WO2016068391A1 - 환자 개인 특성에 대한 분석 방법 및 그 장치 - Google Patents

환자 개인 특성에 대한 분석 방법 및 그 장치 Download PDF

Info

Publication number
WO2016068391A1
WO2016068391A1 PCT/KR2014/013121 KR2014013121W WO2016068391A1 WO 2016068391 A1 WO2016068391 A1 WO 2016068391A1 KR 2014013121 W KR2014013121 W KR 2014013121W WO 2016068391 A1 WO2016068391 A1 WO 2016068391A1
Authority
WO
WIPO (PCT)
Prior art keywords
disease
value
onset
examination
examinee
Prior art date
Application number
PCT/KR2014/013121
Other languages
English (en)
French (fr)
Inventor
김성일
김명수
Original Assignee
삼성에스디에스 주식회사
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 삼성에스디에스 주식회사 filed Critical 삼성에스디에스 주식회사
Publication of WO2016068391A1 publication Critical patent/WO2016068391A1/ko

Links

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
    • G16H50/20—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
    • 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
    • G16H15/00—ICT specially adapted for medical reports, e.g. generation or transmission thereof
    • 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
    • G16H40/00—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices
    • G16H40/40—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices for the management of medical equipment or devices, e.g. scheduling maintenance or upgrades
    • 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

