WO2020116942A1 - 피검체의 위험도를 평가하여 상기 위험도에 따라 상기 피검체를 분류하는 방법 및 이를 이용한 장치 - Google Patents

피검체의 위험도를 평가하여 상기 위험도에 따라 상기 피검체를 분류하는 방법 및 이를 이용한 장치 Download PDF

Info

Publication number
WO2020116942A1
WO2020116942A1 PCT/KR2019/017048 KR2019017048W WO2020116942A1 WO 2020116942 A1 WO2020116942 A1 WO 2020116942A1 KR 2019017048 W KR2019017048 W KR 2019017048W WO 2020116942 A1 WO2020116942 A1 WO 2020116942A1
Authority
WO
WIPO (PCT)
Prior art keywords
data
risk
subject
computing device
classification
Prior art date
Application number
PCT/KR2019/017048
Other languages
English (en)
French (fr)
Inventor
이영남
Original Assignee
주식회사 뷰노
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 주식회사 뷰노 filed Critical 주식회사 뷰노
Priority to JP2021530324A priority Critical patent/JP7165266B2/ja
Priority to US17/295,880 priority patent/US20220012634A1/en
Publication of WO2020116942A1 publication Critical patent/WO2020116942A1/ko

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/217—Validation; Performance evaluation; Active pattern learning techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/243—Classification techniques relating to the number of classes
    • G06F18/2431—Multiple classes
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques
    • G06F18/251—Fusion techniques of input or preprocessed data
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/047—Probabilistic or stochastic networks
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H10/00—ICT specially adapted for the handling or processing of patient-related medical or healthcare data
    • G16H10/60—ICT specially adapted for the handling or processing of patient-related medical or healthcare data for patient-specific data, e.g. for electronic patient records
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/30—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for calculating health indices; for individual health risk assessment
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/70—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for mining of medical data, e.g. analysing previous cases of other patients
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/048—Activation functions

