WO2016190495A1 - 비정형 데이터 기반 룰 관리 방법 및 그 장치 - Google Patents

비정형 데이터 기반 룰 관리 방법 및 그 장치 Download PDF

Info

Publication number
WO2016190495A1
WO2016190495A1 PCT/KR2015/011777 KR2015011777W WO2016190495A1 WO 2016190495 A1 WO2016190495 A1 WO 2016190495A1 KR 2015011777 W KR2015011777 W KR 2015011777W WO 2016190495 A1 WO2016190495 A1 WO 2016190495A1
Authority
WO
WIPO (PCT)
Prior art keywords
thesaurus
unit
rule
data
item
Prior art date
Legal status (The legal status 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 status listed.)
Ceased
Application number
PCT/KR2015/011777
Other languages
English (en)
French (fr)
Inventor
김명수
백영호
박지연
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Samsung SDS Co Ltd
Original Assignee
Samsung SDS Co Ltd
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 Samsung SDS Co Ltd filed Critical Samsung SDS Co Ltd
Publication of WO2016190495A1 publication Critical patent/WO2016190495A1/ko
Anticipated expiration legal-status Critical
Ceased legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/02—Knowledge representation; Symbolic representation
    • G06N5/022—Knowledge engineering; Knowledge acquisition
    • G06N5/025—Extracting rules from data
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/24—Querying
    • G06F16/245—Query processing
    • G06F16/2452—Query translation
    • G06F16/24522—Translation of natural language queries to structured queries
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/24—Querying
    • G06F16/245—Query processing
    • G06F16/2455—Query execution
    • G06F16/24564—Applying rules; Deductive queries
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
    • G06F16/33—Querying
    • G06F16/3331—Query processing
    • G06F16/334—Query execution
    • G06F16/3344—Query execution using natural language analysis
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F40/00—Handling natural language data
    • G06F40/20—Natural language analysis
    • G06F40/237—Lexical tools
    • G06F40/247—Thesauruses; Synonyms
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F40/00—Handling natural language data
    • G06F40/20—Natural language analysis
    • G06F40/279—Recognition of textual entities
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F40/00—Handling natural language data
    • G06F40/20—Natural language analysis
    • G06F40/279—Recognition of textual entities
    • G06F40/289—Phrasal analysis, e.g. finite state techniques or chunking
    • G06F40/295—Named entity recognition
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/02—Knowledge representation; Symbolic representation
    • G06N5/022—Knowledge engineering; Knowledge acquisition
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H70/00—ICT specially adapted for the handling or processing of medical references
    • G16H70/60—ICT specially adapted for the handling or processing of medical references relating to pathologies