Definitions

  • the present invention relates to a method and an apparatus for analyzing personal characteristics of a patient. More specifically, the method and apparatus for providing a characteristic value reflecting the constitution specificity of the examinee, when a specific examiner shows different results from the statistical model reflecting the data of a plurality of patients due to the constitution specificity, etc. will be.
  • Disease prediction techniques using computing operations are provided.
  • the disease prediction technology can be largely divided into genetic analysis and environmental factor analysis. Genetic analysis is expected to have the greatest impact on the prediction and treatment of human disease. Due to the considerable cost and privacy protection issues, disease prediction techniques through genetic analysis are still slow to popularize.
  • Environmental factors analysis is a method to analyze the individual's life, habits and examinations from a statistical point of view and to draw meaningful results to introduce disease prediction and personalized prescriptions in the future.
  • Big data analysis technology which is widely used in recent years, can analyze a wider range of data, and the more data analyzed, the higher the accuracy of disease prediction will be.
  • the technical problem to be solved by the present invention is to calculate a characteristic value reflecting the characteristics of the patient not falling within the general scope.
  • Another technical problem to be solved by the present invention is to predict the disease of the patient by using the calculated characteristic value, or to provide a personalized medical service specialized for the patient.
  • Another technical problem to be solved by the present invention is to accumulate the examination data or environmental element data of patients not included in the general category in the population database, so that disease prediction based on statistical models can be performed for other patients not included in the general category in the future. It is.
  • a method for analyzing a patient's personal characteristics comprising: receiving examination data of a examiner having a first disease; Determining whether the examination data is matched to a statistical model, and calculating the characteristic value of the examinee when the patient personal characteristic analysis device is determined to be inconsistent as a result of the determination. .
  • the characteristic value of the examinee is calculated such that the sum of the adjusted screening values for each onset factor of the first disease and the onset criteria are the same values, and the adjusted screening value for the specific onset factor is
  • the examination value of the examinee for a specific onset factor reflects the personalization weight for the specific onset factor, and the personalization weight for the specific onset factor is a value determined using the examinee's characteristic value ⁇ At least one of the personalization weights for each onset factor is different from the personalization weights for the other onset factors.
  • the examination numerical center value DF_MID i may be a distance between a center point of a representative cluster of DFactor i and an origin point of an n-dimensional space.
  • the examination numerical center value DF_MID i may be an average value for the distance between each point belonging to the representative cluster of DFactor i and the origin of the n-dimensional space.
  • the onset factor of a particular disease may include sub onset factors.
  • the determining may include generating the first disease statistical model by using examination numerical data of each onset factor of the first disease of the onset of the first disease provided from the population database providing device.
  • the examination numerical data may include examination values for a plurality of sub-occurrence factors belonging to each onset factor.
  • the generating of the first disease statistical model indicates a checkup value for the first onset factor of each onset, using checkup values for a plurality of sub-occurrence factors belonging to the first onset factor of the first disease.
  • a first step of mapping points onto an n-dimensional (n is the number of sub-occurrence factors) space, a second step of repeating the first step with respect to the diagnosis numerical data of each patient, and density-based clustering
  • M may include a fifth step of repeating the first to fourth steps with respect to the onset factor (M is the number of onset factors of the first disease).
  • the third step of obtaining the representative cluster may include a third step of selecting one of the points mapped on the n-dimensional space in the first step, and a predetermined designation from the points selected in the third step.
  • the method may include a 3D step of repeating steps 3A to 3B.
  • step 3B may include determining that a plurality of representative clusters are established. That is, only one representative cluster may exist for one pathogen, but a plurality of representative clusters may exist.
  • Determining whether or not a checkup value for each onset factor of a examiner conforms to the first disease statistical model includes determining a plurality of sub onset factors belonging to the first onset factor of the examinee's examination data. Step A of mapping an examinee point indicating an examination value for the first onset factor of the examinee on the n-dimensional space using the examinee values for the examinee, and the examinee point is a representative cluster for the first onset factor. Judging whether the examination value for the first onset factor of the examiner conforms to the first disease statistical model, and the A step for the second to M onset factors It may include a step C to repeat the steps to B.
  • determining whether a checkup value for each onset factor of the examiner conforms to the first disease statistical model wherein the checker indicates a checkup value for the first onset factor of the examinee. If an examinee point belongs to the representative cluster for the first onset factor, assigning the point determined based on the contribution rate of the first onset factor and granting the point to the second to M onset factor Repeating for and if the sum of the given points exceeds the reference value for the first disease, the examination data of the examinee is included in the first disease statistical model obtained from the examination values of the onset of the first disease. The method may further include determining that it matches.
  • determining whether or not a checkup value for each onset factor of the examiner conforms to the first disease statistical model indicates the checkup value for the first onset factor of the examinee.
  • Adjusting the distance, repeating the distance for the second to M onset factors, and if the sum of the adjusted distances is less than the reference value for the first disease The examination data of the examiner is in accordance with the first disease statistical model obtained from the examination values of the onset of the first disease
  • the method may further include determining.
  • the first disease statistical model is obtained from a screening value for each onset factor of the first disease of the onset of the first disease provided from a population database providing device, the patient personal characteristic analysis method, Updating the population database by receiving examination data of the examinee into the population database, receiving examination data of another examiner with the first disease, and updating the updated population database.
  • the method may further include generating a first disease statistical model.
  • the method for analyzing a patient's personal characteristics may include: screening a second disease statistical model obtained from a checkup value of a person who is the second disease when the examinee further has a second disease different from the first disease. If it is determined that the data is consistent, and if it is determined that the data is not matched, the updated characteristic value of the examinee is updated by using only a portion of the examination values of the examinee's examination data that meets the second disease statistical model. It may further comprise the step.
  • the method for analyzing individual patient characteristics may further include predicting a possibility of occurrence of a second disease different from the first disease by using the calculated characteristic value.
  • the predicting of the likelihood of occurrence of the second disease may include adjusting the partial examination values based on the characteristic values by reflecting the characteristic values as weights with respect to the partial examination values, and Predicting the onset of the second disease by determining whether the examinee's checkup data, including the adjusted some checkpoint values, conforms to a second disease statistical model obtained from the checklist of the onset of the second disease. It may include a step.
  • the patient personal characteristic analysis method, the patient personal characteristic analysis device, the step of transmitting the calculated characteristic value to the personalized prescription device, the personalized prescription device, the prescription using the characteristic value It may further comprise the step of adjusting.
  • a method for analyzing a patient's personal characteristics may include receiving examination data of a examiner having a first disease and performing a check on a first disease statistical model obtained from a checkup value of the onset of the first disease. Determining whether or not the examination data match, and calculating a characteristic value ⁇ of the examinee if it is determined that the examination data does not match.
  • the characteristic value of the examinee is calculated such that the sum of the adjusted screening values for each onset factor of the first disease and the onset criteria are the same values, and the adjusted screening value for the specific onset factor is
  • the examination value of the examinee for a specific onset factor is a value reflecting the personalization weight for the specific onset factor
  • the personalization weight for a specific onset factor is the checkup value of the examinee for the specific onset factor is the specific onset factor
  • the value of the examinee is set to the first weight specified using the characteristic value ( ⁇ ) of the examinee, and the examination value of the examinee for the specific onset factor is determined for the specific onset factor.
  • a second weight specified using the examinee's characteristic value (a) if it does not meet the first disease statistical model Value is set. The first weight and the second weight are different values.
  • the first weight may be a positive value, while the second weight may be a negative value.
  • both the first weight and the second weight may be positive values, and the first weight may be greater than the second weight.
  • a method for analyzing a patient's personal characteristics comprising: receiving examination data of a examiner having a first disease; Determining whether the examination data is matched, and when the diagnosis data and the first disease statistical model do not match, by using only a part of the examination data corresponding to the first disease statistical model among the examination data. Calculating a characteristic value of the examinee.
  • the calculating of the characteristic value may include: the sum of adjusted examination values reflecting the characteristic value as a weight on the examination value corresponding to the first disease statistical model among the examination data to be the onset criteria. Calculating a characteristic value.
  • the calculating of the characteristic value may include a first weight and a characteristic value of a diagnosis value corresponding to a diagnosis item of the examination value to a diagnosis value corresponding to the first disease statistical model among the examination data. Computing the characteristic value such that the sum of the adjusted examination values reflecting all the second weights becomes the onset reference value.
  • the onset reference value may be a value obtained by adding values reflecting a contribution rate of the onset factor to a center value for each onset factor according to the first disease statistical model.
  • the method comprises the steps of receiving examination data of a examiner with a first disease, and for the first disease statistical model obtained from examination values of the onset of the first disease. Determining whether the examination data is matched, and when the diagnosis data and the first disease statistical model do not match, by using only a part of the examination data corresponding to the first disease statistical model among the examination data.
  • a computer program recorded on a recording medium may be provided.
  • a speaker personal characterization apparatus comprising at least one processor, a network interface, a memory, and a storage device in which a computer program loaded in the memory and executed by the processor is recorded.
  • the computer program includes a series of instructions for receiving examination data of a examiner with a first disease through the network interface, and a first disease statistical model obtained from a checkup value of the onset of the first disease.
  • the method comprises the steps of receiving examination data of a examiner with a first disease, and for the first disease statistical model obtained from examination values of the onset of the first disease. Determining whether the examination data is matched; and if it is determined that the examination data do not match, calculating the characteristic value ⁇ of the examinee, wherein the characteristic value of the examinee is determined as that of the first disease.
  • the adjusted checkup values for the onset factors are calculated to be equal to the sum of the adjusted checkup values for each onset factor, and the adjusted checkup values for the specific onset factors are based on the checkup values of the examinee for the specific onset factors.
  • the personalization weight for a factor is a value reflecting the personalization weight, and the personalization weight for a specific onset factor is equal to the characteristic value ⁇ of the examinee.
  • a computer program recorded on a recording medium which is the value determined by means of the present invention, is provided.
  • an apparatus for analyzing patient personal characteristics may include a storage device including one or more processors, a network interface, a memory, and an executable file of a computer program loaded in the memory and executed by the processor. Include.
  • the computer program may determine whether a series of instructions for receiving checkup data of a checker having a first disease matches the checkup data with respect to a first disease statistical model obtained from checkup values of the onset of the first disease.
  • the adjusted checkup value for the factor and the patient's reference value are calculated by adding the adjusted checkup values for the factor, and the adjusted checkup value for the specific onset factor is determined based on the checkup value of the examinee for the specific onset factor. Is a value reflecting personalization weight for a factor, and the personalization weight for a specific onset factor is the examinee Is a value determined by using a characteristic value ( ⁇ ).
  • FIG. 1 is a block diagram of a system for analyzing patient characteristics according to an embodiment of the present invention.
  • FIG. 2 is a block diagram of a system for analyzing patient characteristics according to another embodiment of the present invention.
  • FIG. 3 is a flow chart of a method for analyzing patient personal characteristics according to another embodiment of the present invention.
  • FIG. 4 is a detailed flowchart of some operations of the invention illustrated in FIG. 3.
  • 5 to 6 are diagrams for explaining a process of generating a statistical model for the specific disease from the data on the specific disease pathogen of the population database.
  • FIG. 7 is a detailed flowchart of some other operations of the invention shown in FIG.
  • FIG. 8 is a diagram for describing a method of evaluating whether examination data of a examiner having a specific disease conforms to a statistical model for the specific disease.
  • FIG. 9 is a flowchart including an operation that may be performed after the operation illustrated in FIG. 3.
  • 10 to 11 illustrate how the statistical model may be changed when the examination data of disease patients who do not correspond to the statistical model generated by using the data of disease patients stored in the population DB is updated in the population DB. It is for the drawing.
  • FIG. 12 is a block diagram of an apparatus for analyzing patient characteristics according to another embodiment of the present invention.
  • FIG. 13 is a hardware configuration diagram of an apparatus for analyzing patient personal characteristics according to still another embodiment of the present invention.
  • the patient personal characteristic analysis system may include a patient personal characteristic analyzing apparatus 10, a population database providing apparatus 20, and a hospital health examination managing apparatus 30.
  • the hospital medical checkup management device 30 manages checkup data of examinees who have performed a medical checkup.
  • the examination data may be processed in a predetermined form and provided to the population database providing apparatus 20.
  • the hospital medical examination management apparatus 30 may provide the population database providing apparatus 20 with a list of diseases each examiner has in addition to the examination data.
  • the hospital health examination management device 30 does not provide the examination data of the examinee who does not have any disease to the population database providing device 20.
  • the examination data includes not only a checkup value for a checkup item through a blood test, a biopsy, etc., but also a checkup value for a lifestyle-related checkup item through a survey.
  • the medical examination management apparatus 30 of the hospital is connected to a user device (not shown) such as a biometric information collection device, a wearable device, or a smart phone through a network, and the examination data includes a lifestyle-related checkup item collected by the user device.
  • Checkup figures may also be included.
  • the examination data may include exercise amount information of the examinee collected through a wearable device such as a smart watch.
  • the population database providing apparatus 20 stores, updates, and deletes a population database including a checkup value for each individual checkup item.
  • the population database further includes information about diseases owned by each individual. For example, the disease codes of the diseases owned by each individual at the time of examination may be matched to the records of each individual.
  • the population database providing device 20 receives a request for providing the examination numerical data of a first disease (eg, diabetes) patient from the patient personality analysis device 10
  • the population database providing device 20 includes the first disease included in the population database.
  • the examination numerical data of each of the patients is provided to the patient personal characteristic analysis device 10.
  • the hospital medical examination management device 30 transmits the examination data of the examinee who has checked the questionnaire as having the first disease to the patient personal characteristic analysis device 10, thereby requesting the personal characteristic analysis of the examinee.
  • the patient personal characteristic analyzing apparatus 10 receives the examination data and checks whether the examination level of the examinee is statistically similar to the examination level of the first disease patients recorded in the population database.
  • the patient personal characteristic analysis device 10 is the first disease received from the population database providing device 20 A screening number of the sick may be used to generate a statistical model of the first disease. The method for confirming whether the examination value is statistically similar to the data recorded in the population database and generating the characteristic value will be described in more detail later.
  • the tester may be understood to have an organic specificity, unlike many first disease patients.
  • the patient personal characteristic analysis device 10 generates the characteristic value of the examinee.
  • the characteristic value of the examinee may be understood as a numerical value containing the temporal specificity of the examinee.
  • the characteristic value of the examinee may be a set of values representing the immunity level for each examination item (or onset factor or environmental factor).
  • the characteristic value of the examinee may be utilized in various ways to provide personalized medical services to the examinee.
  • the patient personal characteristic analyzing apparatus 10 transmits the generated characteristic value to the hospital medical examination managing apparatus 30, and the hospital medical examination managing apparatus 30 is sent to the personalized prescription apparatus (not shown) in the hospital.
  • the property value can be passed.
  • the personalized prescription device adjusts the pre-written prescription for the examinee by using the characteristic value, or transmits the characteristic value to a doctor terminal, based on the characteristic value of the prescription written by the attending physician. To make adjustments.
  • the patient personal characteristic analysis device 10 may predict the occurrence of a disease not checked by the examinee in advance by using the characteristic value. It is assumed that a questionnaire is performed to check a disease that the examinee has while presenting the first to tenth diseases to the examinee. In the survey, it is assumed that the examinee has a first disease, whereas the second to ten diseases are not answered. And the examinee actually has a second disease.
  • the patient personal characteristic analysis apparatus 10 may determine whether the examination data of the examiner matches the second disease statistical model generated by using the data of the second disease patients in the population database. In this case, the patient personal characteristic analyzing apparatus 10 may reflect the characteristic value as a weight to some examination values of the examination data of the examinee, and then determine whether the examination values correspond to the second disease statistical model. .
  • the examinee Considering the temporal specificity of the examinee, if the examination data is compared with the second disease statistical model without the characteristic value being considered and the original test value, it is determined that the test data does not correspond to the second disease statistical model. As a result, it is likely that the tester is unlikely to develop a second disease.
  • the examinee has an average level of immunity against the susceptible onset factor by reflecting the characteristic value as a weight to a susceptible onset factor having a particularly weak immunity than the average person. This can prevent you from making wrong judgments. The method for predicting the onset of disease of the examinee using the characteristic values will be described in detail later.
  • the patient personal characteristic analysis apparatus 10 determines that the examination data of the examinee who has checked as having the first disease is not statistically similar to the examination values of the first disease patients recorded in the population database.
  • the screening values of the examinee may be transmitted to the population database providing apparatus 20 so that they can be accumulated in the population database as a new type of first disease outbreak pattern. If the examination record of the examinee having a pattern of examination similar to that of the examiner is sufficiently accumulated in the population database, the examination of the examinee may also be reflected in the statistical model. Therefore, it will be possible to predict statistically that there is a possibility of developing the first disease with respect to other examiners with similar specificity to the examiner in the future.
  • the population database providing device 20 transmits the checkup value of the onset of the specific disease to the patient personal analysis device 10 in response to the request of the patient personal analysis device 10.
  • the patient personal characteristic analyzing apparatus 10 generates a statistical model of the first disease by using a checkup value of the first disease-infected persons provided from the population database providing apparatus 20.
  • a problem in terms of performance due to excessive network traffic load may occur between the population database providing device 20 and the Chinese character personality analysis device 10.
  • the population database providing apparatus 20 and the patient personal characteristic analysis apparatus 10 may be implemented in one physically identical computing device.
  • the population database providing apparatus 20 may provide a disease statistical model generated from a checkup value of a disease-infected person. That is, in this case, the population database providing device 20 directly generates a statistical model using the examination values of each disease-infected person, and provides the generated statistical model to the patient personal characteristic analysis device 10. The method of generating a statistical model using the screening values of each diseased patient will be described in detail later.
  • the patient personality analysis method may be performed by a computing device.
  • the computing device may be, for example, the patient personal characteristic analysis device 10 shown in FIGS. 1 and 2.
  • the subject of performing each operation included in the method for analyzing patient characteristics may be omitted.
  • FIG. 3 is a flowchart schematically illustrating a method for analyzing patient personal characteristics according to the present embodiment.
  • first disease in FIG. 3 when examination data of a examiner who has been checked as having a specific disease (first disease in FIG. 3) is received (S100), a statistical model of the specific disease is obtained (S200), and the received checkup It is determined whether the data conforms to the statistical model (S300), and when it is determined that the data does not match, the characteristic value of the examinee (hereinafter, in some description or drawings of the specification, the characteristic value is represented by the symbol ' ⁇ '). It may be a) (S400).
  • Subjects producing property values according to embodiments of the invention are patients with levels of organic specificity that are not within the general scope.
  • Embodiments of the present invention although checked in the survey as having a specific disease, patients whose screening data do not fit the statistical model of the particular disease, have a level of organic specificity that does not fall within the general category. Seen to have a patient.
  • the population database may request only a checkup value related to the onset factor of the first disease, from among the checkup values of the first disease onset.
  • onset factors of the first disease are ⁇ Dfactor 1 , Dfactor 2 ,... Dfactor n ⁇ .
  • Table 1 below is an example of a first disease-causing factor.
  • n is the number of sub-onset factors of Dfactor i ) (S220).
  • Dfactor 1 is the value of Dfactor 11 and the second axis is the value of Dfactor 12 .
  • representative density clusters for Dfactor 1 are obtained through density-based spatial clustering (S230 and S240). At this time, for all points mapped on the n-dimensional space, it is determined that the representative cluster is established when a predetermined number p of points exists within a radius ⁇ with the point as the center point.
  • multiple representative clusters may be allowed to be established. 6 shows a situation where two representative clusters 41 and 42 are established on a two-dimensional plane.
  • one center point having the maximum number of points within the radius ⁇ of the plurality of center points is selected, and only one point based on the center point is selected.
  • Representative cluster of can be selected.
  • FIG. 5 illustrates a situation in which only one representative cluster 40 is established on a two-dimensional plane.
  • the representative for the cluster Dfactor 1 is used as a statistical model for Dfactor 1.
  • the statistical model of each onset factor constitutes the statistical model of the first disease.
  • each value of the examinee Dfactor i-specific screening repeated for all i Dfactor to evaluate meets the statistical model Dfactor i (S310).
  • Dfactor 1 the examination value for the plurality of sub disease factor belonging to the first onset factor of the examinee
  • step B determines whether the examinee points belong to the representative cluster for the first onset factor
  • the distance (Euclidean Distance) is less than or equal to a radius ( ⁇ ) of a representative cluster of Dfactor 1 between the center point of a representative cluster of points in Dfactor 1 corresponding to Cfactor 1
  • screening for the first onset factors examinee The value is assessed as meeting the first disease statistical model.
  • Screening for this time if the distance (Euclidean Distance) between the center point of a representative cluster of points in Dfactor 1 corresponding to Cfactor 1 exceeds the radius ( ⁇ ) of a representative cluster of Dfactor 1, wherein the first incidence factor of examinee The value is assessed as not meeting the first disease statistical model.
  • the maximum and minimum values of the distance between the distance between the center point of a representative cluster of points in Dfactor 1 corresponding to Cfactor 1, the Dfactor center point and the other point of the representative of the cluster of the Dfactor 1 of the representative cluster of 1 If the value is between the values, the examiner's assessment of the first onset factor meets the first disease statistical model, otherwise the examiner's assessment of the first onset factor is the first disease Evaluate as not fit statistical model.
  • the evaluation result for each Dfactor i of the examination data is aggregated (S320). Assume that the evaluation results of each Dfactor i for the first disease of the examination data of the examinee with the first disease are shown in Table 2 below. Hereinafter, some embodiments for determining whether the examination data of the examinee having the first disease conform to the statistical model of the first disease as a whole will be described.
  • DCR i Dfactor i Disease contribution rate
  • the examination data is determined only if it is determined that the examination data conforms to a statistical model of all Dfactor i .
  • the final decision can be made to conform to the statistical model. In other words, if it is determined that a statistical model of one Dfactor i does not match, the examination data is considered to be inconsistent with the statistical model of the first disease as a whole.
  • the evaluation result for each Dfactor i of the examination data may be aggregated as shown in Table 3 below.
  • Table 3 below when the screening value of the examinee for Dfactor i is determined to be consistent with the statistical model of Dfactor i, the points determined on the basis of onset of contribution of Dfactor i is given with respect to Dfactor i, a given point Are added together.
  • DCR i Dfactor i Disease contribution rate
  • the checkup data of the examinee is finally determined to conform to the first disease statistical model obtained from the checkup value of the onset of the first disease (In operation S340, if not, the diagnosis data of the examinee may be finally determined as not conforming to the first disease statistical model (S350).
  • the baseline for the first disease is 80, the examiner will be finally determined to be a patient with an organic specificity that does not conform to the first disease statistical model.
  • the reference value may be specified differently for each disease. In another embodiment, the reference value may be assigned the same value for all diseases.
  • First operation when an examiner point indicating a checkpoint value for the first onset factor of the examinee belongs to a representative cluster for the first onset factor, a point determined based on an onset contribution rate of the first onset factor is assigned box.
  • Second Operation Repeating the granting of the points for the second to M onset factors.
  • the examination data of the examinee is determined to conform to the first disease statistical model obtained from the examination values of the onset of the first disease. Determined.
  • the evaluation result for each Dfactor i of the examination data may be aggregated as shown in Table 4 below.
  • Table 4 shows distance in n-dimensional space (n being the sub disease factors, the number of Dfactor i) between the data for the examination levels corresponding to the representative cluster center by Dfactor i, Dfactor of the examination data of the examinee i Cfactor i (Euclidean Distance is further displayed. The distance is a value calculated at the time of determining whether the statistical model for each Dfactor i .
  • the method shown in Table 4 is different from the method shown in Table 3 in that it is judged to belong to the representative cluster and does not all give the same point, but further evaluates how close to the center point of the representative cluster even if it belongs to the representative cluster. .
  • the method shown in Table 4 differs from the method shown in Table 3 in that the lower the point total, the final decision is made that the statistical model is met.
  • Dfactor 1 the distance between the examinee's first onset factor (Dfactor 1) screening levels examinee point and the first point to the onset factor for (Dfactor 1) representing the center point of the cluster for the: first operation.
  • Second operation Adjusting the distance between the examiner point and the center point by reflecting the calculated weight based on the weight determined based on the contribution rate of the first onset factor (Dfactor 1 ).
  • the examination data of the examiner is determined to conform to the first disease statistical model obtained from the examination values of the onset of the first disease. The action to determine.
  • the reference value may be specified differently for each disease. In another embodiment, the reference value may be assigned the same value for all diseases.
  • the characteristic value of the examinee may be calculated using only a portion of the examination values corresponding to the statistical model of the first disease among the examination data.
  • the characteristic value ⁇ for this examinee can be calculated by the following formula.
  • Equation 1 is provided for obtaining the examinee's characteristic value ⁇ in the manner according to the present embodiment.
  • 'T' indicates the onset criteria.
  • CFactor 3 refers to the test for obesity index
  • CFactor 4 refers to the test for stress.
  • Equation 1 in the present embodiment, in calculating the characteristic value, a check value that does not meet the statistical model of the first disease is not used in the check data.
  • CFactor i means the distance between the examiner point indicating the examination value for the DFactor i and the origin of the n-dimensional space.
  • CFactor i digitizes the position of examinee points in the n-dimensional space by a scalar amount.
  • Equation 1 calculates (CFactor i * ⁇ ) for each of the checkup values corresponding to the statistical model among the checkup values of the checkup data, and adds the total of (CFactor i * ⁇ ). It is to be the patient baseline.
  • the onset reference value T is a predetermined value.
  • the onset reference value T may be '1'.
  • the onset reference value T may be a value calculated by summing up the center value DF_MID i of each onset factor DFactor i for all onset factors. Equation (2) is an equation for calculating the patient reference value (T) in this embodiment.
  • the examination value central value for DFactor i (DF_MID i) is the distance between the representative reference point of the center point and the n-dimensional space of a cluster of DFactor i, or between a reference point of the respective points in n-dimensional space that belongs to a representative cluster of DFactor i It may be an average value for the distance of.
  • Equation 1 does not reflect the onset contribution rate (DCR i ) of each DFactor i .
  • the adjustment value reflects both the first weight, which is the contribution rate of the onset of the screening value, and the second weight, which is the characteristic value, in the screening value corresponding to the first disease statistical model in the screening data.
  • the characteristic value can be calculated such that the sum of the examination values is the onset of patient T.
  • Equation 3 is provided for obtaining the examinee's characteristic value ⁇ in the manner according to the present embodiment.
  • the onset reference value T is a predetermined value.
  • the onset reference value T may be '1'.
  • the balbyeongja reference value (T) is, may be a value calculated by summing after reflecting the onset of contribution as a weight to each factor onset (DFactor i) by screening value central value (DF_MID i). Equation 4 is an expression for calculating the onset reference value T in this embodiment.
  • the examination value central value for DFactor i (DF_MID i) is the distance between the representative reference point of the center point and the n-dimensional space of a cluster of DFactor i, or between a reference point of the respective points in n-dimensional space that belongs to a representative cluster of DFactor i It may be an average value for the distance of.
  • the characteristic value when calculating the characteristic value, it is calculated by varying the weights for the onset factor DFactor i and the onset factor DFactor j that match the statistical model. That is, unlike the first and second embodiments in which the characteristic value is calculated, the examination value CFactor j of the onset factor for which the examination data does not conform to the statistical model is also used for the characteristic value calculation.
  • the weight is the characteristic value ⁇ for the diagnosis value CFactor i of the onset factor whose examination data corresponds to the statistical model, and the examination data is The weight is zero for the screening factor CFactor j that does not meet the statistical model.
  • the first weight is applied to the diagnosis value CFactor i of the onset factor in which the examination data corresponds to the statistical model, and the examination data does not conform to the statistical model.
  • the second weight different from the first weight is applied to the diagnosis value CFactor j of the onset factor.
  • Both the first weight and the second weight may be specified using the characteristic value ⁇ .
  • the first weight may be A ⁇ and the second weight may be B ⁇ (A ⁇ B).
  • the first weight may be a positive value, while the second weight may be a negative value.
  • both the first weight and the second weight may be positive values, and the first weight may be greater than the second weight.
  • Equation 5 is also for Table 5. Equation 5 below assumes that the first weight is 2 ⁇ and the second weight is ⁇ .
  • the onset reference value T is a predetermined value.
  • the onset reference value T may be '1'.
  • the balbyeongja reference value (T) is, may be a value calculated by summing after reflecting the onset of contribution as a weight to each factor onset (DFactor i) by screening value central value (DF_MID i). Equation 4 is an expression for calculating the onset reference value T in this embodiment.
  • the examination value central value for DFactor i (DF_MID i) is the distance between the representative reference point of the center point and the n-dimensional space of a cluster of DFactor i, or between a reference point of the respective points in n-dimensional space that belongs to a representative cluster of DFactor i It may be an average value for the distance of.
  • the patient's reference value is summarized as follows.
  • Rule 1 The characteristic value of the examinee is calculated such that the sum of adjusted examination values for each onset factor of the first disease equals the onset criterion value T.
  • the adjusted examination value for the specific onset factor is a value reflecting the personalization weight for the specific onset factor in the checkup value of the examinee for the specific onset factor.
  • the personalization weight for a specific onset factor is characterized by the characteristic value of the examinee if the checkup value of the examinee for the specific onset factor matches the first disease statistical model for the specific onset factor Is set to a first weight specified by using and the examinee's characteristic value (a) is used if the examinee's examination value for the specific onset factor does not meet the first disease statistical model for the specific onset factor. Set to the specified second weight.
  • the first weight and the second weight are different values.
  • the characteristic value when calculating the characteristic value, it is calculated by varying the weight for each onset factor (DFactor i ) corresponding to the statistical model. Equation 6 is provided for obtaining the examinee's characteristic value ⁇ in the manner according to the present embodiment.
  • the weight A i ⁇ for each occurrence factor DFactor i is determined using the examinee's characteristic value ⁇ .
  • a i may be a value that is determined on the basis of the spacing distance (Euclidean Distance) between the examinee's points DFactor i represent the center point of the cluster of points to the screening value for DFactor i.
  • a i may be a value proportional to or inversely proportional to the separation distance.
  • Embodiment of the present invention is not limited to the example of the set of A i, it is noted that by a variety of criteria that are not referred to the A i may be set.
  • the onset reference value T is a predetermined value.
  • the onset reference value T may be '1'.
  • the balbyeongja reference value (T) is, may be a value calculated by summing after reflecting the onset of contribution as a weight to each factor onset (DFactor i) by screening value central value (DF_MID i). Equation 4 is an expression for calculating the onset reference value T in this embodiment.
  • the examination value central value for DFactor i (DF_MID i) is the distance between the representative reference point of the center point and the n-dimensional space of a cluster of DFactor i, or between a reference point of the respective points in n-dimensional space that belongs to a representative cluster of DFactor i It may be an average value for the distance of.
  • the characteristic value when calculating the characteristic value, it is calculated by varying the weight for each onset factor (DFactor i ) corresponding to the statistical model. That is, in the present embodiment, different characteristic values may be calculated for each onset factor.
  • Equations 7 for Equation 1 and Equations 7 for Equation 2 and Equation 7 for Equation 7 are generated, respectively, and the simultaneous equations are solved using the generated Equations. In this way, ⁇ i for each pathogen DFactor i can be obtained.
  • the patient personal characteristic analysis apparatus 10 may determine whether the examination data of the examiner matches the second disease statistical model generated by using the data of the second disease patients in the population database.
  • a personalized prescription may be provided to the examinee by using the characteristic value of the examinee (S600).
  • the generated characteristic value may be delivered to the personalized prescription device.
  • the personalized prescription device adjusts the pre-written prescription for the examinee by using the characteristic value, or transmits the characteristic value to a doctor terminal, based on the characteristic value of the prescription written by the attending physician. To make adjustments.
  • the checkup data of the examinee is a new type of first disease outbreak pattern.
  • the examination values of the examinee may be transmitted to the population database providing apparatus (S700).
  • FIG. 10 shows that when a large number of examination records of examinees having examination values having a pattern similar to that of the examiner are accumulated, a new representative cluster 43 is generated thereby. In the future, since the examination values of other examinees having a similar substrate specificity to the examiner will be included in the representative cluster 43, it is possible to statistically predict the possibility of the first disease.
  • the screening data was evaluated as having a low probability of developing the first disease, but in reality, the data indicate the test subjects having the first disease.
  • the existing statistical model the possibility of the first disease was denied, but in reality, a representative cluster 43 of points indicating the examination data of the examinees who have the first disease was generated. It can be seen that ⁇ and p are less relaxed than the establishment requirements of the other representative clusters 41 and 42.
  • the patient personality analysis method according to some embodiments of the present invention described above with reference to FIGS. 1 to 11 may be performed by executing a computer program on a computing device.
  • a computer program coupled with a computing device, receiving checkup data of a checker with a first disease, and whether the checkup data conforms to a first disease statistical model obtained from checkup values of the onset of the first disease. Determining, and if the screening data and the first disease statistical model do not coincide with each other, the characteristic value of the examinee using only a part of the examination data corresponding to the first disease statistical model among the medical examination data.
  • a computer program recorded on a recording medium may be provided to perform the step of computing the data.
  • the apparatus for analyzing patient personal characteristics according to the present embodiment includes a network interface 102, a checkup data receiving unit 104, a checkup numerical inquiry unit 106, a statistical model generator 108, and checkup data.
  • the analyzer 110 and the characteristic value calculator 112 may be included, and the disease predictor 114 and the DB feedback 116 may be further included.
  • the examination value inquiry unit 106 transmits the first disease to the population database through the network interface 102. Ask for the number of checkups you have.
  • the checkup numerical reference unit 106 processes the checkup numerical data of the onset factors of the first disease among checkup values of the first disease-infected persons provided from the population database in a predetermined form and transmits it to the statistical model generator 108. to provide.
  • the statistical model generator 108 performs density-based clustering of the data provided from the examination number inquiry unit 106 to generate a representative cluster representative of the examination values for the first disease patients in the population database. Each factor is configured. Representative clusters of the respective onset factors constitute the overall statistical model of the first disease.
  • Examination data analysis unit 110 determines whether the examination data of the examiner meets the generated statistical model. As a result of the analysis of the examination data analysis unit 110, if the examination data does not conform to the statistical model, the characteristic value calculation unit 112 may be included in the examinee including the substrate specificity of the examinee or the sensitivity to a specific onset factor. Calculates the property value for. For the method of calculating the characteristic value, refer to the embodiments already described.
  • the characteristic value calculator 112 may provide the generated characteristic value to an external device through the network interface 102.
  • the characteristic value may be used as basic data for providing a personalized medical service for the examinee.
  • the disease prediction unit 114 performs disease prediction for another disease that is not checked by the examinee (ie, recognizes that the examiner has not caught). In this case, some of the examination values of the examination data may be adjusted first by reflecting the characteristic values, and then it may be determined whether the examination data including the adjusted values conform to the statistical model of other diseases.
  • the DB feedback unit 116 may determine that the checkup data of the checker who checked as having a specific disease is not statistically similar to the checkup data of the specific disease patients recorded in the population database.
  • the screening values of the examinees are transmitted to the population database providing apparatus so as to accumulate in the population database as the onset pattern.
  • each component of FIG. 12 may refer to software or hardware such as a field-programmable gate array (FPGA) or an application-specific integrated circuit (ASIC).
  • FPGA field-programmable gate array
  • ASIC application-specific integrated circuit
  • the components are not limited to software or hardware, and may be configured to be in an addressable storage medium and may be configured to execute one or more processors.
  • the functions provided in the above components may be implemented by more detailed components, or may be implemented as one component that performs a specific function by combining a plurality of components.
  • FIG. 13 is a configuration diagram different from that of FIG. 12 of the apparatus for predicting disease occurrence 100.
  • the patient personal characteristic analysis device 10 may have a configuration shown in FIG. 13.
  • the patient personal characteristic analysis apparatus 10 may include a processor 126 for executing instructions, a storage 122 for storing disease occurrence prediction program data, a memory 128, a network interface 124 for data transmission and reception with an external device, and
  • the system bus 120 may be connected to the storage 122, the network interface 124, the processor 126, and the memory 128 to become a data movement path.
  • the storage 122 is an auxiliary storage device such as a nonvolatile memory, a magnetic disk, or a hard disk.
  • the storage 122 is coupled with a computing device to receive checkup data of a checker with a first disease, wherein the first disease statistical model is obtained from a checkup value of the onset of the first disease. Determining whether the examination data is matched, and when the diagnosis data and the first disease statistical model do not match, by using only a part of the examination data corresponding to the first disease statistical model among the examination data.
  • An executable file and a resource file of a computer program for performing the step of calculating the characteristic value of the examinee may be stored.
  • the storage 122 is coupled to a computing device to receive checkup data of a checker with a first disease, wherein the first disease statistical model for the first disease statistical model obtained from checkup values of the onset of the first disease.
  • An execution file and a resource file of a computer program for performing the step of determining whether the examination data is matched and the step of calculating the characteristic value ⁇ of the examinee when it is determined not to be matched may be stored. have.
  • the characteristic value of the examinee is calculated such that the sum of the adjusted screening values for each onset factor of the first disease and the onset criteria are the same values, and the adjusted screening value for the specific onset factor is
  • the screening value of the examinee for a specific onset factor is a value reflecting the personalization weight for the specific onset factor.
  • the personalization weight for the specific onset factor is determined by the examinee's characteristic value of the examinee for the specific onset factor, when the test subject's characteristic value ⁇ corresponds to the first disease statistical model for the specific onset factor. Set by the first weight specified by the doctor, and if the examinee's examination value for the specific onset factor does not meet the first disease statistical model for the specific onset factor, the examinee's characteristic value ⁇ is used.
  • the first weight and the second weight may be different from each other.