Definitions

  • the present disclosure discloses a method for classifying the subject according to the risk by evaluating the risk of the subject and a computing device using the same.
  • the computing device acquires integrated data of the subject, wherein the integrated data is digitized data as patient data of the subject or processed data thereof, and thereafter, The result of the classification is generated as a result of evaluating the risk by applying the integrated data to a machine learning model for evaluating the subject's risk, and the generated classification result is provided to an external entity. .
  • the mortality rate of critically ill patients who are retransmitted after arriving at the emergency room is four times higher.
  • the emergency room ward limit is about 40% and the medical staff shortage is about 32%.
  • this disclosure intends to propose a risk-based subject classification method that enables patients at high risk to receive preferential treatment as a way to enable more accurate and rapid classification of emergency room patients.
  • priority of appropriate medical treatment such as medical treatment, may be set based on a risk that can lead to fatal symptoms of the subject, or a hospital, etc. in which transportation is desirable may be selected. It aims to be.
  • an object of the present invention is to enable quick classification of patients by using objective data.
  • a method for evaluating a subject's risk and classifying the subject according to the risk comprising: (a) a computing device acquires integrated data of the subject Or assisting another device linked to the computing device to obtain, wherein the integrated data includes digitized data as patient data or the processed data of the subject; (b) the computing device generates the result of the classification as a result of evaluating the risk by applying the integrated data to a machine learning model for evaluating the risk of the subject or causing the other device to generate To assist; And (c) the computing device providing the generated classification result to an external entity or assisting the other device to provide the classification result.
  • the method further includes (d) supporting the computing device to update the machine learning model or to cause the other device to update, based on the information evaluating the classification result.
  • a computer program comprising instructions implemented to perform the method according to the present invention is also provided.
  • a computing device for classifying the subject according to the risk by evaluating the risk of the subject
  • the computing device comprising: a communication unit that acquires integrated data of the subject; And (i) applying the integrated data to a machine learning model for risk assessment of the subject to generate a result of the classification as a result of evaluating the risk, and (ii) the generated classification.
  • It includes a processor that performs a process of providing a result to an external entity or supports another device to be interlocked through the communication unit, and the integrated data is quantified as patient data of the subject or processed data thereof. Data.
  • the processor of the computing device further performs a process of updating the machine learning model based on information evaluating the classification result, or assists the other device to further perform the process.
  • the patient compared to a method in which a medical expert judges and classifies a patient's risk based on experience or knowledge, the patient is treated according to the likelihood of certain symptoms such as fatal symptoms appearing more quickly. It has the effect of being classified. That is, it is possible to determine the patient's risk at the medical site and set the priority of the treatment or recommend a hospital room or hospital suitable for the patient's risk.
  • FIG. 1 is a diagram illustrating a main concept to describe a recurrent neural network (RNN) as an example of a machine learning model used in an embodiment of the present invention.
  • RNN recurrent neural network
  • risk-based subject classification method is an example of a computing device performing a method of classifying the subject according to the risk by evaluating the risk of the subject according to an embodiment of the present invention (hereinafter referred to as "risk-based subject classification method") It is a conceptual diagram schematically showing the configuration.
  • FIG. 3 is a conceptual diagram exemplarily showing a hardware and software architecture of a computing device performing a risk-based subject classification method according to an embodiment of the present invention.
  • FIG. 4 is a first exemplary diagram for illustrating the integration of patient data performed in an embodiment of the present invention.
  • FIG. 5 is a second exemplary diagram for illustrating the integration of patient data performed in an embodiment of the present invention.
  • FIG. 6 is a conceptual diagram illustrating a method of generating similar predetermined symptom occurrence data using generative adversarial networks (GAN) in an embodiment of the present invention.
  • GAN generative adversarial networks
  • FIG. 7 is a flowchart exemplarily showing each step of a risk-based subject classification method according to an embodiment of the present invention.
  • first or second may be used to describe various components, but these terms should be interpreted only for the purpose of distinguishing one component from other components.
  • first component may be referred to as the second component, and similarly, the second component may also be referred to as the first component.
  • 'learning' or'learning' is a term referring to performing machine learning through computing according to a procedure, and is a mental such as human educational activity. Those skilled in the art will understand that it is not intended to refer to action.
  • the term'patient data' and variations thereof are body data, that is, text evaluating the user's body or various types of data measured from the user's body, such as a living body.
  • patient data that may be provided includes body weight, body fat percentage, skeletal muscle mass, body fat mass, body water content, fat-free mass (FFM), fat mass/height 2 (FFMI), and skeletal muscle mass/height 2 ), BFMI (body fat/height 2 ), BMI (body weight/height 2 ), ASM (leg and arm muscle mass), PBF (body fat/weight) and blood pressure.
  • FFM fat-free mass
  • FFMI fat mass/height 2
  • BFMI body fat/height 2
  • BMI body weight/height 2
  • ASM leg and arm muscle mass
  • PBF body fat/weight
  • biosignal' is a general meaning only referring to measurements of a subject's body temperature, electrocardiogram, respiration, pulse, blood pressure, oxygen saturation, skin conductivity, etc. It should not be interpreted as being limited, but should be understood to include the amount, concentration, etc. of specific substances in biological samples obtainable through EEG signals and other measurements.
  • the'biological sample' should be understood as various kinds of substances that can be collected from a subject, such as blood, serum, urine, lymph fluid, cerebrospinal fluid, saliva, semen, and vaginal fluid.
  • the word'fatal symptoms' and variations thereof are not limited to cardiac arrest, which is an example of an object to which the present invention is applied, sepsis, etc.
  • cardiac arrest which is an example of an object to which the present invention is applied
  • sepsis etc.
  • the word'specific symptoms' and its variations are terms that refer to a variety of symptoms that can be significantly identified in clinical practice, including fatal symptoms.
  • the present invention encompasses all possible combinations of the embodiments indicated herein. It should be understood that the various embodiments of the present invention are different, but need not be mutually exclusive. For example, the specific shapes, structures, and properties described herein may be implemented in other embodiments without departing from the spirit and scope of the invention in relation to one embodiment. In addition, it should be understood that the location or arrangement of individual components within each disclosed embodiment can be changed without departing from the spirit and scope of the invention. Therefore, the following detailed description is not intended to be taken in a limiting sense, and the scope of the present invention, if appropriately described, is limited only by the appended claims, along with all ranges equivalent to those claimed. In the drawings, similar reference numerals refer to the same or similar functions throughout several aspects.
  • FIG. 1 is a diagram illustrating a main concept to describe a cyclic neural network as an example of a machine learning model used in an embodiment of the present invention.
  • a deep neural network model of a machine learning model used in the present invention can be briefly described as a multi-layered artificial neural network.
  • this is a deep structured network and is expressed as a deep neural network or a deep neural network.
  • the characteristics of each data to be analyzed and the targets to be analyzed It is a machine learning model that automatically learns the relationship between data and, through this, performs learning in a manner that minimizes an error of an objective function, that is, a prediction result of a given symptom.
  • a recurrent neural network may be used when analyzing time-series data sequentially input as illustrated in FIG. 1.
  • This deep neural network has a structure that finds the characteristics of data according to the time sequence and selects and reflects the main characteristics to be referenced when analyzing the current viewpoint from the characteristics of the previous viewpoint. For example, referring to FIG. 1, when this deep neural network analyzes data input at time t+1, the corresponding data can be analyzed through learning that reflects the main characteristics analyzed at time t-1 and time t. have.
  • the present invention has an advantage that can be used to evaluate the patient's risk through the prediction of certain symptoms by extracting changes over time using the structure of the circulatory neural network.
  • a chronological sequence, a flow of time, or a cyclic neural network developed along a time axis can be understood as a deep neural network having an infinite number of layers.
  • x t denotes an input vector at time t
  • s t refers to a hidden state at the time t (ie, memory of the neural network).
  • y is indicated by o in FIG. 1.
  • f refers to an activation function (eg, tanh() and ReLU function)
  • U, V, and W refer to parameters of a neural network.
  • U, V, and W are parameters that are equally shared over all stages of a viewpoint in a circulatory neural network, unlike in a forward-forward neural network.
  • g is an activation function for the output layer (typically there is a softmax function)
  • y refers to the output vector of the neural network at time t. An embodiment of the present disclosure using such a circulating neural network will be described later in detail.
  • FIG. 2 is a conceptual diagram schematically showing an exemplary configuration of a computing device that performs a risk-based subject classification method according to an embodiment of the present invention.
  • the computing device 200 includes a communication unit 210 and a processor 220, and directly or indirectly with an external computing device (not shown) through the communication unit 210. Can communicate with the enemy.
  • the computing device 200 may include typical computer hardware (eg, a computer, a processor, memory, storage, an input device and an output device, other devices that may include components of an existing computing device; a router) , Electronic communication devices such as switches, electronic information storage systems such as network-attached storage (NAS) and storage area networks (SAN), and computer software (ie, computing devices in a particular way) It may be to achieve the desired system performance by using a combination of commands).
  • the storage may include a storage device such as a hard disk and a universal serial bus (USB) memory, as well as a storage device based on a network connection such as a cloud server.
  • USB universal serial bus
  • the communication unit 210 of such a computing device can transmit and receive requests and responses between other interlocked computing devices.
  • requests and responses are performed by the same transmission control protocol (TCP) session.
  • TCP transmission control protocol
  • UDP user datagram protocol
  • the communication unit 210 may be implemented in the form of a communication module including a communication interface.
  • the communication interface includes wireless LAN (WLAN), wireless fidelity (WiFi) Direct, digital living network alliance (DLNA), wireless broadband (Wibro), world interoperability for microwave access (Wimax), high speed downlink packet access (HSDPA), etc.
  • WLAN wireless LAN
  • WiFi wireless fidelity
  • DLNA digital living network alliance
  • Wibro wireless broadband
  • Wimax wireless broadband
  • HSDPA high speed downlink packet access
  • BluetoothTM wireless internet interface and short-range communication interfaces
  • RFID radio frequency identification
  • IrDA infrared data association
  • UWB ultra-wideband
  • ZigBee ZigBee
  • NFC near field communication
  • the communication interface may represent any interface (eg, a wired interface) capable of communicating with the outside.
  • the communication unit 210 may obtain a user's biosignal, body data such as blood test data, and patient data including non-body data, etc. from an external device through a suitable communication interface.
  • the communication unit 210 may include or be interlocked with a keyboard, a mouse, other external input devices, a printing device, a display, and other external output devices for receiving commands or instructions.
  • the processor 220 of the computing device is a micro processing unit (MPU), a central processing unit (CPU), a graphics processing unit (GPU), a neural processing unit (NPU) or a tensor processing unit (TPU), a cache memory ), and a data bus. Also, it may further include a software configuration of an operating system and an application performing a specific purpose.
  • FIG. 3 is a conceptual diagram exemplarily showing a hardware and software architecture of a computing device performing a risk-based subject classification method according to an embodiment of the present invention.
  • the computing device 200 may include a data acquisition module 310 as one component thereof.
  • a data acquisition module 310 may be realized by a person skilled in the art that the communication unit 210 included in the computing device 200 may be implemented by interworking with the communication unit 210 and the processor 220. will be.
  • the data acquisition module 310 may include patient data of the subject, such as body data such as bio signals and blood test data, and various data related to the subject to patient handling, such as the type, location, and other adjacent medical institutions of the medical institution in which the patient is located.
  • patient data of the subject such as body data such as bio signals and blood test data
  • various data related to the subject to patient handling such as the type, location, and other adjacent medical institutions of the medical institution in which the patient is located.
  • Non-physical data including the location of the patient or the distance to the patient, can be obtained.
  • EMR electronic medical record
  • the above patient data may be delivered to the patient information integration module 320.
  • the data integration module 320 numerical data included in the patient data and text-representable data are integrated to generate numerically integrated data.
  • the data that can be expressed as text may include text itself or voice data. Needless to say, clinical notes and prescriptions are included in the textual data.
  • the biosignal is expressed as a numerical value
  • the initial patient data is expressed in various forms, such as the main chief complaint as textually expressible data, which is easily used for machine learning. In order to do so, it is preferable to modify it so that it is expressed in the same form.
  • the data integration is as follows.
  • FIG. 4 is a first exemplary diagram for illustrating the integration of patient data performed in an embodiment of the present invention
  • FIG. 5 is a second exemplary diagram for illustrating the integration of patient data.
  • categorization data 410 which is categorized data 410.
  • information of the regional emergency center may first be expressed as categorization data 410, which is categorized data 410.
  • categorization data 410 may be represented by the numerical form 420.
  • a word embedding technique such as word2vec technique, may be used as a method of processing text data into categorization data 410 and categorization data 410 into a numerical value 420.
  • FIG. 4 also shows an example in which the information of a regional emergency center, which is another example of text data, is expressed as categorization data 430 and the categorization data 430 is processed into a numeric form 440 again.
  • the text data may include not only one word, but multiple words, in this case, the categorization and the numerical form processing may be performed for each word included in the text data.
  • the regional emergency center is represented by the data 520 of the 4x1 matrix through the categorization 510, while the heart rate 530 can be expressed by 1x1.
  • the heart rate can be expressed as a class of 0.00 to 0.25, a class of 0.25 to 0.50, a class of 0.50 to 0.75, and a class of 0.75 to 1.00.
  • heart rate 0.7 is categorized (0, 0 , 1, 0) T (540).
  • the categorized data can be converted back to the numeric form 550, and one method of such conversion may include word embedding and the like as described above.
  • the heart rate shown in FIG. 5 is a value scaled (or normalized) to have a value of 0 to 1.0, which is adapted as an input/output value of machine learning, particularly an artificial neural network. May be scaled to have a value from 0 to 1.0.
  • the integrated data in the form of a numerical value may be transmitted to the machine learning based prediction module 340 for evaluating the risk of the subject as numerical data as the patient data or the processed data of the subject, and machine learning based prediction
  • the module 340 functions to generate a classification result as a result of evaluating the risk of the subject, and a detailed process will be described later.
  • the training module 330 for training of the machine learning-based prediction module 340 may receive and use the provided integrated data, but in this case, most of the integrated data may be discharged from the emergency room (because it is normal).
  • the integrated data of high-risk patients has a small number of problems, a so-called data imbalance problem, and the machine learning model is placed in a situation where the data is trained around normal data.
  • the training module 330 takes a method that allows the patient to consider sufficiently more integrated data of patients at high risk, for example, a predetermined symptom such as cardiac arrest. Specifically, the training module 330, by adjusting the sample ratio (sample ratio) of the input integrated data, initially learning only the predetermined symptom-occurrence data or after learning mainly the predetermined symptom-occurrence data, and the predetermined symptom-occurrence data Normal data can be learned at the same or similar rates simultaneously.
  • Means for obtaining real-world data can include various means well known to those skilled in the art, including generative adversarial networks, variable autoencoders, and the like.
  • the specific configuration of the generative hostile neural network is Goodfellow, Ian J.; Pouget-Abadie, Jean; Mirza, Mehdi; Xu, Bing; Warde-Farley, David; Ozair, Sherjil; Courville, Aaron; Bengio, Yoshua (2014).
  • Genes for obtaining real-world data can include various means well known to those skilled in the art, including generative adversarial networks, variable autoencoders, and the like.
  • the specific configuration of the generative hostile neural network is Goodfellow, Ian J.; Pouget-Abadie, Jean; Mirza, Mehdi; Xu, Bing; Warde-Farley, David; Ozair, Sherjil; Courville, Aaron; Bengio, Yoshua (2014).
  • Geneative Adversarial Networks As described in "Generative Adversa
  • FIG. 6 is a diagram conceptually illustrating a method of generating similar predetermined symptom occurrence data using such generative adversarial networks (GAN) in an embodiment of the present invention.
  • GAN generative adversarial networks
  • the generative hostile neural network (GAN) included in the training module 330 in this embodiment includes a generator (332) and a discriminator (334). While the generator has a goal of receiving a predetermined label and generating similar predetermined symptom occurrence data that is similar to the real on the basis of this, the discriminator aims to deceive the discriminator to determine the similar predetermined symptom occurrence data as actual predetermined symptom occurrence data. The goal is to distinguish between the predetermined symptom occurrence data and the generated similar predetermined symptom occurrence data. In the course of learning by this GAN, the generator and the discriminator update the neural network weights to achieve each goal. After sufficient training, the generator generates similar symptoms symptoms data similar to the real one, and the discriminator It has been found that the discrimination rate converges theoretically to 0.5.
  • the generator sufficiently learned by the GAN generates data close to the actual predetermined symptom occurrence data (that is, similar predetermined symptom occurrence data), thereby solving data imbalance and simultaneously learning predetermined symptom occurrence data and normal data.
  • the desired sample rate can be obtained. This is because the generator can generate enough data to generate similar symptoms similar to those of the actual data.
  • the update module 350 pre-trains the machine learning-based prediction module 340 (or, more precisely, the machine learning model employed in the machine learning module) used for prediction of a predetermined symptom of the subject, or
  • the function of updating the machine learning model is based on the information evaluated by the medical staff (such as medical staff) according to the performance of the method of the present invention.
  • FIG. 7 is a flowchart exemplarily illustrating a risk-based subject classification method according to an embodiment of the present invention.
  • the data acquisition module 310 implemented (or executed) by the communication unit 210 of the computing device 200 includes: It includes steps (S120, S140) of acquiring integrated data or assisting other devices linked to the computing device to acquire the integrated data.
  • the integrated data is the patient data (S120) of the subject or the numerical data (S140) as the processed data.
  • the data integration module 320 implemented by the processor 220 of the computing device 200 categorizes the non-numeric data among the patient data to generate categorized data, , By processing the categorized data in a numerical form, the non-digitized data can be quantified.
  • examples of categorization data generated by categorizing non-digitized data are the same as reference numerals 410 and 430 shown in FIG. 4, and the categorization data is processed into a numeric form. Examples of the results are the same as reference numerals 420 and 440 shown in FIG. 4.
  • the data integration module 320 has the categorization and the numerical form of the digitized data among the patient data so as to correspond to the digitized result of the non-digitized data. Processing can be performed.
  • an example of the digitized result of the non-digitized data eg, the local emergency center
  • the digitized data among the patient data eg , Heart rate
  • the results of the categorization and the results of processing the numerical form again on the results are as indicated by reference numerals 540 and 550 shown in FIG. 5, respectively.
  • the risk-based subject classification method includes a machine learning-based prediction module 340 implemented by the processor 220 of the computing device 200 in steps S120 and S140.
  • the result of the classification is generated as a result of evaluating the risk (S200) by applying the integrated data of the machine learning model for evaluating the risk of the subject (S300) (S300) Further comprising the steps (S200, S300).
  • the risk of the subject may be classified into at least four classes, and the four classes may be, for example, a dischargeable patient, an inpatient patient, an ICU patient, and an imminent death patient.
  • the evaluation of risk may be performed through prediction of occurrence of certain symptoms, such as high risk, eg, cardiac arrest, for which the machine learning model has a predetermined time from the current time t of the integrated data
  • the result of predicting the occurrence of the predetermined symptom up to the time point t+n, which is the time point after the interval n, may be used.
  • the machine learning model may include a deep neural network model such as a recurrent neural network model, which may be executed by the processor 220.
  • a deep neural network model such as a recurrent neural network model
  • x t refers to the integrated data, which is an input vector at time t, or a value processed from the integrated data, and the processed value from the integrated data is, for example, the integrated data. It may be the amount of change (from the previous time point to the corresponding time point) or the change amount of the change amount.
  • the s t refers to a hidden state corresponding to the memory of the circulatory neural network model at the time t
  • the s t-1 refers to the secret state at a time t-1.
  • U, V and W refer to the neural network parameters shared equally over all time points of the cyclic neural network model
  • f refers to a predetermined first activation function selected to calculate the hidden state
  • y Denotes an output layer that is a latent feature according to the cyclic neural network model at time t
  • g denotes a predetermined second activation function selected to calculate the output layer.
  • the first half (not shown) of the machine learning model according to the present invention functions to reflect the relationship between the integrated data with reference to the integrated data at the time t, for example, U in the cyclic neural network model x t .
  • the second half (not shown) of the machine learning model according to the present invention functions to reflect the change of the integrated data over time with reference to the integrated data up to the time t-1, for example, the cyclic neural network model It may correspond to W s t-1 in.
  • the predetermined first activation function f may be a tanh() or ReLU function commonly used.
  • the predetermined second activation function g may be a commonly used softmax function. It is known that the selection of the first activation function and the second activation function may vary depending on the complexity of the calculation for each use.
  • the machine learning model may further include at least one fully connected layer for calculating the probability of occurrence of the predetermined symptom from the output layer y.
  • the machine learning model for evaluating the risk is not limited to such deep neural networks of the circulatory neural network, and a skilled person can utilize various neural network architectures suitable for risk evaluation.
  • the machine learning model may be trained using occurrence data and normal data of predetermined symptoms, as described above with respect to the machine learning-based prediction module 340.
  • the machine learning model may be trained through (i) first performing a step of learning predetermined symptom occurrence data and then (ii) simultaneously learning predetermined symptom occurrence data and normal data.
  • data imbalance may be solved by generating and using similar symptoms occurrence data similar to the real one.
  • step (S050) in which the machine learning model is pre-trained it is necessary to go through the step (S050) in which the machine learning model is pre-trained, and the training module 330 for this is provided to the processor 220.
  • step (S050) in which the machine learning model is pre-trained it is necessary to go through the step (S050) in which the machine learning model is pre-trained, and the training module 330 for this is provided to the processor 220.
  • the training module 330 may train the deep neural network model through back-propagation using a plurality of integrated data as training data. By the same learning, parameters, weights, bias values, etc. of the deep neural network can be determined.
  • the machine learning model that can be used in the present disclosure is not limited to deep neural networks such as cyclic neural networks, and thus the present invention, such as long-short term memory (LSTM), GRU, MemN, etc. Various modifications well known in the art can be used.
  • the risk-based subject classification method generates a predetermined module (not shown) implemented by the computing device 200 in order to promote useful use of the result And providing the classified result to an external entity (not shown).
  • the external entity includes a user, an administrator of a computing device 200 performing a method according to the present invention, a healthcare professional in charge of the subject, etc., but other subjects that require classification results It should be understood that any subject is included.
  • the computing device 200 may provide the classification result to the external entity through a predetermined output device, for example, a user interface displayed on the display.
  • FIGS. 2 to 7 have been exemplified as being realized in one computing device for convenience of description, but the computing device 200 performing the method of the present invention may be configured as a plurality of devices interlocked with each other. It will be understood that there is. Accordingly, it is obvious that each step of the above-described method of the present invention can be performed by directly performing one computing device or supporting another computing device that is connected to the one computing device to perform one computing device.
  • the risk-based subject classification method according to the present invention evaluates the risk of the subject and classifies the subject on the basis of the machine learning model previously learned. If the back is used as the update data for the machine learning model, there is an advantage that allows the machine learning model to perform more accurate classification, so in order to take advantage of this, the risk-based subject classification method according to the present invention
  • the processor 220 may further include a step (S400) of updating the machine learning model or assisting the other device to update based on the information evaluating the classification result.
  • the accuracy of the machine learning model is improved because the integrated data, which was not considered in the previous learning, is additionally considered as training data, so that errors in the previous learning can be corrected.
  • the machine learning model increases. It has the advantage of continuously improving the performance.
  • the information evaluating the classification result may be provided from an external entity such as the medical expert.
  • an external entity such as the medical expert.
  • the external entity corrects the error through information evaluated on the misclassified classification results. Can give.
  • the present invention is capable of efficiently coping and medical treatment according to rapid patient classification with only the data measured or used in the emergency room even in an environment where medical resources are limited.
  • the hardware may include general purpose computers and/or dedicated computing devices or specific computing devices or special features or components of a particular computing device.
  • the processes include one or more processors having internal and/or external memory, such as microprocessors, controllers, such as microcontrollers, embedded microcontrollers, microcomputers, arithmetic logic units (ALUs), digital signal processors (digital signal processors) For example, it may be realized by a programmable digital signal processor or other programmable device.
  • the processes may include application specific integrated circuits (ASICs), programmable gate arrays (eg, field programmable gate arrays (FPGAs), programmable logic units (PLUs) or programmable array logics). (Programmable Array Logic; PAL) or any other device capable of executing and responding to any other instruction, or any other device or combination of devices that can be configured to process electronic signals.
  • the processing device may run an operating system (OS) and one or more software applications running on the operating system.
  • OS operating system
  • the processing device may access, store, manipulate, process, and generate data in response to the execution of the software.
  • a processing device may be described as one being used, but a person having ordinary skill in the art, the processing device may include a plurality of processing elements and/or a plurality of types of processing elements. It can be seen that may include.
  • the processing device may include a plurality of processors or a processor and a controller.
  • other processing configurations such as parallel processors, are possible.
  • the software may include a computer program, code, instruction, or a combination of one or more of these, and configure the processing device to operate as desired, or process independently or collectively You can command the device.
  • Software and/or data may be interpreted by a processing device, or to provide instructions or data to a processing device, of any type of machine, component, physical device, virtual equipment, computer storage medium or device. , Or may be permanently or temporarily embodied in the transmitted signal wave.
  • the software may be distributed over networked computer systems and stored or executed in a distributed manner. Software and data may be stored on one or more machine-readable recording media.
  • the objects of the technical solution of the present invention or parts contributing to the prior art may be implemented in the form of program instructions that can be executed through various computer components and recorded in a machine-readable medium.
  • the machine-readable medium may include program instructions, data files, data structures, etc. alone or in combination.
  • the program instructions recorded in the machine-readable recording medium may be specially designed and configured for the embodiments or may be known and usable by those skilled in the computer software field. Examples of machine-readable recording media include magnetic media such as hard disks, floppy disks, and magnetic tapes, optical media such as CD-ROMs, DVDs, and Blu-rays, and floptical disks.
  • magneto-optical media such as ), and hardware devices specifically configured to store and execute program instructions such as ROM, RAM, flash memory, and the like.
  • program instructions are stored and compiled or interpreted to be executed on a machine capable of executing a heterogeneous combination of processors, processor architectures or combinations of different hardware and software, or any other program instructions, as well as any of the devices described above.
  • Machine code which can be made using structured programming languages such as C, object-oriented programming languages like C++, or advanced or low-level programming languages (assemblies, hardware description languages and database programming languages and techniques). This includes not only bytecode, but also high-level language code that can be executed by a computer using an interpreter.
  • the combination of the method and method may be implemented as executable code that performs each step.
  • the method can be implemented as systems that perform the steps, and the methods can be distributed in various ways across devices or all functions can be integrated into one dedicated, standalone device or other hardware.
  • means for performing the steps associated with the processes described above may include any hardware and/or software described above. All such sequential combinations and combinations are intended to fall within the scope of this disclosure.
  • the hardware device described above may be configured to operate as one or more software modules to perform the operations of the embodiments, and vice versa.
  • the hardware device may include a processor, such as an MPU, CPU, GPU, TPU, which is combined with a memory such as ROM/RAM for storing program instructions and is configured to execute instructions stored in the memory, and external devices and signals. It may include a communication unit for sending and receiving.
  • the hardware device may include a keyboard, a mouse, and other external input devices for receiving commands written by developers.