Definitions

  • the present invention relates to an unstructured data-based rule management method and apparatus therefor.
  • a rule-based system is provided.
  • the rule-based system is an expert system that applies if-then rules to establish a premise in problem solving and draw conclusions based on it. Generation systems or inference systems fall into this category. As its name implies, a rule based system operates according to one or more rules.
  • a user interface for setting new rules in a rule based system is provided.
  • the user interface is configured to input a condition-operation that constitutes a rule in each field of a given template.
  • the user interface can be used smoothly after learning how to use it. Therefore, there is a need to provide an easy interface for a user unfamiliar with rule-based systems to set new rules.
  • the present invention has been made in an effort to provide a method and apparatus for setting a rule to be used in a rule-based system by inputting user-friendly unstructured data such as natural language text.
  • Another technical problem to be solved by the present invention is a method and apparatus for compensating the integrity of a generated rule by automatically checking whether there is an item to be corrected in the unstructured data when setting the rule by inputting the unstructured data.
  • Another technical problem to be solved by the present invention is to use a thesaurus associated with the input unstructured data in automatically checking whether there is an item to be corrected in the unstructured data when setting the rule by inputting the unstructured data.
  • the present invention provides a method and an apparatus for automatically checking whether there is an item to be corrected in the atypical data.
  • Another technical problem to be solved by the present invention is to automatically check whether there is an item to be corrected in the unstructured data when setting the rule by inputting the unstructured data, and related to the input unstructured data, and a higher concept. It is an object of the present invention to provide a method and apparatus for automatically recommending complementary data on a correction item, using the term-sub-concept association.
  • Another technical problem to be solved by the present invention is to automatically check whether there is an item to be corrected in the unstructured data when setting the rule by inputting the unstructured data, and related to the input unstructured data, and a higher concept.
  • the present invention provides a method and apparatus for automatically selecting an optimal complementary data for a correction item using a term-sub-concept term association and automatically supplementing the correction item using the selected supplementary data.
  • Another technical problem to be solved by the present invention is to provide a method and apparatus for constructing a disease-specific risk factor thesaurus composed of unit thesaurus for each priority using medical statistical data.
  • Another technical problem to be solved by the present invention is to determine whether there is an item to be corrected in the atypical data when the rule is set by inputting the atypical data using the risk factor thesaurus for each disease constructed using the medical statistical data. It is to provide a method and apparatus for automatically checking whether or not.
  • a method for managing unstructured data-based rules which includes receiving unstructured data representing a rule, analyzing the unstructured data, and analyzing the unstructured data. Using the result, generating the structured data in a format that can be processed by the rule engine of the rule management device, and selecting a correction item for setting a rule from the structured data with reference to a target thesaurus associated with the rule. And processing the structured data supplemented with the selected correction item by using the rule engine.
  • Rule management apparatus for solving the above technical problem, a network interface, one or more processors, a memory for loading a computer program executed by the processor (load), and storing the data of the thesaurus Include storage
  • the computer program manages the rule by using an operation of receiving unstructured data representing a rule from a user through the network interface, an operation of analyzing the unstructured data, and an analysis result of the unstructured data.
  • the building of the unit thesaurus may include determining an identifier of the screening item group as a root node, and determining each screening item belonging to the screening item group as a first child node that is a child node of the root node. And determining, as a second child node that is a child node of the first child node, a check result value detected for a check item corresponding to the first child node.
  • the apparatus for generating a thesaurus of the first disease using the medical statistical data including the check result value for each examination item of the onset of the first disease, A network interface for accessing the medical statistical data, one or more processors, a memory for loading the computer program for generating the first disease thesaurus for the first disease, and storage for storing the first disease thesaurus.
  • the computer program may be configured to construct a unit thesaurus of a tree structure for each examination item group including a plurality of examination items included in the medical statistical data, and to examine the influence of the examination item group on the onset of the first disease. And an operation of assigning the priority to the unit thesaurus.
  • the operation of constructing the unit thesaurus may include determining an identifier of the screening item group as a root node, and determining each screening item belonging to the screening item group as a first child node that is a child node of the root node. And an operation of determining a check result value, which is a check result value for the check item corresponding to the first child node, as a second child node which is a child node of the first child node.
  • a thesaurus related to the input unstructured data is used.
  • the optimal complementary data for the correction item may be automatically selected by using the association between subordinate concept terms, and the correction item may be automatically supplemented using the selected supplementary data.
  • the present invention it is possible to provide a method and apparatus for constructing a disease-specific risk factor thesaurus composed of unit thesaurus for each priority using medical statistical data.
  • a method of automatically checking whether there is an item to be corrected in the atypical data when the rule is set by inputting the atypical data using a risk factor thesaurus for each disease constructed using medical statistical data and the apparatus.
  • FIG. 1 is a block diagram of a rule-based system according to an embodiment of the present invention.
  • FIG. 2 is a flowchart of an unstructured data-based rule management method according to another embodiment of the present invention.
  • FIG. 3 is a conceptual diagram of inputting unstructured data in a natural language format using a user interface and suggesting correction items therefor and automatically recommending supplementary data for correction items according to some embodiments of the present invention.
  • FIG. 4 is a diagram illustrating an example of a configuration of a domain dictionary referred to for processing unstructured data in natural language format in some embodiments of the present invention.
  • FIG. 5 is a diagram comparing supplementary data for rule setting in a format that may be processed by a rule engine according to some embodiments of the present invention, before being supplemented.
  • FIG. 6 is a flowchart illustrating some of the operations illustrated in the flowchart of FIG. 2 in more detail.
  • FIG. 8A and 8B illustrate a thesaurus constructed based on medical statistical data shown in FIG. 7.
  • FIG. 9 illustrates a case in which a priority given to each unit thesaurus constituting the thesaurus is previously defined when constructing a thesaurus in some embodiments of the present disclosure.
  • FIG. 10 is a diagram for describing a case in which a priority given to each unit thesaurus constituting the thesaurus is determined based on medical statistical data when constructing a thesaurus in some embodiments of the present disclosure.
  • FIG. 11 is a block diagram of a rule management device according to another embodiment of the present invention.
  • FIG. 12 is a hardware configuration diagram of a rule management device according to another embodiment of the present invention.
  • the rule-based system includes a rule management device 10, a medical statistical data management device 20, a rule setting user terminal 30, and a rule processing result notification terminal 40. ) May be included.
  • the rule management apparatus 10 transmits the GUI display data for inputting the rule setting atypical data to the rule setting user terminal 30.
  • the rule setting user terminal 30 displays the GUI, and the user of the rule setting user terminal 30 inputs unstructured data representing a rule through the GUI.
  • the atypical data is referred to as unstructured data in that it can not be recognized or identified by the rule engine of the rule management apparatus 10.
  • the atypical data may be, for example, text in a natural language form representing a rule, an image such as a flowchart representing a rule, voice data representing a rule, or the like.
  • Each different unstructured data can be analyzed using well known unstructured data analysis processes (eg, natural language processing, image analysis, speech recognition processes).
  • the rule management apparatus 10 receives a text of a natural language format input through the GUI from the user terminal 30 for rule setting, and analyzes it through a natural language processing process.
  • the rule management apparatus 10 generates the structured data in a format that can be processed by the rule engine of the rule management apparatus 10 using the analysis result through the natural language processing process. It may be understood that the structured data represents a rule.
  • the rule management apparatus 10 selects a correction item for rule setting from the structured data with reference to the target thesaurus associated with the rule.
  • the thesaurus can be understood as a data structure having the following meanings.
  • a thesaurus is a lexical tool that provides information about the usage of terms and the relationships between them. Terms are generally related to broader term (BT), narrower term (NT), use for or synonymous (UF), related term (RT), and substitute (USE).
  • Thesaurus is a data structure constructed to extend the meaning of terms included in a query when searching using these relationships.
  • the rule management device 10 may manage one or more thesauruses.
  • the rule management apparatus 10 selects a thesaurus related to the newly generated rule by using the analysis result through the natural language processing process.
  • the selected thesaurus will be referred to as a target thesaurus.
  • the rule-based system of this embodiment is not limited to a specific use.
  • the rule-based system may be used in various fields to which the rule-based system can be applied, such as the medical field, the financial field, and the security field.
  • the rule management apparatus 10 may select the target thesaurus from among thesauruses belonging to a thesaurus group corresponding to the application field. For example, when a rule-based system is applied to the medical field, a thesaurus group of the medical field may be selected, activated, or loaded from an external device through configuration by the administrator of the rule-based system. That is, the rule-based system according to the present embodiment supports scalability that can be applied to various fields by selecting a thesaurus group.
  • the rule management apparatus 10 may access medical statistical data managed by the medical statistical data management apparatus 20, and construct one or more thesaurus using the medical statistical data.
  • the rule management apparatus 10 may construct a new thesaurus or update an already constructed thesaurus.
  • the rule management apparatus 10 selects a correction item for setting a rule from the structured data with reference to the target thesaurus.
  • a correction item for setting a rule from the structured data with reference to the target thesaurus.
  • the rule management apparatus 10 may receive supplementary data about the correction item from a user. At this time, the rule management apparatus 10 may guide the user's input of correct supplemental data by recommending one or more suitable supplementary data with reference to the target thesaurus.
  • the rule management apparatus 10 may select the most suitable supplementary data with reference to the target thesaurus, thereby automatically supplementing the correction item without user input.
  • the rule management apparatus 10 processes the structured data supplemented with the selected correction item by using the rule engine.
  • the rule management apparatus 10 may package the structured data supplemented with the selected correction item into new rule data and store the new data in a rule repository or activate a rule.
  • a corresponding action based on the rule may be automatically performed by the rule-based system when an event occurs. For example, when a new event occurs, according to an activated rule, when a situation is to be notified to an administrator, appropriate alarm data may be transmitted to the terminal 40 for notifying the rule processing result of the administrator.
  • the unstructured data-based rule management method according to the present embodiment may be understood to be executed by one or more computing devices.
  • the rule management apparatus 10 described with reference to FIG. 1 executes the unstructured data based rule management method according to the present embodiment.
  • each operation included in the unstructured data-based rule management method according to the present embodiment may be described by omitting the subject.
  • the unstructured data-based rule management method includes constructing a thesaurus (S100), selecting a correction item of a user input for rule setting using the thesaurus, and processing the correction item to be supplemented. do.
  • S100 thesaurus
  • the construction of the thesaurus S100 can be performed in parallel separately from the processing of the user input for rule setting, as shown in FIG. 2.
  • the construction of the thesaurus will be described in detail later, and the operation when there is a user input for setting a rule will be described first.
  • this process may mean a process of receiving text in a natural language form from a terminal device and inputting the text into a natural language processing process.
  • the natural language processing process may refer to a domain dictionary 2 as shown in FIG. If the rule based system is applied in the medical field, the domain dictionary 2 may be a dictionary in the medical field.
  • a term for action may be added to a term in the medical field. Since some of the rules in the medical field are to match what to do when a specific medical event occurs, the domain dictionary also needs a term for action.
  • Figure 4 shows that the term "to inform" is included in the domain dictionary.
  • the domain dictionary 2 may have similar word entries.
  • the synonym item may be newly set or updated using the result when the user inputs supplementary data with respect to the correction item. Machine learning logic may be used to set and update the synonym item.
  • the domain dictionary 2 may also include synonyms.
  • the domain dictionary 2 shown in FIG. 4 may indicate that blood pressure and BP are synonymous. Synonyms can be learned by machine learning logic for rules stored in the rule repository. In this case, the synonym will automatically be listed in the domain dictionary 2. On the contrary, the machine learning logic may perform additional machine learning by using synonym relationships through learning about synonym items listed in the domain dictionary 2.
  • the text in natural language form inputted by the user will be separated into each term unit.
  • the user input is converted into structured data in a format that can be processed by the rule engine (S400).
  • the output of the natural language processing process is used to select a target thesaurus associated with the newly generated rule.
  • a correction item for setting a rule is selected using the target thesaurus (S500).
  • the rule When the correction item is supplemented by the user's input of the correction data for the correction item or by automatic selection of the supplementary data by the rule management apparatus (S600), the rule may be processed by the rule engine by reflecting the supplementary result. Expression structured data may be generated, and the structured data may be packaged into new rule data and stored in a rule repository or the rule may be activated (S700).
  • automatic selection of complementary data by the rule management apparatus is performed, among terms included in the unit thesaurus corresponding to the correction item, by using correlation between higher concept terms and lower concept terms of the unit thesaurus corresponding to the correction item, Terms for supplementing the correction item may be selected.
  • FIG. 3 is a conceptual diagram of inputting unstructured data in a natural language format using a user interface and suggesting correction items therefor and automatically recommending supplementary data for correction items according to some embodiments of the present invention.
  • the user input 1 which is text in natural language format, is transmitted to the rule management apparatus.
  • the user input 1 is decomposed into each term unit through a natural language processing process using the domain dictionary 2.
  • the natural language processing process may include the following steps.
  • Results of parsing the user input 1 of FIG. 3 The patient. Myocardial infarction more than 150, 150 unusual...
  • the identification result is used to select a target thesaurus related to the newly generated rule.
  • the target thesaurus may be selected from a plurality of pre-built thesauruses.
  • a thesaurus having a name matching the term extracted from the atypical data may be selected as the target thesaurus.
  • any one of a plurality of thesaurus groups may be selected by the user through user configuration.
  • the thesaurus of the thesaurus group having a name matching the term extracted from the atypical data may be selected as the target thesaurus.
  • the plurality of thesaurus groups may include a medical field thesaurus group, and the medical field thesaurus group may be composed of a plurality of thesauruses having a name of a disease.
  • a correction item for rule setting is selected.
  • the rule management apparatus performs an integrity check based on each unit thesaurus of the target thesaurus, and when the analysis result of the unstructured data does not pass the integrity check based on the first unit thesaurus among the unit thesauruses of the target thesaurus,
  • the first unit thesaurus may be selected as the correction item.
  • the rule management device may provide the terminal device with a GUI including a supplemental guide display area for displaying the information on the correction item and an input area for receiving the information on the correction item.
  • the integrity check based on the unit thesaurus is performed only when a term included in the unit thesaurus is not extracted from the atypical data, and only a similar word of the term included in the unit thesaurus is extracted from the atypical data. It may be determined not to pass.
  • the rule management apparatus may provide a GUI including an indicator 5 indicating a similar word of a term included in the unit thesaurus among the unstructured data and an input area for complementary input to the indicator display portion.
  • an indicator 5 is shown indicating a problem in the description of the "patient", "BP", and "to inform" of user input.
  • an input area 4 for inputting supplementary data for the correction item may be displayed.
  • the rule management apparatus may recommend one or more suitable supplementary data through the input area 4 with reference to the target thesaurus.
  • FIG. 5 is a diagram comparing the supplementary structured data for rule setting in a format that can be processed by the rule engine, before the supplementation.
  • the unclear term BP blood pressure
  • SBP shrinkage blood pressure
  • FIG. 6 is a flowchart illustrating in more detail a step S100 of constructing a thesaurus among the operations shown in the flowchart of FIG. 2.
  • each thesaurus can be built in disease units. That is, a first thesaurus for the first disease may be constructed, and a second thesaurus for the second disease that is different from the first disease may be constructed.
  • the name or identifier of each thesaurus may be the same as the name of the disease, or one-to-one matching the name of the disease.
  • each thesaurus can be composed of one or more unit thesauruses.
  • Each unit thesaurus corresponds to a risk factor of a disease matched to the thesaurus.
  • the risk factor may refer to a group of examination items of medical statistical data.
  • Each unit thesaurus has a tree structure. That is, terms of higher concepts are matched to parent nodes, and terms of lower concepts are matched to their child nodes.
  • medical statistical data is accessed (S101).
  • the medical statistics data may be stored in a device physically separated from the rule management device, but in some embodiments, the medical statistics data may be stored in the rule management device.
  • the thesaurus can be built on a disease basis.
  • a case of constructing a thesaurus for myocardial infarction will be described.
  • the data for myocardial infarction can be accessed among the medical statistical data. For example, data on the results of screening of people with myocardial infarction are accessed.
  • a checkup item group consisting of a plurality of checkup items included in the medical statistical data is identified (S103).
  • FIG. 7 is an example of medical statistical data regarding a result of examination of patients with myocardial infarction.
  • the medical statistical data includes check result values for each checkup item of each patient 51.
  • the checkup item includes a checkup item for a questionnaire or fact check.
  • the gender (56) and age (57) categories relate to each patient's personal details, but constitute the demographic characteristics of each patient, and the demographic risk factors associated with these demographic characteristics are also myocardial infarction. It may be included in the medical statistical data in connection with the onset.
  • Smoking volume (58), alcohol intake (59), and nutrition intake (60) are related to behavioral risk factors.
  • Gene retention associated with myocardial infarction (61) is associated with genetic risk factors.
  • SBP deflator blood pressure
  • BST blood sugar level
  • heart rate 64 and the like are associated with medical risk factors.
  • the medical statistical data specifies information about a checkup item group including a plurality of checkup items.
  • screening item group # 1 is demographic risk
  • screening item group # 2 is behavioral risk factor
  • screening item group # 3 is genetic risk factor
  • screening item group # 4 is a medical risk factor.
  • a unit thesaurus is constructed for each screening item group. If the thesaurus is constructed using the medical statistical data shown in Fig. 7, the unit thesaurus for the examination item group # 1 (52), the unit thesaurus for the examination item group # 2 (53), and the examination item group # 3 (54) The unit thesaurus for each item thesaurus check item group # 4 55 will be constructed.
  • Priority is given to each unit thesaurus (S107).
  • the priority corresponds to the importance of each examination item group. For example, if the first screening item group has a higher impact on the onset of disease than the second screening item group, the priority of the first screening item group is given higher than the priority of the second screening item group. .
  • the priority of each group of check items may be determined.
  • the priority of the examination item group # 1 52 of FIG. 7 is that the center point 81 and the myocardial infarction of the cluster 80 on the three-dimensional space of myocardial infarction patients are shown.
  • the three-dimensional space is composed of each examination item belonging to the examination item group # 1 (52), that is, the smoking amount 70, the nutrition intake 71, and the alcohol intake amount 72 as the axes.
  • the priority given to each unit thesaurus constituting the thesaurus may be predefined when constructing the thesaurus.
  • the priority matching table for each unit thesaurus as shown in FIG. 9 may be referred to in the thesaurus construction. 9, the highest priority is given to the unit thesaurus of behavioral risk factors, the medium priority is given to the unit thesaurus of medical risk factors, the lowest priority is given to demographic risk factors, and genetic risk factors are shown. And since environmental hazards do not affect the onset of disease, the unit thesaurus of genetic risk factors and the unit thesaurus of environmental risk factors do not need to be constructed.
  • "00" denoted as a priority value is a predetermined symbol indicating that rescue is unnecessary.
  • a thesaurus for a particular disease may be assigned to a unit thesaurus for "action” and "subject". It is preferred that a unit thesaurus is included. That is, the unit thesaurus for "action” and the unit thesaurus for "subject” are included in the thesaurus for a specific disease, so that there is an effect of clearly defining a task to be performed when an event occurs.
  • FIG. 8A shows the result of building a unit thesaurus for behavioral risk factors using the medical statistical data shown in FIG. 7.
  • the term "behavior risk factor”, which is an identifier (name) of a group of examination items to which "0" is assigned as a priority becomes a root node of a unit thesaurus having a priority of zero.
  • the term indicating the examination result value of the "smoking amount” examination item becomes a child node of the "smoking amount” node
  • the term indicating the examination result value of the "alcohol intake amount” examination item is a child of the "alcohol intake amount” node.
  • FIG. 8A assumes that only 5 cigarettes per day, 10 blood per day, and 15 blood per day exist for the "smoking amount" examination item.
  • a numerical value of association may be assigned between a parent node and a child node of a unit thesaurus, that is, an upper term and a lower term.
  • the number of all patients whose abnormal check result value is recorded in the smoking amount screening item is 100, and the number of all sick patients whose abnormal check result value is recorded in the alcohol intake screening item is 70 people.
  • the association between the behavioral risk node and the smoking amount node is given as 0.5 (100 / (100 + 70 + 30)).
  • the association between the behavioral hazard node and the alcohol intake node is given as 0.35 (70 / (100 + 70 + 30)).
  • the association between the behavioral risk node and the nutrient intake node is given as 0.15 (30 / (100 + 70 + 30)).
  • the ratio of the frequency of each first child node to the sum of the frequencies of all the first child nodes is determined as an association between the root node and the first child node.
  • the ratio of the frequency of each second child node to the sum of the frequencies of all the child nodes of the first child node is determined as the association between the first child node and the second child node.
  • the association between the bar volume node and the 5 bar node is 0.33 (33 / ( 33 + 33 + 34))
  • the association between the smoking volume node and the 10 evacuation node is 0.33 (33 / (33 + 33 + 34))
  • the association between the smoking volume node and the 15 evacuation node is 0.34 (34 / (33 + 33 + 34)). That is, the difference between the minimum value and the maximum value of the association for each child node of the smoking amount node is only 0.01. If the predetermined reference value was 0.05, since 0.01 ⁇ 0.05, all child nodes of the smoking amount node will be deleted from the priority 0 unit thesaurus.
  • child nodes of the first child node can be removed in another manner. That is, a value obtained by dividing the frequency sum of all child nodes of the first child node by the maximum value of the frequency of all child nodes of the first child node and dividing by the number of child nodes of the first child node again, If it is less than or equal to the specified reference value, all child nodes of the first child node may be deleted from the unit thesaurus.
  • the predetermined reference value may be 0.8.
  • FIG. 8B shows the results of building a unit thesaurus for medical risk factors using the medical statistical data shown in FIG. 7.
  • the term "medical risk factor” which is an identifier (name) of a group of examination items to which "1" is given priority, becomes the root node of the unit thesaurus having priority of 1.
  • the terms "SBP”, "BST”, and "heart rate” which are identifiers (name) of the examination items belonging to the examination item group "medical risk factor" are respectively the first child nodes of the root node.
  • the term indicating the examination result value of the "SBP" examination item becomes a child node of the "BST" node
  • the term indicating the examination result value of the "heart rate” examination item is a child of the "heart rate” node.
  • FIG. 8B assumes that only the diagnosis values of> 80,> 90, and> 100 exist for the "SBP" examination item.
  • a unit thesaurus for a demographic risk factor that is given a priority of "2" may also be constructed.
  • priority 0 is assigned to the unit priority thesaurus for behavior risk factors.
  • the high priority of any unit thesaurus is determined by not passing the integrity check when performing the integrity check based on the high priority unit thesaurus using the result of analyzing the text of the natural language form representing the rule. It indicates that the correction item is of high importance.
  • the high importance of any correction item means that if the correction item is not supplemented, it greatly affects the integrity of the entire rule. In other words, if the priority of any unit thesaurus is less than or equal to the reference value, the integrity check based on the unit thesaurus may not be performed.
  • the system automatically selects a supplementary term in the unit thesaurus without user input, so that the supplementary term The correction item may be replaced with.
  • BP which is a synonym of SBP
  • the priority 1 unit thesaurus is determined to have not passed the integrity check, and "BP" It is selected as a correction item.
  • Glucose level is synonymous with BST among the terms included in the medical risk factor thesaurus, and blood glucose level is not selected as a correction item.
  • the unit thesaurus of priority 3 is determined to have passed the integrity check.
  • the term contained in the subject unit thesaurus which is a unit thesaurus of priority 4
  • the "action” unit thesaurus and the "subject” unit thesaurus are designated as the correlated thesaurus, "If the term included in the unit thesaurus is extracted, the term included in the" subject "unit thesaurus must be extracted. On the contrary, if the term contained in the" subject "unit thesaurus is extracted, the term included in the" action "unit thesaurus must be extracted. Integrity check settings can be made. In this case, it is determined that the subject unit thesaurus of priority 4 has not passed the integrity check. Accordingly, the term “notify” of the action unit thesaurus correlated with the subject unit thesaurus is selected as the correction item.
  • a term for complementing the correction item is used by using a correlation between a higher concept term and a lower concept term of the unit thesaurus corresponding to the correction item. You can provide a recommended GUI.
  • supplementary terms that match the situation described in the user input 1 may be recommended. For example, in the situation shown in Figure 3, after determining the demographic characteristics of myocardial infarction patients with a BP of 150 or more, blood sugar level of 180 or more through medical statistical data, a potent complementary term using the frequency of the demographic characteristics You can also recommend
  • the methods according to the embodiments of the present invention described above with reference to FIGS. 1 to 10 may be performed by executing a computer program implemented in computer readable code.
  • the computer program may be transmitted to and installed on the second computing device from the first computing device via a network such as the Internet, and thus may be used in the second computing device.
  • the first computing device and the second computing device include both a server device, a stationary computing device such as a desktop PC, and a mobile computing device such as a notebook, a smartphone, a tablet PC.
  • the computer program in combination with a computing device, is provided with atypical data representing a rule, analyzing the atypical data, and using the analysis result of the atypical data, Generating structured data in a format that can be processed by a rule engine, selecting a correction item for rule setting from the structured data with reference to a target thesaurus associated with the rule, and using the rule engine And processing the structured data supplemented with the selected correction item.
  • the computer program may be stored in a recording medium such as a DVD-ROM or a flash memory device.
  • the computer program may include: constructing a unit thesaurus in a tree structure for each examination item group including a plurality of examination items included in the medical statistical data, and indicating the influence of the examination item group on the onset of the first disease. It may be to execute a step of assigning a priority to the unit thesaurus.
  • the building of the unit thesaurus may include determining an identifier of the screening item group as a root node, and determining each screening item belonging to the screening item group as a first child node that is a child node of the root node. And determining a check result value, which is a check result value for the check item corresponding to the first child node, as a second child node which is a child node of the first child node.
  • FIG. 11 is a block diagram of a rule management device according to another embodiment of the present invention.
  • the rule management apparatus according to the present embodiment includes a network interface 101, a thesaurus construction unit 103, a thesaurus storage unit 105, a correction item selecting unit 107, and an ML engine 109. ), A user input analyzer 111, a user input converter 113, a rule engine 115, a rule repository 117, and a dictionary storage 119.
  • the network interface 101 receives the medical statistics data from the medical statistics data management device, provides the medical statistics data to the thesaurus construction unit 103, transmits the rule correction GUI generated by the correction item selection unit 107 to the terminal device, and the terminal. Receives the informal data for rule setting received from the device and provides it to the user input analysis unit 111, provides the event engine detection data to the rule engine 115, receives a notification request from the rule engine 115, Send to the notification target terminal.
  • the thesaurus constructing unit 103 constructs a unit thesaurus having a tree structure for each examination item group including a plurality of examination items included in the medical statistical data, and indicates the influence of the examination item group on the onset of the first disease. A rank is assigned to the unit thesaurus.
  • the thesaurus constructing unit 103 packages each unit thesaurus into one thesaurus and stores it in the thesaurus storage unit 105.
  • the user input analyzer 111 analyzes the rule setting unstructured data received from the terminal device using the domain dictionary stored in the dictionary storage 119 and provides the result to the correction item selector 107.
  • the correction item selecting unit 107 selects a correction item for setting a rule from the shaping data with reference to the target thesaurus associated with the rule.
  • the correction item selecting unit 107 may use the matter learned by the ML engine 109 in selecting the correction item with reference to the target thesaurus.
  • the ML engine (Machine Learning Engine) 109 may learn the association and connection relationship between each node of the target thesaurus and reflect the learned result in the calculation of the correction item. Referring to the unit thesaurus shown in FIG. 8B, when the term "15 bar” is extracted from the user input text, it can be learned that "15 bar” is for the amount of smoking, and the term of the specific unit thesaurus is lacking. Although selected as a correction item, the frequency of each term that can be supplemented with respect to the correction item may be presented using the correlation between the nodes.
  • the user input converter 113 generates structured data in a format that can be processed by the rule engine of the rule management apparatus by using the analysis result of the unstructured data and the supplementary data for the correction item.
  • the rule engine 115 receives the structured data supplemented with the selected correction item from the user input converter 113 to form a rule, and then stores the configured rule in the rule store 117.
  • the rule management apparatus 10 may include one or more processors 122, a network interface 126, a storage 128, and a memory (RAM) 124. .
  • the processor 122, the network interface 126, the storage 128, and the memory 124 transmit and receive data through the system bus 120.
  • the storage 128 stores a thesaurus 1280 composed of a plurality of unit thesauruses, a rule repository 128 storing rules generated by user's input of unstructured data, and a domain dictionary 1284 used for analysis of the unstructured data. do.
  • an operation 1240 for constructing a thesaurus may be loaded in the memory 124.
  • an operation 1242 for processing unstructured data may be loaded in the memory 124.
  • An operation 1242 for processing unstructured data uses an operation of receiving unstructured data representing a rule from a user through the network interface, an operation of analyzing the unstructured data, and an analysis result of the unstructured data.
  • An operation 1240 for constructing a thesaurus is an operation for constructing a unit thesaurus of a tree structure for each examination item group consisting of a plurality of examination items included in the medical statistical data, and the examination item group is used to develop the first disease. And an operation of assigning the unit thesaurus to a priority indicating the influence.
  • the operation of constructing the unit thesaurus may determine an operation of determining the identifier of the examination item group as a root node, and determine each examination item belonging to the examination item group as a first child node, which is a child node of the root node. And an operation of determining a check result value of the check item corresponding to the check item corresponding to the first child node as a second child node which is a child node of the first child node.

