk prediction model Methods 0.000 claims abstract description 42
- 238000013473 artificial intelligence Methods 0.000 claims abstract description 12
- 238000011156 evaluation Methods 0.000 claims abstract description 7
- 229940079593 drug Drugs 0.000 claims description 42
- 239000003814 drug Substances 0.000 claims description 42
- 206010039897 Sedation Diseases 0.000 claims description 10
- 208000027418 Wounds and injury Diseases 0.000 claims description 10
- 230000006378 damage Effects 0.000 claims description 10
- 208000014674 injury Diseases 0.000 claims description 10
- 206010010071 Coma Diseases 0.000 claims description 9
- 238000007637 random forest analysis Methods 0.000 claims description 9
- 241001602876 Nata Species 0.000 claims description 5
- 238000005259 measurement Methods 0.000 claims description 5
- 238000009528 vital sign measurement Methods 0.000 claims description 4
- 238000011017 operating method Methods 0.000 claims description 2
- 230000035488 systolic blood pressure Effects 0.000 description 16
- 230000036760 body temperature Effects 0.000 description 15
- 230000036387 respiratory rate Effects 0.000 description 14
- 230000004044 response Effects 0.000 description 14
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 description 11
- 238000004590 computer program Methods 0.000 description 11
- 229910052760 oxygen Inorganic materials 0.000 description 11
- 239000001301 oxygen Substances 0.000 description 11
- 238000004891 communication Methods 0.000 description 10
- 238000002405 diagnostic procedure Methods 0.000 description 8
- 238000010586 diagram Methods 0.000 description 7
- DDRJAANPRJIHGJ-UHFFFAOYSA-N creatinine Chemical compound CN1CC(=O)NC1=N DDRJAANPRJIHGJ-UHFFFAOYSA-N 0.000 description 6
- 238000012216 screening Methods 0.000 description 5
- 230000035945 sensitivity Effects 0.000 description 5
- 230000001755 vocal effect Effects 0.000 description 5
- 230000007423 decrease Effects 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 238000012706 support-vector machine Methods 0.000 description 4
- 229940109239 creatinine Drugs 0.000 description 3
- 238000010801 machine learning Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 210000002966 serum Anatomy 0.000 description 3
- 238000012549 training Methods 0.000 description 3
- 206010012289 Dementia Diseases 0.000 description 2
- 206010020772 Hypertension Diseases 0.000 description 2
- 238000001647 drug administration Methods 0.000 description 2
- 230000014509 gene expression Effects 0.000 description 2
- 238000007477 logistic regression Methods 0.000 description 2
- 238000003062 neural network model Methods 0.000 description 2
- 230000000144 pharmacologic effect Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000004393 prognosis Methods 0.000 description 2
- 238000010200 validation analysis Methods 0.000 description 2
- CVOFKRWYWCSDMA-UHFFFAOYSA-N 2-chloro-n-(2,6-diethylphenyl)-n-(methoxymethyl)acetamide;2,6-dinitro-n,n-dipropyl-4-(trifluoromethyl)aniline Chemical compound CCC1=CC=CC(CC)=C1N(COC)C(=O)CCl.CCCN(CCC)C1=C([N+]([O-])=O)C=C(C(F)(F)F)C=C1[N+]([O-])=O CVOFKRWYWCSDMA-UHFFFAOYSA-N 0.000 description 1
- 235000014653 Carica parviflora Nutrition 0.000 description 1
- 241000243321 Cnidaria Species 0.000 description 1
- 208000004210 Pressure Ulcer Diseases 0.000 description 1
- 230000001154 acute effect Effects 0.000 description 1
- 238000013019 agitation Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 210000004369 blood Anatomy 0.000 description 1
- 239000008280 blood Substances 0.000 description 1
- 230000036772 blood pressure Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000019771 cognition Effects 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 238000002059 diagnostic imaging Methods 0.000 description 1
- 230000009365 direct transmission Effects 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 208000035475 disorder Diseases 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 239000012535 impurity Substances 0.000 description 1
- 230000009349 indirect transmission Effects 0.000 description 1
- 238000005399 mechanical ventilation Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000007310 pathophysiology Effects 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 230000036280 sedation Effects 0.000 description 1
- 230000035807 sensation Effects 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000001356 surgical procedure Methods 0.000 description 1
- 208000024891 symptom Diseases 0.000 description 1
- 230000009885 systemic effect Effects 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/50—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for simulation or modelling of medical disorders
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/40—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
-
- 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
- G16H20/10—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance relating to drugs or medications, e.g. for ensuring correct administration to patients
- G16H20/17—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance relating to drugs or medications, e.g. for ensuring correct administration to patients delivered via infusion or injection
-
- 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
Landscapes
- Health & Medical Sciences (AREA)
- Engineering & Computer Science (AREA)
- Public Health (AREA)
- Medical Informatics (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Neurology (AREA)
- Primary Health Care (AREA)
- Life Sciences & Earth Sciences (AREA)
- Epidemiology (AREA)
- Pathology (AREA)
- Databases & Information Systems (AREA)
- Data Mining & Analysis (AREA)
- Surgery (AREA)
- Veterinary Medicine (AREA)
- Heart & Thoracic Surgery (AREA)
- Hospice & Palliative Care (AREA)
- Molecular Biology (AREA)
- Psychology (AREA)
- Animal Behavior & Ethology (AREA)
- Developmental Disabilities (AREA)
- Child & Adolescent Psychology (AREA)
- Psychiatry (AREA)
- Chemical & Material Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Medicinal Chemistry (AREA)
- Biophysics (AREA)
- Physics & Mathematics (AREA)
- Physiology (AREA)
- Neurosurgery (AREA)
- Medical Treatment And Welfare Office Work (AREA)
Abstract
적어도 하나의 프로세서에 의해 동작하는 섬망 위험도 예측 장치로서, 입력 데이터로부터 섬망 위험도를 예측하도록 훈련된 인공지능 모델로서, 간호사의 주관적인 환자 상태를 평가한 정보가 기록된 간호 데이터를 입력받아 섬망 위험도 예측을 출력하는 섬망 위험도 예측 모델을 포함할 수 있다.
Description
본 발명은 간호 데이터를 이용한 섬망 위험도 예측 방법 및 그 장치에 관한 것이다.
섬망(Delirium)은 중환자실에서 빈번하게 발생하는 신경 정신장애로 부적절한 행동과 생각, 인지 및 감각의 급성 변화를 나타내며 중환자실 환자의 최대 55%에서 관찰된다.
중환자실 환자에게서 섬망이 발생하게 되면, 환자의 예후에 부정적인 영향을 미쳐 재원 기간을 연장하고, 사망률을 높이며 의료 비용과 의료진의 업무 부담을 증가시킨다.
그런데, 섬망의 병태생리가 불분명하고 급성으로 발생하며 시간에 따라 증상의 변화가 심하기 때문에 의료진들이 섬망을 인지하지 못하거나(Missed), 늦게 발견하거나(Detected late), 오인하는(Misdiagnosed) 경우가 발생한다.