Landscapes

  • Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Health & Medical Sciences (AREA)
  • Theoretical Computer Science (AREA)
  • Medical Informatics (AREA)
  • Public Health (AREA)
  • Physics & Mathematics (AREA)
  • Biomedical Technology (AREA)
  • General Health & Medical Sciences (AREA)
  • Evolutionary Computation (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Primary Health Care (AREA)
  • Epidemiology (AREA)
  • Databases & Information Systems (AREA)
  • Pathology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • Software Systems (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Molecular Biology (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Probability & Statistics with Applications (AREA)
  • Measuring And Recording Apparatus For Diagnosis (AREA)
  • Medical Treatment And Welfare Office Work (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

본 개시서에는 피검체의 위험도를 평가하여 상기 위험도에 따라 상기 피검체를 분류하는 방법 및 이를 이용한 컴퓨팅 장치가 개시된다. 구체적으로, 본 발명에 따른 방법에 의하면, 컴퓨팅 장치가, 상기 피검체의 통합 데이터를 획득하되, 상기 통합 데이터는 상기 피검체의 환자 데이터 또는 이를 가공한 데이터로서 수치화된 데이터이고, 그 후, 상기 통합 데이터를 상기 피검체의 위험도 평가를 위한 기계 학습 모델(machine learning model)에 적용함으로써 위험도를 평가한 결과로서 상기 분류의 결과를 생성하며, 생성된 상기 분류 결과를 외부 엔티티(entity)에게 제공한다.