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Computational Linguistics (AREA)
  • Artificial Intelligence (AREA)
  • Health & Medical Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • General Health & Medical Sciences (AREA)
  • Databases & Information Systems (AREA)
  • Audiology, Speech & Language Pathology (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Evolutionary Computation (AREA)
  • Public Health (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Primary Health Care (AREA)
  • Epidemiology (AREA)
  • Biomedical Technology (AREA)
  • Pathology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

비정형 데이터를 기반으로 신규 룰을 생성할 수 있는 방법이 제공된다. 본 발명의 실시예에 따른 비정형 데이터 기반 룰 관리 방법은, 룰(rule)을 표현하는 비정형 데이터를 제공 받는 단계, 상기 비정형 데이터를 분석하는 단계, 상기 비정형 데이터의 분석 결과를 이용하여, 상기 룰 관리 장치의 룰 엔진에 의하여 처리될 수 있는 형식의 정형 데이터를 생성하는 단계, 상기 룰과 관련된 타겟 시소러스를 참조하여, 상기 정형 데이터 중에서 룰 세팅을 위한 보정 항목을 선정하는 단계와, 상기 룰 엔진을 이용하여, 상기 선정된 보정 항목이 보완된 상기 정형 데이터를 처리하는 단계를 포함한다.

Description

비정형 데이터 기반 룰 관리 방법 및 그 장치
본 발명은 비정형 데이터 기반 룰 관리 방법 및 그 장치에 관한 것이다. 텍스트 등 비정형 데이터(informal data)를 이용하여 신규의 룰(rule)을 생성하는 것을 지원하는 방법 및 그 방법을 수행하는 컴퓨팅 장치에 관한 것이다.
룰 기반 시스템(rule-based system)이 제공된다. 상기 룰 기반 시스템은, 문제 해결에서 어떤 전제를 설정하고 그것에 기반해서 결론을 도출해내는 if-then 규칙을 적용하는 전문가 시스템이다. 생성 시스템이나 추론 시스템이 이에 속한다. 그 명칭에서 볼 수 있듯이, 룰 기반 시스템은, 하나 이상의 룰에 따라 동작한다.
룰 기반 시스템에 신규의 룰을 세팅하기 위한 사용자 인터페이스가 제공된다. 상기 사용자 인터페이스는 정해진 템플릿의 각 필드에 룰을 구성하는 조건-동작을 입력하도록 구성되어 있다. 상기 사용자 인터페이스는 사용법을 숙지해야 원활히 사용 가능하다. 따라서, 룰 기반 시스템에 대하여 익숙하지 않은 사용자가 새로운 룰을 세팅하는 등의 작업을 하기 위한 쉬운 인터페이스를 제공할 필요가 있다.
또한, 룰이 적용되는 분야가 의료, 금융, 보안 등 실생활에 중요한 분야인 경우, 정확한 룰이 생성될 수 있도록 가이드 하는 쌍방향 사용자 인터페이스의 제공 또한 요구된다.
본 발명이 해결하고자 하는 기술적 과제는, 자연어 텍스트 등 사용자 친화적인 비정형 데이터를 입력하여 룰 기반 시스템에서 사용될 룰을 세팅하는 방법 및 장치를 제공하는 것이다.
본 발명이 해결하고자 하는 다른 기술적 과제는, 비정형 데이터를 입력하여 룰을 세팅하는 경우, 상기 비정형 데이터에 보정해야 할 항목이 있는지 여부를 자동으로 체크함으로써, 생성되는 룰의 무결성을 보완하는 방법 및 장치를 제공하는 것이다.
본 발명이 해결하고자 하는 또 다른 기술적 과제는, 비정형 데이터를 입력하여 룰을 세팅하는 경우, 상기 비정형 데이터에 보정해야 할 항목이 있는지 여부를 자동으로 체크함에 있어서, 입력된 비정형 데이터와 관련된 시소러스를 이용하여, 상기 비정형 데이터에 보정해야 할 항목이 있는지 여부를 자동으로 체크하는 방법 및 그 장치를 제공하는 것이다.
본 발명이 해결하고자 하는 또 다른 기술적 과제는, 비정형 데이터를 입력하여 룰을 세팅하는 경우, 상기 비정형 데이터에 보정해야 할 항목이 있는지 여부를 자동으로 체크하고, 입력된 비정형 데이터와 관련되고, 상위 개념 용어-하위 개념 용어 간 연관성을 이용하여, 보정 항목에 대한 보완 데이터를 자동으로 추천하는 방법 및 그 장치를 제공하는 것이다.
본 발명이 해결하고자 하는 또 다른 기술적 과제는, 비정형 데이터를 입력하여 룰을 세팅하는 경우, 상기 비정형 데이터에 보정해야 할 항목이 있는지 여부를 자동으로 체크하고, 입력된 비정형 데이터와 관련되고, 상위 개념 용어-하위 개념 용어 간 연관성을 이용하여 상기 보정 항목에 대한 최적의 보완 데이터를 자동으로 선정하고, 선정된 보완 데이터를 이용하여 상기 보정 항목을 자동으로 보완하는 방법 및 그 장치를 제공하는 것이다.
본 발명이 해결하고자 하는 또 다른 기술적 과제는, 의료 통계 데이터를 이용하여 각 우선 순위 별 단위 시소러스로 구성되는 질병 별 위험 인자 시소러스를 구축하는 방법 및 그 장치를 제공하는 것이다.
본 발명이 해결하고자 하는 또 다른 기술적 과제는, 의료 통계 데이터를 이용하여 구축된 질병 별 위험 인자 시소러스를 이용하여, 비정형 데이터를 입력하여 룰을 세팅하는 경우, 상기 비정형 데이터에 보정해야 할 항목이 있는지 여부를 자동으로 체크하는 방법 및 그 장치를 제공하는 것이다.
본 발명의 기술적 과제들은 이상에서 언급한 기술적 과제들로 제한되지 않으며, 언급되지 않은 또 다른 기술적 과제들은 아래의 기재로부터 본 발명의 기술분야에서의 통상의 기술자에게 명확하게 이해될 수 있을 것이다.
상기 기술적 과제를 해결하기 위한 본 발명의 일 실시예에 따른 비정형 데이터 기반 룰 관리 방법은, 룰(rule)을 표현하는 비정형 데이터를 제공 받는 단계, 상기 비정형 데이터를 분석하는 단계, 상기 비정형 데이터의 분석 결과를 이용하여, 상기 룰 관리 장치의 룰 엔진에 의하여 처리될 수 있는 형식의 정형 데이터를 생성하는 단계, 상기 룰과 관련된 타겟 시소러스를 참조하여, 상기 정형 데이터 중에서 룰 세팅을 위한 보정 항목을 선정하는 단계, 및 상기 룰 엔진을 이용하여, 상기 선정된 보정 항목이 보완된 상기 정형 데이터를 처리하는 단계를 포함한다.
상기 기술적 과제를 해결하기 위한 본 발명의 다른 실시예에 따른 룰 관리 장치는, 네트워크 인터페이스, 하나 이상의 프로세서, 상기 프로세서에 의하여 수행 되는 컴퓨터프로그램을 로드(load) 하는 메모리, 및 시소러스의 데이터를 저장하는 스토리지를 포함한다. 이 때, 상기 컴퓨터프로그램은, 룰(rule)을 표현하는 비정형 데이터를 상기 네트워크 인터페이스를 통하여 사용자로부터 입력받는 오퍼레이션, 상기 비정형 데이터를 분석하는 오퍼레이션, 상기 비정형 데이터의 분석 결과를 이용하여, 상기 룰 관리 장치의 룰 엔진에 의하여 처리될 수 있는 형식의 정형 데이터를 생성하는 오퍼레이션, 상기 스토리지에 저장된 시소러스 중, 룰과 관련된 타겟 시소러스를 참조하여, 상기 정형 데이터 중에서 룰 세팅을 위한 보정 항목을 선정하는 오퍼레이션, 및 상기 룰 엔진을 이용하여, 상기 선정된 보정 항목이 보완된 상기 정형 데이터를 처리하는 오퍼레이션을 포함한다.
상기 기술적 과제를 해결하기 위한 본 발명의 또 다른 실시예에 따른, 제1 질병의 발병자들의 각 검진 항목 별 검진 결과값을 포함하는 의료 통계 데이터를 이용한 제1 질병의 시소러스 생성 방법은, 상기 의료 통계 데이터에 포함된 복수의 검진 항목으로 구성된 검진 항목 그룹 별로, 트리 구조의 단위 시소러스를 구축하는 단계, 및 상기 검진 항목 그룹이 상기 제1 질병의 발병에 미치는 영향력을 가리키는 우선 순위를 상기 단위 시소러스에 부여하는 단계를 포함한다. 이때, 상기 단위 시소러스를 구축하는 단계는, 상기 검진 항목 그룹의 식별자를 루트 노드로 결정하는 단계, 상기 검진 항목 그룹에 속한 각 검진 항목을 상기 루트 노드의 자식 노드인, 제1 자식 노드로 결정하는 단계, 및 상기 제1 자식 노드에 대응된 검진 항목에 대하여 검진된 검진 결과값을 상기 제1 자식 노드의 자식 노드인, 제2 자식 노드로 결정하는 단계를 포함한다.
상기 기술적 과제를 해결하기 위한 본 발명의 또 다른 실시예에 따른, 제1 질병의 발병자들의 각 검진 항목 별 검진 결과값을 포함하는 의료 통계 데이터를 이용한, 제1 질병의 시소러스를 생성하는 장치는, 상기 의료 통계 데이터에 억세스 하는 네트워크 인터페이스, 하나 이상의 프로세서, 상기 프로세서에 의하여 수행 되는 상기 제1 질병의 시소러스 생성용 컴퓨터프로그램을 로드(load) 하는 메모리, 상기 제1 질병의 시소러스를 저장하는 스토리지를 포함한다. 이때, 상기 컴퓨터프로그램은, 상기 의료 통계 데이터에 포함된 복수의 검진 항목으로 구성된 검진 항목 그룹 별로, 트리 구조의 단위 시소러스를 구축하는 오퍼레이션, 상기 검진 항목 그룹이 상기 제1 질병의 발병에 미치는 영향력을 가리키는 우선 순위를 상기 단위 시소러스에 부여하는 오퍼레이션을 포함한다. 이때, 상기 단위 시소러스를 구축하는 오퍼레이션은, 상기 검진 항목 그룹의 식별자를 루트 노드로 결정하는 오퍼레이션, 상기 검진 항목 그룹에 속한 각 검진 항목을 상기 루트 노드의 자식 노드인, 제1 자식 노드로 결정하는 오퍼레이션, 및 상기 제1 자식 노드에 대응된 검진 항목에 대하여 검진된 검진 결과값을 상기 제1 자식 노드의 자식 노드인, 제2 자식 노드로 결정하는 오퍼레이션을 포함한다.
본 발명에 따르면, 자연어 텍스트 등 사용자 친화적인 비정형 데이터를 입력하여 룰 기반 시스템에서 사용될 룰을 세팅하는 방법 및 장치를 제공할 수 있는 ㅎ효과가 있다.
또한, 본 발명의 방법 및 장치에 따르면, 비정형 데이터를 입력하여 룰을 세팅하는 경우, 상기 비정형 데이터에 보정해야 할 항목이 있는지 여부를 자동으로 체크함으로써, 생성되는 룰의 무결성을 보완할 수 있는 효과가 있다.
또한, 본 발명의 방법 및 그 장치에 따르면, 비정형 데이터를 입력하여 룰을 세팅하는 경우, 상기 비정형 데이터에 보정해야 할 항목이 있는지 여부를 자동으로 체크함에 있어서, 입력된 비정형 데이터와 관련된 시소러스를 이용하여, 상기 비정형 데이터에 보정해야 할 항목이 있는지 여부를 자동으로 체크할 수 있다.
또한, 본 발명의 방법 및 그 장치에 따르면, 비정형 데이터를 입력하여 룰을 세팅하는 경우, 상기 비정형 데이터에 보정해야 할 항목이 있는지 여부를 자동으로 체크하고, 입력된 비정형 데이터와 관련되고, 상위 개념 용어-하위 개념 용어 간 연관성을 이용하여, 보정 항목에 대한 보완 데이터를 자동으로 추천할 수 있는 효과가 있다.
본 발명의 방법 및 그 장치에 따르면, 비정형 데이터를 입력하여 룰을 세팅하는 경우, 상기 비정형 데이터에 보정해야 할 항목이 있는지 여부를 자동으로 체크하고, 입력된 비정형 데이터와 관련되고, 상위 개념 용어-하위 개념 용어 간 연관성을 이용하여 상기 보정 항목에 대한 최적의 보완 데이터를 자동으로 선정하고, 선정된 보완 데이터를 이용하여 상기 보정 항목을 자동으로 보완할 수 있는 효과가 있다.
본 발명에 따르면, 의료 통계 데이터를 이용하여 각 우선 순위 별 단위 시소러스로 구성되는 질병 별 위험 인자 시소러스를 구축하는 방법 및 그 장치를 제공할 수 있는 효과가 있다.
본 발명에 따르면, 의료 통계 데이터를 이용하여 구축된 질병 별 위험 인자 시소러스를 이용하여, 비정형 데이터를 입력하여 룰을 세팅하는 경우, 상기 비정형 데이터에 보정해야 할 항목이 있는지 여부를 자동으로 체크하는 방법 및 그 장치를 제공할 수 있다.
도 1은 본 발명의 일 실시예에 따른 룰 기반 시스템의 구성도이다.
도 2는 본 발명의 다른 실시예에 따른 비정형 데이터 기반 룰 관리 방법의 순서도이다.
도 3은 본 발명의 몇몇 실시예들에서 제시될 수 있는 사용자 인터페이스를 이용한 자연어 형식의 비정형 데이터 입력 및 그에 대한 보정 항목 제시 및 보정 항목에 대한 보완 데이터 자동 추천에 관한 개념도이다.
도 4는 본 발명의 몇몇 실시예들에서 자연어 형식의 비정형 데이터를 처리하기 위하여 참조되는 도메인 사전(domain dictionary)의 구성예를 나타낸 도면이다.
도 5는 본 발명의 몇몇 실시예에 따라 룰 엔진에 의하여 처리될 수 있는 형식의 룰 세팅용 정형 데이터가 보완된 것을, 보완되기 전과 비교하는 도면이다.
도 6은 도 2의 순서도에 도시된 동작 중 일부 동작을 보다 상세히 도시하는 순서도이다.
도 7은 본 발명의 몇몇 실시예들에서 시소러스의 구축을 위하여 참조되는 의료용 통계 데이터의 일 예이다.
도 8a 및 도 8b는 도 7에 도시된 의료용 통계 데이터를 기반으로 구축된 시소러스를 도시한 도면이다.
도 9는 본 발명의 몇몇 실시예들에서 시소러스를 구축할 때 상기 시소러스를 구성하는 각 단위 시소러스에 부여되는 우선 순위가 기 정의되는 경우를 설명하는 도면이다.
도 10은 본 발명의 몇몇 실시예들에서 시소러스를 구축할 때 상기 시소러스를 구성하는 각 단위 시소러스에 부여되는 우선 순위가 의료용 통계 데이터를 기반으로 결정되는 경우를 설명하기 위한 도면이다.
도 11은 본 발명의 또 다른 실시예에 따른, 룰 관리 장치의 블록 구성도이다.