Landscapes

  • Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Public Health (AREA)
  • Biomedical Technology (AREA)
  • Data Mining & Analysis (AREA)
  • Epidemiology (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Databases & Information Systems (AREA)
  • Pathology (AREA)
  • Theoretical Computer Science (AREA)
  • Software Systems (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Business, Economics & Management (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Business, Economics & Management (AREA)
  • Medical Treatment And Welfare Office Work (AREA)
  • Measuring And Recording Apparatus For Diagnosis (AREA)
  • Investigating Or Analysing Biological Materials (AREA)
  • Algebra (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Pure & Applied Mathematics (AREA)

Abstract

일반적인 범주에 들지 않는 환자의 특성을 반영하는 특성 값을 연산하고, 상기 연산 된 특성 값을 이용하여 상기 환자의 질병을 예측하거나, 상기 환자에 특화 된 개인화 된 의료 서비스를 제공하는 방법이 제공 된다. 본 발명의 일 실시예에 따른 환자 개인 특성 분석 방법은, 제1 질병을 가진 검진자의 검진 데이터를 수신하는 단계와, 상기 환자 개인 특성 분석 장치가, 상기 제1 질병의 발병자의 검진 수치로부터 얻어진 제1 질병 통계 모델에 대한 상기 검진 데이터의 부합 여부를 판정하는 단계와, 상기 판정 결과 상기 검진 데이터와 상기 제1 질병 통계 모델이 부합하지 않는 경우, 상기 검진 데이터 중 상기 제1 질병 통계 모델에 부합하는 일부의 검진 수치만을 이용하여 상기 검진자의 특성 값을 연산하는 단계를 포함한다.