Description

피검체의 위험도를 평가하여 상기 위험도에 따라 상기 피검체를 분류하는 방법 및 이를 이용한 장치
본 개시서에는 피검체의 위험도를 평가하여 상기 위험도에 따라 상기 피검체를 분류하는 방법 및 이를 이용한 컴퓨팅 장치가 개시된다. 구체적으로, 본 발명에 따른 방법에 의하면, 컴퓨팅 장치가, 상기 피검체의 통합 데이터를 획득하되, 상기 통합 데이터는 상기 피검체의 환자 데이터 또는 이를 가공한 데이터로서 수치화된 데이터이고, 그 후, 상기 통합 데이터를 상기 피검체의 위험도 평가를 위한 기계 학습 모델(machine learning model)에 적용함으로써 위험도를 평가한 결과로서 상기 분류의 결과를 생성하며, 생성된 상기 분류 결과를 외부 엔티티(entity)에게 제공한다.
의료 임상에 있어서 심정지, 패혈증과 같은 피검체, 즉 환자의 치명적 증상은 그 발생 후 생존 퇴원율이 매우 낮은 위험한 현상이다. 예컨대, 심정지의 경우에는 생존 퇴원율에 20~30%에 불과하다. 이와 같은 심정지는 그 발생 전 신체 데이터, 특히, 생체 신호(biosignal or vital signs)의 변화가 있기 때문에, 어느 정도 조기 예측이 가능하나 종래의 예측 방식에는 정확도가 낮다는 문제가 있다. 이는 주로 그 예측이 담당 간호사나 의사와 같은 의료 전문가의 경험이나 지식에 의존하기 때문인데, 개인의 역량에 따라서 피검체 혹은 환자의 위험이 상당히 다르게 평가되는 경향이 있으며, 그러한 평가 자체를 위한 의료 자원, 예컨대, 응급 의학과의 인력도 부족한 실정이다.
따라서 환자의 위험도를 정확하게 평가하는 한편, 한정된 의료 자원을 가지고 증가하는 응급 의료 수요를 효율적으로 관리할 필요가 있다. 예를 들면, 응급실 도착 후에 재이송된 중환자의 사망률은 4배 정도 높다. 재이송의 이유로는, 응급실 병실 제한이 40% 가량, 의료진 부족이 32% 가량의 비율을 차지한다.
종래 대한민국에서는 이를 해결하기 위하여 "Korean Triage and Acuity Scale"이라는 방법이 이용되었지만 여기에는 3가지 문제가 있다. 즉, 실제 정확도가 낮으며, 주관적인 판단이 필요하므로 의료진 간에도 그 결과의 차이가 있을 뿐만 아니라 이를 위한 의사 결정 자체도 신속하지 않는 문제가 있다.
따라서 본 개시서에서는 보다 정확하고 신속한 응급실 환자 분류를 가능하게 하는 방안으로써 고위험의 환자가 우선적으로 진료를 받을 수 있게 하는 위험도 기반 피검체 분류 방법을 제안하고자 한다.
선행문헌으로는 특허문헌 KR10-1841222B 이 있을 수 있다.
본 발명은 응급실과 같은 의료 현장에서, 또는 그러한 의료 현장에 도착하기 전에 피검체의 치명적 증상 등에 이를 수 있는 위험도에 기반하여 진료 등 적절한 의료 처치의 우선순위을 설정하거나, 이송이 바람직한 병원 등을 선택할 수 있게 하는 것을 목적으로 한다.
구체적으로, 본 발명은 객관적인 데이터를 이용함으로써 신속하게 환자를 분류할 수 있게 하는 것을 목적으로 한다.
상기한 바와 같은 본 발명의 목적을 달성하고, 후술하는 본 발명의 특징적인 효과를 실현하기 위한 본 발명의 특징적인 구성은 하기와 같다.
본 발명의 일 태양에 따르면, 피검체의 위험도를 평가하여 상기 위험도에 따라 상기 피검체를 분류하는 방법이 제공되는바, 그 방법은, (a) 컴퓨팅 장치가, 상기 피검체의 통합 데이터를 획득하거나 상기 컴퓨팅 장치에 연동되는 타 장치로 하여금 획득하도록 지원하는 단계로서, 상기 통합 데이터는 상기 피검체의 환자 데이터 또는 이를 가공한 데이터로서 수치화된 데이터를 포함하는, 단계; (b) 상기 컴퓨팅 장치가, 상기 통합 데이터를 상기 피검체의 위험도 평가를 위한 기계 학습 모델(machine learning model)에 적용함으로써 위험도를 평가한 결과로서 상기 분류의 결과를 생성하거나 상기 타 장치로 하여금 생성하도록 지원하는 단계; 및 (c) 상기 컴퓨팅 장치가, 생성된 상기 분류 결과를 외부 엔티티(entity)에게 제공하거나 상기 타 장치로 하여금 제공하도록 지원하는 단계를 포함한다.
바람직하게는, 상기 방법은, (d) 상기 분류 결과를 평가한 정보에 기초하여, 상기 컴퓨팅 장치가, 상기 기계 학습 모델을 갱신하거나 상기 타 장치로 하여금 갱신하도록 지원하는 단계를 더 포함한다.
본 발명의 다른 태양에 따르면, 본 발명에 따른 방법을 수행하도록 구현된 인스트럭션들(instructions)을 포함하는 컴퓨터 프로그램도 제공된다.
본 발명의 또 다른 태양에 따르면, 피검체의 위험도를 평가하여 상기 위험도에 따라 상기 피검체를 분류하는 컴퓨팅 장치가 제공되는바, 그 컴퓨팅 장치는, 상기 피검체의 통합 데이터를 획득하는 통신부; 및 (i) 상기 통합 데이터를 상기 피검체의 위험도 평가를 위한 기계 학습 모델(machine learning model)에 적용함으로써 위험도를 평가한 결과로서 상기 분류의 결과를 생성하는 프로세스, 및 (ii) 생성된 상기 분류 결과를 외부 엔티티(entity)에게 제공하는 프로세스를 수행하거나 상기 통신부를 통하여 연동되는 타 장치로 하여금 수행하도록 지원하는 프로세서를 포함하며, 상기 통합 데이터는 상기 피검체의 환자 데이터 또는 이를 가공한 데이터로서 수치화된 데이터를 포함한다.
바람직하게는, 상기 컴퓨팅 장치의 상기 프로세서는, 상기 분류 결과를 평가한 정보에 기초하여 상기 기계 학습 모델을 갱신하는 프로세스를 더 수행하거나 상기 타 장치로 하여금 더 수행하도록 지원한다.
본 개시서의 예시적인 실시 예에 따르면, 종래에 의료 전문가들이 그 경험이나 지식에 의존하여 환자의 위험을 판정하여 분류하는 방식에 비하여 보다 신속하게 치명적 증상과 같은 소정 증상이 나타날 가능성에 따라 환자를 분류할 수 있는 효과가 있다. 즉, 의료 현장에서 환자의 위험도를 판단하여 진료의 우선순위를 설정하거나 환자의 위험도에 맞는 병실 또는 병원을 추천할 수 있는 효과가 있다.
이로써, 의료진의 시간이 절약되며, 더 많은 환자에 대한 안전이 확보될 수 있는 효과가 있다.
그리고 예시적인 실시 예에 의하면, 종래에 의료 현장에서 기록되는 환자 데이터를 그대로 사용할 수 있어 추가적인 시스템 구축 없이 의료 현장에서의 워크플로(workflow)가 혁신되는 효과가 있다.
본 개시서의 실시 예의 설명에 이용되기 위하여 첨부된 아래 도면들은 본 개시서의 실시 예들 중 단지 일부일 뿐이며, 본 발명이 속한 기술분야에서 통상의 지식을 가진 사람(이하 "통상의 기술자"라 함)에게 있어서는 발명적 작업이 이루어짐 없이 이 도면들에 기초하여 다른 도면들이 얻어질 수 있다.
도 1은 본 발명의 일 실시 예에 이용되는 기계 학습 모델의 예시로서 순환 신경망(recurrent neural network; RNN)을 설명하기 위하여 주요 개념을 도시한 도면이다.
도 2는 본 발명의 일 실시 예에 따라 피검체의 위험도를 평가하여 상기 위험도에 따라 상기 피검체를 분류하는 방법(이하 "위험도 기반 피검체 분류 방법"이라 함)을 수행하는 컴퓨팅 장치의 예시적 구성을 개략적으로 도시한 개념도이다.
도 3은 본 발명의 일 실시 예에 따른 위험도 기반 피검체 분류 방법을 수행하는 컴퓨팅 장치의 하드웨어 및 소프트웨어 아키텍처를 예시적으로 도시한 개념도이다.
도 4는 본 발명의 일 실시 예에서 수행되는 환자 데이터의 통합을 예시하기 위한 제1 예시적 도면이다.
도 5는 본 발명의 일 실시 예에서 수행되는 환자 데이터의 통합을 예시하기 위한 제2 예시적 도면이다.
도 6은 본 발명의 일 실시 예에서 생성적 적대적 신경망(GAN; generative adversarial networks)을 이용하여 유사 소정 증상 발생 데이터를 생성하는 방식을 예시하기 위하여 개념적으로 도시한 도면이다.
도 7은 본 발명의 일 실시 예에 따른 위험도 기반 피검체 분류 방법의 각 단계를 예시적으로 나타낸 흐름도이다.
후술하는 본 발명에 대한 상세한 설명은, 본 발명의 목적들, 기술적 해법들 및 장점들을 분명하게 하기 위하여 본 발명이 실시될 수 있는 특정 실시 예를 예시로서 도시하는 첨부 도면을 참조한다. 이들 실시 예는 통상의 기술자가 본 발명을 실시할 수 있기에 충분하도록 상세히 설명된다. 첨부 도면을 참조하여 설명함에 있어, 도면 부호에 관계없이 동일한 구성 요소는 동일한 참조 부호를 부여하고, 이에 대한 중복되는 설명은 생략하기로 한다.
실시 예들에 대한 특정한 구조적 또는 기능적 설명들은 단지 예시를 위한 목적으로 개시된 것으로서, 다양한 형태로 변경되어 실시될 수 있다. 따라서, 실시 예들은 특정한 개시형태로 한정되는 것이 아니며, 본 명세서의 범위는 기술적 사상에 포함되는 변경, 균등물, 또는 대체물을 포함한다.
제1 또는 제2 등의 용어를 다양한 구성요소들을 설명하는데 사용될 수 있지만, 이런 용어들은 하나의 구성요소를 다른 구성요소로부터 구별하는 목적으로만 해석되어야 한다. 예를 들어, 제1 구성요소는 제2 구성요소로 명명될 수 있고, 유사하게 제2 구성요소는 제1 구성요소로도 명명될 수 있다.
어떤 구성요소가 다른 구성요소에 "연결되어" 있다고 언급된 때에는, 그 다른 구성요소에 직접적으로 연결되어 있거나 또는 접속되어 있을 수도 있지만, 중간에 다른 구성요소가 존재할 수도 있다고 이해되어야 할 것이다.
단수의 표현은 문맥상 분명하게 달리 의도되지 않는 한, 복수의 표현을 포함한다. 본 명세서에서, "포함하다" 또는 "가지다" 등의 용어는 기재된 특징, 숫자, 단계, 동작, 구성요소, 부분품 또는 이들을 조합한 것이 존재함으로 지정하려는 것이지, 하나 또는 그 이상의 다른 특징들이나 숫자, 단계, 동작, 구성요소, 부분품 또는 이들을 조합한 것들의 존재 또는 부가 가능성을 미리 배제하지 않는 것으로 이해되어야 한다.
다르게 정의되지 않는 한, 기술적이거나 과학적인 용어를 포함해서 여기서 사용되는 모든 용어들은 해당 기술 분야에서 통상의 지식을 가진 자에 의해 일반적으로 이해되는 것과 동일한 의미를 가진다. 일반적으로 사용되는 사전에 정의되어 있는 것과 같은 용어들은 관련 기술의 문맥상 가지는 의미와 일치하는 의미를 갖는 것으로 해석되어야 하며, 본 명세서에서 명백하게 정의하지 않는 한, 이상적이거나 과도하게 형식적인 의미로 해석되지 않는다.
또한, 본 개시서의 상세한 설명 및 청구항들에 걸쳐 '학습' 혹은 '러닝'은 절차에 따른 컴퓨팅(computing)을 통하여 기계 학습(machine learning)을 수행함을 일컫는 용어인바, 인간의 교육 활동과 같은 정신적 작용을 지칭하도록 의도된 것이 아님을 통상의 기술자는 이해할 수 있을 것이다.
그리고 본 개시서의 상세한 설명 및 청구범위에 있어, '환자 데이터'라는 용어 및 그 변형은 신체 데이터, 즉, 사용자의 신체를 평가한 텍스트나 사용자의 신체로부터 측정되는 다양한 종류의 데이터, 예컨대, 생체신호(biosignal) 및 체성분 데이터 중 적어도 하나를 포함할 뿐만 아니라 환자 취급과 관련된 다양한 비신체 데이터, 예컨대, 소재한 의료 기관의 종류, 위치, 타 인접 의료 기관들의 소재 내지 환자와의 거리 등을 포함하는 개념으로 이해되어야 할 것인 바, 그러한 환자 데이터는, 예컨대, 상기 사용자의 신체와의 접촉에 기반하여 측정될 수 있으나 이에 한정되지 않음이 통상의 기술자에게 이해될 것이다. 예를 들어, 제공될 수 있는 환자 데이터에는 체중, 체지방률, 골격근량, 체지방량, 체수분량, 제지방량(FFM; fat-free mass), FFMI(제지방량/신장2), SMMI(골격근량/신장2), BFMI(체지방량/신장2), BMI(체중/신장2), ASM(다리 및 팔 근육량), PBF(체지방량 / 체중) 및 혈압 등이 있을 수 있다.
또한, 본 개시서의 상세한 설명 및 청구항들에 걸쳐, '생체 호(biosignal)'는 대상자의 체온, 심전도, 호흡, 맥박, 혈압, 산소 포화도, 피부 전도도 등의 측정값을 지칭하는 통상의 의미로만 한정하여 해석되어야 할 것은 아니고, 뇌파 신호, 기타 측정을 통하여 획득 가능한 생물학적 시료 중의 특정 물질의 양, 농도 등도 포함하는 것으로 이해되어야 할 것이다.
여기에서 '생물학적 시료'는 피검체의 혈액, 혈청, 소변, 림프액, 뇌척수액, 타액, 정액, 질액 등등 피검체로부터 채취될 수 있는 다양한 종류의 물질로 이해되어야 할 것이다.
또한, 본 개시서의 상세한 설명 및 청구항들에 걸쳐, '치명적 증상(fatal symptoms)'이라는 단어 및 그 변형은 본 발명이 적용되는 대상의 일 예시인 심정지(cardiac arrest)에 한정되지 않고, 패혈증 등과 같이 시계열적 변화에 의하여 피검체의 생명에 큰 위험을 초래할 수 있는 갖가지 종류의 임상적 현상을 포함하는 개념으로 이해되어야 할 것이다. 그리고 '소정 증상(specific symptoms)'이라는 단어 및 그 변형은 치명적 증상을 포함하여 임상에서 유의미하게 확인될 수 있는 다양한 증상을 일컫는 용어이다.
더욱이 본 발명은 본 명세서에 표시된 실시 예들의 모든 가능한 조합들을 망라한다. 본 발명의 다양한 실시 예는 서로 다르지만 상호 배타적일 필요는 없음이 이해되어야 한다. 예를 들어, 여기에 기재되어 있는 특정 형상, 구조 및 특성은 일 실시 예에 관련하여 본 발명의 사상 및 범위를 벗어나지 않으면서 다른 실시 예로 구현될 수 있다. 또한, 각각의 개시된 실시 예 내의 개별 구성요소의 위치 또는 배치는 본 발명의 사상 및 범위를 벗어나지 않으면서 변경될 수 있음이 이해되어야 한다. 따라서, 후술하는 상세한 설명은 한정적인 의미로서 취하려는 것이 아니며, 본 발명의 범위는, 적절하게 설명된다면, 그 청구항들이 주장하는 것과 균등한 모든 범위와 더불어 첨부된 청구항에 의해서만 한정된다. 도면에서 유사한 참조부호는 여러 측면에 걸쳐서 동일하거나 유사한 기능을 지칭한다.
본 명세서에서 달리 표시되거나 분명히 문맥에 모순되지 않는 한, 단수로 지칭된 항목은, 그 문맥에서 달리 요구되지 않는 한, 복수의 것을 아우른다. 또한, 본 발명을 설명함에 있어, 관련된 공지 구성 또는 기능에 대한 구체적인 설명이 본 발명의 요지를 흐릴 수 있다고 판단되는 경우에는 그 상세한 설명은 생략한다.
이하, 통상의 기술자가 본 발명을 용이하게 실시할 수 있도록 하기 위하여, 본 발명의 바람직한 실시 예들에 관하여 첨부된 도면을 참조하여 상세히 설명하기로 한다.
도 1은 본 발명의 일 실시 예에 이용되는 기계 학습 모델의 예시로서 순환 신경망을 설명하기 위하여 주요 개념을 도시한 도면이다.
도 1을 참조하면 본 발명에서 이용되는 기계 학습(machine learning) 모델 중 심층 신경망 모델은 인공 신경망을 다층으로 쌓은 형태로 간략하게 설명할 수 있다. 즉, 이는 깊은 구조의 네트워크라는 의미로 심층 신경망 혹은 딥 뉴럴 네트워크(deep neural network)라고 표현되며, 다층의 네트워크로 이루어진 구조에서 다량의 분석 대상 데이터를 학습시킴으로써 각각의 분석 대상 데이터의 특징, 분석 대상 데이터 간의 관계를 자동으로 학습하고, 이를 통해 목적 함수, 즉 소정 증상의 예측 결과의 오차(error)를 최소화시키는 방식으로 학습을 진행하는 기계 학습 모델이다.
본 발명에서 활용되는 심층 신경망 모델 중 일 예시인 순환 신경망(recurrent neural network; RNN)은 도 1에 도시된 바와 같이 순차적으로 입력되는 시계열적인 데이터를 분석할 때 이용될 수 있다. 이 심층 신경망은 시간 순서에 따른 데이터의 특징을 찾고, 이전 시점의 특징 중 현재 시점을 분석할 때 참고하여야 할 주요 특징을 선별하여 반영하는 구조로 되어 있다. 예를 들어, 도 1을 참조하면, 이 심층 신경망이 t+1 시점에 입력된 데이터를 분석하는 경우에 t-1 시점, t 시점에 분석한 주요 특징을 반영한 학습을 통하여 해당 데이터를 분석할 수 있다. 이와 같이 본 발명에서는 순환 신경망의 구조를 이용하여 데이터의 시간에 따른 변화를 추출하여 소정 증상의 예측을 통하여 환자의 위험도를 평가하는 데 활용할 수 있는 장점이 있다.
요컨대, 시계열적 순서, 시간의 흐름, 혹은 시간 축을 따라 전개되는 순환 신경망은 무한 개의 층을 가지는 심층 신경망으로 이해할 수 있는바, 도 1을 참조하여 설명하면, xt는 t 시점에서의 입력 벡터를 지칭하고, st는 t 시점에서의 은닉 상태(hidden state)(즉, 신경망의 기억)를 지칭한다.
부연하면, 도 1에 개념적으로 도시된 순환 신경망은 st=f(U xt+W st-1)과 y=g(V st)의 식을 따른다. 이를 일반화한 신경망은 st=f(xt, st-1, Ui, ...)과 y=g(st, Uj, ...), U=U1, W=U2, V=U3 식을 따르며 i는 3 이상일 수 있다.