도 12는 본 발명의 또 다른 실시예에 따른, 룰 관리 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 룰 기반 시스템의 구성 및 동작을 설명한다. 도 1에 도시된 바와 같이, 본 실시예에 따른 룰 기반 시스템은 룰 관리 장치(10), 의료 통계 데이터 관리 장치(20), 룰 세팅용 사용자 단말(30) 및 룰 처리 결과 통보용 단말(40)을 포함할 수 있다.
룰 관리 장치(10)는 룰 세팅용 사용자 단말(30)에 룰 세팅용 비정형 데이터 입력을 위한 GUI 표시용 데이터를 송신한다. 룰 세팅용 사용자 단말(30)은 상기 GUI를 표시하고, 룰 세팅용 사용자 단말(30)의 사용자는 상기 GUI를 통하여 룰을 표현하는 비정형 데이터를 입력한다.
상기 비정형 데이터는, 룰 관리 장치(10)의 룰 엔진에 의하여 인식되거나 식별될 수 없는 점에서 비정형 데이터로 지칭된다. 상기 비정형 데이터는, 예를 들어 룰을 표현하는 자연어 형식의 텍스트, 룰을 표현하는 순서도 등의 이미지, 룰을 표현하는 보이스(voice) 데이터 등일 수 있다. 각각의 서로 다른 비정형 데이터는, 널리 알려진 비정형 데이터 분석 프로세스(예를 들어, 자연어 처리 프로세스, 이미지 분석 프로세스, 음성 인식 프로세스)를 이용하여 분석될 수 있다.
이하, 이해의 편의를 위하여, 자연어 형식의 텍스트가 입력된 경우를 전제하여 설명하기로 한다. 다만, 이러한 설명에도 불구하고, 본 발명은 자연어 형식의 텍스트 이외의 다른 다양한 비정형 데이터가 입력된 경우에 대하여도 적용될 수 있다.
룰 관리 장치(10)는 룰 세팅용 사용자 단말(30)로부터 상기 GUI를 통하여 입력된 자연어 형식의 텍스트를 수신하여, 자연어 처리 프로세스를 통해 분석한다. 룰 관리 장치(10)는 상기 자연어 처리 프로세스를 통한 분석 결과를 이용하여, 룰 관리 장치(10)의 룰 엔진에 의하여 처리될 수 있는 형식의 정형 데이터를 생성한다. 상기 정형 데이터가 룰을 표현하는 것으로 이해될 수 있을 것이다.
룰 관리 장치(10)는 상기 룰과 관련된 타겟 시소러스를 참조하여, 상기 정형 데이터 중에서 룰 세팅을 위한 보정 항목을 선정한다.
본 명세서에서, 시소러스는, 아래의 의미를 가진 데이터 구조로 이해될 수 있다. 시소러스란 용어의 사용법과 용어들 사이의 관계에 대한 정보를 제공하는 어휘 도구를 말한다. 용어의 관계성은 일반적으로 상위 개념(BT: broader term), 하위 개념(NT: Narrower Term), 용례 혹은 동의어(UF: Use For Or Synonymous), 관계어(RT: Related Term), 대체어(USE) 등으로 분류되는데, 시소러스는 이러한 관계성을 이용, 탐색시 질의에 포함된 용어의 의미를 확대하기 위해 구성된 데이터 구조이다.
룰 관리 장치(10)는 하나 이상의 시소러스를 관리할 수 있다. 룰 관리 장치(10)가 복수개의 시소러스를 관리하는 경우, 룰 관리 장치(10)는 상기 자연어 처리 프로세스를 통한 분석 결과를 이용하여, 신규로 생성될 룰과 관련된 시소러스를 선정된다. 본 명세서에서, 상기 선정된 시소러스는, 타겟 시소러스로 지칭될 것이다.
본 실시예의 룰 기반 시스템은 특정 용도로 제한되지 않는다. 예를 들어, 상기 룰 기반 시스템은, 의료 분야, 금융 분야, 보안 분야 등 룰 기반 시스템이 적용될 수 있는 다양한 분야에 사용될 수 있다.
룰 기반 시스템의 적용 분야에 따라, 룰 관리 장치(10)는, 상기 적용 분야에 대응되는 시소러스 그룹에 속한 시소러스들 중에서, 상기 타겟 시소러스를 선정할 수 있다. 예를 들어, 룰 기반 시스템이 의료 분야에 적용되는 경우, 상기 룰 기반 시스템의 관리자에 의한 환경 설정을 통해 의료 분야의 시소러스 그룹이 선정, 활성화 또는 외부 장치로부터 로드될 수 있다. 즉, 본 실시예에 따른 룰 기반 시스템은, 시소러스 그룹을 선택하는 것에 의하여, 다양한 분야에 적용될 수 있는 확장성을 지원한다.
이하, 설명의 편의를 위하여, 의료 분야에 상기 룰 기반 시스템이 적용되는 경우를 전제하여 본 발명의 실시예들을 설명한다. 다만, 이러한 설명에도 불구하고, 본 발명은 의료 분야 이외의 다른 다양한 분야에 대하여도 적용될 수 있다.
룰 관리 장치(10)는 의료 통계 데이터 관리 장치(20)에 의하여 관리되는 의료 통계 데이터에 억세스하고, 상기 의료 통계 데이터를 이용하여 하나 이상의 시소러스를 구축할 수 있다. 룰 관리 장치(10)는 상기 의료 통계 데이터의 업데이트 시, 신규의 시소러스를 구축하거나, 이미 구축된 시소러스를 업데이트할 수 있다.
룰 관리 장치(10)는 상기 타겟 시소러스를 참조하여, 상기 정형 데이터 중에서 룰 세팅을 위한 보정 항목을 선정한다. 상기 타겟 시소러스에 기반하여 상기 자연어 형식의 텍스트의 분석 결과를 평가할 때, 명확하지 않은 용어 또는 결여된 용어가 존재하는 경우, 상기 명확하지 않은 용어 및 상기 결여된 용어가 상기 보정 항목으로 지칭된다.
룰 관리 장치(10)는 상기 보정 항목에 대한 보완 데이터를 사용자로부터 입력 받을 수 있다. 이 때, 룰 관리 장치(10)는 상기 타겟 시소러스를 참조하여, 하나 이상의 적합한 보완 데이터를 추천함으로써, 사용자의 올바른 보완 데이터 입력을 가이드 할 수 있다.
또는, 룰 관리 장치(10)가 상기 타겟 시소러스를 참조하여, 가장 적합한 보완 데이터를 선정함으로써, 사용자 입력 없이 자동으로 상기 보정 항목에 대한 보완을 수행할 수도 있다.
룰 관리 장치(10)는 상기 룰 엔진을 이용하여, 상기 선정된 보정 항목이 보완된 상기 정형 데이터를 처리한다. 예를 들어, 룰 관리 장치(10)는 상기 선정된 보정 항목이 보완된 상기 정형 데이터를 신규의 룰 데이터로 패키징 하여 룰 저장소(rule repository)에 저장하거나, 룰을 활성화할 수 있다. 상기 룰이 활성화 되면, 이벤트 발생 시 상기 룰에 기반한 대응 액션이 상기 룰 기반 시스템에 의하여 자동으로 수행될 수 있다. 예를 들어, 신규의 이벤트가 발생했을 때, 활성화 된 룰에 따르면 관리자에 통지해야 할 상황인 경우, 상기 관리자의 룰 처리 결과 통보용 단말(40)에 적절한 알람 데이터가 송신될 수 있다.
지금까지, 본 실시예에 따른 룰 기반 시스템의 구성 및 동작에 대하여 개괄적으로 설명하였다. 본 실시예에 의한 룰 기반 시스템의 동작은, 후술되는 본 발명의 다른 실시예들에 따른 동작을 참조하여 보다 자세히 특정될 수 있다.
이하, 본 발명의 다른 실시예에 따른 비정형 데이터 기반 룰 관리 방법을 도 2를 참조하여 설명한다. 본 실시예에 따른 비정형 데이터 기반 룰 관리 방법은, 하나 이상의 컴퓨팅 장치가 실행하는 것으로 이해될 수 있다. 예를 들어, 도 1을 참조하여 설명된 룰 관리 장치(10)가 본 실시예에 따른 비정형 데이터 기반 룰 관리 방법을 실행하는 것으로 이해될 수 있다. 이하, 이해의 편의를 위하여, 본 실시예에 따른 비정형 데이터 기반 룰 관리 방법에 포함되는 각각의 동작은, 그 주체를 생략하여 기재될 수 있다.
본 실시예에 따른 비정형 데이터 기반 룰 관리 방법은, 시소러스를 구축하고(S100), 상기 시소러스를 이용하여, 룰 세팅을 위한 사용자 입력의 보정 항목을 선정하여, 상기 보정 항목이 보완되도록 처리하는 것을 포함한다. 시소러스의 구축(S100)은, 도 2에 도시된 것과는 달리, 룰 세팅을 위한 사용자 입력의 처리와는 별개로 병렬적으로 수행될 수 있음을 유의한다. 시소러스의 구축에 대하여는 추후 자세히 설명하고, 룰 세팅을 위한 사용자 입력이 있는 경우의 동작을 먼저 설명한다.
룰 세팅용 사용자 입력이 제공되면(S200), 상기 사용자 입력을 분석한다(S300). 이미 언급한 바와 같이, 이 과정은, 자연어 형식의 텍스트를 단말 장치로부터 수신하여, 상기 텍스트를 자연어 처리 프로세스에 입력하는 과정을 의미할 수 있다. 상기 자연어 처리 프로세스는, 도 4에 도시된 것과 같은 도메인 사전(domain dictionary)(2)을 참조할 수 있다. 룰 기반 시스템이 의료 분야에 적용되는 경우, 도메인 사전(2)은 의료 분야의 사전일 수 있다.
도메인 사전(2)은, 의료 분야의 용어에 액션에 대한 용어가 추가된 것일 수 있다. 의료 분야의 룰 중 일부는, 의료 관련 특정 이벤트의 발생 시, 특정 액션을 취할 것을 매칭하는 것이기 때문에, 상기 도메인 사전에는 액션에 대한 용어도 필요하다. 도 4에는 "알려줄 것"이라는 용어가 도메인 사전에 포함된 것이 도시되어 있다. 도메인 사전(2)은 유사어 항목을 가질 수 있다. 상기 유사어 항목은 보정 항목에 대하여 사용자가 보완 데이터를 입력하면, 그 결과를 이용하여 신규로 세팅 되거나 업데이트될 수 있다. 상기 유사어 항목의 세팅 및 업데이트에는 머신 러닝 로직이 사용될 수 있다.
도메인 사전(2)에는 동의어 항목도 포함될 수 있다. 도 4에 도시된 도메인 사전(2)에는 혈압과 BP가 동의어인 점이 표시될 수 있다. 동의어 관계는 룰 저장소에 저장된 룰들에 대한 머신 러닝 로직에 의하여 학습될 수 있다. 이 경우, 자동으로 상기 동의어가 도메인 사전(2)에 등재될 것이다. 반대로, 머신 러닝 로직은 도메인 사전(2)에 기 등재된 동의어 항목에 대한 학습을 통하여, 동의어 관계를 이용하여 추가적인 머신 러닝을 수행할 수 있다.
자연어 처리 프로세스의 출력으로, 사용자에 의하여 입력된 자연어 형식의 텍스트가 각 용어 단위로 분리될 것이다. 상기 자연어 처리 프로세스의 출력을 이용하여, 사용자 입력을 룰 엔진에 의하여 처리될 수 있는 형식의 정형 데이터로 변환한다(S400). 또한, 상기 자연어 처리 프로세스의 출력을 이용하여, 신규로 생성될 룰과 관련된 타겟 시소러스를 선정한다. 또한, 상기 타겟 시소러스를 이용하여, 룰 세팅을 위한 보정 항목을 선정한다(S500).
상기 보정 항목에 대한 사용자의 보완 데이터 입력 또는, 룰 관리 장치에 의한 보완 데이터 자동 선정에 의하여 보정 항목에 대한 보완이 이루어지면(S600), 보완 결과를 반영하여, 룰 엔진에 의하여 처리될 수 있는 룰 표현 정형 데이터가 생성되고, 상기 정형 데이터를 신규의 룰 데이터로 패키징 하여 룰 저장소(rule repository)에 저장하거나, 상기 룰을 활성화할 수 있다(S700). 룰 관리 장치에 의한 보완 데이터 자동 선정이 수행되는 경우, 상기 보정 항목에 대응되는 단위 시소러스의 상위 개념 용어-하위 개념 용어 간 연관성을 이용하여, 상기 보정 항목에 대응되는 단위 시소러스에 포함된 용어 중, 상기 보정 항목을 보완하기 위한 용어를 선정할 수 있다.
이하, 도 3을 참조하여, 본 실시예에 따른 비정형 데이터 기반 룰 관리 방법을 시각적으로 설명한다. 도 3은 본 발명의 몇몇 실시예들에서 제시될 수 있는 사용자 인터페이스를 이용한 자연어 형식의 비정형 데이터 입력 및 그에 대한 보정 항목 제시 및 보정 항목에 대한 보완 데이터 자동 추천에 관한 개념도이다.
먼저, 자연어 형식의 텍스트인 사용자 입력(1)이 룰 관리 장치에 송신된다. 사용자 입력(1)은 도메인 사전(2)을 이용한 자연어 처리 프로세스를 통해 각 용어 단위로 분해된다.
예를 들어, 상기 자연어 처리 프로세스는, 아래의 단계를 포함할 수 있다.
문장을 구성하는 단어 열들로부터 최소 의미단위인 형태소들을 분리하는 형태소 분석 단계. 형태소분석 결과를 기반으로 문장을 이루고 있는 명사구, 동사구, 부사구 등의 구문들을 묶어주는 것 뿐만 아니라, 주어, 술어, 목적어 등과 같은 주요한 문장 구성성분을 밝혀내고 그들 사이의 구문관계를 분석하여 문장의 문법적 구조를 결정하는 구문 분석 단계. 단편적으로는 문장을 구성하는 단어들의 의미를 구분하고, 통합적으로는 문장 구성 성분들 사이의 의미적 관계(agent-predicate-object)를 논리적으로 밝혀내어 문장의 전체적 의미를 파악하는 의미 분석 단계. 여러 문장 간의 연관관계 및 전후 문맥을 고려하여 문장간의 의미관계를 분석하는 담화 분석 단계.
도 3의 사용자 입력(1)에 대한 형태소 분석 결과: 본[접두어] 환자[명사] 는[목적격조사] 심근경색[명사] 의[목적격조사] … BP[명사] … 150이상[명사] … 알려줄것[동사]
도 3의 사용자 입력(1)에 대한 구문 분석 결과: 본[접두어] 환자[명사] (주어) … 심근경색[명사] … BP [명사] 150이상[명사] (목적어) … 알려줄것[동사] (술어)
도 3의 사용자 입력(1)에 대한 구문 분석 결과: 본 환자(patient) … 심근경색(myocardial infarction) 150이상(more than 150, 150unusual, …) …
도 3의 사용자 입력(1)에 대한 담화 분석 결과: 본 환자(patient) … 심근경색(myocardial infarction) 150이상(more than 150) …
상기 설명된 단계를 통해 사용자 입력(1)에 포함된 각 용어가 식별되면, 그 식별 결과를 이용하여, 신규로 생성될 룰과 관련된 타겟 시소러스를 선정한다. 이 때, 상기 타겟 시소러스는 복수의 기 구축된 시소러스 중에서 선정될 수 있다. 이 때, 상기 복수의 시소러스 중, 상기 분석 결과 상기 비정형 데이터에서 추출된 용어와 매칭되는 명칭을 가지고 있는 시소러스를, 상기 타겟 시소러스로 선정할 수 있다.
이 때, 이미 언급된 바와 같이, 규칙 기반 시스템의 사용 분야에 따라, 사용자 환경 설정을 통해 복수의 시소러스 그룹 중 어느 하나를 사용자로부터 선정 받을 수 있다. 이 때, 상기 복수의 시소러스 중, 상기 분석 결과 상기 비정형 데이터에서 추출된 용어와 매칭되는 명칭을 가지고 있는, 상기 시소러스 그룹의 시소러스를, 상기 타겟 시소러스로 선정할 수 있다. 예를 들어, 상기 복수의 시소러스 그룹은, 의료 분야 시소러스 그룹을 포함하고, 상기 의료 분야 시소러스 그룹은, 질병의 명칭을 명칭으로 가지는 복수의 시소러스로 구성될 수 있을 것이다.