따라서, 중환자실에서는 섬망을 조기에 선별하고, 관리하기 위한 전략으로 섬망 선별도구인 Confusion Assessment Method for the intensive care unit (CAM-ICU)(Ely et al., 2001) 혹은 Intensive Care Delirium Screening Checklist (ICDSC)(Bergeron et al., 2001)로 섬망을 주기적으로 사정하고, 이에 따라 비약물적 및 약물적 중재를 제공하고 있다.
그러나, 모든 환자를 대상으로 한 섬망 선별과 예방 중재는 많은 자원과 인력의 투입이 필요하고, 의료진들이 섬망 선별 도구에 대한 교육을 충분히 받지 않은 경우 섬망 사정에 대한 예측 민감도가 감소한다.
또한, 종래 섬망 예측 방식은 주로 진단검사결과, 활력징후 등 정형화된 데이터를 기반으로 개발되어 있다는 한계점이 존재한다.
본 개시는, 근거의 수준이 높은 섬망의 위험요인과 중요한 임상적 맥락과 정보를 포함하고 있는 간호 데이터를 확인하여 중환자실 입원 기간 내에서 섬망 고위험 군을 선별할 수 있는 섬망 위험도 예측 모델을 생성하고, 이를 이용하여 섬망 위험도를 예측하는 방법 및 그 장치를 제공하는 것이다.
하나의 특징에 따르면, 적어도 하나의 프로세서에 의해 동작하는 섬망 위험도 예측 장치로서, 입력 데이터로부터 섬망 위험도를 예측하도록 훈련된 인공지능 모델로서, 간호사의 주관적인 환자 상태를 평가한 정보가 기록된 간호 데이터를 입력받아 섬망 위험도 예측을 출력하는 섬망 위험도 예측 모델을 포함한다.
상기 섬망 위험도 예측 모델은, 상기 간호 데이터로부터 획득한 간호 사정 패턴, 투약 기록 패턴 및 간호 기록 패턴 중 적어도 하나를 포함하는 예측 변수를 사용하여 상기 섬망 위험도 예측을 출력하도록 학습된 모델일 수 있다.
상기 간호 사정 패턴의 예측 변수는, 글라스고우 혼수척도(Glasgow Coma Scale, GCS) 관련 수치, 욕창 위험도 척도(pressure injury scale) 수치, RASS(Richmond Agitation-Sedation Scale) 수치, 통증 척도(pain score) 수치 중 적어도 하나를 포함할 수 있다.
상기 투약 기록 패턴의 예측 변수는, 프로레나타(pro re nata) 약물 투여(PRN medication administered) 여부, 예정된 약품 보류(scheduled medication withholds) 여부 및 일시적 약물 투여(once medication administered) 여부 중 적어도 하나를 포함할 수 있다.
상기 간호 기록 패턴의 예측 변수는, 간호사가 RASS(Richmond Agitation-Sedation Scale) 스코어, 글라스고우 혼수척도(Glasgow Coma Scale, GCS) 스코어를 기록한 일별 평균 횟수 또는 바이탈 사인 측정의 일별 평균 횟수 중 적어도 하나를 포함할 수 있다.
상기 섬망 위험도 예측 모델은, 환자 임상 정보로부터 획득한 환자 임상 정보 관련 예측 변수를 추가로 사용하여 학습된 모델이고, 상기 간호 데이터로부터 획득한 예측 변수와 상기 환자 임상 정보 관련 예측 변수를 입력받아 상기 섬망 위험도 예측을 출력할 수 있다.
상기 섬망 위험도 예측 모델은, 섬망 위험도 예측 변수들을 학습 데이터로 사용하여 랜덤 포레스트(Random forest) 모델을 학습시킨 모델일 수 있다.
다른 특징에 따르면, 적어도 하나의 프로세서에 의해 동작하는 섬망 위험도 예측 장치의 동작 방법으로서, 입력 데이터로부터 섬망 위험도를 예측하도록 섬망 위험도 예측 모델을 학습시키는 단계, 그리고 상기 섬망 위험도 예측 모델에 간호사의 주관적인 환자 상태를 평가한 정보가 기록된 간호 데이터를 입력하여 섬망 위험도 예측을 수행하는 단계를 포함한다.
상기 섬망 위험도 예측을 수행하는 단계는, 상기 간호 데이터로부터 획득한 간호 사정 패턴, 투약 기록 패턴 및 간호 기록 패턴 중 적어도 하나를 포함하는 예측 변수를 입력받는 단계, 그리고 입력받은 예측 변수를 사용하여 섬망 위험도 예측을 수행하는 단계를 포함할 수 있다.
상기 섬망 위험도 예측 모델을 학습시키는 단계는, 간호 사정 패턴, 투약 기록 패턴 및 간호 기록 패턴 중 적어도 하나를 포함하는 예측 변수를 사용하여 랜덤 포레스트(Random forest) 모델을 학습시켜 상기 섬망 위험도 예측 모델을 생성할 수 있다.
또 다른 특징에 따르면, 간호사의 주관적인 환자 상태를 평가한 정보가 기록된 간호 데이터를 입력받으면, 입력 데이터로부터 섬망 위험도를 예측하도록 훈련된 섬망 위험도 예측 모델을 이용하여 섬망 위험도 예측을 수행하는 프로세서를 포함할 수 있다.
상기 프로세서는, 간호 사정 패턴, 투약 기록 패턴 및 간호 기록 패턴 중 적어도 하나를 포함하는 간호 데이터 관련 예측 변수를 입력받고, 입력받은 예측 변수를 섬망 위험도 예측 모델에 입력하여 섬망 위험도 예측을 수행할 수 있다.
상기 프로세서는, 글라스고우 혼수척도(Glasgow Coma Scale, GCS) 관련 수치, 욕창 위험도 척도(pressure injury scale) 수치, RASS(Richmond Agitation-Sedation Scale) 수치, 통증 척도(pain score) 수치 중 적어도 하나를 포함하는 간호 사정 패턴, 프로레나타(pro re nata, PRN) 약물 투여(medication administered) 여부, 예정된 약품 보류(scheduled medication withholds) 여부 및 일시적 약물 투여(once medication administered) 여부 중 적어도 하나를 포함하는 투약 기록 패턴, 그리고 간호사가 RASS(Richmond Agitation-Sedation Scale) 스코어, 글라스고우 혼수척도(Glasgow Coma Scale, GCS) 스코어를 기록한 일별 평균 횟수 또는 바이탈 사인 측정의 일별 평균 횟수 중 적어도 하나를 포함하는 간호 기록 패턴을 포함하는 예측 변수를 상기 섬망 위험도 예측 모델에 입력하여 섬망 위험도 예측을 수행할 수 있다.
본 개시에 따르면, 환자 상태에 대한 맥락적 정보를 포함하고 있는 간호 데이터를 이용하여 섬망을 예측함으로써, 종래의 섬망 예측 모델에 비해 섬망 예측의 정확도를 높일 수 있다.