참고로, y는 도 1에 o로 표시되어 있다. 여기에서, f는 활성화 함수(activation function)(예컨대, tanh() 및 ReLU 함수)를 지칭하고, U, V, W는 신경망의 파라미터를 지칭한다. 여기에서 U, V, W는 전방 전달 신경망(feedforward neural network)에서와는 달리 순환 신경망에서는 모든 시점의 단계들에 걸쳐 동일하게 공유되는 파라미터이다. g는 출력층(output layer)을 위한 활성화 함수(전형적으로는 softmax 함수가 있음)이며, y는 t 시점에서의 상기 신경망의 출력 벡터를 지칭한다. 이와 같은 순환 신경망을 이용하는 본 개시서의 실시 예에 관하여는 상세히 후술하기로 한다.
다음으로, 도 2는 본 발명의 일 실시 예에 따른 위험도 기반 피검체 분류 방법을 수행하는 컴퓨팅 장치의 예시적 구성을 개략적으로 도시한 개념도이다.
도 2를 참조하면, 본 발명의 일 실시 예에 따른 컴퓨팅 장치(200)는, 통신부(210) 및 프로세서(220)를 포함하며, 상기 통신부(210)를 통하여 외부 컴퓨팅 장치(미도시)와 직간접적으로 통신할 수 있다.
구체적으로, 상기 컴퓨팅 장치(200)는, 전형적인 컴퓨터 하드웨어(예컨대, 컴퓨터, 프로세서, 메모리, 스토리지(storage), 입력 장치 및 출력 장치, 기타 기존의 컴퓨팅 장치의 구성요소들을 포함할 수 있는 장치; 라우터, 스위치 등과 같은 전자 통신 장치; 네트워크 부착 스토리지(NAS; network-attached storage) 및 스토리지 영역 네트워크(SAN; storage area network)와 같은 전자 정보 스토리지 시스템)와 컴퓨터 소프트웨어(즉, 컴퓨팅 장치로 하여금 특정의 방식으로 기능하게 하는 명령어들)의 조합을 이용하여 원하는 시스템 성능을 달성하는 것일 수 있다. 상기 스토리지는 하드 디스크, USB(universal serial bus) 메모리와 같은 기억 장치뿐만 아니라 클라우드 서버와 같은 네트워크 연결 기반의 저장 장치의 형태를 포함할 수 있다.
이와 같은 컴퓨팅 장치의 통신부(210)는 연동되는 타 컴퓨팅 장치와의 사이에서 요청과 응답을 송수신할 수 있는바, 일 예시로서 그러한 요청과 응답은 동일한 TCP(transmission control protocol) 세션(session)에 의하여 이루어질 수 있지만, 이에 한정되지는 않는 바, 예컨대 UDP(user datagram protocol) 데이터그램(datagram)으로서 송수신될 수도 있을 것이다.
구체적으로, 통신부(210)는 통신 인터페이스를 포함하는 통신 모듈의 형태로 구현될 수 있다. 이를테면, 통신 인터페이스는 WLAN(wireless LAN), WiFi(wireless fidelity) Direct, DLNA(digital living network alliance), Wibro(wireless broadband), Wimax(world interoperability for microwave access), HSDPA(high speed downlink packet access) 등의 무선 인터넷 인터페이스와 블루투스(Bluetooth™), RFID(radio frequency identification), 적외선 통신(infrared data association; IrDA), UWB(ultra-wideband), ZigBee, NFC(near field communication) 등의 근거리 통신 인터페이스를 포함할 수 있다. 뿐만 아니라, 통신 인터페이스는 외부와 통신을 수행할 수 있는 모든 인터페이스(예를 들어, 유선 인터페이스)를 나타낼 수 있다.
예를 들어, 통신부(210)는 이와 같이 적합한 통신 인터페이스를 통해 외부 장치로부터 사용자의 생체 신호, 혈액 검사 데이터와 같은 신체 데이터 및 비신체 데이터를 포함하는 환자 데이터 등을 획득할 수 있다. 덧붙여, 넓은 의미에서 상기 통신부(210)는 명령어 또는 지시 등을 전달받기 위한 키보드, 마우스, 기타 외부 입력 장치, 인쇄 장치, 디스플레이, 기타 외부 출력 장치를 포함하거나 이들과 연동될 수 있다.
또한, 컴퓨팅 장치의 프로세서(220)는 MPU(micro processing unit), CPU(central processing unit), GPU(graphics processing unit), NPU(neural processing unit) 또는 TPU(tensor processing unit), 캐시 메모리(cache memory), 데이터 버스(data bus) 등의 하드웨어 구성을 포함할 수 있다. 또한, 운영체제, 특정 목적을 수행하는 애플리케이션의 소프트웨어 구성을 더 포함할 수도 있다.
도 3은 본 발명의 일 실시 예에 따른 위험도 기반 피검체 분류 방법을 수행하는 컴퓨팅 장치의 하드웨어 및 소프트웨어 아키텍처를 예시적으로 도시한 개념도이다.
도 3을 참조하여 본 발명에 따른 방법 및 장치의 구성을 개관하면, 컴퓨팅 장치(200)는 그 일 구성요소로서 데이터 획득 모듈(310)을 포함할 수 있다. 이와 같은 데이터 획득 모듈(310)은 상기 컴퓨팅 장치(200)에 포함된 통신부(210), 또는 상기 통신부(210) 및 프로세서(220)의 연동에 의하여 구현될 수 있음은 통상의 기술자가 이해할 수 있을 것이다.
데이터 획득 모듈(310)은 피검체의 환자 데이터, 예컨대, 생체 신호, 혈액 검사 데이터와 같은 신체 데이터 및 피검체 내지 환자 취급과 관련된 다양한 데이터, 예컨대, 소재한 의료 기관의 종류, 위치, 타 인접 의료 기관들의 소재 내지 환자와의 거리 등을 포함하는 비신체 데이터를 획득할 수 있다. 예를 들어, 이들 데이터는 상기 피검체의 전자 의무 기록(electronic medical record; EMR)으로부터 획득되는 것일 수 있으나, 이에 한정되지는 않는다.
다음으로, 위 환자 데이터는 환자 정보 통합 모듈(320)에 전달될 수 있는데, 데이터 통합 모듈(320)에서는 환자 데이터에 포함된 수치 데이터와 텍스트로 표현 가능한 데이터를 통합하여 수치화된 통합 데이터를 생성한다. 여기에서, 텍스트로 표현 가능한 데이터라 함은 텍스트 자체 또는 음성 데이터를 포함할 수 있다. 진료 기록(clinical note) 및 처방전이 텍스트로 표현 가능한 데이터에 포함되는 것은 물론이다. 또한, 예를 들어, 생체 신호는 수치로 표현되며, 주요 호소 증상(chief complaint)은 텍스트로 표현 가능한 데이터로 되어 있는 등 초기의 환자 데이터는 다양한 형태로 표현되어 있는데, 이를 기계 학습에 용이하게 이용하기 위하여는 동일한 형태로 표현되도록 변형하는 것이 바람직하다. 이 데이터 통합을 구체적으로 설명하면 다음과 같다.
도 4는 본 발명의 일 실시 예에서 수행되는 환자 데이터의 통합을 예시하기 위한 제1 예시적 도면이며, 도 5는 환자 데이터의 통합을 예시하기 위한 제2 예시적 도면이다.
도 4를 참조하면, 텍스트 데이터가 수치 데이터로 변환되는 예시가 나타나는데, 텍스트 데이터의 일 예시인 지역응급센터의 정보는 우선 카테고리화 데이터(410)로 표현될 수 있으며, 이 카테고리화 데이터(410)는, 다시, 수치 형태(420)로 표현될 수 있다. 예를 들어, 텍스트 데이터를 카테고리화 데이터(410)로, 카테고리화 데이터(410)를 수치(420) 형태로 가공하는 일 방안으로서 워드 임베딩(word embedding) 기술, 예컨대 word2vec 기술이 이용될 수 있다.
도 4에는 텍스트 데이터의 다른 예시인 권역응급센터의 정보가 카테고리화 데이터(430)로 표현된 것과, 그 카테고리화 데이터(430)가, 다시, 수치 형태(440)로 가공된 예시도 나타나 있다. 물론, 텍스트 데이터는 하나의 단어만이 아니라 여러 단어를 포함할 수 있으므로, 그 경우 텍스트 데이터에 포함된 각각의 단어에 대하여 상기 카테고리화 및 수치 형태의 가공이 수행될 수 있다.
그런데 텍스트가 수치로 표현된 데이터가 원래 수치 형태인 수치 데이터에 비하여 훈련에 더 많은 영향을 끼쳐, 데이터들이 기계 학습에 고르게 반영되지 않는 문제가 발생될 수 있는바, 이는, 예를 들어 도 5에 도시된 바와 같이, 지역응급센터는 카테고리화(510)를 거쳐 4x1 행렬의 데이터(520)로 표현되는 반면, 심박수(heart rate; 530)는 1x1로 표현될 수 있기 때문이다.
본 발명자들은 이를 해결하기 위한 방안으로 수치 데이터도 텍스트가 카테고리화를 거쳐 수치로 표현된 것과 같은 형태로 변환될 수 있게 하였다. 즉 도 5를 참조하면, 심박수는 0.00~0.25의 클래스, 0.25~0.50의 클래스, 0.50~0.75의 클래스 및 0.75~1.00의 클래스로 카테고리 표현할 수 있는바, 이때 심박수 0.7을 카테고리화하면 (0, 0, 1, 0)T로 표현된다(540). 이 카테고리화 데이터는 다시 수치 형태(550)로 변환될 수 있는바, 그러한 변환의 일 방안에는 전술한 것과 마찬가지의 워드 임베딩 등이 있을 수 있다. 참고로, 도 5에 나타난 심박수는 0 내지 1.0의 값을 가지도록 스케일링(혹은, 정규화, normalization)된 값인데, 이는 기계학습, 특히 인공신경망의 입출력값으로 적합화된 것인바, 이와 같이 수치 데이터가 0 내지 1.0의 값을 가지도록 스케일링될 수 있다.
이와 같이 카테고리화를 거쳐 수치화된 수치 데이터는 텍스트가 수치로 표현된 데이터와 동일한 형태를 가질 수 있게 되는바, 이른바, 통합(integration)이라고 지칭할 수 있다.
즉, 수치 형태인 통합 데이터는 상기 피검체의 환자 데이터 또는 이를 가공한 데이터로서 수치화된 데이터로서, 피검체의 위험도 평가를 위한 기계 학습 기반 예측 모듈(340)에 전달될 수 있으며, 기계 학습 기반 예측 모듈(340)은, 피검체의 위험도를 평가한 결과로서 분류의 결과를 생성하는 기능을 하는바, 구체적인 과정에 관하여는 후술하기로 한다.
한편, 기계 학습 기반 예측 모듈(340)의 훈련을 위한 훈련 모듈(330)은 제공된 통합 데이터를 그대로 받아 이용할 수도 있으나, 이 경우에, 대부분의 통합 데이터는 (정상이므로) 해당 환자가 응급실에서 퇴원해도 되는 반면, 위험도가 높은 환자의 통합 데이터는 그 수가 적은 문제, 이른바, 데이터 불균형(data imbalance) 문제가 있는바, 기계 학습 모델이 정상인 데이터 위주로 훈련되는 상황에 놓이게 된다.
이를 해결하기 위하여, 본 개시서에서는, 훈련 모듈(330)이, 위험도가 높은 환자, 예컨대, 심정지와 같은 소정 증상 발생에 해당하는 환자의 통합 데이터를 충분히 더 많이 고려할 수 있게 하는 방식을 취한다. 구체적으로, 훈련 모듈(330)은, 입력되는 통합 데이터의 샘플 비율(sample ratio)을 조절하여, 초기에는 소정 증상 발생 데이터만을 학습하거나 소정 증상 발생 데이터를 위주로 학습하고 난 후, 소정 증상 발생 데이터와 정상 데이터를 동일 또는 비슷한 비율로 동시에 학습할 수 있다.
그런데, 의료 현실상 실제로 얻어질 수 있는 정상 데이터에 비하여 소정 증상 발생 데이터의 수가 현저히 적으므로, 소정 증상 발생 데이터의 대용으로 실제와 유사한 유사 소정 증상 발생 데이터를 생성하여 이를 상기 동시 학습에 이용할 수 있다. 실제와 유사한 데이터를 얻는 수단에는 생성적 적대적 신경망(generative adversarial networks), 가변 자기부호화기(variational autoencoder) 등을 포함하여, 통상의 기술자에게 널리 알려진 다양한 수단이 있을 수 있다. 예컨대, 생성적 적대적 신경망의 구체적인 구성은 Goodfellow, Ian J.; Pouget-Abadie, Jean; Mirza, Mehdi; Xu, Bing; Warde-Farley, David; Ozair, Sherjil; Courville, Aaron; Bengio, Yoshua (2014). "Generative Adversarial Networks"에 개시된 바와 같다.
도 6은 본 발명의 일 실시 예에서 이와 같은 생성적 적대적 신경망(GAN; generative adversarial networks)을 이용하여 유사 소정 증상 발생 데이터를 생성하는 방식을 예시하기 위하여 개념적으로 도시한 도면이다.
도 6을 참조하면, 이 실시 예에서 훈련 모듈(330)에 포함되는 생성적 적대적 신경망(GAN)은 생성기(generator; 332) 및 판별기(discriminator; 334)를 포함한다. 생성기는 소정의 레이블을 입력받아 이를 기초로 실제와 유사한 유사 소정 증상 발생 데이터를 생성함으로써 판별기를 속여서 그 유사 소정 증상 발생 데이터를 실제 소정 증상 발생 데이터로 판별하게 하는 것을 목표로 가지는 반면, 판별기는 실제 소정 증상 발생 데이터와 생성된 유사 소정 증상 발생 데이터를 서로 구분해내는 것을 목표로 가진다. 이 GAN에 의한 학습이 진행되는 과정에서 생성기와 판별기는 각각의 목표를 달성하기 위하여 신경망 가중치를 갱신하는바, 충분한 학습 후에는 생성기가 실제와 유사한 유사 소정 증상 발생 데이터를 생성해내고, 판별기에 의한 판별률이 이론적으로 0.5에 수렴되는 것이 밝혀져 있다.
결과적으로, GAN에 의하여 충분히 학습된 생성기는 실제 소정 증상 발생 데이터와 가까운 데이터(즉, 유사 소정 증상 발생 데이터)를 생성하게 되므로, 데이터 불균형을 해결하고 소정 증상 발생 데이터와 정상 데이터를 동시에 학습하기 위한 원하는 샘플 비율을 얻을 수 있다. 생성기는 실제와 유사한 유사 소정 증상 발생 데이터를 정상 데이터에 상당할 정도로 충분히 생성해낼 수 있기 때문이다. 물론, 전술한 설명이 본 개시서의 실시 예를 GAN을 이용한 것에 한정하려고 하는 의도가 아님을 통상의 기술자는 이해할 수 있을 것이다.
다음으로, 갱신 모듈(350)은, 피검체의 소정 증상의 예측에 이용되는 기계 학습 기반 예측 모듈(340)(혹은, 더 엄밀하게는, 기계 학습 모듈에서 채용된 기계 학습 모델)을 미리 학습하거나 본 발명의 방법의 수행에 따른 분류 결과를 (의료진 등이) 평가한 정보에 기초하여 상기 기계 학습 모델을 갱신하는 기능을 한다.
이제 본 발명에 따른 위험도 기반 피검체 분류 방법을 도 7을 참조하여 구체적으로 설명하기로 한다. 도 7은 본 발명의 일 실시 예에 따른 위험도 기반 피검체 분류 방법을 예시적으로 나타낸 흐름도이다.
도 7을 참조하면, 본 발명에 따른 위험도 기반 피검체 분류 방법은, 우선, 컴퓨팅 장치(200)의 통신부(210)에 의하여 구현(혹은 실행)되는 데이터 획득 모듈(310)이, 상기 피검체의 통합 데이터를 획득하거나 상기 컴퓨팅 장치에 연동되는 타 장치로 하여금 획득하도록 지원하는 단계(S120, S140)를 포함한다. 상기 통합 데이터는 상기 피검체의 환자 데이터(S120) 또는 이를 가공한 데이터로서 수치화된 데이터(S140)이다.
단계(S120)의 일 실시 예에서는, 컴퓨팅 장치(200)의 프로세서(220)에 의하여 구현되는 데이터 통합 모듈(320)이, 상기 환자 데이터 중 수치화되지 않은 데이터를 카테고리화하여 카테고리화 데이터를 생성하고, 상기 카테고리화 데이터를 수치 형태로 가공함으로써 상기 수치화되지 않은 데이터를 수치화할 수 있다. 앞서 도 4를 참조하여 설명된 바와 같이, 수치화되지 않은 데이터가 카테고리화되어 생성된 카테고리화 데이터의 예시는 도 4에 나타난 참조부호 410 및 430과 같으며, 그 카테고리화 데이터가 수치 형태로 가공된 결과의 예시는 도 4에 나타난 참조부호 420 및 440과 같다.
바람직하게는, 이 실시 예의 단계(S120)에서 상기 데이터 통합 모듈(320)이, 상기 수치화되지 않은 데이터의 수치화한 결과에 대응되도록 상기 환자 데이터 중 수치화되어 있는 데이터에 대하여 상기 카테고리화 및 수치 형태의 가공을 수행할 수 있다. 앞서 도 5를 참조하여 설명된 바와 같이, 수치화되지 않은 데이터(예컨대, 지역응급센터)의 수치화한 결과의 예시는 도 5에 나타난 참조부호 520과 같으며, 상기 환자 데이터 중 수치화되어 있는 데이터(예컨대, 심박수)에 대하여 상기 카테고리화를 수행한 결과 및 그 결과에 다시 수치 형태의 가공을 수행한 결과는 각각 도 5에 나타난 참조부호 540 및 550과 같다.