또한, 상기 타겟 시소러스를 이용하여, 룰 세팅을 위한 보정 항목이 선정된다.
룰 관리 장치는, 상기 타겟 시소러스의 각 단위 시소러스에 기반한 무결성 체크를 수행 하고, 상기 비정형 데이터의 분석 결과가, 상기 타겟 시소러스의 각 단위 시소러스 중 제1 단위 시소러스에 기반한 무결성 체크를 통과하지 못한 경우, 상기 제1 단위 시소러스를 상기 보정 항목으로 선정할 수 있다.
일 실시예에 따르면, 상기 단위 시소러스에 포함된 용어가 상기 비정형 데이터에서 추출되지 않은 경우, 상기 단위 시소러스에 기반한 상기 무결성 체크를 통과하지 못한 것으로 판정될 수 있다. 이 때, 룰 관리 장치는 상기 보정 항목에 대한 정보를 표시하는 보완 가이드 표시 영역 및 상기 보정 항목에 대한 정보를 입력 받기 위한 입력 영역을 포함하는 GUI를 단말 장치에 제공할 수 있다.
다른 실시예에 따르면, 상기 단위 시소러스에 포함된 용어가 상기 비정형 데이터에서 추출되지 않고, 상기 단위 시소러스에 포함된 용어의 유사어만 상기 비정형 데이터에서 추출된 경우에 한하여 상기 단위 시소러스에 기반한 상기 무결성 체크를 통과하지 못한 것으로 판정될 수도 있다. 이 때, 룰 관리 장치는 상기 비정형 데이터 중 상기 단위 시소러스에 포함된 용어의 유사어를 가리키는 인디케이터(5) 및 상기 인디케이터 표시 부분에 대한 보완 입력을 위한 입력 영역을 포함하는 GUI를 제공할 수 있다. 도 3에는 사용자 입력 중 "본 환자", "BP", "알려줄 것"이라는 기재에 문제가 있음을 표시하는 인디케이터(5)가 도시되어 있다. 사용자가 인디케이터(5) 중 하나를 선택(6)하면, 보정 항목에 대한 보완 데이터를 입력하기 위한 입력 영역(4)이 표시될 수 있다. 이 때, 룰 관리 장치는 상기 타겟 시소러스를 참조하여, 하나 이상의 적합한 보완 데이터를 입력 영역(4)을 통하여 추천할 수 있다.
도 3에서, 사용자 입력(1)에 대하여 보정 항목이 선정되는 과정 및 보완 데이터에 대한 추천이 이뤄지는 과정에 대하여는, 추후 보다 자세히 설명한다.
도 5는 룰 엔진에 의하여 처리될 수 있는 형식의 룰 세팅용 정형 데이터가 보완된 것을, 보완되기 전과 비교하는 도면이다. 도 3의 인디케이터(5)가 표시하는 보정 항목들을 적절히 보완한 결과, BP(혈압)라는 불분명한 용어가 SBP(수축기 혈압)(7)이라는 명확한 용어로 보완되고, 환자의 인구학적 특성(demographic characteristics)인 30대 남성(8)이라는 조건이 보완되고, 통지의 대상이 의사(9)인 점이 보완된 점이, 도 5에 도시되어 있다. 보완 전/후를 비교해 보면, 생성된 룰이 한층 명확해졌음을 확인할 수 있다.
이하, 도 6 내지 도 10을 참조하여, 시소러스를 구축하는 방법에 대하여 설명한다. 도 6은 도 2의 순서도에 도시된 동작 중 시소러스를 구축하는 단계(S100)를 보다 상세히 도시하는 순서도이다.
룰 기반 시스템이 의료 분야에 적용되는 경우, 각각의 시소러스는 질병 단위로 구축될 수 있다. 즉, 제1 질병에 대한 제1 시소러스가 구축되고, 제1 질병과 다른 제2 질병에 대한 제2 시소러스가 구축될 수 있다. 각각의 시소러스의 명칭 또는 식별자는, 질병의 명칭과 동일하거나, 질병의 명칭에 일대일 매칭될 수 있다.
또한, 각각의 시소러스는, 하나 이상의 단위 시소러스로 구성될 수 있다. 각각의 단위 시소러스는, 시소러스에 매칭된 질병의 위험 인자에 대응된다. 상기 위험 인자는, 의료 통계 데이터의 검진 항목 그룹을 가리킬 수 있다. 각각의 단위 시소러스는 트리 구조를 가진다. 즉, 상위 개념의 용어가 부모 노드에 매칭되고, 하위 개념의 용어가 그 자식 노드에 매칭된다.
이미 설명한 바와 같이 시소러스의 구축에 의료 통계 데이터가 이용되므로, 의료 통계 데이터가 억세스 된다(S101). 도 1에 도시된 바와 같이, 상기 의료 통계 데이터는 룰 관리 장치와 물리적으로 분리된 장치에 저장될 수 있으나, 몇몇 실시예에서는 룰 관리 장치에 상기 의료 통계 데이터가 저장될 수 있다. 이미 언급한 바와 같이, 시소러스는 질병 단위로 구축될 수 있다.
이하, 예시적으로 심근경색에 대한 시소러스를 구축하는 경우를 설명한다. 심근경색에 대한 시소러스 구축을 위하여, 의료 통계 데이터 중, 심근경색에 대한 데이터만 억세스 될 수 있다. 예를 들어, 심근경색 발병자들의 검진 결과값에 대한 데이터가 억세스 된다. 다음으로, 상기 의료 통계 데이터에 포함된 복수의 검진 항목으로 구성된 검진 항목 그룹이 식별된다(S103).
도 7은 심근경색 발병자들의 검진 결과값에 대한 의료 통계 데이터의 일 예이다. 상기 의료 통계 데이터는 각 발병자(51)의 검진 항목 별 검진 결과 값들을 포함한다. 상기 검진 항목은, 문진 또는 사실 확인 차원의 검진 항목을 포함한다. 예를 들어 성별(56), 나이(57) 항목은 각 환자의 인적 사항에 관한 것이지만, 각 발병자의 인구학적인 특성(demographic characteristics)을 구성하고, 이러한 인구학적 특성에 따른 인구학적 위험 요소도 심근경색 발병과 관련이 있는 점에서 상기 의료 통계 데이터에 포함될 수 있다. 흡연량(58), 알코올 섭취량(59), 영양 섭취(60) 항목은 행동 위험 요소와 관련이 있다. 그리고, 심근경색 발병과 관련된 유전자 보유 여부(61)는 유전적 위험 요소와 관련이 있다. 그리고, SBP(수축기 혈압)(62), BST(혈당 수치)(63), 심장 박동수(64) 등은 의학적 위험 요소와 관련이 있다.
도 7에 도시된 바와 같이, 의료 통계 데이터에는 복수의 검진 항목으로 구성된 검진 항목 그룹에 대한 정보가 명시된다. 이미 설명한 바와 같이, 검진 항목 그룹#1(52)은 인구학적 위험 요소, 검진 항목 그룹#2(53)는 행동 위험 요소, 검진 항목 그룹#3(54)은 유전적 위험 요소, 검진 항목 그룹#4(55)는 의학적 위험 요소이다.
다시 도 6으로 돌아와서 설명하면, 심근경색 발병자들의 의료 통계 데이터를 읽어서, 각 검진 항목 그룹을 식별한 후, 각 검진 항목 그룹 별로 단위 시소러스가 구축된다. 도 7에 도시된 의료 통계 데이터를 이용하여 시소러스를 구축한다면, 검진 항목 그룹#1(52)에 대한 단위 시소러스, 검진 항목 그룹#2(53)에 대한 단위 시소러스, 검진 항목 그룹#3(54)에 대한 단위 시소러스 검진 항목 그룹#4(55)에 대한 단위 시소러스가 각각 구축될 것이다.
각각의 단위 시소러스에는 우선 순위(priority)가 부여된다(S107). 상기 우선 순위는 각 검진 항목 그룹의 중요도에 대응된다. 예를 들어, 제1 검진 항목 그룹이 제2 검진 항목 그룹에 비하여 질병의 발현에 더 높은 영향력을 미치는 경우, 제1 검진 항목 그룹의 우선 순위는 제2 검진 항목 그룹의 우선 순위보다 더 높게 부여된다.
몇몇 실시예들에서, 의료 통계 데이터를 이용하여, 각 검진 항목 그룹의 우선 순위가 결정될 수 있다. 이 때, 각 검진 항목 그룹의 우선 순위를 결정하기 위하여, 상기 의료 통계 데이터에 포함된 상기 발병자들의 상기 검진 항목 그룹의 검진 결과값들을 이용하여 밀도 기반 클러스터링을 수행하는 단계, 상기 밀도 기반 클러스터링의 결과 형성된 클러스터의 중심점과, 정상 수치의 중심점 사이의 거리를 연산하는 단계, 및 상기 거리가 클 수록 상기 우선 순위가 높아지도록 상기 우선 순위를 상기 단위 시소러스에 부여하는 단계가 수행될 수 있다. 예를 들어, 도 7의 검진 항목 그룹#1(52)에 대한 우선 순위는, 도 10에 도시된 바와 같이, 심근 경색 발병자들의 3차원 공간 상 클러스터(80)의 중심점(81)과 심근 경색이 발병하지 않은 정상인들의 정상 수치의 중심점(82) 사이의 유클리디안 거리(83)를 이용하여 연산될 수 있다. 상기 3차원 공간은, 검진 항목 그룹#1(52)에 속한 각각의 검진 항목, 즉 흡연량(70), 영양 섭취(71), 알코올 섭취량(72)을 각각 축(axis)으로 하여 구성된 것이다.
다른 몇몇 실시예들에서는, 시소러스를 구축할 때 상기 시소러스를 구성하는 각 단위 시소러스에 부여되는 우선 순위가 기 정의될 수 있다. 이 때, 도 9에 도시된 것과 같은 각 단위 시소러스 별 우선 순위 매칭 테이블이, 시소러스 구축에 참조될 수 있다. 도 9는, 행동 위험 요소의 단위 시소러스에 가장 높은 우선 순위가 부여되고, 의학적 위험 요소의 단위 시소러스에 중간 우선 순위가 부여되고, 인구학적 위험 요소에 가장 낮은 우선 순위가 부여되며, 유전적 위험 요소 및 환경적 위험 요소는 질병의 발병에 영향을 미치지 않기 때문에, 유전적 위험 요소의 단위 시소러스 및 환경적 위험 요소의 단위 시소러스는 구축될 필요가 없는 점을 가리킨다. 도 9에서 우선 순위 값으로 표시된 "00"은 구출이 불필요함을 나타내는 기 지정된 하나의 기호이다.
도 9에 도시된 단위 시소러스 별 우선 순위 매칭 테이블에는, "액션" 항목 및 "주체" 항목에 대하여도 우선 순위가 부여되어 있다. 이는, "액션"에 대한 단위 시소러스 및 "주체"에 대한 단위 시소러스가 신규로 구축되거나, 기존에 구축된 "액션"에 대한 단위 시소러스 및 "주체"에 대한 단위 시소러스가 다른 단위 시소러스와 함께 심근경색에 대한 시소러스에 포함되어야 함을 의미한다.
의료 분야의 룰 중 적어도 일부는, 의료 관련 특정 이벤트의 발생 시, 특정 주체에 대하여, 특정 액션을 취할 것을 매칭하는 것이기 때문에, 특정 질병에 대한 시소러스에는 "액션"에 대한 단위 시소러스 및 "주체"에 대한 단위 시소러스가 포함되는 것이 바람직하다. 즉, 특정 질병에 대한 시소러스에 "액션"에 대한 단위 시소러스 및 "주체"에 대한 단위 시소러스가 포함됨으로써, 이벤트 발생 시 수행되어야 하는 작업이 룰에 명확하게 정의될 수 있도록 하는 효과가 있다.
도 8a는, 도 7에 도시된 의료 통계 데이터를 이용하여, 행동 위험 요소에 대한 단위 시소러스를 구축한 결과를 도시한다. 도 8a에 도시된 바와 같이, 우선 순위로 "0"이 부여된 검진 항목 그룹의 식별자(명칭)인 "행동 위험 요소"라는 용어가 우선 순위 0을 가진 단위 시소러스의 루트 노드가 된다. 또한, 검진 항목 그룹 "행동 위험 요소"에 속하는 검진 항목들의 식별자(명칭)인 "흡연량", "알코올 섭취량", "영양소 섭취량"이라는 용어가, 각각 상기 루트 노드의 제1 자식 노드가 된다. 또한, "흡연량" 검진 항목의 검진 결과값을 가리키는 용어가, 상기 "흡연량" 노드의 자식 노드가 되고, "알코올 섭취량" 검진 항목의 검진 결과 값을 가리키는 용어가, 상기 "알코올 섭취량" 노드의 자식 노드가 된다. 도 8a는 "흡연량" 검진 항목에 대하여, 하루 5개피, 하루 10개피, 하루 15개피라는 응답만 존재한 경우를 가정한 것이다.
몇몇 실시예에서, 단위 시소러스의 부모 노드와 자식 노드, 즉 상위 용어와 하위 용어 사이에는 연관성이라는 수치가 부여될 수 있다.
예를 들어, 도 8a에 도시된 단위 시소러스에서, 흡연량 검진 항목에 비정상 검진 결과 값이 기록된 전체 발병자의 수가 100명이고, 알코올 섭취량 검진 항목에 비정상 검진 결과 값이 기록된 전체 발병자의 수가 70명이며, 영양소 검진 항목에 비정상 검진 결과 값이 기록된 전체 발병자의 수가 30명인 경우, 행동 위험 요소 노드와 흡연량 노드 사이의 연관성은 0.5(100/(100+70+30))으로 부여된다. 동일한 이유로 행동 위험 요소 노드와 알코올 섭취량 노드 사이의 연관성은 0.35(70/(100+70+30))으로 부여된다. 동일한 이유로 행동 위험 요소 노드와 영양소 섭취량 노드 사이의 연관성은 0.15(30/(100+70+30))으로 부여된다.
즉, 각각의 제1 자식 노드의 빈도가 상기 제1 자식 노드 전체의 빈도 합산치에서 차지하는 비율이 상기 루트 노드와 상기 제1 자식 노드 사이의 연관성으로 결정된다.
또한, 각각의 제2 자식 노드의 빈도가 상기 제1 자식 노드의 모든 자식 노드의 빈도를 합산한 수치에서 차지하는 비율이 상기 제1 자식 노드와 상기 제2 자식 노드 사이의 연관성으로 결정된다.
이 때, 상기 제1 자식 노드와 제2 자식 노드 사이의 연관성 값 범위가 한계치 미만으로 좁게 형성되는 경우, 상기 제1 자식 노드의 모든 자식 노드가 상기 단위 시소러스에서 삭제될 수 있다. 이는, 어떠한 검진 항목에 대한 검진 결과값의 빈도가 균일하게 나타나는 경우, 각 검진 결과 값이 룰에 의하여 표현되는지 여부를 체크하는 것이 불필요함을 의미한다.
예를 들어, 도 8a에 도시된 단위 시소러스에서, 흡연량 노드의 자식 노드들의 빈도수가 각각 5개피 33, 10개피 33, 15개피 34라면, 흡연량 노드와 5개피 노드 사이의 연관성은 0.33(33/(33+33+34)), 흡연량 노드와 10개피 노드 사이의 연관성은 0.33(33/(33+33+34)), 흡연량 노드와 15개피 노드 사이의 연관성은 0.34(34/(33+33+34))가 될 것이다. 즉, 흡연량 노드의 각 자식 노드에 대한 연관성의 최소값-최대값 차이는 0.01에 불과하다. 만약에 기 지정된 기준치가 0.05였다면, 0.01 < 0.05이므로, 흡연량 노드의 모든 자식 노드는 우선 순위 0 단위 시소러스에서 삭제될 것이다.
몇몇 실시예들에서, 다른 방식으로 제1 자식 노드의 자식 노드들이 제거될 수 있다. 즉, 상기 제1 자식 노드의 전체 자식 노드들의 빈도 합산 치를, 상기 제1 자식 노드의 전체 자식 노드들의 빈도 중 최대치로 나눈 값을, 상기 제1 자식 노드의 자식 노드 개수로 다시 나눈 값이, 기 지정된 기준치 이하인 경우, 상기 제1 자식 노드의 모든 자식 노드를 상기 단위 시소러스에서 삭제할 수 있다. 일 실시예에서, 상기 기 지정된 기준치는 0.8일 수 있다.