Description

환자 개인 특성에 대한 분석 방법 및 그 장치
본 발명은 환자 개인 특성에 대한 분석 방법 및 그 장치에 관한 것이다. 보다 자세하게는, 특정 검진자가 체질상의 특이성 등에 의하여 다수 환자의 데이터를 반영하는 통계 모델과 서로 다른 검진 결과를 보이는 경우, 상기 검진자의 체질상 특이성 등을 반영하는 특성 값을 제공하는 방법 및 장치에 관한 것이다.
컴퓨팅 연산을 이용한 질병 예측 기술이 제공 된다. 상기 질병 예측 기술은 크게 유전자 분석과 환경 요소 분석으로 나눌 수 있다. 유전자 분석은 인간의 질병의 예측과 치료에 가장 큰 영향을 미칠 것으로 예상된다. 상당한 비용이 소요 되고, 프라이버시 보호 문제가 존재하는 점에서, 유전자 분석을 통한 질병 예측 기술은 아직 대중화가 더디다.
환경 요소 분석은 통계학적 관점으로 개인의 생활과 습관 및 검진 수치를 분석하고 유의미한 결과를 도출하여 질병의 예측과 개인화 처방을 빠른 미래에 도입할 수 있는 방법이다. 최근 널리 활용 되고 있는 빅데이터 분석 기술을 이용하면 보다 폭 넓은 데이터를 분석할 수 있고, 더 많은 데이터를 분석할수록 질병 예측의 정확도는 더 높아질 수 있을 것이다.
그런데, 환경 요소 분석을 수행함에 있어서, 정확한 통계 모델을 생성하기 위하여 더 많은 모집단(population)을 확보하는 것도 중요하지만, 그에 못지 않게 기질적인 특이성을 가지는 등의 이유로 일반적인 범주에 들지 않는 환자를 식별하고, 그 환자에 대한 개인화된 의료 서비스를 제공하는 것도 중요하다. 기질적인 특이성을 가지는 특이 환자는 모집단을 많이 확보하더라도 통계적으로 유의한 군집을 형성하기 어렵기 때문이다.
따라서, 일반적인 범주에 들지 않는 환자에 대하여는 그 환자의 특성을 반영하여 질병을 예측하거나, 그 환자의 특성을 반영한 개인화 된 의료 서비스를 제공하는 등의 방법을 제공할 필요성이 제기된다.
본 발명이 해결하고자 하는 기술적 과제는 일반적인 범주에 들지 않는 환자의 특성을 반영하는 특성 값을 연산하는 것이다.
본 발명이 해결하고자 하는 다른 기술적 과제는 상기 연산 된 특성 값을 이용하여 상기 환자의 질병을 예측하거나, 상기 환자에 특화 된 개인화 된 의료 서비스를 제공하는 것이다.
본 발명이 해결하고자 하는 또 다른 기술적 과제는 일반적인 범주에 들지 않는 환자의 검진 데이터 또는 환경 요소 데이터를 모집단 데이터베이스에 축적함으로써, 추후 일반적인 범주에 들지 않는 다른 환자에 대하여는 통계 모델에 기반한 질병 예측이 가능하도록 하는 것이다.
본 발명의 기술적 과제들은 이상에서 언급한 기술적 과제들로 제한되지 않으며, 언급되지 않은 또 다른 기술적 과제들은 아래의 기재로부터 당업자에게 명확하게 이해 될 수 있을 것이다.
상기 기술적 과제를 달성하기 위한 본 발명의 일 태양에 따른 환자 개인 특성 분석 방법은, 제1 질병을 가진 검진자의 검진 데이터를 수신하는 단계와, 상기 제1 질병의 발병자의 검진 수치로부터 얻어진 제1 질병 통계 모델에 대한 상기 검진 데이터의 부합 여부를 판정하는 단계와, 상기 환자 개인 특성 분석 장치가, 상기 판정 결과 부합하지 않는 것으로 판정 된 경우, 상기 검진자의 특성 값(α)을 연산하는 단계를 포함한다. 이 때, 상기 검진자의 특성 값은, 상기 제1 질병의 각 발병 요인에 대한 조정 검진 수치들을 합산한 수치와 발병자 기준치가 동일한 값이 되도록 연산 되고, 특정 발병 요인에 대한 상기 조정 검진 수치는, 상기 특정 발병 요인에 대한 상기 검진자의 검진 수치에, 상기 특정 발병 요인에 대한 개인화 가중치를 반영한 값이고, 특정 발병 요인에 대한 상기 개인화 가중치는, 상기 검진자의 특성 값(α)을 이용하여 결정 된 값이고, 각 발병 요인에 대한 상기 개인화 가중치 중 적어도 하나는, 다른 발병 요인에 대한 개인화 가중치와 서로 상이한 것이다.
일 실시예에 따르면, 상기 발병자 기준치는, 상기 제1 질병 통계 모델에 따른 각 발병 요인(DFactori) 별 검진 수치 중심 값(DF_MIDi)에, 상기 발병 요인의 발병 기여율을 반영한 값들의 합산치이고, 상기 검진 수치 중심 값(DF_MIDi)은, DFactori의 대표 클러스터의 중심점과 n 차원 공간의 원점 사이의 거리일 수 있다.
일 실시예에 따르면, 상기 발병자 기준치는, 상기 제1 질병 통계 모델에 따른 각 발병 요인(DFactori) 별 검진 수치 중심 값(DF_MIDi)에, 상기 발병 요인의 발병 기여율을 반영한 값들의 합산치이고, 상기 검진 수치 중심 값(DF_MIDi)은, DFactori의 대표 클러스터에 속한 각 포인트와 n 차원 공간의 원점 사이의 거리에 대한 평균 값일 수 있다.
일 실시예에 따르면, 특정 질병의 발병 요인에는 서브 발병 요인들이 포함 될 수 있다. 이 때, 상기 판정하는 단계는, 모집단 데이터베이스 제공 장치로부터 제공 된 상기 제1 질병의 발병자의 상기 제1 질병의 각 발병 요인에 대한 검진 수치 데이터를 이용하여 상기 제1 질병 통계 모델을 생성 하는 단계를 포함하고, 상기 검진 수치 데이터는, 각 발병 요인에 속한 복수의 서브 발병 요인에 대한 검진 수치들을 포함할 수 있다.
상기 제1 질병 통계 모델을 생성하는 단계는, 상기 제1 질병의 제1 발병 요인에 속한 복수의 서브 발병 요인에 대한 검진 수치들을 이용하여, 각 발병자의 상기 제1 발병 요인에 대한 검진 수치를 가리키는 포인트를, n 차원(n은 서브 발병 요인의 개수) 공간 상에 매핑(mapping) 하는 제1 단계와, 상기 제1 단계를 각 발병자의 검진 수치 데이터에 대하여 반복 하는 제2 단계와, 밀도 기반 클러스터링을 통해, 상기 제1 발병 요인에 대한 대표 클러스터를 얻는 제3 단계와, 상기 대표 클러스터를 상기 제1 발병 요인에 대한 제1 질병 통계 모델로 설정 하는 제4 단계와, 상기 제1 질병의 제2 내지 M 발병 요인(M은 상기 제1 질병의 발병 요인 개수)에 대하여 상기 제1 내지 제4 단계를 반복하는 제5 단계를 포함할 수 있다.
일 실시예에서, 상기 대표 클러스터를 얻는 제3 단계는, 상기 제1 단계에서 n 차원 공간 상에 매핑 된 포인트 중 하나를 선정하는 제3A 단계와, 상기 제3A 단계에서 선정 된 포인트로부터 기 지정 된 반경(ε) 이내에, 기 지정 된 개수(p)의 포인트가 존재하는지 판정하여 상기 선정 된 포인트를 중심점으로 하는 상기 대표 클러스터가 성립하는지 여부를 판정하는 제3B 단계와, 상기 제3A 단계 및 제3B 단계를 상기 제1 단계에서 n 차원 공간 상에 매핑 된 다른 전체 포인트에 대하여 반복하는 제3C 단계와, 상기 제3A 단계 내지 제3B 단계를 통하여 대표 클러스터가 성립 되지 않은 경우, 상기 ε 및 p 중 적어도 하나를 조정한 후, 상기 제3A 단계 내지 제3B 단계를 반복하는 제3D 단계를 포함할 수 있다.
이 때, 상기 제3B 단계는, 복수의 대표 클러스터가 성립하는 것으로 판정하는 단계를 포함할 수 있다. 즉, 하나의 발병 요인에 대하여는 하나의 대표 클러스터만 존재할 수도 있으나, 복수의 대표 클러스터도 존재할 수 있다.
검진자의 각 발병 요인에 대한 검진 수치가 상기 제1 질병 통계 모델에 부합하는지 여부를 판정하는 지 여부를 판정하는 단계는, 상기 검진자의 검진 데이터의 상기 제1 발병 요인에 속한 복수의 서브 발병 요인에 대한 검진 수치들을 이용하여, 상기 검진자의 상기 제1 발병 요인에 대한 검진 수치를 가리키는 검진자 포인트를, 상기 n 차원 공간 상에 매핑 하는 A 단계와, 상기 검진자 포인트가 상기 제1 발병 요인에 대한 대표 클러스터에 속하는지 여부를 판정함으로써, 상기 검진자의 상기 제1 발병 요인에 대한 검진 수치가 상기 제1 질병 통계 모델에 부합하는지 여부를 판정하는 B 단계와, 상기 제2 내지 M 발병 요인에 대하여 상기 A 단계 내지 B 단계를 반복하는 C 단계를 포함할 수 있다.
일 실시예에서, 검진자의 각 발병 요인에 대한 검진 수치가 상기 제1 질병 통계 모델에 부합하는지 여부를 판정하는 지 여부를 판정하는 단계는, 상기 검진자의 상기 제1 발병 요인에 대한 검진 수치를 가리키는 검진자 포인트가 상기 제1 발병 요인에 대한 대표 클러스터에 속하는 경우, 상기 제1 발병 요인의 발병 기여율에 기반하여 결정 된 포인트를 부여하는 단계와, 상기 포인트를 부여하는 단계를 상기 제2 내지M 발병 요인에 대하여 반복하는 단계와, 상기 부여 된 포인트의 합산 값이 상기 제1 질병에 대한 기준치를 초과하는 경우, 상기 검진자의 검진 데이터가 상기 제1 질병의 발병자의 검진 수치로부터 얻어진 제1 질병 통계 모델에 부합하는 것으로 판정 하는 단계를 더 포함할 수 있다.
다른 실시예에서, 검진자의 각 발병 요인에 대한 검진 수치가 상기 제1 질병 통계 모델에 부합하는지 여부를 판정하는 지 여부를 판정하는 단계는, 상기 검진자의 상기 제1 발병 요인에 대한 검진 수치를 가리키는 검진자 포인트와 상기 제1 발병 요인에 대한 대표 클러스터의 중심점 사이의 거리를 연산하고, 상기 연산 된 거리에 상기 제1 발병 요인의 발병 기여율에 기반하여 결정 된 가중치를 반영하여 상기 검진자 포인트와 상기 중심점 사이의 거리를 조정하는 단계와, 상기 거리를 조정하는 단계를 상기 제2 내지M 발병 요인에 대하여 반복하는 단계와, 상기 조정 된 거리의 합산 값이 상기 제1 질병에 대한 기준치에 미달하는 경우, 상기 검진자의 검진 데이터가 상기 제1 질병의 발병자의 검진 수치로부터 얻어진 제1 질병 통계 모델에 부합하는 것으로 판정 하는 단계를 더 포함할 수도 있다.
일 실시예에서, 상기 제1 질병 통계 모델은 모집단 데이터베이스 제공 장치로부터 제공 된 상기 제1 질병의 발병자의 상기 제1 질병의 각 발병 요인에 대한 검진 수치로부터 얻어진 것이고, 상기 환자 개인 특성 분석 방법은, 상기 검진자의 검진 데이터를 상기 모집단 데이터베이스에 삽입함으로써, 상기 모집단 데이터베이스를 업데이트 하는 단계와, 상기 제1 질병을 가진 다른 검진자의 검진 데이터를 수신하는 단계와, 상기 업데이트 된 모집단 데이터베이스를 이용하여 갱신된 상기 제1 질병 통계 모델을 생성하는 단계를 더 포함할 수 있다.
일 실시예에서, 상기 환자 개인 특성 분석 방법은, 상기 검진자가 상기 제1 질병과 다른 제2 질병을 더 가지는 경우, 상기 제2 질병의 발병자의 검진 수치로부터 얻어진 제2 질병 통계 모델에 대한 상기 검진 데이터의 부합 여부를 판정하고, 상기 판정 결과 부합 되지 않는 것으로 판정 된 경우, 상기 검진자의 검진 데이터 중 상기 제2 질병 통계 모델에 부합하는 일부의 검진 수치만을 이용하여 상기 검진자의 갱신 된 특성 값을 갱신하는 단계를 더 포함할 수 있다.
일 실시예에서, 상기 환자 개인 특성 분석 방법은, 상기 연산 된 특성 값을 이용하여 상기 제1 질병과 다른 제2 질병의 발병 가능성을 예측하는 단계를 더 포함할 수 있다. 이 때, 상기 제2 질병의 발병 가능성을 예측하는 단계는, 상기 일부의 검진 수치에 대하여 상기 특성 값을 가중치로서 반영함으로써, 상기 일부의 검진 수치를 상기 특성 값에 기반하여 조정하는 단계와, 상기 조정 된 일부의 검진 수치를 포함하는 상기 검진자의 검진 데이터가, 상기 제2 질병의 발병자의 검진 수치로부터 얻어진 제2 질병 통계 모델에 부합하는지 여부를 판정함으로써, 상기 제2 질병의 발병 가능성을 예측하는 단계를 포함할 수 있다.
일 실시예에서, 상기 환자 개인 특성 분석 방법은, 상기 환자 개인 특성 분석 장치가, 상기 연산된 특성 값을 개인화 처방 장치에 송신하는 단계와, 상기 개인화 처방 장치가, 상기 특성 값을 이용하여 처방 사항을 조정하는 단계를 더 포함할 수 있다.
본 발명의 다른 실시예에 따른, 환자 개인 특성 분석 방법은, 제1 질병을 가진 검진자의 검진 데이터를 수신하는 단계와, 상기 제1 질병의 발병자의 검진 수치로부터 얻어진 제1 질병 통계 모델에 대한 상기 검진 데이터의부합 여부를 판정하는 단계와, 상기 판정 결과 부합하지 않는 것으로 판정 된 경우, 상기 검진자의 특성 값(α)을 연산하는 단계를 포함한다. 이 때, 상기 검진자의 특성 값은, 상기 제1 질병의 각 발병 요인에 대한 조정 검진 수치들을 합산한 수치와 발병자 기준치가 동일한 값이 되도록 연산 되고, 특정 발병 요인에 대한 상기 조정 검진 수치는, 상기 특정 발병 요인에 대한 상기 검진자의 검진 수치에 상기 특정 발병 요인에 대한 개인화 가중치를 반영한 값이고, 특정 발병 요인에 대한 상기 개인화 가중치는, 상기 특정 발병 요인에 대한 상기 검진자의 검진 수치가 상기 특정 발병 요인에 대한 상기 제1 질병 통계 모델에 부합하는 경우 상기 검진자의 특성 값(α)을 이용하여 지정된 제1 가중치로 설정 되고, 상기 특정 발병 요인에 대한 상기 검진자의 검진 수치가 상기 특정 발병 요인에 대한 상기 제1 질병 통계 모델에 부합하지 않는 경우 상기 검진자의 특성 값(α)을 이용하여 지정 된 제2 가중치로 설정 된다. 상기 제1 가중치와 상기 제2 가중치는 서로 다른 값이다.
일 실시예에서, 상기 제1 가중치는 양(+)의 값인 반면, 상기 제2 가중치는 음(-)의 값일 수 있다.
일 실시예에서, 상기 제1 가중치 및 상기 제2 가중치 모두 양(+)의 값이되, 상기 제1 가중치가 상기 제2 가중치보다 더 큰 값일 수 있다.
본 발명의 또 다른 실시예에 따른 환자 개인 특성 분석 방법은, 제1 질병을 가진 검진자의 검진 데이터를 수신하는 단계와, 상기 제1 질병의 발병자의 검진 수치로부터 얻어진 제1 질병 통계 모델에 대한 상기 검진 데이터의 부합 여부를 판정하는 단계와, 상기 판정 결과 상기 검진 데이터와 상기 제1 질병 통계 모델이 부합하지 않는 경우, 상기 검진 데이터 중 상기 제1 질병 통계 모델에 부합하는 일부의 검진 수치만을 이용하여 상기 검진자의 특성 값을 연산하는 단계를 포함한다.
일 실시예에 따르면, 상기 특성 값을 연산하는 단계는, 상기 검진 데이터 중 상기 제1 질병 통계 모델에 부합하는 검진 수치에 상기 특성 값을 가중치로서 반영한 조정 검진 수치들의 합계가 발병자 기준치가 되도록, 상기 특성 값을 연산하는 단계를 포함할 수 있다. 다른 실시예에 따르면, 상기 특성 값을 연산하는 단계는, 상기 검진 데이터 중 상기 제1 질병 통계 모델에 부합하는 검진 수치에, 상기 검진 수치의 검진 항목에 대한 발병 기여율인 제1 가중치 및 상기 특성 값인 제2 가중치를 모두 반영한 조정 검진 수치들의 합계가 발병자 기준치가 되도록, 상기 특성 값을 연산하는 단계를 포함할 수도 있다. 이 때, 상기 발병자 기준치는 상기 제1 질병 통계 모델에 따른 각 발병 요인 별 검진 수치 중심 값에, 상기 발병 요인의 발병 기여율을 반영한 값들을 합산한 수치일 수 있다.
본 발명의 또 다른 실시예에 따르면, 컴퓨팅 장치와 결합되어, 제1 질병을 가진 검진자의 검진 데이터를 수신하는 단계와, 상기 제1 질병의 발병자의 검진 수치로부터 얻어진 제1 질병 통계 모델에 대한 상기 검진 데이터의 부합 여부를 판정하는 단계와, 상기 판정 결과 상기 검진 데이터와 상기 제1 질병 통계 모델이 부합하지 않는 경우, 상기 검진 데이터 중 상기 제1 질병 통계 모델에 부합하는 일부의 검진 수치만을 이용하여 상기 검진자의 특성 값을 연산하는 단계를 수행하기 위하여, 기록 매체에 기록 된 컴퓨터 프로그램이 제공 될 수 있다.
본 발명의 또 다른 실시예에 따르면, 하나 이상의 프로세서와, 네트워크 인터페이스와, 메모리와, 상기 메모리에 로딩 되어 상기 프로세서에 의하여 수행 되는 컴퓨터 프로그램이 기록 된 스토리지 장치를 포함하는 화자 개인 특성 분석 장치가 제공 될 수 있다. 이 때, 상기 컴퓨터 프로그램은, 상기 네트워크 인터페이스를 통하여 제1 질병을 가진 검진자의 검진 데이터를 수신하는 일련의 인스트럭션(instruction)과, 상기 제1 질병의 발병자의 검진 수치로부터 얻어진 제1 질병 통계 모델에 대한 상기 검진 데이터의 부합 여부를 판정하는 일련의 인스트럭션과, 상기 판정 결과 상기 검진 데이터와 상기 제1 질병 통계 모델이 부합하지 않는 경우, 상기 검진 데이터 중 상기 제1 질병 통계 모델에 부합하는 일부의 검진 수치만을 이용하여 상기 검진자의 특성 값을 연산하는 인스트럭션을 포함한다.
본 발명의 또 다른 실시예에 따르면, 컴퓨팅 장치와 결합되어, 제1 질병을 가진 검진자의 검진 데이터를 수신하는 단계와, 상기 제1 질병의 발병자의 검진 수치로부터 얻어진 제1 질병 통계 모델에 대한 상기 검진 데이터의 부합 여부를 판정하는 단계와, 상기 판정 결과 부합하지 않는 것으로 판정 된 경우, 상기 검진자의 특성 값(α)을 연산하는 단계를 수행하되, 상기 검진자의 특성 값은, 상기 제1 질병의 각 발병 요인에 대한 조정 검진 수치들을 합산한 수치와 발병자 기준치가 동일한 값이 되도록 연산 되고, 특정 발병 요인에 대한 상기 조정 검진 수치는, 상기 특정 발병 요인에 대한 상기 검진자의 검진 수치에, 상기 특정 발병 요인에 대한 개인화 가중치를 반영한 값이고, 특정 발병 요인에 대한 상기 개인화 가중치는, 상기 검진자의 특성 값(α)을 이용하여 결정 된 값인, 기록 매체에 기록 된 컴퓨터 프로그램이 제공 된다.
본 발명의 또 다른 실시예에 따른 환자 개인 특성 분석 장치는, 하나 이상의 프로세서와, 네트워크 인터페이스와, 메모리와, 상기 메모리에 로딩 되어 상기 프로세서에 의하여 수행 되는 컴퓨터 프로그램의 실행 파일이 기록 된 스토리지 장치를 포함한다. 이 때, 상기 컴퓨터 프로그램은, 제1 질병을 가진 검진자의 검진 데이터를 수신하는 일련의 인스트럭션과, 상기 제1 질병의 발병자의 검진 수치로부터 얻어진 제1 질병 통계 모델에 대한 상기 검진 데이터의 부합 여부를 판정하는 일련의 인스트럭션과, 상기 판정 결과 부합하지 않는 것으로 판정 된 경우, 상기 검진자의 특성 값(α)을 연산하는 일련의 인스트럭션을 포함하고, 상기 검진자의 특성 값은, 상기 제1 질병의 각 발병 요인에 대한 조정 검진 수치들을 합산한 수치와 발병자 기준치가 동일한 값이 되도록 연산 된 값이고, 특정 발병 요인에 대한 상기 조정 검진 수치는, 상기 특정 발병 요인에 대한 상기 검진자의 검진 수치에, 상기 특정 발병 요인에 대한 개인화 가중치를 반영한 값이고, 특정 발병 요인에 대한 상기 개인화 가중치는, 상기 검진자의 특성 값(α)을 이용하여 결정 된 값이다.
상기와 같은 본 발명에 따르면, 검진 데이터를 통계 모델에 적용하여 산출 된 질병 예측 결과가 실제 상황과 서로 다른 검진자에 대하여, 상기 검진자의 생체적 특이성 등을 수치화한 특성 값을 제공할 수 있다.
또한, 상기 특성 값을 이용하여 상기 검진자의 개인화 된 의료 서비스를 제공 할 수 있는 효과가 있다.
또한, 상기 특성 값을 이용하여 상기 검진자에 대한 질병 예측 서비스를 제공할 수 있는 효과가 있다.
또한, 상기 검진자의 검진 데이터를 모집단 데이터베이스에 추가함으로써, 일반적인 범주에서 벗어나는 환자들의 데이터를 통계 모델에 반영할 수 있고, 그 결과, 일반적인 범주에서 벗어나는 환자들에 대하여 높은 정확도로 통계 모델에 기반한 질병 예측 서비스를 제공할 수 있는 효과가 있다.
도 1은 본 발명의 일 실시예에 따른 환자 개인 특성 분석 시스템의 구성도이다.
도 2는 본 발명의 다른 실시예에 따른 환자 개인 특성 분석 시스템의 구성도이다.
도 3은 본 발명의 또 다른 실시예에 따른 환자 개인 특성 분석 방법의 순서도이다.
도 4는 도 3에 도시된 발명의 일부 동작에 대한 상세 순서도이다.
도 5 내지 도 6은 모집단 데이터베이스의 특정 질병 발병자에 대한 데이터로부터 상기 특정 질병에 대한 통계 모델을 생성하는 과정을 설명하기 위한 도면이다.
도 7은 도 3에 도시된 발명의 다른 일부 동작에 대한 상세 순서도이다.
도 8은 특정 질병을 가진 검진자의 검진 데이터가 상기 특정 질병에 대한 통계 모델에 부합하는지 여부를 평가하는 방법을 설명하기 위한 도면이다.
도 9는 도 3에 도시된 동작 이후에 수행 될 수 있는 동작을 포함하는 순서도이다.
도 10 내지 도 11은 모집단 DB에 저장 된 질병 발병자들의 데이터를 이용하여 생성 된 통계 모델에 부합하지 않는 질병 발병자들의 검진 데이터를 상기 모집단 DB에 업데이트 하는 경우, 상기 통계 모델이 어떻게 바뀔 수 있는지 설명하기 위한 도면이다.
도 12는 본 발명의 또 다른 실시예에 따른 환자 개인 특성 분석 장치의 블록 구성도이다.
도 13은 본 발명의 또 다른 실시예에 따른 환자 개인 특성 분석 장치의 하드웨어 구성도이다.
이하, 첨부된 도면을 참조하여 본 발명의 바람직한 실시예를 상세히 설명한다. 본 발명의 이점 및 특징, 그리고 그것들을 달성하는 방법은 첨부되는 도면과 함께 상세하게 후술되어 있는 실시 예들을 참조하면 명확해질 것이다. 그러나 본 발명은 이하에서 게시되는 실시 예들에 한정되는 것이 아니라 서로 다른 다양한 형태로 구현될 수 있으며, 단지 본 실시 예들은 본 발명의 게시가 완전하도록 하고, 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자에게 발명의 범주를 완전하게 알려주기 위해 제공되는 것이며, 본 발명은 청구항의 범주에 의해 정의될 뿐이다. 명세서 전체에 걸쳐 동일 참조 부호는 동일 구성 요소를 지칭한다.
다른 정의가 없다면, 본 명세서에서 사용되는 모든 용어(기술 및 과학적 용어를 포함)는 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자에게 공통적으로 이해될 수 있는 의미로 사용될 수 있을 것이다. 또 일반적으로 사용되는 사전에 정의되어 있는 용어들은 명백하게 특별히 정의되어 있지 않는 한 이상적으로 또는 과도하게 해석되지 않는다. 본 명세서에서 사용된 용어는 실시예들을 설명하기 위한 것이며 본 발명을 제한하고자 하는 것은 아니다. 본 명세서에서, 단수형은 문구에서 특별히 언급하지 않는 한 복수형도 포함한다.
이하, 도 1을 참조하여 본 발명의 일 실시예에 따른 환자 개인 특성 분석 시스템의 구성 및 동작을 설명한다. 본 실시예에 따른 환자 개인 특성 분석 시스템은, 도 1에 도시된 바와 같이 환자 개인 특성 분석 장치(10), 모집단 데이터베이스 제공 장치(20) 및 병원 건강 검진 관리 장치(30)를 포함할 수 있다.
병원 건강 검진 관리 장치(30)는 건강 검진을 수행한 검진자 들의 검진 데이터를 관리한다. 상기 검진 데이터는 기 지정 된 형태로 가공 되어 모집단 데이터베이스 제공 장치(20)에 제공 될 수 있다. 병원 건강 검진 관리 장치(30)는 각 검진자가 가지고 있는 질병의 목록을 상기 검진 데이터에 부가하여 모집단 데이터베이스 제공 장치(20)에 제공 할 수 있다. 일 실시예에서, 병원 건강 검진 관리 장치(30)는 별다른 질병을 가지고 있지 않은 검진자의 검진 데이터는 모집단 데이터베이스 제공 장치(20)에 제공하지 않는다.