계속해서, 도 7을 참조하면, 상기 위험도 기반 피검체 분류 방법은, 상기 컴퓨팅 장치(200)의 프로세서(220)에 의하여 구현되는 기계 학습 기반 예측 모듈(340)이, 단계(S120, S140)에서의 통합 데이터를 상기 피검체의 위험도 평가를 위한 기계 학습 모델(machine learning model)에 적용함으로써 위험도를 평가(S200)한 결과로서 상기 분류의 결과를 생성하거나 상기 타 장치로 하여금 생성하도록 지원(S300)하는 단계(S200, S300)를 더 포함한다.
여기에서 상기 피검체의 위험도는 적어도 4가지 클래스로 분류될 수도 있는데, 그 4가지 클래스는, 예컨대, 퇴원 가능 환자, 입원 요망 환자, 중환자실 치료 요망 환자 및 사망 임박 환자일 수 있다.
구체적으로, 위험도의 평가(S200)는, 위험도가 높은, 예컨대, 심정지와 같은 소정 증상 발생의 예측을 통하여 수행될 수 있으며, 이를 위해 상기 기계 학습 모델이 상기 통합 데이터의 현재 시점 t로부터 소정의 시간 간격 n 후의 시점인 t+n 시점까지의 상기 소정 증상의 발생을 예측한 결과가 이용될 수 있다.
구체적인 일 예시로서, 상기 기계 학습 모델에는 순환 신경망(recurrent neural network) 모델과 같은 심층 신경망 모델이 포함될 수 있으며, 이는 상기 프로세서(220)에 의하여 실행될 수 있다. 전술한 바와 같이 st=f(U xt+W st-1)과 y=g(V st)의 식을 따르는 상기 순환 신경망(이를 더 일반화한 심층 신경망은 st=f(xt, st-1, Ui, ...)과 y=g(st, Uj, ...), U=U1, W=U2, V=U3 식을 따르며 i는 3 이상일 수 있다.)에 있어서 상기 xt는 t 시점에서의 입력 벡터인 상기 통합 데이터 또는 상기 통합 데이터로부터 가공된 값을 지칭하는데, 상기 통합 데이터로부터 가공된 값이라 함은, 예를 들어, 상기 통합 데이터의 (이전 시점으로부터 해당 시점으로의) 변화량 또는 상기 변화량의 변화량일 수 있다.
계속하여 설명하면, 상기 st는 상기 t 시점에서의 상기 순환 신경망 모델의 기억에 상응하는 은닉 상태(hidden state)를 지칭하며, 상기 st-1은 t-1 시점에서의 상기 은닉 상태를 지칭하고, 상기 U, V 및 W는 상기 순환 신경망 모델의 모든 시점에 걸쳐 동일하게 공유되는 신경망 파라미터를 지칭하며, 상기 f는 상기 은닉 상태를 산출하도록 선택된 소정의 제1 활성화 함수를 지칭하고, 상기 y는 t 시점에서의 상기 순환 신경망 모델에 따른 잠재적 특징(latent feature)인 출력층을 지칭하며, 상기 g는 상기 출력층을 산출하도록 선택된 소정의 제2 활성화 함수를 지칭한다.
구체적으로, 본 발명에 따른 기계 학습 모델 중 전반부(미도시)는 상기 t 시점에서의 통합 데이터를 참조로 하여 상기 통합 데이터 간의 관계를 반영하는 기능을 하는 것인바, 예컨대 상기 순환 신경망 모델에서의 U xt에 대응될 수 있다. 또한 본 발명에 따른 기계 학습 모델 중 후반부(미도시)는 상기 t-1 시점까지의 통합 데이터를 참조로 하여 시간에 따른 상기 통합 데이터의 변화를 반영하는 기능을 하는 것인바, 예컨대 상기 순환 신경망 모델에서의 W st-1에 대응될 수 있다.
여기에서, 상기 소정의 제1 활성화 함수 f로는 통상적으로 이용되는 tanh() 또는 ReLU 함수일 수 있다. 또한, 상기 소정의 제2 활성화 함수 g는 통상적으로 이용되는 softmax 함수일 수 있다. 각각의 용도에 따라, 계산의 복잡도에 따라 이와 같은 제1 활성화 함수 및 제2 활성화 함수의 선택이 달라질 수 있음이 알려져 있다.
또한, 이 예시에서는, 상기 기계 학습 모델에 상기 출력층(y)으로부터 상기 소정 증상의 발생 확률을 산출하기 위한 적어도 하나의 완전 연결층(fully connected layer)이 더 포함될 수 있다.
다만, 위험도를 평가하기 위한 기계 학습 모델은 이와 같은 순환 신경망 류의 심층 신경망에 한정되지 않는바, 통상의 기술자는 위험도 평가에 적합한 다양한 신경망 아키텍처를 활용할 수 있을 것이다.
또한, 상기 기계 학습 모델은, 앞서 기계 학습 기반 예측 모듈(340)에 관하여 설명된 바와 같이, 소정 증상의 발생 데이터 및 정상 데이터를 이용하여 훈련될 것일 수 있다.
이 경우, 바람직하게는, 기계 학습 모델은 (i) 소정 증상 발생 데이터를 학습하는 단계를 먼저 수행한 후에 (ii) 소정 증상 발생 데이터와 정상 데이터를 동시에 학습하는 단계를 거쳐 훈련된 것일 수 있다. 뿐만 아니라, 앞서 설명된 바와 같이 (ii)의 동시 학습 단계에서, 실제와 유사한 유사 소정 증상 발생 데이터를 생성하고 이를 이용함으로써 데이터 불균형을 해결할 수도 있다.
이처럼 본 발명에 따른 위험도 기반 피검체 분류 방법의 수행에 앞서, 상기 기계 학습 모델이 미리 훈련되는 단계(S050)를 거쳐야 할 필요가 있는바, 이를 위한 훈련 모듈(330)이 상기 프로세서(220)에 의하여 실행될 수 있다.
상기 심층 신경망(예컨대 순환 신경망) 모델의 학습을 위하여, 상기 훈련 모듈(330)은 다수의 통합 데이터를 학습 데이터로서 이용하는 역전파(back-propagation)를 통하여 상기 심층 신경망 모델을 학습할 수 있으며, 이와 같은 학습에 의하여 그 심층 신경망의 파라미터, 가중치, 편향치 등이 결정될 수 있다. 앞서 언급된 바와 같이 본 개시서에서 이용될 수 있는 기계 학습 모델은 순환 신경망 등의 심층 신경망에 한정되지 않는바, 롱숏텀메모리(long-short term memory; LSTM), GRU, MemN 등과 같이 본 발명의 기술분야에 널리 알려진 다양한 변형들이 이용될 수 있다.
계속해서, 도 7을 참조하면, 본 발명에 따른 위험도 기반 피검체 분류 방법은, 그 결과의 유용한 이용을 도모하기 위하여, 컴퓨팅 장치(200)에 의하여 구현되는 소정의 모듈(미도시)이, 생성된 상기 분류 결과를 외부 엔티티(entity)에게 제공하는 단계(미도시)를 더 포함한다.
여기에서 외부 엔티티라고 함은, 본 발명에 따른 방법을 수행하는 컴퓨팅 장치(200)의 사용자, 관리자, 상기 피검체를 담당하는 담당 의료 전문가 등을 포함하나, 이 이외에도 분류 결과를 필요로 하는 주체라면 어느 주체라도 포함되는 것으로 이해되어야 할 것이다. 외부 엔티티가 인간인 때에는 컴퓨팅 장치(200)는 소정의 출력 장치, 예컨대 디스플레이에 표시된 사용자 인터페이스를 통하여 분류 결과를 외부 엔티티에 제공할 수 있다.
지금까지 도 2 내지 도 7에 나타난 구성요소들은 설명의 편의상 하나의 컴퓨팅 장치에서 실현되는 것으로 예시되었으나, 본 발명의 방법을 수행하는 컴퓨팅 장치(200)는 복수개의 장치들이 서로 연동된 것으로 구성될 수도 있다는 점이 이해될 것이다. 따라서 전술한 본 발명 방법의 각 단계는, 하나의 컴퓨팅 장치가 직접 수행하거나 상기 하나의 컴퓨팅 장치가 상기 하나의 컴퓨팅 장치에 연동되는 타 컴퓨팅 장치로 하여금 수행하도록 지원함으로써 수행될 수 있음이 자명하다.
이와 같이 본 발명에 따른 위험도 기반 피검체 분류 방법은, 미리 학습된 기계 학습 모델에 기초하여 피검체의 위험도를 평가하고, 피검체를 분류할 수 있는바, 그 분류 결과를 사용자 등이 평가한 정보 등을 다시 상기 기계 학습 모델에 대한 갱신의 자료로 활용한다면, 상기 기계 학습 모델로 하여금 더 정확한 분류를 수행하도록 할 수 있는 장점이 있으므로, 이러한 장점을 취하기 위하여 본 발명에 따른 위험도 기반 피검체 분류 방법은, 상기 프로세서(220)가, 상기 분류 결과를 평가한 정보에 기초하여, 상기 기계 학습 모델을 갱신하거나 상기 타 장치로 하여금 갱신하도록 지원하는 단계(S400)를 더 포함할 수 있다. 이때, 이전의 학습 때에는 고려되지 않았던 통합 데이터가 훈련용 데이터로서 추가 고려되어 이전의 학습 때에 있었던 오류를 바로잡을 수 있기 때문에 상기 기계 학습 모델의 정확도가 향상되는바, 데이터가 쌓일수록 상기 기계 학습 모델의 성능이 지속적으로 향상되는 장점이 있다.
여기에서 상기 분류 결과를 평가한 정보는 상기 의료 전문가 등의 외부 엔티티로부터 제공될 수 있다. 예를 들어, 퇴원 가능 환자, 입원 요망 환자, 중환자실 치료 요망 환자 및 사망 임박 환자를 서로 잘못 구분하지 않도록 하기 위하여, 외부 엔티티가 잘못 구분된 분류 결과에 대하여 평가한 정보를 통하여 그 오류를 바로잡아줄 수 있다.
이와 같이 본 발명은 전술한 모든 실시 예들에 걸쳐, 의료 자원이 한정된 환경에서도 응급실에서 측정 혹은 사용하는 정도의 데이터만을 가지고 신속한 환자 분류에 따른 효율적인 대처 및 진료가 가능하기 때문에, 고위험 환자의 생명을 신속히 구제하는 한편, 의료진의 환자 분류에 대한 수고가 줄어드는 장점이 있다.
본 개시서의 다양한 실시 예들에 관한 설명에 기초하여 해당 기술분야의 통상의 기술자는, 본 발명의 방법 및/또는 프로세스들, 그리고 그 단계들이 하드웨어, 소프트웨어 또는 특정 용례에 적합한 하드웨어 및 소프트웨어의 임의의 조합으로 실현될 수 있다는 점을 명확하게 이해할 수 있다. 상기 하드웨어는 범용 컴퓨터 및/또는 전용 컴퓨팅 장치 또는 특정 컴퓨팅 장치 또는 특정 컴퓨팅 장치의 특별한 모습 또는 구성요소를 포함할 수 있다. 상기 프로세스들은 내부 및/또는 외부 메모리를 가지는, 하나 이상의 프로세서, 예컨대, 마이크로프로세서, 컨트롤러, 예컨대, 마이크로컨트롤러, 임베디드 마이크로컨트롤러, 마이크로컴퓨터, ALU(arithmetic logic unit), 디지털 신호 프로세서(digital signal processor), 예컨대, 프로그래머블 디지털 신호 프로세서 또는 기타 프로그래머블 장치에 의하여 실현될 수 있다. 게다가, 혹은 대안으로서, 상기 프로세스들은 주문형 집적회로(application specific integrated circuit; ASIC), 프로그래머블 게이트 어레이(programmable gate array), 예컨대, FPGA(field programmable gate array), PLU(programmable logic unit) 혹은 프로그래머블 어레이 로직(Programmable Array Logic; PAL) 또는 기타 명령어(instruction)를 실행하고 응답할 수 있는 임의의 다른 장치, 전자 신호들을 처리하기 위해 구성될 수 있는 임의의 다른 장치 또는 장치들의 조합으로 실시될 수 있다. 처리 장치는 운영 체제(OS) 및 상기 운영 체제 상에서 수행되는 하나 이상의 소프트웨어 애플리케이션을 수행할 수 있다. 또한, 처리 장치는 소프트웨어의 실행에 응답하여, 데이터를 접근, 저장, 조작, 처리 및 생성할 수도 있다. 이해의 편의를 위하여, 처리 장치는 하나가 사용되는 것으로 설명된 경우도 있지만, 해당 기술분야에서 통상의 지식을 가진 자는, 처리 장치가 복수 개의 처리 요소(processing element) 및/또는 복수 유형의 처리 요소를 포함할 수 있음을 알 수 있다. 예를 들어, 처리 장치는 복수 개의 프로세서 또는 하나의 프로세서 및 하나의 컨트롤러를 포함할 수 있다. 또한, 병렬 프로세서(parallel processor)와 같은, 다른 처리 구성(processing configuration)도 가능하다.
소프트웨어는 컴퓨터 프로그램(computer program), 코드(code), 명령어(instruction), 또는 이들 중 하나 이상의 조합을 포함할 수 있으며, 원하는 대로 동작하도록 처리 장치를 구성하거나 독립적으로 또는 결합적으로(collectively) 처리 장치를 명령할 수 있다. 소프트웨어 및/또는 데이터는, 처리 장치에 의하여 해석되거나 처리 장치에 명령어 또는 데이터를 제공하기 위하여, 어떤 유형의 기계, 구성요소(component), 물리적 장치, 가상 장치(virtual equipment), 컴퓨터 저장 매체 또는 장치, 또는 전송되는 신호 파(signal wave)에 영구적으로, 또는 일시적으로 구체화(embody)될 수 있다. 소프트웨어는 네트워크로 연결된 컴퓨터 시스템 상에 분산되어서, 분산된 방법으로 저장되거나 실행될 수도 있다. 소프트웨어 및 데이터는 하나 이상의 기계 판독 가능 기록 매체에 저장될 수 있다.
더욱이 본 발명의 기술적 해법의 대상물 또는 선행 기술들에 기여하는 부분들은 다양한 컴퓨터 구성요소를 통하여 수행될 수 있는 프로그램 명령어의 형태로 구현되어 기계 판독 가능 매체에 기록될 수 있다. 기계 판독 가능 매체는 프로그램 명령어, 데이터 파일, 데이터 구조 등을 단독으로 또는 조합하여 포함할 수 있다. 기계 판독 가능한 기록 매체에 기록되는 프로그램 명령어는 실시 예를 위하여 특별히 설계되고 구성된 것들이거나 컴퓨터 소프트웨어 분야의 통상의 기술자에게 공지되어 사용 가능한 것일 수도 있다. 기계 판독 가능 기록 매체의 예에는 하드 디스크, 플로피 디스크 및 자기 테이프와 같은 자기 매체(magnetic media), CD-ROM, DVD, Blu-ray와 같은 광기록 매체(optical media), 플롭티컬 디스크(floptical disk)와 같은 자기-광 매체(magneto-optical media), 및 롬(ROM), 램(RAM), 플래시 메모리 등과 같은 프로그램 명령어를 저장하고 수행하도록 특별히 구성된 하드웨어 장치가 포함된다. 프로그램 명령어의 예에는, 전술한 장치들 중 어느 하나뿐만 아니라 프로세서, 프로세서 아키텍처 또는 상이한 하드웨어 및 소프트웨어의 조합들의 이종 조합, 또는 다른 어떤 프로그램 명령어들을 실행할 수 있는 기계 상에서 실행되기 위하여 저장 및 컴파일 또는 인터프리트될 수 있는, C와 같은 구조적 프로그래밍 언어, C++ 같은 객체지향적 프로그래밍 언어 또는 고급 또는 저급 프로그래밍 언어(어셈블리어, 하드웨어 기술 언어들 및 데이터베이스 프로그래밍 언어 및 기술들)를 사용하여 만들어질 수 있는 바, 기계어 코드, 바이트코드뿐만 아니라 인터프리터 등을 사용해서 컴퓨터에 의해서 실행될 수 있는 고급 언어 코드도 이에 포함된다.
따라서 본 발명에 따른 일 태양에서는, 앞서 설명된 방법 및 그 조합들이 하나 이상의 컴퓨팅 장치들에 의하여 수행될 때, 그 방법 및 방법의 조합들이 각 단계들을 수행하는 실행 가능한 코드로서 실시될 수 있다. 다른 일 태양에서는, 상기 방법은 상기 단계들을 수행하는 시스템들로서 실시될 수 있고, 방법들은 장치들에 걸쳐 여러 가지 방법으로 분산되거나 모든 기능들이 하나의 전용, 독립형 장치 또는 다른 하드웨어에 통합될 수 있다. 또 다른 일 태양에서는, 위에서 설명한 프로세스들과 연관된 단계들을 수행하는 수단들은 앞서 설명한 임의의 하드웨어 및/또는 소프트웨어를 포함할 수 있다. 그러한 모든 순차 결합 및 조합들은 본 개시서의 범위 내에 속하도록 의도된 것이다.
예를 들어, 상기된 하드웨어 장치는 실시 예의 동작을 수행하기 위해 하나 이상의 소프트웨어 모듈로서 작동하도록 구성될 수 있으며, 그 역도 마찬가지이다. 상기 하드웨어 장치는, 프로그램 명령어를 저장하기 위한 ROM/RAM 등과 같은 메모리와 결합되고 상기 메모리에 저장된 명령어들을 실행하도록 구성되는 MPU, CPU, GPU, TPU와 같은 프로세서를 포함할 수 있으며, 외부 장치와 신호를 주고받을 수 있는 통신부를 포함할 수 있다. 덧붙여, 상기 하드웨어 장치는 개발자들에 의하여 작성된 명령어들을 전달받기 위한 키보드, 마우스, 기타 외부 입력 장치를 포함할 수 있다.
이상에서 본 발명이 구체적인 구성요소 등과 같은 특정 사항들과 한정된 실시 예 및 도면에 의해 설명되었으나, 이는 본 발명의 보다 전반적인 이해를 돕기 위해서 제공된 것일 뿐, 본 발명이 상기 실시 예들에 한정되는 것은 아니며, 본 발명이 속하는 기술분야에서 통상적인 지식을 가진 사람이라면 이러한 기재로부터 다양한 수정 및 변형을 꾀할 수 있다.
따라서, 본 발명의 사상은 상기 설명된 실시 예에 국한되어 정해져서는 아니되며, 본 개시서에 첨부된 특허청구범위뿐만 아니라 이 특허청구범위와 균등하게 또는 등가적으로 변형된 모든 것들은 본 발명의 사상의 범주에 속한다고 할 것이다. 예를 들어, 설명된 기술들이 설명된 방법과 다른 순서로 수행되거나, 및/또는 설명된 시스템, 구조, 장치, 회로 등의 구성요소들이 설명된 방법과 다른 형태로 결합 또는 조합되거나, 다른 구성요소 또는 균등물에 의하여 대치되거나 치환되더라도 적절한 결과가 달성될 수 있다.
그와 같이 균등하게 또는 등가적으로 변형된 것에는, 예컨대 본 발명에 따른 방법을 실시한 것과 동일한 결과를 낼 수 있는, 논리적으로 동치(logically equivalent)인 방법이 포함될 것인 바, 본 발명의 진의 및 범위는 전술한 예시들에 의하여 제한되어서는 아니되며, 법률에 의하여 허용 가능한 가장 넓은 의미로 이해되어야 한다.