도 8b는, 도 7에 도시된 의료 통계 데이터를 이용하여, 의학적 위험 요소에 대한 단위 시소러스를 구축한 결과를 도시한다. 도 8b에 도시된 바와 같이, 우선 순위로 "1"이 부여된 검진 항목 그룹의 식별자(명칭)인 "의학적 위험 요소"라는 용어가 우선 순위 1을 가진 단위 시소러스의 루트 노드가 된다. 또한, 검진 항목 그룹 "의학적 위험 요소"에 속하는 검진 항목들의 식별자(명칭)인 "SBP", "BST", "심장 박동수"라는 용어가, 각각 상기 루트 노드의 제1 자식 노드가 된다. 또한, "SBP" 검진 항목의 검진 결과값을 가리키는 용어가, 상기 "BST" 노드의 자식 노드가 되고, "심장 박동수" 검진 항목의 검진 결과 값을 가리키는 용어가, 상기 "심장 박동수" 노드의 자식 노드가 된다. 도 8b는 "SBP" 검진 항목에 대하여, >80, >90, >100 이라는 검진 수치만 존재한 경우를 가정한 것이다.
도 8a, 도 8b를 참조하여 설명한 것과 동일한 방식으로, 우선 순위로 "2"가 부여된 인구학적 위험 요소에 대한 단위 시소러스도 추가로 구축될 수 있을 것이다.
도 9에 도시된 우선 순위 매칭 테이블에 따라, 행동 위험 요소에 대한 단위 우선 순위 시소러스에는 우선 순위 0이 부여된다. 이하, 우선 순위의 숫자가 작을수록 중요하고 우선 순위가 높은 것으로 이해하여야 한다.
어떠한 단위 시소러스의 우선 순위가 높다는 것은, 룰을 표현하는 자연어 형식의 텍스트를 분석한 결과를 이용하여 상기 우선 순위가 높은 단위 시소러스에 기반한 무결성 체크를 수행할 때, 상기 무결성 체크를 통과하지 못하여 선정되는 보정 항목의 중요도가 높다는 것을 가리킨다. 어떠한 보정 항목의 중요도가 높다는 것은, 그 보정 항목이 보완되지 않으면 전체 룰의 무결성에 큰 영향을 미친다는 것을 의미한다. 즉, 어떠한 단위 시소러스의 우선 순위가 기준치 이하인 경우, 그 단위 시소러스에 기반한 무결성 체크는 수행하지 않을 수 있다.
또한, 몇몇 실시예들에서, 우선 순위가 기준치 이하인 단위 시소러스에 기반한 무결성 체크의 결과로 선정된 보정 항목에 대하여는, 사용자의 입력 없이 시스템이 자동으로 상기 단위 시소러스에서 보완 용어를 선정하여, 상기 보완 용어로 상기 보정 항목을 대체할 수도 있다.
다시, 도 3의 사용자 입력(1)에 대하여 보정 항목이 선정된 과정을, 상기 설명된 심근경색의 시소러스를 참조하여 설명한다. 이미 설명한 바와 같이, 사용자 입력(1)에 대한 분석 결과를 이용하여, 상기 타겟 시소러스의 각 단위 시소러스에 기반한 무결성 체크가 수행된다. 몇몇 실시예들에서, 상기 단위 시소러스에 포함된 용어의 대신 그 유사어만 상기 비정형 데이터에서 추출된 경우에 한하여 상기 단위 시소러스에 기반한 상기 무결성 체크를 통과하지 못한 것으로 판정할 수 있다.
이 때, 우선순위 0의 단위 시소러스인 행동 위험 요소 단위 시소러스에 포함된 용어는 사용자 입력(1)에서 전혀 추출되자 않았으므로, 우선순위 0의 단위 시소러스는 무결성 체크를 통과한 것으로 판정된다.
다음으로, 우선순위 1의 단위 시소러스인 의학적 위험 요소 단위 시소러스에 포함된 용어 중 SBP의 유사어인 BP가 추출 되었으므로, 우선순위 1의 단위 시소러스는 무결성 체크를 통과하지 못한 것으로 판정되고, "BP"는 보정 항목으로 선정된다. "혈당수치"는 의학적 위험 요소 시소러스에 포함된 용어 중 BST와 동의어로, 혈당수치는 보정 항목으로 선정되지 않는다.
다음으로, 우선순위 2의 단위 시소러스인 인구학적 위험 요소 단위 시소러스에 "남성", "여성"이라는 용어가 포함되어 있고, "남성"의 유사어로 "환자"라는 용어가 등록된 사항을 전제하자. 인구학적 위험 요소 단위 시소러스에 포함된 용어 중 "남성"의 유사어인 "환자"가 추출 되었으므로, 우선순위 2의 단위 시소러스는 무결성 체크를 통과하지 못한 것으로 판정되고, "본 환자"는 보정 항목으로 선정된다.
다음으로, 우선순위 3의 단위 시소러스인 액션 단위 시소러스에 포함된 용어인 "알려주다"가 사용자 입력(1)에서 추출 되었으므로, 우선순위 3의 단위 시소러스는 무결성 체크를 통과한 것으로 판정된다.
다음으로, 우선순위 4의 단위 시소러스인 주체 단위 시소러스에 포함된 용어는 사용자 입력(1)에서 전혀 추출되자 않았으나, "액션" 단위 시소러스 및 "주체" 단위 시소러스는 상호 연관 시소러스로 지정함으로써, "액션" 단위 시소러스에 포함된 용어가 추출되면 "주체" 단위 시소러스에 포함된 용어도 추출되어야 하고, 반대로 "주체" 단위 시소러스에 포함된 용어가 추출되면 "액션" 단위 시소러스에 포함된 용어도 추출되어야 하도록 무결성 체크 세팅이 될 수 있다. 이 경우, 우선순위 4의 주체 단위 시소러스는 무결성 체크를 통과하지 못한 것으로 판정된다. 따라서, 주체 단위 시소러스와 상호 연관된 액션 단위 시소러스의 "알려줄 것" 용어가 보정 항목으로 선정된다.
이미 설명한 바와 같이, 상기 보정 항목에 대응되는 단위 시소러스의 상위 개념 용어-하위 개념 용어 간 연관성을 이용하여, 상기 보정 항목에 대응되는 단위 시소러스에 포함된 용어 중, 상기 보정 항목을 보완하기 위한 용어를 추천하는 GUI를 제공할 수 있다.
또한, 몇몇 실시예에서는, 머신 러닝 기법을 이용하여, 사용자 입력(1)의 분석 결과를 학습한 후, 사용자 입력(1)에 기재된 상황에 매칭되는 보완 용어를 추천할 수도 있다. 예를 들어, 도 3에 도시된 상황에서, BP가 150이상, 혈당수치가 180이상인 심근 경색 환자의 인구학적 특성을 의료 통계 데이터를 통하여 결정한 후, 상기 인구학적 특성의 빈도수를 이용하여 유력한 보완 용어를 추천할 수도 있다.
지금까지 도 1 내지 도 10을 참조하여 설명된 본 발명의 실시예에 따른 방법들은 컴퓨터가 읽을 수 있는 코드로 구현된 컴퓨터프로그램의 실행에 의하여 수행될 수 있다. 상기 컴퓨터프로그램은 인터넷 등의 네트워크를 통하여 제1 컴퓨팅 장치로부터 제2 컴퓨팅 장치에 전송되어 상기 제2 컴퓨팅 장치에 설치될 수 있고, 이로써 상기 제2 컴퓨팅 장치에서 사용될 수 있다. 상기 제1 컴퓨팅 장치 및 상기 제2 컴퓨팅 장치는, 서버 장치, 데스크탑 피씨와 같은 고정식 컴퓨팅 장치, 노트북, 스마트폰, 태블릿 피씨와 같은 모바일 컴퓨팅 장치를 모두 포함한다.
상기 컴퓨터프로그램은, 컴퓨팅 장치와 결합하여, 룰(rule)을 표현하는 비정형 데이터를 제공 받는 단계와, 상기 비정형 데이터를 분석하는 단계와, 상기 비정형 데이터의 분석 결과를 이용하여, 상기 룰 관리 장치의 룰 엔진에 의하여 처리될 수 있는 형식의 정형 데이터를 생성하는 단계와, 상기 룰과 관련된 타겟 시소러스를 참조하여, 상기 정형 데이터 중에서 룰 세팅을 위한 보정 항목을 선정하는 단계와, 상기 룰 엔진을 이용하여, 상기 선정된 보정 항목이 보완된 상기 정형 데이터를 처리하는 단계를 실행시키기 위한 것일 수 있다. 상기 컴퓨터프로그램은 DVD-ROM, 플래시 메모리 장치 등의 기록매체에 저장된 것일 수 있다.
상기 컴퓨터 프로그램은, 상기 의료 통계 데이터에 포함된 복수의 검진 항목으로 구성된 검진 항목 그룹 별로, 트리 구조의 단위 시소러스를 구축하는 단계와, 상기 검진 항목 그룹이 상기 제1 질병의 발병에 미치는 영향력을 가리키는 우선 순위를 상기 단위 시소러스에 부여하는 단계를 실행시키기 위한 것일 수도 있다. 이 때, 상기 단위 시소러스를 구축하는 단계는, 상기 검진 항목 그룹의 식별자를 루트 노드로 결정하는 단계, 상기 검진 항목 그룹에 속한 각 검진 항목을 상기 루트 노드의 자식 노드인, 제1 자식 노드로 결정하는 단계, 및 상기 제1 자식 노드에 대응된 검진 항목에 대하여 검진된 검진 결과값을 상기 제1 자식 노드의 자식 노드인, 제2 자식 노드로 결정하는 단계를 포함할 수 있다.
이하, 도 11 내지 도 12를 참조하여, 본 발명의 다른 실시예에 따른 룰 관리 장치의 구성 및 동작을 설명한다. 도 11은 본 발명의 또 다른 실시예에 따른, 룰 관리 장치의 블록 구성도이다. 도 11에 도시된 바와 같이, 본 실시예에 따른 룰 관리 장치는, 네트워크 인터페이스(101), 시소러스 구축부(103), 시소러스 저장부(105), 보정 항목 선정부(107), ML 엔진(109), 사용자 입력 분석부(111), 사용자 입력 변환부(113), 룰 엔진(115), 룰 저장소(117) 및 사전 저장부(119)를 포함할 수 있다.
네트워크 인터페이스(101)는 의료 통계 데이터 관리 장치로부터 의료 통계 데이터를 수신하여 시소러스 구축부(103)에 제공하고, 보정 항목 선정부(107)에 의하여 생성된 룰 보정 GUI를 단말 장치에 송신하며, 단말 장치로부터 수신된 룰 세팅용 비정형 데이터를 수신하여 사용자 입력 분석부(111)에 제공하고, 룰 엔진(115)에 이벤트 발생 감지용 데이터를 제공하고, 룰 엔진(115)으로부터 통지 요청을 제공 받아, 통지 대상 단말에 송신한다.
시소러스 구축부(103)는 의료 통계 데이터에 포함된 복수의 검진 항목으로 구성된 검진 항목 그룹 별로, 트리 구조의 단위 시소러스를 구축하고, 상기 검진 항목 그룹이 상기 제1 질병의 발병에 미치는 영향력을 가리키는 우선 순위를 상기 단위 시소러스에 부여한다. 시소러스 구축부(103)는 각 단위 시소러스를 하나의 시소러스로 패키징 하여 시소러스 저장부(105)에 저장한다.
사용자 입력 분석부(111)는 단말 장치로부터 수신된 룰 세팅용 비정형 데이터를 및 사전 저장부(119)에 저장된 도메인 사전을 이용하여 분석하고, 그 결과를 보정 항목 선정부(107)에 제공한다. 보정 항목 선정부(107)는 상기 룰과 관련된 타겟 시소러스를 참조하여, 상기 정형 데이터 중에서 룰 세팅을 위한 보정 항목을 선정한다.
보정 항목 선정부(107)는, 상기 타겟 시소러스를 참조하여 보정 항목을 선정함에 있어서, ML 엔진(109)에 의하여 학습된 사항을 이용할 수 있다. ML 엔진(Machine Learning 엔진)(109)은, 상기 타겟 시소러스의 각 노드 간 연관성 및 연결 관계를 학습하고, 학습된 결과를 상기 보정 항목의 산정에 반영할 수 있다. 도 8b에 도시된 단위 시소러스를 참조하여 설명하면, "15개피"라는 용어가 사용자 입력 텍스트에서 추출된 경우, "15개피"는 흡연량에 대한 것임을 학습할 수 있고, 특정 단위 시소러스의 용어가 결여되어 보정 항목으로 선정되더라도, 상기 보정 항목에 대하여 보완 될 수 있는 각 용어의 빈도를 각 노드 간 연관성을 이용하여 제시할 수 있다.
사용자 입력 변환부(113)는 상기 비정형 데이터의 분석 결과 및 상기 보정 항목에 대한 보완 데이터를 이용하여, 상기 룰 관리 장치의 룰 엔진에 의하여 처리될 수 있는 형식의 정형 데이터를 생성한다. 룰 엔진(115)은 사용자 입력 변환부(113)로부터 상기 선정된 보정 항목이 보완된 상기 정형 데이터를 제공받아 룰을 구성한 후, 구성된 룰을 룰 저장소(117)에 저장한다.
도 12는 본 발명의 또 다른 실시예에 따른, 룰 관리 장치의 하드웨어 구성도이다. 도 12에 도시된 바와 같이, 본 실시예에 따른 룰 관리 장치(10)는 하나 이상의 프로세서(122), 네트워크 인터페이스(126), 스토리지(128) 및 메모리(RAM)(124)를 포함할 수 있다. 프로세서(122), 네트워크 인터페이스(126), 스토리지(128), 메모리(124)는 시스템 버스(120)를 통하여 데이터를 송수신한다.
스토리지(128)에는 복수의 단위 시소러스로 구성된 시소러스(1280), 사용자의 비정형 데이터 입력에 의하여 생성된 룰이 저장되는 룰 저장소(128), 상기 비정형 데이터의 분석에 사용되는 도메인 사전(1284)이 저장된다.
또한, 메모리(124)에는 시소러스를 구축하기 위한 오퍼레이션(1240), 비정형 데이터를 처리하기 위한 오퍼레이션(1242) 및 룰 엔진(1244)이 로드(LOAD) 될 수 있다.
비정형 데이터를 처리하기 위한 오퍼레이션(1242)은 룰(rule)을 표현하는 비정형 데이터를 상기 네트워크 인터페이스를 통하여 사용자로부터 입력받는 오퍼레이션, 상기 비정형 데이터를 분석하는 오퍼레이션, 상기 비정형 데이터의 분석 결과를 이용하여, 상기 룰 관리 장치의 룰 엔진에 의하여 처리될 수 있는 형식의 정형 데이터를 생성하는 오퍼레이션, 상기 스토리지에 저장된 시소러스 중, 룰과 관련된 타겟 시소러스를 참조하여, 상기 정형 데이터 중에서 룰 세팅을 위한 보정 항목을 선정하는 오퍼레이션, 상기 룰 엔진을 이용하여, 상기 선정된 보정 항목이 보완된 상기 정형 데이터를 처리하는 오퍼레이션을 포함할 수 있다.
시소러스를 구축하기 위한 오퍼레이션(1240)은 상기 의료 통계 데이터에 포함된 복수의 검진 항목으로 구성된 검진 항목 그룹 별로, 트리 구조의 단위 시소러스를 구축하는 오퍼레이션, 상기 검진 항목 그룹이 상기 제1 질병의 발병에 미치는 영향력을 가리키는 우선 순위를 상기 단위 시소러스에 부여하는 오퍼레이션을 포함할 수 있다. 이 때, 상기 단위 시소러스를 구축하는 오퍼레이션은, 상기 검진 항목 그룹의 식별자를 루트 노드로 결정하는 오퍼레이션, 상기 검진 항목 그룹에 속한 각 검진 항목을 상기 루트 노드의 자식 노드인, 제1 자식 노드로 결정하는 오퍼레이션, 및 상기 제1 자식 노드에 대응된 검진 항목에 대하여 검진된 검진 결과값을 상기 제1 자식 노드의 자식 노드인, 제2 자식 노드로 결정하는 오퍼레이션을 포함할 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 한정적인 것이 아닌 것으로 이해해야만 한다.