일 실시예에서, 상기 검진 데이터에는 혈액 검사, 조직 검사 등을 통한 검진 항목에 대한 검진 수치뿐만 아니라, 설문 조사(survey)를 통한 생활 습관 관련 검진 항목에 대한 검진 수치도 포함 된다. 병원 건강 검진 관리 장치(30)에는 생체 정보 수집 장치, 웨어러블 디바이스, 스마트 폰 등의 사용자 장치(미도시)가 네트워크를 통하여 연결 되고, 상기 검진 데이터에는 상기 사용자 장치에서 수집된 생활 습관 관련 검진 항목에 대한 검진 수치도 더 포함 될 수 있다. 예를 들어, 상기 검진 데이터에는, 스마트 워치 등 웨어러블 디바이스를 통하여 수집 된 검진자의 운동량 정보가 포함 될 수 있다.
모집단 데이터베이스 제공 장치(20)는 각 개인의 검진 항목 별 검진 수치를 포함하는 모집단 데이터베이스(population database)를 저장하고, 갱신하며, 삭제한다. 상기 모집단 데이터베이스에는 각 개인이 가지고 있는 질병에 대한 정보가 더 포함 된다. 예를 들어, 검진 시점에 각 개인이 가지고 있는 질병의 질병 코드들이 각 개인의 레코드에 매칭(matching) 될 수 있다. 모집단 데이터베이스 제공 장치(20)는, 환자 개인 특성 분석 장치(10)로부터 제1 질병(예를 들어, 당뇨병) 발병자의 검진 수치 데이터에 대한 제공 요청을 수신하면, 상기 모집단 데이터베이스에 포함 된 제1 질병 발병자 각각의 검진 수치 데이터를 환자 개인 특성 분석 장치(10)에 제공한다.
한편, 병원 건강 검진 관리 장치(30)는 제1 질병을 가진 것으로 설문 조사에 체크한 검진자의 검진 데이터를 환자 개인 특성 분석 장치(10)에 송신함으로써, 상기 검진자에 대한 개인 특성 분석을 요청한다. 환자 개인 특성 분석 장치(10)는 상기 검진 데이터를 수신하여, 상기 검진자의 검진 수치가 상기 모집단 데이터베이스에 기록 된 제1 질병 발병자들의 검진 수치와 통계적으로 유사한지 확인한다.
일 실시예에서, 상기 검진자의 검진 데이터가 상기 제1 질병 발병자들의 검진 수치와 통계적으로 유사한지 확인하기 위하여, 환자 개인 특성 분석 장치(10)는 모집단 데이터베이스 제공 장치(20)로부터 제공 받은 제1 질병 발병자들의 검진 수치를 이용하여 상기 제1 질병의 통계 모델을 생성할 수 있다. 환자 개인 특성 분석 장치(10)가 상기 검진 수치가 상기 모집단 데이터베이스에 기록 된 데이터와 통계적으로 유사한지 확인하는 방법과 상기 특성 값을 생성하는 방법은, 추후 보다 자세히 설명한다.
상기 검진자의 검진 수치가 상기 모집단 데이터베이스에 기록 된 제1 질병 발병자들의 검진 수치와 통계적으로 유사하지 않은 경우, 상기 검진자는 다수의 제1 질병 발병자와는 다르게, 기질적인 특이성을 가지는 것으로 이해 될 수 있다. 이 때, 환자 개인 특성 분석 장치(10)는, 상기 검진자의 특성 값을 생성한다. 상기 검진자의 특성 값은, 상기 검진자의 기질적인 특이성을 내포하는 수치로 이해 될 수 있다. 예를 들어, 상기 검진자의 특성 값은 각 검진 항목(또는, 발병 요인이나 환경 요소)에 대한 면역 수준을 나타내는 값들의 집합일 수 있다.
상기 검진자의 특성 값은, 상기 검진자에 대하여 개인화 된 의료 서비스를 제공하기 위해 다양한 방면으로 활용 될 수 있다. 예를 들어, 환자 개인 특성 분석 장치(10)는 상기 생성 된 특성 값을 병원 건강 검진 관리 장치(30)에 송신하고, 병원 건강 검진 관리 장치(30)는 병원 내 개인화 처방 장치(미도시)에 상기 특성 값을 전달할 수 있다. 상기 개인화 처방 장치는 상기 특성 값을 이용하여 상기 검진자에 대하여 기 작성 된 처방 사항을 조정하거나, 의사 단말기에 상기 특성 값을 전달하여, 상기 검진자의 주치의가 기 작성 된 처방 사항을 상기 특성 값에 기반하여 조정하도록 유도할 수 있다.
환자 개인 특성 분석 장치(10)는, 상기 특성 값을 이용하여, 상기 검진자가 체크하지 않은 질병의 발병을 미리 예측할 수도 있다. 상기 검진자에 대하여 제1 질병 내지 제10 질병을 제시하면서, 검진자가 가지고 있는 질병에 체크하도록 설문 조사가 수행 되었다고 가정한다. 상기 설문 조사에서 상기 검진자가 제1 질병을 가지고 있는 것으로 체크한 반면, 제2 내지 10 질병은 가지고 있지 않은 것으로 설문 조사에서 응답했다고 하자. 그리고 상기 검진자는 실제로는 제2 질병을 가지고 있다고 하자. 환자 개인 특성 분석 장치(10)는 상기 모집단 데이터베이스의 상기 제2 질병 발병자들의 데이터를 이용하여 생성 된 제2 질병 통계 모델에, 상기 검진자의 검진 데이터가 부합하는지 여부를 판단할 수 있다. 이 때, 환자 개인 특성 분석 장치(10)는 상기 검진자의 검진 데이터 중 일부 검진 수치에 상기 특성 값을 가중치로서 반영한 후, 그 검진 수치들이 상기 제2 질병 통계 모델에 부합하는지 여부를 판단할 수 있다.
검진자의 기질적인 특이성을 감안하면, 상기 특성 값을 고려하지 않고 검진 데이터를 원래 검진 수치 그대로 상기 제2 질병 통계 모델과 비교했다면, 상기 검진 데이터가 제2 질병 통계 모델과 부합하지 않는다는 판단이 내려지고, 그 결과 상기 검진자가 제2 질병에 걸릴 가능성이 낮다고 예측 될 가능성이 높다. 반면에, 본 실시예에서는, 검진자가 평균적인 사람보다 특히 약한 면역력을 가지는 취약 발병 요인에 상기 특성 값을 가중치로서 반영함으로써, 상기 검진자가 상기 취약 발병 요인에 대하여 평균적인 수준의 면역력을 가지고 있다고 전제하여 잘못 된 판단을 하는 것을 방지할 수 있다. 상기 특성 값을 이용하여 검진자의 질병 발병 가능성을 예측하는 방법에 대하여도 추후 자세히 설명하기로 한다.
환자 개인 특성 분석 장치(10)는 제1 질병을 가진 것으로 체크한 상기 검진자의 검진 수치가 상기 모집단 데이터베이스에 기록 된 제1 질병 발병자들의 검진 수치와 통계적으로 유사하지 않은 경우, 상기 검진자의 검진 데이터가 새로운 형태의 제1 질병 발병 패턴으로써 상기 모집단 데이터베이스에 누적 될 수 있도록, 상기 검진자의 검진 수치들을 모집단 데이터베이스 제공 장치(20)에 송신할 수 있다. 상기 검진자와 유사한 패턴의 검진 수치를 가진 검진자의 검진 기록이 상기 모집단 데이터베이스에 충분히 누적 되면, 상기 검진자의 검진 수치도 통계 모델에 반영 될 수 있을 것이다. 따라서, 추후에는 상기 검진자와 유사한 기질적 특이성을 가진 다른 검진자들에 대하여 상기 제1 질병의 발병 가능성이 있는 점을 통계적으로 예측할 수 있을 것이다.
이미 설명한 바와 같이, 모집단 데이터베이스 제공 장치(20)는, 환자 개인 특성 분석 장치(10)의 요청에 응답하여, 특정 질병의 발병자들의 검진 수치를 환자 개인 특성 분석 장치(10)에 송신한다. 환자 개인 특성 분석 장치(10)는 모집단 데이터베이스 제공 장치(20)로부터 제공 받은 제1 질병 발병자들의 검진 수치를 이용하여 상기 제1 질병의 통계 모델을 생성한다. 그런데, 제1 질병 발병자의 수가 많은 경우, 모집단 데이터베이스 제공 장치(20)와 한자 개인 특성 분석 장치(10) 사이에 과다한 네트워크 트래픽 부하에 의한 성능 측면의 문제가 발생할 수 있다.
이러한 문제를 해결하기 위하여, 도 1에 도시된 바와 달리, 모집단 데이터베이스 제공 장치(20) 및 환자 개인 특성 분석 장치(10)는 물리적으로 동일한 하나의 컴퓨팅 장치 내부에 구현 될 수도 있다.
또한, 상기 문제를 해결하기 위하여, 도 2에 도시된 바와 같이 모집단 데이터베이스 제공 장치(20)가 질병 발병자의 검진 수치로부터 생성 된 질병 통계 모델을 제공할 수도 있다. 즉, 이 경우에는 모집단 데이터베이스 제공 장치(20)가 직접 각 질병 발병자들의 검진 수치를 이용하여 통계 모델을 생성하고, 생성 된 통계 모델을 환자 개인 특성 분석 장치(10)에 제공한다. 각 질병 발병자들의 검진 수치를 이용하여 통계 모델을 생성하는 방법에 대하여는 추후 구체적으로 설명하기로 한다.
이하, 본 발명의 몇몇 실시예들에 따른 환자 개인 특성 분석 방법에 대하여 도 3 내지 도 11을 참조하여 설명한다. 상기 환자 개인 특성 분석 방법은 컴퓨팅 장치에 의하여 수행 될 수 있다. 상기 컴퓨팅 장치는, 예를 들어 도 1 및 도 2에 도시 된 환자 개인 특성 분석 장치(10)일 수 있다. 이하, 이해의 편의를 위하여 상기 환자 개인 특성 분석 방법에 포함 되는 각 동작의 수행 주체는 그 기재가 생략 될 수 있음을 유의한다.
도 3은 본 실시예에 따른 환자 개인 특성 분석 방법을 개략적으로 설명하는 순서도이다. 도 3에 도시 된 바와 같이, 특정 질병(도 3에서는 제1 질병)을 가진 것으로 체크한 검진자의 검진 데이터가 수신되면(S100), 상기 특정 질병의 통계 모델을 얻고(S200), 상기 수신 된 검진 데이터가 상기 통계 모델에 부합하는 지 여부를 판정하고(S300), 부합하지 않는 것으로 판정 된 경우, 상기 검진자의 특성 값(이하, 명세서의 일부 기재 또는 도면에서, 특성 값이 기호 ‘α’로 표현 될 수 있음)을 연산한다(S400).
한편, 상기 수신 된 검진 데이터가 상기 통계 모델에 부합하는 것으로 판정 된다면, 상기 검진자는 일반적인 범주에 포함 되는 수준의 기질적 특징을 가지는 것을 의미한다.따라서, 상기 검진자에 대하여는 통상적인 진료 및 처방을 수행하면 될 것이다(S302).
본 발명의 실시예들에 따라 특성 값을 생성하는 대상은 일반적인 범주에 포함 되지 않는 수준의 기질적 특이성을 가지는 환자이다. 본 발명의 실시예들은, 특정 질병을 가지고 있는 것으로 설문 조사에서 체크를 했음에도 불구하고,검진 데이터가 상기 특정 질병의 통계 모델에 부합되지 않는 환자를, 상기 일반적인 범주에 포함 되지 않는 수준의 기질적 특이성을 가지는 환자로 본다.
이하, 도 3을 참조하여 설명한 환자 개인 특성 분석 방법을 각 세부 동작 별로 보다 자세하게 설명한다.
먼저, 도 4를 참조하여 특정 질병(제1 질병)의 통계 모델을 생성하는 방법(S200)을 보다 자세히 설명한다.
먼저, 모집단 데이터베이스에 모든 제1 질병 발병자의 검진 수치를 요청할 수 있다(S210). 일 실시예에서, 모집단 데이터베이스에 제1 질병 발병자의 검진 수치 중, 상기 제1 질병의 발병 요인과 관련 있는 검진 수치만을 요청할 수 있다. 이하, 제1 질병의 발병 요인을 {Dfactor1, Dfactor2, … Dfactorn}과 같이 표현한다. 아래 표 1은 제1 질병 발병 요인의 예시이다.
표 1
환경요소 발병 기여율
식습관(K1) 50%
운동량(L1) 30%
비만지수(K2) 10%
스트레스(K3) 76%
영양균형(L2) 3%
기타 (L3) 1%
한편,본 발명의 몇몇 실시예들에서, 각 발병 요인은 서브 발병 요인(sub-factor)으로 구성 된다. 즉, Dfactor1 = {Dfactor11, Dfactor12, Dfactor13, … , Dfactor1n}일 수 있다. 예를 들어, Dfactor1 = 식습관(K1)을 예로 들면, 식습관 = {식사량(Dfactor11), 잡곡여부(Dfactor12)}일 수 있다.
다음으로, 각 발병 요인 별로 모집단 데이터베이스의 각 발병자의 검진 수치를 가리키는 포인트를 n 차원 공간(n은 Dfactori 의 서브 발병 요인 개수) 상에 매핑(mapping) 한다(S220). Dfactor1을 예로 들면, 제1 축이 Dfactor11의 값이고, 제2 축이 Dfactor12의 값인 2 차원 평면 상에, 모집단 데이터베이스의 각 발병자의 검진 수치를 가리키는 포인트가 표시 된다(도 5 참조).
다음으로, 밀도 기반 클러스터링(Density-based spatial clustering)을 통해, Dfactor1에 대한 대표 클러스터를 얻는다(S230, S240). 이 때, n 차원 공간 상에 매핑 된 모든 포인트에 대하여 그 포인트를 중심점으로 하여 반경(ε) 이내에, 기 지정 된 개수(p)의 포인트가 존재하는 경우 상기 대표 클러스터가 성립 되는 것으로 판정한다.
일 실시예에서, 반경(ε) 이내에, 기 지정 된 개수(p)의 포인트가 존재하는 포인트가 존재하지 않는 경우, 상기 반경(ε) 및 개수(p) 중 적어도 하나를 조정한 후, n 차원 공간 상에 매핑 된 모든 포인트에 대하여 그 포인트를 중심점으로 하여 조정 된 반경(ε) 이내에, 조정 된 개수(p)의 포인트가 존재하는 경우 상기 대표 클러스터가 성립 되는 것으로 판정한다.이 때, 상기 반경(ε)을 증가시키거나, 상기 개수(p)를 감소시키는 방식으로 상기 반경(ε) 및 개수(p) 중 적어도 하나를 조정할 수 있다.
일 실시예에서, 복수 개의 대표 클러스터가 성립 되는 것을 허용할 수 있다. 도 6에는 2차원 평면 상에서 두 개의 대표 클러스터(41, 42)가 성립한 상황이 도시되어 있다.
다른 실시예에서, 대표 클러스터 성립 요건을 만족하는 포인트가 복수 개 존재한다면, 상기 복수 개의 중심점 중 상기 반경(ε) 이내에 최대한 많은 포인트가 존재하는 하나의 중심점을 선정하여, 그 중심점을 기준으로 단 하나의 대표 클러스터를 선정할 수 있다.
또 다른 실시예에서, 대표 클러스터 성립 요건을 만족하는 포인트가 복수 개 존재한다면, 상기 반경(ε)을 좁혀 가면서 최대한 많은 포인트가 존재하는 하나의 중심점을 선정하여, 그 중심점을 기준으로 단 하나의 대표 클러스터를 선정할 수 있다. 또 다른 실시예에서, 대표 클러스터 성립 요건을 만족하는 포인트가 복수 개 존재한다면, 상기 반경(ε)을 넓혀 가면서 최대한 많은 포인트가 존재하는 하나의 중심점을 선정하여, 그 중심점을 기준으로 단 하나의 대표 클러스터를 선정할 수 있다. 도 5에는 2차원 평면 상에서 단 하나의 대표 클러스터(40) 만 성립한 상황이 도시되어 있다.
Dfactor1 에 대한 상기 대표 클러스터는, Dfactor1 에 대한 통계 모델로서 사용 된다.
Dfactori에 대한 통계 모델을 얻는 상기 일련의 동작(S220, S230, S240)은, 각 Dfactori (2 <= i <= n)에 대하여 추가로 수행 된다(S250). 각 발병 요인의 통계 모델이 상기 제1 질병의 통계 모델을 구성한다.
다음으로, 검진자의 검진 데이터가 통계 모델에 부합하는지 여부를 판정하는 방법(S300)을 도 7을 참조하여 보다 자세히 설명한다.
먼저, 검진자의 각 Dfactori 별 검진 수치가 Dfactori의 통계 모델에 부합하는지 평가하는 것을 모든 Dfactori에 대하여 반복한다(S310). 이 때, Dfactor1의 검진 수치가 Dfactor1의 통계 모델에 부합하는지 평가하는 것은, 상기 검진자의 검진 데이터의 상기 제1 발병 요인(Dfactor1)에 속한 복수의 서브 발병 요인에 대한 검진 수치들을 이용하여, 상기 검진자의 상기 제1 발병 요인에 대한 검진 수치를 가리키는 검진자 포인트를, 상기n 차원 공간 상에 매핑 하는 A 단계와,상기 검진자 포인트가 상기 제1 발병 요인에 대한 대표 클러스터에 속하는지 여부를 판정함으로써, 상기 검진자의 상기 제1 발병 요인에 대한 검진 수치가 상기 제1 질병 통계 모델에 부합하는지 여부를 판정하는 B 단계를 포함한다.
도 8을 참조하여 상기 A 단계와 B 단계를 설명한다. 검진자의 검진 데이터에는 Dfactor1(식습관)의 검진 수치는 별도로 존재하지 않고, Dfactor11(식사량), Dfactor12(잡곡여부), Dfactor13(채식섭취비율)의 검진 수치만 존재할 수 있다. 이 때, 검진자의 Dfactor1에 대한 검진 수치(Cfactor1)는, 제1 축으로 Dfactor11(식사량)의 값, 제2 축으로 Dfactor12(잡곡여부)의 값, 제3 축으로 Dfactor13(채식섭취비율)의 값을 각각 가지는 3차원 공간 상에 하나의 포인트로 표현 된다.
일 실시예에서, Cfactor1에 대응 되는 포인트와 Dfactor1의 대표 클러스터의 중심점 사이의 거리(Euclidean Distance)가 Dfactor1의 대표 클러스터의 반경(ε) 이하인 경우, 검진자의 상기 제1 발병 요인에 대한 검진 수치가 상기 제1 질병 통계 모델에 부합하는 것으로 평가한다. 이 때, Cfactor1에 대응 되는 포인트와 Dfactor1의 대표 클러스터의 중심점 사이의 거리(Euclidean Distance)가 Dfactor1의 대표 클러스터의 반경(ε)을 초과하는 경우, 검진자의 상기 제1 발병 요인에 대한 검진 수치가 상기 제1 질병 통계 모델에 부합하지 않는 것으로 평가한다.
다른 실시예에서, Cfactor1에 대응 되는 포인트와 Dfactor1의 대표 클러스터의 중심점 사이의 거리가, 상기 Dfactor1의 대표 클러스터의 중심점과 상기 Dfactor1의 대표 클러스터의 다른 포인트 사이의 거리의 최소 값과 최대 값 사이인 경우, 검진자의 상기 제1 발병 요인에 대한 검진 수치가 상기 제1 질병 통계 모델에 부합하는 것으로 평가하고, 그렇지 않은 경우, 검진자의 상기 제1 발병 요인에 대한 검진 수치가 상기 제1 질병 통계 모델에 부합하지 않는 것으로 평가한다.
다음으로, 상기 검진 데이터의 각 Dfactori 별 평가 결과를 집계 한다(S320). 제1 질병을 가진 검진자의 검진 데이터의, 제1 질병에 대한 각 Dfactori 별 평가 결과가 아래의 표 2와 같다고 가정하자. 이하, 제1 질병의 가진 검진자의 상기 검진 데이터가 전체적으로 제1 질병의 통계 모델에 부합하는지 여부를 판정하는 몇가지의 실시예들을 설명한다.
표 2
Dfactori 발병 기여율(DCRi) 통계 모델 부합 여부
식습관(K1) 50% O
운동량(L1) 30% X
비만지수(K2) 10% O
스트레스(K3) 76% O
영양균형(L2) 3% X
기타(L3) 1% X
검진 데이터가 제1 질병의 통계 모델에 부합하는지 여부를 판정하는 제1 실시예에서, 상기 검진 데이터가 모든 Dfactori의 통계 모델에 부합하는 것으로 판정된 경우에 한하여, 상기 검진 데이터가 상기 제1 질병의 통계 모델에 부합하는 것으로 최종 판정 될 수 있다. 즉, 하나의 Dfactori의 통계 모델이라도 부합하지 않는 것으로 판정 된 경우에는, 그 검진 데이터는 전체적으로 제1 질병의 통계 모델에 부합하지 않는 것으로 본다.
검진 데이터가 제1 질병의 통계 모델에 부합하는지 여부를 판정하는 제2 실시예에서, 상기 검진 데이터의 Dfactori 별 평가 결과는 아래의 표 3과 같이 집계 될 수 있다. 아래의 표 3에서, Dfactori에 대한 검진자의 검진 수치가 Dfactori의 통계 모델에 부합하는 것으로 판단 된 경우, Dfactori의 발병 기여율에 기반하여 결정 된 포인트가 Dfactori에 대하여 부여 되고, 부여 된 포인트가 합산 된다.
표 3
Dfactori 발병 기여율(DCRi) 통계 모델 부합 여부 포인트
식습관(K1) 50% O 50
운동량(L1) 30% X 0
비만지수(K2) 10% O 10
스트레스(K3) 76% O 7
영양균형(L2) 3% X 0
기타 (L3) 1% X 0
합계 67
상기 포인트 합산 값이, 제1 질병에 대한 기준치를 초과하는 경우(S330), 상기 검진자의 검진 데이터가 상기 제1 질병의 발병자의 검진 수치로부터 얻어진 제1 질병 통계 모델에 부합하는 것으로 최종 판정하고(S340), 그렇지 않은 경우, 상기 검진자의 검진 데이터가 상기 제1 질병 통계 모델에 부합하지 않는 것으로 최종 판정할 수 있다(S350). 표 3에 표시된 예에서, 상기 제1 질병에 대한 기준치가 80이라면, 상기 검진자는 상기 제1 질병 통계 모델에 부합하지 않는 기질적인 특이성을 가진 환자인 것으로 최종 판정 될 것이다.
일 실시예에서, 상기 기준치는 각 질병에 대하여 다르게 지정 될 수 있다. 다른 실시예에서, 상기 기준치는 모든 질병에 대하여 동일한 값으로 지정 될 수도 있다.
본 실시예에서, 검진자의 검진 데이터가 통계 모델에 부합하는지 여부를 판정하기 위하여, 아래의 동작이 수행 되는 것으로 정리할 수 있다.
제1 동작: 상기 검진자의 상기 제1 발병 요인에 대한 검진 수치를 가리키는 검진자 포인트가 상기 제1 발병 요인에 대한 대표 클러스터에 속하는 경우, 상기 제1 발병 요인의 발병 기여율에 기반하여 결정 된 포인트를 부여함.
제2 동작: 상기 포인트를 부여하는 단계를 상기 제2 내지 M 발병 요인에 대하여 반복함.
제3 동작: 상기 부여 된 포인트의 합산 값이 상기 제1 질병에 대한 기준치를 초과하는 경우, 상기 검진자의 검진 데이터가 상기 제1 질병의 발병자의 검진 수치로부터 얻어진 제1 질병 통계 모델에 부합하는 것으로 판정함.
검진 데이터가 제1 질병의 통계 모델에 부합하는지 여부를 판정하는 제3 실시예에서, 상기 검진 데이터의 Dfactori 별 평가 결과는 아래의 표 4와 같이 집계 될 수도 있다. 표 4에는 Dfactori 별로 대표 클러스터의 중심점과, 검진자의 검진 데이터 중 Dfactori에 해당하는 검진 수치에 대한 데이터인 Cfactori사이의 n 차원 공간(n은 Dfactori 의 서브 발병 요인 개수) 상의 거리(Euclidean Distance)가 더 표시 되어 있다. 상기 거리는 각 Dfactori에 대한 통계 모델 부합 여부 판정 시에 연산된 수치이다.
표 4
DFactori 발병 기여율(DCRi) 통계 모델 부합 여부 대표 클러스터 중심점과 CFactori 사이의 거리(Factori) 조정 된 거리(=포인트)
식습관(K1) 50% O 5 250(50*5)
운동량(L1) 30% X 30 0
비만지수(K2) 10% O 7 70(10*7)
스트레스(K3) 76% O 6 42(7*6)
영양균형(L2) 3% X 40 0
기타(L3) 1% X 35 0
합계 362
표 4에 표시 된 방식은, 대표 클러스터에 속하는 것으로 판단 되어 모두 동일한 포인트를 부여하는 것이 아니고, 대표 클러스터에 속하더라도 대표 클러스터의 중심점에 얼마나 가까이 있는지 더 평가하는 점에서, 표 3에 표시된 방식과 다르다. 또한,표 4에 표시 된 방식에서는, 포인트 합계가 낮을수록 통계 모델에 부합하는 것으로 최종 판정 되는 점에서도 표 3에 표시된 방식과 다르다.
본 실시예에서, 검진자의 검진 데이터가 통계 모델에 부합하는지 여부를 판정하기 위하여, 아래의 동작이 수행 되는 것으로 정리할 수 있다.
제1 동작: 검진자의 제1 발병 요인(Dfactor1)에 대한 검진 수치를 가리키는 검진자 포인트와 상기 제1 발병 요인(Dfactor1)에 대한 대표 클러스터의 중심점 사이의 거리를 연산함.
제2 동작: 상기 연산 된 거리에 제1 발병 요인(Dfactor1)의 발병 기여율에 기반하여 결정 된 가중치를 반영하여 상기 검진자 포인트와 상기 중심점 사이의 거리를 조정함.
제3 동작: 상기 거리를 조정하는 동작을 상기 제2 내지 M 발병 요인(Dfactor2 내지 DfactorM)에 대하여 반복하는 동작
제4 동작: 상기 조정 된 거리의 합산 값이 상기 제1 질병에 대한 기준치에 미달하는 경우, 상기 검진자의 검진 데이터가 상기 제1 질병의 발병자의 검진 수치로부터 얻어진 제1 질병 통계 모델에 부합하는 것으로 판정 하는 동작.
일 실시예에서, 상기 기준치는 각 질병에 대하여 다르게 지정 될 수 있다. 다른 실시예에서, 상기 기준치는 모든 질병에 대하여 동일한 값으로 지정 될 수도 있다.
지금까지, 제1 질병의 가진 검진자의 검진 데이터가 제1 질병의 통계 모델에 부합하는지 여부를 판정하는 실시예들을 설명하였다. 이하, 상기 검진 데이터가 제1 질병의 통계 모델에 부합하지 않는 것으로 판정 되었으나 실제로는 상기 제1 질병을 가지고 있는 검진자의 특성 값을 연산하는 동작을 자세히 설명한다.