Claims (10)

  1. 피검체의 위험도를 평가하여 상기 위험도에 따라 상기 피검체를 분류하는 방법에 있어서,
    (a) 컴퓨팅 장치가, 상기 피검체의 통합 데이터를 획득하거나 상기 컴퓨팅 장치에 연동되는 타 장치로 하여금 획득하도록 지원하는 단계로서, 상기 통합 데이터는 상기 피검체의 환자 데이터 또는 이를 가공한 데이터로서 수치화된 데이터인, 단계;
    (b) 상기 컴퓨팅 장치가, 상기 통합 데이터를 상기 피검체의 위험도 평가를 위한 기계 학습 모델(machine learning model)에 적용함으로써 위험도를 평가한 결과로서 상기 분류의 결과를 생성하거나 상기 타 장치로 하여금 생성하도록 지원하는 단계; 및
    (c) 상기 컴퓨팅 장치가, 생성된 상기 분류 결과를 외부 엔티티(entity)에게 제공하거나 상기 타 장치로 하여금 제공하도록 지원하는 단계
    를 포함하는 위험도 기반 피검체 분류 방법.
  2. 제1항에 있어서,
    상기 (a) 단계는,
    상기 컴퓨팅 장치가, 상기 환자 데이터 중 수치화되지 않은 데이터를 카테고리화하여 카테고리화 데이터를 생성하고, 상기 카테고리화 데이터를 수치 형태로 가공함으로써 상기 수치화되지 않은 데이터를 수치화하는 것을 특징으로 하는 위험도 기반 피검체 분류 방법.
  3. 제2항에 있어서,
    상기 (a) 단계는,
    상기 컴퓨팅 장치가, 상기 환자 데이터 중 수치화되어 있는 데이터를, 상기 수치화되지 않은 데이터의 수치화한 결과에 대응되도록, 상기 카테고리화 및 수치 형태 가공을 수행하는 것을 특징으로 하는 위험도 기반 피검체 분류 방법.
  4. 제1항에 있어서,
    (d) 상기 분류 결과를 평가한 정보에 기초하여, 상기 컴퓨팅 장치가, 상기 기계 학습 모델을 갱신하거나 상기 타 장치로 하여금 갱신하도록 지원하는 단계
    를 더 포함하는 위험도 기반 피검체 분류 방법.
  5. 제1항에 있어서,
    상기 피검체의 위험도는 적어도 4가지 클래스로 상기 분류되는 것을 특징으로 하는 위험도 기반 피검체 분류 방법.
  6. 제1항에 있어서,
    상기 피검체의 위험도 평가를 위한 기계 학습 모델은 소정 증상의 발생 데이터 및 정상 데이터를 이용하여 훈련된 것인 위험도 기반 피검체 분류 방법.
  7. 제6항에 있어서,
    상기 기계 학습 모델은,
    (i) 상기 소정 증상 발생 데이터를 학습하는 단계; 및
    (ii) 상기 (i) 단계의 종료 후, 상기 소정 증상 발생 데이터와 상기 정상 데이터를 동시 학습하는 단계
    를 수행함으로써 훈련된 것임을 특징으로 하는 위험도 기반 피검체 분류 방법.
  8. 제7항에 있어서,
    상기 (ii) 단계에서,
    실제와 유사한 유사 소정 증상 발생 데이터를 생성함으로써 상기 동시 학습에 이용하는 것을 특징으로 하는 위험도 기반 피검체 분류 방법.
  9. 컴퓨팅 장치로 하여금, 제1항 내지 제8항 중 어느 한 항의 방법을 수행하도록 구현된 인스트럭션들(instructions)을 포함하는, 매체에 저장된 컴퓨터 프로그램.
  10. 피검체의 위험도를 평가하여 상기 위험도에 따라 상기 피검체를 분류하는 컴퓨팅 장치에 있어서,
    상기 피검체의 통합 데이터를 획득하는 통신부; 및
    (i) 상기 통합 데이터를 상기 피검체의 위험도 평가를 위한 기계 학습 모델(machine learning model)에 적용함으로써 위험도를 평가한 결과로서 상기 분류의 결과를 생성하는 프로세스, 및 (ii) 생성된 상기 분류 결과를 외부 엔티티(entity)에게 제공하는 프로세스를 수행하거나 상기 통신부를 통하여 연동되는 타 장치로 하여금 수행하도록 지원하는 프로세서
    를 포함하되,
    상기 통합 데이터는 상기 피검체의 환자 데이터 또는 이를 가공한 데이터로서 수치화된 데이터인 위험도 기반 피검체 분류 장치
PCT/KR2019/017048 2018-12-05 2019-12-04 피검체의 위험도를 평가하여 상기 위험도에 따라 상기 피검체를 분류하는 방법 및 이를 이용한 장치 WO2020116942A1 (ko)