Claims (25)

  1. 룰 관리 장치가, 룰(rule)을 표현하는 비정형 데이터를 제공 받는 단계;
    상기 룰 관리 장치가, 상기 비정형 데이터를 분석하는 단계;
    상기 룰 관리 장치가, 상기 비정형 데이터의 분석 결과를 이용하여, 상기 룰 관리 장치의 룰 엔진에 의하여 처리될 수 있는 형식의 정형 데이터를 생성하는 단계;
    상기 룰 관리 장치가, 상기 룰과 관련된 타겟 시소러스를 참조하여, 상기 정형 데이터 중에서 룰 세팅을 위한 보정 항목을 선정하는 단계; 및
    상기 룰 관리 장치가, 상기 룰 엔진을 이용하여, 상기 선정된 보정 항목이 보완된 상기 정형 데이터를 처리하는 단계를 포함하는,
    비정형 데이터 기반 룰 관리 방법.
  2. 제1 항에 있어서,
    상기 룰 세팅을 위한 보정 항목을 선정하는 단계는,
    상기 비정형 데이터의 분석 결과를 이용하여, 복수의 시소러스 중 상기 타겟 시소러스를 선정하는 단계를 포함하는,
    비정형 데이터 기반 룰 관리 방법.
  3. 제2 항에 있어서,
    복수의 시소러스 중 상기 타겟 시소러스를 선정하는 단계는,
    상기 복수의 시소러스 중, 상기 분석 결과 상기 비정형 데이터에서 추출된 용어와 매칭되는 명칭을 가지고 있는 시소러스를, 상기 타겟 시소러스로 선정하는 단계를 포함하는,
    비정형 데이터 기반 룰 관리 방법.
  4. 제2 항에 있어서,
    상기 룰 관리 장치가, 복수의 시소러스 그룹 중 어느 하나를 사용자로부터 선정받는 단계를 더 포함하고,
    상기 복수의 시소러스 중 상기 타겟 시소러스를 선정하는 단계는,
    상기 복수의 시소러스 중, 상기 분석 결과 상기 비정형 데이터에서 추출된 용어와 매칭되는 명칭을 가지고 있는, 상기 시소러스 그룹의 시소러스를, 상기 타겟 시소러스로 선정하는 단계를 포함하는,
    비정형 데이터 기반 룰 관리 방법.
  5. 제4 항에 있어서,
    상기 복수의 시소러스 그룹은, 의료 분야 시소러스 그룹을 포함하고,
    상기 의료 분야 시소러스 그룹은, 질병의 명칭을 명칭으로 가지는 복수의 시소러스로 구성되는,
    비정형 데이터 기반 룰 관리 방법.
  6. 제1 항에 있어서,
    상기 타겟 시소러스는, 복수의 용어 노드로 구성되는 단위 시소러스를 복수개 포함하고,
    상기 룰 세팅을 위한 보정 항목을 선정하는 단계는,
    상기 비정형 데이터의 분석 결과를 이용하여, 상기 타겟 시소러스의 각 단위 시소러스에 기반한 무결성 체크를 수행 하는 단계; 및
    상기 비정형 데이터의 분석 결과가, 상기 타겟 시소러스의 각 단위 시소러스 중 제1 단위 시소러스에 기반한 무결성 체크를 통과하지 못한 경우, 상기 제1 단위 시소러스를 상기 보정 항목으로 선정하는 단계를 포함하는,
    비정형 데이터 기반 룰 관리 방법.
  7. 제6 항에 있어서,
    상기 룰 세팅을 위한 보정 항목을 선정하는 단계는,
    상기 보정 항목에 대응되는 단위 시소러스의 상위 개념 용어-하위 개념 용어 간 연관성을 이용하여, 상기 보정 항목에 대응되는 단위 시소러스에 포함된 용어 중, 상기 보정 항목을 보완하기 위한 용어를 추천하는 GUI를 제공하는 단계를 더 포함하는,
    비정형 데이터 기반 룰 관리 방법.
  8. 제6 항에 있어서,
    상기 타겟 시소러스의 각 단위 시소러스에 기반한 무결성 체크를 수행 하는 단계는,
    상기 단위 시소러스에 포함된 용어가 상기 비정형 데이터에서 추출되지 않은 경우, 상기 단위 시소러스에 기반한 상기 무결성 체크를 통과하지 못한 것으로 판정하는 단계를 포함하는,
    비정형 데이터 기반 룰 관리 방법.
  9. 제8 항에 있어서,
    상기 룰 세팅을 위한 보정 항목을 선정하는 단계는,
    상기 보정 항목에 대한 정보를 표시하는 보완 가이드 표시 영역 및 상기 보정 항목에 대한 정보를 입력 받기 위한 입력 영역을 포함하는 GUI를 제공하는 단계를 더 포함하는,
    비정형 데이터 기반 룰 관리 방법.
  10. 제8 항에 있어서,
    상기 각각의 단위 시소러스는 우선 순위를 가지고,
    상기 타겟 시소러스의 각 단위 시소러스에 기반한 무결성 체크를 수행 하는 단계는,
    상기 타겟 시소러스의 각 단위 시소러스 중, 상기 우선 순위가 기준치 이상인 단위 시소러스에 한하여 상기 무결성 체크를 수행하는 단계를 포함하는,
    비정형 데이터 기반 룰 관리 방법.
  11. 제6 항에 있어서,
    상기 타겟 시소러스의 각 단위 시소러스에 기반한 무결성 체크를 수행 하는 단계는,
    상기 단위 시소러스에 포함된 용어 대신 그 유사어만 상기 비정형 데이터에서 추출된 경우에 한하여 상기 단위 시소러스에 기반한 상기 무결성 체크를 통과하지 못한 것으로 판정하는 단계를 포함하는,
    비정형 데이터 기반 룰 관리 방법.
  12. 제11 항에 있어서,
    상기 룰 세팅을 위한 보정 항목을 선정하는 단계는,
    상기 비정형 데이터 중 상기 단위 시소러스에 포함된 용어의 유사어를 가리키는 인디케이터 및 상기 인디케이터 표시 부분에 대한 보완 입력을 위한 입력 영역을 포함하는 GUI를 제공하는 단계를 더 포함하는,
    비정형 데이터 기반 룰 관리 방법.
  13. 제1 항에 있어서,
    상기 룰 관리 장치가, 상기 타겟 시소러스를 참조하여, 자동으로 상기 보정 항목을 보완하는 단계를 더 포함하는,
    비정형 데이터 기반 룰 관리 방법.
  14. 제13 항에 있어서,
    상기 타겟 시소러스는, 복수의 용어 노드로 구성되는 단위 시소러스를 복수개 포함하고,
    상기 각각의 단위 시소러스는 우선 순위를 가지고,
    상기 룰 세팅을 위한 보정 항목을 선정하는 단계는,
    상기 비정형 데이터의 분석 결과를 이용하여, 상기 타겟 시소러스의 각 단위 시소러스에 기반한 무결성 체크를 수행 하는 단계; 및
    상기 비정형 데이터의 분석 결과가, 상기 타겟 시소러스의 각 단위 시소러스 중 제1 단위 시소러스에 기반한 무결성 체크를 통과하지 못한 경우, 상기 제1 단위 시소러스를 상기 보정 항목으로 선정하는 단계를 포함하고,
    상기 자동으로 상기 보정 항목을 보완하는 단계는,
    상기 보정 항목에 대응되는 단위 시소러스의 우선 순위가 기준치 이하인 경우에 한하여, 자동으로 상기 보정 항목을 보완하는 단계를 포함하는,
    비정형 데이터 기반 룰 관리 방법.
  15. 제13 항에 있어서,
    상기 타겟 시소러스는, 복수의 용어 노드로 구성되는 단위 시소러스를 복수개 포함하고,
    상기 각각의 단위 시소러스는 우선 순위를 가지고,
    상기 룰 세팅을 위한 보정 항목을 선정하는 단계는,
    상기 비정형 데이터의 분석 결과를 이용하여, 상기 타겟 시소러스의 각 단위 시소러스에 기반한 무결성 체크를 수행 하는 단계; 및
    상기 비정형 데이터의 분석 결과가, 상기 타겟 시소러스의 각 단위 시소러스 중 제1 단위 시소러스에 기반한 무결성 체크를 통과하지 못한 경우, 상기 제1 단위 시소러스를 상기 보정 항목으로 선정하는 단계를 포함하고,
    상기 자동으로 상기 보정 항목을 보완하는 단계는,
    상기 보정 항목에 대응되는 단위 시소러스의 상위 개념 용어-하위 개념 용어 간 연관성을 이용하여, 상기 보정 항목에 대응되는 단위 시소러스에 포함된 용어 중, 상기 보정 항목을 보완하기 위한 용어를 선정하는 단계를 포함하는,
    비정형 데이터 기반 룰 관리 방법.
  16. 제1 항에 있어서,
    상기 비정형 데이터는 자연어 텍스트이고,
    상기 비정형 데이터를 분석하는 단계는,
    상기 비정형 데이터를 자연어 처리 프로세스를 통하여 분석하는 단계를 포함하고,
    상기 룰은 의료용 룰(clinical rule)인,
    비정형 데이터 기반 룰 관리 방법.
  17. 제16 항에 있어서,
    상기 타겟 시소러스는, 상기 자연어 텍스트의 분석 결과 추출 된 병명에 대응하는 시소러스인,
    비정형 데이터 기반 룰 관리 방법.
  18. 네트워크 인터페이스;
    하나 이상의 프로세서;
    상기 프로세서에 의하여 수행 되는 컴퓨터프로그램을 로드(load) 하는 메모리; 및
    시소러스의 데이터를 저장하는 스토리지를 포함하되,
    상기 컴퓨터프로그램은,
    룰(rule)을 표현하는 비정형 데이터를 상기 네트워크 인터페이스를 통하여 사용자로부터 입력받는 오퍼레이션;
    상기 비정형 데이터를 분석하는 오퍼레이션;
    상기 비정형 데이터의 분석 결과를 이용하여, 상기 룰 관리 장치의 룰 엔진에 의하여 처리될 수 있는 형식의 정형 데이터를 생성하는 오퍼레이션;
    상기 스토리지에 저장된 시소러스 중, 룰과 관련된 타겟 시소러스를 참조하여, 상기 정형 데이터 중에서 룰 세팅을 위한 보정 항목을 선정하는 오퍼레이션; 및
    상기 룰 엔진을 이용하여, 상기 선정된 보정 항목이 보완된 상기 정형 데이터를 처리하는 오퍼레이션을 포함하는,
    룰 관리 장치.
  19. 제1 질병의 발병자들의 각 검진 항목 별 검진 결과값을 포함하는 의료 통계 데이터를 이용한, 제1 질병의 시소러스 생성 방법에 있어서,
    상기 의료 통계 데이터에 포함된 복수의 검진 항목으로 구성된 검진 항목 그룹 별로, 트리 구조의 단위 시소러스를 구축하는 단계; 및
    상기 검진 항목 그룹이 상기 제1 질병의 발병에 미치는 영향력을 가리키는 우선 순위를 상기 단위 시소러스에 부여하는 단계를 포함하되,
    상기 단위 시소러스를 구축하는 단계는,
    상기 검진 항목 그룹의 식별자를 루트 노드로 결정하는 단계;
    상기 검진 항목 그룹에 속한 각 검진 항목을 상기 루트 노드의 자식 노드인, 제1 자식 노드로 결정하는 단계; 및
    상기 제1 자식 노드에 대응된 검진 항목에 대하여 검진된 검진 결과값을 상기 제1 자식 노드의 자식 노드인, 제2 자식 노드로 결정하는 단계를 포함하는,
    질병 시소러스 생성 방법.
  20. 제19 항에 있어서,
    상기 제1 자식 노드와, 상기 제2 자식 노드 각각은 빈도를 가지고,
    상기 단위 시소러스를 구축하는 단계는,
    각각의 제1 자식 노드의 빈도가 상기 제1 자식 노드 전체의 빈도 합산치에서 차지하는 비율을 상기 루트 노드와 상기 제1 자식 노드 사이의 연관성으로 결정하는 단계; 및
    각각의 제2 자식 노드의 빈도가 상기 제1 자식 노드의 모든 자식 노드의 빈도를 합산한 수치에서 차지하는 비율을 상기 제1 자식 노드와 상기 제2 자식 노드 사이의 연관성으로 결정하는 단계를 포함하되,
    상기 제1 자식 노드의 빈도는, 상기 의료 통계 데이터에서, 상기 제1 자식 노드가 가리키는 검진 항목에 비정상 검진 결과값이 기록된 발병자의 수를 가리키고,
    상기 제2 자식 노드의 빈도는, 상기 의료 통계 데이터에서, 상기 제2 자식 노드가 가리키는 검진 결과값이 측정된 발병자의 수를 가리키는,
    질병 시소러스 생성 방법.
  21. 제20 항에 있어서,
    상기 단위 시소러스를 구축하는 단계는,
    상기 제1 자식 노드와 제2 자식 노드 사이의 연관성 값 범위가 한계치 미만으로 좁게 형성되는 경우, 상기 제1 자식 노드의 모든 자식 노드를 상기 단위 시소러스에서 삭제하는 단계를 더 포함하는,
    질병 시소러스 생성 방법.
  22. 제20 항에 있어서,
    상기 단위 시소러스를 구축하는 단계는,
    상기 제1 자식 노드의 전체 자식 노드들의 빈도 합산 치를, 상기 제1 자식 노드의 전체 자식 노드들의 빈도 중 최대치로 나눈 값을, 상기 제1 자식 노드의 자식 노드 개수로 다시 나눈 값이, 기 지정된 기준치 이하인 경우, 상기 제1 자식 노드의 모든 자식 노드를 상기 단위 시소러스에서 삭제하는 단계를 더 포함하는,
    질병 시소러스 생성 방법.
  23. 제19 항에 있어서,
    상기 의료 통계 데이터에 포함된 상기 발병자들의 상기 검진 항목 그룹의 검진 결과값들을 이용하여 밀도 기반 클러스터링을 수행하는 단계;
    상기 밀도 기반 클러스터링의 결과 형성된 클러스터의 중심점과, 정상 수치의 중심점 사이의 거리를 연산하는 단계; 및
    상기 거리가 클 수록 상기 우선 순위가 높아지도록 상기 우선 순위를 상기 단위 시소러스에 부여하는 단계를 포함하는,
    질병 시소러스 생성 방법.
  24. 제19 항에 있어서,
    상기 제1 질병의 시소러스에 액션에 대한 단위 시소러스 및 주체에 대한 단위 시소러스를 포함시키는 단계를 더 포함하는,
    질병 시소러스 생성 방법.
  25. 제1 질병의 발병자들의 각 검진 항목 별 검진 결과값을 포함하는 의료 통계 데이터를 이용한, 제1 질병의 시소러스를 생성하는 장치에 있어서,
    상기 의료 통계 데이터에 억세스 하는 네트워크 인터페이스;
    하나 이상의 프로세서;
    상기 프로세서에 의하여 수행 되는 상기 제1 질병의 시소러스 생성용 컴퓨터프로그램을 로드(load) 하는 메모리; 및
    상기 제1 질병의 시소러스를 저장하는 스토리지를 포함하되,
    상기 컴퓨터프로그램은,
    상기 의료 통계 데이터에 포함된 복수의 검진 항목으로 구성된 검진 항목 그룹 별로, 트리 구조의 단위 시소러스를 구축하는 오퍼레이션; 및
    상기 검진 항목 그룹이 상기 제1 질병의 발병에 미치는 영향력을 가리키는 우선 순위를 상기 단위 시소러스에 부여하는 오퍼레이션을 포함하되,
    상기 단위 시소러스를 구축하는 오퍼레이션은,
    상기 검진 항목 그룹의 식별자를 루트 노드로 결정하는 오퍼레이션;
    상기 검진 항목 그룹에 속한 각 검진 항목을 상기 루트 노드의 자식 노드인, 제1 자식 노드로 결정하는 오퍼레이션; 및
    상기 제1 자식 노드에 대응된 검진 항목에 대하여 검진된 검진 결과값을 상기 제1 자식 노드의 자식 노드인, 제2 자식 노드로 결정하는 오퍼레이션을 포함하는,
    룰 관리 장치.
PCT/KR2015/011777 2015-05-28 2015-11-04 비정형 데이터 기반 룰 관리 방법 및 그 장치 Ceased WO2016190495A1 (ko)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
KR10-2015-0074761 2015-05-28
KR1020150074761A KR101716692B1 (ko) 2015-05-28 2015-05-28 비정형 데이터 기반 룰 관리 방법 및 그 장치