또한, 중환자실 환자를 대상으로 섬망 예방을 위한 맞춤형 간호중재 개발을 위한 이론적 근거를 제공할 수 있고, 개발된 섬망 위험도 예측 모델을 임상 실무에 적용함으로써 추가적인 섬망 사정없이 고위험 대상자를 선별할 수 있어 간호사의 업무 부담을 감소시킬 수 있다.
도 1은 실시예에 따른 섬망(delirium) 위험도 예측 방법을 나타낸 순서도이다.
도 2는 실시예에 따른 섬망 위험도 예측 장치의 연동 환경을 설명하는 도면이다.
도 3은 실시예에 따른 섬망 위험도 예측 관련 예측 변수들을 설명하는 도면이다.
도 4는 실시예에 따른 다양한 섬망 위험도 예측 모델들의 섬망 위험도 예측 성능 지표(AUROC)를 나타낸 그래프이다.
도 5는 실시예에 따른 섬망 위험도 예측 방법을 나타낸 순서도이다.
도 6은 다른 실시예에 따른 섬망 위험도 예측 장치의 하드웨어 구성을 나타낸 블록도이다.
도 2는 실시예에 따른 섬망 위험도 예측 장치의 연동 환경을 설명하는 도면이다.
도 3은 실시예에 따른 섬망 위험도 예측 관련 예측 변수들을 설명하는 도면이다.
도 4는 실시예에 따른 다양한 섬망 위험도 예측 모델들의 섬망 위험도 예측 성능 지표(AUROC)를 나타낸 그래프이다.
도 5는 실시예에 따른 섬망 위험도 예측 방법을 나타낸 순서도이다.
도 6은 다른 실시예에 따른 섬망 위험도 예측 장치의 하드웨어 구성을 나타낸 블록도이다.
아래에서는 첨부한 도면을 참고로 하여 본 발명의 실시예에 대하여 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자가 용이하게 실시할 수 있도록 상세히 설명한다. 그러나 본 발명은 여러 가지 상이한 형태로 구현될 수 있으며 여기에서 설명하는 실시예에 한정되지 않는다. 그리고 도면에서 본 발명을 명확하게 설명하기 위해서 설명과 관계없는 부분은 생략하였으며, 명세서 전체를 통하여 유사한 부분에 대해서는 유사한 도면 부호를 붙였다.
설명에서, 도면 부호 및 이름은 설명의 편의를 위해 붙인 것으로서, 장치들이 반드시 도면 부호나 이름으로 한정되는 것은 아니다.
설명에서, 어떤 부분이 어떤 구성요소를 "포함"한다고 할 때, 이는 특별히 반대되는 기재가 없는 한 다른 구성요소를 제외하는 것이 아니라 다른 구성요소를 더 포함할 수 있는 것을 의미한다.
또한, 명세서에 기재된 "…부", "…기", "…모듈" 등의 용어는 적어도 하나의 기능이나 동작을 처리하는 단위를 의미하며, 이는 하드웨어나 소프트웨어 또는 하드웨어 및 소프트웨어의 결합으로 구현될 수 있다.
본 발명에서 설명하는 장치들은 적어도 하나의 프로세서, 메모리 장치, 통신 장치 등을 포함하는 하드웨어로 구성되고, 지정된 장소에 하드웨어와 결합되어 실행되는 프로그램이 저장된다. 하드웨어는 본 발명의 방법을 실행할 수 있는 구성과 성능을 가진다. 프로그램은 도면들을 참고로 설명한 본 발명의 동작 방법을 구현한 명령어(instructions)를 포함하고, 프로세서와 메모리 장치 등의 하드웨어와 결합하여 본 발명을 실행한다.
본 명세서에서 "전송 또는 제공"은 직접적인 전송 또는 제공하는 것 뿐만 아니라 다른 장치를 통해 또는 우회 경로를 이용하여 간접적으로 전송 또는 제공도 포함할 수 있다.
본 명세서에서 단수로 기재된 표현은 "하나" 또는 "단일" 등의 명시적인 표현을 사용하지 않은 이상, 단수 또는 복수로 해석될 수 있다.
본 명세서에서 도면에 관계없이 동일한 도면번호는 동일한 구성요소를 지칭하며, "및/또는" 은 언급된 구성 요소들의 각각 및 하나 이상의 모든 조합을 포함한다.
본 명세서에서, 제1, 제2 등과 같이 서수를 포함하는 용어들은 다양한 구성요소들을 설명하는데 사용될 수 있지만, 상기 구성요소들은 상기 용어들에 의해 한정되지는 않는다. 상기 용어들은 하나의 구성요소를 다른 구성요소로부터 구별하는 목적으로만 사용된다. 예를들어, 본 개시의 권리 범위를 벗어나지 않으면서 제1 구성요소는 제2 구성요소로 명명될 수 있고, 유사하게 제2 구성요소도 제1 구성요소로 명명될 수 있다.
본 명세서에서 도면을 참고하여 설명한 흐름도에서, 동작 순서는 변경될 수 있고, 여러 동작들이 병합되거나, 어느 동작이 분할될 수 있고, 특정 동작은 수행되지 않을 수 있다.
본 개시의 사용자란, 의료 전문가로서 의사, 간호사, 임상병리사, 소노그래퍼, 또는 의료 영상 전문가 등이 되거나, 환자, 또는 보호자와 같은 일반인이 될 수 있으나, 이에 한정되지 않는다.
본 개시의 인공지능 모델(Artificial Intelligence model, AI model)은 적어도 하나의 태스크(task)를 학습하는 기계학습모델로서, 프로세서에 의해 실행되는 컴퓨터 프로그램으로 구현될 수 있다. 인공지능 모델이 학습하는 태스크란, 기계 학습을 통해 해결하고자 하는 과제 또는 기계 학습을 통해 수행하고자 하는 작업을 지칭할 수 있다. 인공지능 모델은 컴퓨팅 장치에서 실행되는 컴퓨터 프로그램으로 구현될 수 있고, 네트워크를 통해 다운로드되거나, 제품 형태로 판매될 수 있다. 또는 인공지능 모델은 네트워크를 통해 다양한 장치들과 연동할 수 있다.
도 1은 실시예에 따른 섬망(delirium) 위험도 예측 방법을 나타낸 순서도이고, 도 2는 실시예에 따른 섬망 위험도 예측 장치의 연동 환경을 설명하는 도면이고, 도 3은 실시예에 따른 섬망 위험도 예측 관련 예측 변수들을 설명하는 도면이고, 도 4는 실시예에 따른 다양한 섬망 위험도 예측 모델들의 섬망 위험도 예측 성능 지표(AUROC)를 나타낸 그래프이다.
도 1을 참고하면, 섬망 위험도 예측 장치(100)는 적어도 하나의 프로세서에 의해 동작하는 컴퓨팅 장치이다.
섬망 위험도 예측 장치(100)는 인공지능(Artificial Intelligence, AI) 모델을 이용하여, 입력 데이터로부터 섬망 위험도 예측을 제공할 수 있다.
섬망 위험도 예측 장치(100)는 섬망 위험도 예측 모델(110)을 포함한다.