Priority Applications (2)

Application Number Priority Date Filing Date Title
JP2021530324A JP7165266B2 (ja) 2018-12-05 2019-12-04 被検体の危険度を評価して危険度に基づいて被検体を分類する方法及びそれを用いた装置
US17/295,880 US20220012634A1 (en) 2018-12-05 2019-12-04 Method for assessing degree of risk of subject and classifying same subject according to same degree of risk, and device using same

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
KR1020180154848A KR102049829B1 (ko) 2018-12-05 2018-12-05 피검체의 위험도를 평가하여 상기 위험도에 따라 상기 피검체를 분류하는 방법 및 이를 이용한 장치
KR10-2018-0154848 2018-12-05

Publications (1)

Publication Number Publication Date
WO2020116942A1 true WO2020116942A1 (ko) 2020-06-11

Family

ID=68730438

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/KR2019/017048 WO2020116942A1 (ko) 2018-12-05 2019-12-04 피검체의 위험도를 평가하여 상기 위험도에 따라 상기 피검체를 분류하는 방법 및 이를 이용한 장치

Country Status (4)

Country Link
US (1) US20220012634A1 (ko)
JP (1) JP7165266B2 (ko)
KR (1) KR102049829B1 (ko)
WO (1) WO2020116942A1 (ko)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
TWI818203B (zh) * 2020-10-23 2023-10-11 國立臺灣大學醫學院附設醫院 基於病患病情的分類模型建立方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20130132802A (ko) * 2010-10-12 2013-12-05 지멘스 메디컬 솔루션즈 유에스에이, 인크. 심혈관 질환들의 발병을 예측하기 위한 건강관리 정보 기술 시스템
KR20170140757A (ko) * 2016-06-10 2017-12-21 한국전자통신연구원 임상 의사결정 지원 앙상블 시스템 및 이를 이용한 임상 의사결정 지원 방법
KR101841222B1 (ko) * 2017-08-11 2018-03-22 주식회사 뷰노 피검체의 치명적 증상의 발생을 조기에 예측하기 위한 예측 결과를 생성하는 방법 및 이를 이용한 장치
KR101843066B1 (ko) * 2017-08-23 2018-05-15 주식회사 뷰노 기계 학습에 있어서 데이터 확대를 이용하여 데이터의 분류를 수행하는 방법 및 이를 이용한 장치

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7761309B2 (en) 2002-03-22 2010-07-20 Thinksharp, Inc. Method and system of mass and multiple casualty triage
SG183435A1 (en) 2010-03-15 2012-09-27 Singapore Health Serv Pte Ltd Method of predicting the survivability of a patient
US10262108B2 (en) 2013-03-04 2019-04-16 Board Of Regents Of The University Of Texas System System and method for determining triage categories
BR112018072578A2 (pt) 2016-05-04 2019-02-19 Koninklijke Philips N.V. sistema e método implementado por computador

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20130132802A (ko) * 2010-10-12 2013-12-05 지멘스 메디컬 솔루션즈 유에스에이, 인크. 심혈관 질환들의 발병을 예측하기 위한 건강관리 정보 기술 시스템
KR20170140757A (ko) * 2016-06-10 2017-12-21 한국전자통신연구원 임상 의사결정 지원 앙상블 시스템 및 이를 이용한 임상 의사결정 지원 방법
KR101841222B1 (ko) * 2017-08-11 2018-03-22 주식회사 뷰노 피검체의 치명적 증상의 발생을 조기에 예측하기 위한 예측 결과를 생성하는 방법 및 이를 이용한 장치
KR101843066B1 (ko) * 2017-08-23 2018-05-15 주식회사 뷰노 기계 학습에 있어서 데이터 확대를 이용하여 데이터의 분류를 수행하는 방법 및 이를 이용한 장치

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
TWI818203B (zh) * 2020-10-23 2023-10-11 國立臺灣大學醫學院附設醫院 基於病患病情的分類模型建立方法

Also Published As

Publication number Publication date
JP7165266B2 (ja) 2022-11-02
KR102049829B1 (ko) 2019-11-28
US20220012634A1 (en) 2022-01-13
JP2022514206A (ja) 2022-02-10

Similar Documents

Publication Publication Date Title
JP7307926B2 (ja) 被検体の致命的症状の発生を早期に予測するための予測結果を生成する方法、及びそれを利用する装置
Khemphila et al. Heart disease classification using neural network and feature selection
Leite et al. A fuzzy model for processing and monitoring vital signs in ICU patients
KR101841222B1 (ko) 피검체의 치명적 증상의 발생을 조기에 예측하기 위한 예측 결과를 생성하는 방법 및 이를 이용한 장치
Liu et al. Risk scoring for prediction of acute cardiac complications from imbalanced clinical data
CN107249434B (zh) 鲁棒分类器
Shukur et al. Involving machine learning techniques in heart disease diagnosis: a performance analysis
Nkamgang et al. Automating the clinical stools exam using image processing integrated in an expert system
Goyal et al. IoT based cloud network for smart health care using optimization algorithm
CN111276242A (zh) 一种针对医院重症监护室患者疾病诊断与病情状态评估建模方法
Hoyos et al. An autonomous cycle of data analysis tasks for the clinical management of dengue
WO2020116942A1 (ko) 피검체의 위험도를 평가하여 상기 위험도에 따라 상기 피검체를 분류하는 방법 및 이를 이용한 장치
Marble et al. A neural network approach to the diagnosis of morbidity outcomes in trauma care
Ashu et al. A novel approach of telemedicine for managing fetal condition based on machine learning technology from IoT-based wearable medical device
Sharma et al. Comparative analysis of different classifiers using machine learning algorithm for diabetes mellitus
Barakat et al. Lessons learned on using high-performance computing and data science methods towards understanding the acute respiratory distress syndrome (ards)
Jahan Machine learning with IoT and big data in healthcare
Shafiq et al. Smart E‐Health System for Heart Disease Detection Using Artificial Intelligence and Internet of Things Integrated Next‐Generation Sensor Networks
Han et al. Evaluating Listening Performance for COVID-19 Detection by Clinicians and Machine Learning: Comparative Study
Davis et al. Detecting pathogen exposure during the non-symptomatic incubation period using physiological data: proof of concept in non-human primates
Grover et al. Performance evaluation of pre-trained models on Tuberculosis dataset
Mota et al. AI and Big Data for Intelligent Health: Promise and Potential
Awotunde et al. An IoT Machine Learning Model-Based Real-Time Diagnostic and Monitoring System
WO2023048463A1 (ko) 딥러닝 기반으로 연속적인 신체 상태를 계측하는 방법, 컴퓨터 프로그램 및 장치
WO2024039218A1 (ko) 생체신호 데이터의 증강 방법, 컴퓨터 프로그램 및 장치

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: 19893411

Country of ref document: EP

Kind code of ref document: A1

ENP Entry into the national phase

Ref document number: 2021530324

Country of ref document: JP

Kind code of ref document: A

NENP Non-entry into the national phase

Ref country code: DE

122 Ep: pct application non-entry in european phase

Ref document number: 19893411

Country of ref document: EP

Kind code of ref document: A1