Publications (1)

Publication Number Publication Date
WO2016190495A1 true WO2016190495A1 (ko) 2016-12-01

Family

ID=57392854

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/KR2015/011777 Ceased WO2016190495A1 (ko) 2015-05-28 2015-11-04 비정형 데이터 기반 룰 관리 방법 및 그 장치

Country Status (4)

Country Link
US (1) US20160350359A1 (ko)
KR (1) KR101716692B1 (ko)
CN (1) CN106202854A (ko)
WO (1) WO2016190495A1 (ko)

Families Citing this family (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP7575946B2 (ja) 2018-03-01 2024-10-30 コモンウェルス サイエンティフィック アンド インダストリアル リサーチ オーガナイゼーション 物体監視システム
US11258817B2 (en) * 2018-10-26 2022-02-22 Tenable, Inc. Rule-based assignment of criticality scores to assets and generation of a criticality rules table
US10902198B2 (en) 2018-11-29 2021-01-26 International Business Machines Corporation Generating rules for automated text annotation
US11792197B1 (en) * 2019-02-15 2023-10-17 DataVisor, Inc. Detecting malicious user accounts of an online service using major-key-shared-based correlation
CN110727745A (zh) * 2019-04-24 2020-01-24 中国科学院地理科学与资源研究所 一种基于叙词表的词汇相关度计算方法及装置
CN110489686A (zh) * 2019-08-30 2019-11-22 深圳壹账通智能科技有限公司 一种数据分析方法、装置及终端
US12314794B2 (en) 2019-08-30 2025-05-27 Commonwealth Scientific And Industrial Research Organisation Object monitoring
KR102716816B1 (ko) * 2021-11-15 2024-10-14 (주)미소정보기술 비정형 데이터를 정형화 시 사용되는 규칙을 생성하는 기법
KR20250031372A (ko) 2023-08-28 2025-03-07 한솔코에버 주식회사 에너지 최적화를 위한 룰 관리 시스템

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO1999021110A1 (en) * 1997-10-22 1999-04-29 Glaxo Group Ltd. Computer thesaurus manager
US20080201280A1 (en) * 2007-02-16 2008-08-21 Huber Martin Medical ontologies for machine learning and decision support
US20100262620A1 (en) * 2009-04-14 2010-10-14 Rengaswamy Mohan Concept-based analysis of structured and unstructured data using concept inheritance
US20150081321A1 (en) * 2013-09-18 2015-03-19 Mobile Insights, Inc. Methods and systems of providing prescription reminders
US20150112709A1 (en) * 2006-07-24 2015-04-23 Webmd, Llc Method and system for enabling lay users to obtain relevant, personalized health related information

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
AU2009240872B2 (en) * 2008-11-27 2015-07-16 Yeong Kuang Oon Method for implementing a medical informatics system based on a computer executable health narrative coding system
US8572013B1 (en) * 2010-03-30 2013-10-29 Amazon Technologies, Inc. Classification of items with manual confirmation
US9940387B2 (en) * 2011-07-28 2018-04-10 Lexisnexis, A Division Of Reed Elsevier Inc. Search query generation using query segments and semantic suggestions
KR20140077783A (ko) 2012-12-14 2014-06-24 한국전자통신연구원 어휘의 의미 태깅 레벨 정의 장치 및 그 방법
US20140365239A1 (en) * 2013-06-05 2014-12-11 Nuance Communications, Inc. Methods and apparatus for facilitating guideline compliance

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO1999021110A1 (en) * 1997-10-22 1999-04-29 Glaxo Group Ltd. Computer thesaurus manager
US20150112709A1 (en) * 2006-07-24 2015-04-23 Webmd, Llc Method and system for enabling lay users to obtain relevant, personalized health related information
US20080201280A1 (en) * 2007-02-16 2008-08-21 Huber Martin Medical ontologies for machine learning and decision support
US20100262620A1 (en) * 2009-04-14 2010-10-14 Rengaswamy Mohan Concept-based analysis of structured and unstructured data using concept inheritance
US20150081321A1 (en) * 2013-09-18 2015-03-19 Mobile Insights, Inc. Methods and systems of providing prescription reminders

Also Published As

Publication number Publication date
CN106202854A (zh) 2016-12-07
US20160350359A1 (en) 2016-12-01
KR20160139590A (ko) 2016-12-07
KR101716692B1 (ko) 2017-03-15

Similar Documents

Publication Publication Date Title
US11942221B2 (en) Disambiguation of ambiguous portions of content for processing by automated systems
US10614196B2 (en) System for automated analysis of clinical text for pharmacovigilance
US12272434B2 (en) Deduplication of medical concepts from patient information
US8700589B2 (en) System for linking medical terms for a medical knowledge base
KR101716692B1 (ko) 비정형 데이터 기반 룰 관리 방법 및 그 장치
Thukral et al. Knowledge graph enrichment from clinical narratives using NLP, NER, and biomedical ontologies for healthcare applications
CN111801741B (zh) 不良药物反应分析
US9965548B2 (en) Analyzing natural language questions to determine missing information in order to improve accuracy of answers
Bui et al. Extracting causal relations on HIV drug resistance from literature
US20200342054A1 (en) Traversal-based sentence span judgements
WO2024090712A1 (ko) 공감대 형성을 통한 심리 치료용 인공지능 대화 시스템
US11544312B2 (en) Descriptor uniqueness for entity clustering
US20190198138A1 (en) Automatic Expansion of Medically Relevant Summarization Templates Using Semantic Expansion
CN120452745A (zh) 基于大模型智能体与多知识库的急诊辅助决策系统
Van De Burgt et al. Development of a text mining algorithm for identifying adverse drug reactions in electronic health records
James et al. Artificial intelligence in the genetic diagnosis of rare disease
US20190206572A1 (en) Presenting Contextually Relevant Patient Data in Relation to Other Patients to a Medical Professional
Almeida et al. Multi-language concept normalisation of clinical cohorts
Doan et al. Towards role-based filtering of disease outbreak reports
Hu et al. Review protocol: a scoping review of natural language processing technologies for public health in Africa
WO2024106626A1 (ko) 인공지능 기반의 대화형 질의 응답 시스템
Ramanan et al. Dense annotation of free-text critical care discharge summaries from an Indian hospital and associated performance of a clinical NLP annotator
Li et al. INSIGHTFUL: insight generation through clinical annotation, analysis and modelling of suicide-related factors towards understanding and lifesaving
WO2026054602A1 (ko) Sql 쿼리 생성 방법 및 시스템
Cardillo et al. Towards the Development of a Web Support System for Improving Accuracy in Coding Discharge Diagnosis

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: 15893447

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: 15893447

Country of ref document: EP

Kind code of ref document: A1