섬망 위험도 예측 모델(110)은 입력 데이터로부터 섬망 위험도를 예측하도록 훈련된 인공지능 모델이다. 입력 데이터는 섬망 위험도에 영향을 미치는 예측 변수로서, 예측 변수는 간호 데이터를 포함할 수 있다.
또한, 예측 변수는 간호 데이터 이외에 인구학적 정보, 과거력, 임상적 특성, 진단 검사 결과, 활력 징후 중 적어도 하나를 추가로 포함할 수 있다.
도 2를 참조하면, 섬망 위험도 예측 장치(100)는 독립된 장치이거나 또는 다른 장치들과의 연동형 장치로 구현될 수 있다.
섬망 위험도 예측 장치(100)는 데이터베이스(200)로부터 간호 데이터를 획득할 수 있다. 또한, 섬망 위험도 예측 장치(100)는 데이터베이스(200) 또는/및 사용자 단말(300)로부터 인구학적 정보, 과거력, 임상적 특성, 진단 검사 결과, 활력 징후 중 적어도 하나를 획득할 수 있다.
섬망 위험도 예측 장치(100)는 의료 기관의 각종 데이터베이스(200), 예를 들면, 전자의무기록(Electronic Medical Record, EMR), 전자건강기록(Electronic Health Record, EHR) 등과 연동해서 환자의 간호 데이터, 인구학적 정보, 과거력, 임상적 특성, 진단 검사 결과, 활력 징후를 획득할 수 있다.
사용자 단말(300)은 섬망 위험도 예측 장치(100) 및 데이터베이스(200)와 연동하여 필요한 정보를 화면에 표시하는 사용자 인터페이스 화면을 제공할 수 있다. 사용자 단말(300)은 전용 뷰어를 통해 섬망 위험도 예측 장치(100)에서 제공된 정보를 표시할 수 있다.
섬망 위험도 예측 장치(100)는 사용자 단말(300)로부터 섬망 위험도 예측을 요청받고, 사용자 단말(300)에게 요청된 예측에 응답할 수 있다. 사용자 단말(300)은 접근 권한을 가진 다수의 의료 기관들의 단말(의료진 단말)일 수 있다.
섬망 위험도 예측 장치(100)는 서버 장치일 수 있고, 사용자 단말(300)은 의료 기관에 설치된 클라이언트 단말일 수 있으며, 이들은 네트워크를 통해 연동할 수 있다. 섬망 위험도 예측 장치(100)는 특정 의료 기관 내 네트워크에 연결된 로컬 서버일 수 있다. 섬망 위험도 예측 장치(100)는 클라우드 서버일 수 있고, 접근 권한을 가진 다수의 의료 기관들의 단말(의료진 단말) 또는 접근 권한을 가진 환자 개인 단말과 연동할 수 있다.
섬망 위험도 예측 장치(100)는 간호 데이터, 인구학적 정보, 과거력, 임상적 특성, 진단 검사 결과, 활력 징후를 이용하여, 섬망 위험도 예측을 수행한다.
섬망 위험도 예측 모델(110)은 간호 데이터, 인구학적 정보, 과거력, 임상적 특성, 진단 검사 결과, 활력 징후로부터 획득한 섬망 위험도 예측에 관련된 다양한 예측 변수들을 학습 데이터로 사용하여, 훈련된 모델이다.
이러한 예측 변수들은 섬망 위험도 예측 모델(110)의 입력 데이터로 사용된다. 섬망 위험도 예측에 관련된 예측 변수들은 표 1과 같을 수 있다.
| 카테고리 | 변수 |
| 간호 사정 | GCS score, GCS-eye score, GCS-motor score, GCS-verbal score, pressure injury scale score, RASS score, pain score |
| 투약 기록(새로운 기록 발생) | PRN medication administered (yes/no), scheduled medication withholds (yes/no), once medication administered (yes/no) |
| 간호 기록 횟수 | RASS 횟수, GCS 횟수, complete set of vital signs measurements 횟수, single vital sign measurements 횟수(heart rate, systolic blood pressures, body temperature, respiratory rate, oxygen saturation |
| 인구학적 정보 | 나이(age), 성별(gender) |
| 과거력 | 치매(dementia), 고혈압(hypertension), 낙상(history of fall) |
| 임상적 특성 | 수술(operation), 침습적 기계환기(invasive ventilator), 폴리 카테터(foley catheter), 신체 구속(physical restraint), 수혈(transfusion) |
| 진단검사 결과 | 혈청 크레아티닌(serum creatinine) |
| 활력 징후 | 심박수(heart rate), 수축기 혈압(systolic blood pressure), 체온(body temperature), 산호 포화도(oxygen saturation), 호흡수(respiratory rate) |
표 1에 따르면, 간호 데이터는 복수개의 예측 변수들로 구성되는데, 복수개의 예측 변수들은 간호 사정 예측 변수, 투약 기록 예측 변수, 간호 기록 횟수 예측 변수로 구성된다.
간호 사정 예측 변수는 다음과 같다.
글라스고우 혼수척도(Glasgow Coma Scale, GCS) 스코어(score)는 간호사가 환자의 의식 상태를 평가하여 기록하며, '3'에서 '15' 사이의 점수를 가지며 '3'은 최악, '15'는 최고이다. GCS 스코어는 개안 반응(GCS-eye) 스코어(score), 언어 반응(GCS-verbal) 스코어(score), 운동 반응(GCS-motor) 스코어(score)의 3가지 매개변수로 구성되고, 3가지 매개변수들 각각의 스코어를 합산한 값과 이들의 총합으로 기록된다.
개안 반응(GCS-eye) 스코어(score)는 간호사가 환자의 눈 반응(E)을 척도에 따라 평가하여 최상의 눈 반응(E)을 나타내는 수치를 기록하며, 평가한 수치들 중에서 최소값(min)과 최대값(max)이 기록된다.
언어 반응(GCS-verbal) 스코어(score)는 간호사가 환자의 언어 반응(V)을 척도에 따라 평가하여 최상의 언어 반응(V)을 나타내는 수치를 기록하며, 평가한 수치들 중에서 최소값(min)과 최대값(max)이 기록된다.
운동 반응(GCS-motor) 스코어(score)는 간호사가 환자의 운동 반응(M)을 척도에 따라 평가하여 최상의 운동 반응(M)을 나타내는 수치를 기록하며, 평가한 수치들 중에서 최소값(min)과 최대값(max)이 기록된다.
GCS 스코어(Score) 총합은 간호사가 환자의 눈 반응(E), 언어 반응(V), 운동 반응(M)을 척도에 따라 평가하여 최상의 수치를 합산하여 기록하며, 평가한 수치들 중에서 입실 후 처음(first), 마지막(last), 최소값(min)과 최대값(max)이 기록된다.
욕창 위험도 척도(pressure injury scale) 스코어(score)는 간호사가 환자의 욕창 발병 위험을 척도에 따라 평가한 수치를 기록한다.
RASS(Richmond Agitation-Sedation Scale) 스코어(score)는 간호사가 환자의 초조함 또는 진정 수준을 척도에 따라 평가한 수치를 기록한다.