이하, 특성 값을 연산하는 제1 실시예를 설명한다.
본 실시예에 따르면, 상기 검진 데이터 중 상기 제1 질병의 통계 모델에 부합하는 일부의 검진 수치만을 이용하여 상기 검진자의 특성 값을 연산할 수 있다.
표 5
Dfactori 발병 기여율(DCRi) 통계 모델 부합 여부
식습관(i=1) 50% X
운동량(i=2) 30% X
비만지수(i=3) 10% O
스트레스(i=4) 76% O
영양균형(i=5) 3% X
기타(i=6) 1% X
제1 질병을 가진 어떤 검진자의 검진 데이터가 상기 제1 질병의 통계 모델에 표 5와 같이 부합하는 것으로 분석 된 상황을 가정한다.표 5의 분석 결과는, 이 검진자가 높은 발병 기여율을 가지는 식습관 항목에서, 제1 질병의 발병자들이 가지는 식습관과는 다른 식습관을 가지고 있고, 다음으로 높은 발병 기여율을 가지는 운동량 항목에서도 제1 질병의 발병자들이 가지는 운동량과는 다른 운동량을 가지는 것을 의미한다. 즉, 이 검진자는 올바른 식습관을 가지고 있고, 적절한 운동량을 가지고 있다. 그럼에도 불구하고 제1 질병에 걸린 것으로 보아, 이 검진자는, 비만지수 항목, 스트레스 항목이 제1 질병에 미치는 영향이 일반적인 사람보다 더 크다.
이러한 기질적 특이성을 반영하기 위하여, 이 검진자를 위한 특성 값(α)는 아래의 수식을 통하여 연산 될 수 있다. 표 5에 대하여, 본 실시예에 따른 방식으로 검진자의 특성 값(α)를 구하기 위한 수학식 1이 제공 된다. 아래의 수학식에서 'T'는 발병자 기준치를 가리킨다.
수학식 1
Figure PCTKR2014013121-appb-M000001
CFactor3는 비만지수에 대한 검진 수치를 가리키고, CFactor4는 스트레스에 대한 검진 수치를 가리킨다. 수학식 1에 기재된 바와 같이, 본 실시예에서는, 상기 특성 값을 연산하는데 있어서 검진 데이터 중 제1 질병의 통계 모델에 부합하지 않는 검진 수치는 이용 되지 않는다.
이하, CFactori는 DFactori에 대한 검진 수치를 가리키는 검진자 포인트와 n 차원 공간의 원점 사이의 거리를 의미한다. 즉, CFactori는 n 차원 공간 상에 존재하는 검진자 포인트의 위치를 스칼라(scalar)량으로 수치화 시킨 것이다.
상기 수학식 1을 일반화 하면, 상기 수학식 1은 검진 데이터의 검진 수치 중 통계 모델에 부합하는 검진 수치 각각에 대하여 (CFactori* α)를 연산하고, (CFactori* α) 전체를 합친 수치가 상기 발병자 기준치가 되도록 하는 것이다.
일 실시예에서, 상기 발병자 기준치(T)는 기 지정된 수치이다.예를 들어, 상기 발병자 기준치(T)는 '1'일 수 있다.
다른 실시예에서, 상기 발병자 기준치(T)는, 각 발병 요인(DFactori)별 검진 수치 중심 값(DF_MIDi)을, 모든 발병 요인에 대하여 합산하여 연산 된 값일 수 있다. 수학식 2는 본 실시예에서 발병자 기준치(T)를 연산하는 수식이다.
수학식 2
Figure PCTKR2014013121-appb-M000002
DFactori에 대한 상기 검진 수치 중심 값(DF_MIDi)은 DFactori의 대표 클러스터의 중심점과 n 차원 공간의 원점 사이의 거리를 의미하거나, DFactori의 대표 클러스터에 속한 각 포인트와 n 차원 공간의 원점 사이의 거리에 대한 평균 값일 수 있다.
이하, 특성 값을 연산하는 제2 실시예를 설명한다.
상기 수학식 1에는 각 DFactori의 발병 기여율(DCRi)이 반영 되어 있지 않다. 반면, 본 실시예에 따르면, 상기 검진 데이터 중 상기 제1 질병 통계 모델에 부합하는 검진 수치에, 상기 검진 수치의 검진 항목에 대한 발병 기여율인 제1 가중치 및 상기 특성 값인 제2 가중치를 모두 반영한 조정 검진 수치들의 합계가 상기 발병자 기준치(T)가 되도록, 상기 특성 값을 연산할 수 있다. 표 5에 대하여, 본 실시예에 따른 방식으로 검진자의 특성 값(α)를 구하기 위한 수학식 3이 제공 된다.
수학식 3
Figure PCTKR2014013121-appb-M000003
일 실시예에서, 상기 발병자 기준치(T)는 기 지정된 수치이다. 예를 들어, 상기 발병자 기준치(T)는 '1'일 수 있다.
다른 실시예에서, 상기 발병자 기준치(T)는, 각 발병 요인(DFactori)별 검진 수치 중심 값(DF_MIDi)에 발병 기여율을 가중치로서 반영한 후 합산하여 연산 된 값일 수 있다. 수학식 4는 본 실시예에서 발병자 기준치(T)를 연산하는 수식이다.
수학식 4
Figure PCTKR2014013121-appb-M000004
DFactori에 대한 상기 검진 수치 중심 값(DF_MIDi)은 DFactori의 대표 클러스터의 중심점과 n 차원 공간의 원점 사이의 거리를 의미하거나, DFactori의 대표 클러스터에 속한 각 포인트와 n 차원 공간의 원점 사이의 거리에 대한 평균 값일 수 있다.
이하, 특성 값을 연산하는 제3 실시예를 설명한다.
본 실시예에 따르면, 특성 값을 연산할 때, 통계 모델에 부합하는 발병 요인(DFactori)과 그렇지 않은 발병 요인(DFactorj)에 대하여 가중치를 달리 하여 연산한다. 즉, 특성 값을 연산하는 제1 실시예 및 제2 실시예와는 달리, 검진 데이터가 통계 모델에 부합하지 않는 발병 요인의 검진 수치(CFactorj)도 특성 값 연산에 이용된다.
특성 값을 연산하는 제1 실시예 및 제2 실시예에 따르면, 검진 데이터가 통계 모델에 부합하는 발병 요인의 검진 수치(CFactori)에 대하여는 가중치가 상기 특성 값(α)이 되고, 검진 데이터가 통계 모델에 부합하지 않는 발병 요인의 검진 수치(CFactorj)에 대하여는 가중치가 0이 된다. 반면에, 특성 값을 연산하는 제3 실시예에 따르면, 검진 데이터가 통계 모델에 부합하는 발병 요인의 검진 수치(CFactori)에 대하여는 제1 가중치가 적용되고,검진 데이터가 통계 모델에 부합하지 않는 발병 요인의 검진 수치(CFactorj)에 대하여는 상기 제1 가중치와 다른 제2 가중치가 적용 된다.
상기 제1 가중치 및 제2 가중치 모두 상기 특성 값(α)을 이용하여 지정 될 수 있다. 예를 들어, 상기 제1 가중치는 Aα이고, 상기 제2 가중치는 Bα일 수 있다(A≠B).
일 실시예에서, 상기 제1 가중치는 양(+)의 값인 반면, 상기 제2 가중치는 음(-)의 값일 수 있다.
일 실시예에서, 상기 제1 가중치 및 상기 제2 가중치 모두 양(+)의 값이되, 상기 제1 가중치가 상기 제2 가중치보다 더 큰 값일 수 있다.
본 실시예에 따르면 아래와 같다. 아래의 수학식 5도 표 5에 대한 것이다. 아래의 수학식 5는 상기 제1 가중치가 2α이고, 상기 제2 가중치는 α인 점을 전제로 한다.
수학식 5
Figure PCTKR2014013121-appb-M000005
일 실시예에서, 상기 발병자 기준치(T)는 기 지정된 수치이다.예를 들어, 상기 발병자 기준치(T)는 '1'일 수 있다.
다른 실시예에서, 상기 발병자 기준치(T)는, 각 발병 요인(DFactori)별 검진 수치 중심 값(DF_MIDi)에 발병 기여율을 가중치로서 반영한 후 합산하여 연산 된 값일 수 있다. 수학식 4는 본 실시예에서 발병자 기준치(T)를 연산하는 수식이다.
DFactori에 대한 상기 검진 수치 중심 값(DF_MIDi)은 DFactori의 대표 클러스터의 중심점과 n 차원 공간의 원점 사이의 거리를 의미하거나, DFactori의 대표 클러스터에 속한 각 포인트와 n 차원 공간의 원점 사이의 거리에 대한 평균 값일 수 있다.
발병자 기준치본 실시예를 정리하여 설명하면 다음과 같다.
제1 규칙: 상기 검진자의 특성 값은, 상기 제1 질병의 각 발병 요인에 대한 조정 검진 수치들을 합산한 수치와 발병자 기준치(T)가 동일한 값이 되도록 연산 됨.
제2 규칙: 특정 발병 요인에 대한 상기 조정 검진 수치는, 상기 특정 발병 요인에 대한 상기 검진자의 검진 수치에 상기 특정 발병 요인에 대한 개인화 가중치를 반영한 값임.
제3 규칙: 특정 발병 요인에 대한 상기 개인화 가중치는, 상기 특정 발병 요인에 대한 상기 검진자의 검진 수치가 상기 특정 발병 요인에 대한 상기 제1 질병 통계 모델에 부합하는 경우 상기 검진자의 특성 값(α)을 이용하여 지정된 제1 가중치로 설정 되고, 상기 특정 발병 요인에 대한 상기 검진자의 검진 수치가 상기 특정 발병 요인에 대한 상기 제1 질병 통계 모델에 부합하지 않는 경우 상기 검진자의 특성 값(α)을 이용하여 지정 된 제2 가중치로 설정 됨.
제4 규칙: 상기 제1 가중치와 상기 제2 가중치는 서로 다른 값임.
이하, 특성 값을 연산하는 제4 실시예를 설명한다.
본 실시예에 따르면, 특성 값을 연산할 때, 통계 모델에 부합하는 발병 요인(DFactori)별로 가중치를 달리 하여 연산한다. 본 실시예에 따른 방식으로 검진자의 특성 값(α)을 구하기 위한 수학식 6이 제공된다.
수학식 6
Figure PCTKR2014013121-appb-M000006
수학식 6에 표시된 바와 같이, 각 발병 요인(DFactori)에 대한 가중치(Aiα)는 상기 검진자의 특성 값(α)을 이용하여 결정된다. 예를 들어, Ai는 DFactori에 대한 검진 수치를 가리키는 검진자 포인트와 DFactori의 대표 클러스터의 중심점 사이의 거리(Euclidean Distance)인 이격 거리를 바탕으로 결정되는 값일 수 있다. 예를 들어, Ai는 상기 이격 거리에 비례하는 값이거나, 반비례하는 값일 수 있다. 본 발명의 실시예는, Ai의 설정에 대한 상기 예시로 제한되지 않으며, 상기 언급되지 않은 다양한 기준에 의하여 Ai가 설정 될 수 있음을 유의한다.
일 실시예에서, 상기 발병자 기준치(T)는 기 지정된 수치이다.예를 들어, 상기 발병자 기준치(T)는 '1'일 수 있다.
다른 실시예에서, 상기 발병자 기준치(T)는, 각 발병 요인(DFactori)별 검진 수치 중심 값(DF_MIDi)에 발병 기여율을 가중치로서 반영한 후 합산하여 연산 된 값일 수 있다. 수학식 4는 본 실시예에서 발병자 기준치(T)를 연산하는 수식이다.
DFactori에 대한 상기 검진 수치 중심 값(DF_MIDi)은 DFactori의 대표 클러스터의 중심점과 n 차원 공간의 원점 사이의 거리를 의미하거나, DFactori의 대표 클러스터에 속한 각 포인트와 n 차원 공간의 원점 사이의 거리에 대한 평균 값일 수 있다.
이하, 특성 값을 연산하는 제5 실시예를 설명한다.
본 실시예에 따르면, 특성 값을 연산할 때, 통계 모델에 부합하는 발병 요인(DFactori)별로 가중치를 달리 하여 연산한다. 즉, 본 실시예에서는 각 발병 요인 별로 서로 다른 특성 값이 연산 될 수 있다. 이 때, 상기 검진자에 대한 상기 특성 값은 각 발병 요인에 대한 일련의 특성 값을 의미한다. 본 실시예에 따른 방식으로 검진자의 특성 값(αi , 1<=i<=M)을 구하기 위한 수학식 7이 제공된다.
수학식 7
Figure PCTKR2014013121-appb-M000007
본 실시예에 따르면, 제1 질병에 대한 수학식 7, 제2 질병에 대한 수학식 7, .. 제n 질병에 대한 수학식 7이 각각 생성되고, 생성 된 수학식들을 이용하여 연립방정식을 푸는 방식으로 각 발병 요인(DFactori)에 대한αi를 구할 수 있다.
이하, 도 9를 참조하여, 상기 설명 된 방식으로 생성 되는 검진자의 특성 값을 어떤 용도로 활용할 수 있는지 설명한다.
먼저, 상기 특성 값을 이용하여 설문 조사에서 체크하지 않은 다른 질병에 대하여 발병 여부를 미리 예측할 수 있다(S500).
검진자에 대하여 제1 질병 내지 제10 질병을 제시하면서, 검진자가 가지고 있는 질병에 체크하도록 설문 조사가 수행 되었다고 가정한다.상기 설문 조사에서 상기 검진자가 제1 질병을 가지고 있는 것으로 체크한 반면, 제2 내지 10 질병은 가지고 있지 않은 것으로 설문 조사에서 응답했다고 하자. 그리고 상기 검진자는 실제로는 제2 질병을 가지고 있다고 하자. 환자 개인 특성 분석 장치(10)는 상기 모집단 데이터베이스의 상기 제2 질병 발병자들의 데이터를 이용하여 생성 된 제2 질병 통계 모델에, 상기 검진자의 검진 데이터가 부합하는지 여부를 판단할 수 있다.
상기 검진자의 검진 데이터를 제1 질병에 대한 통계 모델과 비교한 결과, 상기 검진 데이터가 상기 통계 모델에 합치하지 않는 것으로 판정 되었고, 특성 값을 연산하는 제1 실시예에 따라 상기 검진자의 특성 값이 연산 되었다고 하자. 그 결과가 표 5에 표시 된 것과 같으며, 제2 질병 통계 모델의 발병 인자에도 비만지수 및 스트레스가 포함 된다고 하자. 이 때, 검진자의 검진 데이터가 제2 질병 통계 모델과 합치 하는지 여부를 판단할 때(S300), 비만지수의 검진 수치 및 스트레스 검진 수치에 상기 연산 된 특성 값이 가중치로서 반영된다.
다음으로, 검진자의 상기 특성 값을 이용하여, 상기 검진자에 대하여 개인화 처방을 제공 할 수 있다(S600). 이미 설명한 바와 같이, 상기 생성 된 특성 값이 개인화 처방 장치에 전달될 수 있다. 상기 개인화 처방 장치는 상기 특성 값을 이용하여 상기 검진자에 대하여 기 작성 된 처방 사항을 조정하거나, 의사 단말기에 상기 특성 값을 전달하여, 상기 검진자의 주치의가 기 작성 된 처방 사항을 상기 특성 값에 기반하여 조정하도록 유도할 수 있다.
제1 질병을 가진 것으로 체크한 상기 검진자의 검진 수치가 상기 모집단 데이터베이스에 기록 된 제1 질병 발병자들의 검진 수치와 통계적으로 유사하지 않은 경우, 상기 검진자의 검진 데이터가 새로운 형태의 제1 질병 발병 패턴으로써 상기 모집단 데이터베이스에 누적 될 수 있도록, 상기 검진자의 검진 수치들을 모집단 데이터베이스 제공 장치에 송신할 수 있다(S700).
상기 검진자와 유사한 패턴의 검진 수치를 가진 검진자의 검진 기록이 상기 모집단 데이터베이스에 충분히 누적 되면, 상기 검진자의 검진 수치도 통계 모델에 반영 될 수 있을 것이다. 도 10은 상기 검진자와 유사한 패턴의 검진 수치를 가진 검진자의 검진 기록이 다수 누적 되었을 때, 그로 인해 새로운 대표 클러스터(43)가 생성 된 것을 도시한다. 추후에는 상기 검진자와 유사한 기질적 특이성을 가진 다른 검진자들의 검진 수치가 대표 클러스터(43)에 포함 되는 것으로 분석 될 것이므로, 상기 제1 질병의 발병 가능성이 있는 점을 통계적으로 예측할 수 있을 것이다.
한편, 기질적 특이성을 가진 검진자의 숫자가 많지 않을 것임을 고려하여,기존의 통계 모델에 의하면 제1 질병의 발병 확률이 낮은 것으로 검진 데이터가 평가 되었으나, 실제로는 제1 질병을 가지고 있는 검진자들을 가리키는 데이터에 대하여는 대표 클러스터 성립 요건을 완화해 줄 필요가 있다. 도 11은 이러한 실시예를 도시한다. 기존 통계 모델에 의할 때 제1 질병의 발병 가능성 부정 되었으나,실제로는 제1 질병을 가지고 있는 검진자들의 검진 데이터를 가리키는 포인트들의 대표 클러스터(43)가 생성 되었는데, 대표 클러스터(43)의 성립 요건(ε, p)은 다른 대표 클러스터(41, 42)들의 성립 요건 보다 완화 되어 있음을 확인할 수 있다.
지금까지 도 1 내지 도 11을 참조하여 설명한 본 발명의 몇몇 실시예들에 따른 환자 개인 특성 분석 방법은, 컴퓨팅 장치에서 컴퓨터 프로그램을 실행함으로써 수행 될 수 있다. 이러한 실시를 위하여, 컴퓨팅 장치와 결합되어, 제1 질병을 가진 검진자의 검진 데이터를 수신하는 단계와, 상기 제1 질병의 발병자의 검진 수치로부터 얻어진 제1 질병 통계 모델에 대한 상기 검진 데이터의 부합 여부를 판정하는 단계와, 상기 판정 결과 상기 검진 데이터와 상기 제1 질병 통계 모델이 부합하지 않는 경우, 상기 검진 데이터 중 상기 제1 질병 통계 모델에 부합하는 일부의 검진 수치만을 이용하여 상기 검진자의 특성 값을 연산하는 단계를 수행하기 위하여 기록 매체에 기록 된 컴퓨터 프로그램이 제공 될 수 있다.
이하, 도 12 내지 도 13을 참조하여, 본 발명의 또 다른 실시예에 따른 환자 개인 특성 분석 장치의 구성 및 동작에 대하여 설명한다.
도 12는 본 실시예에 따른 환자 개인 특성 분석 장치의 블록 구성도이다. 도 12에 도시된 바와 같이, 본 실시예에 따른 환자 개인 특성 분석 장치는 네트워크 인터페이스(102), 검진 데이터 접수부(104), 검진 수치 조회부(106), 통계 모델 생성부(108), 검진 데이터 분석부(110) 및 특성 값 연산부(112)를 포함할 수 있고, 질병 예측부(114) 및 DB 피드백(116)부를 더 포함할 수도 있다.
검진 데이터 접수부(104)가 네트워크 인터페이스(102)를 통하여 제1 질병을 가진 검진자의 검진 데이터를 수신하면, 검진 수치 조회부(106)가 네트워크 인터페이스(102)를 통해 모집단 데이터베이스에 상기 제1 질병을 가진 발병자들의 검진 수치를 요청한다. 검진 수치 조회부(106)는 상기 모집단 데이터베이스로부터 제공 된 제1 질병 발병자들의 검진 수치 중 상기 제1 질병의 발병 요인에 대한 검진 수치 데이터들을 기 지정 된 형태로 가공하여 통계 모델 생성부(108)에 제공한다.
통계 모델 생성부(108)는 검진 수치 조회부(106)로부터 제공 된 데이터를 밀도 기반 클러스터링 하여, 모집단 데이터베이스의 제1 질병 발병자들에 대한 검진 수치를 대표하는 대표 클러스터를 상기 제1 질병의 각 발병 요인에 대하여 각각 구성한다. 상기 각 발병 요인의 대표 클러스터가 상기 제1 질병의 전체 통계 모델을 구성한다.
검진 데이터 분석부(110)는 검진자의 검진 데이터가 상기 생성 된 통계 모델에 부합하는 것인지 여부를 판정한다. 검진 데이터 분석부(110)의 분석 결과, 검진 데이터가 통계 모델에 부합하는 것이 아니라면,특성 값 연산부(112)가 상기 검진자의 기질적 특이성, 또는 특정 발병 인자에 대한 민감성 등을 내포하는 상기 검진자에 대한 특성 값을 연산한다. 상기 특성 값의 연산 방법에 대하여는 이미 설명한 실시예들을 참조한다.
특성 값 연산부(112)는 생성 된 상기 특성 값을 네트워크 인터페이스(102)를 통해 외부 장치에 제공 할 수 있다. 상기 특성 값은 상기 검진자에 대한 개인화 된 의료 서비스를 제공하기 위한 기초 데이터로 활용 될 수 있다.
질병 예측부(114)는 상기 검진자가 체크하지 않은(즉, 검진자가 걸리지 않았다고 인지하고 있는) 다른 질병에 대한 질병 예측을 수행한다. 이 때, 검진 데이터의 검진 수치 중 일부에 대하여 상기 특성 값을 반영하여 먼저 조정한 후, 조정 된 값을 포함하는 검진 데이터가 다른 질병의 통계 모델에 부합하는지 여부를 판정할 수 있다.
DB 피드백(116)부는 특정 질병을 가진 것으로 체크한 상기 검진자의 검진 수치가 상기 모집단 데이터베이스에 기록 된 특정 질병 발병자들의 검진 수치와 통계적으로 유사하지 않은 경우, 상기 검진자의 검진 데이터가 새로운 형태의 특정 질병 발병 패턴으로써 상기 모집단 데이터베이스에 누적 될 수 있도록, 상기 검진자의 검진 수치들을 모집단 데이터베이스 제공 장치에 송신한다.
지금까지 도 12의 각 구성요소는 소프트웨어(software) 또는, FPGA(field-programmable gate array)나 ASIC(application-specific integrated circuit)과 같은 하드웨어(hardware)를 의미할 수 있다. 그렇지만 상기 구성요소들은 소프트웨어 또는 하드웨어에 한정되는 의미는 아니며, 어드레싱(addressing)할 수 있는 저장 매체에 있도록 구성될 수도 있고 하나 또는 그 이상의 프로세서들을 실행시키도록 구성될 수도 있다. 상기 구성요소들 안에서 제공되는 기능은 더 세분화된 구성요소에 의하여 구현될 수 있으며, 복수의 구성요소들을 합하여 특정한 기능을 수행하는 하나의 구성요소로 구현할 수도 있다.
도 13은 질환 발병 예측 장치(100)의 도 12와는 다른 구성도이다. 환자 개인 특성 분석 장치(10)는 도 13에 도시된 구성을 가질 수도 있다. 환자 개인 특성 분석 장치(10)는 명령어를 수행하는 프로세서(126), 질환 발병 예측 프로그램 데이터가 저장되는 스토리지(122), 메모리(128), 외부 장치와의 데이터 송수신을 위한 네트워크 인터페이스(124) 및 스토리지(122), 네트워크 인터페이스(124), 프로세서(126) 및 메모리(128)와 연결되어 데이터 이동 통로가 되는 시스템 버스(120)를 포함할 수 있다. 스토리지(122)는 비휘발성 메모리, 자기 디스크, 하드 디스크 등의 보조 기억 장치이다.
일 실시예에서, 스토리지(122)에는, 컴퓨팅 장치와 결합되어, 제1 질병을 가진 검진자의 검진 데이터를 수신하는 단계, 상기 제1 질병의 발병자의 검진 수치로부터 얻어진 제1 질병 통계 모델에 대한 상기 검진 데이터의 부합 여부를 판정하는 단계, 상기 판정 결과 상기 검진 데이터와 상기 제1 질병 통계 모델이 부합하지 않는 경우, 상기 검진 데이터 중 상기 제1 질병 통계 모델에 부합하는 일부의 검진 수치만을 이용하여 상기 검진자의 특성 값을 연산하는 단계를 수행하기 위한 컴퓨터 프로그램의 실행 파일 및 리소스 파일이 저장 될 수 있다.
다른 실시예에서, 스토리지(122)에는, 컴퓨팅 장치와 결합되어, 제1 질병을 가진 검진자의 검진 데이터를 수신하는 단계, 상기 제1 질병의 발병자의 검진 수치로부터 얻어진 제1 질병 통계 모델에 대한 상기 검진 데이터의 부합 여부를 판정하는 단계, 및 상기 판정 결과 부합하지 않는 것으로 판정 된 경우, 상기 검진자의 특성 값(α)을 연산하는 단계를 수행하기 위한 컴퓨터 프로그램의 실행 파일 및 리소스 파일이 저장 될 수 있다.
이 때, 상기 검진자의 특성 값은, 상기 제1 질병의 각 발병 요인에 대한 조정 검진 수치들을 합산한 수치와 발병자 기준치가 동일한 값이 되도록 연산 되고, 특정 발병 요인에 대한 상기 조정 검진 수치는, 상기 특정 발병 요인에 대한 상기 검진자의 검진 수치에 상기 특정 발병 요인에 대한 개인화 가중치를 반영한 값이다.
추가로, 특정 발병 요인에 대한 상기 개인화 가중치는, 상기 특정 발병 요인에 대한 상기 검진자의 검진 수치가 상기 특정 발병 요인에 대한 상기 제1 질병 통계 모델에 부합하는 경우 상기 검진자의 특성 값(α)을 이용하여 지정된 제1 가중치로 설정 되고, 상기 특정 발병 요인에 대한 상기 검진자의 검진 수치가 상기 특정 발병 요인에 대한 상기 제1 질병 통계 모델에 부합하지 않는 경우 상기 검진자의 특성 값(α)을 이용하여 지정 된 제2 가중치로 설정 되며, 상기 제1 가중치와 상기 제2 가중치는 서로 다른 값일 수 있다.
이상 첨부된 도면을 참조하여 본 발명의 실시예들을 설명하였지만, 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자는 본 발명이 그 기술적 사상이나 필수적인 특징을 변경하지 않고서 다른 구체적인 형태로 실시될 수 있다는 것을 이해할 수 있을 것이다. 그러므로 이상에서 기술한 실시예들은 모든 면에서 예시적인 것이며 한정적이 아닌 것으로 이해해야만 한다.