통증 척도(pain score) 스코어(score)는 간호사가 환자의 통증 강도 또는 기타 기능을 환자가 주관적으로 평가한 수치를 기록한다.
또한, 투약 기록 예측 변수는 다음과 같다.
프로레나타(pro re nata, PRN) 약물 투여(medication administered)는 하루 중 특정 시간 또는 전적으로 간호사의 재량에 따라 간호사가 환자에게 필요시 약물의 투여 여부를 나타내는 값으로서, 간호사는 투여(yes) 또는 미투여(no)를 기록한다.
예정된 약품 보류(scheduled medication withholds)는 환자에게 투여하기로 예정되어 있던 약물을 투여하지 않은 경우에, 간호사가 기록하며 보류(yes) 또는 미보류(no)를 기록한다.
일시적 약물 투여(once medication administered)는 환자에게 일시적으로 특정 약물을 투여한 경우에, 간호사가 기록하며 투여(yes)를 기록한다.
프로레나타(pro re nata) 약물 투여, 예정된 약품 보류, 일시적 약물 투여는 환자의 상태가 변함을 나타내는 변수이다.
기록 횟수 예측 변수는 다음과 같다.
RASS 횟수(frequency)는 간호사가 RASS 스코어를 기록한 일별 평균 횟수, 즉, 간호사가 환자의 RASS를 평가한 일별 평균 횟수를 기록한다.
GCS 횟수(frequency)는 간호사가 GCS 스코어를 기록한 일별 평균 횟수, 즉, 간호사가 환자의 GCS를 평가한 일별 평균 횟수를 기록한다.
바이탈 사인 측정의 완전한 세트(complete set of vital signs measurements) 횟수(frequency)는 간호사가 환자의 바이탈 사인 전체, 즉, 심박수(heart rate), 혈압(systolic blood pressures), 체온(body temperature), 호흡수(respiratory rate), 산소 포화도(oxygen saturation)를 동일한 시간에 측정한 일별 평균 횟수를 기록한다.
심박수(heart rate) 횟수(frequency)는 간호사가 환자의 심박수를 측정한 일별 평균 횟수를 기록한다.
혈압(systolic blood pressures) 횟수 (frequency)은 간호사가 환자의 수축기 혈압을 측정한 일별 평균 횟수를 기록한다.
체온(body temperature) 횟수 (frequency)은 간호사가 환자의 체온을 측정한 일별 평균 횟수를 기록한다.
호흡수(respiratory rate) 횟수 (frequency)는 간호사가 환자의 호흡수를 측정한 일별 평균 횟수를 기록한다.
산소 포화도(oxygen saturation) 횟수 (frequency)는 간호사가 환자의 산소 포화도를 측정한 일별 평균 횟수를 기록한다.
여기서, 바이탈 사인 측정의 완전한 세트(complete set of vital signs measurements) 횟수, 심박수(heart rate) 횟수, 수축기 혈압(systolic blood pressures) 횟수, 체온(body temperature) 횟수, 호흡수(respiratory rate) 횟수, 산소 포화도(oxygen saturation) 횟수는 측정 수치가 아닌 간호사가 측정한 일별 평균 횟수가 기록된다.
바이탈 사인 측정의 완전한 세트(complete set of vital signs measurements) 횟수(frequency)가 증가했다는 것은 환자의 상태가 위중하다는 것을 나타낸다.
이상의 간호 사정 예측 변수, 투약 기록 예측 변수, 간호 기록 횟수 예측 변수는 환자에 대한 간호 기록의 패턴에 해당된다. 간호사의 환자 상태 악화에 대한 염려는 직접적이고 객관적인 생리학적 수치의 악화보다 먼저 일어나기 때문에 직접적인 환자의 생리학적 데이터보다 환자에서 간호 기록의 빈도 증가와 새로운 간호 기록의 발생으로 섬망 예후 악화를 사전에 예측할 수 있다.
인구학적 정보 예측 변수는 환자의 나이, 성별을 포함할 수 있다.
과거력 예측 변수는 환자의 치매, 고혈압, 낙상 유무를 나타내는 값이 기록된다.
임상적 특성 예측 변수는 수술 유무, 침습적 기계 환기 유무, 폴리 카테터 사용 유무, 신체 구속 유무, 수혈 유무를 나타내는 값이 기록된다.
진단 검사 결과 예측 변수는 혈청 크레아티닌 수치가 기록된다. 보통, 섬망 환자는 혈청 크레아티닌 수치가 증가하는 양상을 나타내므로, 이는 섬망 여부를 예측하는 변수로 사용된다.
활력 징후 예측 변수는 환자의 심박수 수치, 수축기 혈압 수치, 체온, 산호 포화도 수치, 호흡수 수치가 기록된다.
섬망 위험도 예측 모델(110)에서 섬망 유, 무를 분류하는 목적은 더 동질한 그룹(=more pure)으로 나누는 것이고, 이것은 모델의 정확도를 높이게 된다.
본 발명의 실시예에서는 Mean decrease Gini를 기준으로 섬망 위험도 예측 변수들의 중요도를 평가하였다.
여기서, Mean decrease Gini는 투입된 각각의 변수를 기준으로 섬망 유, 무에 따라 데이터를 분류하는 지점(split point)에서의 데이터의 불순도(impurity)가 감소하는 합의 평균을 나타내는 것으로서, 투입된 변수가 모델을 더 동질한 그룹으로 분류할수록 그 값은 커진다.
섬망 위험도 예측 변수의 중요도는 Breiman이 단일 결정 트리에서 제안한 공식을 기초로 산출되었다.
섬망 위험도(Y)를 예측하기 위한 Xj이라는 섬망 위험도 예측 변수의 중요도는 결정 트리의 노드 t에서 가장 불순도를 감소할 수 있는 분할 ()을 의미하며, 이는 수학식 1과 같다.
[수학식 1]
수학식 1을 통해 섬망 위험도 예측 변수들의 중요도는 도 3과 같이 나타낼 수 있다.
도 3을 참조하면, 중요도 평가에 사용된 예측 변수들은 다음 표 2와 같다.
| 변수 | 설명 |
| GCS, last | GCS score, 간호사가 측정한 환자의 GCS score에서 마지막 값 |
| GCS, max | GCS score, 간호사가 측정한 환자의 GCS score의 최대값 |
| GCS Verbal, max | GCS-verbal score, 간호사가 측정한 환자의 GCS-verbal score의 최대값 |
| GCS Verbal, min | GCS-verbal score, 간호사가 측정한 환자의 GCS-verbal score의 최소값 |
| RASS, min | RASS score, 간호사가 측정한 환자의 RASS score 에서 최소값 |
| GCS, first | GCS score, 간호사가 측정한 환자의 GCS score에서 처음 값 |
| BT(body temperature), frequency | Body temperature 횟수, 간호사가 환자의 체온을 측정한 일별 평균 횟수 |
| GCS, min | GCS score, 간호사가 측정한 환자의 GCS score의 최소값 |
| Pain, max | Pain score, 간호사가 측정한 환자의 pain score의 최대값 |
| RR(respiratory rate), frequency | Respiratory rate, 간호사가 환자의 호흡수를 측정한 일별 평균 횟수 |
| HR(heart rate), frequency | Heart rate, 간호사가 환자의 심박수를 측정한 일별 평균 횟수 |
| GCS eye, min | GCS-eye score, 간호사가 측정한 환자의 GCS-eye score의 최소값 |
| SBP(systolic blood pressure), frequency | Systolic blood pressure, 간호사가 환자의 수축기 혈압을 측정한 일별 평균 횟수 |
| SpO2(oxygen saturation), frequency | Oxygen saturation, 간호사가 환자의 산소 포화도를 측정한 일별 평균 횟수 |
| Pressure injury, min | Pressure injury scale score, 간호사가 측정한 환자의 pressure injury scale score의 최소값 |
| RASS, frequency | RASS scale, 간호사가 환자의 RASS 스코어를 기록한 일별 평균 횟수 |
| BT, max | 체온(body temperature), 간호사가 측정한 환자의 체온에서 최대값 |
| GCS motor, min | GCS-motor score, 간호사가 측정한 환자의 GCS-motor score의 최소값 |
| GCS, frequency | GCS, 간호사가 환자의 GCS 스코어를 기록한 일별 평균 횟수 |
| SBP, max | 수축기 혈압, 간호사가 측정한 환자의 수축기 혈압의 최대값 |
GCS, last/ GCS, max / GCS Verbal, max / GCS Verbal, min / RASS, min / GCS, min / Pain, max / GCS eye, min / RASS, frequency / GCS motor, min / GCS, frequency / Pressure injury, min이 중요도 순위에서 다수를 차지하고, 상위권에 속하므로, 간호 사정 예측 변수가 상대적으로 중요도가 높음을 알 수 있다.
또한,
BT(body temperature), frequency / RR(respiratory rate), frequency / HR(heart rate), frequency / SBP(systolic blood pressure), frequency / SpO2(oxygen saturation), frequency / BT, max / SBP, max가 중요도 순위에서 다수를 차지하므로, 간호 사정 예측 변수 다음으로 상대적인 중요도가 높음을 알 수 있다.
섬망 위험도 예측 모델(110)은 훈련 과정에서 입력과 출력 사이의 관계를 학습하고, 새로운 입력으로부터 추론된 결과를 출력할 수 있다.
섬망 위험도 예측 모델(110)은 표 1에서 설명한 섬망 위험도 예측 변수들과 섬망 발생 유무 간의 관계를 학습하고, 입력된 섬망 위험도 예측 변수들로부터 섬망 위험도 예측을 출력하도록 훈련된 인공지능 모델일 수 있다.
섬망 위험도 예측 모델(110)은 섬망 환자 및 정상인 각각의 간호 데이터 및 환자 임상 데이터로부터 획득한 섬망 위험도 예측 변수들과 섬망 발생 유무 간의 관계를 학습하고, 입력된 섬망 위험도 예측 변수들로부터 섬망 위험도 예측을 출력하도록 훈련된 인공지능 모델일 수 있다.
한 실시예에 따르면, 섬망 위험도 예측 모델(110)은 표 1에서 설명한 섬망 위험도 예측 변수들을 학습 데이터로 사용하여 랜덤 포레스트(Random forest) 모델을 학습시킨 모델일 수 있다.
표 1에서 설명한 간호 데이터 예측 변수, 환자 임상 예측 변수와 섬망 유무를 라벨링한 학습 데이터와 검증 데이터를 8:2로 나누고 학습 데이터를 사용하여 섬망 위험도 예측 모델(110)을 학습시키고, 검증 데이터로 섬망 위험도 예측 모델(110)의 성능을 평가할 수 있다. 이때, 평가 방법은 sensitivity, specificity/recall, positive predictive value(PPV)/precision, negative predictive value(NPV), F1 score, accuracy, Youden index, AUROC(Area Under Receiver Operating Characteristic) 중 적어도 하나를 사용할 수 있으나, 도 4와 같이, AUROC를 사용하여 평가할 수 있다.
AUROC는 sensitivity와 1-specificity 값을 이용한 커브 면적을 나타낸다.
도 4를 참조하면, 섬망 위험도 예측 변수들로 로지스틱 회귀(Logistic regression) 모델, 신경망(neural network) 모델, 서포트 벡터 머신(support vector machine, SVM) 모델, 랜덤 포레스트(random forest) 모델을 학습시키고, 이러한 모델들의 평가 지표로서 AUROC를 생성한 결과에 따르면, 랜덤 포레스트(random forest) 모델의 AUROC와 민감도(Sensitivity)가 모두 가장 높은 값을 가진다. AUROC와 민감도가 높다는 것은 예측력이 높다는 것을 의미한다.
도 5는 실시예에 따른 섬망 위험도 예측 방법을 나타낸 순서도이다.
도 5를 참조하면, 섬망 위험도 예측 장치(100)는 표 1에서 설명한 중환자실 환자에 관한 예측 변수들을 입력받는다(S101).
섬망 위험도 예측 장치(100)는 S101에서 입력 받은 예측 변수들을 기계 분석이 가능한 형태, 즉, 통계 분석이 가능한 형태로 전처리한다(S102).
S102에서, 섬망 위험도 예측 장치(100)는 간호 사정 예측 변수, 투약 기록 예측 변수, 간호 기록 횟수 예측 변수를 각각 숫자 형태로 변환할 수 있다. 예컨대, 투약 기록 예측 변수의 경우, 섬망 위험도 예측 장치(100)는 기록이 있으면 1, 기록이 없으면 0으로 코딩할 수 있다. 간호 사정 예측 변수의 경우, 섬망 위험도 예측 장치(100)는 스코어(Score)를 정해진 룰에 따른 값으로 정규화할 수 있다. 간호 기록 횟수 예측 변수의 경우, 섬망 위험도 예측 장치(100)는 기록 횟수를 하나의 변수로 처리할 수 있다.
섬망 위험도 예측 장치(100)는 전처리한 예측 변수들을 학습 데이터로 사용하여 섬망 위험도 예측 모델을 훈련시킨다(S103).
이때, S103에서 섬망 위험도 예측 장치(100)는 다양한 학습 모델들, 로지스틱 회귀(Logistic regression) 모델, 신경망(neural network) 모델, 서포트 벡터 머신(support vector machine, SVM) 모델, 랜덤 포레스트(random forest) 모델을 학습시키고, 검증 데이터를 이용하여 이들의 예측 성능을 평가할 수 있다(S104).
섬망 위험도 예측 장치(100)는 S104의 평가 결과에 기초하여, 학습된 랜덤 포레스트(random forest) 모델을 최종 섬망 위험도 예측 모델로 선정할 수 있다(S105).
섬망 위험도 예측 장치(100)는 섬망 위험도 예측 변수들을 입력받는다(S106). 실시예에 따르면, 섬망 위험도 예측 입력을 위한 전용 사용자 인터페이스를 통하여 예측 변수들을 입력받을 수 있다. 혹은, 데이터베이스(200)로부터 섬망 위험도 예측 대상인 환자의 섬망 위험도 예측 변수들을 의료진 또는 사용자의 선택에 따라 수신될 수 있다.