Claims (24)

  1. 환자 개인 특성 분석 장치가, 제1 질병을 가진 검진자의 검진 데이터를 수신하는 단계;
    상기 환자 개인 특성 분석 장치가, 상기 제1 질병의 발병자의 검진 수치로부터 얻어진 제1 질병 통계 모델에 대한 상기 검진 데이터의 부합 여부를 판정하는 단계; 및
    상기 환자 개인 특성 분석 장치가, 상기 판정 결과 부합하지 않는 것으로 판정 된 경우, 상기 검진자의 특성 값(α)을 연산하는 단계를 포함하되,
    상기 검진자의 특성 값은, 상기 제1 질병의 각 발병 요인에 대한 조정 검진 수치들을 합산한 수치와 발병자 기준치가 동일한 값이 되도록 연산 되고,
    특정 발병 요인에 대한 상기 조정 검진 수치는, 상기 특정 발병 요인에 대한 상기 검진자의 검진 수치에, 상기 특정 발병 요인에 대한 개인화 가중치를 반영한 값이고,
    특정 발병 요인에 대한 상기 개인화 가중치는, 상기 검진자의 특성 값(α)을 이용하여 결정 된 값이고,
    각 발병 요인에 대한 상기 개인화 가중치 중 적어도 하나는, 다른 발병 요인에 대한 개인화 가중치와 서로 상이한 것인,
    환자 개인 특성 분석 방법.
  2. 제1 항에 있어서,
    상기 발병자 기준치는,
    상기 제1 질병 통계 모델에 따른 각 발병 요인(DFactori) 별 검진 수치 중심 값(DF_MIDi)에, 상기 발병 요인의 발병 기여율을 반영한 값들의 합산치이고,
    상기 검진 수치 중심 값(DF_MIDi)은, DFactori의 대표 클러스터의 중심점과 n 차원 공간의 원점 사이의 거리인,
    환자 개인 특성 분석 방법.
  3. 제1 항에 있어서,
    상기 발병자 기준치는,
    상기 제1 질병 통계 모델에 따른 각 발병 요인(DFactori) 별 검진 수치 중심 값(DF_MIDi)에, 상기 발병 요인의 발병 기여율을 반영한 값들의 합산치이고, 상기 검진 수치 중심 값(DF_MIDi)은, DFactori의 대표 클러스터에 속한 각 포인트와 n 차원 공간의 원점 사이의 거리에 대한 평균 값인,
    환자 개인 특성 분석 방법.
  4. 제1 항에 있어서,
    상기 판정하는 단계는,
    모집단 데이터베이스 제공 장치로부터 제공 된 상기 제1 질병의 발병자의 상기 제1 질병의 각 발병 요인에 대한 검진 수치 데이터를 이용하여 상기 제1 질병 통계 모델을 생성 하는 단계를 포함하고,
    상기 검진 수치 데이터는, 각 발병 요인에 속한 복수의 서브 발병 요인에 대한 검진 수치들을 포함하는,
    환자 개인 특성 분석 방법.
  5. 제4 항에 있어서,
    상기 제1 질병 통계 모델을 생성하는 단계는,
    상기 제1 질병의 제1 발병 요인에 속한 복수의 서브 발병 요인에 대한 검진 수치들을 이용하여, 각 발병자의 상기 제1 발병 요인에 대한 검진 수치를 가리키는 포인트를, n 차원(n은 서브 발병 요인의 개수) 공간 상에 매핑(mapping) 하는 제1 단계;
    상기 제1 단계를 각 발병자의 검진 수치 데이터에 대하여 반복 하는 제2 단계;
    밀도 기반 클러스터링을 통해, 상기 제1 발병 요인에 대한 대표 클러스터를 얻는 제3 단계;
    상기 대표 클러스터를 상기 제1 발병 요인에 대한 제1 질병 통계 모델로 설정 하는 제4 단계; 및
    상기 제1 질병의 제2 내지 M 발병 요인(M은 상기 제1 질병의 발병 요인 개수)에 대하여 상기 제1 내지 제4 단계를 반복하는 제5 단계를 포함하는,
    환자 개인 특성 분석 방법.
  6. 제5 항에 있어서,
    상기 제3 단계는,
    상기 제1 단계에서 n 차원 공간 상에 매핑 된 포인트 중 하나를 선정하는 제3A 단계;
    상기 제3A 단계에서 선정 된 포인트로부터 기 지정 된 반경(ε) 이내에, 기 지정 된 개수(p)의 포인트가 존재하는지 판정하여 상기 선정 된 포인트를 중심점으로 하는 상기 대표 클러스터가 성립하는지 여부를 판정하는 제3B 단계;
    상기 제3A 단계 및 제3B 단계를 상기 제1 단계에서 n 차원 공간 상에 매핑 된 다른 전체 포인트에 대하여 반복하는 제3C 단계; 및
    상기 제3A 단계 내지 제3B 단계를 통하여 대표 클러스터가 미성립 된 경우, 상기 ε 및 p 중 적어도 하나를 조정한 후, 상기 제3A 단계 내지 제3B 단계를 반복하는 제3D 단계를 포함하는,
    환자 개인 특성 분석 방법.
  7. 제6 항에 있어서,
    상기 제3B 단계는,
    복수의 대표 클러스터가 성립하는 것으로 판정하는 단계를 포함하는,
    환자 개인 특성 분석 방법.
  8. 제5 항에 있어서,
    상기 판정하는 단계는,
    상기 검진자의 검진 데이터의 상기 제1 발병 요인에 속한 복수의 서브 발병 요인에 대한 검진 수치들을 이용하여, 상기 검진자의 상기 제1 발병 요인에 대한 검진 수치를 가리키는 검진자 포인트를, 상기 n 차원 공간 상에 매핑 하는 A 단계;
    상기 검진자 포인트가 상기 제1 발병 요인에 대한 대표 클러스터에 속하는지 여부를 판정함으로써, 상기 검진자의 상기 제1 발병 요인에 대한 검진 수치가 상기 제1 질병 통계 모델에 부합하는지 여부를 판정하는 B 단계; 및
    상기 제2 내지 M 발병 요인에 대하여 상기 A 단계 내지 B 단계를 반복하는 C 단계를 더 포함하는,
    환자 개인 특성 분석 방법.
  9. 제8 항에 있어서,
    상기 검진자의 상기 제1 발병 요인에 대한 검진 수치가 상기 제1 질병 통계 모델에 부합하는지 여부를 판정하는 B 단계는,
    상기 검진자의 상기 제1 발병 요인에 대한 검진 수치를 가리키는 검진자 포인트가 상기 제1 발병 요인에 대한 대표 클러스터에 속하는 경우, 상기 제1 발병 요인의 발병 기여율에 기반하여 결정 된 포인트를 부여하는 단계;
    상기 포인트를 부여하는 단계를 상기 제2 내지 M 발병 요인에 대하여 반복하는 단계; 및
    상기 부여 된 포인트의 합산 값이 상기 제1 질병에 대한 기준치를 초과하는 경우, 상기 검진자의 검진 데이터가 상기 제1 질병의 발병자의 검진 수치로부터 얻어진 제1 질병 통계 모델에 부합하는 것으로 판정 하는 단계를 포함하는,
    환자 개인 특성 분석 방법.
  10. 제8 항에 있어서,
    상기 검진자의 상기 제1 발병 요인에 대한 검진 수치가 상기 제1 질병 통계 모델에 부합하는지 여부를 판정하는 B 단계는,
    상기 검진자의 상기 제1 발병 요인에 대한 검진 수치를 가리키는 검진자 포인트와 상기 제1 발병 요인에 대한 대표 클러스터의 중심점 사이의 거리를 연산하고, 상기 연산 된 거리에 상기 제1 발병 요인의 발병 기여율에 기반하여 결정 된 가중치를 반영하여 상기 검진자 포인트와 상기 중심점 사이의 거리를 조정하는 단계;
    상기 거리를 조정하는 단계를 상기 제2 내지 M 발병 요인에 대하여 반복하는 단계; 및
    상기 조정 된 거리의 합산 값이 상기 제1 질병에 대한 기준치에 미달하는 경우, 상기 검진자의 검진 데이터가 상기 제1 질병의 발병자의 검진 수치로부터 얻어진 제1 질병 통계 모델에 부합하는 것으로 판정 하는 단계를 포함하는,
    환자 개인 특성 분석 방법.
  11. 제1 항에 있어서,
    상기 제1 질병 통계 모델은 모집단 데이터베이스 제공 장치로부터 제공 된 상기 제1 질병의 발병자의 상기 제1 질병의 각 발병 요인에 대한 검진 수치로부터 얻어진 것이고,
    상기 환자 개인 특성 분석 장치가, 상기 검진자의 검진 데이터를 상기 모집단 데이터베이스에 삽입함으로써, 상기 모집단 데이터베이스를 업데이트 하는 단계;
    상기 환자 개인 특성 분석 장치가, 상기 제1 질병을 가진 다른 검진자의 검진 데이터를 수신하는 단계;
    상기 환자 개인 특성 분석 장치가, 상기 업데이트 된 모집단 데이터베이스를 이용하여 갱신된 상기 제1 질병 통계 모델을 생성하는 단계; 및
    상기 다른 검진자의 검진 데이터가 상기 갱신된 제1 질병 통계 모델에 부합하는지 여부를 판정하는 단계를 더 포함하는,
    환자 개인 특성 분석 방법.
  12. 제1 항에 있어서,
    상기 검진자가 상기 제1 질병과 다른 제2 질병을 더 가지는 경우, 상기 환자 개인 특성 분석 장치가, 상기 제2 질병의 발병자의 검진 수치로부터 얻어진 제2 질병 통계 모델에 대한 상기 검진 데이터의 부합 여부를 판정하고, 상기 판정 결과 부합 되지 않는 것으로 판정 된 경우, 상기 검진자의 검진 데이터 중 상기 제2 질병 통계 모델에 부합하는 일부의 검진 수치만을 이용하여 상기 검진자의 갱신 된 특성 값을 연산하는 단계를 포함하는,
    환자 개인 특성 분석 방법.
  13. 제1 항에 있어서,
    상기 환자 개인 특성 분석 장치가, 상기 연산 된 특성 값을 이용하여 상기 제1 질병과 다른 제2 질병의 발병 가능성을 예측하는 단계를 더 포함하는,
    환자 개인 특성 분석 방법.
  14. 제13 항에 있어서,
    상기 제2 질병의 발병 가능성을 예측하는 단계는,
    일부의 검진 수치에 대하여 상기 특성 값을 가중치로서 반영함으로써, 상기 일부의 검진 수치를 상기 특성 값에 기반하여 조정하는 단계; 및
    상기 조정 된 일부의 검진 수치를 포함하는 상기 검진자의 검진 데이터가, 상기 제2 질병의 발병자의 검진 수치로부터 얻어진 제2 질병 통계 모델에 부합하는지 여부를 판정함으로써, 상기 제2 질병의 발병 가능성을 예측하는 단계를 포함하는,
    환자 개인 특성 분석 방법.
  15. 제1 항에 있어서,
    상기 환자 개인 특성 분석 장치가, 상기 연산된 특성 값을 개인화 처방 장치에 송신하는 단계; 및
    상기 개인화 처방 장치가, 상기 특성 값을 이용하여 처방 사항을 조정하는 단계를 더 포함하는,
    환자 개인 특성 분석 방법.
  16. 환자 개인 특성 분석 장치가, 제1 질병을 가진 검진자의 검진 데이터를 수신하는 단계;
    상기 환자 개인 특성 분석 장치가, 상기 제1 질병의 발병자의 검진 수치로부터 얻어진 제1 질병 통계 모델에 대한 상기 검진 데이터의 부합 여부를 판정하는 단계; 및
    상기 환자 개인 특성 분석 장치가, 상기 판정 결과 부합하지 않는 것으로 판정 된 경우, 상기 검진자의 특성 값(α)을 연산하는 단계를 포함하되,
    상기 검진자의 특성 값은, 상기 제1 질병의 각 발병 요인에 대한 조정 검진 수치들을 합산한 수치와 발병자 기준치가 동일한 값이 되도록 연산 되고,
    특정 발병 요인에 대한 상기 조정 검진 수치는, 상기 특정 발병 요인에 대한 상기 검진자의 검진 수치에 상기 특정 발병 요인에 대한 개인화 가중치를 반영한 값이고,
    특정 발병 요인에 대한 상기 개인화 가중치는, 상기 특정 발병 요인에 대한 상기 검진자의 검진 수치가 상기 특정 발병 요인에 대한 상기 제1 질병 통계 모델에 부합하는 경우 상기 검진자의 특성 값(α)을 이용하여 지정된 제1 가중치로 설정 되고, 상기 특정 발병 요인에 대한 상기 검진자의 검진 수치가 상기 특정 발병 요인에 대한 상기 제1 질병 통계 모델에 부합하지 않는 경우 상기 검진자의 특성 값(α)을 이용하여 지정 된 제2 가중치로 설정 되며,
    상기 제1 가중치와 상기 제2 가중치는 서로 다른 값인,
    환자 개인 특성 분석 방법.
  17. 제16 항에 있어서,
    상기 제1 가중치는 양(+)의 값인 반면, 상기 제2 가중치는 음(-)의 값인,
    환자 개인 특성 분석 방법.
  18. 제16 항에 있어서,
    상기 제1 가중치 및 상기 제2 가중치 모두 양(+)의 값이되, 상기 제1 가중치가 상기 제2 가중치보다 더 큰 값인,
    환자 개인 특성 분석 방법.
  19. 환자 개인 특성 분석 장치가, 제1 질병을 가진 검진자의 검진 데이터를 수신하는 단계;
    상기 환자 개인 특성 분석 장치가, 상기 제1 질병의 발병자의 검진 수치로부터 얻어진 제1 질병 통계 모델에 대한 상기 검진 데이터의 부합 여부를 판정하는 단계; 및
    상기 환자 개인 특성 분석 장치가, 상기 판정 결과 상기 검진 데이터와 상기 제1 질병 통계 모델이 부합하지 않는 경우, 상기 검진 데이터 중 상기 제1 질병 통계 모델에 부합하는 일부의 검진 수치만을 이용하여 상기 검진자의 특성 값을 연산하는 단계를 포함하는,
    환자 개인 특성 분석 방법.
  20. 제19 항에 있어서,
    상기 특성 값을 연산하는 단계는,
    상기 검진 데이터 중 상기 제1 질병 통계 모델에 부합하는 검진 수치에 상기 특성 값을 가중치로서 반영한 조정 검진 수치들의 합계가 발병자 기준치가 되도록, 상기 특성 값을 연산하는 단계를 포함하는,
    환자 개인 특성 분석 방법.
  21. 제20 항에 있어서,
    상기 특성 값을 연산하는 단계는,
    상기 검진 데이터 중 상기 제1 질병 통계 모델에 부합하는 검진 수치에 , 상기 검진 수치의 검진 항목에 대한 발병 기여율인 제1 가중치 및 상기 특성 값인 제2 가중치를 모두 반영한 조정 검진 수치들의 합계가 발병자 기준치가 되도록, 상기 특성 값을 연산하는 단계를 포함하는,
    환자 개인 특성 분석 방법.
  22. 제21 항에 있어서,
    상기 발병자 기준치는,
    상기 제1 질병 통계 모델에 따른 각 발병 요인 별 검진 수치 중심 값에, 상기 발병 요인의 발병 기여율을 반영한 값들의 합산치인,
    환자 개인 특성 분석 방법.
  23. 컴퓨팅 장치와 결합되어,
    제1 질병을 가진 검진자의 검진 데이터를 수신하는 단계;
    상기 제1 질병의 발병자의 검진 수치로부터 얻어진 제1 질병 통계 모델에 대한 상기 검진 데이터의 부합 여부를 판정하는 단계; 및
    상기 판정 결과 부합하지 않는 것으로 판정 된 경우, 상기 검진자의 특성 값(α)을 연산하는 단계를 수행하되,
    상기 검진자의 특성 값은, 상기 제1 질병의 각 발병 요인에 대한 조정 검진 수치들을 합산한 수치와 발병자 기준치가 동일한 값이 되도록 연산 되고,
    특정 발병 요인에 대한 상기 조정 검진 수치는, 상기 특정 발병 요인에 대한 상기 검진자의 검진 수치에, 상기 특정 발병 요인에 대한 개인화 가중치를 반영한 값이고,
    특정 발병 요인에 대한 상기 개인화 가중치는, 상기 검진자의 특성 값(α)을 이용하여 결정 된 값인,
    기록 매체에 기록 된 컴퓨터 프로그램.
  24. 하나 이상의 프로세서;
    네트워크 인터페이스;
    메모리; 및
    상기 메모리에 로딩 되어 상기 프로세서에 의하여 수행 되는 컴퓨터 프로그램의 실행 파일이 기록 된 스토리지 장치를 포함하되,
    상기 컴퓨터 프로그램은,
    제1 질병을 가진 검진자의 검진 데이터를 수신하는 일련의 인스트럭션;
    상기 제1 질병의 발병자의 검진 수치로부터 얻어진 제1 질병 통계 모델에 대한 상기 검진 데이터의 부합 여부를 판정하는 일련의 인스트럭션; 및
    상기 판정 결과 부합하지 않는 것으로 판정 된 경우, 상기 검진자의 특성 값(α)을 연산하는 일련의 인스트럭션을 포함하고,
    상기 검진자의 특성 값은, 상기 제1 질병의 각 발병 요인에 대한 조정 검진 수치들을 합산한 수치와 발병자 기준치가 동일한 값이 되도록 연산 된 값이고,
    특정 발병 요인에 대한 상기 조정 검진 수치는, 상기 특정 발병 요인에 대한 상기 검진자의 검진 수치에, 상기 특정 발병 요인에 대한 개인화 가중치를 반영한 값이고,
    특정 발병 요인에 대한 상기 개인화 가중치는, 상기 검진자의 특성 값(α)을 이용하여 결정 된 값인,
    환자 개인 특성 분석 장치.
PCT/KR2014/013121 2014-10-27 2014-12-31 환자 개인 특성에 대한 분석 방법 및 그 장치 WO2016068391A1 (ko)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
KR10-2014-0146070 2014-10-27
KR1020140146070A KR101758055B1 (ko) 2014-10-27 2014-10-27 환자 개인 특성에 대한 분석 방법 및 그 장치