섬망 위험도 예측 장치(100)는 S106에서 입력받은 섬망 위험도 예측 변수들을 섬망 위험도 예측 모델에 입력하여 섬망 위험도 예측을 수행한다(S107).
한편, 도 6은 다른 실시예에 따른 섬망 위험도 예측 장치의 하드웨어 구성을 나타낸 블록도이다.
도 6을 참고하면, 도 1 ~ 도 5에서 설명한 섬망 위험도 예측 장치는 컴퓨팅 장치(400)로 구현될 수 있다. 컴퓨팅 장치(400)는 적어도 하나의 프로세서(410), 프로세서(410)에 의하여 수행되는 컴퓨터 프로그램을 로드하는 메모리(420), 컴퓨터 프로그램 및 각종 데이터를 저장하는 저장 장치(430), 통신 인터페이스(440), 그리고 이들을 연결하는 버스(450)를 포함할 수 있다. 이외에도, 컴퓨팅 장치(400)는 다양한 구성 요소가 더 포함될 수 있다. 컴퓨터 프로그램은 메모리(420)에 로드될 때 프로세서(410)로 하여금 본 개시의 다양한 실시예에 따른 방법/동작을 수행하도록 하는 명령어들(instruction)을 포함할 수 있다. 즉, 프로세서(410)는 명령어들을 실행함으로써, 본 개시의 다양한 실시예에 따른 방법/동작들을 수행할 수 있다. 컴퓨터 프로그램은 기능을 기준으로 묶인 일련의 컴퓨터 판독가능 명령어들로 구성되고, 프로세서에 의해 실행되는 것을 가리킨다. 컴퓨터 프로그램은 질의문 생성 모델을 포함할 수 있다. 컴퓨터 프로그램은 본 개시에 관련된 질의문 생성 모델의 사전 학습, 사후 학습 및 미세 조정 등의 동작이 기술된 명령어들을 포함할 수 있다.
프로세서(410)는 컴퓨팅 장치(400)의 각 구성의 전반적인 동작을 제어한다. 프로세서(410)는 CPU(Central Processing Unit), MPU(Micro Processor Unit), MCU(Micro Controller Unit), GPU(Graphic Processing Unit) 또는 본 개시의 기술 분야에 잘 알려진 임의의 형태의 프로세서 중 적어도 하나를 포함하여 구성될 수 있다. 또한, 프로세서(410)는 본 개시의 다양한 실시예들에 따른 방법/동작을 실행하기 위한 적어도 하나의 애플리케이션 또는 컴퓨터 프로그램에 대한 연산을 수행할 수 있다.
메모리(420)는 각종 데이터, 명령 및/또는 정보를 저장한다. 메모리(420)는 본 개시의 다양한 실시예들에 따른 방법/동작을 실행하기 위하여 저장 장치(430)로부터 하나 이상의 컴퓨터 프로그램을 로드할 수 있다. 메모리(420)는 RAM과 같은 휘발성 메모리로 구현될 수 있을 것이나, 본 개시의 기술적 범위는 이에 한정되지 않는다.
저장 장치(430)는 컴퓨터 프로그램을 비임시적으로 저장할 수 있다. 저장 장치(430)는 ROM(Read Only Memory), EPROM(Erasable Programmable ROM), EEPROM(Electrically Erasable Programmable ROM), 플래시 메모리 등과 같은 비휘발성 메모리, 하드 디스크, 착탈형 디스크, 또는 본 개시가 속하는 기술 분야에서 잘 알려진 임의의 형태의 컴퓨터로 읽을 수 있는 기록 매체를 포함하여 구성될 수 있다.
통신 인터페이스(440)는 컴퓨팅 장치(400)의 유무선 인터넷 통신을 지원한다. 또한, 통신 인터페이스(440)는 인터넷 통신 외의 다양한 통신 방식을 지원할 수도 있다. 이를 위해, 통신 인터페이스(440)는 본 개시의 기술 분야에 잘 알려진 통신 모듈을 포함하여 구성될 수 있다.
버스(450)는 컴퓨팅 장치(400)의 구성 요소 간 통신 기능을 제공한다. 버스(450)는 주소 버스(Address Bus), 데이터 버스(Data Bus) 및 제어 버스(Control Bus) 등 다양한 형태의 버스로 구현될 수 있다.
이상에서 설명한 본 발명의 실시예는 장치 및 방법을 통해서만 구현이 되는 것은 아니며, 본 발명의 실시예의 구성에 대응하는 기능을 실현하는 프로그램 또는 그 프로그램이 기록된 기록 매체를 통해 구현될 수도 있다.
이상에서 본 발명의 실시예에 대하여 상세하게 설명하였지만 본 발명의 권리범위는 이에 한정되는 것은 아니고 다음의 청구범위에서 정의하고 있는 본 발명의 기본 개념을 이용한 당업자의 여러 변형 및 개량 형태 또한 본 발명의 권리범위에 속하는 것이다.
Claims (13)
- 적어도 하나의 프로세서에 의해 동작하는 섬망 위험도 예측 장치로서,
입력 데이터로부터 섬망 위험도를 예측하도록 훈련된 인공지능 모델로서, 간호사의 주관적인 환자 상태를 평가한 정보가 기록된 간호 데이터를 입력받아 섬망 위험도 예측을 출력하는 섬망 위험도 예측 모델
을 포함하는, 섬망 위험도 예측 장치. - 제1항에서,
상기 섬망 위험도 예측 모델은,
상기 간호 데이터로부터 획득한 간호 사정 패턴, 투약 기록 패턴 및 간호 기록 패턴 중 적어도 하나를 포함하는 예측 변수를 사용하여 상기 섬망 위험도 예측을 출력하도록 학습된 모델인, 섬망 위험도 예측 장치. - 제2항에서,
상기 간호 사정 패턴의 예측 변수는,
글라스고우 혼수척도(Glasgow Coma Scale, GCS) 관련 수치, 욕창 위험도 척도(pressure injury scale) 수치, RASS(Richmond Agitation-Sedation Scale) 수치, 통증 척도(pain score) 수치 중 적어도 하나를 포함하는, 섬망 위험도 예측 장치. - 제2항에서,
상기 투약 기록 패턴의 예측 변수는,
프로레나타(pro re nata) 약물 투여(PRN medication administered) 여부, 예정된 약품 보류(scheduled medication withholds) 여부 및 일시적 약물 투여(once medication administered) 여부 중 적어도 하나를 포함하는, 섬망 위험도 예측 장치. - 제2항에서,
상기 간호 기록 패턴의 예측 변수는,
간호사가 RASS(Richmond Agitation-Sedation Scale) 스코어, 글라스고우 혼수척도(Glasgow Coma Scale, GCS) 스코어를 기록한 일별 평균 횟수 또는 바이탈 사인 측정의 일별 평균 횟수 중 적어도 하나를 포함하는, 섬망 위험도 예측 장치. - 제2항에서,
상기 섬망 위험도 예측 모델은,
환자 임상 정보로부터 획득한 환자 임상 정보 관련 예측 변수를 추가로 사용하여 학습된 모델이고,
상기 간호 데이터로부터 획득한 예측 변수와 상기 환자 임상 정보 관련 예측 변수를 입력받아 상기 섬망 위험도 예측을 출력하는, 섬망 위험도 예측 장치. - 제2항에서,
상기 섬망 위험도 예측 모델은,
섬망 위험도 예측 변수들을 학습 데이터로 사용하여 랜덤 포레스트(Random forest) 모델을 학습시킨 모델인, 섬망 위험도 예측 장치. - 적어도 하나의 프로세서에 의해 동작하는 섬망 위험도 예측 장치의 동작 방법으로서,
입력 데이터로부터 섬망 위험도를 예측하도록 섬망 위험도 예측 모델을 학습시키는 단계, 그리고
상기 섬망 위험도 예측 모델에 간호사의 주관적인 환자 상태를 평가한 정보가 기록된 간호 데이터를 입력하여 섬망 위험도 예측을 수행하는 단계
를 포함하는 동작 방법. - 제8항에서,
상기 섬망 위험도 예측을 수행하는 단계는,
상기 간호 데이터로부터 획득한 간호 사정 패턴, 투약 기록 패턴 및 간호 기록 패턴 중 적어도 하나를 포함하는 예측 변수를 입력받는 단계, 그리고
입력받은 예측 변수를 사용하여 섬망 위험도 예측을 수행하는 단계
를 포함하는, 동작 방법. - 제9항에서,
상기 섬망 위험도 예측 모델을 학습시키는 단계는,
간호 사정 패턴, 투약 기록 패턴 및 간호 기록 패턴 중 적어도 하나를 포함하는 예측 변수를 사용하여 랜덤 포레스트(Random forest) 모델을 학습시켜 상기 섬망 위험도 예측 모델을 생성하는, 동작 방법. - 간호사의 주관적인 환자 상태를 평가한 정보가 기록된 간호 데이터를 입력받으면, 입력 데이터로부터 섬망 위험도를 예측하도록 훈련된 섬망 위험도 예측 모델을 이용하여 섬망 위험도 예측을 수행하는 프로세서를 포함하는, 컴퓨팅 장치.
- 제11항에서,
상기 프로세서는,
간호 사정 패턴, 투약 기록 패턴 및 간호 기록 패턴 중 적어도 하나를 포함하는 간호 데이터 관련 예측 변수를 입력받고, 입력받은 예측 변수를 섬망 위험도 예측 모델에 입력하여 섬망 위험도 예측을 수행하는 컴퓨팅 장치. - 제12항에서,
상기 프로세서는,
글라스고우 혼수척도(Glasgow Coma Scale, GCS) 관련 수치, 욕창 위험도 척도(pressure injury scale) 수치, RASS(Richmond Agitation-Sedation Scale) 수치, 통증 척도(pain score) 수치 중 적어도 하나를 포함하는 간호 사정 패턴,
프로레나타(pro re nata, PRN) 약물 투여(medication administered) 여부, 예정된 약품 보류(scheduled medication withholds) 여부 및 일시적 약물 투여(once medication administered) 여부 중 적어도 하나를 포함하는 투약 기록 패턴, 그리고
간호사가 RASS(Richmond Agitation-Sedation Scale) 스코어, 글라스고우 혼수척도(Glasgow Coma Scale, GCS) 스코어를 기록한 일별 평균 횟수 또는 바이탈 사인 측정의 일별 평균 횟수 중 적어도 하나를 포함하는 간호 기록 패턴
을 포함하는 예측 변수를 상기 섬망 위험도 예측 모델에 입력하여 섬망 위험도 예측을 수행하는, 컴퓨팅 장치.
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020220157707A KR20240076604A (ko) | 2022-11-22 | 2022-11-22 | 간호 데이터를 이용한 섬망 위험도 예측 방법 및 그 장치 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020220157707A KR20240076604A (ko) | 2022-11-22 | 2022-11-22 | 간호 데이터를 이용한 섬망 위험도 예측 방법 및 그 장치 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| KR20240076604A true KR20240076604A (ko) | 2024-05-30 |
Family
ID=91275948
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020220157707A KR20240076604A (ko) | 2022-11-22 | 2022-11-22 | 간호 데이터를 이용한 섬망 위험도 예측 방법 및 그 장치 |
Country Status (1)
| Country | Link |
|---|---|
| KR (1) | KR20240076604A (ko) |
-
2022
- 2022-11-22 KR KR1020220157707A patent/KR20240076604A/ko unknown
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US20220330823A1 (en) | Systems and devices for telemetry monitoring management | |
| US9997260B2 (en) | Retrieval of similar patient cases based on disease probability vectors | |
| US20170119297A1 (en) | Method and system for assessing mental state | |
| US20170124279A1 (en) | Adaptive Complimentary Self-Assessment And Automated Health Scoring For Improved Patient Care | |
| WO2012033771A2 (en) | Medical scoring systems and methods | |
| US20190392952A1 (en) | Computer-implemented methods, systems, and computer-readable media for diagnosing a condition | |
| JP2006507875A (ja) | 患者の健康を自動診断するシステムおよび方法 | |
| US20220344059A1 (en) | System, Method, and Computer Program Product for Detecting and Responding to Patient Neuromorbidity | |
| US11322250B1 (en) | Intelligent medical care path systems and methods | |
| US20230245779A1 (en) | System and method for peri-anaesthetic risk evaluation | |
| US20210043326A1 (en) | Methods and systems for telemetry monitoring protocol management | |
| Kamio et al. | Use of machine-learning approaches to predict clinical deterioration in critically ill patients: a systematic review | |
| Chakshu et al. | An AI based digital-twin for prioritising pneumonia patient treatment | |
| Spanakis et al. | Congestive heart failure risk assessment monitoring through internet of things and mobile personal health systems | |
| KR20220157330A (ko) | 머신 러닝 기반 잠복기별 치매 예측 방법, 그리고 이를 구현하기 위한 장치 | |
| CN116682565B (zh) | 一种数字化医疗信息在线监测方法、终端及介质 | |
| US20200035361A1 (en) | Method and electronic device for artificial intelligence (ai)-based assistive health sensing in internet of things network | |
| WO2020148757A1 (en) | System and method for selecting required parameters for predicting or detecting a medical condition of a patient | |
| US20230029542A1 (en) | Medical information processing method, medical information processing device, and program | |
| US20230105348A1 (en) | System for adaptive hospital discharge | |
| KR20240076604A (ko) | 간호 데이터를 이용한 섬망 위험도 예측 방법 및 그 장치 | |
| Kim et al. | Development and Comparative Performance of Physiologic Monitoring Strategies in the Emergency Department | |
| US20190088369A1 (en) | Determining patient status based on measurable medical characteristics | |
| CN114144837A (zh) | 用于动态预测普通病房中的患者的出院准备的模型 | |
| Wong et al. | Identifying vital sign abnormality in acutely-ill patients |