Publications (1)

Publication Number Publication Date
WO2016068391A1 true WO2016068391A1 (ko) 2016-05-06

Family

ID=55792203

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/KR2014/013121 WO2016068391A1 (ko) 2014-10-27 2014-12-31 환자 개인 특성에 대한 분석 방법 및 그 장치

Country Status (4)

Country Link
US (1) US20160117457A1 (ko)
KR (1) KR101758055B1 (ko)
CN (1) CN105808906B (ko)
WO (1) WO2016068391A1 (ko)

Families Citing this family (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
RU2652451C2 (ru) * 2016-09-08 2018-04-26 Акционерное общество "Лаборатория Касперского" Способы обнаружения аномальных элементов веб-страниц
KR101809149B1 (ko) * 2016-11-25 2017-12-14 한국과학기술연구원 순환계질환 발생잠재도를 판단하는 장치 및 그 방법
US11620471B2 (en) * 2016-11-30 2023-04-04 Cylance Inc. Clustering analysis for deduplication of training set samples for machine learning based computer threat analysis
JP6901308B2 (ja) * 2017-04-14 2021-07-14 株式会社日立製作所 データ分析支援システム及びデータ分析支援方法
KR102004438B1 (ko) * 2017-12-18 2019-07-29 왓비타 주식회사 사용자 건강습관정보 수집을 통한 건강관리 서비스 제공 장치 및 제공 방법
KR102079342B1 (ko) * 2017-12-20 2020-02-19 고려대학교 산학협력단 인지력 기반의 외국어능력 검사장치 및 그 방법
KR102028048B1 (ko) * 2018-01-29 2019-10-02 연세대학교 산학협력단 데이터 기반의 예방 의료정보 제공 및 평가를 위한 장치 및 방법
CN111210071B (zh) * 2020-01-03 2023-11-24 深圳前海微众银行股份有限公司 业务对象预测方法、装置、设备及可读存储介质
CN117936012B (zh) * 2024-03-21 2024-05-17 四川省医学科学院·四川省人民医院 一种基于慢性疼痛的检查项目决策方法、介质及系统

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20020005888A (ko) * 2000-07-10 2002-01-18 황인택 원격 건강관리 서비스를 제공하는 방법 및 시스템
US7087018B2 (en) * 2002-11-13 2006-08-08 Siemens Medical Solutions Usa, Inc. System and method for real-time feature sensitivity analysis based on contextual information
KR20110005791A (ko) * 2008-02-27 2011-01-19 드파이 인터내셔널 리미티드 맞춤형 외과 의료 장치
KR20140009619A (ko) * 2012-07-12 2014-01-23 주식회사 인피니트헬스케어 방사선 치료 계획 장치 및 그 방법
KR20140088434A (ko) * 2013-01-02 2014-07-10 삼성전자주식회사 환자별 특성을 기반으로 한 ｍｒｉ 다변수 영상 획득 지원 장치 및 방법

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101110095B (zh) * 2006-07-20 2010-06-30 中国科学院自动化研究所 一种对常见脑疾病易感基因的批量检测方法
KR101855179B1 (ko) * 2011-12-21 2018-05-09 삼성전자 주식회사 질환 진단을 위한 최적의 진단 요소 셋 결정 장치 및 방법
JP5392444B1 (ja) * 2012-04-26 2014-01-22 日本電気株式会社 保健指導対象者選定条件作成支援装置
CN103020454A (zh) * 2012-12-15 2013-04-03 中国科学院深圳先进技术研究院 发病关键因素提取与疾病预警方法及系统
US10304006B2 (en) * 2013-02-15 2019-05-28 The Charles Stark Draper Laboratory, Inc. Method for integrating and fusing heterogeneous data types to perform predictive analysis

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20020005888A (ko) * 2000-07-10 2002-01-18 황인택 원격 건강관리 서비스를 제공하는 방법 및 시스템
US7087018B2 (en) * 2002-11-13 2006-08-08 Siemens Medical Solutions Usa, Inc. System and method for real-time feature sensitivity analysis based on contextual information
KR20110005791A (ko) * 2008-02-27 2011-01-19 드파이 인터내셔널 리미티드 맞춤형 외과 의료 장치
KR20140009619A (ko) * 2012-07-12 2014-01-23 주식회사 인피니트헬스케어 방사선 치료 계획 장치 및 그 방법
KR20140088434A (ko) * 2013-01-02 2014-07-10 삼성전자주식회사 환자별 특성을 기반으로 한 ｍｒｉ 다변수 영상 획득 지원 장치 및 방법

Also Published As

Publication number Publication date
US20160117457A1 (en) 2016-04-28
KR101758055B1 (ko) 2017-07-14
CN105808906A (zh) 2016-07-27
KR20160049264A (ko) 2016-05-09
CN105808906B (zh) 2018-05-11

Similar Documents

Publication Publication Date Title
WO2016068391A1 (ko) 환자 개인 특성에 대한 분석 방법 및 그 장치
WO2018124854A1 (ko) 만성신장 질환의 질병 위험도를 예측하는 장치 및 방법
WO2017146515A1 (en) Sensor assisted evaluation of health and rehabilitation
WO2018182351A1 (en) Method for providing information and electronic device supporting the same
WO2018105995A2 (ko) 빅데이터를 활용한 건강정보 예측 장치 및 방법
WO2020078058A1 (zh) 医疗数据异常识别方法、装置、终端及存储介质
WO2017191858A1 (ko) 개인 맞춤형 정보를 제공하는 체성분 측정 장치 및 서버
WO2017014469A1 (ko) 질병 위험도 예측 방법 및 이를 수행하는 장치
WO2021040373A1 (ko) 복합적 스트레스 지수에 기반한 스트레스 관리 방법
WO2021101105A2 (ko) 의료 전문 자료의 과목 분류 시스템 및 방법
WO2022211385A1 (ko) 질병 예측치의 분포를 이용한 건강관리 상담 시스템
WO2021101073A1 (ko) 생체 데이터를 획득하는 장치 및 그 방법
WO2020119118A1 (zh) 异常数据的处理方法、装置、设备及计算机可读存储介质
CN113130052A (zh) 医生推荐方法、医生推荐装置、终端设备及存储介质
WO2020209618A1 (en) Electronic device and method for providing information for stress relief by same
CN113990482A (zh) 健康数据处理系统及方法
JP2018015327A (ja) 診断装置、診断方法、プログラム
WO2023163248A1 (ko) 인공지능 기반의 식재료 매칭 서버, 방법 및 프로그램
WO2013009024A2 (ko) 건강 분류 정보를 이용한 응용 서비스 제공 방법 및 장치
WO2011136491A2 (ko) 용어체계 기반의 데이터 개체 정의지원 시스템
CN111354451A (zh) 医院护理服务人员的智能推荐方法及系统
WO2017116139A1 (ko) 개인 유전체의 유전변이정보를 이용한 생리활성변이 분석 시스템
CN113643798A (zh) 为失能人员匹配照护人员的方法、装置及计算机设备
WO2024010397A1 (ko) 성분지수 분석 기반의 맞춤형 식품을 제공하는 서버, 방법, 프로그램 및 식품 제공 장치
WO2020119109A1 (zh) 报销处理方法、装置、终端及计算机可读存储介质

Legal Events

Date Code Title Description
121 Ep: the epo has been informed by wipo that ep was designated in this application

Ref document number: 14904969

Country of ref document: EP

Kind code of ref document: A1

NENP Non-entry into the national phase

Ref country code: DE

122 Ep: pct application non-entry in european phase

Ref document number: 14904969

Country of ref document: EP

Kind code of ref document: A1